隐式建模和机器学习算法在西藏巨龙斑岩型铜钼矿床三维成矿预测中的应用研究

摘要

三维成矿预测打破了传统二维预测图件的限制，可以将地学信息在真三维空间中直观地表达出来，因此受到人们越来越多的关注。三维地质建模和成矿预测方法是三维成矿预测过程中非常重要的步骤，但是随着地质数据采集方式的多样化，地质数据来源的多样性，地质数据也逐渐具备大数据的特征，传统的显式建模方式和成矿有利信息提取方法受到诸多限制，主要体现在不能有效地对三维模型进行实时更新和对大量地质勘查数据进行分析与处理。为了提出针对该类问题的一种有效解决方案，笔者选择西藏巨龙超大型斑岩铜钼矿床为研究对象，利用隐式建模方法构建矿区三维地质-地球化学模型，并通过机器学习算法对成矿有利信息进行提取、分析，最后对潜在的有利成矿空间进行预测。建模结果表明：隐式建模方法可以通过插值函数获得整个空间的地质体数据，三维地质体曲面重建算法可以对地质体数据进行三维建模与可视化，自动生成三维可视化模型。隐式建模大大降低了显示建模中人机交互圈定地质界线的烦琐过程，可以实现三维模型的快速动态更新，而且隐式建模在更大程度上能够精确反映地下深部地质体的空间分布特征。成矿预测主要基于三维地质-地球化学模型提取深部有利成矿信息，构建训练集和测试集，利用有监督的机器学习模型(逻辑回归模型、支持向量机模型、人工神经网络模型和随机森林模型)进行训练。训练后的模型对测试集进行预测，并将预测结果绘制成ROC曲线对预测结果进行评估。评估结果显示：4个不同预测模型的AUC值都大于0.6,说明所训练的模型预测精度是优于随机过程的，其中随机森林算法的AUC值最大(0.97),模型预测效果最优。本文选择随机森林模型对矿床深部进行预测，圈定了2个找矿靶区。经过钻探验证，靶区B潜在资源与预测结果相符，证实了该方法具有一定的科学性和可行性。

关键词

巨龙铜钼矿 / 隐式建模 / 机器学习 / 成矿预测