賈黎黎，朱世博，王建榮，胡飛躍

（廣東省地質(zhì)調(diào)查院，廣東廣州 510080）

0 引言

過去的幾十年中，地球化學異常一直在礦產(chǎn)勘探領域發(fā)揮著日益重要的作用（Cohen et al.，2010；Grunsky，2010；Zuo and Wang，2016；梁鳴等，2022；郭小剛等，2023）。隨著深度學習技術的不斷發(fā)展和普及，其在地球化學數(shù)據(jù)分析和找礦預測中的應用也越來越受到人們的關注（Xiong and Zuo，2020；Luo et al.，2020；鐘羽等，2022；李沐思等，2023）。

相比傳統(tǒng)的機器學習方法，深度學習方法在處理多源、異構、高維、高計算復雜度及高不確定性數(shù)據(jù)方面具有獨特的優(yōu)勢，能夠更有效地從中挖掘礦床與數(shù)據(jù)之間的深層次相關性（左仁廣，2019）。目前，國內(nèi)外研究者針對地球化學異常識別及礦產(chǎn)遠景預測的深度學習方法主要分為卷積神經(jīng)網(wǎng)絡（劉艷鵬等，2018；Li et al.，2018；蔡惠慧等，2019；鄧浩等，2020；Li et al.，2020；Sun et al.，2020）、生成對抗網(wǎng)絡（Zhang and Zuo.，2021；Li et al.，2022）和深度自動編碼器（Xiong and Zuo，2016；Xiong et al.，2018；Chen et al.，2019；Zhang et al.，2019；Luo et al.，2020）三類。這些方法能夠自動從多源找礦信息中提取高級特征，并實現(xiàn)大規(guī)模數(shù)據(jù)表征。

盡管眾多學者已經(jīng)在探索如何將深度學習更好地運用于找礦預測，并取得了一系列成果，但目前仍存在一些尚未解決的問題：（1）深度神經(jīng)網(wǎng)絡（DNN）深度學習只能建立采樣點與預測點之間的數(shù)據(jù)聯(lián)系，但是無法建立空間結構關系。在找礦預測中，單點異常并不意味著區(qū)域異常，以單點異常來表征區(qū)域性異常通常會引起誤判，因此在區(qū)域性找礦靶區(qū)預測方面效果欠佳。（2）卷積神經(jīng)網(wǎng)絡深度學習模型解決了數(shù)據(jù)結構的空間關系問題，但是由于地球化學數(shù)據(jù)的局部空間特征提取對卷積尺度設定較為敏感，卷積尺度設置過小時，卷積核會提取到異常的空間結構，尺度過大時卷積核會提取混合背景的空間結構，窗口過大過小都會對預測結果產(chǎn)生重要影響，目前并沒有科學的方法確定對找礦預測最有效的卷積窗口大小。

為提高深度學習技術在地球化學異常找礦中應用的深度及效果，需要解決的關鍵問題是如何通過融合多源地質(zhì)環(huán)境數(shù)據(jù)來識別異常區(qū)位的空間結構特征。語義分割模型作為卷積神經(jīng)網(wǎng)絡的提升，采用了上采樣、下采樣、池化和注意力機制等方法來增強卷積窗口的有效感受野，以盡可能緩解訓練精度受窗口大小的限制。這樣可以有效地識別出數(shù)據(jù)中重要的異常特征，從而顯著提高預測精度。目前語義分割深度學習方法已廣泛應用于醫(yī)學成像、自動駕駛、機器人導航、虛擬現(xiàn)實、遙感測繪等領域，成為計算機視覺和計算機圖形學領域的一個重要研究課題（Long et al.，2015；Huang and Wu，2022；Maji et al.，2022），但很少利用于成礦靶區(qū)預測中。鑒于此，本文融合地球化學數(shù)據(jù)、地層巖性數(shù)據(jù)、地質(zhì)構造數(shù)據(jù)及DEM數(shù)字高程數(shù)據(jù)組成多維地質(zhì)環(huán)境數(shù)據(jù)集，以UNet、SegNet、PSPNet三種語義分割作為主要技術手段，對比3種模型對本區(qū)數(shù)據(jù)集的訓練效果并選擇最優(yōu)模型開展廣東省陽江-茂名地區(qū)找礦靶區(qū)預測工作。

