基于逻辑回归的东天山红海矿床三维成矿预测研究

陶金涛, 张楠楠, 常金雨, 李艳荣

摘  要：结合新疆东天山卡拉塔格地区红海VMS铜锌矿床成矿地质背景，基于矿区积累的地质和物探数据，构建了三维地质模型。利用三维距离分析和地球物理反演方法，定量提取了多种控矿因素;采用逻辑回归模型进行了深部成矿预测并圈定了找矿有利单元。预测结果表明，逻辑回归模型能够较好地识别红海矿床深部隐伏矿体，圈定的找矿有利单元约占研究区所有块体单元的3.95%，包含了红海已知矿体块体单元的96.43%。找矿有利单元主要沿红海矿区NE向和NW向两条主断裂分布，在已知矿体的南部存在较高成矿概率的区域，体积约为86×106 m3，主要埋藏深度为地表下250～600 m，可作为下一步找矿勘探的重点区域。

关键词：逻辑回归;三维地质建模;红海矿床;成矿预测

随着易于寻找的地表矿、浅部矿的减少，隐伏矿、深部矿、难识别矿已成为许多国家和地区的主要找矿对象[1]。面对当前深边部找矿需求，利用计算机三维地质建模技术和地质统计学方法进行三维成矿预测研究成为近年来矿产资源预测领域的一大亮点[2]。国内外学者在多个研究区域进行了三维成矿预测研究并取得了一些显著成果[3-8]。

红海VMS（Volcanogenic Massive Sulfide Deposits）型铜锌矿床位于新疆东天山大南湖-头苏泉岛弧带的卡拉塔格地区，是该区域典型的VMS型隱伏矿床。前人对红海矿床进行了研究，积累了大量的基础地质、勘探工程等相关数据资料，但利用这些数据资料，在红海矿区系统地进行三维成矿预测的研究依然比较匮乏。因此，本文综合利用已有的地质勘探成果，采用逻辑回归模型对红海矿床深边部隐伏矿体进行三维预测研究，以期为矿区的进一步找矿工作提供新的成果和依据。

1  地质背景

红海矿床位于东天山大南湖-头苏泉岛弧带北部的卡拉塔格地区（图1-a），是一个主矿体埋藏深度大于 300 m 的隐伏矿床[9，10]。卡拉塔格地区以EW向断层、褶皱构造为主，主要发育NW向、NNW向、NEE向3组断裂构造，同火山断裂发育，含矿火山热液沿断裂活动强烈[11]。该地区由古生代火山-沉积岩组成，总体为一背斜，核部主要包含中奥陶—上志留统大柳沟组、志留系红柳峡组、泥盆系大南湖组、石炭系脐山组、二叠系阿尔巴萨依组。红海矿区地层为奥陶系大柳沟组海相长英质火山岩-火山碎屑岩，主要岩性为凝灰质角砾岩、凝灰质砂岩、英安质熔结凝灰岩和沉凝灰岩等（图 1-b）[11，12]。红海矿床矿体层控性特征明显，主要产于大柳沟组第二套中性火山-火山碎屑岩建造的顶部，块状硫化物矿体下盘发育强烈的黄铁绢英岩化、绿泥石化和硅化。块状矿体上覆第三套中酸性火山岩-火山碎屑岩建造，发育绿泥石化、绿帘石化、钠长石化等[12]。矿床主要包括上部整合的似层状块状硫化物矿体及下部不整合的脉状-网脉状矿体两个部分。红海矿床铜储量0.27×106 t，品位1.49%;锌储量0.27×106 t，品位3.51%;金储量为7.1 t，品位0.6 g/t，银储量281 t ，品位 26 g/t[13]。块状矿体呈似层状、透镜状产出，长度约1 100 m，宽度53 m，块体向东北倾伏，倾向40°～50°，倾角20°～50°[11，12]。在块状矿体外围和顶部围岩中，常夹有大小不等的块状硫化物、硅质岩、沉凝灰岩、英安岩构成的角砾状矿石[11]。矿体最外围发育层状、条带状硅质岩，硅质岩中发育少量浸染状、细脉状黄铁矿，或含黄铜矿[12]。块状矿体下盘的蚀变岩筒中产出脉状矿体，包括脉状矿化、浸染状矿化，并发育强的黄铁绢英岩化、绿泥石化[11，12]。

2  三维地质建模与控矿因素提取

2.1  三维地质体建模

本文系统收集了研究区各种数据资料，主要数据包括平面地形地质图、中断平面图、勘探线剖面图、钻孔编录数据、地球物理数据等（表1）。利用ARCGIS等地学软件对地图数据进行坐标统一、数字化、属性编辑等工作，从DEM影像中提取研究区等高线，并对钻孔编录数据进行整理，用于三维实体模型的构建。

