基于深度学习的辽东半岛五龙金矿集区三维矿产资源定量预测

Three-dimensional mineral prospectivity mapping via deep learning in the Wulong gold district, Liaodong Peninsula, China

摘要

基于数据驱动的三维矿产资源定量预测是实现深部找矿突破的关键技术。相较于浅层机器学习方法,深度学习具备自动提取数据深层次特征及非线性建模的优势。五龙金矿集区是辽东半岛最重要的金矿集区之一,在该区开展深部矿产资源勘查,对于推动辽东地区千吨级黄金战略基地建设具有重要意义。三维矿产资源定量预测所用数据与计算机视觉领域常用的二维像素数据之间存在显著差异,为此,本研究从训练样本构建、深度学习模型设计与训练等角度出发,探讨建立适用于三维矿产资源定量预测的三维卷积神经网络(Convolutional Neural Network,CNN)和循环神经网络(Recurrent Neural Network,RNN)预测模型的过程。对比实验证明,上述两类深度学习模型在研究区三维矿产资源定量预测中优于随机森林模型。最终基于上述研究,本文在五龙金矿集区圈定深部找矿靶区,进一步证实了五龙矿床沿鸡心沟断裂的深部具有较大找矿潜力。

Abstract

Data-driven 3D mineral potential mapping (MPM) is a key technology for subsurface mineral exploration. Compared with traditional statistical methods and shallow machine learning algorithms, deep learning provides significant advantages in the automatic extraction of deep features and the modeling of complex nonlinear relationships. The Wulong gold district, one of the most important gold districts on the Liaodong Peninsula, was selected as the study area. Conducting subsurface mineral exploration in this district is of great strategic significance for promoting the development of a thousand-ton gold base on the Liaodong Peninsula. Unlike conventional 2D image data commonly used in computer vision, 3D MPM data exist as 3D voxels. To address this issue, the study constructed deep learning prediction frameworks based on 3D Convolutional Neural Networks (CNNs) and Recurrent Neural Networks (RNNs), focusing on training sample construction, model architecture design, and model training tailored to 3D MPM data. Comparative experiments demonstrated that both CNN and RNN models outperform traditional methods such as Random Forests in terms of 3D mineral prospectivity prediction within the study area. Based on these results, subsurface targets were delineated in the Wulong gold district, further confirming the considerable gold mineralization potential in the subsurface along the Jixingou fault of the Wulong gold deposit.

Graphical abstract

关键词

五龙金矿集区 / 三维矿产资源定量预测 / 深度学习 / 卷积神经网络 / 循环神经网络

Key words

Wulong gold district / 3D mineral potential mapping / deep learning / convolutional neural network / recurrent neural network

0 引言

黄金是我国紧缺的战略性矿产资源,其安全供给直接关系国家经济命脉、金融体系稳定与国防安全建设。我国黄金需求量持续领跑全球,但对外依存度超过60%^[1]。在当前全球战略性矿产资源供应链加速重构、国际黄金价格剧烈震荡的情况下,亟需提升金矿预测勘查能力,加强黄金资源自主供给,夯实国家安全基石^[1-2]。以胶东、辽东、小秦岭和熊耳山等地区为代表的华北克拉通东部金成矿带在金矿地质勘查、成因模式研究和探明资源储量等方面存在显著差异,其中胶东地区已探明黄金储量超过5 400 t,占全国黄金储量的1/3以上^[2-5]。辽东地区与胶东地区在岩石圈深部结构、中生代构造演化、基底岩石和岩浆岩等方面基本相似,且均发育与金矿床存在密切时空关系的早白垩世花岗岩和花岗闪长岩,但辽东地区已探明黄金储量仅为胶东地区的1/10^[2-5]。五龙金矿集区是辽东地区已知黄金储量最大的金矿集区之一,其代表性矿床五龙金矿床是典型的早白垩世石英脉型金矿。该矿床与胶东地区著名的玲珑超大型金矿床相似,因此在五龙金矿集区开展深部矿产资源勘查对推动我国辽东地区千吨级黄金战略基地建设具有重要意义^[5-9]。

