基于神经网络模型的金矿成矿远景预测——以白马山-龙山地区为例

陈坤，张建新

湖南省地质科学研究院，湖南长沙410007

基于神经网络模型的金矿成矿远景预测
——以白马山-龙山地区为例

陈坤，张建新

湖南省地质科学研究院，湖南长沙410007

白马山-龙山地区是湘中重要的金锑成矿带.以1∶20万水系沉积物检测数据为基础，结合区域地层、岩性、构造、岩浆岩等地质信息，在全区19 100 km2范围内以4 km2为评价单元，应用神经网络模型对区域金矿成矿远景进行预测，共划分了4个成矿远景区.

水系沉积物；神经网络模型；金矿；成矿远景区；湖南省

白马山-龙山地区是湘中重要的金、锑贵金属成矿远景区带［1］，区内已探明金、锑矿床（点）多处，大新、高家坳、白云铺等大、中型矿床的发现进一步显示出区内巨大的找矿前景.

本文的成矿远景预测主要根据地质、地球化学信息预测圈定金锑矿床可能存在的区域，为找矿靶区的选取提供依据.神经网络因其具有极强的非线性动态处理能力和强大的自适应、自学习功能而被广泛应用于不同领域［2］.神经网络模型是利用人工智能方法对成矿远景预测的一种数学抽象，成矿预测BP模型的设计与实现包括地质变量的数据转换、预处理以及BP模型的构建和BP算法的实现.本文运用BP神经网络的方法建立区域成矿预测模型.

1 区域地质概况

白马山-龙山地区位于华南褶皱系与扬子准地台接壤地带的边缘，湘中岩石圈古俯冲带内［3］.北东向桃江-城步断裂与北西向锡矿山-涟源隐伏基底断裂在区内相交（图1）.区内与金锑矿成矿关系密切的地层主要为元古宇板溪群及震旦系、泥盆系.

板溪群为浅变质碎屑岩、泥质岩组成的复理石建造.震旦系下统为含砾板岩、石英砂岩、粉砂岩、冰碛砾泥岩，夹少量的间冰期炭质板岩、含锰碳酸盐岩；震旦系上统主要为板岩、碳硅质板岩、硅质岩.泥盆系佘田桥含矿层位，以碳酸盐岩为主，夹多层碎屑岩.桃江-城步深大断裂是区内主要的区域性控岩控矿断裂，从大乘山穹隆西侧通过，长大于350 km，走向北东25～35°，倾向北西，倾角40～60°，为一条长期活动，顺、反扭动兼备的压、扭、张断裂.断裂西侧长期以来为一沉降槽地，东侧为一水下隆起带.如泥盆纪棋梓桥、佘田桥期岩相的变化，以西为海槽沉积泥灰岩盆地相，而东侧为碳酸盐台坪、潮坪相环境.

图1 湖南省白马山－龙山金矿带地质略图（据康如华，2001，修改）Fig.1 Geologic sketch map of the Baimashan-Longshan gold metallogenic belt（Modified from KANG Ru-hua,2001）

2 控矿因子

2.1 地层岩性

白马山-龙山地区金矿化带地层对成矿的控制主要由其岩性表现出来：区内成矿并非局限于某个或几个层位，而是穿越不同时代的地层，即在相似岩性的有利围岩中富集成矿，也就是说地层岩性是区域成矿的重要成矿条件.板溪群紫红色板岩及砂质板岩、紫红色条带状砂质板岩、灰绿色砂质板岩、灰绿色绢云母板岩，震旦系江口组含砾砂质板岩及中泥盆系半山组-跳马涧组石英杂砂岩、粉砂岩、粉砂质泥岩是区内金矿主要赋矿层位.金矿床的矿体层位主要为震旦系江口组和泥盆系半山组，区域成矿物质主要来自震旦系江口组地层和深部岩浆［4］，江口组地层为金的主要矿源层.