据研究区的矿床地质特征并结合已收集的地质数据，利用SKUA-GOCAD软件，构建红海矿床黄铁绢英岩化、凝灰岩、熔岩、安山岩、英安岩、断层及破碎带的三维实体模型（图2）。其中，红海已知矿体的三维模型是根据样品化验品位及铜矿边界品位（Cu元素含量大于0.2%）来构建的。

三维块体模型不同于三维实体模型，是将整个研究区域转化为规则的立方体网格单元（块体）得到的。通过对所有块体赋予不同的属性数据（如岩性信息、构造信息、重磁信息等），以达到多元信息的定量化表达和整合，从而实现研究区的三维定量预测评估[14]。三维实体模型的范围是根据红海矿区的勘探权范围和收集的钻孔数据确定的，考虑到边界效应以及控矿因素对周边的影响，将研究区以实体模型为中心进行了延拓，确定红海地区三维块体模型范围：X方向为411 850到415 350，Y方向为4 719 050 到 4 720 350，Z方向为650到-150（东西方向3 200 m，南北方向2 500 m，深度800 m）。考虑到数据的准确性、精度和计算效率，采用25 m×25 m×25 m立方体单元（共计429 957块）离散化三维块体模型。该模型是提取控矿因素并进行三维成矿预测的基础。

2.2  三维控矿因素提取

结合红海矿床的成矿特征，利用空间分析方法提取了相应的控矿因素。本文选取的控矿因素主要包括两大类：研究区各地质体的距离场和重磁数据的地球物理反演结果。通过对三维模型中的各地质体进行欧式距离计算，可定量化地表达各地质体的空间关联性，从而更好地将其应用到成矿预测中[14]。地球物理数据的三维反演是将观测的地球物理数据反演为物性变化，推断研究区与成矿有关的深部隐伏地质体的空间分布和形态[15]。以下是结合研究区的数据资料及前人的研究成果总结红海矿床控矿因素（图3）[10，12，16，17]。

蚀变控矿因素  黄铁绢英岩化是红海矿床重要的蚀变，与矿化有着密切的关系。红海矿床的块状硫化物矿体赋存在黄铁绢英岩蚀变带内，厚几米到几十米，结合钻孔资料，选定黄铁绢英岩化作为控矿因素。为了定量化表达黄铁绢英岩化对找矿的指示性作用，本文利用三维距离分析计算研究区所有块体单元到黄铁绢英岩化实体模型的欧式距离，从而实现黄铁绢英岩化控矿因素的提取。

构造控矿因素  红海矿区内断裂构造主要为NE向、NW向和近EW向。断裂构造控制了岩浆热液的运移，同时为热液中成矿物质的沉淀提供了场所，对成矿起着至关重要的作用。因此，将三维实体模型中的断层、破碎带作为控矿因素，计算断层模型和破碎带模型的距离场。

岩浆岩控矿因素  整个研究区岩浆岩广泛分布，主要为凝灰岩、含角砾凝灰质熔岩、安山岩和英安岩等。对研究区内已知矿床资料进行分析，发现已知块状或脉状矿体主要分布在这些岩浆岩内部或周边。因此，分别对凝灰岩、熔岩、安山岩和英安岩进行三维距离分析，将其计算结果作为控矿因素。

地球物理控矿因素  利用加拿大不列颠哥伦比亚大学（UBC）的GRAV3D和MAG3D软件分别对研究区的重力数据和磁力数据进行了三维物性反演，得到了研究区地下密度差和磁化率分布的三维模型。为了与研究区其它控矿因素的块体尺寸保持一致，利用研究区三维块体模型对重磁数据三维反演结果进行重采样，采样方式为最近邻法。红海矿床的矿体具高密度、低磁化率的物性特征[10，18]，重磁异常可较好地反映研究区矿体。因此，将重磁数据的三维反演结果作为控矿因素加入到预测模型中。

3  三维成矿预测

3.1  逻辑回归模型简介

逻辑回归模型通过构建因变量和自变量之间的多元回归关系来进行分类预测，该模型可计算因变量在某一状态下的概率值。作为一种非线性回归模型，它能够较好地拟合统计单元成矿概率与多种控矿因素之间的非线性关系，从而被广泛地应用于成矿预测领域[19-21]。本文中，因变量表示已知矿体存在与否，是一个二值变量;自变量则是用连续数值表示的各种控矿因素证据层。逻辑回归模型的数学表达式如下所示[20]：

