结合化探数据的齐石滩金矿区遥感地球化学建模

孔 华， 黄慧坤， 成 功

(1. 中南大学地球科学与信息物理学院，湖南 长沙 410083；2. 有色金属成矿预测与地质环境监测教育部重点实验室，湖南 长沙 410083)

0 引 言

随着找矿难度的增加，传统地球化学矿产勘查的优势在逐渐消失(陈子万等，2012)。元素的分布对矿产赋存情况具有指示意义(李进波等，2018)，如何利用现有的找矿信息建立找矿预测模型，进一步圈定成矿靶区，为后续找矿工作提供依据成为热点问题。遥感技术可快速测量地球动态参数，弥补单一地球化学勘探手段的不足(王晋年等，1996)。现有研究表明,成矿元素含量与遥感影像灰度值及光谱反射率之间存在必然联系(Kemper et al.，2002；Siebielec et al.，2004；Choe et al.，2008；陈勇敢等，2010)，因此建立成矿元素含量与遥感影像之间的反演模型是遥感地球化学的重要研究内容。常见的线性模型(如多元统计模型)和非线性模型(如BP神经网络模型)能较好地拟合成矿元素含量与遥感影像之间的相关关系，结合化探数据建立遥感地球化学模型，反演结果可以用于圈定矿化异常(陈三明等，2010；陈勇敢等，2010；卢志宏等，2018)。

新疆齐石滩地区为一金多金属成矿区，对该区进行的大量地质构造特征、地质填图、物化探测、电磁探测等矿产勘查工作(雷建华等，2004；温常贵等，2015；陈威等，2016)初步证实该区具有一定的找矿潜力。结合成矿元素的化学勘探数据进行遥感地球化学建模与反演研究，探索适合该区的建模方法，获取找矿异常信息，为该区的找矿工作提供参考。

1 研究区地质背景

齐石滩金矿研究区位于亚洲中部，新疆吐鲁番鄯善东南部。属于南湖戈壁滩的低山丘陵区，地势平缓，植被稀少，表层多为沙土砾石，基岩大多裸露(许璇，2012)。该区日照充足，降雨量少且蒸发量极大，难以形成河流，是进行遥感地球化学找矿的理想区域(图1)。

图1 新疆齐石滩金矿区地质地貌概况图(据Sun et al.，2020)(a) 地理位置缩略图；(b) 地质构造背景；(c) 地理景观图1-中-新生代沉积盖层;2-二叠纪大陆火山沉积岩;3-石炭纪火山沉积岩;4-奧陶—泥盆纪火山沉积岩;5-前寒武纪变质岩;6-花岗岩;7-阿奇山组;8-雅满苏组;9-土古土布拉克组;10-底坎尔组;11-康古尔断裂带；12-雅满苏断裂带；13-沙泉子断裂带；14-断裂带;15-剪切带;16-金矿;17-铜矿;18-铜镍硫化物矿床；19-铁矿床;20-铜铁矿床；21-银矿床;22-大型矿床；23-中型矿床；24-小型矿床Fig. 1 Geological and geomorphic sketch of the Qishitan gold deposit in Xinjiang(after Sun et al., 2020) (a) Thumbnail of geographical location; (b) Geological tectonic setting; (c) Geographical landscape map

研究区的地层主要为下石炭统雅满苏组和中-下石炭统苦水组，除西北和西南分布少量第四系外，其他区域均为下石炭统地层，以雅满苏大断裂为界，南部为雅满苏组，北部为苦水组。西北部地表多覆盖杂砾岩、泥岩等；中南部主要为呈弧形并近东西向展布的雅满苏大断裂，是苦水组与雅满苏组地层的分界，具普遍的挤压现象和剪切特征；南部存在若干条近东西向的断裂。

研究区东南部的康古尔金矿目前正在开采。该矿区周边火山-岩浆活动频繁，地层褶皱及断层极为发育，韧性剪切叠加构造作用较为强烈，动力变质作用明显，区内金及金多金属矿分布多受地层和韧性剪切带控制(徐湘康等，1994)。火山活动促进了成矿元素的重新分配和组合，强烈的韧性剪切变质运动使其富集叠加。热液上升过程中大部分冷却形成矿体，少部分渗透至近地表，使成矿元素的地表丰度增加，为遥感找矿提供了有利条件。区内元素组合好、强度高，分带明显(张连昌等，1997)，具有一定规模的含Au、Cu的物质(潘益清，2009；林楠，2015)。

野外勘查发现研究区具有金矿化和金矿(化)体的存在(潘益清，2009)，且齐石滩金矿与康古尔金矿、马头滩金矿、红石金矿等已知金矿位于同一剪切构造带上，具备基本相同的地质、构造、地球物理、地球化学等赋存金及金属矿的成矿条件(薛春纪等，1995)，具有良好的找矿前景。

