摘要：金属矿产资源是支撑国民经济和战略性新兴产业发展的重要物质基础，随着浅部矿产资源的逐渐枯竭，成矿预测正由经验判断向数据驱动和智能化方向转变。本文以云南省个旧矿集区为研究对象，在系统分析多源地理信息数据类型及其成矿指示意义的基础上，构建了融合地质、地球化学、地球物理与遥感信息的成矿预测模型。通过建立成矿预测变量体系，采用有监督学习与半监督学习相结合的方法，实现了成矿有利性空间预测与远景区定量圈定。多源数据融合与机器学习方法能够有效提升成矿预测的准确性和可靠性，为深部和隐伏矿产资源勘查提供了明确的技术路径。

　　关键词：多源地理信息；成矿预测；机器学习；半监督学习

　　随着浅表易采矿体的日益枯竭，深部找矿与覆盖区勘查已成为矿产资源勘探的主攻方向。传统成矿预测方法主要依赖单一数据源或专家经验，虽在一定程度上取得成效，但面对深部隐伏矿体勘查时，长期存在预测精度不高、找矿信息挖掘不充分等问题。目前多数预测模型对成矿过程中的构造控矿、岩浆演化、成矿元素富集等地质要素的复杂非线性关系的刻画能力有限，难以实现找矿信息的精准提取与成矿有利区的动态圈定，严重制约了找矿效率与预测可靠性的提升。在此背景下，引入先进的多源地理信息数据融合技术，构建高精度成矿预测模型，有利于提高找矿成功率。

　　1多源地理信息数据类型与成矿指示意义

　　多源地理信息数据是构建成矿预测模型的基础，其质量直接决定模型性能上限。根据成矿系统源—运—储—保理论框架，输入数据可分为直接相关信息和间接相关信息两大类。

　　直接相关信息包括地质、地球化学、地球物理、遥感和钻孔等显式数据，能够直接表达找矿模型中的勘查指标。地质数据反映岩性、地层、构造、蚀变等控矿要素的空间分布特征，是成矿预测的核心数据源。地球化学数据，特别是水系沉积物和土壤地球化学异常，可指示矿质来源和运移路径，是储和保过程的有效替代指标。地球物理数据，包括重力、磁法、电法等，能够识别深部地质体和构造，揭示隐伏成矿要素。遥感数据通过光谱特征识别蚀变矿物和岩性，大红柳滩锂矿的发现即得益于遥感异常解译，显示遥感技术是储过程的有效探测手段。

　　间接相关信息主要指反映成矿过程和保存条件的隐式数据，包括同位素地球化学、流体包裹体、裂变径迹等。

　　S、Lu-Hf同位素数据可示踪矿质来源和岩浆演化过程，揭示源的深部信息。流体包裹体研究提供成矿流体性质、温度、压力等参数，约束运的物理化学条件。磷灰石裂变径迹数据反映剥蚀历史和矿床保存程度，是评价保过程的关键指标。

　　2研究区概况与数据准备

　　2.1研究区地质背景

　　研究区位于云南省个旧矿集区，地处我国西南三江成矿带的重要组成部分，是世界著名的超大型锡多金属矿集区。该区域构造位置特殊，处于华南板块与印度支*板块的结合部位，经历了印支期、燕山期等多期次构造—岩浆活动，形成了极为有利的成矿地质条件。区内地层出露较为齐全，从古生界到新生界均有分布，其中中三叠统个旧组和法朗组地层与成矿关系最为密切。个旧组地层主要由碳酸盐岩组成，包括灰岩、白云岩及层间基性火山岩，是区内最重要的赋矿层位。

　　区域构造格局以北东向和北西向断裂系统为主，多条区域性深大断裂在此交汇，构成了复杂的构造网络。从矿床空间分布来看，研究区内已知矿床几乎都分布在各级断裂或断裂交汇点附近，大型褶皱与断裂构造的交汇空间直接控制了各大矿田的展布，次级褶皱和断裂则控制着矿群和矿体的产出。岩浆活动主要集中在燕山晚期，形成了多期次的花岗岩侵入体。

　　从成矿地质条件分析，个旧矿集区具备完整的“源—运—储”成矿系统。深部燕山晚期花岗岩岩浆为成矿提供了丰富的物质来源，岩体中Sn、W、Mo等微量元素含量显著高于世界含锡花岗岩标准，其中Sn含量达10×10-6～32.34×10-6，比花岗岩地壳丰度高出数倍至数十倍；个旧组地层本身也富含成矿元素，Sn平均含量5.36×10-6，Pb平均含量19.37×10-6，分别是世界碳酸盐岩丰度的数倍，为成矿提供了地层物质基础；区域断裂系统构成了流体运移的通道网络；碳酸盐岩地层和构造有利部位则提供了矿质沉淀富集的空间。前人勘查工作已在区内发现大量锡、铜、铅锌多金属矿床，矿床成因类型复杂多样，包括海底火山沉积型、热水沉积型、岩浆热液型和矽卡岩型等，常呈现复合叠加的“两楼一梯”成矿模式，显示出巨大的成矿潜力。

