知识-数据联合驱动的可解释智能矿产预测研究：以四川可尔因矿集区为例

摘要

随着人工智能和大数据技术的迅速发展，基于机器学习的矿产资源智能预测已成为当前研究热点。然而，部分机器学习模型嵌套的复杂非线性网络结构和抽象表达，具有高度不透明的黑盒属性，导致智能预测结果与成矿作用之间缺乏相关解释，降低了预测模型的泛化能力和预测结果的可靠程度。为解决以上问题，本研究提出了知识-数据联合驱动的可解释矿产资源智能预测方法。首先，采用最佳-最差法（BWM）建立了融合先验地质特征权重的集成学习智能预测模型，以强化模型预测效果。之后，使用从全局到局部，从特征到样本的多尺度多维度可解释性方法，解构预测结果，定量评价预测指标重要程度。最后，结合野外验证后的专家指导校正，实现地质找矿知识更新迭代，形成矿床知识嵌入和矿床知识发现完整闭环，进而提升矿产资源智能预测决策过程的透明性和预测结果的可靠性。以四川可尔因矿集区为例进行实验，圈定A类高潜力靶区8处，占总面积的6.58%,其中84%的矿床样本位于高潜力靶区，表明预测方法的稳定性。钠长石频谱、Na₂O+K₂O、环形构造、Li/La和二云母花岗岩依次成为关键预测特征，呈现出明显的有序性，经野外验证，证实其与可尔因伟晶岩型锂矿找矿模型密切相关。

关键词

矿产资源定量预测 / 可尔因矿集区 / 知识嵌入 / 集成学习 / 可解释性 / 野外验证

基金资助

国家重点研发计划项目(2021YFC2901905-3,2023YFC2906403); 中国地质调查局地质调查项目(DD20243233); 国家自然科学基金项目(42272347)