卷积神经网络在矿产预测中的应用:以四川南部地区金矿为例

Application of convolutional neural networks in mineral prediction: Taking gold mines in southern Sichuan as an example, China

摘要

智能找矿预测是数字地质科学的前沿研究领域,大量的机器学习方法已广泛应用于矿产预测模型的建立中。当下众多研究方法主要通过将各类地质数据绘制为地质图像,并对其进行分割得到训练单元,通过训练单元内是否有已知矿点作为标签进行学习与预测。然而,这种方式存在训练数据不足、模型较为复杂和无法清晰判别假异常区等问题。本研究旨在利用区域化探数据信息与地质成矿要素构建多源化矿产预测模型。以四川南部地区金矿为例,采用卷积神经网络对地质源数据直接处理,用划分出的距离区间作为标签进行有监督学习,应用于距已知矿点距离较远的空白区域圈定找矿远景区。模型结果最终得到7处找矿远景区,表明卷积神经网络能够很好地将已知金矿周边特征进行提取并有效挖掘初始数据信息。本研究在提高金矿潜在找矿远景区预测精度的同时,为空白区找矿提供了新的解决方法,也为机器学习在矿产勘查领域的应用提供了一种新的试验方式。

Abstract

Intelligent mineral prediction is a cutting-edge field in digital geology, where numerous machine learning methods have been widely applied to construct mineral prediction models. Current approaches typically convert various geological data into raster images, segment them into training units, and then learn to predict based on the presence or absence of known mineral occurrences as labels within each unit. However, these methods suffer from problems such as insufficient training data, complex model architectures, and an inability to clearly distinguish false anomalies. This study aims to construct a multi-source mineral prediction model by integrating regional geochemical exploration data and geological mineralization elements. Using gold deposits in southern Sichuan as a case study, we apply convolutional neural networks (CNNs) to directly process raw geological data, using distance intervals from known deposits as labels for supervised learning. The trained model is then applied to delineate prospective areas in frontier regions far from any known mineralization. The model ultimately identified seven prospective areas, demonstrating that CNNs can effectively capture spatial features around known gold deposits and extract meaningful patterns from raw input data. This study provides a new solution for exploration in blank areas, improves the accuracy of gold prospectivity mapping, and offers a novel experimental approach for applying machine learning to mineral exploration.

Graphical abstract

关键词

卷积神经网络 / 多源化矿产预测模型 / 距离区间 / 找矿远景区

Key words

convolutional neural network (CNN) / multi-source mineral prediction model / distance intervals / mineral exploration

0 引言

在当今矿产勘查领域,找矿环境渐渐由简入繁,受多种地质因素干扰,找矿信息的提取与利用愈发困难^[1-2]。如何使用科学的数据分析方式对现有的数据进行充分挖掘与再开发,发现其潜在价值并指导找矿方向,是缓解当前勘查压力的重要途径之一^[3-6]。机器学习作为一个多算法的集合,在数据分析处理中具有独特的优势,即使在较低的数据特征条件下,也可以挖掘数据集中的隐藏信息,同时具备一定的复杂空间模式识别能力^[7-8]。近年来许多学者都在将机器学习的各类改进算法与矿产预测相结合,研究其适用性^[9-16]。在不断地试验当中发现神经网络可以很好地学习和建模各种变量之间的复杂非线性关系,同时包含了多种模型架构^[17]。部分神经网络模型在先前矿产资源勘探与分布预测中已经展现了其巨大优势^[18-19]。

如何才能有效整合多源信息,提高矿产预测模型的鲁棒性与准确性^[20-21],一直以来都是机器学习与矿产预测相结合的重要研究内容。数据挖掘的基础是数据,学习能力再强的模型也无法从不匹配的数据中学习特征。首先要根据数据选择模型,其次再根据模型筛选数据。现阶段智能成矿预测方向存在的主要问题反映在3个方面:(1)数据整合与处理方面。学习模型的性能除自身结构外,还取决于数据的数量、质量和多样性。影响机器学习算法成功的要素有很多,一些主要问题可能出现在数据的表示形式与质量上^[22]。数据可能存在冗余、噪声或不可靠的问题^[23]。当前大多数学者偏向于使用勘查活动所产生的图像数据进行学习处理^[24-25],对同一地区的地质图像数据而言,不同方法绘制的各类地质图像不同,会产生数据偏差。(2)学习方式方面。有监督学习与无监督学习是机器学习中的两种不同的学习方式。有监督学习需要对训练数据进行标记,从标记好的数据集中进行推理,构建分类或回归任务,完成对新输入的标签预测^[26]。无监督学习一般不需要对训练数据进行特殊处理,在学习的过程中会将具有相同特性的数据划分至一类,表现形式为聚类或降维^[27]。在矿产预测中普遍使用有监督学习方法,标签方式常以是否有已知矿点为依据,采用二分类法,区分正负样本,实现矿产预测^[24,28-30]。矿床的形成是稀少个例,仅使用二分类法可能会带来数据量不足、异常识别模糊等问题。(3)学习模型方面。大量机器学习模型经过不断的试验和改进已经在矿产勘查领域取得了不错的效果,如支持向量机、卷积神经网络、随机森林、受限玻尔兹曼机、图神经网络等^[31-37],但在模型不断更新过程中,模型复杂程度也在提高,越复杂的模型越容易受数据噪音影响,同时对运行环境、计算时间、硬件设施的要求也在不断提高,普遍适用性正在降低,因此,急需一种既能提高模型预测精度又具部署简单、计算迅速特征的研究方法。

