“分类建模,成果融合”综合信息定量找矿预测技术与找矿应用:以金川超大型铜镍矿区及外围为例

“Classification modeling and outcome integration”comprehensive quantitative mineral exploration prediction technology and application: A case study of the Jinchuan ultralarge Cu-Ni ore deposit and its periphery

摘要

随着地质找矿工作的深入推进,当前已呈现出由浅部资源勘探向深部资源拓展、由单一找矿方法向综合找矿技术体系转变的发展态势。经过近70年的地质勘查实践,我国通过多轮系统的地面找矿工作,已成功构建起一系列重要成矿理论和找矿技术方法体系,形成了一批重要的能源资源保障基地。然而,伴随勘探程度加深,找矿效率持续降低的现实瓶颈亟待突破。本文基于大数据理论框架,聚焦找矿靶区定量预测技术研究,旨在探索从综合建模向分类建模的技术转型路径。针对找矿靶区预测精度这一核心科学问题,研究提出以大数据统计学相关分析为技术支撑,系统整合地质、地球物理、地球化学及矿产开发等多源异构数据,构建多元参数与已知矿床(点)相关要素的系列关联模型,深度挖掘数据信息的隐性关联特征,重点攻关找矿靶区定量预测精度提升难题,最终形成“分类建模,成果融合”的综合信息定量找矿预测技术体系。选取甘肃省金川超大型铜镍矿区及其外围作为典型找矿应用示范区,通过构建矿产资源预测综合模型,圈定出37处重要找矿靶区,靶区面积介于0.11 km²至21 km²之间,其中面积小于2 km²的靶区达34处(占比91.89%),显著缩小了找矿范围。进一步优选5处靶区开展野外踏勘验证,结果显示:金川超大型铜镍矿与预测的Cu、Ni范围重合度高达86%,另外4处靶区分别与金川矿区尾矿堆和灰水池完全重合,经综合研判最终确定有效找矿靶区3处,预测结果可信度较高,系重点勘查区域。此外,针对前人持续勘查的Ⅳ矿区东延区东湾M-15磁异常区,开展铜镍找矿前景分析研究,认为该异常区未圈定铜镍找矿靶区,铜镍找矿前景不理想。本次研究通过深部及外围靶区验证与模型迭代优化,为大数据驱动下的地质找矿技术创新提供了实证案例,对同类型矿产资源勘查具有重要示范意义。

Abstract

With the progression of geological prospecting, a distinct shift has emerged: a transition from shallow to deep-seated exploration targets and from singular methods to integrated technical systems. Over nearly seven decades of geological practice, China has established critical energy and mineral resource supply bases through systematic, multi-phase geological surveys. Yet, persistent declines in prospecting efficiency demand innovative solutions. This study leverages big data frameworks to advance quantitative prospecting target prediction, overcoming limitations of traditional approaches by pioneering a shift from integrated to classification-based modeling. Focusing on target accuracy, we employ statistical correlation analysis to integrate multi-source heterogeneous data (geological, geophysical, geochemical, and mining-related), constructing association models between multivariate parameters and known deposits to reveal latent correlations. Applied to the Jinchuan Cu-Ni deposit and its periphery, our integrated model delineated 37 targets (0.11-21 km², 91.89% of which are <2 km²), drastically narrowing the search scope. Field validation of five high-priority targets confirmed that: (1) there was an 86% overlap between Jinchuan’s mineralization and predicted Cu-Ni zones; (2) four targets fully coincided with tailings ponds and ash storage sites; and (3) three were validated as high-confidence exploration zones. Conversely, the M-15 magnetic anomaly (Area IV’s eastern extension) showed negligible Cu-Ni potential. This research demonstrates big data’s capacity to transform geological prospecting through empirical validation and iterative refinement, thereby setting a benchmark for analogous resource exploration.

Graphical abstract

关键词

定量预测 / 大数据 / 综合信息 / 铜镍矿 / 应用示范

Key words

quantitative forecasting / big data / aggregate information / copper-nickel ore / application demonstration

0 引言

成矿预测是在不确定条件下制定最优决策的工作,探索成矿预测过程客观化、定量化和精确化一直是成矿预测学的前沿课题。总体而言,成矿预测可分为定性和定量两类,分别对应“理论(知识)驱动”和“数字驱动”两种范式。数字驱动的定量预测是地质学与数学、信息技术和计算机技术深度融合的产物,代表了矿产资源预测的未来方向,而矿床学与成矿理论研究的持续进展,则是推动定性成矿预测方法迭代升级的根本动力。

当前的定量成矿预测,实质上是在传统定性成矿预测基础上,识别并筛选控矿要素(找矿标志)对其进行量化赋权与特征表达,进而构建预测模型,开展典型矿床案例验证,反馈迭代优化,最终实现找矿靶区优选和资源总量的预测评估。这样的工作流既保留了地质学的机理约束,又借助数据与算法提升了预测的可重复性与判别精度。

