在印度达尔瓦尔克拉通地区，基于先进机器学习技术的黄金矿床潜力制图：一种融合集成学习和深度学习的混合知识-数据驱动范式

《Geosystems and Geoenvironment》：Advanced machine learning based gold prospectivity mapping in the Dharwar Craton, India: A hybrid knowledge-data driven paradigm integrating ensemble and deep learning

黄金成矿预测研究：机器学习模型在Dharwar地块的应用与评估

　　在当今全球对矿物资源需求日益增长的背景下，矿物勘探技术正经历着从传统方法向更加先进和高效手段的转变。为了满足这一需求，研究团队开展了一项具有开创性的研究，利用四种机器学习（ML）模型——随机森林（RF）、XGBoost（XGB）、支持向量分类器（SVC）和人工神经网络（ANN）——对印度阿萨尔瓦克拉顿区域的金矿化前景进行评估。这项研究不仅旨在开发和评估这些模型，还通过交叉验证、特征重要性分析和模型性能对比，系统地评估其在金矿勘探中的表现，并最终生成一张高分辨率的综合前景图，以识别新的勘探目标。研究团队整合了多种地质空间数据，包括地质图、结构线性特征、地球化学数据、地球物理数据以及ASTER遥感影像，以确保模型能够充分捕捉金矿化相关的复杂地质过程。

阿萨尔瓦克拉顿是一个古老的地质构造，位于印度南部，形成于约36亿至25亿年前。它由两个主要部分组成：西部克拉顿（WDC）和东部克拉顿（EDC）。WDC主要由半岛片麻岩复合体（PGC）构成，这些片麻岩通常具有超过30亿年的年龄，有时甚至可追溯到33亿至34亿年。在这些片麻岩基底中，嵌入着一些重要的绿岩带，如奇特拉杜尔加、希莫加、加达格、巴巴布丹和霍伦纳尔苏普尔，这些绿岩带主要由中基性到长英性的变火山岩、变沉积岩和条带状铁 formations（BIFs）组成。这些区域通常经历了从绿片岩到 amphibolite 变质作用，其变质程度随向南增加。EDC则以钙碱性花岗岩体为主，包括广阔的克洛普特花岗岩体，这些花岗岩体侵入较窄的线性绿岩带，如科拉尔、胡蒂-马斯基和拉马吉里。EDC的绿岩带通常以火山活动为主，且经历了强烈的变形，被视为由多个小块体拼接而成的增生复合体。克拉顿的分界线常常是大型的北西北-南东南走向的脆性-韧性剪切带，这些区域是流体流动和弱化的关键地带。

金矿化在阿萨尔瓦克拉顿中具有多样性和广泛性，主要表现为构造控制型和化学控制型。构造控制型矿化通常发生在绿岩带和剪切带附近，而化学控制型矿化则与流体-岩石相互作用密切相关。研究中，团队采用了一种基于矿物系统的综合方法，以更好地理解金矿化过程。该方法涵盖了从金的来源、迁移路径、物理陷阱到化学沉淀的全过程。在这些矿化过程中，构造活动和流体流动起着至关重要的作用，而地球化学特征和遥感数据则提供了重要的辅助信息。

为了提高模型的预测能力，研究团队整合了多种数据源，包括地质数据、地球物理数据、地球化学数据和遥感数据。地质数据包括详细的地质图、线性特征、构造剪切带、断裂带、侵入体和岩脉等。这些数据通过缓冲区分析和多环缓冲系统进行处理，以捕捉结构和岩性变化的空间影响。地球物理数据包括重力异常图、磁异常图及其导数和残差图，这些数据有助于识别隐藏的地质结构和流体流动路径。地球化学数据则通过主成分分析（PCA）进行降维，以保留关键信息并提取复合地球化学信号。遥感数据则用于生成氯化物、硅化物和氧化铁等改变区域图，为地表的热液活动提供了重要线索。

研究团队构建了一个由79个已知金矿化点和79个非矿化点组成的训练集，这些点均来自NGDR门户。为了确保非矿化点的代表性，团队采取了严格的筛选标准，包括距离已知矿化点至少2公里的区域，以及避免与已知矿化点在空间上相似的区域。这些数据被转换为100米的缓冲区，并最终形成了481个样本点，其中223个是已知矿化点，258个是非矿化点。在模型训练和测试过程中，团队采用70:30的训练-测试分割方式，并通过五折交叉验证来确保模型的泛化能力。

研究结果表明，XGB和RF在所有评估指标中表现最为突出，取得了接近完美的AUC-ROC值（0.9992和0.9965），并具有高精度、高召回率和高F1值。而ANN也表现出色，但其性能略逊于前两者。SVC虽然具有较强的预测能力，但其评估指标相对较低。通过对特征重要性的分析，团队发现Meta-Basalt、地球化学主成分1和重力异常图及其导数对矿化预测具有显著影响。此外，成功率曲线显示，这些模型能够在仅20%的最高排名区域中捕捉到76%以上的已知矿化点，显示出卓越的勘探效率。

研究团队还采用了混合方法，结合专家地质知识和数据驱动的机器学习模型，以生成综合的矿化前景图。通过将XGB、RF和ANN的预测概率进行平均，并应用一个保守的共识阈值（平均得分大于0.90），团队成功识别出高置信度的勘探目标。这种综合方法不仅验证了已知矿化点，还指出了尚未探索或未报告的新矿化区域，为未来的勘探工作提供了重要的指导。

本研究的结果表明，先进的机器学习模型在矿化前景分析中具有巨大的潜力。通过综合地质、地球化学、地球物理和遥感数据，团队能够准确识别出高矿化潜力的区域，并有效减少假阳性和假阴性。这种数据驱动的方法不仅提高了勘探效率，还降低了传统勘探方法所固有的高成本和低成功率。研究的最终成果是一张高分辨率的综合矿化前景图，该图不仅验证了已知矿化点，还精准地划定了新的勘探目标，为未来的矿化勘探工作提供了坚实的基础。