基于多源遥感与地球化学数据的KAN模型智能成矿预测：以甘肃寨上-马坞整装勘查区为例

摘要

机器学习技术已广泛应用于矿产资源预测，但主流监督学习方法常受限于正样本稀缺、负样本界定主观及模型决策“黑箱”等瓶颈。为应对这些挑战，本研究首次将具有内生可解释性与高参数效率的Kolmogorov-Arnold网络(KAN)引入矿产预测领域。以甘肃寨上-马坞金矿整装勘查区为试验区，系统融合区域地球化学与多源遥感数据，构建了涵盖构造地貌、热液蚀变、元素异常的30 m分辨率多维特征数据集，并设计了伪标签迭代扩充机制以缓解小样本过拟合风险。该区成矿背景复杂，隐伏矿体定位困难，为方法验证提供了理想场景。结果表明：KAN模型训练区AUC达0.82,在独立盲测区对3处已知矿床60 m缓冲带的识别率达100%,预测性能显著优于随机森林。可解释性分析进一步揭示，地球化学异常(44.2%)、遥感蚀变信息(38.6%)与地形特征(17.2%)的协同贡献，完整映射了成矿作用过程。本研究不仅提升了预测模型的精度与可解释性，也为弱信息区及类似复杂地质背景下的找矿勘查，提供了一条兼具高准确率与过程透明度的技术新路径。

关键词

Kolmogorov-Arnold网络 / 多源数据融合 / 深度学习 / 成矿预测 / 西秦岭