三维成矿预测关键问题

Key issues in three-dimensional predictive modeling of mineral prospectivity

摘要

三维成矿预测是当前深部找矿预测和勘查的重要方法和手段,其方法体系和实践应用均已取得大量成果,但同时存在若干关键科学技术问题,导致其进一步发展受到制约。本文从多尺度三维成矿预测方法体系不完善、不确定性分析与优化研究薄弱、三维成矿预测要素挖掘存在瓶颈、缺少针对三维成矿预测的三维深度学习模型和方法等关键问题出发,对目前三维成矿预测领域相关方面的研究进展进行综合分析,并提出针对上述关键问题可能的解决方案和研究方向。预期未来三维成矿预测领域的研究工作将创新发展出多种方法,实现对三维预测信息的深度挖掘;构建形成适用的三维深度学习模型和训练方法,有效增强三维成矿预测结果的预测能力;通过系统性地开展三维成矿预测不确定性研究,进一步优化预测过程和结果,有效提高三维成矿预测方法的可靠性和准确性;形成面向多尺度三维成矿预测的方法体系,更有效地指导矿集区-矿田-勘查区块(矿床)等不同级别的深部矿产资源找矿勘查工作。相关关键问题的解决将进一步深化和完善三维成矿预测理论和方法体系,促进三维成矿预测理论方法的实践应用,显著提升深部找矿预测和勘查工作的效率与水平,助力深部找矿突破。

关键词

三维成矿预测 / 关键问题 / 多尺度 / 预测信息发掘 / 不确定性 / 数据融合

Key words

3D mineral prospectivity prediction / key issues / multi-scale / predictive information discovery / uncertainty / data fusion

0 引言

新形势下国家“扩大内需”发展战略和“国内大循环为主体”发展格局,都离不开矿产资源的可靠保障。但是,我国部分大宗矿产保有储量低,矿产资源可持续保障能力不足,对外依存度高。因此,科学高效的矿产资源预测和勘查,对于国家发展战略实施具有十分重要的支撑保障意义。

目前,国内大部分地区浅部矿和易识别矿发现概率已大幅降低,深部矿和隐伏矿成为找矿的工作重心,但其难度和风险巨大,迫切需要大力发展深部隐伏矿产资源的找矿预测和勘查方法,实现深部找矿的新突破^{[1⇓⇓⇓⇓-6]}。针对深部找矿预测和勘查难题,国内外矿业界、政府和科研机构均开展了大量工作,如加拿大成立了“加拿大矿业创新委员会”,目的是通过理论和技术创新实现深部找矿突破;澳大利亚成立了“深部勘探技术合作中心”,目标是整合多方面力量大力发展深部勘查技术,利用多种方法技术提高矿床定位预测能力;我国也相继实施了“深地资源勘查开采”重点研发计划专项和多项深部矿产资源调查工作,取得大量技术成果和深部找矿突破。在上述工作中,从不同角度提出的找矿预测理论和方法技术起着有力的支撑作用^{[4,7⇓⇓⇓-11]}。其中,三维成矿预测这一新方法在深部矿产资源找矿预测和勘查实践中取得较好成果,已成为深部找矿预测和勘查的重要方法和手段之一^{[12⇓⇓⇓⇓⇓⇓-19]}。

三维成矿预测经过多年发展,已在二维成矿定量预测方法体系的基础上建立了方法体系^[9⇓-11,20]。三维成矿预测强调:在系统收集研究区多维、多元地学数据的基础上,深入研究区域及矿床地质特征;通过三维地质建模方法整合海量地学数据,解析深部地质结构;利用三维空间分析与三维数值模拟等方法挖掘三维预测要素信息;最终基于数学模型进行信息融合,定量计算成矿有利程度,实现三维预测靶区圈定。在三维成矿预测流程中,方法体系能够指导方法和技术的集成,逐级聚焦并指引预测工作方向,提高找矿勘查工作的效率和科学性;知识发现是三维成矿预测研究的基础,更多类别和数量的三维预测信息可为隐伏矿体的预测提供更多方位、更为充分的数据支持;预测信息的融合是三维成矿预测中最为关键的步骤之一。通过寻找多元预测信息与成矿事实间的时空关联特征对找矿靶区进行圈定,对于提高预测的有效性十分重要;此外,由于三维成矿预测集成多种方法技术,定量评估各种方法内涵的不确定性,并进行优化,能够显著提高预测结果的可靠性,降低进一步深部找矿勘查风险。