卷积神经网络(convolutional neural network,CNN)是深度网络中最流行和最常用的一种形式^[38-42],网络主体主要由多个卷积层和池化层组成,经过特征提取后通过全连接层到达输出层得到最终结果,是一个集成了特征提取、特征转换、信息融合、模式识别等步骤的深度学习模型,这也是CNN的适应能力与泛化能力较为出色的原因^[43-44]。在当下众多CNN的研究当中,主要方法是:收集研究区内的多种勘查数据,利用各种方法将其绘制成大小相同的平面图像,使用一定的分割比例将图像进行分割,得到分割网格即训练数据,每个网格作为一个独立单元,通过网格内是否有已知矿体对其进行标签,进行有监督学习,最终输出每个网格属于有矿体单元的概率,达成圈定矿产预测远景区的目标。例如:刘艳鹏等^[45]对安徽省兆吉口铅锌矿床进行矿产预测,将研究区分割为63个网格单元,将单元内是否有矿孔作为标签依据,经过训练得到了很好的预测效果;Li等^[46]使用深度卷积网络对松涛—华源沉积锰矿床所得数据进行二维矿物预测,将研究区划分为912个网格,经过训练学习得到了5个成矿远景区。虽然卷积神经网络已经在矿产勘查领域取得了很大的进展与应用,但其仍存在前文提到的问题:(1)不管使用何种方法在将点状数据转化为面数据的过程中均会有一定的数据损失^[47-48],对模型所带来数据偏移与数据噪音将影响模型的特征提取。(2)大量点数据转化为面数据将引起数据量急剧下降,一般的数据增强方法如反转、裁剪、旋转等^[49-50],无法直接应用于地质领域^[51],而神经网络需要依靠大量数据进行训练以提高鲁棒性与泛化能力。采用等比例切割图像的方式扩充数据,分割比例的大小将直接影响数据信息识别,最佳网格化比例并没有统一标准。(3)采用网格内是否有矿点进行二分类法预测,没有对中异常区设定专属类别,对假异常区容易产生错误分类。

一维卷积神经网络(one-dimensional convolutional neural network, 1DCNN)即使在有限的数据上也可以拥有良好的性能^[52-53],同时具有较低的模型复杂度、更迅速的模型训练过程等优点^[54]。其可以实现端到端的数据处理方式,拥有卷积神经网络具备的特征提取、特征转换、信息融合、模式识别等架构,在处理一维数据上1DCNN要比2DCNN更为出色^[43],已经被广泛应用于各个领域,如故障检测^[43,55-56]、地质特征识别^[57-58]、医学^[59-60]、农学^[61-62]等。与现有模型相比,1DCNN能够直接应用原始数据,大大加强了数据真实性,结合本文所提出的特殊距离区间标签方式,能够很好地解决数据噪音、数据量稀少、假异常区判别模糊、模型过于复杂等问题。在诸多矿产预测模型中对1DCNN的研究较少,据此,本文尝试采用特殊的距离区间标签方式,使用一维卷积神经网络建立多源化矿产预测模型,通过对已知金矿周边不同距离的样品点进行区间划分,构建多分类标签,利用样品点距金矿点距离不同异常不同的特性,提取梯度异常信息,完成对空白区矿产资源勘查的目标,试图在降低模型复杂度的同时提升模型性能,提高预测准确度。此外,多分类法不同于二分类法,不局限于正负样本,每一个分类都是一种独特的样本,这种特殊的标签方式也为机器学习在矿产资源勘查中的应用提供了一种新方法。

1 研究方法

利用卷积神经网络(CNN)建立深度学习模型是本次研究的主要方法。卷积神经网络(CNN)最主要的结构分别是输入层(input layer)、隐藏层(hidden layer)、输出层(output layer)^[63-64],如图1所示。输入层负责接收输入数据,每个神经元代表输入数据的一种特征;隐藏层通常会有多个层面,对输入数据进行非线性变换提取特征;输出层可将模型所得到的结果进行输出^[65-66]。

此次研究根据数据对CNN模型做出了一定的调整,模型结构如图2所示。为了提高模型的稳定性和泛化能力,增加了批量归一化处理(batch normalization)^[67];同时尽可能减少训练过程中出现过拟合(overfitting)状态,使用正则化技术即添加丢弃层(dropout)在训练过程中随机性地丢弃一些神经元并将它们的输出设置为零,以提高网络的鲁棒性和适应性^[68]。最后经过展平层(flatten)将多维数组展平为一维数组,通过全连接层得到最后输出,输出层使用Softmax作为激活函数完成多分类法任务,输出每个被测数据属于不同分类的概率值。

2 区域地质成矿背景

2.1 研究区地质概况

四川省大地构造相分属扬子陆块区上扬子陆块、西藏—三江造山系和秦祁昆仑造山系3个一级大地构造单元^[69]。四川省地壳经历了扬子准地台基底的形成,槽、台分野和陆内改造3个不同的发展阶段。成矿时期非常广泛,主要高峰期为地壳演化早期(太古宙—中元古代)和中、新生代(印支—燕山期)^[70]。成矿区域多表现为不均衡、多态分布的特点^[71]。研究区位于四川省南部,地处三江滇西印支褶皱区与扬子陆块结合处(图3a)。该地区岩浆岩种类繁多,形成周期长,分布范围广;受不同构造单元成矿环境的影响,金矿成群成带分布^[72]。地表岩石主要以沉积岩为主,岩浆岩、变质岩均有分布,岩浆岩以侵入岩为主并将研究区分割为东西两部分,已知金矿整体集中于西北部,东南部研究开发较少(图3b)。

2.2 典型金矿

(1)张家坪子金矿

张家坪子金矿位于四川省冕宁县,地处扬子准地台西南缘与松潘—甘孜地槽的交界地带。大地构造上,金矿位于扬子陆块西南缘的雅江残余盆地与楚雄前陆盆地之间的双重构造单元夹持区。其西侧为小金河—丽江断裂,属于松潘—甘孜地槽,而东侧为金河—程海断裂,对应康滇地轴^[73]。地表主要出露中三叠统第三段的浅变质绿片岩及蚀变交代白云岩。岩浆活动多发生在深大断裂附近,并受到严格控制,表现出长期性、继承性和多期演化的特点。金河—程海断裂和小金河—丽江断裂的频繁活动导致深部富含金及其他金属化合物的流体沿着这些构造入侵,因此受主干构造影响的岩石脉络是寻找金矿的有利区域(见图4^[74])。矿体的分布完全受张家坪子韧性剪切带的控制,主要富集于剪切带中的蚀变交代白云岩内,矿石大多呈现网脉状和块状构造,属于低硫化物型矿石,主要载金矿物为黄铁矿^[75]。