三维矿产资源定量预测是以成矿模式和找矿模型为指导,通过三维地质建模方法整合研究区多尺度地质、地球物理、地球化学和钻探等数据,并以此为基础,通过三维空间分析和数值模拟等技术提取成矿-示矿信息,然后使用数学模型对成矿-示矿信息进行集成融合,进而圈定找矿远景区,并估算潜在资源量^[9-13]。在矿产资源定量预测领域,根据成矿-示矿信息对预测结果影响权重量化方式的不同,将预测方法分为知识驱动和数据驱动两大类^[14]。其中,知识驱动方法以成矿模式和找矿模型为基础,依托专家的知识和实践经验,通过人工赋权的方式对成矿-示矿信息进行集成融合;数据驱动方法则基于数学模型定量分析成矿-示矿信息与已知矿床(矿体)之间的空间关系,并据此计算各类信息权重实现集成融合^[14-17]。目前大部分三维矿产资源定量预测在勘探程度较高的地区开展,因此数据驱动方法在三维矿产资源定量预测中广泛应用^[9-13]。深度学习目前是数据科学领域的研究热点,与浅层机器学习方法(如随机森林、支持向量机、逻辑回归等)相比,深度学习能够通过多层神经网络从高维数据中自动提取深层次特征并进行非线性建模,因此其在处理复杂数据时展现出显著优势^[18]。如何将深度学习应用于三维矿产资源定量预测领域是目前矿产勘查领域的研究前沿。本文以辽东五龙金矿集区为例,在三维矿产资源定量预测软件GeoCube3.0基础上^[5,9,19],从训练样本制作、模型构建和模型训练等角度探讨两类常用深度学习算法——卷积神经网络(Convolutional Neural Network,CNN)和循环神经网络(Recurrent Neural Network,RNN)在三维矿产资源定量预测中的应用流程,并以此为基础实现五龙金矿集区“透明化”,助力深部找矿^[18,20-21]。

1 研究区地质背景与成矿模式

五龙金矿集区位于辽东半岛东南部(图1A),区内拥有五龙大型金矿和四道沟、杨家、红石、苇沙沟等一系列中小型金矿^[6-8,19]。侵入岩面积约占研究区总面积的70%,其中出露面积最大的为中侏罗世五龙岩体和早白垩世三股流岩体(图1B)。中侏罗世五龙岩体主要由中侏罗世二长花岗岩组成,是研究区的主要赋矿围岩^[22-23]。早白垩世三股流岩体的中心主要为早白垩世花岗岩,边缘为早白垩世花岗闪长岩。研究区外围西南部有大面积太古宙基底出露^[22-23]。古元古代辽河群仅在研究区东南部出露(图1B)。研究区构造以NE-NNE向断裂为主和NW向断裂为辅,在四道沟金矿存在一组E-W向褶皱构造^[7,22]。NE-NNE向断裂地表出露较多,矿集区尺度NE-NNE向断裂自西向东依次为红石断裂、杨家断裂、鸡心沟断裂、黑沟断裂、郑家堡断裂和鸭绿江断裂,上述断裂基本呈约5 km等距分布,延伸长度均在10 km以上,倾向多为北西向,倾角60°~70°,局部可达80°,显示出左行压扭和多期次活动的特征(图1B)^[7]。NE-NNE向鸡心沟断裂及其分支断裂控制了五龙大型金矿大部分矿体的空间分布^[6-8]。NE-NNE向杨家断裂控制了杨家金矿大部分矿体的空间分布^[6-8]。NW向断裂在地表出露较少,部分NW向断裂被矿集区尺度的NE-NNE向断裂错断(图1B)。Zhang等^[22-23]通过矿集区尺度重磁位场多尺度分解发现多条NW向隐伏断裂。NW向断裂也控制了部分金矿体的空间分布,例如五龙大型金矿床的163号矿脉^[6,19,22]。

前人根据矿床学、地球化学和地球物理学研究指出研究区成矿模式是典型的与早白垩世侵入岩有关的金成矿系统^[3,19](图1C),其矿体在空间上受到NE-NNE向断裂和NW向断裂共同控制,成矿热液来源于与华北克拉通破坏有关的早白垩世花岗闪长岩。

此外研究区内发育的早白垩世闪长岩脉与金矿体在空间上密切相关^[7,19,23]。

研究区岩石物性箱型图如图2所示,由图2可知研究区电阻率差异不大,侵入岩电阻率高于古元古代辽河群的电阻率,密度差异则可以区分太古宙基底、古元古代辽河群及中生代侵入岩,磁化率差异可以进一步区分中生代花岗岩、花岗闪长岩和闪长岩。

研究区的布格重力异常和化极磁异常如图3所示,Zhang等^[19]提取了研究区可供三维重磁反演的剩余重磁异常。本次重磁三维反演的核心网格大小为100 m×100 m×50 m,反演边缘网格为250 m×250 m×100 m。由于对重磁信息的误差了解有限,Zhang等^[19,23]使用广义交叉验证反演算法完成研究区三维重磁反演(图4A,B)。