在定量成矿预测发展的几十年中,逐步形成了相似-类比理论、求异理论和定量组合控矿理论等基本范式与准则。20世纪60年代至80年代中期,随着计算机技术的推进,概率论和数理统计等方法被系统引入成矿预测并取得重要突破。矿床统计预测^[1]、综合信息矿产预测^[2]、地质异常理论^[3]、“三联式”成矿预测中的地质异常动态演化解析思路和“5P”靶区逐步逼近法^[4]、美国“三步式”矿产预测方法^[5]等信息量法、证据权重法等一批新的预测方法开始成为成矿预测的核心工具与技术路径。90年代,地理信息系统的应用有效克服了传统信息技术难以表征数据空间属性的局限。通过一系列空间分析与运算,实现了研究数据与认知过程的可视化,并可使地质、物化探、遥感等地学多源信息进行计算机分层管理、快速空间信息查询与检索,按目标需求叠置生成综合图件。这极大提升了矿产资源预测工作的便捷性和实用性,并在全国矿产资源潜力评价中得到充分验证与推广^[6-8]。近年来,随着大数据和人工智能技术的高速发展,地球科学正经历一场深刻变革^[9-12],大数据应用研究正处于快速扩张期,使传统的定性的地质研究有望迈向更高水平的定量化与可重复验证^[13-19],以统计分析^[13,20-29]、空间约束自动编码器(SCMA)^[30]、卷积神经网络^[31-35]、多重分形和人工神经网络方法^[36-37]、支持向量机(SVM)和随机森林等机器学习算法^[38-41]等为代表的数据驱动方法正被系统地引入成矿预测实践,并已取得良好的预测效果。

矿床是自然开放系统中地质事件的特殊产物,受多要素耦合与随机过程共同制约,其复杂性远超直观经验所能把握^[42-52]。地质条件的隐蔽性叠加人为主观因素,常使研究与预测偏离客观规律。以传统的航磁信息研究为例,尽管获取的是定量异常信息,但解释过程多以地质经验为主,形成“定量信息,定性研究”的降维范式。该模式易受个人主观因素影响,导致信息利用精度下降,并放大研究的不确定性、片面性与多解性,从而削弱找矿预测的可靠性与可接受度。典型案例亦印证了上述问题,例如金川铜镍矿早期研究虽识别出岩浆通道控矿规律,但仅依赖单一地球化学数据(如Cu/Ni比值),未有效融合构造、重/磁及遥感信息,导致深部靶区预测误差率达35%以上^[53],前人在Ⅳ矿区东延的东湾M-15磁异常上延续近20年的找矿实践,虽开展了可控源大地电磁测深、人工浅源地震反射层析测量、钻探验证等工作,对于埋深超过2 000 m的地质体电、磁、地震手段探查解译成果吻合度不高,深钻施工未验证到超基性岩体。夏日哈木矿床传统二维建模仅能识别30%的隐伏矿体,漏判多个高品位矿体,2010—2015年施工的22个钻孔中,12个见矿率低于10%^[54],其根本原因在于单一数据源难以揭示多尺度控矿规律。再如东昆仑成矿带,传统研究将铜镍矿化局限于志留纪岩体,但大数据分析显示泥盆纪岩体中铜镍品位与围岩渗透率呈显著正相关(R²=0.78),揭示了多期次成矿潜力^[53]。

针对上述瓶颈,本文以大数据的思维方式和多元统计学为基础,基于综合信息矿产预测方法^[2,20],创新数据扩维技术,先后在敦煌地块金矿^[25]、西秦岭地区金、铜、铅锌等矿种^[27]开展找矿定量预测,主要应用地球化学、岩浆岩、矿产等信息开展工作^[45-47]。本文首次以地球物理数据为主体开展相关研究,整合金川超大型铜镍矿区及外围地质、地球物理、地球化学和矿产信息,开展控矿要素之间及其与地质要素之间的相关性刻画与定量表达,深挖数据潜在价值。为消除“信息统一建模方法”因信息权重不同导致对模型预测精度的不利影响,并降低单一模型预测带来的片面性和不确定性,提出“分类建模,成果融合”的流程,在金川超大型铜镍矿区及外围开展找矿靶区定量优选研究及找矿靶区验证工作(图1)。本次选取金川超大型铜镍矿所处的龙首山地区的物化探圈定找矿靶区为例进行叙述。

1 研究方法构建

1.1 研究总体思路

成矿规律隐含于多源信息的关联之中,这是大数据驱动的找矿靶区定量预测的基本出发点。以已有地质资料(数据)为基础,引入“大数据将理论(知识)驱动转化为数据驱动”的研究范式,开展研究区铜镍(钴)金铁矿区域及大型矿床外围与深部开展找矿靶区定量预测。方法上,综合采用成熟的数学模型(多元统计分析)和推理模型(人工智能、机器学习),依托计算平台和相应算法,分别构建算法系列模型;在此基础上,通过对定量结果和关键变量(信息、条件)的相关关系进行刻画与检验,客观评估“预测单元(尚未发现矿床(点)的区域)”和“有矿单元(已发现矿床(点)的区域)”之间的相似程度,进而揭示多元参数与地质要素之间的耦合关系与指示效能,深度挖掘数据信息的潜在价值量,明确找矿靶区的位置、范围和级别。该技术流程一方面提高了现有信息的利用程度和模型判别力;另一方面显著提高了靶区预测的效率与精度,为后续综合地质调查、区域地质矿产勘查及地质找矿战略行动等工作提供可操作、可验证的技术支撑。