(2)梭罗沟金矿

梭罗沟金矿位于四川省凉山州木里县的西北部,地处歇武—甘孜—理塘—三江口结合带的大相区甘孜—理塘蛇绿混杂岩南段,西侧与巴颜喀拉地块大相的雅江残余洋盆接壤。矿床的构造中心为甘孜—理塘缝合带,经历了多次构造活动,包括洋盆裂合、陆内碰撞和陆内转换等。地表出露的地层为上三叠统,整体走向为东北,主要岩性包括基性火山岩、凝灰质粉砂岩、泥灰岩及岩屑砂板岩。矿石类型以蚀变岩型金矿石为主^[76]。至今已发现30余处各类金矿床,已知的金矿床分布规律与金相关地球化学元素的分布密切相关。初步研究表明,矿体的含矿流体主要来源于深部的岩浆活动,属于构造-岩浆-热液成矿系统的中-低温热液填充型矿床。黄铁矿是主要载金矿物,且成矿作用严格受构造控制(图5)^[77-78]。

3 多源化矿产预测模型特征选取

3.1 元素地球化学特征

本研究收集了研究区区域化探调查18 720个样品39种元素的数据,统计结果见表1^[79]。研究区Au含量在0.2~2 969.5 ng/g之间,中位数为1.3 ng/g,平均值为3.43 ng/g,平均值与全国水系沉积物Au含量平均值之比(富集系数)为1.69,一定程度上表明该区域为金矿的找矿有利区;Cu含量在0.7~2 850 μg/g之间,中位数30.8 μg/g,平均值51.22 μg/g,平均值与全国水系沉积物Cu含量平均值之比为1.97;Cr含量在1.75~9 340 μg/g之间,中位数87.6 μg/g,平均值164.92 μg/g,平均值与全国水系沉积物Cr含量平均值之比为2.43。此外,Ni、Co和Ti元素含量平均值与全国水系沉积物元素含量平均值之比分别为2.04、1.75和1.60,从这些成矿元素的富集系数可以看出该区域具有一定的成矿前景;而Sr含量中位数78.20 μg/g,平均值112.67 μg/g,富集系数0.68,含量明显低于全国平均含量,W、Bi和Sb富集系数分别为0.67、0.67和0.58,不利于开展此类矿床的寻找。

从研究区金元素地球化学图(图6^[76,80])可以看出,受地质背景、构造及多种地质活动影响,金元素含量高值点除部分成群外,均呈分散分布。高值密集点主要位于义敦—香格里拉成矿带、南巴颜喀拉—雅江成矿带、盐源—丽江—金平成矿带三者汇集区,总体处于深大断裂甘孜—理塘构造带南段、锦屏山断裂带、丽江—小金河断裂带和金河—菁河断裂带等地,其余各异常区皆与断裂构造关系密切。

其中甘孜—理塘构造带中大部分矿床的成矿热液来源于变质热液^[81],而在其他成矿带中也存在成矿热液来源于岩浆热液的情况,种类较多。目前研究区内已知金矿多集中于西北部,对其他地区异常点开发较少。

3.2 元素组合特征

不同的金矿富集区元素组合特征会有一定差异,比如同处于四川省境内的金矿:阿拉龙洼金矿,矿区内地球化学测量显示与Au、As、Sb、Hg等元素的相关性较高,元素组合特征以Au-As-Sb-Hg为主^[82];金台子金矿,主成矿期成矿元素组合为Bi-Au-Ag-Pb-Mo-Cu^[83]。研究区内两个显著金矿:梭罗沟金矿,其元素相关性分析显示元素组合为As-Cu-Hg-Ag-Pb-Zn-Cr等^[84];张家坪子金矿,主要有Au-Ag-As-Sb-Bi-Cu-Pb-Zn-Hg-Mo-Mn等元素的异常^[75]。不同的区域不同地质活动引起的地球化学异常也不同,所以要挖掘区域化学元素与金矿之间的关系特征就必须寻找最适合此区域的元素异常组合。

不同元素之间的含量差异较大,因此想要捕捉元素之间的相关性程度就不能只依赖于数值大小,必须研究其中各元素内部的异常分布状态。数据标准化技术常用于各种机器学习的数据预处理中,经过处理后的数据能够更好地展示分布特征^[85]。标准化处理手段可以将数据缩放,减少数值影响,扩大样品点中各个元素的异常表现再建立联系。采用的数据标准化方式为极差标准化(range standardization),又称为最小-最大标准化(min-max normalization)。其公式^[86]如下:

$ X^{\prime}=\frac{(X-\min (X))(b-a)}{\max (X)-\min (X)}+a$

式中,X是原始数据值,max(X)是数据集中的最大值,b是目标范围的上限,a是目标的下限。

经过极差标准化之后的数据保留了元素本来的含量异常特征,将含量值缩放至0到1的范围内,消除了数值大小的影响。至此,再对其进行相关性分析,从中研究与Au相关性较强的元素,用来寻找最佳元素异常大组合。绘制得到的相关性系数矩阵如图7所示。

因为在样本量足够大的前提下,即使很小的相关性系数也能有很好的显著性^[87],为更好地含盖不同地区已经发现的和暂未发现的元素异常组,且排除一些无关元素的影响以突出区域异常,保留了与Au元素相关性系数大于0.1的其他元素,共计21种。与 前文中提到的区域内其他学者已经发现的元素异常组进行比较,大部分异常元素相同。同时对筛选前后39种和21种元素分别进行综合得分系数评价,验证整体提取结果,如图8、图9所示,筛选后的元素总体异常特征趋势对金矿的拟合程度更好,综合异常提示也更加明显。这说明使用这21种元素的分布异常特征、分布规律来划分下一步找矿远景区前景十分可观。

在所提取的21种元素当中,各元素的特征分布情况还存在较大差异。聚类分析(cluster analysis)是一种无监督学习方法,可以将数据集划分为多个组(或簇),通过发现数据的内在结构,去揭示数据中的模式、趋势或规律。常见的 聚类算法包括K-means聚类、层次聚类、Density-Based Spatial Clustering of Applications with Noise(基于密度的聚类)、Gaussian Mixture Model(高斯混合模型)等,在成矿预测中它们常用于探究元素之间的关联程度^[88]。层次聚类法在处理未知结构的复杂数据时较为灵活,所以本文采用层次聚类法进行分析,得到如下谱系图(图10)。