[PY=11+e-Z ]… （1）

[Z=β0+β1x1+β2x2+β3x3+…+βnxn]…（2）

上式中，[PY]表示已知礦体的存在概率，数值在0到1之间变化。Z是各种控矿因素证据层[xii=1，2，3，…，n]的线型表达，[β0]表示截距，[βii=1，2，3，…，n]是证据层的回归系数，该系数可被解释为各种证据层对矿体存在的贡献度。通常利用最大似然方法对[β0]和[βii=1，2，3，…，n]进行估算，它是一个高阶可导的凸函数求解问题，梯度下降法或牛顿法都可求得最优解。

3.2  逻辑回归模型应用

本文中共使用了9个控矿因素证据图层，其中，7个是各地质体的距离场（图3-a-g），2个是研究区密度差和磁化率结果（图3-h，i）。前者属性值的数值范围较大，而后者属性值的数值范围较小，且具有不同的量纲。为了避免出现较大数值范围的属性支配较小数值范围的属性，提高计算效率，在应用逻辑回归模型之前，对所有证据图层均进行归一化处理，将属性数值转化到0～1之间。

将已知矿体实体模型的全部块体单元作为表示矿体存在的正样本，共计2 383个块体单元。据红海矿床的相关文献和钻孔数据，该区域表层覆盖着厚厚的第四系，且红海矿床的矿体埋藏深度主要在300 m以下。因此，在建模区域地表下150 m以内的所有块体单元中，随机选取2 383个块体作为表示矿体不存在的负样本。将选取的4 766个样本的70%作为训练数据，用于训练逻辑回归模型。本文中，逻辑回归模型使用Python中Scikit-learn包实现。为了避免模型过拟合，选取L2正则化，并采用十折交叉进行训练。利用网格搜索方法确定超参数C和求解方法solver的最优组合（图4-a），最后，选取4.4和newton-cg优化方法作为最优组合，从而得到整个研究区的矿体存在概率分布结果。

本文采用P-A（Prediction-area）图中交点所对应的概率值作为截断阈值[22]，从研究区的预测结果中，分离出具有高概率值的块体单元作为找矿有利单元。图4-b是红海矿区预测结果的P-A图，交点所对应的概率值为0.883 5。因此，以0.883 5作为研究区矿体存在的概率阈值进行找矿有利单元的圈定（图5）。P-A图的交点还可用来评价预测模型的表现，高处的交点表明占据研究区域较小的比例却包含了已知矿体的绝大部分。从图4-b中交点可看出，逻辑回归模型在识别红海矿床深部隐伏矿体方面有好的表现，圈定的找矿有利单元约占研究区所有块体单元的3.95%，却包含了红海已知矿体块体单元的96.43%。从找矿有利单元的空间分布状况来看（图5），找矿有利单元主要沿着红海矿区NE向和NW向两条主断裂分布，符合研究区的成矿概念模型。在红海已知矿体的南部存在较高成矿概率的区域，该区域体积约为86×106 m3，主要埋藏深度为地表下250～600 m，具有较大的找矿潜力。

4  结论

（1） 利用逻辑回归模型，实现了红海矿床三维成矿预测并圈定了找矿有利单元。

（2） 逻辑回归模型能够有效地识别红海矿床深部隐伏矿体，圈定的找矿有利单元约占研究区所有块体单元的3.95%，却包含了红海已知矿体块体单元的96.43%。

（3） 从找矿有利单元的分布状况来看，找矿有利单元主要沿着红海矿区NE向和NW向两条主断裂分布。红海矿床已知矿体南部高概率区域有着较大的找矿潜力，体积约为86×106 m3，主要埋藏深度为地表下250～600 m，对于矿区内深边部找矿工作有一定的参考价值。

参考文献

[1]    陈建平，于萍萍，史蕊，等.区域隐伏矿体三维定量预测评价方法研究[J].地学前缘，2014，21：211-220.

[2]    刘静，陈建平.我国三维成矿预测的研究现状及发展趋势[J].地质学刊，2017，41：441-447.

[3]    Caumon G， Ortiz J M， Rabeau O. A comparative study of three data-driven Mineral Potential Mapping techniques[C]. International Association for Mathematical Geology，2006.

[4]    王功文，郭远生，杜杨松，等.基于GIS的云南普朗斑岩铜矿床三维成矿预测[J].矿床地质， 2007，26（6）： 651-658.

[5]    毛先成，邹艳红，陈进，等.危机矿山深部、边部隐伏矿体的三维可视化预测—以安徽铜陵凤凰山矿田为例[J].地质通报，2010，29（Z1）： 401-413.

[6]    肖克炎，李楠，孙莉，等.基于三维信息技术大比例尺三维立体矿产预测方法及途径[J].地质学刊，2012，36（3）：229-236.