1.2 研究关键技术方法

(1)原始数据处理。为消除各类误差,提高找矿靶区预测精度,首先应用自主研发软件对物探、化探数据进行降噪处理,然后对不同时期、不同比例尺物探、化探数据实施调平,分别构建物探、化探“平差数据”,并据此绘制区域磁场分布图、异常矿种元素地球化学分布图。(2)航磁数据扩维处理。为了消除一维磁测数据多解性的弊端,应用自主研发的物探数据扩维算法软件,深挖磁测数据的潜在信息,将一维航磁数据参数扩充至多个维度,构建研究区磁测信息“扩维数据库”。该项处理在保留数据原有数量差异的基础上,充分提取了原始数据相对量的变化特征,从而有效地消除了磁测信息因“一维”变量导致推断结果多解性的弊端,增强磁测信息对弱磁性地质体的鉴别能力,显著提升磁测信息对深部找矿靶区预测研究的应用价值;(3)化探信息修复与拟合。建立成矿主元素Cu、Ni与其他相关元素的逐步回归拟合模型,对Cu、Ni地球化学信息修复与校正,弥补异常与已知矿床(点)对应不佳的影响,从而提高化探信息在找矿靶区定量优选中的判别效能与潜在价值。(4)研究单元划分。磁测信息研究单元划分:为了深度刻画磁测信息的数量变化和形态变化特征,应用自主研发的单元划分软件,沿测量线按数据分布形态不同划分出“分形单元”,按扩维数据划分出“扩维单元”,并对各单元赋予数量变化和形态变化参数,构建出研究区磁测信息“分形单元数据”和“扩维单元数据”;化探信息研究单元划分:以1∶20万区域水系沉积物测量采样点为研究单元,每个单元分别测量41个共同测量元素为维度(变量),构建水系沉积物信息“样本单元数据”, 用于后续综合建模与对比分析。

1.3 研究技术流程

主要技术流程包括六个步骤:(1)数据汇集与基础建库。系统收集、整理研究区地质、矿产资料,编制区域地层、构造、岩浆岩及主要金属矿产等基础图件,构建相关信息属性数据库。同步整理化探、航磁原始数据形成“基本数据”;构建数据扩维算法模型,对基本数据进行扩维处理,得到“航磁扩维数据”和“化探基本数据”。(2)研究单元划分与扩维表达。编制研究单元划分算法和单元扩维算法,对航磁扩维数据和化探数据进行处理,构建“航磁扩维研究单元数据”和“化探研究单元数据”。(3)条件关联建模。依据目标矿种的矿产地地理信息,将预测矿床(点)与航磁扩维研究单元和化探研究单元逐一匹配,标注并形成预测模型数据中的已知“航磁有矿单元”和“化探有矿单元”。(4)预测算法与成果生成。构建两类判别型预测算法模型,分别对航磁研究单元和化探研究单元进行预测,形成预测成果数据。(5)地质信息数学转化与耦合。将地层、构造、岩浆岩等地质信息进行数学转化,并建立与预测条件的关联模型,形成相应的预测成果数据,用于与物化探预测结果的综合耦合。(6)综合集成与靶区圈定。以预测成果数据为基础,分别绘制航磁找矿靶区和化探找矿靶区预测图,以航磁数据预测图为主体,化探找矿靶区为重要辅助,结合区域地层、构造、岩浆岩等辅助预测模型,最终集成得到研究区目标矿种的综合信息找矿靶区预测图,并明确靶区位置、范围与优先级。

1.4 物化探信息模型构建

1.4.1 研究单元扩维

(1)航磁信息扩维。对航磁滤波数据库做扩维处理,是本次算法研究工作的基础。借助重磁位场转换等理论方法,获得的“上延1 km”“上延2 km”“化极”“一阶导数”“二阶导数”等参数,可视作对原始测量数据ΔT的扩维表达。除上述常规参数外,还基于研究剖面(航线)数据的细微变化,构造出多个特征量以作为扩维结果,最终构成“航磁扩维样本单元数据”

(2)化探信息扩维。选取研究区1∶20万区域化探数据,按照标准图幅进行分幅平差处理,形成Ag、As、Au、B、Ba、Be、Bi、Cd、Co、Cr、Cu、F、Hg、La、Li、Mn、Mo、Nb、Ni、P、Pb、Sb、Sn、Sr、Th、Ti、U、V、W、Y、Zn、Zr、Al₂O₃、CaO、Fe₂O₃、K₂O、MgO、Na₂O、SiO₂等39个元素/氧化物的平差值。在此基础上,以区内Cu、Ni等成矿元素分别建立与其他相关元素的逐步回归模型,计算Cu、Ni成矿元素的拟合理论值,以提高化探信息在区域找矿靶区定量优选研究中的判别力。最终以成矿元素的拟合理论值与39个元素/氧化物的平差值共同构成研究区化探信息平差数据(3 500×41)。

1.4.2 研究单元划分

航磁研究单元。以“航磁数据处理软件”的研究单元划分模块,对航磁扩维数据进行处理,构成研究区航磁研究单元数据。应用该模块中研究单元划分算法模型,对航磁扩维数据中每条航线以250 m间距划分,生成研究区航磁研究单元共107 175个。

化探研究单元。以化探信息39个元素为研究样本单元,以水系沉积物采样点为基本单元,划分研究单元3 500个,构成化探样本单元数据集。

1.4.3 相关单元(已知单元)数据

航磁相关单元。应用该模块中条件关联算法模型,对航磁研究单元扩维数据和金川铜镍矿数据进行匹配,构建区域找矿靶区定量预测模型数据。用条件关联算法模型提取金川铜镍矿床周边3 km内研究单元为铜矿相关单元(已知单元),共获得228个,形成金川铜镍矿已知单元数据(228×52)。

化探相关单元。筛选研究已知金川铜镍矿床,水系沉积物样本3 500件,每件测试元素及氧化物39个和回归模型计算的Cu理论值以及平差值。以研究区各Cu矿床(点)坐标为中心,选取边长5 km矩形范围内的化探样本为Cu矿相关样本(已知有矿单元),除重后研究区已知有矿单元28个,有矿单元平均值0.14%。以28个已知有矿单元和3 500个未知样本构成研究区“Cu矿化探信息样本单元建模数据(3 528×41)”。