针对上述要点,虽然目前已取得大量科研成果,但仍然面临着一些关键问题,主要包括:在知识发现方面,三维预测要素挖掘存在瓶颈;可靠性方面,针对三维成矿预测的不确定性分析与优化研究薄弱;信息融合方面,缺少针对三维成矿预测的三维深度学习模型和方法;方法体系层面,多尺度三维成矿预测方法体系不完善等。以上问题共同制约了三维成矿预测理论和方法体系的发展和勘查应用(图1)。

1 三维预测要素挖掘存在瓶颈

已有研究显示,相较于传统的二维成矿预测,三维成矿预测经常受制于三维预测要素的缺乏^[13]。二维成矿预测的预测要素主要是地表平面信息,由于相对易于获取,因此较为丰富,通常包括地层、构造、岩浆岩和矿化蚀变等地质要素,以及物探、化探、遥感和其他要素。具体地,如控矿构造要素包括密度、平均方位、中心对称度、断裂优益度和环形构造等;岩浆岩要素包括成矿有利岩体、岩性和物化遥推断的隐伏岩体等;化探要素包含单元素和多元素组合异常等;物探要素包含重力和航磁异常等;遥感要素包含羟基和铁染蚀变异常等^[21]。而三维成矿预测要素多为地表之下的三维数据信息,获取和挖掘较为困难,因此多数研究仅能够采用来源于三维地质模型的成矿有利地层、成矿有利岩体和控矿断裂的三维距离场信息,或基于空间分析方法提取岩体隆凹、起伏等少数三维控矿地质结构信息进行综合预测^[14-15,22]。尽管近年来用于三维地质体特征提取的三维空间分析方法在不断进步^[23],但由于多数三维成矿预测信息来源于同一组三维地质模型,预测要素来源和类别仍存在瓶颈。单一的预测要素来源增加了预测数据冗余程度,预测信息的条件独立性较差,势必严重影响定量化预测结果的合理性和靶区圈定的有效性。

因此,如何突破三维成矿预测要素挖掘的瓶颈已成为关键,目前以两种解决途径为主。

第一种途径,针对传统找矿勘查工作中积累的大量二维数据,探索将二维数据向三维推演,以便从不同角度获取三维成矿预测要素信息。近年来,基于重磁数据的三维物性反演方法被广泛使用,其成果已被应用于深部地质构造解译和三维成矿预测研究中^{[17,24⇓-26]}(图2a);电法数据的三维物性反演方法近年来也逐步被应用^[27],但由于数据成本较高,应用相对有限。勘查地球化学数据的三维推演也已成为近年来矿产资源深部预测的重要工具,包括蚀变矿物微量元素分析、原生晕三维空间分析和建模等^{[28⇓⇓-31]}(图2b),具有良好的研究与应用前景,预期能够有效支撑三维成矿预测要素挖掘瓶颈的突破。

第二种途径,采用新方法对三维预测要素信息进行深度挖掘(图2c,d^[32-33])。已有研究显示,成矿作用数值模拟作为一种新方法,已开始成功应用于成矿机制和成矿预测研究。相关方法既能够从定量化的角度深化对成矿作用理论的理解,同时也可为深部矿产资源找矿预测提供新的预测要素^{[16,34⇓⇓⇓⇓-39]}。目前,已有国内外学者开展了相关领域的研究探索,例如对矿床形变、流体流动和热传导的耦合模拟,明确矿床空间定位的控制因素^{[40⇓⇓⇓-44]}。三维成矿数值模拟已能够在真实的三维地质模型和边界条件的约束下实现,模拟和预测成矿有利空间或位置^{[16,32,45⇓-47]}。这些成果表明,成矿作用数值模拟可为深部找矿预测勘查提供新的三维预测要素^[16]。

然而,相关研究尚处于起步阶段,基于数值模拟获得新的三维预测要素虽前景广阔,但目前还非常有限,且模拟常受到单元尺寸较大、多场耦合计算量过大和模拟时间过长等方面的影响。因此,如何基于成矿过程数值模拟发掘更多有效的三维预测要素,如何建立针对不同尺度的物理化学场耦合关系,如何解决数值模拟单元的尺度问题,以及如何降低计算量和计算时长等均亟待深入研究。

2 针对三维成矿预测的三维深度学习模型和方法

三维成矿预测的最后环节是三维成矿信息的融合和综合预测。其多采用数据驱动的数学模型度量多元预测信息和成矿事实间的时空关联特征,综合其重要性后,对预测空间的成矿后验概率或成矿有利程度进行计算,并通过阈值筛选圈定找矿靶区。目前,三维成矿预测研究多延用二维成矿预测中广泛应用的数学模型,如证据权重模型、信息量模型、Logistic回归模型和神经网络模型等,这些模型结构简单,但分类和预测能力较为有限,同时在三维成矿预测应用中还存在降维丢失三维预测信息的问题^{[9⇓-11,14⇓-16]}。