中国地质调查局沈阳地质调查中心采用非线性共轭梯度二维反演法完成研究区大地电磁反演。本次研究在大地电磁二维反演基础上,使用离散光滑插值算法对大地电磁二维反演结果进行三维插值,得到研究区三维电阻率模型(图4C)。基于上述三维密度、磁化率和电阻率模型,结合地质数据,本次研究通过SKUA-GoCAD软件构建了研究区矿集区尺度三维地质模型(图5)。根据成矿模式,本次研究从矿集区尺度三维地质模型中提取地质证据图层包括早白垩世花岗闪长岩、NE-NEE向断裂、NW向断裂和早白垩世闪长岩的三维缓冲模型(图5)。地球物理证据图层包括三维密度、磁化率和电阻率模型(图4)。三维矿体建模在五龙、杨家和四道沟金矿床开展,其建模结果如图6所示,上述矿体模型可用于构建训练集中的正样本。

2 基于深度学习的三维矿产资源定量预测

本次研究选取深度学习领域广泛使用的两类经典算法——CNN和RNN作为三维矿产资源定量预测的方法^[18,20-21]。CNN是计算机视觉领域常用的深度学习算法,其核心思想是通过一系列卷积层和池化层,逐步提取输入数据的深层次特征,然后通过全连接层完成分类或回归任务。相较于浅层机器学习方法,CNN通过卷积和池化操作捕捉像素之间的空间关系,并自动提取其深层次特征,从而更有效地处理图像数据^[18,26]。计算机视觉领域基于MNIST数据集和ImageNet数据集,构建了大量经典二维CNN架构,如LeNet-5、AlexNet、VGGNet、GoogLeNet、ResNet和MobileNet等^[18,20],这些架构在图像分类领域的效果明显优于浅层机器学习算法。三维矿产资源定量预测的输入数据是三维体元,这要求用于三维矿产资源定量预测的CNN 架构能够处理三维空间信息。经典二维 CNN 架构应用于三维矿产资源定量预测领域需要进行适当调整以适应三维体元数据^[26-28]。三维卷积神经网络(3D CNN)能够有效处理三维体元数据,但3D CNN经典架构不如2D CNN经典架构丰富。此外,大部分CNN经典架构对输入数据尺寸有明确要求,而矿产资源定量预测领域输入数据的尺寸与MNIST数据集和ImageNet数据集中的图像尺寸存在明显差异^[18,26-28]。因此,需要研发适用于自身研究区的3D CNN模型完成三维矿产资源定量预测。

RNN通过状态记忆单元挖掘和处理序列数据间的依赖关系,然后通过全连接层完成分类或回归任务^[21]。序列数据是指具有时间或空间顺序的数据,其中每个数据与前后数据之间存在紧密关联^[21,29-30]。矿床是成矿系统中各要素时空耦合叠加的产物,代表成矿系统各个要素的证据图层之间存在因果关联性。此外组成三维体元的网格数据(点)以及三维体元之间具有空间关联性,因此三维矿产资源定量预测数据可以被视作序列数据^[29-30]。相较于浅层机器学习算法,RNN能够更为有效地考虑上述关联特征,从而具备提升矿产资源定量预测效果的潜力^[29-30]。传统RNN在处理长序列数据时会面临长期依赖问题,LSTM(Long Short-term Memory Network,LSTM)作为RNN的经典架构,通过引入输入门、遗忘门和输出门机制有效地控制信息流动,成为处理具有长期依赖关系序列数据的重要方法^[21,30]。

综上所述,浅层机器学习算法在三维矿产资源定量预测中将三维空间内每个网格数据视作独立变量,而深度学习算法通常将一定三维空间范围内的网格数据组合为三维体元进行处理,因此在构建深度学习模型前,要对三维矿产资源定量预测数据进行三维体元剖分^[28,30]。五龙金矿集区三维地质模型网格尺寸为50 m×50 m×50 m,共计包含13 406 374个网格。本次三维体元剖分通过窗口尺寸为450 m×450 m×450 m的滑动窗口完成,每个三维体元包含9×9×9个网格数据,滑动窗口每次滑动距离为一个网格,在历遍所有网格后完成研究区三维体元剖分。本次研究的正样本是以已知矿体网格为中心的三维体元。钻孔及巷道工程内的非矿体网格与矿体网格距离较近,因此剖分后的正样本三维体元中也包含部分钻孔及巷道工程内的非矿体网格,这导致选择矿体附近以非矿体网格为中心的三维体元作为负样本可能不具代表性。针对上述问题,本次研究选择在远离已知矿体的区域随机抽取部分三维体元作为负样本,且负样本数量与正样本数量保持一致^[30]。在正负样本制作完成基础上,选择其中70%作为训练数据,30%作为测试数据。