1.4.4 预测系列模型构建与成果融合

应用“SPASS”软件中判别分析模块,对各类预测模型数据进行处理,分别构建“金川铜镍矿区域找矿靶区定量预测系列模型”(表1)。以所建预测模型对研究单元数据进行预测处理。依据空间拓扑关系,以物探预测图作为主体靶区,以化探预测结果进行修正与细化,结合已知地质、矿产信息,构建综合信息找矿靶区定量优选模型,圈定找矿靶区。

2 综合信息找矿靶区定量优选

2.1 物探信息深部找矿靶区定量优选

2.1.1 物探信息规格单元Cu矿区域找矿靶区预测模型及效果

函数(模型)表达式:

$f(x)=D+\sum^{n}\left(a_{i} x_{i}\right)$,(D 为常数,a为每个参 数数值,x 为对应参数系数)

(1)构建物探信息规格单元Cu矿区域找矿靶区预测模型Ⅰ,共鉴别出1 172个研究单元为预测有矿单元,其中已知有矿单元171个,模型控制性元素(变量)52个,模型及其参数见表1。

f(x1)=-229.45 +点底边ν×15.63-点大δ×1.24-三角高δ×8.42-点ν×6.76+点2δ×14.09+点小δ×0.48+垂高比ν×3 058.54+1线角δ×81.33-三角底长ν×15.71-三角斜长δ×8.10+一导δ×0.04-两线角差δ×402.48+化极ν×0.04+化极δ×0.14-延2δ×3.11+垂高比δ×1 980.81+点拟合ν×239.20+二导δ×0.001

f(x2)=0.42-点底边ν×1.08+延2ν×0.07-延1ν×0.07+三角底长ν×1.07-点2δ×0.88+三角高δ×0.34+点大δ×0.03-化极δ×0.02+三角高ν×0.22+点小δ×0.03+点小ν×0.01+三角斜长δ×0.36-三角垂高ν×12.77-2线角ν×3.78+点截距δ×0.001+二导δ×0.001-延2δ×0.32-延2δ×0.09

f(x3)=-0.11-点底边ν×1.31-延2δ×0.64+点ν×0.76+延1ν×0.02+三角高δ×0.44-化极δ×0.03-三角垂高ν×23.09+延2ν×0.01+三角底长ν×1.30

$ R \text { :判别 } f(x)=\text { 函数值; } R_{0}=R_{0} \frac{N_{\mathrm{A}} \bar{R}_{\mathrm{A}}+N_{\mathrm{B}} \bar{R}_{\mathrm{B}}}{N_{\mathrm{A}}+N_{\mathrm{B}}}$

R₀:判别临界值;N_A、N_B:分别为A(有矿单元总体)和B(待判单元总体)的单元数;${\overline{R}}_{A}$、${\overline{R}}_{B}$:A、B两个单元判别函数值的平均值。如果R_A>R_B,当R₁>R₀时,研究单元判别为A总体(预测有矿),当R₁<R₀时,研究单元判别为B总体(预测无矿)。如果R_A<R_B,判别结果相反。

以上述判别函数计算研究区“Cu矿物探信息规格单元建模数据”中每个研究单元的判别值R₁、R₂、R₃,分别以R₀等于1.88、-0.77、-0.85为判别临界值,R₁>R₀、R₂<R₀、R₁<R₀判研究单元为预测有矿单元,模型Ⅰ鉴别出1 172个研究单元为预测有矿单元(模型确定与有矿单元相似程度高的研究单元——找矿有利单元),其中171个为已知有矿单元,占预测有矿单元总数1.09%,较已知有矿单元平均值(2.24%)提高68.58倍。预测结果及相关统计参数见表2、图2;从概率论的概念上论证了建模预测可以大幅提高发现矿床的概率。

以上述相同方法,模型Ⅱ鉴别出1 172个研究单元为预测有矿单元,其中60个为已知有矿单元,占预测有矿单元总数0.62%,较已知有矿单元平均值(0.213%)提高42.54倍。预测模型Ⅱ预测结果及相关统计参数见表3、图3;模型Ⅲ鉴别出1 194个研究单元为预测有矿单元,其中125个为已知有矿单元,占预测有矿单元总数1.11%,较已知有矿单元平均值(0.213%)提高49.21倍。模型Ⅲ预测结果及相关统计参数见表4、图4。

分别汇总模型优选预测结果及相关统计参数,以“黄金分割法”将预测找矿单元分为三级,其中Ⅰ、Ⅱ级预测找矿单元中已知有矿单元比例分别较其平均值分别提高98.63、63.11、82.45倍和96.09、43.59、57.33倍(模型Ⅰ/Ⅱ/Ⅲ对应)。综合判据与对比度来看,三个模型的侧重点与整体效果依次为:模型Ⅰ最优,其次为模型Ⅱ,最后为模型Ⅲ。

2.1.2 系列模型数学有效性分析

对系列模型做F检验分析:

$ F_{\mathrm{P}}=\frac{N_{\mathrm{A}}+N_{\mathrm{B}}-P-1}{\left(N_{\mathrm{A}}+N_{\mathrm{B}}-2\right) P} \times \frac{N_{\mathrm{A}} N_{\mathrm{B}}}{N_{\mathrm{A}}+N_{\mathrm{B}}} D^{2}$