分析结果(表2)表明,当整体划分为4类时已经可以体现总体特征。C1组内元素与Au为一类,这表明组内元素可能与Au关系更为密切,因此将C1与C2组内元素确定为单元素异常。C3、C4组内元素可计算组内综合得分系数并将其作为评价指标。最终将得到的19种地球化学特征作为模型输入的一部分。

3.3 地质要素特征

除元素组合外,地质因素的提取也是必要的。断裂构造作为含矿热液流体运输的通道,是岩浆矿床、夕卡岩矿床、热液矿床等在内的内生矿床成矿的关键影响因素。区域内断裂分布情况如图11所示,大多金矿与断裂构造关系密切,所以必须将其作为地质特征因素之一。在本次研究中选择通过计算每个样品点和断裂构造距离大小的方式,建立异常联系,以此作为第20种特征。

除此之外,由于研究区地质背景较为复杂,选择添加岩石类型与成岩时期两种类型的地质要素进行分析。针对样品点所处的岩石类型与成岩时期分别使用空间连接法进行处理并赋值于点中,其中岩石类型统一划分成四类,分别是沉积岩、变质岩、火山岩、侵入岩。样品点所处的成岩时期可划分为五类:新生代(Cz)、中生代(Mz)、古生代(Pz)、元古宙(PT)、太古宙(AR)。由此得到第21与22类特征。

至此,通过地球化学数据的进一步分析和研究区地质要素的提取,得到了以地球化学数据为主且结合了断裂构造分布、岩石类型、成岩时期等地质要素的多源化矿产预测模型,如表3所示。

4 训练过程及结果验证

4.1 训练方法

在有监督学习中标签的定位影响着网络学习特征的方向,建立标签时必须要在可以推导出理想结果的同时与初始数据特征保持密切的联系,标签数据对减少泛化误差而言非常重要^[89]。如图12所示,本研究以已知金矿点位置为中心,选取0~5、>5~10、>10~15、>15~20、>20~30 km构建距离区间,使用距离区间作为标签,得到A(0~5 km)、B(>5~10 km)、C(>10~15 km)、D(>15~20 km)、E(>20~30 km)5个等级标签的数据。以已知矿点周围30 km作为最大标签能够很好地包含金矿的分布范围,同时更适合本次研究所使用的2 km×2 km密度的化学样品点;这样训练出来的模型在应用于未知区域的预测中稳定性更强,不易出现偏移。最终以预测结果中团状聚集6个以上的A类预测点区域为主(点间距极差大于4 km的点有两个,且必须呈团状而非线状聚集,保证预测远景的准确性),结合周边样品点划分为A类的概率大小趋势,完成圈定成矿远景区的任务。

将标签后的数据作为模型的输入数据,80%用于训练,20%用于测试。在输入数据中除元素含量与断裂带间距之外,岩石类型、成岩时期都需要转化为数值字符才能输入模型,因此将A、B、C、D、E各类按字母排序从0开始进行编号,一个数字表示一种分类。因为在这里数值大小只表示类别不同,独热编码又称一位有效编码,其会将每一个状态都进行单独编码,在使用时只有一位有效^[90],所以需要使用独热编码技术对第20种(岩石类型)、21种(成岩时代)特征以及分类标签进行处理,以此确保模型能够正确识别并学习。

4.2 训练过程

通过上文处理,得到了共计18 720个样品点的22种特征数据,并对其划分了5种分类标签(A:0~5 km内;B:>5~10 km内;C:>10~15 km内;D:>15~20 km内;E:>20~30 km内)。通过标签共筛选出8 373条数据,80%用于训练,20%用于测试。由于标签数据的确定直接影响特征的提取效率与最终结果,本节将进行不同标签之间的对比验证,找出最佳标签组合,充分提高预测结果的准确性。

结合多分类法的灵活性,首先对其进行了五分类法测试,A、B、C、D、E各为一类,模型测试集上的最高准确率为73%,混淆矩阵、ROC曲线和AUC值如图13、14所示。

由混淆矩阵可知,在准确率较低的情况下,模型只会将少数E类与A类数据互相划分错误,这极大程度上降低了对成矿有利区预测错误的风险,提高了预测精度。从ROC曲线与AUC值得到的所选取标签的AUC值分别是:A为0.94,B为0.91,C为0.87,D为0.87,E为0.95;其中对A与E类标签的辨识度最高表明这种分类方式具有很高的辨别效果,B、C、D值较低则说明对其分类效果较差。因此需要对其进行标签优化,A类标签作为分类目标不变,将其他类标签互相融合进行不同分类测试,最终结果如表4所示。

组合与分析可得出,针对A类数据(处于已知矿点5 km之内的样品点)进行三分类法时,模型整体预测效能得到了很好的提升,经过120轮训练后,模型在测试集上最高准确率为87%,AUC值为0.92。

4.3 结果验证

在执行分类任务的过程中,单独类别的输出概率超过平均阈值即有很大可能视为本类。平均阈值计算方式如下:

$ \text { 平均阈值 }=100 \% \text {/类别总数}$

即二分类法平均阈值为50%,三分类法平均阈值为33%等。

上文通过利用卷积神经网络对已知金矿周围样品点地球化学特征与地质成矿要素组合进行综合学习,得到了每个样品点是否属于A类点(距金矿0~5 km)的分类结果与概率值。其在验证集上的准确率最高达87%,但验证集是从整体训练数据中划分的20%,在所有样品点中随机抽取,无法查看其在验证集上的具体预测状态与金矿之间的联系。因此,为验证预测结果的可行性,人为地将训练集中的部分已知矿点进行了失活。共计失活4个研究区内矿点和2个研究区外矿点,以验证模型在未知区域的预测效果以及对金矿密集异常区的识别效果。失活后训练数据如图15所示。

经过上述处理,失活后的训练数据为4 065条。训练数据的大量减少必然会引起模型的准确率与泛化能力的降低。最终经过训练的模型的最高准确率为72%,预测结果如图16所示。模型即使在损失了一半的训练数据、泛化能力降低、准确率下降的情况下,依然能够在验证区域很好地指引失活矿点的大致位置。据分类结果及其预测概率变化趋势显示,训练数据不足的模型也可以体现金矿的成矿趋势。这证明了将已知矿点都用于训练得到的结果将更具准确性。

