陶金濤, 張楠楠, 常金雨, 李艷榮

摘? 要：結(jié)合新疆東天山卡拉塔格地區(qū)紅海VMS銅鋅礦床成礦地質(zhì)背景，基于礦區(qū)積累的地質(zhì)和物探數(shù)據(jù)，構(gòu)建了三維地質(zhì)模型。利用三維距離分析和地球物理反演方法，定量提取了多種控礦因素;采用邏輯回歸模型進(jìn)行了深部成礦預(yù)測并圈定了找礦有利單元。預(yù)測結(jié)果表明，邏輯回歸模型能夠較好地識別紅海礦床深部隱伏礦體，圈定的找礦有利單元約占研究區(qū)所有塊體單元的3.95%，包含了紅海已知礦體塊體單元的96.43%。找礦有利單元主要沿紅海礦區(qū)NE向和NW向兩條主斷裂分布，在已知礦體的南部存在較高成礦概率的區(qū)域，體積約為86×106 m3，主要埋藏深度為地表下250～600 m，可作為下一步找礦勘探的重點(diǎn)區(qū)域。

關(guān)鍵詞：邏輯回歸;三維地質(zhì)建模;紅海礦床;成礦預(yù)測

隨著易于尋找的地表礦、淺部礦的減少，隱伏礦、深部礦、難識別礦已成為許多國家和地區(qū)的主要找礦對象[1]。面對當(dāng)前深邊部找礦需求，利用計(jì)算機(jī)三維地質(zhì)建模技術(shù)和地質(zhì)統(tǒng)計(jì)學(xué)方法進(jìn)行三維成礦預(yù)測研究成為近年來礦產(chǎn)資源預(yù)測領(lǐng)域的一大亮點(diǎn)[2]。國內(nèi)外學(xué)者在多個(gè)研究區(qū)域進(jìn)行了三維成礦預(yù)測研究并取得了一些顯著成果[3-8]。

紅海VMS（Volcanogenic Massive Sulfide Deposits）型銅鋅礦床位于新疆東天山大南湖-頭蘇泉島弧帶的卡拉塔格地區(qū)，是該區(qū)域典型的VMS型隱伏礦床。前人對紅海礦床進(jìn)行了研究，積累了大量的基礎(chǔ)地質(zhì)、勘探工程等相關(guān)數(shù)據(jù)資料，但利用這些數(shù)據(jù)資料，在紅海礦區(qū)系統(tǒng)地進(jìn)行三維成礦預(yù)測的研究依然比較匱乏。因此，本文綜合利用已有的地質(zhì)勘探成果，采用邏輯回歸模型對紅海礦床深邊部隱伏礦體進(jìn)行三維預(yù)測研究，以期為礦區(qū)的進(jìn)一步找礦工作提供新的成果和依據(jù)。