[7]    袁峰，李晓晖，张明明，等.隐伏矿体三维综合信息成矿预测方法[J].地质学报，2014，88（4）：630-643.

[8]    Nielsen S H H， Cunningham F， Hay R， et al.3D prospectivity modelling of orogenic gold in the Marymia Inlier， Western Australia[J].Ore Geology Reviews，2015，71：578-591.

[9]    毛启贵，方同辉，王京彬，等.东天山卡拉塔格早古生代红海块状硫化物矿床精确定年及其地质意义[J].岩石学报，2010，26：3017-3026.

[10]  馮源，王功文.东天山卡拉塔格红海一梅岭铜、锌、金多金属矿矿床地质特征及成矿模式研究[J].西北地质，2012，45： 194-197.

[11]  毛启贵，王京彬，方同辉，等.东天山卡拉塔格矿带红海VMS型矿床S、Pb同位素地球化学研究[J].矿床地质，2015，34（4）：730-744.

[12]  黄健瀚，陈华勇，韩金生，等.新疆东天山卡拉塔格红海VMS铜锌矿床蚀变与矿化时空分布特征[J].地球化学，2016，45（6）： 582-600.

[13]  Deng X H， Wang J B， Pirajno F， et al. Re-Os dating of chalcopyrite from selected mineral deposits in the Kalatag district in the eastern Tianshan Orogen， China[J]. Ore Geology Reviews， 2016， 77： 72-81.

[14]  李晓晖，袁峰，张明明，等.宁芜盆地白象山矿区人工神经网络三维成矿定位预测研究[J].地质学报，2014，88（4）： 644-657.

[15]  Wang G， Zhu Y， Zhang S， et al. 3D geological modeling based on gravitational and magnetic data inversion in the Luanchuan ore re           gion， Henan Province， China[J]. Journal of Applied Geophysics， 2012， 80：1-11.

[16]  孙岳，王功文，方同辉，等.新疆红海块状硫化物矿床三维地质建模及勘探应用[J].地质与勘探，2013，49：179-184.

[17]  甘先平，方同辉，王宁，等.新疆哈密市红海铜金矿地质特征及成    矿预测[J].矿产与地质，2015， 29：19-23.

[18]  陈卫，方同辉，刘涛，等.新疆卡拉塔格铜锌多金属矿床地球物理模型研究[J].矿产勘查，2011，2：749-763.

[19]  Carranza E J M， Hale M. Logistic Regression for Geologically      Constrained Mapping of Gold Potential， Baguio District， Philip       pines[J]. Exploration and Mining Geology， 2001，10：165-175.

[20]  Xiong Y， Zuo R. GIS-based rare events logistic regression for mineral prospectivity mapping[J]. Computers & Geosciences， 2018， 111：18-25.

[21]  Lin N， Chen Y， Lu L. Mineral Potential Mapping Using a Conjugate Gradient Logistic Regression Model[J]. Natural Resources Research， 2019， 29：173-188.

[22]  Yousefi M， Carranza E J M. Prediction-area （P-A） plot and C-A fractal analysis to classify and evaluate evidential maps for mineral prospectivity modeling[J]. Computers & Geosciences， 2015， 79：69-81.

Three-Dimensional Metallogenic Prediction of Honghai Deposit， Eastern Tianshan， Northwestern China based on Logistic Regression

Tao Jintao 1，2，Zhang Nannan1，2，Chang Jinyu1，2，Li Yanrong1

（1.Xinjiang Research Center for Mineral Resources， Xinjiang Institute of Ecology and Geography， Chinese Academy of Sciences， Urumqi，Xinjiang，830011，China; 2.University of Chinese Academy of Sciences， Beijing，100049， China）

Abstract： Combined with the geological background of the Honghai volcanogenic massive sulfide Cu–Zn deposit in Kalatage district， eastern Tianshan， northwestern China， a 3D geological model was constructed based on the accumulated geological data and geophysical data. A variety of ore-controlling factors were quantitatively extracted by using 3D distance analysis and geophysical inversion. The logistic regression model was used for deep prospectivity mapping and to delineate favorable units. The result shows that the logistic regression model can identify the concealed and deep-seated Honghai deposit well. The delineated favorable units occupied about 3.95% of the study area， but contain 96.43% of the known orebody. The favorable units are mainly distributed along the NE- and NW-trending faults. The high favorable areas， located in the south of the known orebody of the Honghai deposit， have great potential. Their volume is about 86×106 m3 and their buried depth is 250 m to 600 m underground. They should be considered as high-priority targets for future mineral exploration.

Key words： Logistic regression;3D geological modeling;Honghai deposit;Prospectivity modeling