5 圈定找矿远景区

将所有已知矿点数据全部进行训练(不包括验证集数据,验证数据依然占比20%),得到预测区所有样品点属于A类预测点(0~5 km)的分类结果与概率。预测结果均遵循区域地质构造的南北走向趋势,显示与已知成矿带关系密切且一定程度上符合地质成矿条件。得到的最终综合预测结果示意图(图17)描述如下。

Ⅰ号远景区位于越西县东南部、昭觉县正北部,处于小江断裂带与汉源—甘洛断裂之间。小江断裂带属于逆冲断裂带,从云南小江入川达石棉,境内长300 km,是康滇与上扬子地块的分界断裂,控制中生代沉积,也是峨眉山玄武岩喷发的主要通道。汉源—甘洛断裂属于逆断裂,南起昭觉,北经甘洛至汉源北,长200 km,切割下震旦统—中生界,沿断裂有数十米宽的挤压破碎带。Ⅱ号远景区位于冕宁县、越西县与喜德县之间的中心区域,主要受黑水河断裂带影响,黑水河属于逆断裂,在海宁南—普格至越西一线,长130 km,切割震旦系—白垩系地层,断距500~2 000 m,具多期活动特征。Ⅰ号与Ⅱ号远景区处于洛子沟铅锌矿成矿带上,结合预测结果得出此处寻找金矿潜力较大。

Ⅲ号远景区位于布拖县西北部,处于黑水河断裂带中段,汇集一些小型断带。Ⅳ号远景区处于西昌东南部,处于则木河断裂带。该断裂属于左行平推断裂,北端在西昌与安宁河断裂交汇,向南沿则木河经普格至宁南交于小江断裂带,长135 km,控制着中生代以来沉积作用;沿断裂有地震活动。Ⅲ号和Ⅳ号远景区所处位置多分布铜-铼矿床,主体是砂岩型铜矿,结合预测结果此处有金矿找矿潜力。

Ⅴ号远景区一部分异常区位于德昌县南部,主要受磨盘山断裂带、绿汁江断裂带影响,处于冕宁—德昌成矿带中,该地区地质作用频繁。区内断裂带属左行逆冲推覆断裂带,北起西昌磨盘山,南经普威—红格入云南,境内长240 km。另一部分位于会里县、宁南县、德昌县中心处,受攀枝花断裂影响,细小断裂分布较多。区域内岩浆活动比较频繁,岩浆活动为本区成矿物质的主要来源,区域内矿产资源丰富,主要矿产为铜矿、铁矿、锡矿、铅矿、锌矿。已发现的矿床主要有兴隆含铜菱铁矿、羊圈坪铜铁矿、永郎锡石矿、岔河锡矿、会理锌矿等。该地区金矿成矿概率极高。Ⅵ号远景区位于攀枝花市周围地区,主要受攀枝花断裂影响。该断裂属左行逆断裂,呈近南北向S形,北交于箐河断裂带,南入云南,境内长90 km。Ⅴ号和Ⅵ号两个远景区内的断裂都对中生代沉积及成矿有明显控制作用,结合预测结果表明该地区成矿前景良好。

Ⅶ号远景区位于华坪县西北部,处于永胜县中,受箐河断裂影响。区域中火山活动较为明显,存在多个已知铜矿点,矿床属于火山沉积与后期构造热液叠加改造型铜矿床。由于该区域处于研究区边缘,模型特征无法全部提取,但结合预测结果有一定的成矿优势。

6 方法讨论

在以往构建矿产预测模型的过程中,单元素异常与多元素异常的特征提取已经被普遍使用并取得了良好的效果^[91-92],如Au、Ag、As、Cu和Hg等;但对于地质异常而言,由于研究区域的不同,各模型用法不同。本文对所采用的成岩时期与岩石类型等因素并未进行具体划分,若按照组成结构、矿物成分、矿物成因等将岩石类型再进一步划分,可能会提高模型对微小特征的提取,但是否会影响区域整体特征,也是之后研究的内容之一。

在进行深度学习的过程中,训练样本的多少至关重要,尤其是矿点的产生是罕见的个别事件,所以对当下的地质数据如何挖掘并增量依然是至关重要的一面^[14]。这也是前文结果验证的过程性能下降的原因。本次实验创建了一种新型的距离区间标签方式,在保持与初始数据特征有密切联系情况下也能达到划分成矿远景区的目的,方法不仅适用于1DCNN,也可与各种机器学习方法结合。其优势在于独特的多分类法为模型预测高概率成矿区设置了“障碍”(中间类),使得最终的结果更加精确,但其缺点在于若“障碍”过高可能会将一些异常较弱的潜在矿点归类为无矿。本次研究中构建的矿产预测模型主要应用于在已知金矿30 km外的空白区域寻找成矿远景区,为空白区的矿产预测提供一种新的解决方法。该模型还可根据特征提取范围灵活变动距离区间的划分;但在训练过程中将近距离数据作为对比分类的一种,影响了模型在已知矿体周边的预测效果,模型应用于近距离找矿可能表现不佳。

当前智能成矿预测的研究在不断更新和变化,集合图-谱特征的各种深度学习模型也被提出,例如图神经网络,它可以将图像中的每一个像素点与周围建立联系,更深地挖掘局部特征,本质上是加深了对图像数据细节的挖掘,如若不能解决地质图像的不稳定性问题,依然有可能提取到假特征、假数据。图像数据的优势是具有显著的空间特性,但勘查活动的限制性会使各种地统计方法绘制的地质类图像缺乏唯一性,而文本数据的产生具有一定的真实性,但又无法很好地表示空间关系。因此,对图像数据学习空间特征,对文本数据挖掘数据特征,使用不同方法融合两种模态的特征必将成为今后研究的又一重要方向,本研究也为后续多模态融合方法在矿产预测应用中文本模态数据挖掘方式的选择提供有力的解决方法。