　　2.2多源地理信息数据采集与处理

　　本研究针对个旧矿集区的成矿特点，系统收集了涵盖地质、地球化学、地球物理、遥感等多个领域的地理信息数据，建立了多源异构的综合数据库。地质数据主要来源于1:50000区域地质图和矿产地质图，通过数字化处理提取了地层岩性分布、断裂构造系统、岩浆岩体边界等矢量要素。重点对中三叠统个旧组地层进行了细致划分，识别出卡房段、马拉格段等关键含矿层位；对区域断裂进行了分级分类，提取了北东向、北西向主干断裂以及次级断裂，并标注了断裂交汇点位置；对燕山晚期花岗岩体进行了精确圈定，识别出岩体与围岩的接触带范围。

　　地球化学数据来源于1：20万水系沉积物测量和1:50000土壤地球化学测量成果，获取了Sn、Cu、Pb、Zn、W、Mo等与成矿密切相关的元素含量数据。采用克里金插值方法生成了各元素的空间分布图，并通过均值加标准差法、迭代剔除法等技术识别了地球化学异常区。针对个旧矿集区锡多金属成矿的特点，采用主成分分析和因子分析方法提取了Sn-Cu-Pb-Zn矿化元素综合异常，这些综合异常能够更好地反映元素的迁移富集规律和深部矿化信息，是重要的找矿标志。地球物理数据包括布格重力异常和航磁异常数据，经过区域场—局部场分离、向上延拓、方向导数等处理，生成了剩余重力异常图和化极磁异常图。

　　布格重力异常和剩余重力异常能够有效反映深部岩体的分布特征，重力低值异常区往往指示隐伏花岗岩体的存在，而重力梯度带则可能对应控矿断裂的位置。遥感数据采用Landsat-8多光谱影像，通过主成分分析、波段比值等遥感信息提取技术，识别了羟基蚀变、铁染蚀变、碳酸盐蚀变等遥感蚀变信息。

　　在数据预处理阶段，将所有数据统一投影到CGCS2000坐标系统，重采样为100m×100m的空间分辨率，建立了空间配准的多层数据立方体。对不同来源、不同量纲的数据进行了标准化和归一化处理，消除了数据源之间的尺度差异。采用缓冲区分析方法，将断裂、岩体接触带等矢量要素转换为距离特征图层，计算了每个栅格单元到最近断裂的距离、到断裂交汇点的距离、到花岗岩体的距离、到岩体接触带的距离等空间变量，这些距离特征能够定量刻画地质要素对成矿的空间影响规律。

　　3多源地理信息数据融合的金属矿成矿预测模型构建

　　3.1成矿预测模型框架与变量体系构建

　　基于个旧矿集区“两楼一梯”成矿模式，本研究构建了多源地理信息数据融合的智能预测模型框架。该框架遵循“源—运—储”成矿系统理论，将区域成矿地质理论与机器学习方法有机结合，通过系统提取地质、地球化学、地球物理、遥感等多源要素，建立输入特征与成矿概率之间的非线性映射关系。模型充分考虑了海底火山沉积型（上楼）、热水沉积型（下楼）和花岗岩叠加改造型（一梯）三类矿床的叠加复合特征，将不同成因类型矿床的控矿因素融合到统一预测框架中。

　　成矿要素提取紧密围绕区域成矿地质特征展开。燕山晚期花岗岩作为核心控矿要素，其Sn含量达10×10-6～32.34×10-6，比花岗岩地壳丰度高出数倍至数十倍，为成矿提供了物质来源和热动力条件。中三叠统个旧组地层是主要赋矿层位，Sn平均含量5.36×10-6，卡房段和马拉格段Sn含量高达世界碳酸盐岩丰度的4倍以上，Pb平均含量19.37×10-6，是世界碳酸盐岩丰度的2.15倍。断裂构造是最直接的控矿要素，研究区矿床（点）几乎全部分布在断裂或断裂交汇点附近，大型褶皱—断裂构造交汇空间直接控制矿田展布。

　　根据成矿控制因素的性质和来源，将预测变量划分为五大类，构建层次清晰的预测变量框架。地层岩性类变量提取个旧组卡房段、马拉格段等关键含矿层位的布尔型变量和到地层边界的距离变量；构造控矿类变量包括到断裂距离、断裂密度、断裂交汇度等参数，刻画空间邻近性、构造发育程度和交汇部位特殊性对成矿的影响；岩浆岩类变量包括到花岗岩体距离、到岩体接触带距离、接触带宽度等，针对花岗岩叠加改造矿床预测；地球化学类变量包括Sn、Cu、Pb、Zn单元素异常及Sn-Cu-Pb-Zn综合异常，揭示元素迁移富集规律；地球物理类变量包括布格重力异常、剩余重力异常、航磁异常等，指示隐伏岩体分布和深部矿化信息。通过相关性分析剔除冗余变量，通过随机森林特征重要性评估保留关键变量，最终确定18个预测变量，建立了多源地理信息与复合成因成矿作用之间的定量关联。

