基于卷積神經(jīng)網(wǎng)絡(luò)的智能找礦預(yù)測方法
——以甘肅龍首山地區(qū)銅礦為例

李忠潭, 薛林福, 冉祥金，李永勝，董國強(qiáng)，李玉博，戴均豪

1.吉林大學(xué)地球科學(xué)學(xué)院，長春 130061 2.中國地質(zhì)調(diào)查局發(fā)展研究中心，北京 100037 3.自然資源部礦產(chǎn)勘查技術(shù)指導(dǎo)中心，北京 100083 4.甘肅省地質(zhì)調(diào)查院，蘭州 730000

0 引言

將大數(shù)據(jù)思維和深度學(xué)習(xí)方法引入地學(xué)領(lǐng)域，并利用數(shù)學(xué)工具進(jìn)行數(shù)據(jù)清理和挖掘，將有助于礦產(chǎn)資源預(yù)測[1]。應(yīng)用機(jī)器學(xué)習(xí)技術(shù)進(jìn)行地質(zhì)找礦信息挖掘與找礦預(yù)測遠(yuǎn)景區(qū)圈定已經(jīng)成為當(dāng)今數(shù)字地質(zhì)科學(xué)的前沿研究領(lǐng)域。目前地質(zhì)礦產(chǎn)勘查工作積累了大量的地質(zhì)、地球化學(xué)、地球物理及遙感地質(zhì)資料，為機(jī)器學(xué)習(xí)及深度學(xué)習(xí)算法的應(yīng)用提供了大數(shù)據(jù)支撐[2]。

近年來，諸多學(xué)者致力于利用機(jī)器學(xué)習(xí)的方法進(jìn)行地質(zhì)找礦信息挖掘與集成研究。例如：Brown等[3]將多層感知機(jī)模型用于多源數(shù)據(jù)集成，預(yù)測澳大利亞部分地區(qū)的金礦成礦潛力，結(jié)果表明多層感知機(jī)的預(yù)測性能要好于證據(jù)權(quán)方法和模糊邏輯方法；Leite等[4]將徑向基函數(shù)網(wǎng)絡(luò)應(yīng)用于巴西北部卡拉加斯礦產(chǎn)省銅-金區(qū)域成礦潛力預(yù)測，圈定了銅-金成礦的有利遠(yuǎn)景區(qū)；Leite等[5]又將概率神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于巴西亞馬遜河流域卡拉加斯礦產(chǎn)省東北部的潛在鉑族元素(鉑族元素)礦化遠(yuǎn)景區(qū)的預(yù)測，繪制了鉑族元素礦點(diǎn)礦產(chǎn)潛力圖；陳永良等[6]定義了面向礦產(chǎn)靶區(qū)預(yù)測的三層Boltzmann機(jī)模型，根據(jù)證據(jù)權(quán)系數(shù)和統(tǒng)計(jì)單元證據(jù)組合特征計(jì)算單元成礦有利度，圈定找礦靶區(qū)，并應(yīng)用于新疆阿勒泰地區(qū)的礦產(chǎn)靶區(qū)預(yù)測研究；Carranza等[7]對比了隨機(jī)森林、證據(jù)權(quán)法和邏輯斯蒂回歸等模型的成礦預(yù)測應(yīng)用效果，結(jié)果表明隨機(jī)森林方法表現(xiàn)出了更優(yōu)秀的擬合和泛化性能，且對于缺失值和小訓(xùn)練樣本集(小于20個(gè))同樣具有較好的處理和能力；Zhao等[8]利用多重分形和人工神經(jīng)網(wǎng)絡(luò)方法識別寧強(qiáng)礦區(qū)與金銅礦化有關(guān)的地球化學(xué)異常；Mehrdad等[9]提出了一種基于混合遺傳的廣義隨機(jī)森林(GRF)模型，并在伊朗東北部Feizabad地區(qū)取得了較好的應(yīng)用效果；Ghezelbash等[10]提出了一種改進(jìn)的數(shù)據(jù)驅(qū)動簡單加權(quán)法生成遠(yuǎn)景模型的方法和基于徑向基函數(shù)核的支持向量機(jī)(SVM)方法，并在伊朗東北部Moalleman地區(qū)圈定銅金成礦有利區(qū)，對比發(fā)現(xiàn)后者的預(yù)測模型更為可靠。

目前，深度學(xué)習(xí)方法已成功應(yīng)用于成礦預(yù)測和地球化學(xué)異常識別研究。例如：Luo等[11]應(yīng)用深度變分自編碼器(VAE)提取地球化學(xué)異常，發(fā)現(xiàn)VAE識別的地球化學(xué)異常與已知的鐵多金屬礦床具有密切的空間相關(guān)性；Zhang等[12]應(yīng)用自編碼器和基于密度的空間聚類相結(jié)合的方法識別地球化學(xué)異常，證明了自編碼器和基于密度的空間聚類適用于多元地球化學(xué)異常檢測。

