数据驱动的远景映射：东南丘吉尔省案例分析，稀土元素资源探测新方法

PDF格式 | 27.91MB | 更新于2025-01-16 | 61 浏览量 | 举报

–

走向完全数据驱动的远景映射方法：东南丘吉尔省魁北克和拉布拉多的案例研

究

张艺，朱莉∙布尔多，格伦∙恩瓦伊拉，大卫∙科里根

aSmartMin有限公司，南非1759年赫利孔公园基维特街39号b加拿大地质调查局，加拿大安大略渥太华布斯街601号c

南非约翰内斯堡金山大道1号，威特沃特斯兰德大学地球科学学院d加拿大魁北克加蒂诺林恩街79号

文章信息

关键词：机器学习，矿产远景映射，

主成分分析，地球化学异常，稀土元

素

摘要

矿产勘探活动在财务上存在风险。已经开发了几种最先进的方法来减轻风险，包括使用主成分分析（PCA）和地理信息系统（GIS）

进行矿产远景预测建模。PCA和GIS方法目前被认为是生成矿产勘探目标的可接受方法。然而，它的一些局限性包括依赖样本的化学

计量（例如，矿物的存在），处理组成数据时需要对数比转换，以及手动解释和使用主成分来增强潜在的地球化学异常以进行远景

映射。在本研究中，我们通过开发一种新的数据驱动方法使用机器学习来概括PCA和GIS方法的基本思想。我们展示了一种新的工作

流程，能够使用加拿大东南部丘吉尔省（魁北克和拉布拉多）的多元素地球化学数据生成中间证据图层或最终的远景地图，该地区

以其稀土元素资源而闻名，并且收集了用于远景映射的数据。与已建立的基于多元数据和知识的混合方法相比，我们的新数据驱动

程序在大致相当的手动工作量基础上，能够更准确地识别单变量和多变量应用中的地球化学异常。我们的远景映射结果与研究区域

已知的地质异常相一致。这些发现对勘探目标生成可能具有更广泛的影响，其中必须使用稳健和有效的数据驱动方法来量化项目风

险（财务、环境、政治等）和地球化学异常。此外，我们的方法更具可复制性和客观性，因为在检测地球化学异常时不需要手动地

球科学解释。

1.介绍

远景映射将地球科学数据转化为地图，描绘出矿床或其代理物（例如指示元素）的

区域潜力或有利性，使用一些知识驱动和数据驱动方法的组合（例如，Chung和A

gterberg，1980年；Bonham-Carter，1994年；Harris和Pan，1999年；Wrig

ht和Bonham-Carter，1996年；Brown等，2000年；Carranza等，2008年；Ha

rris等，2015年；Grunsky和de

Caritat，2019年）。一个关键结果是勾画出有趣的区域（例如异常），可以优先

用于进一步的调查和解释。知识驱动的方法使用学科特定知识的启发式模型，例如

矿床特征

旨在指导数据的使用（例如地球化学和地球物理图）。数据驱动方法通常利用现有

的地面真相来训练勘探模型（Bonham-Carter，1994年；Wright和Bonham-Car

ter，1996年；Carranza，2008年，2009a，b），这使得这些方法更适用于棕地

而不是绿地勘探。然而，发现空间一致的地球化学异常是一种异常检测任务，可以

在变量和空间空间的某种组合中使用无监督的机器学习来进行，这不需要地面真相

。存在一种基于多元统计方法的数据驱动技术来发现异常过程（例如Carranza，2

008年；Grunsky和de

Caritat，2019年）。然而，它需要手动解释，因此依赖于某些学科知识。这

缩写词：ML，机器学习；REEs，稀土元素。*通讯作者。电子邮件地址：glen.

nwaila@wits.ac.za（G.T.Nwaila）。

ScienceDirect提供内容列表

地球科学中的人工智能

期刊主页：www.keaipublishing.com/en/journals/articial-intelligence-in-geosciences

https://doi.org/10.1016/j.aiig.2022.02.0022021年12月8日收到；2022年2月16日修订稿收到；2022年2月17日接受在2022年3月1日在线提供2666-5441/©2022年作者。由Elsevier

B.V.代表KeAiCommunicationsCo.Ltd.提供出版服务。本文是根据CCBY-NC-ND许可的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。

地球科学中的人工智能2（2021）128-147

“ ”