图2 研究区概况及采样点分布1-第四系；2-雅满苏组第五段灰岩；3-雅满苏组第五段火山碎屑岩层；4-雅满苏组第五段石英粗面岩；5-雅满苏组第四段火山碎屑岩；6-雅满苏组第三段长石岩屑砂岩；7-苦水组长石岩屑杂砂岩;8-康古尔塔格第三单元英云闪长岩;9-康古尔塔格第二单元石英闪长玢岩;10-康古尔塔格第一单元浅色辉长岩;11-英安斑岩;12-实测地层界线;13-断层;14-韧性断裂;15-地层产状;16-金矿点;17-采样点Fig. 2 Geological sketch and distribution of sampling points in the study area

2 数据处理

2.1 化探数据获取与处理

采样方式为岩屑地球化学采样，采样部位为基岩风化层位的顶部。采样时严格按照100 m×40 m网格采集地表样品，记录采样位置的坐标(图2)。采样过程：铲去上部风积或风积盖层，露出基岩分化层，在其顶部采集样本，在采样点周围点线距1/10范围内采样3～5处样品组成1个样本，且每个样本的质量>200 g。经晒干、过4.75～0.85 mm(4～20目)套筛等初加工后，烘干，磨细至0.075 mm (200目)，进行化探分析。共对6 968个点进行样本采集，经化学分析后，得到每个样本点10种元素的含量。

2.2 遥感数据获取与处理

采用2011-12-20的WorldView-2遥感多光谱影像，分辨率为1.8 m、波段数为8。WorldView-2数据地面分辨率较高、尺度更小、波段较多，可进行精确变化检测和制图，有利于提取元素的特征光谱(Segal-Rozenhaimer et al.，2020)。为消除和修正大气、环境、地形引起的误差，更好地确定化学元素与光谱响应之间的函数关系，进行了辐射定标、大气校正、几何校正等操作。其中，将化学勘探时保留的探槽选作几何校正的配准点，与地质图坐标进行匹配，完成几何校正。

2.3 建模样本挑选

根据前期研究成果，线性回归建模时样本数为50左右即可取得较好的精度(成功等，2019)。为验证采样位置对建模效果的影响，将区内的元素含量高值区、低值区以及全区划分为3个子集，从子集内随机挑选各50个样本作为建模样本。

3 线性回归建模

岩石作为矿物的集合体，其化学成分和物理特性与地物光谱特征密切相关(于胜尧等，2014；Yang et al., 2015；杨长保等，2017)。光谱反射值随元素含量的变化而变化，遥感影像检测到的地表光谱反射值的变化反映了元素含量的差异。

计算元素含量与对应位置响应光谱的相关性并绘制散点图发现，两者之间呈一定的线性相关，因此可假设元素含量与光谱反射值之间存在多元线性关系，并在此基础上进行定量遥感地球化学多元线性回归分析。此时，因变量即为需要估算和预测的元素的含量，自变量为图像波段band1，band2, …, bandn在方程中的表示。基于WorldView-2遥感影像进行波段运算和多元线性回归系数求解，然后进行建模、反演和绘图，得到Au元素3个不同取样位置的模型(表1)，以及Au、Ag等元素遥感地球化学反演结果(图3)。其中，反演绘图的颜色等级按自然断点法进行分级，红色越深代表元素正异常值越高，该区存在金属矿体的可能性越大。实验结果引入相关系数(R)、决定系数(R2)和均方根误差(RMSE)来检验模型的拟合程度，以实现最终模型的精度评价(表2)。对比表2结果发现下列特征。

(1) MLR模型反演提取的高值异常区与已知信息存在偏差。反演结果显示，As、Au、Hg、Pb等元素在研究区均异常分布，且在北部、北西—南东的弧形断裂带和东南部近东西走向的断裂位置有较强的异常值。相关资料(温常贵等，2015)显示，反演区域东南角为康古尔多金属矿，确实存在多种金属矿床，但研究区西北部为地势较高的岩体，反演结果显示该处存在的异常与矿体形成的地质条件不符合，与化探分析结果相悖，为假异常，说明MLR模型对该区元素的反演效果不够理想。

表1 基于WorldView-2遥感数据和化探实测数据的Au元素遥感反演模型

表2 研究区各元素定量遥感地球化学反演精度检验结果

图3 各元素遥感地球化学反演结果图Fig. 3 Inversion results of remote sensing geochemistry of each element(a) Ag； (b) As； (c) Au； (d) Cu； (e) Hg； (f) Mo； (g) Pb; (h) Sb; (i) Zn

(2) 建模点的采样位置对建模效果影响不大。指标计算结果显示：高值区取点建模的Cu、Pb、Zn元素的R2较高，整体相关系数R在0.4～0.8之间；全区随机取点建模的Au、Zn、Sb元素的R2较高，其他各元素的相关系数R在0.5～0.8之间；低值区取点建模效果最差。虽然全区随机取点建模的总体精度略高，但无显著区别，因此在样本数量相同的情况下建模样本位置的不同对建模效果影响并不大，说明MLR模型反演结果精度不高与建模点的采样位置无关。