近年来,深度学习已成为过去几年大数据与数学地球科学研究的最重要的热点^[48]。深度学习通过模仿人脑机制解释数据,相比于一些传统的浅层机器学习算法,深度学习模型具有更多的层次结构,可以从数据集中抽取更高维度的分布特征。目前,以卷积神经网络为代表的多种深度学习方法已逐步被应用于成矿预测领域。其中,卷积神经网络由于其可以综合考虑数据之间的空间关联关系和结构特征,并通过深度网络挖掘高阶特征信息,能够结合迁移学习方法在一定程度上解决标签样本少、难以开展学习和训练等问题,因此在二维成矿预测研究中表现出非常好的研究和发展潜力^{[49⇓⇓⇓⇓⇓⇓⇓⇓-58]}。

在三维领域,三维卷积神经网络方法已被提出,并被广泛应用于如医学影像识别和分析处理等领域,如利用基于注意机制的三维卷积网络对阿尔茨海默病进行分类预测^[59-60]等,取得了大量且优秀的研究成果^[61-62]。在地学领域,三维卷积神经网络也已开始逐步被应用于三维地球物理数据的正反演分析^[63]、三维地质模型的分析研究^[64-65]等诸多方面。目前三维卷积神经网络方法在三维成矿预测领域也已有了初步的探索^[19,66](图3),显示出良好的研究潜力,其具备的三维特征融合、高阶特征提取和非线性学习的能力,理论上能够解决三维预测信息融合和综合预测环节中存在的问题,有效增强三维成矿预测结果的预测能力。

在三维成矿预测领域,目前针对三维卷积神经网络等深度学习方法的研究刚刚起步,尚未系统性地针对三维成矿预测数据特点和预测目标开展深度学习模型和方法研究。涉及的具体科学和技术问题包括:如何构建针对多尺度三维预测信息的三维卷积神经网络结构,如何建立能够有效提取成矿预测信息的三维卷积核函数与激活函数,如何开展三维预测样本集的构建和增强,如何在少样本条件下开展网络训练,如何利用注意力机制和迁移学习等方式增强模型的预测能力,如何通过提高深度学习模型的可解释性开展模型优化等,均亟待开展研究和验证。

3 三维成矿预测的不确定性评价与优化

成矿预测是一种基于多因子、多准则的综合方法,其内含的数据和方法等具有十分高的不确定性,这种不确定性会作用于预测结果,显著提高找矿预测的风险。不确定性存在于成矿预测工作的全过程^[67],既来源于矿床成因的多样性、矿床特征的复杂性、控矿因素的隐蔽性和人类认识的阶段性,也来源于数据资料的不准确性、找矿信息的多解性和预测模型的不完备性等因素^[4,68]。

目前,关于成矿预测的不确定性研究多集中于二维环境,相关研究认为不确定性很大程度上与数据的质量相关^{[69⇓⇓-72]}。在三维成矿预测研究中,多维多元地学数据资料的不确定性,三维地质建模、三维空间分析和三维综合预测等环节的不确定性均会对三维成矿预测结果产生影响。因此,对于融合更多数据和方法的三维成矿预测,其不确定性更值得关注。

三维成矿预测研究中,三维地质建模的合理性和准确性是最为重要的研究基础和关键所在^[13],其不仅依赖地球物理反演解释成果等多维多元地学数据的支持,也受到三维地质建模方法和相关参数的影响。对于相关的地球物理反演解释数据的多解性等问题,已有学者通过对反演解释结果进行2.5D延展拼接,并配合三维地球物理正演对解释结果进行验证^[24,73-74],或联合隐式三维地质建模和三维地球物理正演等方法,对地球物理解释成果、三维地质建模的合理性和准确性进行协同优化,在一定程度上尝试减少解释结果的多解性或是不确定性问题^[19,75];对于地质产状、界线等信息引起的三维地质模型不确定性问题,也已有学者利用蒙特卡洛模拟和三维隐式地质建模方法进行了定量研究^[76-77]。

对于三维成矿预测研究的其他环节,虽然当前已在预测数据缺失、三维预测模型的不确定性分析和降低三维成矿预测结果不确定性的方法途径等方面开展了初步研究^{[77⇓⇓⇓-81]},如图4所示,但是总体而言,目前对于三维成矿预测的不确定性研究仍十分薄弱,尚未建立较为完整的方法体系。因此,十分有必要针对三维成矿预测方法体系的各个环节建立系统的、定量化的不确定性分析方法和模型,有效分析预测研究中存在的不确定性来源和作用程度,评价可能存在的预测风险并有效地提出降低不确定性的方法和途径,以获得更为可靠的三维成矿预测结果。