7 结论

本文主要通过设置距离区间标签方式,使用1DCNN建立多源化矿产预测模型,利用四川南部地区1∶20万区域化探工作取得的高质量基础数据,在总结区域金矿成矿规律的基础上,实现了对空白区域的找矿远景区划分,验证了距离区间标签的可行性。研究得出如下结论:

(1)在本次研究中采用1DCNN直接处理文本数据的方式,与普通预测模型相比,既提高了初始数据的数据量,减少了点状数据转化成面数据过程中的损失,降低了数据偏移与数据噪音,又能利用更简单的模型架构和卷积方式实现良好的预测效果。

(2)研究通过数据分析完成了地球化学数据成矿有利信息的提取,并结合该方法,依托断裂构造、成岩时期和岩石类型等地质信息共同构建了川南金矿多源化矿产预测模型。模型特征对象融合了单元素异常、多元素组合异常、成岩时期分布、断裂构造分布、岩石类型分布等多源化数据。文本数据的优势在于对特征数量的容纳程度极好,理论上只要具有一定的相关性,特征数量就不受限制,这正适用于当今复杂的矿产勘查环境。

(3)研究使用距离区间作为数据标签的多分类法方式,让大多数较强的假异常区都划分至中间类(B、C、D类,5~20 km),相当于在模型将其划分至成矿有利区的过程中进行了一层过滤。相比于一般的二分类法,本方法提高了判别为成矿有利区的下限,降低了将无矿区预测为有矿区的风险。

(4)结合模型预测结果,共划分出7个成矿远景区,其中Ⅰ号、Ⅱ号、Ⅲ号、Ⅳ号远景区成矿潜力较高,Ⅴ号远景区成矿潜力巨大且可能存在多个潜在金矿点位,Ⅵ号远景区成矿潜力一般。另外,Ⅶ号远景区由于处于研究区边缘,因缺少部分数据而未能圈定区域全貌,但结合当地火山活动明显且有多个其他金属矿点的情况,推测仍有成矿潜力。

参考文献

[1] 成秋明. 覆盖区矿产综合预测思路与方法[J]. 地球科学: 中国地质大学学报, 2012, 37 (6): 1109-1125.

[2] CHENG Q M. Singularity theory and methods for mapping geochemical anomalies caused by buried sources and for predicting undiscovered mineral deposits in covered areas[J]. Journal of Geochemical Exploration, 2012, 122: 55-70.

[3] 左仁广. 勘查地球化学数据挖掘与弱异常识别[J]. 地学前缘, 2019, 26(4): 67-75.

[4] 张旗, 周永章. 大数据助地质腾飞: 岩石学报2018第11期大数据专题“序”[J]. 岩石学报, 2018, 34(11): 3167-3172.

[5] 翟明国, 杨树锋, 陈宁华, 等. 大数据时代: 地质学的挑战与机遇[J]. 中国科学院院刊, 2018, 33(8): 825-831.

[6] 张晓飞, 唐相伟, 庞振山, 等. 河南桐柏围山城地区金矿找矿预测综合信息模型构建与靶区预测[J]. 地学前缘, 2025, 32(2): 357-370.

[7] PRADO E M G, DE SOUZA FILHO C R, CARRANZA E J M, et al. Modeling of Cu-Au prospectivity in the Carajás mineral province (Brazil) through machine learning: dealing with imbalanced training data[J]. Ore Geology Reviews, 2020, 124: 103611.

[8] GRANEK J. Application of machine learning algorithms to mineral prospectivity mapping[D]. Vancouver: University of British Columbia, 2016.

[9] ALAVI A H, GANDOMI A H, LARY D J. Progress of machine learning in geosciences: Preface[J]. Geoscience Frontiers, 2016, 7(1): 1-2.

[10] HE H J, ZHU H L, YANG X K, et al. Mineral prospectivity prediction based on convolutional neural network and ensemble learning[J]. Scientific Reports, 2024, 14: 22654.

[11] MOHAMED TAHA A M, LIU G, CHEN Q Y, et al. Toward data-driven mineral prospectivity mapping from remote sensing data using deep forest predictive model[J]. Natural Resources Research, 2024, 33(6): 2407-2431.

[12] ABEDINI M, ZIAII M, TIMKIN T, et al. Machine learning (ML)-based copper mineralization prospectivity mapping (MPM) using mining geochemistry method and remote sensing satellite data[J]. Remote Sensing, 2023, 15(15): 3708.

[13] PARSA M, CARRANZA E J M, AHMADI B. Deep GMDH neural networks for predictive mapping of mineral prospectivity in terrains hosting few but large mineral deposits[J]. Natural Resources Research, 2022, 31(1): 37-50.

[14] 左仁广, 彭勇, 李童, 等. 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.

[15] LI T F, XIA Q L, ZHAO M Y, et al. Prospectivity mapping for tungsten polymetallic mineral resources, Nanling metallogenic belt, South China: use of random forest algorithm from a perspective of data imbalance[J]. Natural Resources Research, 2020, 29(1): 203-227.

[16] LINDSAY M D, PIECHOCKA A M, JESSELL M W, et al. Assessing the impact of conceptual mineral systems uncertainty on prospectivity predictions[J]. Geoscience Frontiers, 2022, 13(6): 101435.

[17] DUMAKOR-DUPEY N K, ARYA S. Machine learning: a review of applications in mineral resource estimation[J]. Energies, 2021, 14(14): 4079.

[18] 苏恺明, 徐耀辉, 徐旺林, 等. 鄂尔多斯盆地延长组多油源贡献比例与分布规律: 基于机器学习与可解释性研究[J]. 地学前缘, 2024, 31(3): 530-540.

[19] 肖凡, 杨华清, 唐奥, 等. 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[J]. 地学前缘, 2025, 32(4): 199-212.

[20] 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.

[21] 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.

[22] MAHARANA K, MONDAL S, NEMADE B. A review: data pre-processing and data augmentation techniques[J]. Global Transitions Proceedings, 2022, 3(1): 91-99.

[23] DASH R K, NGUYEN T N, CENGIZ K, et al. Fine-tuned support vector regression model for stock predictions[J]. Neural Computing and Applications, 2023, 35(32): 23295-23309.

[24] 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.

[25] LI H, LI X H, 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.