F_P即判别函数(模型)计算的F分布值;F_0.01表示在0.01(1%误差)显著水平下F分布表理论值(由F检验表查得);A、B:两个判别分类总体(A—判别有矿单元总体,B—判别无矿单元总体);N_A、N_B:分别为两个总体样本数;D²=${\overline{R}}_{A}$-${\overline{R}}_{B}$(马氏距离);P:第一自由度(变量数);当F_P>F_0.01时两总体样本差异显著,所建判别函数(模型)对未知样本判别有效。

航磁数据中模型1、2、3中计算分别F_P值: F_P值分别为25.5、4.48、6.2均大于F_0.01检验值(3.0),认为所建判别模型均高度有效。

模型中有矿单元正判率分别为75%、59.4%、71.2%,无矿单元正判率分别为97.3%、87.7%、86.3%;模型中计算F_P值都大于F检验理论值,以该模型对所有研究单元进行预测鉴别,在数学意义上具有很高的可靠性。

根据各模型有效性检验和预测结果,结合各分级见矿率分析,模型Ⅰ预测效果最佳,模型Ⅲ次之,模型Ⅱ较差,各模型预测结果的应用应该区别对待。预测模型Ⅰ、Ⅱ、Ⅲ均建立在数理统计学理论基础之上,各模型完全由不同变量(物、化探测量值)与已有Cu矿床的相关关系所决定,完全消除了人为主观因素和不同地质理论、成矿理论不确定性和差异性的影响。

2.1.3 定量预测结果

基于预测模型Ⅰ、Ⅱ、Ⅲ,分别对研究区“Cu矿物探信息规格单元建模数据”进行处理,计算每个研究单元在每个模型的判别值(R₁、R₂、R₃),以R₂、R₃、R₁的次序对个判别值排降序,以R₁正异常部分的拟合函数(y=34.206-6.856ln(x) )对各研究单元序次降序处理,得到各研究单元判别总值(R_Z),R_Z为各预测有矿单元由系列预测模型所确定的综合判别值,该综合判别值的大小,直接反映预测有矿单元找矿可靠性的高低。对各预测有矿单元以R_Z值由小到大排升序,共有800个预测有矿单元,占单元总数的0.75%,其中已知有矿单元101个,已知有矿单元比例12.63%,较已知有矿单元平均值(0.213%)提高59.35倍。以“黄金分割”法将800个预测有矿单元分为三级,一级预测有矿单元153个,其中已知有矿单元32个,已知有矿单元比例20.94%,较已知有矿单元平均值提高98.45倍,使14.04%的已知有矿单元分布在仅占0.14% 的研究单元中。二级预测有矿单元247个,其中已知有矿单元28个,已知有矿单元比例11.33%,较已知有矿单元平均值提高53.24倍。三级预测有矿单元400个,其中已知有矿单元41个,已知有矿单元比例10.25%,较已知有矿单元平均值提高48.18倍(表5、图5)。

以各研究单元综合判别值(R_Z)为基本数据,绘制等量线图,剔除低级别及分散分布的预测单元和等值线区域,选取各集中区最大的综合判别值及其位置代表该区域,并对各集中区的最大R_Z值做降序排序,最终圈定了37处重要找矿靶区,单个找矿靶区面积介于0.11~21 km²,其中找矿靶区面积小于2 km²的34处,占91.89%,这一结果大大缩小了找矿的范围,为下一步工作部署提供了明确依据,在提升找矿概率的同时,提高了经费使用效率(图6)。

2.2 化探信息找矿靶区定量优选

以研究区“Cu矿化探信息样本单元建模数据(3 523×41)”为研究对象,将SPSS软件中相关统计分析模块以相应算法有机组合,构建起“化探信息样本单元Cu矿区域找矿靶区定量优选系列模型”(表6),系列模型由2个模型组成。

2.2.1 化探信息样本单元Cu矿找矿靶区预测模型特征

参照物探信息模型的建模思路,构建起研究区化探信息样本单元Cu矿找矿靶区定量优选模型。分别以R₀=6.86、4.70为判别临界值,R₁>R₀判研究单元为预测有矿单元,模型分别鉴别出22、33个研究单元为预测有矿单元,其中已知有矿单元分别为18和5个。模型中F_P分别为24.35、3.91,均大于F_0.01(2.14、2.19),认为所建判别模型在统计学意义上高度有效。有矿单元正判率78.3%、100%,无矿单元正判率99.9%、99.2%,该模型将99.9%~100%的已知无矿单元判别为预测无矿单元,认为以该模型对所有研究单元进行含矿性鉴别,具有很高的可靠性。

变量贡献方面:模型Ⅰ中组合元素主要为Ni、Cu、Cr、Co等,元素贡献率达到92.33%,其中Ni单独贡献率达77.37%,对应的找矿有利组合为Ni、Cu正异常和Cr、Co负异常地区。模型Ⅱ中主控组合元素主要为Ni、Au、Cr、Cu等,元素贡献率达到88.86%,其中Ni单独贡献率达54.39%,对应的找矿靶区有利组合为Ni、Au、Cu等正异常及Cr负异常区。

2.2.2 化探信息样本单元Cu矿找矿靶区预测系列模型评述

模型中,F_P(24.35、3.91)分别大于F_0.01(2.14、2.19),所建判别模型在统计学意义上高度有效。有矿单元正判率分别78.3%、100%,无矿单元正判率99.9%、99.2%,该模型将99.2%的已知无矿单元判别为预测无矿单元,认为以该模型对所有研究单元进行含矿性鉴别,具有很高的可靠性。从各分级见矿率(该分级中有矿单元所占百分比)分析,模型Ⅰ预测效果最佳,模型Ⅱ次之,各模型预测结果的应用应该区别对待。预测模型Ⅰ、Ⅱ均建立在数理统计学理论基础之上,各模型完全由不同变量(物、化探测量值)与已有Cu矿床的相关关系所决定,最大限度降低了人为主观因素和不同地质/成矿理论带来的不确定性。