1? 地質(zhì)背景

紅海礦床位于東天山大南湖-頭蘇泉島弧帶北部的卡拉塔格地區(qū)（圖1-a），是一個(gè)主礦體埋藏深度大于 300 m 的隱伏礦床[9，10]?？ɡ竦貐^(qū)以EW向斷層、褶皺構(gòu)造為主，主要發(fā)育NW向、NNW向、NEE向3組斷裂構(gòu)造，同火山斷裂發(fā)育，含礦火山熱液沿?cái)嗔鸦顒訌?qiáng)烈[11]。該地區(qū)由古生代火山-沉積巖組成，總體為一背斜，核部主要包含中奧陶—上志留統(tǒng)大柳溝組、志留系紅柳峽組、泥盆系大南湖組、石炭系臍山組、二疊系阿爾巴薩依組。紅海礦區(qū)地層為奧陶系大柳溝組海相長英質(zhì)火山巖-火山碎屑巖，主要巖性為凝灰質(zhì)角礫巖、凝灰質(zhì)砂巖、英安質(zhì)熔結(jié)凝灰?guī)r和沉凝灰?guī)r等（圖 1-b）[11，12]。紅海礦床礦體層控性特征明顯，主要產(chǎn)于大柳溝組第二套中性火山-火山碎屑巖建造的頂部，塊狀硫化物礦體下盤發(fā)育強(qiáng)烈的黃鐵絹英巖化、綠泥石化和硅化。塊狀礦體上覆第三套中酸性火山巖-火山碎屑巖建造，發(fā)育綠泥石化、綠簾石化、鈉長石化等[12]。礦床主要包括上部整合的似層狀塊狀硫化物礦體及下部不整合的脈狀-網(wǎng)脈狀礦體兩個(gè)部分。紅海礦床銅儲量0.27×106 t，品位1.49%;鋅儲量0.27×106 t，品位3.51%;金儲量為7.1 t，品位0.6 g/t，銀儲量281 t ，品位 26 g/t[13]。塊狀礦體呈似層狀、透鏡狀產(chǎn)出，長度約1 100 m，寬度53 m，塊體向東北傾伏，傾向40°～50°，傾角20°～50°[11，12]。在塊狀礦體外圍和頂部圍巖中，常夾有大小不等的塊狀硫化物、硅質(zhì)巖、沉凝灰?guī)r、英安巖構(gòu)成的角礫狀礦石[11]。礦體最外圍發(fā)育層狀、條帶狀硅質(zhì)巖，硅質(zhì)巖中發(fā)育少量浸染狀、細(xì)脈狀黃鐵礦，或含黃銅礦[12]。塊狀礦體下盤的蝕變巖筒中產(chǎn)出脈狀礦體，包括脈狀礦化、浸染狀礦化，并發(fā)育強(qiáng)的黃鐵絹英巖化、綠泥石化[11，12]。

2? 三維地質(zhì)建模與控礦因素提取

2.1? 三維地質(zhì)體建模

本文系統(tǒng)收集了研究區(qū)各種數(shù)據(jù)資料，主要數(shù)據(jù)包括平面地形地質(zhì)圖、中斷平面圖、勘探線剖面圖、鉆孔編錄數(shù)據(jù)、地球物理數(shù)據(jù)等（表1）。利用ARCGIS等地學(xué)軟件對地圖數(shù)據(jù)進(jìn)行坐標(biāo)統(tǒng)一、數(shù)字化、屬性編輯等工作，從DEM影像中提取研究區(qū)等高線，并對鉆孔編錄數(shù)據(jù)進(jìn)行整理，用于三維實(shí)體模型的構(gòu)建。

據(jù)研究區(qū)的礦床地質(zhì)特征并結(jié)合已收集的地質(zhì)數(shù)據(jù)，利用SKUA-GOCAD軟件，構(gòu)建紅海礦床黃鐵絹英巖化、凝灰?guī)r、熔巖、安山巖、英安巖、斷層及破碎帶的三維實(shí)體模型（圖2）。其中，紅海已知礦體的三維模型是根據(jù)樣品化驗(yàn)品位及銅礦邊界品位（Cu元素含量大于0.2%）來構(gòu)建的。

三維塊體模型不同于三維實(shí)體模型，是將整個(gè)研究區(qū)域轉(zhuǎn)化為規(guī)則的立方體網(wǎng)格單元（塊體）得到的。通過對所有塊體賦予不同的屬性數(shù)據(jù)（如巖性信息、構(gòu)造信息、重磁信息等），以達(dá)到多元信息的定量化表達(dá)和整合，從而實(shí)現(xiàn)研究區(qū)的三維定量預(yù)測評估[14]。三維實(shí)體模型的范圍是根據(jù)紅海礦區(qū)的勘探權(quán)范圍和收集的鉆孔數(shù)據(jù)確定的，考慮到邊界效應(yīng)以及控礦因素對周邊的影響，將研究區(qū)以實(shí)體模型為中心進(jìn)行了延拓，確定紅海地區(qū)三維塊體模型范圍：X方向?yàn)?11 850到415 350，Y方向?yàn)? 719 050 到 4 720 350，Z方向?yàn)?50到-150（東西方向3 200 m，南北方向2 500 m，深度800 m）?？紤]到數(shù)據(jù)的準(zhǔn)確性、精度和計(jì)算效率，采用25 m×25 m×25 m立方體單元（共計(jì)429 957塊）離散化三維塊體模型。該模型是提取控礦因素并進(jìn)行三維成礦預(yù)測的基礎(chǔ)。