卷積神經(jīng)網(wǎng)絡(luò)(CNN)是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一[13]，在地質(zhì)學(xué)領(lǐng)域，CNN已經(jīng)成功應(yīng)用于巖性識別[14]、地質(zhì)填圖[15]和三維地質(zhì)結(jié)構(gòu)反演[16]等研究。近年來，諸多學(xué)者把CNN應(yīng)用于找礦預(yù)測研究。劉艷鵬等[17]應(yīng)用CNN建立了安徽省兆吉口鉛鋅礦床地表 Pb 分布特征與礦體就位空間關(guān)系模型，并進(jìn)行成礦預(yù)測，得出CNN可以有效挖掘地表元素分布與礦體就位空間關(guān)系的結(jié)論；Li等[18]提出了一種基于CNN分類的文本挖掘方法，建立了從地學(xué)文本數(shù)據(jù)中提取關(guān)鍵找礦信息的工作流程，以四川拉拉銅礦為例，完成了智能分類與標(biāo)注，探索了數(shù)據(jù)之間的潛在關(guān)系，實(shí)現(xiàn)了地質(zhì)找礦信息的智能提取；蔡惠慧等[19]以甘肅省大橋地區(qū)金多金屬礦田為例，提出了利用一維CNN替代傳統(tǒng)的人工計(jì)算，通過對研究區(qū)金多金屬礦的地球化學(xué)及地球物理數(shù)據(jù)進(jìn)行訓(xùn)練，挖掘研究區(qū)綜合成礦信息，依據(jù)訓(xùn)練結(jié)果劃分出4 類成礦遠(yuǎn)景區(qū)，發(fā)現(xiàn)CNN模型能夠很好地實(shí)現(xiàn)礦產(chǎn)資源智能化預(yù)測評價(jià)；Zhang等[20]測試了在數(shù)據(jù)驅(qū)動的礦產(chǎn)遠(yuǎn)景制圖中，使用無監(jiān)督卷積自編碼(CAE)支持CNN建模以合成多地理信息的有效性，結(jié)果表明利用CAE訓(xùn)練數(shù)據(jù)建立CNN模型的結(jié)果與研究區(qū)已知金礦床具有很強(qiáng)的空間相關(guān)性，表明其是一種新的潛在的礦產(chǎn)遠(yuǎn)景填圖方法；Li等[21]將CNN用于中國福建省西南部的礦產(chǎn)遠(yuǎn)景測繪，構(gòu)造的模型所獲得的礦產(chǎn)遠(yuǎn)景區(qū)域與已知礦化位置具有很強(qiáng)的空間相關(guān)性；Sun等[22]對比了隨機(jī)森林(RF)、SVM、人工神經(jīng)網(wǎng)絡(luò)(ANN)和CNN等方法，在中國江西省南部進(jìn)行了數(shù)據(jù)驅(qū)動的鎢元素礦產(chǎn)遠(yuǎn)景建模；Li等[23]將地球化學(xué)數(shù)據(jù)與CNN算法和遷移學(xué)習(xí)方法相結(jié)合，勾勒了中國安徽省東部張八嶺地區(qū)地球化學(xué)金礦找礦遠(yuǎn)景區(qū)。

綜上可知，前人基于深度學(xué)習(xí)方法的礦產(chǎn)預(yù)測方法并未將地球化學(xué)元素?cái)?shù)據(jù)和航磁數(shù)據(jù)結(jié)合起來進(jìn)行討論。甘肅龍首山地區(qū)成礦地質(zhì)條件良好[24]，已發(fā)現(xiàn)眾多鐵、銅、鉬和金等礦點(diǎn)，具有巨大的礦產(chǎn)資源潛力，且資料齊全，為開展人工智能找礦預(yù)測創(chuàng)造了良好的條件。本文以龍首山高臺縣臭泥墩—西小口子地區(qū)的銅礦為例，利用地球化學(xué)元素?cái)?shù)據(jù)和航磁數(shù)據(jù)，旨在探討基于二維卷積神經(jīng)網(wǎng)絡(luò)的智能找礦預(yù)測方法的應(yīng)用。

1 地質(zhì)背景

研究區(qū)位于甘肅省高臺縣臭泥墩—西小口子地區(qū)，大地構(gòu)造上位于華北板塊阿拉善陸塊龍首山基底雜巖帶，阿拉善陸塊南緣龍首山山體(圖1a)。出露地層有新太古界—早元古界龍首山巖群(Ar3-Pt1L.)、中元古界薊縣系墩子溝群(JxD)、侏羅系龍鳳山組(J2l)、白堊系廟溝組(K1m)及古近系白羊河組(E3b)。區(qū)域構(gòu)造極為復(fù)雜，主要受加里東期和海西—燕山期陸內(nèi)調(diào)整階段的影響，逆沖構(gòu)造和伸展構(gòu)造相互疊加，以EW向和NWW向?yàn)橹?圖1b)。區(qū)內(nèi)以大青山向斜、大青山北沖斷層、天城—大孤山弧形褶皺帶為主要構(gòu)造，次級構(gòu)造發(fā)育，且存在隱伏深大斷裂，有利于巖漿侵入和礦床的形成[25]。研究區(qū)侵入巖較發(fā)育，屬阿拉善構(gòu)造巖漿巖帶龍首山基底雜巖帶構(gòu)造巖漿巖亞帶合黎山后碰撞巖漿巖段，主要為大規(guī)模中酸性侵入巖，具中深成相，屬鈣堿性系列，侵入活動以加里東中期最強(qiáng)烈，巖漿侵入活動與構(gòu)造運(yùn)動序次有較明顯的依存關(guān)系。海西早期侵入體分布于盤頭山—窯泉—大青山等EW向構(gòu)造帶內(nèi)。加里東期巖體主要侵位于研究區(qū)南部方架山—小孤山—猴兒頭一帶。

研究區(qū)礦產(chǎn)的形成與巖漿侵入活動緊密相關(guān)，尤其與海西早期巖漿侵入活動關(guān)系密切，是礦產(chǎn)的主要成礦期，區(qū)內(nèi)礦點(diǎn)、礦化點(diǎn)較多，且礦(化)體具有一定的規(guī)模。礦床的形成與地層、構(gòu)造、巖漿巖有著密切的關(guān)系，區(qū)內(nèi)及周邊已發(fā)現(xiàn)鐵、鈦、錳、銅、鎳、鉛和鋅等礦種。研究區(qū)內(nèi)現(xiàn)已發(fā)現(xiàn)的典型礦床有板凳溝鈦磁鐵礦、大青山銅礦以及東小口子鐵礦等。

