基于机器学习与多源数据融合的东天山戈壁沙漠覆盖区中-酸性侵入岩岩性填图

摘要

东天山地区矿产资源丰富，构造演化复杂，出露大面积的中-酸性侵入岩，它们主要形成于晚古生代，与区域构造演化和内生金属矿床成矿关系十分密切，对区域构造环境和成矿规律的认识具有重要意义。然而，由于覆盖层的遮蔽作用，覆盖区内中-酸性侵入岩的地质填图信息是不完整或完全缺失的，这在一定程度上制约了东天山区域构造与成矿规律的认识。近年来，基于大数据研究新范式发展起来的融合地球物理、地球化学、遥感图像等多源探测数据进行间接岩性填图的方法，为解决这一难题提供了有效途径。机器学习算法被诸多实例证明是数据融合的有力工具，它对复杂非线性地学数据的分类和判别等问题具有较强的适用性。为此，本文提出利用机器学习方法融合重力、航磁、地球化学、遥感影像数据，快速、经济、更准确地进行东天山地区中-酸性侵入岩的填图工作。对研究区内出露的中-酸性侵入岩进行类别标定并将其作为目标变量，将布格重力、航磁、水系沉积物地球化学和Landsat卫星多波段遥感影像数据作为预测变量，采用合成少数类过采样技术，解决岩性样本数据分布不均衡问题。基于随机森林和人工神经网络算法，对超参数进行网格搜索得到最优预测模型，分别对东天山地区覆盖区内隐伏中-酸性岩体的空间分布和岩性进行预测，并对预测结果进行对比分析和讨论。准确率、召回率和F1得分都表明随机森林模型优于人工神经网络模型，故最终选取随机森林模型的预测结果作为东天山覆盖区的中-酸性侵入岩岩性填图的最终结果，进一步讨论了中-酸性侵入岩的空间分布对区域构造和成矿作用的控制规律。相比于传统的人工地质填图方式，基于机器学习和多源数据融合的间接岩性填图方法具有效率高、成本较低廉和不受地质地理景观条件制约等优点。

关键词

机器学习 / 多源数据 / 岩性识别 / 随机森林 / 人工神经网络