4 面向多尺度三维成矿预测的方法体系

在矿产资源预测研究领域,一个长期以来的关键问题是“多尺度”问题。“多尺度”问题是指如何面向不同比例尺,针对不同目标,利用不同尺度的数据资料,应用不同的预测方法和预测模型进行成矿预测工作。以往研究中,无论是“5p”成矿预测方法^[67]还是成矿区带^[82]研究,都是对“多尺度”问题深入思考的重要成果。对于深部矿产资源预测和勘查,多尺度研究同样必不可少,主要针对矿集区-矿田-勘查区块(矿床)开展系统性、连续性研究。针对区域性(矿集区和矿田尺度)深部找矿工作,需要首先判定与深部成矿有关的地质背景,进而确定主要的控矿因素组合及其相互作用关系,在此基础上结合区域内已知矿床的成矿作用和成矿特征,总结区域成矿规律,规划找矿勘查的总体方向并对成矿远景区进行预测;对于勘查区块(矿床尺度)深边部找矿工作,则需首先查明主要控矿地质条件和赋矿部位的局部空间特征,进而进一步厘定矿体(床)空间定位规律,建立找矿预测模型,直接指导勘查区块或矿床深边部的找矿勘查工作^[83]。

近年来,对成矿系统的多尺度探测也已成为揭示成矿系统、助力深部找矿的重要手段^{[84⇓⇓-87]}(图5^{[19,75,88⇓-90]})。依靠多尺度地质和地球物理探测数据,能够有效实现多尺度三维地质模型的构建,为三维成矿预测提供“多尺度”数据支持。

对于三维成矿预测而言,目前对“多尺度”问题的研究还比较薄弱,主要包括方法体系和技术实现两方面的问题。在方法体系方面,如何从成矿系统和成矿条件的多尺度特征出发,从宏观到具体,在充分考虑矿床成因模式的基础上梳理多元控矿和预测要素,建立针对不同尺度的三维找矿预测模型;如何针对矿集区-矿田-勘查区块(矿床)逐级深入,缩小找矿远景区,直至圈定深部靶区;在技术实现方面,数十GB乃至数百GB高维网格数据在三维成矿预测研究中已屡见不鲜,海量数据的高速精确运算限制了三维成矿预测方法的深入应用和推广。上述问题的解决,需要进一步从多尺度的角度构建三维成矿预测方法体系,技术上则采取变尺度思想对海量高维数据进行有效组织,在降低数据量的同时建立适用于多尺度环境的三维空间分析和预测算法,同时借助超算平台并联合面向数据密集型应用的高性能计算技术,实现对海量数据的高速存储与运算^[91-92]。

5 结论

(1)三维成矿预测作为深部找矿预测勘查新的重要方法和手段,在理论和方法体系研究以及找矿勘查实践上均已取得较好成果,但同时也面临制约其发展的关键问题,主要包括:三维预测要素挖掘存在瓶颈,缺少针对三维成矿预测的三维深度学习模型和方法,不确定性分析与优化研究薄弱,多尺度三维成矿预测方法体系不完善等。

(2)预期未来三维成矿预测的研究工作,将创新发展出多种方法实现对三维预测要素信息的深度挖掘;通过构建完整的三维深度学习模型和训练方法,有效增强三维成矿预测结果的预测能力;通过系统性地开展三维成矿预测不确定性研究,优化预测过程和结果,有效提高三维成矿预测方法的可靠性和准确性;建立面向多尺度三维成矿预测的方法体系,更有效地指导矿集区-矿田-勘查区块(矿床)等不同级别的深部矿产资源找矿勘查工作。

(3)三维成矿预测诸多关键问题的解决具有重要的理论和实践意义。相关进展将进一步深化和完善三维成矿预测理论和方法体系,推进我国深部找矿预测和勘查工作,保障国家矿产资源安全。

参考文献

[1] 翟裕生, 邓军, 王建平, 深部找矿研究问题[J]. 矿床地质, 2004, 23(2): 142-149.

[2] 叶天竺, 薛建玲. 金属矿床深部找矿中的地质研究[J]. 中国地质, 2007, 34(5): 855-869.

[3] 滕吉文. 强化开展地壳内部第二深度空间金属矿产资源地球物理找矿、 勘探和开发[J]. 地质通报, 2006, 25(7): 767-771.

[4] 赵鹏大. 成矿定量预测与深部找矿[J]. 地学前缘, 2007, 14(5): 1-10.

[5] SALAMA W, ANAND R R, VERRALL M. Mineral exploration and basement mapping in areas of deep transported cover using indicator heavy minerals and paleoredox fronts, Yilgarn Craton, Western Australia[J]. Ore Geology Reviews, 2016, 72(P1): 485-509.