研究區(qū)內(nèi)海西期在裂陷拉張環(huán)境下形成巨大的巖漿帶[26]，在巖漿演化過程中形成一系列與巖漿巖有關(guān)的礦產(chǎn)，為區(qū)內(nèi)海西期構(gòu)造-巖漿旋回巖漿巖成礦系列。成礦模式為隨著加里東期大規(guī)模造山運(yùn)動的結(jié)束，在海西期陸內(nèi)調(diào)整階段形成拉張的裂陷環(huán)境，在海西早期隨裂陷的拉伸侵入中基性巖漿，巖漿在侵入過程中分異形成閃長巖和角閃巖；海西中期裂陷進(jìn)一步拉張，以花崗閃長巖和二長花崗巖為主的中酸性巖漿大規(guī)模侵入[27]，在中酸性巖漿侵入接觸部位形成矽卡巖型銅礦及大規(guī)模黃鐵礦化蝕變帶；海西晚期在斷裂構(gòu)造交匯部位侵入石英二長斑巖體并形成斑巖銅礦；其后隨巖漿期后熱液活動在構(gòu)造裂隙中形成裂隙型銅礦，從而形成裂陷構(gòu)造環(huán)境下的巖漿成礦模式。

2 卷積神經(jīng)網(wǎng)絡(luò)模型與應(yīng)用步驟

2.1 基于卷積神經(jīng)網(wǎng)絡(luò)的找礦預(yù)測模型

卷積神經(jīng)網(wǎng)絡(luò)是一類包含卷積計(jì)算的深度前饋神經(jīng)網(wǎng)絡(luò)[28]，在計(jì)算機(jī)視覺和自然語言處理等領(lǐng)域受到廣泛的關(guān)注和應(yīng)用。卷積神經(jīng)網(wǎng)絡(luò)的核心就是利用局部感受野(感知域)、權(quán)值共享和匯聚層的思想來達(dá)到簡化網(wǎng)絡(luò)參數(shù)的目的，并且使得網(wǎng)絡(luò)具有一定程度的位移、尺度、非線性形變穩(wěn)定性[29]。

卷積神經(jīng)網(wǎng)絡(luò)的找礦預(yù)測模型主要由數(shù)據(jù)輸入層、卷積層、池化層、全連接層和輸出層5種網(wǎng)絡(luò)層構(gòu)成[28]。其中：數(shù)據(jù)輸入層是將網(wǎng)格化的化探和航磁數(shù)據(jù)作為輸入數(shù)據(jù)寫入神經(jīng)單元，卷積層與池化層分別選擇合適的激活函數(shù)完成對數(shù)據(jù)特征的提取和下采樣，全連接層則是在網(wǎng)絡(luò)末端實(shí)現(xiàn)特征的映射和分類，而輸出層可用于結(jié)果輸出或特征可視化。因此，確定合適的卷積層和全連接層結(jié)構(gòu)對卷積神經(jīng)網(wǎng)絡(luò)模型的性能至關(guān)重要。本文采用的卷積神經(jīng)網(wǎng)絡(luò)模型由4個(gè)卷積層、4個(gè)池化層和1個(gè)全連接層組成(圖2)。

1. 第四系沖積物、坡積物、洪積物；2. 古近系白羊河組含礫砂巖、泥質(zhì)粉砂巖夾砂巖及泥巖；3. 白堊系廟溝組磚紅色粉砂質(zhì)泥巖與淺灰綠色粉砂質(zhì)泥巖互層，局部夾淺灰褐色細(xì)砂巖和中粗粒長石石英砂巖；4. 侏羅系龍鳳山組淺灰色粗砂巖、砂礫巖和灰色細(xì)砂巖、砂質(zhì)泥巖呈韻律夾薄煤層；5. 薊縣系墩子溝群二云斜長片巖、黑云斜長片麻巖夾大理巖、花崗質(zhì)黑云斜長片麻巖、斜長角閃片巖、淺粒巖；6. 新太古界—古元古界龍首山巖群黑云石英片巖、大理巖、黑云角閃斜長片麻巖、二云石英片巖、黑云斜長變粒巖；7. 早二疊世花崗閃長巖；8. 早二疊世英云閃長巖；9. 早二疊世閃長巖；10. 早二疊世正長花崗巖；11.中奧陶世正長花崗巖；12. 中奧陶世英云閃長巖；13. 中奧陶世二長花崗巖；14. 斷層；15. 地質(zhì)界線；16. 角度不整合界線；17. 地名；18. 銅礦及編號。Ⅱ-7-2.陸緣巖漿??；Ⅳ-7-3.龍首山基底雜巖帶；Ⅳ-1-1.走廊弧后盆地。據(jù)文獻(xiàn)[25]修編。

圖1 研究區(qū)大地構(gòu)造位置(a)及地質(zhì)略圖(b)

Fig.1 Geotectonic location (a) and geological sketch (b) of the study area

1)卷積層(convolution)：是卷積神經(jīng)網(wǎng)絡(luò)的核心，體現(xiàn)了卷積神經(jīng)網(wǎng)絡(luò)的局部連接和權(quán)值共享特性。卷積時(shí)先通過使用特定尺寸的卷積核(權(quán)值矩陣)提取整體數(shù)據(jù)的局部特征，然后通過步長平移的方式提取不同位置的數(shù)據(jù)特征。卷積核相當(dāng)于卷積操作中的一個(gè)過濾器，用于提取數(shù)據(jù)特征，特征提取完后會得到一個(gè)特征圖。

卷積之后，通常會引入非線性激活函數(shù)。激活函數(shù)也被稱為非線性映射函數(shù)，激活函數(shù)對神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)、理解非常復(fù)雜的目標(biāo)域具有重要意義[30]。本文使用的激活函數(shù)為RuLU函數(shù)，計(jì)算公式如式(1)所示：

f(x)=max (0,1)。

(1)

圖2 找礦預(yù)測卷積神經(jīng)網(wǎng)絡(luò)模型架構(gòu)