根据9×9×9三维体元,本次研究参考LeNet-5框架设计的3D CNN模型如图7A所示,LSTM模型如图7B所示。为防止过拟合,3D CNN模型和LSTM模型在全连接层前均添加Dropout层。本次研究的损失函数为交叉熵损失函数,优化器为Adam优化器,学习率为0.001。最终3D CNN模型和LSTM模型的训练曲线如图8所示。为验证上述深度学习模型有效性,本次研究选择矿产资源定量预测领域广泛使用的随机森林算法作为基线模型(Baseline model)。最终3D CNN模型、LSTM模型和随机森林模型的性能表现如表1所示,其中3D CNN模型和LSTM模型的各项评价指标均优于随机森林模型,体现出深度学习算法在三维矿产资源定量预测领域的巨大潜力。

3D CNN、LSTM和随机森林的三维预测概率模型如图9A、C、E所示。约登指数(Youden’s Index)可以用于确定ROC曲线中靶区划分的最佳概率阈值^[31-32]。本次3D CNN、LSTM和随机森林模型预测结果的约登指数分别为0.65、0.78、0.81,基于约登指数圈定的靶区分别如图9B、D、F所示,其中五龙矿床沿鸡心沟断裂的深部具有较大找矿潜力。

3 结论与展望

本次研究研发了适用于三维矿产资源定量预测的3D CNN模型和LSTM模型,并在辽东半岛五龙金矿集区开展了基于上述深度学习模型的三维矿产资源定量预测。本次研究指出相较于浅层机器学习算法,深度学习算法可以有效提升三维矿产资源定量预测效果。在本次研究基础上,团队计划将GeoCube3.0软件的机器学习模块研发至GeoCube4.0软件的深度学习模块,然而将深度学习应用于三维矿产资源定量预测领域仍然存在如下挑战:

(1)矿集区尺度三维矿产资源定量预测的三维网格数量往往超百万,这导致三维体元剖分、深度学习模型训练和预测均需要较大的计算机内存,这影响深度学习算法相关软件中的边缘部署与实时预测;

(2)本文所述的深度学习算法仍然属于基于数据驱动的矿产资源定量预测方法,如何将地学知识与深度学习模型相结合,实现深层次证据图层智能化构建,并以此为基础完成数据-知识双驱动下的三维矿产资源定量预测,提高预测结果的合理性值得深入探索;

(3)深度学习算法的“黑箱”问题导致其预测结果的可解性不如浅层机器学习算法,因此亟需通过提高深度学习可解释性降低三维矿产资源定量预测不确定性。

感谢李瑞喜博士、杨树人博士、王中正博士、彭庆明博士、李国豪博士、周冠云博士、张帅博士和南非自由州大学(University of the Free State)Emmanuel John M. Carranza教授在三维矿产资源定量预测中的协助。感谢崔哲思博士在深度学习方面的有益探讨。

参考文献

[1] 柴立元, 颜旭, 杨洪英, 等. 我国黄金绿色冶金发展潜力研究[J]. 中国工程科学, 2025, 27(2): 1-11.

[2] 朱日祥, 范宏瑞, 李建威, 等. 克拉通破坏型金矿床[J]. 中国科学: 地球科学 2015, 45(8): 1153-1168.

[3] 曾庆栋, 陈仁义, 杨进辉, 等. 辽东地区金矿床类型、成矿特征及找矿潜力[J]. 岩石学报, 2019, 35(7): 1939-1963.

[4] 底青云, 薛国强, 雷达, 等. 华北克拉通金矿综合地球物理探测研究进展: 以辽东地区为例[J]. 中国科学: 地球科学, 2021, 51(9): 1524-1535.

[5] 朱日祥, 杨进辉, 王功文, 等. 辽东地区金矿床成因与资源潜力[J]. 中国科学: 地球科学, 2024, 54(3): 677-692.

[6] 周学武, 李胜荣, 鲁力, 等. 辽宁丹东五龙矿区石英脉型金矿床的黄铁矿标型特征研究[J]. 现代地质, 2005(2): 231-238.

[7] 肖世椰, 朱光, 张帅, 等. 辽东五龙金矿区成矿期构造过程与岩脉就位机制[J]. 科学通报, 2018, 63(28/29): 3022-3036.

[8] 姚晓峰, 颜廷杰, 林成贵, 等. 辽东半岛五龙金矿成矿系统新认识: 来自外围热液角砾岩型铅锌矿化的指示[J]. 岩石学报, 2021, 37(6): 1883-1900.