2.2? 三維控礦因素提取

結(jié)合紅海礦床的成礦特征，利用空間分析方法提取了相應(yīng)的控礦因素。本文選取的控礦因素主要包括兩大類：研究區(qū)各地質(zhì)體的距離場和重磁數(shù)據(jù)的地球物理反演結(jié)果。通過對三維模型中的各地質(zhì)體進(jìn)行歐式距離計(jì)算，可定量化地表達(dá)各地質(zhì)體的空間關(guān)聯(lián)性，從而更好地將其應(yīng)用到成礦預(yù)測中[14]。地球物理數(shù)據(jù)的三維反演是將觀測的地球物理數(shù)據(jù)反演為物性變化，推斷研究區(qū)與成礦有關(guān)的深部隱伏地質(zhì)體的空間分布和形態(tài)[15]。以下是結(jié)合研究區(qū)的數(shù)據(jù)資料及前人的研究成果總結(jié)紅海礦床控礦因素（圖3）[10，12，16，17]。

蝕變控礦因素? 黃鐵絹英巖化是紅海礦床重要的蝕變，與礦化有著密切的關(guān)系。紅海礦床的塊狀硫化物礦體賦存在黃鐵絹英巖蝕變帶內(nèi)，厚幾米到幾十米，結(jié)合鉆孔資料，選定黃鐵絹英巖化作為控礦因素。為了定量化表達(dá)黃鐵絹英巖化對找礦的指示性作用，本文利用三維距離分析計(jì)算研究區(qū)所有塊體單元到黃鐵絹英巖化實(shí)體模型的歐式距離，從而實(shí)現(xiàn)黃鐵絹英巖化控礦因素的提取。

構(gòu)造控礦因素? 紅海礦區(qū)內(nèi)斷裂構(gòu)造主要為NE向、NW向和近EW向。斷裂構(gòu)造控制了巖漿熱液的運(yùn)移，同時(shí)為熱液中成礦物質(zhì)的沉淀提供了場所，對成礦起著至關(guān)重要的作用。因此，將三維實(shí)體模型中的斷層、破碎帶作為控礦因素，計(jì)算斷層模型和破碎帶模型的距離場。

巖漿巖控礦因素? 整個(gè)研究區(qū)巖漿巖廣泛分布，主要為凝灰?guī)r、含角礫凝灰質(zhì)熔巖、安山巖和英安巖等。對研究區(qū)內(nèi)已知礦床資料進(jìn)行分析，發(fā)現(xiàn)已知塊狀或脈狀礦體主要分布在這些巖漿巖內(nèi)部或周邊。因此，分別對凝灰?guī)r、熔巖、安山巖和英安巖進(jìn)行三維距離分析，將其計(jì)算結(jié)果作為控礦因素。

地球物理控礦因素? 利用加拿大不列顛哥倫比亞大學(xué)（UBC）的GRAV3D和MAG3D軟件分別對研究區(qū)的重力數(shù)據(jù)和磁力數(shù)據(jù)進(jìn)行了三維物性反演，得到了研究區(qū)地下密度差和磁化率分布的三維模型。為了與研究區(qū)其它控礦因素的塊體尺寸保持一致，利用研究區(qū)三維塊體模型對重磁數(shù)據(jù)三維反演結(jié)果進(jìn)行重采樣，采樣方式為最近鄰法。紅海礦床的礦體具高密度、低磁化率的物性特征[10，18]，重磁異常可較好地反映研究區(qū)礦體。因此，將重磁數(shù)據(jù)的三維反演結(jié)果作為控礦因素加入到預(yù)測模型中。

3? 三維成礦預(yù)測

3.1? 邏輯回歸模型簡介

邏輯回歸模型通過構(gòu)建因變量和自變量之間的多元回歸關(guān)系來進(jìn)行分類預(yù)測，該模型可計(jì)算因變量在某一狀態(tài)下的概率值。作為一種非線性回歸模型，它能夠較好地?cái)M合統(tǒng)計(jì)單元成礦概率與多種控礦因素之間的非線性關(guān)系，從而被廣泛地應(yīng)用于成礦預(yù)測領(lǐng)域[19-21]。本文中，因變量表示已知礦體存在與否，是一個(gè)二值變量;自變量則是用連續(xù)數(shù)值表示的各種控礦因素證據(jù)層。邏輯回歸模型的數(shù)學(xué)表達(dá)式如下所示[20]：