該公式在保證訓(xùn)練效果的同時(shí)可以加快訓(xùn)練速度。

2)池化層(pooling)：對輸入的特征數(shù)據(jù)進(jìn)行壓縮，簡化網(wǎng)絡(luò)計(jì)算復(fù)雜度，提取主要特征[31]。池化操作相當(dāng)于降維操作，有最大池化和平均池化，本文使用的是最大池化(max pooling)。經(jīng)過卷積操作后提取到的特征信息，相鄰區(qū)域會有相似特征信息，如果全部保留這些特征信息會存在信息冗余，增加計(jì)算難度。通過池化層會不斷地減小數(shù)據(jù)的空間，從而使得參數(shù)的數(shù)量和計(jì)算量會有相應(yīng)的下降，這在一定程度上控制了過擬合。

3)全連接層(fully connected layers)：全連接層的每一個(gè)結(jié)點(diǎn)都與上一層的所有結(jié)點(diǎn)相連，用來把之前提取到的特征綜合起來。對n-1層和n層而言，n-1層的任意一個(gè)節(jié)點(diǎn)，都和第n層所有節(jié)點(diǎn)有連接。即第n層的每個(gè)節(jié)點(diǎn)在進(jìn)行計(jì)算的時(shí)候，激活函數(shù)的輸入是n-1層所有節(jié)點(diǎn)的加權(quán)。

2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的找礦預(yù)測方法與步驟

基于卷積神經(jīng)網(wǎng)絡(luò)的找礦預(yù)測方法主要是在對元素地球化學(xué)異常數(shù)據(jù)、航磁數(shù)據(jù)進(jìn)行網(wǎng)格化的基礎(chǔ)上，先采用數(shù)據(jù)增強(qiáng)技術(shù)獲取訓(xùn)練數(shù)據(jù)和驗(yàn)證數(shù)據(jù)集，再基于卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練生成模型，并應(yīng)用訓(xùn)練好的模型預(yù)測研究區(qū)的有利找礦部位(圖3)。

基于CNN找礦預(yù)測的具體步驟如下。

圖3 基于卷積神經(jīng)網(wǎng)絡(luò)找礦預(yù)測流程圖

1)數(shù)據(jù)的收集與處理

收集研究區(qū)內(nèi)已有的元素地球化學(xué)異常數(shù)據(jù)和航磁數(shù)據(jù)，并將研究區(qū)內(nèi)已知的礦床(點(diǎn))信息提取出來，為下一步的處理提供數(shù)據(jù)基礎(chǔ)。收集到的數(shù)據(jù)是在空間上不均勻分布的數(shù)據(jù)，需要利用插值方法將其轉(zhuǎn)化成規(guī)則網(wǎng)格數(shù)據(jù)。在本文中應(yīng)用克里格法實(shí)現(xiàn)二維數(shù)據(jù)的格網(wǎng)化，得到25種元素地球化學(xué)異常數(shù)據(jù)和3種航磁數(shù)據(jù)，具體描述見下文。

2)訓(xùn)練與驗(yàn)證數(shù)據(jù)集的生成

在礦產(chǎn)預(yù)測研究區(qū)，通常已知礦床(點(diǎn))的數(shù)量較少，難以滿足深度學(xué)習(xí)對訓(xùn)練樣本量的要求，構(gòu)建大容量訓(xùn)練樣本是深度學(xué)習(xí)找礦預(yù)測模型建模過程的一個(gè)挑戰(zhàn)。本文采用步長平移數(shù)據(jù)增強(qiáng)方法構(gòu)建訓(xùn)練樣本集，從而得到泛化能力更強(qiáng)的網(wǎng)絡(luò)，使得結(jié)果更具可信度。步長平移數(shù)據(jù)增強(qiáng)方法是采用一定窗口大小，如48×48=2304個(gè)網(wǎng)格單元，通過移動窗口使礦床(點(diǎn))位于1個(gè)網(wǎng)格單元中(圖4)，提取窗口所包括的所有物探和化探網(wǎng)格數(shù)據(jù)，遍歷所有窗口網(wǎng)格單元。對于1個(gè)礦床(點(diǎn))可以獲取2 304個(gè)訓(xùn)練單元。如果1個(gè)研究區(qū)有n個(gè)礦床(點(diǎn))，則可以獲得2 304n個(gè)訓(xùn)練單元。在研究區(qū)隨機(jī)選取已知礦床(點(diǎn))數(shù)2倍的網(wǎng)格單元作為未知區(qū)，采用與生成已知礦床(點(diǎn))訓(xùn)練單元相同的方法獲取未知區(qū)的訓(xùn)練單元。

3)卷積神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

地質(zhì)空間的特征是以網(wǎng)格單元為基本單元，每個(gè)網(wǎng)格單元上集合了地球化學(xué)、航磁等空間特征數(shù)據(jù)，構(gòu)建找礦預(yù)測CNN模型。利用CNN模型可以提取關(guān)鍵空間特征,挖掘礦床與數(shù)據(jù)特征間的非線性關(guān)系。

4)模型的訓(xùn)練與驗(yàn)證

先采用準(zhǔn)備好的訓(xùn)練數(shù)據(jù)集對模型進(jìn)行訓(xùn)練與驗(yàn)證，再采用不同參數(shù)和超參數(shù)對模型進(jìn)行訓(xùn)練，通過驗(yàn)證數(shù)據(jù)集選取最優(yōu)模型。

5)找礦預(yù)測區(qū)的確定

采用訓(xùn)練好的模型，通過滑動窗口的方式對研究區(qū)進(jìn)行預(yù)測，圈定有利預(yù)測區(qū)，并根據(jù)礦產(chǎn)地質(zhì)資料，分析預(yù)測結(jié)果的可靠性，從而確定找礦預(yù)測區(qū)。

3 數(shù)據(jù)處理與預(yù)測結(jié)果

本文探討的是利用元素水系沉積物化探測量數(shù)據(jù)和航磁數(shù)據(jù)進(jìn)行找礦預(yù)測區(qū)的圈定，在圈定的找礦預(yù)測區(qū)輔以地質(zhì)條件分析，具體過程如下。