　　3.2训练样本构建策略

　　正样本以研究区内已发现的锡多金属矿床（点）作为正类样本，经质量控制后，提取每个矿床点位置对应的18个预测变量特征值，形成完整的正样本特征向量。

　　负样本的选取是监督学习的核心难题。未发现矿床的区域并不等同于无矿区域，负样本标记的不确定性直接影响模型可靠性。本研究采用两种策略构建负样本，地质约束法排除与成矿密切相关的有利地质单元，具体剔除个旧组含矿地层、距断裂500m范围内区域、距花岗岩体接触带1000m范围内区域、地球化学高异常区和地球物理异常区，在剩余不利成矿区域随机选取与正样本数量相当的非矿点；空间距离法基于矿床空间丛聚性特征，在距已知矿床点3000m以外区域选取负样本，利用相同成矿背景下矿床的空间集聚分布规律降低误标记风险。

　　构建三组训练样本集进行对比实验，方案1，采用地质约束法，正负样本比例1：1；方案2，采用空间距离法，正负样本比例1：1；方案3，采用混合法，正负样本比例1：2。通过对比实验评估不同样本构建方案对模型预测精度和泛化能力的影响。

　　3.3有监督学习模型构建

　　支持向量机（SVM）模型基于统计学习理论，通过寻找最优分类超平面实现数据分类，对高维特征空间和非线性问题具有良好处理能力。采用网格搜索结合交叉验证方法进行参数优化，确定惩罚参数C=3.04，核函数选择径向基函数（RBF），gamma参数0.05。该参数配置下，模型在验证集上分类准确率达96%。全域预测结果显示，已知矿床点主要分布在成矿有利度高值区域，空间吻合度较高。

　　随机森林（RF）模型通过构建多个决策树并综合预测结果实现分类。训练数据随机抽样和特征变量随机选择的双重随机性有效避免了过拟合问题。通过参数调优，设置决策树数量为500，每次分裂时随机选择的特征数量为7，模型分类准确率达98%，表现优于SVM。特征重要性评估识别出断裂交汇度、到花岗岩体接触带距离、Sn-Cu-Pb-Zn综合异常、剩余重力异常等对成矿起主控作用的地质要素。

　　3.4半监督学习模型构建

　　针对负样本标记不确定问题，引入正例—无标记学习（PU学习）算法。PU学习只需正样本和无标记样本，将无标记样本视为正样本和潜在负样本的混合，通过迭代过程逐步识别可靠负样本。

　　算法实现流程：以已知矿床点作为正样本集P，研究区其他单元格作为无标记样本集U；训练初始分类器，对无标记样本预测，选择预测为负类且置信度高的样本作为可靠负样本RN；使用正样本P和可靠负样本RN重新训练分类器，更新模型参数；重复迭代直到可靠负样本集稳定或达到最大迭代次数。PU算法有效解决了传统有监督学习中负样本数量不足和标记准确性问题，在保持较高预测准确率的同时，显著缩小了成矿远景区面积，更精确地圈定了重点找矿靶区。

　　3.5模型性能评估与远景区圈定

　　模型性能评估采用ROC曲线和预测—面积（P-A）拟合曲线进行定量对比。ROC曲线通过曲线下面积（AUC值）量化模型分类能力，PU算法的AUC值最高，表明其对成矿有利区识别能力最强。P-A曲线分析已知矿床点累积频率与对应预测有利区面积的关系，PU算法的拟合曲线上升最快，在较小面积内捕获了更多已知矿床，预测效率明显优于SVM和RF模型。

　　远景区圈定基于PU算法生成的成矿有利度分布图，采用浓度—面积（C-A）分形模型进行定量圈定与分级。C-A分形模型假设成矿有利度值服从分形分布规律，通过双对数坐标系中不同线段斜率变化识别背景值与异常值分界点。双对数散点图中横坐标表示成矿有利度对数值，纵坐标表示累积面积对数值，图中呈现明显分段线性特征，线段交点对应的有利度值即为分级阈值。

　　根据C-A分形模型确定的阈值，将研究区划分为三级成矿远景区：一级远景区成矿有利度超过高阈值，为最有利成矿区，作为找矿工作首选靶区；二级远景区成矿有利度介于高、中阈值之间，具有较好成矿潜力，作为后续勘查区；三级远景区成矿有利度介于中、低阈值之间，成矿条件一般，作为远景储备区。该定量分级方法实现了成矿远景区的科学圈定，为找矿部署提供了明确的靶区优选依据。

　　4结语

　　本文围绕金属矿成矿预测中多源地理信息综合利用的问题，通过建立合理的预测变量体系，并引入有监督学习与半监督学习方法，对研究区成矿有利性进行了定量刻画与空间表达，实现了成矿远景区的分级圈定。多源地理信息数据在统一空间尺度下的协同融合，有助于揭示复杂成矿系统中控矿因素的综合作用特征，显著提高成矿预测结果的稳定性和适用性。在方法应用层面，半监督学习模型在缓解负样本不确定性、提升预测效率方面表现出明显优势，体现了智能算法在成矿预测领域的应用潜力。未来研究可进一步引入更高精度的数据源与深度学习方法，强化模型对非线性成矿信息的表达能力，并结合动态更新机制，提高成矿预测模型在实际勘查中的推广性和工程适用性。