[6] 吕庆田, 孟贵祥, 严加永, 成矿系统的多尺度探测: 概念与进展: 以长江中下游成矿带为例[J]. 中国地质, 2019, 46(4): 673-689.

[7] 毛先成. 三维数字矿床与隐伏矿体立体定量预测研究[D]. 长沙: 中南大学, 2006.

[8] 成秋明. 非线性成矿预测理论: 多重分形奇异性-广义自相似性-分形谱系模型与方法[J]. 地球科学: 中国地质大学学报, 2006, 31(3): 337-348.

[9] 陈建平, 吕鹏, 吴文, 基于三维可视化技术的隐伏矿体预测[J]. 地学前缘, 2007, 14(5): 54-62.

[10] 肖克炎, 李楠, 孙莉, 基于三维信息技术大比例尺三维立体矿产预测方法及途径[J]. 地质学刊, 2012, 36(3): 229-236.

[11] 袁峰, 李晓晖, 张明明, 隐伏矿体三维综合信息成矿预测方法[J]. 地质学报, 2014, 88(4): 630-643.

[12] 毛先成, 张苗苗, 邓浩, 矿区深部隐伏矿体三维可视化预测方法[J]. 地质学刊, 2016, 40(3): 363-371.

[13] 袁峰, 张明明, 李晓晖, 成矿预测: 从二维到三维[J]. 岩石学报, 2019, 35(12): 3863-3874.

[14] NIELSEN S H H, CUNNINGHAM F, HAY R, et al. 3D prospectivity modelling of orogenic gold in the Marymia Inlier, Western Australia[J]. Ore Geology Reviews, 2015, 71: 578-591.

[15] PAYNE C E, CUNNINGHAM F, PETERS K J, et al. From 2D to 3D: prospectivity modelling in the taupo volcanic zone, new zealand[J]. Ore Geology Reviews, 2015, 71: 558-577.

[16] LI X H, YUAN F, ZHANG M M, et al. 3D computational simulation-based mineral prospectivity modeling for exploration for concealed Fe-Cu skarn-type mineralization within the Yueshan orefield, Anqing district, Anhui Province, China[J]. Ore Geology Reviews, 2019, 105: 1-17.

[17] FU G M, LÜ Q T, YAN J Y, et al. 3D mineral prospectivity modeling based on machine learning: a case study of the Zhuxi tungsten deposit in northeastern Jiangxi Province, South China[J]. Ore Geology Reviews, 2021, 131: 104010.

[18] DENG H, ZHENG Y, CHEN J, et al. Learning 3D mineral prospectivity from 3D geological models using convolutional neural networks: application to a structure-controlled hydrothermal gold deposit[J]. Computersand Geosciences, 2022, 161: 105074.

[19] LI X H, XUE C, CHEN Y H, et al. 3D convolutional neural Network-based 3D mineral prospectivity modeling for targeting concealed mineralization within Chating Area, middle-Lower Yangtze River metallogenic Belt, China[J]. Ore Geology Reviews, 2023, 157: 105444.

[20] 毛先成, 邹艳红, 陈进, 隐伏矿体三维可视化预测[M]. 长沙: 中南大学出版社, 2011: 1-170.

[21] 陈建平, 董庆吉, 郝金华, 基于GIS的证据权重法青海“三江” 北段斑岩型钼铜矿产资源成矿预测[J]. 岩石矿物学杂志, 2011, 30(3): 519-529.

[22] YUAN F, LI X H, ZHANG M M, et al. Three-dimensional weights of evidence-based prospectivity modeling: a case study of the Baixiangshan mining area, Ningwu Basin, Middle and Lower Yangtze Metallogenic Belt, China[J]. Journal of Geochemical Exploration, 2014, 145: 82-97.

[23] DENG H, HUANG X F, MAO X C, et al. Generalized mathematical morphological method for 3D shape analysis of geological boundaries: application in identifying mineralization-associated shape features[J]. Natural Resources Research, 2022, 31(4): 2103-2127.

[24] LÜ Q T, QI G, YAN J Y. 3D geologic model of Shizishan ore field constrained by gravity and magnetic interactive modeling: a case history[J]. Geophysics, 2013, 78(1): B25-B35.

[25] 严加永, 吕庆田, 陈向斌, 基于重磁反演的三维岩性填图试验: 以安徽庐枞矿集区为例[J]. 岩石学报, 2014, 30(4): 1041-1053.

[26] LI X H, YUAN F, ZHANG M M, et al. Three-dimensional mineral prospectivity modeling for targeting of concealed mineralization within the Zhonggu iron orefield, Ningwu Basin, China[J]. Ore Geology Reviews, 2015, 71: 633-654.