3.1 數(shù)據(jù)處理

1)地化數(shù)據(jù)

研究區(qū)有Ag、As、Au、B、Be、Bi、Cd、Co、Cr、Cu、Hg、La、Li、Mn、Mo、Nb、Ni、Pb、Sb、Sn、Th、Ti、U、W和Zn等25種元素水系沉積物化探測量數(shù)據(jù)，每種元素水系沉積物化探測量數(shù)據(jù)都反映了該區(qū)域不同的元素特征。CNN模型在訓(xùn)練時(shí)，能夠根據(jù)已知的銅礦點(diǎn)確定元素所占的權(quán)重。利用Surfer軟件對25種元素進(jìn)行網(wǎng)格化，規(guī)則網(wǎng)格的大小需要根據(jù)研究目的和工作比例尺來確定。對數(shù)據(jù)進(jìn)行網(wǎng)格化，可以將空間上分散的數(shù)值轉(zhuǎn)換成規(guī)則分布的網(wǎng)格數(shù)值，抑制局部噪音，并按規(guī)則對空白網(wǎng)格賦予數(shù)值，得到統(tǒng)一的空間結(jié)構(gòu)，對數(shù)據(jù)進(jìn)行網(wǎng)格化能夠充分地反映客體變量的空間模式。

圖4 基于CNN的預(yù)測方法

綜合對比幾種插值方法，克里格方法不僅能夠反映距離的關(guān)系，而且能夠通過變異函數(shù)和結(jié)構(gòu)分析，確定已知樣本點(diǎn)的空間分布及與未知樣點(diǎn)的空間方位關(guān)系[32]。本文利用克里格插值法，將網(wǎng)格單元大小設(shè)為100 m×100 m(表1)，得到25種水系沉積物化探網(wǎng)格化數(shù)據(jù)，總網(wǎng)格單元數(shù)為432×316=136512個(gè)。

表1 本文地化元素?cái)?shù)據(jù)網(wǎng)格化標(biāo)準(zhǔn)

選取該區(qū)域Cu、Mo、Zn和As等4種元素[33](元素地球化學(xué)質(zhì)量分?jǐn)?shù)單位均為10-6)，采用克里格插值法對該元素按100 m×100 m網(wǎng)格單元大小進(jìn)行網(wǎng)格化，4種元素1∶5萬等值線圖如圖5所示，對比圖1，發(fā)現(xiàn)4種元素均在大青山附近有明顯異常，該地區(qū)包含已發(fā)現(xiàn)的大青山銅礦區(qū)域。Cu、Mo元素地球化學(xué)異常在盤頭山和窯泉北也有反映，盤頭山異常范圍大，此異常處于海西中期花崗閃長巖中，有一定找礦潛力；窯泉北異常地處位置邊緣有英云閃長巖出露，有一定找礦潛力。Zn、As元素地球化學(xué)異常在方架山南也有異常反映，該區(qū)域異常有侵入巖體，以加里東期酸性巖為主，出露有二長花崗巖和正長花崗巖區(qū)，區(qū)域南側(cè)有英云閃長巖，出露面積較小。

2)航磁數(shù)據(jù)

研究區(qū)有3幅1∶5萬的航磁數(shù)據(jù)，利用克里格插值法對航磁數(shù)據(jù)進(jìn)行網(wǎng)格化，網(wǎng)格單元大小為100 m×100 m(與表1相同)。利用Geosoft軟件對數(shù)據(jù)進(jìn)行處理，得到ΔT化極航磁異常圖(圖6a)，考慮到之后需要使用的航磁延拓?cái)?shù)據(jù)，故對網(wǎng)格化之后的數(shù)據(jù)分別進(jìn)行向上50 m(圖6b)、100 m(圖6c)和150 m(圖6d)的延拓。本文需要用到的是ΔT化極航磁異常圖、50 m向上延拓圖和100 m向上延拓圖，將這3種航磁圖提取數(shù)據(jù)并按照表1的標(biāo)準(zhǔn)進(jìn)行網(wǎng)格化，得到3種航磁數(shù)據(jù)的網(wǎng)格化數(shù)據(jù)。

圖5 研究區(qū)4種元素1∶5萬地球化學(xué)元素等值線圖

由圖6a可知：研究區(qū)的磁異常條帶的延伸方向呈NW向，主要存在南北2個(gè)高磁異常帶；對比圖1可以得到，北部高磁異常帶位于該區(qū)北部大青山—天城北西西—東西向帶狀高磁異常區(qū)帶，帶內(nèi)為以中酸性侵入巖為主的巨大巖漿帶，異常大多數(shù)由閃長巖體等中酸性侵入巖引起，沿北部磁異常條帶發(fā)現(xiàn)了銅礦床(點(diǎn))。

向上延拓主要是對淺部地質(zhì)體的干擾進(jìn)行壓制或消除，同時(shí)能對深部有意義的地質(zhì)體產(chǎn)生有用的磁性異常進(jìn)行突出和顯示。由向上50 m延拓結(jié)果圖(圖6b)可知：該地區(qū)磁異常較為集中，主要集中在研究區(qū)中西部及西南部兩處。為了進(jìn)一步消除影響，對該區(qū)域繼續(xù)進(jìn)行100 m延拓(圖6c)和150 m延拓(圖6d)，發(fā)現(xiàn)磁異常區(qū)域主要集中在中西部及西南部，在后期進(jìn)行成礦有利區(qū)圈定應(yīng)該盡量集中在磁異常區(qū)域。

為了展現(xiàn)研究區(qū)航磁異常方向性的變化特征，對研究區(qū)網(wǎng)格化之后的原數(shù)據(jù)在不同方向上進(jìn)行求導(dǎo)，分別求出該研究區(qū)0°(圖6e)、45°(圖6f)、90°(圖6g)和135°(圖6h)的方向?qū)?shù)圖。結(jié)果表明，在求導(dǎo)之后，研究區(qū)航磁異常區(qū)主要呈NW向展布，也顯示出一些NE向變化特征。