[PY=11+e-Z ]… （1）

[Z=β0+β1x1+β2x2+β3x3+…+βnxn]…（2）

上式中，[PY]表示已知礦體的存在概率，數(shù)值在0到1之間變化。Z是各種控礦因素證據(jù)層[xii=1，2，3，…，n]的線型表達(dá)，[β0]表示截距，[βii=1，2，3，…，n]是證據(jù)層的回歸系數(shù)，該系數(shù)可被解釋為各種證據(jù)層對礦體存在的貢獻(xiàn)度。通常利用最大似然方法對[β0]和[βii=1，2，3，…，n]進(jìn)行估算，它是一個(gè)高階可導(dǎo)的凸函數(shù)求解問題，梯度下降法或牛頓法都可求得最優(yōu)解。

3.2? 邏輯回歸模型應(yīng)用

本文中共使用了9個(gè)控礦因素證據(jù)圖層，其中，7個(gè)是各地質(zhì)體的距離場（圖3-a-g），2個(gè)是研究區(qū)密度差和磁化率結(jié)果（圖3-h，i）。前者屬性值的數(shù)值范圍較大，而后者屬性值的數(shù)值范圍較小，且具有不同的量綱。為了避免出現(xiàn)較大數(shù)值范圍的屬性支配較小數(shù)值范圍的屬性，提高計(jì)算效率，在應(yīng)用邏輯回歸模型之前，對所有證據(jù)圖層均進(jìn)行歸一化處理，將屬性數(shù)值轉(zhuǎn)化到0～1之間。

將已知礦體實(shí)體模型的全部塊體單元作為表示礦體存在的正樣本，共計(jì)2 383個(gè)塊體單元。據(jù)紅海礦床的相關(guān)文獻(xiàn)和鉆孔數(shù)據(jù)，該區(qū)域表層覆蓋著厚厚的第四系，且紅海礦床的礦體埋藏深度主要在300 m以下。因此，在建模區(qū)域地表下150 m以內(nèi)的所有塊體單元中，隨機(jī)選取2 383個(gè)塊體作為表示礦體不存在的負(fù)樣本。將選取的4 766個(gè)樣本的70%作為訓(xùn)練數(shù)據(jù)，用于訓(xùn)練邏輯回歸模型。本文中，邏輯回歸模型使用Python中Scikit-learn包實(shí)現(xiàn)。為了避免模型過擬合，選取L2正則化，并采用十折交叉進(jìn)行訓(xùn)練。利用網(wǎng)格搜索方法確定超參數(shù)C和求解方法solver的最優(yōu)組合（圖4-a），最后，選取4.4和newton-cg優(yōu)化方法作為最優(yōu)組合，從而得到整個(gè)研究區(qū)的礦體存在概率分布結(jié)果。

本文采用P-A（Prediction-area）圖中交點(diǎn)所對應(yīng)的概率值作為截?cái)嚅撝礫22]，從研究區(qū)的預(yù)測結(jié)果中，分離出具有高概率值的塊體單元作為找礦有利單元。圖4-b是紅海礦區(qū)預(yù)測結(jié)果的P-A圖，交點(diǎn)所對應(yīng)的概率值為0.883 5。因此，以0.883 5作為研究區(qū)礦體存在的概率閾值進(jìn)行找礦有利單元的圈定（圖5）。P-A圖的交點(diǎn)還可用來評價(jià)預(yù)測模型的表現(xiàn)，高處的交點(diǎn)表明占據(jù)研究區(qū)域較小的比例卻包含了已知礦體的絕大部分。從圖4-b中交點(diǎn)可看出，邏輯回歸模型在識別紅海礦床深部隱伏礦體方面有好的表現(xiàn)，圈定的找礦有利單元約占研究區(qū)所有塊體單元的3.95%，卻包含了紅海已知礦體塊體單元的96.43%。從找礦有利單元的空間分布狀況來看（圖5），找礦有利單元主要沿著紅海礦區(qū)NE向和NW向兩條主斷裂分布，符合研究區(qū)的成礦概念模型。在紅海已知礦體的南部存在較高成礦概率的區(qū)域，該區(qū)域體積約為86×106 m3，主要埋藏深度為地表下250～600 m，具有較大的找礦潛力。