1 研究區(qū)概況與數(shù)據(jù)處理

1.1 研究區(qū)概況

研究區(qū)地處廣東省西南部，大地構造上屬華南褶皺系，涉及范圍橫跨云開大山隆起及粵中凹陷兩個構造單元。地層由老至新有元古界、寒武系、奧陶系、泥盆系、石炭系、二疊系、三疊系、侏羅系、白堊系、古近系、新近系及第四系。區(qū)內(nèi)地質(zhì)構造在后加里東時期受新華夏構造體系改造，多呈北東或近北東走向。發(fā)育兩個規(guī)模較大的向斜褶皺，分別為陽江新洲桐逕至合山那崖一帶向斜褶皺和茂名合江向斜。北東向斷裂構造發(fā)育，主要有：四會-吳川大斷裂、信宜-廉江斷裂、金垌-河唇斷裂、麗崗-笪橋斷裂、大潮-曹江斷裂、清灣-平定斷裂、織簧斷裂、溫泉一海陵斷裂、白石-那湖斷裂（圖1）。其中四會-吳川大斷裂、信宜-廉江斷裂對本區(qū)成礦起重要作用，自外向內(nèi)可劃分為以鐵為主、硫金銅、鉛鋅銀為主的三帶，具有對稱性。

圖1 廣東省陽江-茂名地區(qū)地質(zhì)圖Fig.1 Geological map of the Yangjiang-Maoming area in Guangdong Province1-大灣鎮(zhèn)組；2-桂州祖；3-禮樂組；4-黃崗組；5-北海組；6-高棚嶺組；7-老虎嶺組；8-尚村組；9-黃牛嶺組；10-油柑窩組；11-上垌組；12-銅鼓嶺組；13-三丫江組；14-三水組；15-葉塘組；16-羅定組；17-百足山組；18-帽子峰組；19-天子嶺組；20-春灣組；21-東坪組；22-東崗嶺組；23-信都組；24-桂頭群；25-老虎頭組；26-楊溪組；27-云開巖群；28-白堊系侵入巖；29-侏羅系侵入巖；30-三疊系侵入巖；31-二疊系侵入巖；32-石炭系侵入巖；33-泥盆系侵入巖；34-志留系侵入巖；35-奧陶系侵入巖；36-南華系侵入巖；37-青白口系侵入巖；38-混合花崗巖；39-混合巖；40-實測斷層；41-推測斷層；42-水系；43-行政界限；44-研究區(qū)范圍1-Dawanzhen Formation；2-Guizhou Formation；3-Lile Formation；4-Huanggang Formation；5-Beihai Formation；6-Gaopengling Formation；7-Laohuling Formation；8-Shangcun Formation；9-Huangniuling Formation；10-Youganwo Formation；11-Shangdong Formation；12-Tongguling Formation；13-Sanyajiang Formation；14-Sanshui Formation；15-Yetang Formation；16-Luoding Formation；17-Baizushan Formation；18-Maozifeng Formation；19-Tianziling Formation；20-Chunwan Formation；21-Dongping Formation；22-Donggangling Formation；23-Xindu Formation；24-Guitou Group；25-Laohutou Formation；26-Yangxi Formation；27-Yunkai rock group；28-Cretaceous intrusive rocks；29-Jurassic intrusive rocks；30-Triassic intrusive rocks；31-Permian intrusive rocks；32-Carboniferous intrusive rocks；33-Devonian intrusive rocks；34-Silurian intrusive rocks；35-Ordovician intrusive rocks；36-Nanhua System intrusive rocks；37-Qingbaikou System intrusive rocks；38-migmatitic granite；39-migmatite；40-measured fault；41-inferred fault；42-river system；43-administrative boundaries；44-boundary of study area