–

129

方法（例如Carranza,2008;GrunskyanddeCaritat,

2019）可能通过使用机器学习方法进行概括，从而减弱了该技术对地球科学知识

和手动解释的依赖。在本文中，我们演示了使用地球化学组成数据进行基于变量和

地理空间的异常检测的泛化，该方法消除了多元方法的一些关键弱点，并且不需要

地面真相（异常）。因此，我们的技术可以用于绿地或褐地勘探。勘探地球化学数

据包含空间信息和样品化学（例如基岩、冰碛、水、土壤、河流和湖泊沉积物），

旨在捕捉可能控制元素分布的地质过程的影响，例如岩性变化、变质或热液改造和

其他次生过程。一些过程可能导致与矿床存在相关的化学异常（Grunskyandde

Caritat,

2019）。当样品化学以组成数据的形式呈现时，浓度被报告为相对比例。数据驱

动的技术可以使用组成数据识别地球化学异常（Harrisetal.,2015;Chenetal.,

2018;GrunskyanddeCaritat,2019;GrunskyandArne,

2020）。然而，如Grunsky和de

Caritat（2019）总结的方法存在一些关键弱点。首先是将地球化学视为通过元素

化学计量学的矿物学代理，这在某些情况下可能无法满足（例如火山岩或富含粘土

的岩石和/或在高度改造的区域中，参见Zhang等人，2021年）。随着矿物学控制

的变异性的增强，产生有用且可解释的多元素关联的能力逐渐丧失。尽管这并不使

该技术在这种情况下无效，但它确实增加了手动解释和验证的负担。第二个是使用

关键化学计量的手动地质和地球化学解释，这增加了映射主观性并使该方法更加知

识驱动（Carranza,2008;Harrisetal.,2015,Chenetal.,2018;Grunskyand

deCaritat,2019）。这是由于对主成分的依赖

分析（PCA），更类似于多元统计分析而不是机器学习（ML；例如Carranza,

2008;Zuo,2011;Harrisetal.,2015;GrunskyanddeCaritat,

2019）。对于数据驱动的方法，PCA有两个主要目的：（1）减少特征空间的维度

，（2）自动提取多元关系。当PCA应用于地球化学数据以提取多元关系时，主成

分的解释是不可避免的，以区分背景过程和异常（例如，形成矿床的）过程（Carr

anza,2008;Zuo,2011;Grunskyetal.,2014;Harrisetal.,2015;Grunskyand

deCaritat,2019）。与这种方法相反（例如Grunsky和de

Caritat，2019），存在一系列基于深度学习的方法来生成远景图（Zuo等，2019

年及其中的参考文献）。这些方法使用高度抽象和强大的神经网络来提取可能指示

相关地质过程的模式。这些方法可能是性能最高的（超过人类表现，Zuo等，201

9年），因此在许多领域（例如He等，2015年和Lundervold和Lundervold,

2019年）中处于数据驱动应用的最前沿。然而，它们产生的模型本质上复杂且难

以解释（Zuo等，2019年），针对这一点，存在一个完全的可解释人工智能领域

，驱动因为需要能够理解决策（例如Linardatos等，2021年）。对于勘探，远景

图的不确定性通常是一个未解决的问题，这可能会受到复杂ML模型（例如神经网

络和集成）解释能力的限制。然而，可以同时利用调用一些学科知识的算法上的可

取之处（GrunskyanddeCaritat,

2019），同时容纳复杂和强大的算法（例如Luo等，2020年和Zuo等，2019年及

其中的参考文献）。为此，我们使用ML开发和泛化Grunsky和de

Caritat（2019）技术，以自动划分地球化学异常，从而克服该方法的主要弱点，

并明确提供多种ML算法的使用。

图1.东南丘吉尔省的位置和简化地质图。缩写：新魁北克造山带（NQO）；Torngat

Orogen（TO）。研究区域的位置和范围（图2）由方框表示。图像修改自James和Dunning（2000）以及Corrigan等人（2018）。

S.E.Zhang等人地球科学中的人工智能2（2021）128-147

–

131

丘吉尔省位于魁北克北部和拉布拉多之间的边界（图1）。这是一个冰蚀地貌，正

在进行稀土元素（REEs）的勘探，重点是奇怪湖过碱性岩体（图2）周围的勘探。

湖泊沉积物和湖水中的异常以及伽马射线光谱分析导致1980年发现了奇怪湖矿床

（Friske等，1996a，b；Zajac，2015），这是世界上最大的锆，钇和重稀土元