4? 結(jié)論

（1） 利用邏輯回歸模型，實(shí)現(xiàn)了紅海礦床三維成礦預(yù)測并圈定了找礦有利單元。

（2） 邏輯回歸模型能夠有效地識別紅海礦床深部隱伏礦體，圈定的找礦有利單元約占研究區(qū)所有塊體單元的3.95%，卻包含了紅海已知礦體塊體單元的96.43%。

（3） 從找礦有利單元的分布狀況來看，找礦有利單元主要沿著紅海礦區(qū)NE向和NW向兩條主斷裂分布。紅海礦床已知礦體南部高概率區(qū)域有著較大的找礦潛力，體積約為86×106 m3，主要埋藏深度為地表下250～600 m，對于礦區(qū)內(nèi)深邊部找礦工作有一定的參考價(jià)值。

參考文獻(xiàn)

[1]? ? 陳建平，于萍萍，史蕊，等.區(qū)域隱伏礦體三維定量預(yù)測評價(jià)方法研究[J].地學(xué)前緣，2014，21：211-220.

[2]? ? 劉靜，陳建平.我國三維成礦預(yù)測的研究現(xiàn)狀及發(fā)展趨勢[J].地質(zhì)學(xué)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，郭遠(yuǎn)生，杜楊松，等.基于GIS的云南普朗斑巖銅礦床三維成礦預(yù)測[J].礦床地質(zhì)， 2007，26（6）： 651-658.

[5]? ? 毛先成，鄒艷紅，陳進(jìn)，等.危機(jī)礦山深部、邊部隱伏礦體的三維可視化預(yù)測—以安徽銅陵鳳凰山礦田為例[J].地質(zhì)通報(bào)，2010，29（Z1）： 401-413.

[6]? ? 肖克炎，李楠，孫莉，等.基于三維信息技術(shù)大比例尺三維立體礦產(chǎn)預(yù)測方法及途徑[J].地質(zhì)學(xué)刊，2012，36（3）：229-236.

[7]? ? 袁峰，李曉暉，張明明，等.隱伏礦體三維綜合信息成礦預(yù)測方法[J].地質(zhì)學(xué)報(bào)，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]? ? 毛啟貴，方同輝，王京彬，等.東天山卡拉塔格早古生代紅海塊狀硫化物礦床精確定年及其地質(zhì)意義[J].巖石學(xué)報(bào)，2010，26：3017-3026.

[10]? 馮源，王功文.東天山卡拉塔格紅海一梅嶺銅、鋅、金多金屬礦礦床地質(zhì)特征及成礦模式研究[J].西北地質(zhì)，2012，45： 194-197.

[11]? 毛啟貴，王京彬，方同輝，等.東天山卡拉塔格礦帶紅海VMS型礦床S、Pb同位素地球化學(xué)研究[J].礦床地質(zhì)，2015，34（4）：730-744.

[12]? 黃健瀚，陳華勇，韓金生，等.新疆東天山卡拉塔格紅海VMS銅鋅礦床蝕變與礦化時(shí)空分布特征[J].地球化學(xué)，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]? 李曉暉，袁峰，張明明，等.寧蕪盆地白象山礦區(qū)人工神經(jīng)網(wǎng)絡(luò)三維成礦定位預(yù)測研究[J].地質(zhì)學(xué)報(bào)，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]? 孫岳，王功文，方同輝，等.新疆紅海塊狀硫化物礦床三維地質(zhì)建模及勘探應(yīng)用[J].地質(zhì)與勘探，2013，49：179-184.

[17]? 甘先平，方同輝，王寧，等.新疆哈密市紅海銅金礦地質(zhì)特征及成? ? 礦預(yù)測[J].礦產(chǎn)與地質(zhì)，2015， 29：19-23.

[18]? 陳衛(wèi)，方同輝，劉濤，等.新疆卡拉塔格銅鋅多金屬礦床地球物理模型研究[J].礦產(chǎn)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