本區(qū)成礦作用主要受晉寧期大地構造控制。區(qū)內(nèi)礦產(chǎn)有高嶺土、油頁巖、鐵、銅、錫、磷礦、鉬礦、鉛鋅礦、稀土礦、金礦、鎢礦、水泥用灰?guī)r及礦泉水、地下熱水等。其中鐵、金、銅、高嶺土為本區(qū)分布面積最大、儲量最高的礦種，全區(qū)共有69個此類礦點，其中包含31 個鐵礦點、12 個銅鋅礦點、20 個金礦點及6個高嶺土礦點。銅礦類型主要為矽卡巖型及斑巖型；金礦類型主要為河臺式破碎帶蝕變糜棱巖型；鐵礦類型主要為大冶式矽卡巖型；高嶺土礦類型主要有沉積巖風化殘坡積型及花崗巖質(zhì)巖石風化殘積型。

1.2 化探數(shù)據(jù)處理及異常分析

研究區(qū)收集到的數(shù)據(jù)為1∶25 萬區(qū)域地球化學調(diào)查數(shù)據(jù)，其地球化學分析指標為W、Sn、Bi、Mo、Be、Li、Rb、Nb、U、Th、Zr、Y、La、Au、Ag、Pb、Zn、Hg、As、Fe、Mn、Co、Al、Mg、Si、Na、Ca、K 等28 種元素。從研究區(qū)28種原始地球化學基本統(tǒng)計參數(shù)看出（表1），研究區(qū)元素分為如下幾類：（1）弱變異（變異系數(shù)＜0.25）：均勻分布型元素較少，僅SiO2。（2）中等程度變異（0.25≤變異系數(shù)＜0.5）：元素以較均勻分布型為主，包括Y、Zr、Al2O3、Nb、La等5個元素，這些元素區(qū)域背景值總體上含量起伏變化不大。（3）強度變異型（0.5≤變異系數(shù)＜0.75）：強度變異型元素包括Fe2O3、Li、Th、Hg、U、Sn、Zn、MgO、Pb、Be、K2O、Ag、Mn 等13 種元素。該組元素區(qū)域上含量起伏較大，分異特征明顯。（4）高度變異（0.75≤變異系數(shù)＜1）：高度變異型元素包括Na2O、Rb、W、Co、CaO。該組元素在不同地質(zhì)背景及不同自然環(huán)境區(qū)含量差異較大，區(qū)域地球化學場表現(xiàn)為在多個生態(tài)環(huán)境區(qū)呈現(xiàn)富集或異常區(qū)（帶）的不均勻分布特征。（5）極度變異（變異系數(shù)≥1）：極度變異型元素有Bi、As、Mo、Au。該組元素在區(qū)域地球化學場表現(xiàn)不均勻分布特征，在多個生態(tài)環(huán)境區(qū)呈現(xiàn)富集或異常。

原始的地球化學數(shù)據(jù)存在數(shù)據(jù)變量單位差異及變量間數(shù)據(jù)集差異等問題。為了盡可能地表征數(shù)據(jù)特征，提高預測的精度，本文對化探數(shù)據(jù)進行歸一化處理，即經(jīng)處理后用0～1 之間數(shù)值來表征原始數(shù)據(jù)特征，其次用柵格疊加運算的方式表征地球化學元素組合異常特征。

由研究區(qū)元素異常分布圖可見（圖2），F(xiàn)e2O3異常主要分布在高州市北部、化州市西部，出露地層為早中泥盆世老虎頭組、信都組、中泥盆世東崗嶺組、晚泥盆世-早石炭世天子嶺組、帽子峰組和石橙子組及元古代云開群及青白口系侵入巖。Cu、Pb、Zn 綜合異常分布在高州市北部、化州市西部、陽江市東部，出露地層為賦礦地層為泥盆統(tǒng)信都組、東崗嶺組、天子嶺組、老虎頭組及元古代云開巖群，其次為燕山期侵入巖。Ag、Au綜合異常主要分布在化州市南部、電白區(qū)南部及陽江市東北部，主要出露地層為中元古代云開巖群。Al2O3、MgO、SiO2、CaO、K2O 綜合異常主要分布在電白區(qū)中部、陽江市東部及高州市北東部，出露地層主要為有中新統(tǒng)尚村組、中新統(tǒng)-上新統(tǒng)老虎嶺組、上新統(tǒng)高棚嶺組及中元古代云開巖群及青白口系侵入巖。該異常特征可為靶區(qū)圈定提供一定依據(jù)。