2.2.3 基于化探信息样本单元Cu矿找矿靶区定量预测结果

预测模型(判别函数)Ⅰ、Ⅱ,分别对研究区“Cu矿化探信息样本单元建模数据”进行处理,计算每个研究单元在每个模型的判别值(R₁、R₂),以R₂、R₁的次序对个判别值排降序,以R₁正异常部分的拟合函数(y=37.588-9.256ln(x) )对个研究单元序次降序处理,得到各研究单元判别总值(R_Z),R_Z为各预测有矿单元由系列预测模型所确定的综合判别值,该综合判别值的大小,直接反映预测有矿单元找矿可靠性的高低。对各预测有矿单元以R_Z值由小到大排升序,绘制等值线图,保留预测有矿部分并删除低缓孤立区域,选取各集中区最大的综合判别值及其位置代表该区域,并对各集中区的最大R_Z值做降序排序,圈定了7处重要找矿靶区,但总体上化探信息找矿靶区定量优选效果不理想。

2.3 地层、构造、岩浆岩辅助找矿靶区构建

以研究区区域地质矿产图为基础,编绘空间区域地质图,使得每个地质体、地质界限(或断层)均挂接属性,采用自主创新的地质信息向量化处理专利软件,使得地层、构造、岩浆岩均转化为数据,与物化探处理方法技术雷同,圈定地层、构造、岩浆岩等辅助找矿靶区。

3 分类预测结果整合及查证

遵循 “分类建模,成果融合”的研究思路,以航磁数据预测为主,化探预测为辅,按空间拓扑关系对物化探数据预测的找矿靶区进行融合,并结合成矿地质条件及地层-构造-岩浆岩辅助约束进一步优化,成功圈出38处综合信息预测找矿靶区。进一步分析表明,研究区铜矿床大多分布在综合预测找矿靶区之中或1 km范围内,这一结果不仅大幅缩小了找矿范围,还显著提高了发现矿床的概率。实际野外验证工作也支持了本次的预测效果,优选金川铜镍矿附近的5处找矿靶区进行踏勘检查,金川铜镍矿与预测的Cu、Ni范围重合度高达86%,另外4处分别与金川矿区尾矿堆和灰水池完全重合,而Ⅳ矿区东延的东湾异常位置未显示出找矿预测异常(图6),表明东湾M-15磁异常区寻找与金川铜镍矿类似矿床的可能性小。本次最终确定预测找矿靶区3处,找矿靶区1、2为重点找矿区域,可信度极高,大幅缩小了找矿范围。

查证区内地层有古元古代龙首山岩群、蓟县纪墩子沟群下组、震旦纪韩母山群,零星分布有古近纪白杨河组。古元古代龙首山岩群是区内最主要地层,属深变质的陆棚-浅海相基性火山岩-陆源碎屑岩-碳酸盐岩建造,主要岩性有黑云石英片岩、斜长角闪片岩、浅粒岩、镁质大理岩及黑云斜长片麻岩、斜长角闪岩等,该地层与铜镍成矿具一定关系,含铜镍超基性岩体侵入其中,局部直接赋存有铜镍矿体^[55]。

在找矿靶区1内,部署1∶1万高精度磁法测量,1∶1万短导线电法测量,1∶1万重力联合剖面测量,结合激电测深等工作,圈定2个深部高磁、高重、高极化低电阻异常体,结合成矿地质条件,推测该异常为深部超基性岩体引起,含矿可能性较高。在找矿靶区2内,发现有辉石橄榄岩体,岩石中硫化物主要为黄铁矿和磁黄铁矿,偶见黄铜矿化,花岗闪长岩体为后期侵入,且被后期北东向断裂错断,断距50 m;辉石橄榄岩体呈残留体产出,长度小于200 m,宽度25~60 m(图7)。

4 结论

(1)构建并验证了“分类建模-成果融合”的技术流程:以物化探数据为主体,地层-构造-岩浆岩信息为辅助,分别构建找矿靶区定量预测模型,并对结果进行综合集成,形成综合信息找矿靶区。该流程有效规避了用于不同信息在精度、代表性与有效性上的差异对预测结果的干扰,也消除了传统统单一预测模型因人工赋权造成的偏差,显著提高了预测找矿效果,为新一轮找矿突破提供了可复制的异常识别流程和建模预测方法。

(2)证明地球物理信息对深部矿体具有良好指示性。采用物探信息扩维技术和人工智能(机器视觉)思想,编写智能算法,提取航磁数据的相对变化量,增加信息维度,利用大数据方法技术,构建系列模型,利用判别分析定量刻画多元参数之间与地质要素之间的相关性,深度挖掘数据信息的潜在价值量,从而在方法论上缓解了航磁信息的多解性问题。

(3)在金川超大型铜镍矿及其外围圈定出37处重要找矿靶区,单体靶区面积介于0.11 km²至21 km²之间,其中面积小于2 km²的靶区达34处(占比91.89%),金川矿区及临近地段对5处靶区开展踏勘,结果显示:金川超大型铜镍矿与预测的Cu、Ni范围重合度高达86%,另外4处靶区分别与金川矿区尾矿堆和灰水池完全重合。在金川西侧火石岭一带分布2个较好的找矿靶区,均呈长条状沿区域大断裂分布,其中靶区1分布在北西向F1(金川控矿断裂)区域大断裂的西延位置,深部存在高磁、高重、高极化低电阻异常体,推测可能为深部超基性岩体引起;靶区2地表发现含少量硫化物的辉石橄榄岩,规模有限,被后期花岗闪长岩侵入,呈残留体;前人多次重点验证的东湾异常位置预测信息非常微弱,深部铜镍找矿前景不理想。

参考文献

[1] 赵鹏大, 胡旺亮, 李紫金. 矿床统计优选[M]. 北京: 地质出版社, 1994, 125-179.