素（Zajac，2015）矿床之一。由于它们在高科技，交通和能源行业中的作用（Ba

laram，2019），稀土元素对现代社会至关重要，并且需要通过多样化供应链来

减轻地缘政治不稳定性（Balaram，2019；Overland，2019）。因此，欧盟，美

国，澳大利亚，中国和加拿大已颁布了立法和政策，以确保其稀土元素的供应链（

欧洲委员会，2011，2014，2017a，2017b，2020；Ghorbani，2018；美国地

质调查局，2018；Rizzo等，2020；加拿大自然资源部，2021）。对奇怪湖矿床

的先前了解提供了

必要，尽管是定性的地面真相，用于验证地球化学异常图。东南丘吉尔省是太古宙

到早古元古代大陆地壳的一个细长片段，是通过苏必利尔（西部）和北大西洋（东

部）克拉通的碰撞在早古元古代聚合而成的（图1；James等，1996；James和D

unning，2000；Wardle等，2002；Hammouche等，2012；Corrigan等，201

8）。在西部，东南丘吉尔省被新魁北克造山带（1.83-1.80

Ga；Hoffman，1988；Perreault和Hynes，1990；Moorhead和Hynes，1990

）所包围，在东部被TorngatOrogen（1.87-1.86

Ga；Wardle等，2002）所包围。这些造山带对核心区域（图1）的影响程度相对

较少，尽管新魁北克造山带的覆盖似乎更为广泛（Corrigan等，2018）。由于聚

合，该地区有许多褶皱和大型剪切带（图1）。该地区的岩石主要由片麻岩，正长

片麻岩，变质岩和低至中等变质级别的超壳和侵入岩组成，这些岩石被后造山期的

中元古代侵入岩所侵入（Hammouche等，2012；Corrigan等，2018）。

Mistastin岩体（图2中的C27；1400

Ga）是研究区域的特别重要部分，呈两个半圆形侵入岩体，占地5600平方公里。

按平面尺寸最大的侵入岩体（位于南部）呈椭圆形（长轴朝N20E方向），大约14

4乘65公里。北部是一个较小的圆形侵入岩体，大约26乘27公里。

Mistastin岩体主要由中性钾侵入岩组成，少量的单斜辉长岩，石英正长岩，花岗

岩，辉长岩和白辉岩（Vander

Leeden，1995）。值得注意的是，这个岩体在当地富含稀土元素，锆，钇，铍，

铌，铀和钍（Hammouche等，2012）。其中一个富集区由Misery湖托管

表1网格搜索中使用的模型参数

算法参数网格

kNNk={1,3,5,7,9,11}SVMC={10,100,250,500,750,1000},ε={0.01,0.1,0.5,1.0},

kernel={linear,RBF}Elasticnetρ={0.1,0.25,0.5,0.75,1.0}RandomforestEnsemblesize=

500;maximumdepth={5,4,3,2,1,unlimited},maximumnumberoffeatures={1,2,3,4,5},

minimumnumberofsamplesforasplit={2,3,4},minimumnumberofsamplesforaleaf=

{1,2,3}AdaBoostNumberofclassifiers={50,250,500},basealgorithm=decisiontreewith

thesameparametergridastherandomforestalgorithmANNα={0.001,0.01,0.1,1.0},

activation={identity,logistic,tanh,relu},learningrate={constant,inversescaling,adaptive}

图3.所有元素的CoD指标预测性能比较

张等人。地球科学中的人工智能2（2021）128-147

剩余19页未读，继续阅读

cpongm

粉丝: 6

数据驱动的远景映射：东南丘吉尔省案例分析，稀土元素资源探测新方法

信息系统远景规划：学习与参考的重要资料

WPS发展远景分析：金山办公深度研究报告

密山市教育信息化建设远景规划：推动教育现代化与均衡发展

环保及公用事业：远景展望：碳交易价格发现，碳拍卖价值实现.pdf

可用于电子警察的视频数据分析，，通过虚拟线圈对远景的局部进行分析可节省资源

东方远景：2021年半年度报告.PDF

东方远景：2021年半年度报告.rar

云南省镇威煤田煤炭资源远景评价

西安立辰远景JAVA笔试题目-LiDAR:激光雷达数据处理

物联网驱动：远景风场智能化运维实现无人化管理

最新资源