[27] ZHANG Z Q, WANG G W, CARRANZA E J M, et al. Metallogenic model of the Wulong gold district, China, and associated assessment of exploration criteria based on multi-scale geoscience datasets[J]. Ore Geology Reviews, 2019, 114: 103138.

[28] LI X H, YUAN F, JOWITT S M, et al. Singularity mapping of fracture fills and its relationship to deep concealed orebodies: a case study of the Shaxi porphyry Cu-Au deposit, China[J]. Geochemistry: Exploration, Environment, Analysis, 2017, 17(3): 252-260.

[29] COOKE D R, WILKINSON J J, BAKER M, et al. Usingmineral chemistry to aid exploration: a case study from the resolution porphyry Cu-Mo deposit, Arizona[J]. Economic Geology, 2020, 115(4): 813-840.

[30] 陈华勇, 肖兵, 张世涛, 蚀变矿物勘查标识体系[M]. 北京: 科学出版社, 2021.

[31] 李程. 深部地质地球化学三维定量矿产预测方法研究: 以西秦岭早子沟金矿为例[D]. 成都: 成都理工大学, 2021.

[32] HU X Y, LI X H, YUAN F, et al. Numerical modeling of ore-forming processes within the Chating Cu-Au porphyry-type deposit, China: implications for the longevity of hydrothermal systems and potential uses in mineral exploration[J]. Ore Geology Reviews, 2020, 116: 103230.

[33] 戴文强. 安庆铜矿床热液蚀变及成矿过程数值模拟研究[D]. 合肥: 合肥工业大学, 2020.

[34] WEIS P, DRIESNER T, HEINRICH C A. Porphyry-copper ore shells form at stable pressure-temperature fronts within dynamic fluid plumes[J]. Science, 2012, 338(6114): 1613-1616.

[35] QIN Y Z, LIU L M. Quantitative 3D association of geological factors and geophysical fields with mineralization and its significance for ore prediction: an example from Anqing orefield, China[J]. Minerals, 2018, 8(7): 300.

[36] 袁峰, 李晓晖, 胡训宇, 热液矿床成矿作用研究新途径: 数值模拟[J]. 地质科学, 2019, 54(3): 678-690.

[37] 安文通, 陈建平, 朱鹏飞. 基于成矿过程数值模拟的隐伏矿双向预测研究[J]. 地学前缘, 2021, 28(3): 97-111.

[38] 谢绍锋. 胶西北矿集区成矿数值模拟与隐伏矿体三维预测研究[D]. 长沙: 中南大学, 2022.

[39] 毕晨曦, 刘亮明, 周飞虎. 融合动力学模拟的机器学习三维成矿预测: 以安徽铜山铜矿为例[J/OL]. 大地构造与成矿学, 2023: 1-16. DOI:10.16539/j.ddgzyckx.2023.01.104.

[40] LIU L M, WAN C L, ZHAO C B, et al. Geodynamic constraints on orebody localization in the Anqing orefield, China: computational modeling and facilitating predictive exploration of deep deposits[J]. Ore Geology Reviews, 2011, 43(1): 249-263.

[41] 贾蔡, 袁峰, 李晓晖, 基于多源数据约束的成矿动力学模拟: 以宁芜盆地钟姑矿田典型矿床为例[J]. 地质科学, 2018, 53(4): 1327-1346.

[42] 王语, 周永章, 肖凡, 基于成矿条件数值模拟和支持向量机算法的深部成矿预测: 以粤北凡口铅锌矿为例[J]. 大地构造与成矿学, 2020, 44(2): 222-230.

[43] 黄沁怡, 李增华, 许德如, 多过程耦合动力学数值模拟在热液矿床研究中的应用及发展前景[J]. 大地构造与成矿学, 2021, 45(6): 1146-1160.

[44] 陈伟林, 肖凡. 成矿动力学数值计算模拟研究进展: 理论、 方法与技术[J]. 地质科技通报, 2023, 42(3): 234-249.

[45] 赵义来, 刘亮明. 复杂形态岩体接触带成矿耦合动力学三维数值模拟: 以安庆铜矿为例[J]. 大地构造与成矿学, 2011, 35(1): 128-136.

[46] 孙涛. 计算模拟用于研究与斑岩有关矿床的复杂性: 以大王顶金矿和车户沟钼铜矿为例[D]. 长沙: 中南大学, 2014.

[47] HU X Y, LI X H, YUAN F, et al. 3D numerical simulation-based targeting of skarn type mineralization within the Xuancheng-magushan orefield, middle-Lower Yangtze metallogenic belt, China[J]. Lithosphere, 2020, 2020(1): 8351536.

[48] 周永章, 左仁广, 刘刚, 数学地球科学跨越发展的十年: 大数据、 人工智能算法正在改变地质学[J]. 矿物岩石地球化学通报, 2021, 40(3): 556-573.