圖2 研究區(qū)元素異常分布圖Fig.2 Distribution of element anomalies in the study area

2 語義分割深度學習模型

卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，簡稱CNN），是一種可以自動從圖像和其他類型的大數(shù)據(jù)中學習表示的深度學習模型。它可以通過多層卷積和池化操作來提取輸入圖像中的特征，然后使用全連接層進行分類或回歸等任務。與傳統(tǒng)的神經(jīng)網(wǎng)絡相比，卷積神經(jīng)網(wǎng)絡模型具有更強的可解釋性及更好的利用性能（李炳臻等，2021；張菊和郭永峰，2021）。相比較傳統(tǒng)卷積神經(jīng)網(wǎng)絡模型，語義分 割 模 型（Semantic Segmentation with Deep Learning）更加注重像素級別的分類，將圖像分割成若干個像素類別，每個像素點都對應一種類別標簽。與物體識別不同，語義分割不僅需要標記出物體的邊界，還需要準確刻畫內(nèi)部物體的區(qū)域。因此，語義分割模型需要更為復雜的網(wǎng)絡結構和更高的計算效率，以實現(xiàn)精準的圖像分割效果。此外，在應用場景上，語義分割廣泛應用于計算機視覺、自動駕駛和醫(yī)學圖像處理等領域（趙霞等，2019；何家峰等，2023）。

目前常用的語義分割模型有多種，其中比較流行和常用的模型包括：U 型網(wǎng)絡（UNet）、編碼器-解碼器網(wǎng)絡（Encoder-Decoder）、空洞卷積網(wǎng)絡（DCN）、語義分割神經(jīng)網(wǎng)絡（SegNet）、金字塔空間池化網(wǎng)絡（PSPNet）以及深度拉普拉斯金字塔網(wǎng)絡（DeepLab）。本文選取了UNet、SegNet、PSPNet 模型進行找礦靶區(qū)預測，這三種模型均是深度學習中用于圖像分割的經(jīng)典模型（圖3）。在找礦靶區(qū)預測任務中，模型可以有效提取地質(zhì)圖像中重要的特征信息，為礦區(qū)的預測和分析提供有力支持。其中UNet模型是一種基于卷積神經(jīng)網(wǎng)絡的全卷積網(wǎng)絡，它的設計靈感來自于生物學的圖像重建過程。這種模型可以通過上采樣和下采樣的過程，逐步提取出圖像中的局部特征和全局特征，從而實現(xiàn)高質(zhì)量的圖像分割（Ronneberger et al.，2015）。SegNet 模型也是一種全卷積網(wǎng)絡，但是它使用了一種特殊的編碼器解碼器結構，可以有效解決深度學習中的過擬合問題。這種模型在醫(yī)學圖像分割和自然圖像分割中都有出色表現(xiàn)，因此在找礦靶區(qū)預測任務中也有很大的潛力（Zhao et al.，2017）。PSPNet模型是一種基于金字塔池化的深度學習網(wǎng)絡，它可以利用多個尺度的特征信息來進行圖像分割。這種模型在自然圖像分割中取得了非常好的結果，因此也可以應用于找礦靶區(qū)預測任務中（Badrinarayanan et al.，2017）。

圖3 語義分割模型框架結構圖Fig.3 Framework structure diagrams of the semantic segmentation models