3)礦點(diǎn)成礦地質(zhì)特征

研究區(qū)已知銅礦點(diǎn)有4個(gè)，分別為大青山Ⅰ號銅礦、大青山Ⅱ號銅礦、大青山Ⅲ號銅礦、未定名Ⅳ號銅礦，具體位置如圖1b所示。銅礦主要發(fā)育在大青山地區(qū)，銅礦的類型主要為斑巖型銅礦和裂隙浸染型銅礦。

成礦時(shí)代主要為海西期，斑巖型銅礦的成礦母巖為石英二長斑巖，斑巖具同心狀分布的青磐巖化帶、鉀化帶、絹英巖化帶、泥化帶和孔雀石化等蝕變帶，礦化產(chǎn)在泥化帶中。大青山Ⅰ、Ⅱ號銅礦為典型斑巖型銅礦，處于中酸性斑巖體附近。裂隙浸染型銅礦在區(qū)內(nèi)普遍分布，主要分布在花崗閃長巖和二長花崗巖大規(guī)模的青磐巖化、鉀化蝕變帶的裂隙中，主要為浸染狀的孔雀石。出露的地層為新太古界—古元古界龍首山巖群，成礦母巖為石英二長斑巖。礦體主要賦礦地質(zhì)體為石英二長斑巖，該巖體侵入于海西中期花崗閃長巖中，形成于海西晚期，為區(qū)內(nèi)基性—中酸性侵入巖巖漿演化晚期的產(chǎn)物，為鈣堿性系列，反映了過渡性構(gòu)造環(huán)境。這種構(gòu)造環(huán)境、巖漿巖類型與斑巖銅礦成礦環(huán)境一致。礦體的圍巖為石英二長斑巖，礦體與圍巖界線呈漸變過渡關(guān)系，圍巖蝕變以泥化為主。

a. ΔT化極航磁異常圖；b. 向上延拓50 m結(jié)果圖；c. 向上延拓100 m結(jié)果圖；d. 向上延拓150 m結(jié)果圖；e. 方向?qū)?shù)為0°的結(jié)果圖；f. 方向?qū)?shù)為45°的結(jié)果圖；g. 方向?qū)?shù)為90°的結(jié)果圖；h. 方向?qū)?shù)為135°的結(jié)果圖。

礦區(qū)內(nèi)構(gòu)造主要為窯泉北逆斷層，為近EW向—NWW向，切割花崗閃長巖和石英二長斑巖(圖1)，該斷層發(fā)育寬20～60 m的斷層角礫巖、碎裂巖帶并發(fā)育強(qiáng)烈褐鐵礦化。

3.2 銅礦預(yù)測結(jié)果

元素地球化學(xué)異常及航磁異常與已知礦床(點(diǎn))具有較好的對應(yīng)關(guān)系，基于化探和航磁資料，采用CNN模型(圖4)對研究區(qū)有利的銅礦找礦區(qū)進(jìn)行了預(yù)測。

元素水系沉積物化探測量數(shù)據(jù)和航磁數(shù)據(jù)都已經(jīng)按照圖1的地質(zhì)圖范圍進(jìn)行了限定，輸入的數(shù)據(jù)層為25種元素的地球化學(xué)網(wǎng)格化數(shù)據(jù)、ΔT化極航磁異常、向上延拓50 m、向上延拓100 m的網(wǎng)格化數(shù)據(jù)，共計(jì)28種數(shù)據(jù)，每種數(shù)據(jù)都通過Surfer軟件按照表1的網(wǎng)格轉(zhuǎn)換成了一個(gè)432×316的網(wǎng)格數(shù)據(jù)層。對每種類型的數(shù)據(jù)均采用離差標(biāo)準(zhǔn)化方法進(jìn)行處理，采用主成分分析法(principal component analysis，PCA)把28維數(shù)據(jù)層壓縮為24維。窗口大小設(shè)定為48×48個(gè)網(wǎng)格單元，窗口覆蓋的實(shí)際范圍相當(dāng)于4 800 m×4 800 m，每個(gè)窗口的輸入數(shù)據(jù)通道數(shù)為28，卷積核的大小為3×3，第一層卷積核數(shù)量為48，步長設(shè)置為1，模型的優(yōu)化算法選用Adam算法，學(xué)習(xí)率設(shè)為0.001，衰減率設(shè)置為默認(rèn)值。

訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集是根據(jù)已知3個(gè)銅礦點(diǎn)，采用數(shù)據(jù)增強(qiáng)方法獲取了22 934個(gè)訓(xùn)練數(shù)據(jù)。其中：70%的數(shù)據(jù)用于訓(xùn)練模型，包括16 054個(gè)訓(xùn)練數(shù)據(jù)；30%用于模型驗(yàn)證，包括6 880個(gè)訓(xùn)練數(shù)據(jù)。

采用上述參數(shù)及數(shù)據(jù)集對模型進(jìn)行了200輪訓(xùn)練和驗(yàn)證。結(jié)果顯示，當(dāng)進(jìn)行了50輪訓(xùn)練后，模型趨于穩(wěn)定，模型精度為98.1%左右(圖7)。

采用訓(xùn)練好的模型對研究區(qū)的有利銅礦找礦區(qū)進(jìn)行了預(yù)測。從預(yù)測結(jié)果圖(圖8)可以看出，通過建立的CNN模型得到研究區(qū)5個(gè)找礦有利區(qū)。

P-1：位于山頭窯—窯泉—大青山北一帶，預(yù)測區(qū)內(nèi)包含已知的4個(gè)銅礦點(diǎn)，區(qū)內(nèi)巖體主要為海西期閃長巖和正長花崗巖，具有多期次特征，總體走向與構(gòu)造線基本一致；中部有后期沉積的侏羅系龍鳳山組淺灰色和灰白色礫巖、砂質(zhì)礫巖、砂巖及泥巖；南部出露于白堊系廟溝組中，且有新太古界—古元古界龍首山巖群。該區(qū)域存在Cu元素化探異常高值。