[49] 刘艳鹏, 朱立新, 周永章. 卷积神经网络及其在矿床找矿预测中的应用: 以安徽省兆吉口铅锌矿床为例[J]. 岩石学报, 2018, 34(11): 3217-3224.

[50] 刘艳鹏, 朱立新, 周永章. 大数据挖掘与智能预测找矿靶区实验研究: 卷积神经网络模型的应用[J]. 大地构造与成矿学, 2020, 44(2): 192-202.

[51] ZUO R G, XIONG Y H, WANG J, et al. Deep learning and its application in geochemical mapping[J]. Earth-Science Reviews, 2019, 192: 1-14.

[52] 袁传新, 贾东宁, 周生辉. 卷积神经网络在矿区预测中的研究与应用[J]. 工程科学学报, 2020, 42(12): 1597-1604.

[53] LI H, LI XH, YUAN F, et al. Convolutional neural network and transfer learning based mineral prospectivity modeling for geochemical exploration of Au mineralization within the Guandian-Zhangbaling Area, Anhui Province, China[J]. Applied Geochemistry, 2020, 122: 104747.

[54] 左仁广, 彭勇, 李童, 基于深度学习的地质找矿大数据挖掘与集成的挑战[J]. 地球科学, 2021, 46(1): 350-358.

[55] WANG J, ZHOU Y Z, XIAO F. Identification of multi-element geochemical anomalies using unsupervised machine learning algorithms: a case study from Ag-Pb-Zn deposits in north-western Zhejiang, China[J]. Applied Geochemistry, 2020, 120: 104679.

[56] LUO Z J, XIONG Y H, ZUO R G. Recognition of geochemical anomalies using a deep variational autoencoder network[J]. Applied Geochemistry, 2020, 122: 104710.

[57] ZHOU S G, ZHOU K F, WANG J L. Geochemical metallogenic potential based on cluster analysis: a new method to extract valuable information for mineral exploration from geochemical data[J]. Applied Geochemistry, 2020, 122: 104748.

[58] 周永章, 王俊, 左仁广, 地质领域机器学习、 深度学习及实现语言[J]. 岩石学报, 2018, 34(11): 3173-3178.

[59] JIN D, XU J, ZHAO K, et al. Attention-based 3D convolutional network for Alzheimer’s disease diagnosis and biomarkers exploration[C]// 2019 IEEE 16th International Symposium on Biomedical Imaging (ISBI 2019). Venice: IEEE, 2019: 1047-1051.

[60] SHIM E, KIM J Y, YOON J P, et al. Automated rotator cuff tear classification using 3D convolutional neural network[J]. Scientific Reports, 2020, 10(1): 15632.

[61] DOU Q, CHEN H, YU L Q, et al. Automatic detection of cerebral microbleeds from MR images via 3D convolutional neural networks[J]. IEEE Transactions on Medical Imaging, 2016, 35(5): 1182-1195.

[62] KAMNITSAS K, LEDIG C, NEWCOMBE V F J, et al. Efficient multi-scale 3D CNN with fully connected CRF for accurate brain lesion segmentation[J]. Medical Image Analysis, 2017, 36: 61-78.

[63] AHMAD A B, TSUJI T. Machine learning for automatic slump identification from 3D seismic data at convergent plate margins[J]. Marine and Petroleum Geology, 2021, 133: 105290.

[64] LIU Y M, DURLOFSKY L J. 3D CNN-PCA: a deep-learning-based parameterization for complex geomodels[J]. Computers and Geosciences, 2021, 148: 104676.

[65] GUO J T, LI Y Q, JESSELL M W, et al. 3D geological structure inversion from Noddy-generated magnetic data using deep learning methods[J]. Computers and Geosciences, 2021, 149: 104701.

[66] LI S, CHEN J P, LIU C, et al. Mineral prospectivity prediction via convolutional neural networks based on geological big data[J]. Journal of Earth Science, 2021, 32(2): 327-347.

[67] 赵鹏大, 池顺都, 陈永清. 查明地质异常: 成矿预测的基础[J]. 高校地质学报, 1996, 2(4): 361-373.

[68] 成秋明. 什么是数学地球科学及其前沿领域?[J]. 地学前缘, 2021, 28(3): 6-25.

[69] CARRANZA E J M, WOLDAI T, CHIKAMBWE E M. Application of data-driven evidential belief functions to prospectivity mapping for aquamarine-bearing pegmatites, lundazi district, Zambia[J]. Natural Resources Research, 2005, 14(1): 47-63.

[70] PORWAL A K, KREUZER O P. Introduction to the special issue: mineral prospectivity analysis and quantitative resource estimation[J]. Ore Geology Reviews, 2010, 38(3): 121-127.

