Author: Lv Zhenghang, Zhang Hui (张辉), Tang Yong
矿产资源预测评价是对一个国家、一个成矿区带或某个地区近地表和地下未发现矿产资源的矿种、类型、空间位置、数量和经济价值的估算与评价。传统成矿预测方法往往局限于二维定性预测，经典的证据权重法在三维情况下的无力也促使人们寻求新的算法来实现三维成矿预测，且决定成矿与否的因素往往呈现高维度和非线性，低维度的线性关系难于表征其深层次关联规则，而当下蓬勃发展的机器学习在非线性大数据挖掘上表现出非凡的能力，另一方面，三维地质建模技术的完善和各种地球物理三维反演技术的长足进展也为成矿预测提供了丰富的三维多元地学信息，可促使成矿预测从传统的二维定性预测向三维定量预测迈进，并有望在隐伏矿体（即第二找矿空间）的资源预测评价上有所表现。这种在三维环境下开展多元地学致矿异常信息的综合解译（提取）、集成的方法，将会是减少单一信息多解性和找矿不确定性的有效途径。
朱溪钨矿是当今世界上已发现的最大钨矿床，为了发现更多的钨矿床，开展其深边部及外围的三维成矿预测很有必要。本文在该区已完成的六个1:5
图幅三维地质建模和重、磁、电、震数据三维反演基础上，将剩余密度、磁化率、电阻率、P波速度和岩性5组特征采用同一网格剖分，分为包含岩性在内的5组特征的数据集1和只包含4组纯物理属性特征的数据集2。然后根据已知含矿体和不含矿体的空间位置提取了对应样本的特征属性，将已知样本拆分为训练集（70%）和测试集（30%），分别利用K近邻（KNN）、BP神经网络（BPNN）、支持向量机（SVM）和随机森林四种机器学习算法对训练样本进行训练，并采用网格搜索法和10折交叉验证求取均方误差来确定最佳参数组合，进而对全区三维数据开展了分类和回归预测工作，获得了多组三维成矿预测模型。为了更好的提升模型预测性能，我们将四种算法预测的模型进行了融合，使得预测结果有了较大的改善，缩小了单一算法对预测结果带来的偏差。考虑到不同算法针对不同的实际模型和实际数据表现的性能不一，随后提出了一种加权融合法，分类时，根据测试集的准确率和全局时预测为1的占比两种因素之间的比例来确定各算法的权重；回归时，根据全局预测的捕获效率来确定各算法的权重，该方法一定程度上克服了模型在训练已知样本时产生的过拟合，比仅靠相等权重下融合的模型更加稳健。然后将形态较为一致的三组融合模型合并为一个更加光滑整洁的模型，用来进行远景区评价和解释，据此规划了六个一级远景区。
通过三维地质建模和三维物性反演提取的已知样本，使用KNN、BP神经网络、SVM三种有监督的机器学习算法训练后验证准确率均达到80%以上，随后开展的三维成矿预测工作中，SVM预测结果与实际情况最为符合。预测结果显示研究区内侵入岩与碳酸盐岩接触带为成矿有利区，且朱溪西南部塔前幅内推覆构造区和塔前幅与涌山幅接壤的南部断陷盆地内推覆构造区是寻找大型钨矿床的有利区。以多元地球物理三维属性特征为主的成矿预测将会是未来三维成矿预测的发展方向，尤其是在拥有高精度的数据前提下，根据预测结果圈定的远景区可为下一步执行找矿任务提高效率，降低钻探风险。
该研究得到国家自然科学基金委“战略性关键金属超常富集成矿动力学”重大研究计划的资助，相关成果以3D mineral prospectivity modeling based on machine learning: A case study of the Zhuxi tungsten deposit in northeastern Jiangxi Province, South China为题发表在Ore Geology Reviews (2021, v131)。全文链接：https://doi.org/10.1016/j.oregeorev.2021.104010.
回归预测模型的高潜力区分布图
(a) 数据集1 BPNN 模型, (b) 数据集2 BPNN模型, (c) 数据集1 SVM 模型, (d) 数据集2 SVM模型.，(e) 数据集1 RF 模型, (f) 数据集2 RF模型.