P-2：位于窯泉北東部地區(qū)，區(qū)內(nèi)出露有新太古界—古元古界龍首山巖群及白堊系廟溝組；斷裂構(gòu)造發(fā)育，且具有多期次。該區(qū)域存在銅元素化探異常高值。

P-3：位于盤頭山附近，區(qū)內(nèi)有海西期閃長巖、正長花崗巖侵入，具有多期次特征；巖體總體走向與構(gòu)造線基本一致，南部為侏羅龍鳳山組淺灰色和灰白色礫巖、砂質(zhì)礫巖、砂巖、泥巖、頁巖夾薄層煤層及煤線。該區(qū)域存在Cu元素化探異常高值。

圖7 CNN找礦預(yù)測模型訓(xùn)練與預(yù)測過程

圖例同圖1。

P-4：預(yù)測區(qū)主要地層為薊縣系墩子溝群變砂巖、變粒巖，地層總體呈NW—SE向展布，侵入巖以加里東期酸性巖為主，北側(cè)為二長花崗巖和正長花崗巖區(qū)，南部為閃長巖。該區(qū)域有Cu元素化探異常高值。

P-5：位于研究區(qū)南部，區(qū)內(nèi)主要為薊縣系墩子溝群變砂巖、變粒巖，中部出露有加里東期酸性侵入巖，巖性為二長花崗巖。該區(qū)域有Cu元素化探異常高值。

4 討論

4.1 超參數(shù)對預(yù)測結(jié)果的影響

4.1.1 PCA主分量數(shù)對預(yù)測結(jié)果的影響

PCA，即主成分分析方法，是一種使用最廣泛的數(shù)據(jù)降維算法。PCA的主要思想是將n維特征映射到k維上，這k維是全新的正交特征也被稱為主成分，是在原有n維特征的基礎(chǔ)上重新構(gòu)造出來的k維特征。PCA的工作就是從原始的空間中順序地找一組相互正交的坐標(biāo)軸，新坐標(biāo)軸的選擇與數(shù)據(jù)本身是密切相關(guān)的[34]。

本文利用CNN對選取的28維數(shù)據(jù)進(jìn)行銅礦有利區(qū)進(jìn)行預(yù)測(包括25種元素地球化學(xué)數(shù)據(jù)和3種航磁異常數(shù)據(jù))，由于28維數(shù)據(jù)對計(jì)算機(jī)運(yùn)算太過冗雜，故需要對數(shù)據(jù)維度進(jìn)行壓縮。對數(shù)據(jù)維度進(jìn)行壓縮時(shí)產(chǎn)生的預(yù)測結(jié)果不同，對比4種PCA主分量數(shù)對預(yù)測結(jié)果的影響如圖9所示。

實(shí)驗(yàn)結(jié)果表明，維度越高，所得的預(yù)測區(qū)域越復(fù)雜，但總體有一定的相似性。4種方法中，將28維數(shù)據(jù)壓縮為24維數(shù)據(jù)所得的預(yù)測結(jié)果更符合實(shí)際地質(zhì)情況。

a. 28維數(shù)據(jù)壓縮為24維數(shù)據(jù)；b. 28維數(shù)據(jù)壓縮為16維數(shù)據(jù)；c. 化探數(shù)據(jù)壓縮為14維，航磁數(shù)據(jù)壓縮為2維；d. 化探數(shù)據(jù)壓縮為6維，航磁數(shù)據(jù)壓縮為2維。

4.1.2 窗口大小

窗口大小對訓(xùn)練數(shù)據(jù)集、預(yù)測結(jié)果均有一定影響，并對模型精度產(chǎn)生影響。根據(jù)訓(xùn)練數(shù)據(jù)的提取方法可知，窗口越大，能夠提取的訓(xùn)練數(shù)據(jù)集也越大，當(dāng)窗口大小分別為12×12、24×24、48×48時(shí)，可提取訓(xùn)練樣本數(shù)分別為3 056、8 048、22 934。3種預(yù)測結(jié)果圖如圖10所示。

實(shí)驗(yàn)結(jié)果表明，窗口大小不同會產(chǎn)生不同的預(yù)測結(jié)果(圖10)。采用較大的窗口，獲得的訓(xùn)練樣本數(shù)據(jù)較多，則獲得的預(yù)測范圍相對較小，但綜合3種窗口大小來看，預(yù)測區(qū)的總體位置相似。比較3種不同窗口大小，可以看出當(dāng)窗口大小為48×48時(shí)，預(yù)測區(qū)的范圍相對較小，此時(shí)產(chǎn)生的訓(xùn)練樣本數(shù)較多，模型所得的預(yù)測區(qū)精度較高。

4.1.3 卷積核數(shù)量

卷積層中的卷積核數(shù)量直接影響了輸入的局部特征，不同的卷積核導(dǎo)致的結(jié)果也有著一定的差異性。本文試驗(yàn)了第一層卷積核數(shù)量(24、48、64)對預(yù)測范圍的影響，具體預(yù)測結(jié)果如圖11所示。

實(shí)驗(yàn)結(jié)果表明，卷積核數(shù)量不同會產(chǎn)生不同的預(yù)測結(jié)果(圖11)。卷積核數(shù)量越多，提取到的局部特征就越多，3種不同數(shù)量的卷積核對應(yīng)著不同的實(shí)驗(yàn)結(jié)果，但綜合3種數(shù)量來看，預(yù)測區(qū)的總體位置相似。比較3種不同卷積核的數(shù)量，可以看出當(dāng)初始的卷積核數(shù)量為48時(shí)，預(yù)測區(qū)的范圍相對較小，且更符合地質(zhì)情況。