3 模型評估

3.1 訓練樣本制作

本區(qū)成礦元素較多，包括W、Sn、Bi、Mo、Be、Li、Rb、Nb、U、Th、Zr、Y、La、Au、Ag、Pb、Zn、Hg、As、Fe、Mn、Co、Al、Mg、Si、Na、Ca、K 等28 種元素。本次研究利用這些元素測試結果制作地球化學異常圖，并結合地質(zhì)構造圖、地層巖性圖、DEM 數(shù)字高程影像等重采樣成500 m×500 m 空間尺度的圖像，最后打包組成一幅包含31 個維度信息的高維度圖像。通過已有礦區(qū)資料制作樣本標簽，其中標簽內(nèi)容包括背景、鐵礦、銅礦、高嶺土礦、金礦等分別用0、1、2、3、4等數(shù)字代替文本內(nèi)容，最后重采樣生成500 m×500 m 空間尺度的標簽圖像?；赑ython 平臺利用Gdal、Numpy 庫等，將訓練樣及標簽分別裁剪成32×32窗口大小的訓練集，共制作了包含3866個訓練樣本及標簽的訓練集，并按照3∶1 比例分成訓練數(shù)據(jù)及驗證數(shù)據(jù)。

3.2 模型評估

為評估語義分割模型性能，我們使用了兩個廣泛應用于圖像分割領域的標準評估指標，分別是Mean IoU（平均交并比）和Pixel Acc（像素準確率）：

式中nij為類別i被預測成類別j的數(shù)量；ncls為目標類別個數(shù)；ti為目標類別i數(shù)量；nii為類別i預測正確數(shù)量；nji為類j被預測成類別i的數(shù)量。主要模型參數(shù)epochs=500、batch_size=20，選擇Callback 函數(shù)當loss<0.02時進行回撤。

評估結果表明（表2），PSPNet模型在Mean IOU和Pixel Acc精度方面都優(yōu)于UNet與SegNet模型；在訓練時長方面，PSPNet、UNet、SegNet每次迭代耗時分別為25 s、1 s、2 s（RAM容量8G、顯卡型號NVIDIA GeForce 940MX）。PSPNet模型雖然在耗時方面較長，但是由于它引用了金字塔池化機制，可以獲得多種不同尺度的特征信息，從而可以更好地覆蓋不同大小的目標物體，其次在設計上更注重場景信息，可以更好地捕捉輸入圖像中的上下文信息，對于具有復雜背景或多個目標物體的場景，可以獲得更好的分割結果。

表2 模型精度評估表Table 2 Evaluation of model precision

4 討論

本文選擇最優(yōu)模型PSPNet進行找礦靶區(qū)預測，在Python 中利用Numpy 庫對研究區(qū)數(shù)據(jù)集進行矩陣化生成多維矩陣數(shù)據(jù)，將模型訓練結果對矩陣數(shù)據(jù)進行運算，并利用Gdal 庫對矩陣運算結果柵格化輸出預測結果柵格圖，在ArcGis 軟件中將柵格圖矢量化，并疊加礦點及成礦帶數(shù)據(jù)繪制找礦靶區(qū)預測圖（圖4）。預測結果顯示全區(qū)69 個礦點種有14 個礦點不在預測靶區(qū)中，其中金礦數(shù)量為6個、鐵礦數(shù)量為5個，銅礦數(shù)量為2個，高嶺土礦為1個，整體識別精度達到了79.7%，其中金礦、鐵礦、銅礦、高嶺土礦的識別精度分別為70%、83.8%、83.3%、83.3%，此外也預測出了21個目前未有查明礦點的找礦靶區(qū)。

圖4 基于PSPNet語義分割的深度模型找礦靶區(qū)預測圖Fig.4 Prediction of prospecting target areas based on PSPNet semantic segmentation in deep model1-Ⅳ級成礦帶；2-Ⅲ級成礦帶；3-鐵礦點（查明）；4-銅礦點（查明）；5-金礦點（查明）；6-高嶺土礦點（查明）；7-金礦（預測靶區(qū)）；8-鐵礦（預測靶區(qū)）；9-銅礦（預測靶區(qū)）；10-高嶺土礦（預測靶區(qū)）1-grade IV metallogenetic belt；2-grade III metallogenetic belt；3-iron ore spot（identified）；4-copper ore spot（identified）；5-gold ore spot（identified）；6-kaolinite ore spot（identified）；7-gold（predicted target area）；8-iron（predicted target area）；9-copper（predicted target area）；10-kaolinite（predicted target area）