[71] LISITSIN V A, PORWAL A, MCCUAIG T C. Probabilistic fuzzy logic modeling: quantifying uncertainty of mineral prospectivity models using Monte Carlo simulations[J]. Mathematical Geosciences, 2014, 46(6): 747-769.

[72] ZUO R G, WANG J, XIONG Y H, et al. The processing methods of geochemical exploration data: past, present, and future[J]. Applied Geochemistry, 2021, 132: 105072.

[73] 祁光, 吕庆田, 严加永, 先验地质信息约束下的三维重磁反演建模研究: 以安徽泥河铁矿为例[J]. 地球物理学报, 2012, 55(12): 4194-4206.

[74] 丁文祥, 袁峰, 李晓晖, 基于重磁联合反演的宁芜盆地钟姑矿田深部地质结构解析及成矿预测[J]. 地质学报, 2018, 92(11): 2301-2317.

[75] 丁文祥. 基于多源地学信息约束的繁昌盆地重磁联合反演及三维地质建模研究[D]. 合肥: 合肥工业大学, 2019.

[76] LINDSAY M D, AILLÈRES L, JESSELL M W, et al. Locating and quantifying geological uncertainty in three-dimensional models: analysis of the Gippsland Basin, southeastern Australia[J]. Tectonophysics, 2012, 546: 10-27.

[77] 秦阳, 李晓晖, 唐敏惠, 三维地质模型不确定性分析及对三维成矿预测结果的影响解析[J]. 大地构造与成矿学, 2023, 47(5): 1173-1182.

[78] 李晓晖, 戴文强, 袁峰, 三维成矿预测数据整合过程不确定性研究: 以宁芜盆地钟姑矿田为例[J]. 岩石学报, 2018, 34(11): 3235-3243.

[79] JIN X, WANG G W, TANG P, et al. 3D geological modelling and uncertainty analysis for 3D targeting in Shanggong gold deposit (China)[J]. Journal of Geochemical Exploration, 2020, 210: 106442.

[80] 孔维豪, 肖克炎, 陈建平, 降低矿产资源定量预测不确定性的双向预测方法[J]. 地学前缘, 2021, 28(3): 128-138.

[81] 王春女, 陈建平, 韩振哲, 矿产预测中的不确定性评估方法与应用: 以赣北冷水坑矿区为例[J]. 中国矿业, 2015, 24(5): 142-148.

[82] 陈毓川. 中国主要成矿区带矿产资源远景评价[M]. 北京: 地质出版社, 1999.

[83] 曹新志, 张旺生, 孙华山. 我国深部找矿研究进展综述[J]. 地质科技情报, 2009, 28(2): 104-109.

[84] 郭镜, 李文昌, 李光明, 多尺度综合地球物理方法在扎西康铅锌锑金多金属矿找矿预测中的应用[J]. 地球科学, 2019, 44(6): 2129-2142.

[85] 吕庆田, 董树文, 汤井田, 多尺度综合地球物理探测: 揭示成矿系统、 助力深部找矿: 长江中下游深部探测(SinoProbe-03)进展[J]. 地球物理学报, 2015, 58(12): 4319-4343.

[86] 吕庆田, 张晓培, 汤井田, 金属矿地球物理勘探技术与设备: 回顾与进展[J]. 地球物理学报, 2019, 62(10): 3629-3664.

[87] 周文月, 严加永, 陈昌昕. 多尺度地球物理与成矿系统探测: 现状与进展[J]. 地球物理学进展, 2021, 36(3): 1208-1225.

[88] 郑小杰, 李晓晖, 袁峰, 姚家岭锌金多金属矿床三维地质建模与成矿预测[J]. 地质科学, 2022, 57(3): 910-923.

[89] MENG F D, LI X H, CHEN Y H, et al. Three-dimensional mineral prospectivity modeling for delineation of deep-seated skarn-type mineralization in Xuancheng-Magushan Area, China[J]. Minerals, 2022, 12: 1174.

[90] LU S M, XUE Y L, LI L Z, et al. A 3D investigation of geological structure and its relationship to mineralization in the Nanling-Xuancheng ore district, middle-lower Yangtze River metallogenic belt, China[J]. Journal of Earth Science, 2022, 33(3): 664-680.

[91] 周永章, 黎培兴, 王树功, 矿床大数据及智能矿床模型研究背景与进展[J]. 矿物岩石地球化学通报, 2017, 36(2): 327-331, 344.

[92] 周永章, 陈川, 张旗, 地质大数据分析的若干工具与应用[J]. 大地构造与成矿学, 2020, 44(2): 173-182.

基金资助

国家自然科学基金项目(42230802)