[26] OSISANWO F Y, AKINSOLA J E T, AWODELE O, et al. Supervised machine learning algorithms: classification and comparison[J]. International Journal of Computer Trends and Technology, 2017, 48(3): 128-138.

[27] EL NAQA I, RUAN D, VALDES G, et al. Machine learning and modeling: data, validation, communication challenges[J]. Medical Physics, 2018, 45(10): e834-e840.

[28] MAO X C, ZHANG W, LIU Z K, et al. 3D mineral prospectivity modeling for the low-sulfidation epithermal gold deposit: a case study of the axi gold deposit, western Tianshan, NW China[J]. Minerals, 2020, 10(3): 233.

[29] 王语, 周永章, 肖凡, 等. 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.

[30] 李苍柏, 肖克炎, 李楠, 等. 支持向量机、随机森林和人工神经网络机器学习算法在地球化学异常信息提取中的对比研究[J]. 地球学报, 2020, 41(2): 309-319.

[31] RODRIGUEZ-GALIANO V F, CHICA-OLMO M, CHICA-RIVAS M. Predictive modelling of gold potential with the integration of multisource information based on random forest: a case study on the Rodalquilar area, southern Spain[J]. International Journal of Geographical Information Science, 2014, 28(7): 1336-1354.

[32] ABEDI M, NOROUZI G H, BAHROUDI A. Support vector machine for multi-classification of mineral prospectivity areas[J]. Computers & Geosciences, 2012, 46: 272-283.

[33] GERANIAN H, TABATABAEI S H, ASADI H H, et al. Application of discriminant analysis and support vector machine in mapping gold potential areas for further drilling in the Sari-Gunay gold deposit, NW Iran[J]. Natural Resources Research, 2016, 25(2): 145-159.

[34] ZUO R G, YANG F F, CHENG Q M, 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.

[35] ZUO R G, XU Y. Graph deep learning model for mapping mineral prospectivity[J]. Mathematical Geosciences, 2023, 55(1): 1-21.

[36] 张必敏, 王学求, 周建, 等. 老挝铜资源成矿规律与基于机器学习的远景预测[J]. 地学前缘, 2025, 32(1): 61-77.

[37] 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.

[38] 张驰, 郭媛, 黎明. 人工神经网络模型发展及应用综述[J]. 计算机工程与应用, 2021, 57(11): 57-69.

[39] DHILLON A, VERMA G K. Convolutional neural network: a review of models, methodologies and applications to object detection[J]. Progress in Artificial Intelligence, 2020, 9(2): 85-112.

[40] 张利军, 鲁文豪, 张建东, 等. 基于深度学习的镜下岩石、矿物薄片识别[J]. 地学前缘, 2024, 31(3): 498-510.

[41] ULLAH K, WANG Y, FANG Z C, et al. Multi-hazard susceptibility mapping based on convolutional neural networks[J]. Geoscience Frontiers, 2022, 13(5): 101425.

[42] YAO G L, LEI T, ZHONG J D. A review of convolutional-neural-network-based action recognition[J]. Pattern Recognition Letters, 2019, 118: 14-22.

[43] HUANG S Z, TANG J, DAI J Y, et al. Signal status recognition based on 1DCNN and its feature extraction mechanism analysis[J]. Sensors, 2019, 19(9): 2018.

[44] LI S B, LIU G K, TANG X H, et al. An ensemble deep convolutional neural network model with improved D-S evidence fusion for bearing fault diagnosis[J]. Sensors, 2017, 17(8): 1729.

[45] 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.

[46] LI S, CHEN J P, XIANG J. Applications of deep convolutional neural networks in prospecting prediction based on two-dimensional geological big data[J]. Neural Computing and Applications, 2020, 32(7): 2037-2053.

[47] 李超岭, 杨东来, 于庆文, 等. 数字地质调查与填图技术方法研究[J]. 中国地质, 2002, 29(2): 213-217.

[48] 姜作勤, 李友枝. 野外地质数据采集信息化的现状与特点[J]. 中国地质, 2001, 28(6): 1-5, 46.

[49] DIELEMAN S, WILLETT K W, DAMBRE J. Rotation-invariant convolutional neural networks for galaxy morphology prediction[J]. Monthly Notices of the Royal Astronomical Society, 2015, 450(2): 1441-1459.

[50] SIMARD P Y, STEINKRAUS D, PLATT J C. Best practices for convolutional neural networks applied to visual document analysis[C]// Proceedings of the seventh international conference on Document Analysis and Recognition. Edinburgh: ICDAR, 2003: 958-963.

[51] LI B B, YU Z B, KE X J. One-dimensional convolutional neural network for mapping mineral prospectivity: a case study in Changba ore concentration area, Gansu Province[J]. Ore Geology Reviews, 2023, 160: 105573.

[52] ÇOLAK A B. An experimental study on the comparative analysis of the effect of the number of data on the error rates of artificial neural networks[J]. International Journal of Energy Research, 2021, 45(1): 478-500.

[53] RALA CORDEIRO J, RAIMUNDO A, POSTOLACHE O, et al. Neural architecture search for 1D CNNs: different approaches tests and measurements[J]. Sensors, 2021, 21(23): 7990.

[54] KIRANYAZ S, AVCI O, ABDELJABER O, et al. 1D convolutional neural networks and applications: a survey[J]. Mechanical Systems and Signal Processing, 2021, 151: 107398.

[55] LE-XUAN T, BUI-TIEN T, TRAN-NGOC H. A novel approach model design for signal data using 1DCNN combing with LSTM and ResNet for damaged detection problem[J]. Structures, 2024, 59: 105784.

[56] SHAO X R, LI D, RA I, et al. DSMT-1DCNN: densely supervised multitask 1DCNN for fault diagnosis[J]. Knowledge-Based Systems, 2024, 292: 111609.

[57] WANG Y X, CUI M Z, XIE B, et al. Tight sandstone reservoir classification based on 1DCNN-BLSTM with conventional logging data[J]. Acta Geophysica, 2025, 73(3): 2373-2389.

[58] 雷志勇, 王家文, 凡东, 等. 基于1DCNN-BiLSTM-CBAM的煤巷顶板岩层地质特征随钻智能识别方法[J]. 煤田地质与勘探, 2024, 52(11): 192-199.