[2] 王世称. 综合信息矿产预测理论与方法体系新进展[J]. 地质通报, 2010, 29(10): 1399-1403.

[3] 赵鹏大, 池顺都. 初论地质异常[J]. 地球科学: 中国地质大学学报, 1991, 16(3): 241-248.

[4] 赵鹏大, 陈建平, 张寿庭. “三联式”成矿预测新进展[J]. 地学前缘, 2003, 10(2): 455-463.

[5] SUI J X, LI J W, WEN G, et al. The Dewulu reduced Au-Cu skarn deposit in the Xiahe-Hezuo district, West Qinling orogen, China: implications for an intrusion-related gold system[J]. Ore Geology Reviews, 2017, 80: 1230-1244.

[6] 夏庆霖, 成秋明, 左仁广, 等. 基于GIS矿产勘查靶区优选技术[J]. 地球科学: 中国地质大学学报, 2009, 34(2): 287-293.

[7] 肖克炎, 娄德波, 孙莉, 等. 全国重要矿产资源潜力评价一些基本预测理论方法的进展[J]. 吉林大学学报(地球科学版), 2013, 43(4): 1073-1082.

[8] QU C L, DAI S H, WEI X C, et al. Tool learning with large language models: a survey[J]. Frontiers of Computer Science 2025, 19: 198343.

[9] FRANKEL F, REID R. Big data: distilling meaning from data[J]. Nature, 2008, 455: 30.

[10] GUO H D. China’s Earth observing satellites for building a Digital Earth[J]. International Journal of Digital Earth, 2012, 5(3): 185-188.

[11] 成秋明. 面向人类智能与人工智能融合的矿产资源预测新范式[J]. 地学前缘, 2025, 32(4): 1-19.

[12] 张旗, 周永章. 大数据在引发地球科学领域一场深刻的革命: 《地质科学》2017年大数据专题代序[J]. 地质科学, 2017, 52(3): 637-648.

[13] 罗建民, 张旗. 大数据开创地学研究新途径: 全数据挖掘提高研究精度[J]. 地质科学, 2018, 53(4): 1-8.

[14] GROSSNER K E, GOODCHILD M F, CLARKE K C. Defining a digital earth system[J]. Transactions in GIS, 2008, 12(1): 145-160.

[15] ZHAO C B, HOBBS B E, ORD A. Fundamentals of computational geoscience[J]. Lecture Notes in Earth Sciences, 2009, 122(3): 1-257.

[16] WIGAN M R, CLARKE R. Big data’s big unintended consequences[J]. IEEE Computer, 2013, 46(6): 46-53.

[17] 郭华东. 科学大数据驱动地学学科发展[J]. 科技导报, 2018, 36(5): 1.

[18] 赵鹏大. 地质大数据特点及其合理开发利用[J]. 地学前缘, 2019, 26(4): 1-5.

[19] 肖克炎, 李程, 唐瑞, 等. 大数据智能预测评价[J]. 地学前缘, 2025, 32(4): 20-37.

[20] 罗建民, 张琪, 宋秉田, 等. 物化探信息综合处理在找矿靶区定量优选中的应用[J]. 岩石矿物学通报, 2017, 36(6): 886-890.

[21] 罗建民, 王晓伟, 宋秉田, 等. 岩浆岩定量分类方法探讨: 甘肃省西秦岭地区为例[J]. 岩石学报, 2018, 34(2): 326-332.

[22] 罗建民, 王晓伟, 张琪, 等. 地质大数据方法在区域找矿靶区定量优选中的应用[J]. 地学前缘, 2019, 26(4): 76-83.

[23] 罗建民, 张旗. 大数据开创地学研究新途径: 查明相关关系, 增强研究可行性[J]. 地学前缘, 2019, 26(4): 6-12.

[24] 王怀涛, 罗建民, 王金荣, 等. 基于大数据的基性-超基性岩定量分类及成矿预测研究: 以北山地区为例[J]. 岩石学报, 2018, 34(11): 3195-3206.

[25] 王玉玺, 罗建民, 王金荣, 等. 甘肃敦煌地块基于岩浆岩(氧化物)信息的金找矿靶区定量优选[J]. 岩石学报, 2018, 34(2): 319-325.

[26] 任文秀, 罗建民, 孙柏年, 等. 化探数据挖掘在金矿找矿及靶区优选中的应用: 以甘肃玉石山地区为例[J]. 岩石学报, 2018, 34(11): 3225-3234.

[27] WANG Y X, WANG X W, LUO J M, et al. The quantitative classification of granites and their metallogenetic relations in West Qinling, Gansu Province, China[J]. Big Earth Data, 2019, 3(1): 56-66

[28] 杨春霞, 王玉玺, 罗云之, 等. 基于地质大数据的岩浆岩定量分类与成矿预测研究: 以甘肃北山地区为例[J]. 甘肃地质, 2020, 29(3/4): 37-42.

[29] 孔春芳, 田倩, 刘健, 等. 基于集成学习模型与贝叶斯优化算法的成矿预测[J]. 地学前缘, 2025, 32(4): 122-139.