鐵礦（1-1），位于III-85-2 云浮-信宜Au-Ag-Cu-Pb-Zn-Fe-Sn-Mo-Mn-硫鐵成礦帶。賦礦地層為早中泥盆世老虎頭組、信都組、中泥盆世東崗嶺組、晚泥盆世-早石炭世天子嶺組、帽子峰組和石橙子組，為碳酸鹽巖建造。地質(zhì)構造上屬巖體與圍巖接觸帶，接觸變質(zhì)巖發(fā)育，形成大理巖、角巖、鈣矽卡巖、鎂矽卡巖。成礦時期為中侏羅世、早白堊世。金屬礦物主要為磁鐵礦、錫石、赤鐵礦、黃鐵礦、磁黃鐵礦，見Fe2O3、Cu、Zn、Mo、Sn三級化探異常分帶。

鐵礦（1-2～1-8），位于III-85-2云浮-信宜Au-Ag-Cu-Pb-Zn-Fe-Sn-Mo-Mn-硫鐵成礦帶及III-85-3 陽春-吳江Cu-Pb-Zn-Fe-Sn-W-Mo-Au-硫鐵成礦帶。賦礦地層為中元古代云開巖群，為海相類復理石建造，并有海底火山噴發(fā)-噴溢沉積。地質(zhì)構造上屬于羅定盆地西南緣，貴子弧形構造帶，侵入巖為薊縣紀及加里東期花崗巖、二長花崗巖，變質(zhì)巖巖性主要為長石云母石英片巖、絹云母石英片巖、片麻巖等為一套巨厚層的淺變質(zhì)巖系，屬高綠片巖相。成礦時期以元古代為主，次為加里東期為主。金屬礦物主要磁鐵礦，其次有少量黃鐵礦、磁黃鐵礦及微量黃銅礦，見Fe2O3異常。

金礦（2-1～2-10），位于III-85-2 云浮-信宜Au-Ag-Cu-Pb-Zn-Fe-Sn-Mo-Mn-硫鐵成礦帶及III-85-3 陽春-吳江Cu-Pb-Zn-Fe-Sn-W-Mo-Au-硫鐵成礦帶。賦礦地層為中元古代云開巖群，自下而上巖性為眼球狀混合巖、長石石英片巖和條帶狀混合巖。地質(zhì)構造上處于云開隆起帶東翼，吳川-四會大斷裂西，侵入巖以花崗巖脈、偉晶巖脈。長英巖脈為主，零星分布透輝巖脈、偉晶巖脈。礦物組合主要以磁鐵礦、黃銅礦、黃鐵礦、自然金為主，少量或微量碲鉍礦、方鉛礦、閃鋅礦、自然鉍、磁鐵礦、赤鐵礦、黝銅礦。

銅礦（3-1），位于III-85-2 云浮-信宜Au-Ag-Cu-Pb-Zn-Fe-Sn-Mo-Mn-硫鐵成礦帶。賦礦地層為泥盆統(tǒng)信都組、東崗嶺組、天子嶺組、老虎頭組，為含陸源碎屑的碳酸鹽巖建造，巖性為灰?guī)r、白云質(zhì)灰?guī)r、粉砂質(zhì)灰?guī)r、白云巖等。地質(zhì)構造上屬巖體與圍巖接觸帶，層間破碎帶發(fā)育，發(fā)育矽卡巖化、大理巖化，次為金云母化、蛇紋石化、硅化等圍巖蝕變。成礦時期為燕山晚期，金屬礦物主要為黃銅礦石，主要為磁鐵礦、黃銅礦、黃鐵礦、斑銅礦。