[59] 董延华, 景晨阳, 王大东. 基于1维神经网络与快速傅里叶变换的SSVEP分类方法[J]. 吉林师范大学学报(自然科学版), 2025, 46(1): 117-124.

[60] ZHANG J X, WANG X F, JIANG C L, et al. Intelligent respiratory status monitoring via a 1DCNN-assisted microfiber sensor[J]. IEEE Sensors Journal, 2024, 24(12): 19136-19142.

[61] 石睿, 张晗, 王成, 等. 高光谱图谱结合策略检测小麦单粒种子活力[J]. 光谱学与光谱分析, 2024, 44(11): 3206-3212.

[62] 曹捷, 张国琦, 张亚龙. 基于光谱图像识别蔬菜表面农药残留物的研究[J]. 西北园艺, 2024(11): 54-57.

[63] 郑远攀, 李广阳, 李晔. 深度学习在图像识别中的应用研究综述[J]. 计算机工程与应用, 2019, 55(12): 20-36.

[64] 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.

[65] PURWONO P, MA’ARIF A, RAHMANIAR W, et al. Understanding of convolutional neural network (CNN): a review[J]. International Journal of Robotics and Control Systems, 2022, 2(4): 739-748.

[66] LI Z W, LIU F, YANG W J, et al. A survey of convolutional neural networks: analysis, applications, and prospects[J]. IEEE Transactions on Neural Networks and Learning Systems, 2022, 33(12): 6999-7019.

[67] IOFFE S, SZEGEDY C. Batch normalization: accelerating deep network training by reducing internal covariate shift[C]// Proceedings of the 32nd international conference on Machine Learning. Lille: PMLR, 2015: 448-456.

[68] SRIVASTAVA N, HINTON G E, KRIZHEVSKY A, et al. Dropout: a simple way to prevent neural networks from overfitting[J]. Journal of Machine Learning Research, 2014, 15(1): 1929-1958.

[69] 张建东, 胡世华, 秦宇龙, 等. 四川省地质构造与成矿[M]. 北京: 科学出版社, 2015: 1-245.

[70] 赵友年, 李春生, 赖祥符. 四川省大地构造及其演化[J]. 中国区域地质, 1984, 3(1): 1-21.

[71] 曾道龙. 四川金矿床类型及区域分布规律[J]. 四川地质学报, 1990, 10(3): 191-196.

[72] 王小春. 川西地区金矿的类型与分布规律[J]. 地质与勘探, 2000, 36(1): 20-22, 25.

[73] 辛存林, 包小强, 安国堡. 四川张家坪子金矿床地质特征及成矿作用[J]. 兰州大学学报(自然科学版), 2016, 52(6): 713-721.

[74] 罗光兴, 谭显强. 张家坪子金矿成矿物质来源及找矿方向探讨[J]. 四川地质学报, 2013, 33(增刊1): 7-12.

[75] 包小强. 张家坪子金矿床成矿机制及矿化富集特征[D]. 兰州: 西北师范大学, 2016.

[76] 邓红宾, 李宁, 宋元宝, 等. 四川西部典型岩金矿床成矿地质特征与资源勘查意义[J]. 矿产勘查, 2023, 14(5): 701-717.

[77] 刘书生, 范文玉, 聂飞, 等. 四川木里梭罗沟金矿床地质特征及控矿因素分析[J]. 黄金, 2015, 36(6): 8-13.

[78] 杨永飞, 刘书生, 聂飞, 等. 四川木里梭罗沟金矿床流体包裹体研究及矿床成因[J]. 矿床地质, 2019, 38(2): 261-276.

[79] 迟清华, 鄢明才. 应用地球化学元素丰度数据手册[M]. 北京: 地质出版社, 2007.

[80] 罗改, 王全伟, 秦宇龙, 等. 四川省大地构造单元划分及其基本特征[J]. 沉积与特提斯地质, 2021, 41(4): 633-647.

[81] 邹光富, 毛君一. 甘孜—理塘断裂带构造演化与金矿的关系[J]. 成都理工学院学报, 1998(2): 233-240.

[82] 沈位元, 潘寅, 问娣. 四川甘孜—理塘断裂带阿加隆洼金矿地球化学特征[J]. 四川地质学报, 2012, 32(增刊2): 192-195.

[83] 葛良胜, 陈祥. 四川金台子金矿床地质地球化学特征[J]. 地质找矿论丛, 1996, 11(2): 87-94.

[84] 林鑫, 张文林, 赵波, 等. 四川省梭罗沟金矿床与日拉金矿床辉锑矿地质特征对比研究[J]. 黄金, 2023, 44(11): 76-82.

[85] ALI P J M, FARAJ R H. Data normalization and standardization: a technical report[J]. Machine Learning Technical Reports, 2014, 1(1): 1-6.

[86] PATRO S G K, SAHU K K. Normalization: a preprocessing stage[J]. Iarjset, 2015, 2(3): 20-22.

[87] GOGTAY N J, THATTE U M. Principles of correlation analysis[J]. The Journal of the Association of Physicians of India, 2017, 65(3): 78-81.

[88] 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, 2024, 31(4): 58-72.

[89] SUN H, LI M. Enhancing unsupervised domain adaptation by exploiting the conceptual consistency of multiple self-supervised tasks[J]. Science China Information Sciences, 2023, 66(4): 142101.

[90] 梁杰, 陈嘉豪, 张雪芹, 等. 基于独热编码和卷积神经网络的异常检测[J]. 清华大学学报(自然科学版), 2019, 59(7): 523-529.

[91] YANG N, ZHANG Z K, YANG J H, et al. A convolutional neural network of GoogLeNet applied in mineral prospectivity prediction based on multi-source geoinformation[J]. Natural Resources Research, 2021, 30(6): 3905-3923.

[92] ZHANG Z Q, ZHANG J J, WANG G W, 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(1): 345-364.

基金资助

国家深地重大专项“荒漠戈壁和高寒草原浅覆盖景观区地球化学勘查新技术(2024ZD1002400)”

中国地质科学院地球物理地球化学勘查研究所基本科研业务费项目“覆盖区地球化学勘查技术创新战略研究与产品化推广(AS2023R01)”