4.1.4 步長

卷積層中的步長表示卷積核一次移動多少個(gè)格子。不同的步長會導(dǎo)致不同的預(yù)測結(jié)果，本文對比了3種不同的步長結(jié)果，具體如圖12所示。

對比3種步長所得的預(yù)測結(jié)果，可以發(fā)現(xiàn)，隨著步長的增大，所得的預(yù)測結(jié)果精細(xì)程度愈加降低。對比地質(zhì)圖、地球化學(xué)元素異常圖和航磁異常圖可知，當(dāng)步長為1時(shí)更具有可信度。

a. 窗口大小為12×12；b. 窗口大小為24×24；c. 窗口大小為48×48。

a. 卷積核數(shù)量為24×24；b. 卷積核數(shù)量為48×48；c. 卷積核數(shù)量為64×64。

a. 步長為1；b. 步長為2；c. 步長為3。

4.1.5 抓取的樣本數(shù)量

Batch_size即一次訓(xùn)練所抓取的數(shù)據(jù)樣本數(shù)量。適當(dāng)?shù)腂atch_size可以使得梯度方差減小，直接使梯度更加準(zhǔn)確，從而使得預(yù)測結(jié)果更加準(zhǔn)確。本文對比3種不同的Batch_size，所得的預(yù)測結(jié)果如圖13所示。

a. Batch_size為32；b. Batch_size為64；c. Batch_size為128。

對比3種不同Batch_size所得的預(yù)測結(jié)果發(fā)現(xiàn)，每一次訓(xùn)練所抓取的數(shù)據(jù)樣本量不同的話，所得的預(yù)測結(jié)果雖然大體位置相同，但預(yù)測面積變化較大。對比元素地球化學(xué)異常圖、航磁異常圖和地質(zhì)圖，發(fā)現(xiàn)當(dāng)Batch_size為64時(shí)，所得的預(yù)測結(jié)果比較可靠。

4.2 不同數(shù)據(jù)集對預(yù)測結(jié)果的影響

為了比較不同數(shù)據(jù)集對預(yù)測結(jié)果的影響，選取25種化探元素?cái)?shù)據(jù)、3種航磁數(shù)據(jù)(化極磁異常，上延50 m和100 m磁異常)、綜合25種化探元素?cái)?shù)據(jù)與3種航磁數(shù)據(jù)作為輸入數(shù)據(jù)進(jìn)行了實(shí)驗(yàn)(圖14)。

實(shí)驗(yàn)結(jié)果表明，基于化探元素?cái)?shù)據(jù)的預(yù)測結(jié)果(圖14a)和基于航磁數(shù)據(jù)所得的預(yù)測結(jié)果(圖14b)有一定的差距，二者所得的預(yù)測結(jié)果大體位置相同；但綜合化探元素?cái)?shù)據(jù)與航磁數(shù)據(jù)的預(yù)測結(jié)果范圍相較前兩者包含的信息更多，預(yù)測范圍更加可靠。

4.3 不同網(wǎng)格單元大小對預(yù)測結(jié)果的影響

為了比較不同網(wǎng)格單元大小對預(yù)測結(jié)果的影響，設(shè)定窗口大小為48×48，卷積核的大小為3×3，第一層卷積核數(shù)量為48，步長設(shè)置為1，Batch_size為64，輸入的數(shù)據(jù)為壓縮24維的化探元素?cái)?shù)據(jù)和航磁數(shù)據(jù)，對比50 m網(wǎng)格的輸入數(shù)據(jù)和100 m網(wǎng)格的輸入數(shù)據(jù)，預(yù)測結(jié)果如圖15所示。

實(shí)驗(yàn)結(jié)果表明，50 m網(wǎng)格和100 m網(wǎng)格得到的預(yù)測區(qū)域相比，預(yù)測區(qū)位置大體相同，主要是預(yù)測范圍有差距，50 m網(wǎng)格得到的預(yù)測范圍較大。綜合該區(qū)域地質(zhì)情況來看，100 m網(wǎng)格預(yù)測結(jié)果更加可靠。

4.4 預(yù)測結(jié)果的可靠性與精度

本文采用的是利用PCA壓縮得到的24維化探元素?cái)?shù)據(jù)和航磁數(shù)據(jù)作為輸入數(shù)據(jù)集，將窗口大小設(shè)定為48×48，卷積核的大小為3×3，第一層卷積核數(shù)量為48，步長設(shè)置為1，采用100 m網(wǎng)格大小得到研究區(qū)的預(yù)測結(jié)果圖。前人[25]通過大量野外地質(zhì)調(diào)查、物探和化探分析以及綜合研究圈定了研究區(qū)銅礦找礦預(yù)測區(qū)，預(yù)測區(qū)主要位于山頭窯—窯泉、大青山2個(gè)地區(qū)。本文得到的預(yù)測結(jié)果圖與前人預(yù)測結(jié)果相比較，所提出的方法(比較)具有較小的預(yù)測范圍和較高的可靠性。

a. 基于化探元素?cái)?shù)據(jù)；b. 基于航磁數(shù)據(jù)；c. 綜合化探元素?cái)?shù)據(jù)與航磁數(shù)據(jù)。

a. 50 m網(wǎng)格大?。籦. 100 m網(wǎng)格大小。

5 結(jié)論

1)在融合化探元素和航磁數(shù)據(jù)基礎(chǔ)上，基于深度學(xué)習(xí)的找礦預(yù)測方法可以提高找礦預(yù)測的效率和效果。采用本文所提出的方法，可以得到較小的礦產(chǎn)預(yù)測范圍和較高的預(yù)測可靠性。

2)結(jié)合前人研究成果和野外檢查，基于卷積神經(jīng)網(wǎng)絡(luò)在甘肅省龍首山西段高臺縣臭泥墩—西小口子地區(qū)圈定5處找礦預(yù)測區(qū)，具有良好的銅礦找礦遠(yuǎn)景，是下一步找礦預(yù)測的重點(diǎn)地區(qū)。