[9] 王功文, 张智强, 李瑞喜, 等. 华北重点矿集区大数据三维/四维建模与深层次集成的资源预测评价[J]. 中国科学: 地球科学, 2021, 51(9): 1594-1610.

[10] 陈建平, 吕鹏, 吴文, 等. 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.

[11] 毛先成, 邹艳红, 陈进, 等. 危机矿山深部、边部隐伏矿体的三维可视化预测: 以安徽铜陵凤凰山矿田为例[J]. 地质通报, 2010, 29(2/3): 401-413.

[12] 肖克炎, 李楠, 孙莉, 等. 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.

[13] 袁峰, 李晓晖, 田卫东, 等. 三维成矿预测关键问题[J]. 地学前缘, 2024, 31(4): 119-128.

[14] 左仁广. 基于数据科学的矿产资源定量预测的理论与方法探索[J]. 地学前缘, 2021, 28(3): 49-55.

[15] PORWAL A, CARRANZA E J M, HALE M. Knowledge-driven and data-driven fuzzy models for predictive mineral potential mapping[J]. Natural Resources Research, 2003, 12: 1-25.

[16] HARRIS J R, GRUNSKY E, BEHNIA P, et al. Data and knowledge-driven mineral prospectivity maps for Canada’s North[J]. Ore Geology Reviews, 2015, 71: 788-803.

[17] ZUO R, YANG F, CHENG Q, et al. A novel data-knowledge dual-driven model coupling artificial intelligence with a mineral systems approach for mineral prospectivity mapping[J]. Geology, 2025, 53(3): 284-288.

[18] 孙志军, 薛磊, 许阳明, 等. 深度学习研究综述[J]. 计算机应用研究, 2012, 29(8): 2806-2810.

[19] ZHANG Z, WANG G, 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.

[20] 周飞燕, 金林鹏, 董军. 卷积神经网络研究综述[J]. 计算机学报, 2017, 40(6): 1229-1251.

[21] 杨丽, 吴雨茜, 王俊丽, 等. 循环神经网络研究综述[J]. 计算机应用, 2018, 37(11): 2753-2768.

[22] 张智强. 基于机器学习的矿集区尺度三维隐式建模和矿产资源定量预测方法研究[D]. 北京: 中国地质大学(北京), 2022.

[23] ZHANG Z, ZHANG J, WANG G, et al. From 2D to 3D modeling of mineral prospectivity using multi-source geoscience datasets, Wulong gold district, China[J]. Natural Resources Research, 2020, 29: 345-364.

[24] ZHANG Z, WANG G, LIU C, et al. Bagging-based positive-unlabeled learning algorithm with Bayesian hyperparameter optimization for three-dimensional mineral potential mapping[J]. Computers & Geosciences, 2021, 154: 104817.

[25] ZHANG Z, WANG G, CARRANZA E J M, et al. An uncertainty-quantification machine learning framework for data-driven three-dimensional mineral prospectivity mapping[J]. Natural Resources Research, 2024, 33(4): 1393-1411.

[26] 邓浩, 魏运凤, 陈进, 等. 基于注意力卷积神经网络的焦家金矿带三维成矿预测及构造控矿因素定量分析[J]. 中南大学学报(自然科学版), 2021, 52(9): 3003-3014.

[27] 罗杰, 周仲礼, 邹天一, 等. 基于PSO-CNN的深部找矿预测模型构建[J]. 成都理工大学学报(自然科学版), 2022, 49(6): 697-708.

[28] LI X, XUE C, CHEN Y, 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.

[29] WANG Z, ZUO R. Mineral prospectivity mapping using a joint singularity-based weighting method and long short-term memory network[J]. Computers & geosciences, 2022, 158: 104974.

[30] ZHANG Z, LI Y, WANG G, et al. Supervised mineral prospectivity mapping via class-balanced focal loss function on imbalanced geoscience datasets[J]. Mathematical Geosciences, 2023, 55(7): 989-1010.

[31] ZHENG Y, DENG H, WU J, et al. Space-associated domain adaptation for three-dimensional mineral prospectivity modeling[J]. International Journal of Digital Earth, 2023, 16(1): 2885-2911.

[32] CHEN J, ZUO X, LIU Z, et al. 3D mineral prospectivity modeling using deep adaptation network transfer learning: a case study of the Xiadian gold deposit, eastern China[J]. Geochemistry, 2024, 84(4): 126189.

基金资助

国家自然科学基金项目(42402301)

国家科技重大专项“重点金矿集区四维建模与数字孪生的靶区优选项目(2024ZD1001900)”