[30] CHENL R, GUAN Q F, XIONG Y H, et al. Spatially Constrained Multi-Auto encoder approach for multivariate geochemical anomaly recognition[J]. Computers & Geosciences, 2019, 125: 43-54.

[31] LI Y S, PENG C, XUE L F, et al. Soil geochemical prospecting prediction method based on deep convolutional neural net works-Taking Daqiao Gold Deposit in Gansu Province, China as an example[J]. China Geology, 2022, 5: 71-83.

[32] WU B C, LI X H, YUAN F, et al. Transfer learning and siamese neural net work based identification of geochemical anomalies for mineral exploration: a case study from the Cu Au deposit in the NW Junggar area of northern Xinjiang Province, China[J]. Journal of Geochemical Exploration, 2021, 232: 106904.

[33] 李忠潭, 薛林福, 冉祥金, 等. 基于卷积神经网络的智能找矿预测方法: 以甘肃龙首山地区铜矿为例[J]. 吉林大学学报(地球科学版), 2022, 52(2): 418-433.

[34] DING K, XUE L F, RAN X J, et al. Siamese net work based prospecting prediction method: a case study from the Au deposit in the Chongli mineral concentrate area in Zhangjiakou, Hebei Province, China[J]. Ore Geology Reviews, 2022, 148: 1-15.

[35] TOUVRON H, LAVRIL T, IZACARD G, et al. Llama: open and efficient foundation language models[J]. arXiv preprint arXiv, 2023, 3971(1): 1-26.

[36] ZHAO W X, ZHOU K, LI J Y, et al. A survey of large language models[J]. ar Xiv preprint arXiv, 2023, 18223(19): 1-144.

[37] 简富源, 张子鸣, 董岳霖, 基于多重分形与随机森林的新疆哈巴河金矿成矿预测[J]. 地学前缘, 2025, 32(4): 78-94.

[38] CARRANZAE J M. Controls on mineral deposit occurrence inferred from analysis of their spatial pattern and spatial association with geological features[J]. Ore Geology Reviews, 2009, 35(3): 383-400.

[39] 周永章, 王俊, 左仁广, 等. 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.

[40] 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.

[41] YAO J Y, NING K P, LIU Z H, et al. Llm lies: Hallucinations are not bugs, but features as adversarial examples[J]. arXiv preprint arXiv, 2023, 01469(3): 1-18.

[42] 肖克炎, 樊铭静, 孙莉. 矿床成矿系列综合信息预测理论方法及其应用[J]. 地球学报, 2023, 44(5): 769-780.

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

[44] 赵鹏大, 陈永清. 数字地质与数字矿产勘查[J]. 地学前缘, 2021, 28(3): 1-5.

[45] 罗建民, 侯云山, 张新虎, 等. 甘肃省岩金资源优选及祁连评价模型[J]. 矿床地质, 2005, 25(7): 53-59.

[46] 罗云之, 罗建民, 王孝通. 加密水系沉积物测量在快速缩小找矿靶区中的应用[J]. 甘肃地质, 2018, 27(1): 37-42.

[47] 王怀涛, 王晓伟, 罗云之, 等. 基于大数据的深部找矿靶区定量成矿预测: 以大桥地区金矿为例[J]. 黄金科学技术, 2021, 29(6): 771-780.

[48] 赵鹏大. 大数据时代数字找矿与定量评价[J]. 地质通报, 2015, 34(7): 1255-1259.

[49] ZUO R G, XIONG Y H. Big data analytics of identifying geochemical anomalies supported by machine learning methods[J]. Natural Resources Research, 2017, 27(1): 1-9.

[50] 曹胜桃, 胡瑞忠, 周永章, 等. 基于大数据关联规则算法的卡林型金矿床元素富集规律及找矿方法研究[J]. 地学前缘, 2025, 31(4): 58-72.

[51] 陈永清, 郑澳月, 费金娜, 等. 应用二维经验模分解(2D-EMD)-主成分分析(PCA)组合模型定量圈定与评价胶东金与关键金属找矿靶区[J]. 地学前缘, 2025, 32(1): 266-282.

[52] 姚卓森, 秦克章. 造山带中岩浆铜镍硫化物矿床的地球物理勘探: 现状、问题与展望[J]. 地球物理学进展, 2014, 29(6): 2800-2817.

[53] 李久明, 张连昌, 李文君, 等. 夏日哈木铜镍矿地球物理找矿模型及深部预测[J]. 物探与化探, 2015, 39(4): 509-516.

[54] 赵金洲, 李光明, 高顺宝, 等. 东昆仑造山带夏日哈木矿床多尺度地球物理探测[J]. 地质学报, 2017, 91(增刊1): 93-102.

[55] 于祥惠, 刘翠, 苏尚国, 等. 中国甘肃金川铜镍(铂)硫化物矿床中金云母类型、成因及其意义[J]. 地学前缘, 2025, 32(6): 224-244.

基金资助

自然资源部新一轮找矿突破战略行动科技支撑项目(ZKKJ202410)

自然资源部新一轮找矿突破战略行动科技支撑项目(ZKKJ202427)

地球深部探测与矿产资源勘查国家科技重大专项(2025ZD1009600)

甘肃省科技计划项目(22YF7GA050)

甘肃省科技计划项目(24YFGA015)

陇原青年英才培养计划项目(202401)

国家重点研发计划青年科学家项目“白云鄂博Fe-Nb-REE矿床铌超常富集成矿动力学机制研究(2023YFC2908700)”