2.2 构造

区域构造是白马山-龙山金矿带最重要、最直接的控矿因素，基底断裂和穹隆构造对矿床产出分布有显著的控制作用［5］.作为长期构造应力集中部位，经多期次既具有继承性又具有叠加性的褶皱变形和破碎变形的穹状隆起部位，是印支晚期至燕山早期大型隐伏花岗岩侵入就位的场所，同时也提供了与岩浆热液活动密切相关的金锑矿床容矿空间.虽然穹状隆起部位岩石塑性程度较高，但因为长期构造应力作用，刚性程度逐渐提高，断裂构造特别是具有多期次活动的断裂构造发育，致使这些断裂构造成为金锑矿化成矿的有利部位，同时也决定了区内矿床主要呈脉状和蚀变破碎岩形式产出.白马山-龙山金矿带的构造控矿，从矿床矿化角度考虑而言，是诸因素中最关键的因素，尤其是穹隆核部的放射状断裂构造，则是矿床的直接容矿空间.

2.3 岩浆岩

区域出露和隐伏的岩体规模巨大.正因为岩浆的上侵活动，在白马山-龙山地区形成了串珠状的隆起.岩浆与基底构造的多期次活动，为区域成矿提供了必要的导矿、容矿空间和强大的热动力条件，岩浆活动为成矿提供了一定的岩浆热液［6］.岩浆对区域成矿的作用主要表现在以下几方面：成矿物质的主要提供者；成矿流体的主要提供者；成矿热动力的直接来源.因此岩浆活动对区域成矿起着至关重要的作用.

总之，地层与构造提供了成矿有利位置和成矿物质运移的通道，岩浆是成矿物质和含矿流体的主要来源，既是矿床形成的物质，又是成矿热动力的提供者.三者的有机结合共同推动了矿床的形成.

3 成矿远景预测

3.1 构建模型

通过对白马山-龙山地区金锑成矿要素、控矿因子的综合分析，选取地质、地球化学等综合信息来构建区内成矿远景预测模型，运用SPSS软件中的神经网络模块对白马山-龙山地区金矿成矿远景进行预测.模型运行前先对地质变量数据进行提取、转换、标准化处理、空白数值替换等一系列预处理.

本次成矿远景预测区域面积超过19 000 km2，覆盖范围主要为白马山-龙山以及其周边区域.以4 730个1∶20万水系沉积物采样检测数据为基础，综合考虑区域成矿地质条件，地层、岩性、构造、成矿区（带）划分等成矿、控矿因素，以4 km2为最小预测单元，将水系沉积物采样点与区内已知金矿床及部分已探明不含矿区域在MapGIS中进行空间叠加分析.将已知金矿床区域内的水系沉积物采样点属性标定为1（代表含矿），将没有金矿床区域内的水系沉积物采样点属性标定为0（代表不含矿），通过神经网络预测模型对未知区域进行成矿远景预测.通过已知的含矿区和不含矿区内各相关属性的标定，让模型“记住”预测因子含矿与不含矿各自变量的特征，模型通过这些特征条件判别预测区内各评价单元是否具有相同或相似的要素，从而最终给出各最小预测单元含矿的可能性.

3.2 变量选取

模型选用因变量指标为“是否含矿”因子，选用的变量指标为主要控制区域成矿的地质因素和地球化学因素，通过因子分析、经验判别等手段综合考虑各因子对区域成矿作用的影响程度，最后选取“地层年代”“岩性大类”“构造分区”指标作为模型影响因子.自变量的选取主要考虑与区域金锑矿床成矿作用密切相关的成矿元素和指示元素，包括：AuSbW综合因子及Au、As、Hg、Ba、Sb、W、Pb、Zn等各元素指标（表1）.

3.3 预测结果

通过以上模型的建立和变量的选取，运用SPSS 19软件中的神经网络模块实现对白马-龙山地区金矿成矿远景预测，将预测结果导出成图.