综上所述，MLR模型的数学统计(R、R2、RPD、RMSE)指标计算结果普遍存在均方根误差较大、R2较低等问题，在反演绘图过程中，不仅许多R2较高的元素不如R2较低的元素反演绘图效果好，而且出现样本数量较多时建模精度反而下降的情况。分析原因，一方面，统计学指标的检验是点对点的检验，对于连续的面的检验能力不足；另一方面，在实际情况下，元素含量与影像像元及波谱响应之间的线性和非线性关系同时存在，单一线性模型不具有概括性，且当样本数量较多时MLR模型误差累积变大而单个样本产生影响较小，对模型精度的提高较少(成功等，2019)，此时模型的归纳与推演能力不足。因此，引入BP神经网络模型进行元素反演，以弥补MLR线性模型反演的不足。

4 BP神经网络建模

图4 BP神经网络元素反演图Fig. 4 BP neural network element inversion diagrams(a) Ag； (b) As； (c) Au； (d) Cu； (e) Hg； (f) Mo； (g) Pb; (h) Sb; (i) Zn

BP神经网络能通过学习实例自动获取求解规则，具有一定的推广能力，并能存储激活函数及其导函数，不断修正自身各个连接权误差值，提高训练的准确性(杨晓帆等，1994)。

上述实验证明，在全区随机取点建模效果更好，按因变量∶自变量≥1∶10规则，在区内随机选取160个样本数据，划分为训练集和验证集，网络训练前对样本的输入输出进行归一化和反归一化处理。实验设置3层隐含层，每层的节点数范围为8～25，迭代选取最优节点数，分配权值和阈值。训练函数采用Levenberg-Marquardt方法的trainlm函数。

Au等元素的反演结果(图4)及精度检验结果(表2)显示，总体而言，BP神经网络模型效果更优，尤其是As、Mo、Pb等元素。与高值区取点的MLR模型相比，BP模型的R和R2分别提升了20.65%、45.86%，RMSE减少了22.31%；与全区取点的MLR模型相比，BP模型的R和R2分别提升了18.53%、42.91%，RMSE增加了117.83%。

5 结果与讨论

5.1 结果分析

图5 元素化探插值图Fig. 5 Geochemical interpolation diagrams of elements

为解决统计学指标检验能力不足的问题，对采集的6 968份样本分析数据进行插值得到各元素含量异常分布图(图5)，与反演结果(图3、图4)对比发现下列特点。

(1) 与MLP模型相比，BP模型有效减少了北部、西北部的假异常现象，反演细节对异常的圈定范围更小，指示性更强；与化探插值图相比，BP反演结果中虽部分元素异常位置偏移，但各元素反演结果与化探异常的形态较为相似，且精度检验显示BP神经网络反演精度更高。综合说明，BP反演结果实际效果较好。

(2) 图3、图4、图5的各元素反演结果均显示区内有1条南西—北东走向、近弧形展布的异常带，南部有1条近东西走向的异常带，与雅满苏大断裂、康古尔塔格韧性剪切带所处位置相近或相似，与已知的化探与物探的异常结果吻合，说明该处元素富集度较高，成矿的可能性很大，可作为找矿的重点区域。

5.2 讨 论

(1) 多元线性回归(MLR)法适用于元素的光谱与含量之间存在明显线性相关的情况，当超过一定样本数后，其拟合优度、模拟与预测能力逐渐下降，无法通过增加样本数量实现精度的提升。

BP神经网络对非线性映射关系具有较好的处理效果(成功等，2017)，对新数据有较强的学习能力，可适当增加样本数量来提高模型预测精度，在样本数足够多的情况下效果更好。

因此，BP神经网络法对多为混合像元的实际地表的预测与反演能力优于MLR方法。

(2) 虽然在建模精度及反演效果上BP神经网络模型优于MLR模型，且模型的相关系数R、决定系数R2均有所提升，但BP神经网络的RMSE提升较少甚至减小，元素之间反演精度具有差异性，少数元素(如Ag、Bi元素等)的R2仍不够理想，计算复杂度增加，反演异常在形态上与化探插值图存在少量偏差。原因可能是地表元素含量不高，可通过反演其伴生元素的异常位置进一步推测，或探索影响建模的因素，不断修正和改进建模方法，以达到更好的效果。

6 结 论

(1) 各元素的反演结果显示，齐石滩金矿研究区存在与已知康古尔金矿相似的遥感地球化学异常，与化探插值异常吻合很好，具有较好的金矿找矿潜力。

(2) 遥感地球化学建模中，BP神经网络建模方法的精度优于多元线性回归建模方法，主要是因为遥感影像为混合像元，其光谱与元素含量之间可能为非线性关系，BP神经网络更适合非线性关系的建模。