融合多源数据与集成学习的高精度预测框架：以巴基斯坦Chagai地区成矿远景制图为例

摘要

成矿远景制图是区域矿产勘查的关键环节，然而在样本有限、地质数据异构的复杂条件下，传统方法及单一模型的预测稳定性与泛化能力仍显不足。为此，本文以巴基斯坦Chagai西部成矿带为研究区，集成高光谱遥感、地质、地球物理与地球化学等多源数据，提出一种融合集成学习的自适应特征-空间融合网络成矿预测技术路径。该方法通过三维卷积对像元地学属性与其邻域空间上下文信息进行联合建模，且引入自适应注意力机制实现多源特征的协同融合；同时采用基于随机重采样的袋装集成学习策略，有效降低样本选择偏差、类别不平衡及噪声对预测结果的影响，从而提升模型的稳定性与泛化能力。实验结果表明，所生成的成矿远景图在训练区与独立测试区均与已知矿床空间分布高度吻合，野外验证亦在多个预测高潜力区识别出与斑岩型铜矿成因相关的矿化与蚀变现象，显示出良好的勘查指示意义。进一步的特征重要性分析表明，Cu品位在模型预测中贡献最大且呈显著正相关关系，而Ag表现为负相关特征，该结果与斑岩型铜矿床成矿过程中元素迁移与分带规律高度一致；在光谱层面，模型对与泥化、高级泥化及青磐岩化蚀变密切相关的短波红外诊断波段赋予了较高权重，反映出岩浆-热液作用控制下不同蚀变分带的空间分异特征。上述结果表明，所提出方法具备良好的预测性能，为复杂地质背景下的智能成矿预测提供了一种可靠且具有推广潜力的技术框架。

关键词

成矿远景 / 深度学习 / 集成学习 / Chagai带 / 巴基斯坦

基金资助

国家重点研发计划项目(2024YFC2909905); 中国冶金地质总局未来勘探系统一期工程“智能找矿预测平台研发”项目(CMGBKY202411)