銅礦（3-2～3-9），位于III-85-2云浮-信宜Au-Ag-Cu-Pb-Zn-Fe-Sn-Mo-Mn-硫鐵成礦帶及III-85-3 陽春-吳江Cu-Pb-Zn-Fe-Sn-W-Mo-Au-硫鐵成礦帶。賦礦地層為中-新元古代云開巖群第三段，為變質(zhì)砂巖-石英巖-片巖建造，其中綠片巖與銅鐵錫礦成礦關系密切。地質(zhì)構造上屬于Ⅲ級構造分區(qū)屬粵西俯沖型侵入巖帶。區(qū)域上位于羅定弧形斷裂的南緣，夾于廉江-信宜斷裂和吳川-四會斷裂之間，侵入巖一般為燕山五期花崗斑巖、斑狀花崗巖。花崗斑巖為鉬礦的成礦母巖，斑狀花崗巖為錫-鉬錫礦床的成礦母巖。金屬礦物主要是輝鉬礦、錫石、黑鎢礦、黃鐵礦、微量黃銅礦、方鉛礦、閃鋅礦。

高嶺土礦（4-1），位于III-85-2 云浮-信宜Au-Ag-Cu-Pb-Zn-Fe-Sn-Mo-Mn-硫鐵成礦帶。地層主要為有中新統(tǒng)尚村組、中新統(tǒng)-上新統(tǒng)老虎嶺組，上新統(tǒng)高棚嶺組，第四系殘坡積層。其中礦體主要賦存于老虎嶺組中下段的強-全風化土層中。成礦原巖為含礫、礫質(zhì)粗粒長石石英砂巖、含礫不等粒長石石英砂巖夾粘土巖，受強烈風化形成殘積高嶺土礦層。

高嶺土礦（4-2），位于III-85-2 云浮-信宜Au-Ag-Cu-Pb-Zn-Fe-Sn-Mo-Mn-硫鐵成礦帶。地層主要為中-新元古界云開巖群，巖性有變質(zhì)細粒長石石英砂巖、石英云母片巖、黑云斜長片麻巖、混合巖化花崗巖、均質(zhì)混合巖等。礦體賦存于加里東期偉晶巖化均質(zhì)混合巖風化殘積土中，由均質(zhì)混合巖風化殘積而成。

5 結論

靶區(qū)預測需要將物探、化探、遙感、地質(zhì)等多源復雜信息綜合分析，基于深度學習的算法可以迅速有效地融合地學信息，依托高性能計算機快速有效地圈定靶區(qū)，具有客觀性及高效性的優(yōu)點。本文提出利用語義分割的深度學習模型進行找礦預測，相較于傳統(tǒng)積神經(jīng)網(wǎng)絡模型，語義分割模型通過上下文信息融合方法，可以更準確地捕捉到異常特征的位置、大小及形狀等特征，更適用于相對范圍極小地質(zhì)異常區(qū)的識別，具有更高精度及魯棒性，在靶區(qū)預測任務中顯然具有更大的利用潛力。

在本次陽江-茂名地區(qū)開展找礦靶區(qū)預測研究中，PSPNet 模型在預測精度方面優(yōu)于SegNet、UNet模型，因為PSPNet 采用金字塔池化策略，從而具有更嚴格的上下文信息融合及感知野擴展策略、跨數(shù)據(jù)集泛化能力更優(yōu)秀，更適應在找礦靶區(qū)預測中的應用。同時，本次研究共圈定了55 處找礦靶區(qū)，其中包含9 個銅礦靶區(qū)、15 個鐵礦靶區(qū)、17 個金礦靶區(qū)及7 個高嶺土礦靶區(qū)，結合已有的69 個礦點，共有55 個礦點在靶區(qū)內(nèi)，識別率達到了79.7%，同時也預測出了21處未有查明礦點的靶區(qū)，表明PSPNet語義分割深度學習模型在找礦靶區(qū)預測中具有很好的適用性。