东天山地区矿产资源丰富,构造演化复杂,出露大面积的中-酸性侵入岩,它们主要形成于晚古生代,与区域构造演化和内生金属矿床成矿关系十分密切,对区域构造环境和成矿规律的认识具有重要意义。然而,由于覆盖层的遮蔽作用,覆盖区内中-酸性侵入岩的地质填图信息是不完整或完全缺失的,这在一定程度上制约了东天山区域构造与成矿规律的认识。近年来,基于大数据研究新范式发展起来的融合地球物理、地球化学、遥感图像等多源探测数据进行间接岩性填图的方法,为解决这一难题提供了有效途径。机器学习算法被诸多实例证明是数据融合的有力工具,它对复杂非线性地学数据的分类和判别等问题具有较强的适用性。为此,本文提出利用机器学习方法融合重力、航磁、地球化学、遥感影像数据,快速、经济、更准确地进行东天山地区中-酸性侵入岩的填图工作。对研究区内出露的中-酸性侵入岩进行类别标定并将其作为目标变量,将布格重力、航磁、水系沉积物地球化学和Landsat卫星多波段遥感影像数据作为预测变量,采用合成少数类过采样技术,解决岩性样本数据分布不均衡问题。基于随机森林和人工神经网络算法,对超参数进行网格搜索得到最优预测模型,分别对东天山地区覆盖区内隐伏中-酸性岩体的空间分布和岩性进行预测,并对预测结果进行对比分析和讨论。准确率、召回率和F1得分都表明随机森林模型优于人工神经网络模型,故最终选取随机森林模型的预测结果作为东天山覆盖区的中-酸性侵入岩岩性填图的最终结果,进一步讨论了中-酸性侵入岩的空间分布对区域构造和成矿作用的控制规律。相比于传统的人工地质填图方式,基于机器学习和多源数据融合的间接岩性填图方法具有效率高、成本较低廉和不受地质地理景观条件制约等优点。

高精度的三维地质建模是数字孪生技术快速发展的重要基础,为资源预测、工程规划和灾害防治等领域提供了关键支撑。传统三维地质建模方法多依靠人工交互,难以满足复杂地质环境下对精细结构表达和实时更新的需求。为突破这些局限,近年来引入的机器学习与深度学习为地质建模提供了新的智能化解决方案,有效提升了模型的自动化程度和复杂结构的表达能力。本文系统回顾了三维地质建模的发展历程,总结了半智能化、机器学习和深度学习三个发展阶段的技术特征;深入剖析了深度学习与不确定性分析、迁移学习、主成分分析及多点地质统计学等方法的融合方法。同时,针对现有方法在数据稀疏处理、计算复杂性、模型可解释性和实时更新能力方面存在的不足,提出未来的研究趋势与发展方向,包括多模态数据融合、地质知识嵌入、轻量化模型优化、不确定性量化和人工智能大语言模型等。随着智能化建模技术的不断进步,三维地质模型的精度、可靠性和适应性将持续提升,进一步推动地质领域的数字孪生技术应用与工程实践发展。

部分地形复杂的区域可以利用遥感技术进行矿产资源勘探。高光谱遥感技术具有高光谱分辨率和丰富的空间信息,可以有效地识别这些区域的地质特征和矿化异常信息,并广泛应用于地质填图和找矿。随着中国航天事业高质量发展,GF-5高光谱数据已用于蚀变矿物的精细识别,可结合多源信息评价相关研究区域的找矿潜力。本研究针对内蒙古新忽热地区浩尧尔忽洞金矿周围区域,利用GF-5高光谱数据进行蚀变矿物信息提取与分析,采用两种类间距离方法选择参考端员光谱,通过传统的光谱角匹配(SAM)方法完成蚀变信息填图。综合分析了岩性-构造-蚀变多源地学要素,形成蚀变矿物多源地学信息综合图。本研究成功提取出8种蚀变矿物,分别为高岭石、白云母、蒙脱石、明矾石、赤铁矿、钛铁矿、针铁矿、方解石,并绘制蚀变矿物分布图。将遥感蚀变信息与研究区现有典型矿区进行类比分析,进而验证了遥感蚀变信息在地质找矿上的适用性。综上所述,多源数据在蚀变矿物填图方面更具经济实用性,可为潜在成矿区找矿工作提供指导和参考。

地铁是缓解大城市交通拥挤、增强城市综合承载能力和发展韧性的有效交通工具之一。高精度的三维地质模型是厘定地下空间的地质构造和不良地质体分布的重要数据基础,也是保证地铁工程建设安全的关键因素之一。然而,地铁工程地质数据整体量不多但局部密度高的特点,制约了地质体分布模式的有效识别和重建。本研究以广州地铁十一号线某区段为对象,针对白垩系、第四系沉积层及次火山岩复杂地质条件,系统对比了随机森林(RF)、XGBoost以及融合深度学习与多点统计学(DL+MPS)3种建模方法的性能。结果表明:DL+MPS方法通过深度神经网络提取全局特征,且与MPS局部优化相结合,在准确率(99.16%)、F1分数(98.91%)和ROC曲线AUC值(0.93~0.99)等关键指标上表现最优,能准确重建断层破碎带与火成岩体的空间接触关系,避免出现地层异常延伸和地质语义错乱现象。相较之下,随机森林和XGBoost虽在模型拟合阶段表现出较高训练精度(准确率分别达到99.60%和98.64%),但其模拟结果存在地质体离散分布、不合理外推及地层穿插等问题,钻孔验证准确率(最低为69.93%)显著低于DL+MPS方法(73.33%~87.50%)。研究表明:深度学习模型凭借强大的非线性特征提取能力,能有效应对地铁工程数据空间分布不均的挑战,为复杂地质条件下三维建模提供了更优解决方案,对提升地下工程安全性和数字孪生系统应用具有重要实践价值。