图2 湖南省白马山－龙山地区金矿成矿远景预测图Fig.2 Metallogenic prospective prediction for gold deposits in Baimashan-Longshan area

表1 预测模型各变量指标Table 1 Variable indexes of the prediction model

全区共划分出4个成矿远景区（见图2）：雪峰山脉成矿远景区（YJYCQ-1）、白马山岩体周边成矿远景区（YJYCQ-2）、大乘山穹隆成矿远景区（YJYCQ-3）、龙山穹隆成矿远景区（YJYCQ-4）.远景区分布受区内构造影响较大，整体上呈东西向展布.1号远景区沿雪峰山脉呈带状分布；2号远景区环绕白马山岩体呈环带状分布；3号远景区与4号远景区的分布由大乘山穹隆、龙山穹隆控制.

3.4 模型评价

预测模型将训练、测试、保持数据样本按照7∶2∶1的分配比例进行操作（表2）.其中训练样本是为模型提供学习的，即已知金矿床和已探明不含矿区域内的样本，测试样本协助模型进行自检，而保持样本是为了防止模型进行超额训练.因神经网络具有高度的模仿性，给予足够的时间后将会“记住”样本之间的规律性，反而达不到预测的目的，所以需要设定保持样本防止模型的超额训练.

表2 模型案例处理汇总表Table 2 Sam ples treated for the model

通过图3可以看出，在模型选用的自变量指标中，AuSbW综合因子及As、Au、Sb元素含量对金锑矿成矿预测的影响作用最大，这与区域内金锑矿成矿地球化学特征相吻合.预测远景区与已知矿床（点）分布的空间分布也较为吻合，进一步提高了模型预测的可信度.

图3 模型自变量重要性分布图Fig.3 Distrubution of importance of independent variables

4 结语

本次研究从地层、构造、岩浆岩等方面剖析了区域控矿因素，以白马山-龙山地区1∶20万水系沉积物采样检测数据为基础，结合地层、构造、岩浆岩等地质要素，运用新方法、新技术对区域成矿远景进行预测，通过神经网络模型预测划分出4个成矿远景区.研究成果对区域找矿靶区圈定有一定的指导意义，为今后区内勘查工作部署提供地质依据，更为其他区域远景找矿提供了新的思路.

［1］陈郑辉.矿产资源潜力评价示范研究［M］.北京：地质出版社,2009: 53—54.

［2］施俊法.找矿模型与矿产勘查［M］.北京：地质出版社,2010:62—65.

［3］阮天健，朱有光.地球化学找矿［M］.北京：地质出版社,1984:47—48.

［4］康如华.湖南白马山-龙山东西向构造带金锑矿找矿前景分析［J］.华南地质与矿产,2002（1）:57—61.

［5］汪劲草，夏斌.湘中新化锑金矿床成矿构造系列及其找矿预测［J］.大地构造与成矿学,2002,26（3）:271—275.

PREDICTION OF GOLD METALLOGENIC PROSPECT BASED ON THE NEURAL NETWORK MODEL:A Case Study of the Baimashan-Longshan Area in Hunan Province

CHEN Kun,ZHANG Jian-xin

Hunan Institute of Geological Sciences,Changsha 410007,China

The Baimashan-Longshan area is the significant metallogenic zone of gold and antimony in central Hunan Province.Based on the data of 1:200 000 stream sediment survey,in combination with the geological information of stratigraphy,lithology,structure and magmatite in this area,the neural network model is adopted to predict the regional gold metallogenic prospect.The whole area of 19 100 km2is assessed by 4 km2as evaluation unit.Then four metallogenic prospect areas are delineated.

stream sediment;neural network model;gold deposit;metallogenic prospect area;Hunan Province

1671-1947（2015）02-0160-04

P618.51

A

2014－03－19；

2014-06-05.编辑：张哲．

湖南省国土资源厅项目“湖南省白马山地区整装勘查区综合研究”（201003011）.

陈坤（1984—），男，主要从事矿产资源调查评价与勘查工作，通信地址湖南省长沙市芙蓉中路二段223号，E-mail//717194960@qq.com