《Journal of Geochemical Exploration》：Optimal combination of mineralization favorable indicators for mineral exploration targeting using Chaos Game Optimization
编辑推荐：
多学科勘探数据整合的矿物勘探目标区识别方法，基于混沌游戏优化算法构建最优线性组合模型，通过最大化ROC曲线下面积（AUC）实现地质与地球化学指标优化选择。与逻辑回归方法相比，CGO模型具有等效分类性能但数据处理效率较低。案例研究显示，采用优势地质指标（Lift>2.0）和地球化学指标（ZAUC>1.96）结合阈值优化（最大Youden指数），CGO算法能有效确定最优权重组合，实现高效勘探靶区筛选。
Boran Shen|Yongliang Chen|Yiding Wang
吉林大学地球科学学院，长春，130061，吉林，中国
摘要
通过整合多学科勘探数据集中提取的有利指标来进行矿产勘探定位是矿产勘探的关键步骤。需要将各种有利指标高效、有效地整合到矿产潜力图中。解决这一挑战性问题需要开发高效的数据整合算法。基于这一观点，提出了一种易于实施的方法：矿产资源是通过各种成矿控制因素的最佳组合形成的。在这种情况下，成矿有利指标的最佳组合与矿产资源的空间分布高度吻合。可以使用接收者操作特征曲线（ROC曲线）下的面积（简称AUC）来统计评估这种一致性。基于这一观点，本研究提出了基于CGO的矿产勘探定位方法。该方法利用CGO算法在所有可能的指标组合空间中自动搜索成矿有利指标的最佳组合，以最大化矿产勘探定位模型的AUC值。在中国东北部的白山地区进行了基于CGO的矿产勘探定位的案例研究。使用逻辑回归（LR）算法作为基准方法与基于CGO的矿产勘探定位方法进行了比较。结果表明，在使用ROC曲线和AUC值评估模型性能时，基于CGO的矿产勘探定位模型的分类性能与LR模型相当。然而，基于CGO的方法的数据建模效率远低于LR算法。如果忽略数据处理的效率，基于CGO的矿产勘探定位模型可以与逻辑回归模型相媲美。
引言
多学科矿产勘探数据集是矿产勘探的基础（Chen和Zhao，2021；Zuo等人，2021）。通过整合从多学科勘探数据集中提取的成矿有利指标来进行矿产勘探定位是矿产勘探的关键步骤。对于矿产勘探从业者来说，高效、有效地整合各种有利指标是一个相当具有挑战性的问题，这也是矿产勘探领域非常关注的话题。在过去的几十年中，文献中记录了许多用于整合成矿有利指标以支持矿产勘探计划的技术。这些方法主要基于传统的统计理论或人工智能技术开发。
用于矿产勘探定位的统计技术通过构建统计模型来估计每个像素的矿产潜力，这些模型捕捉了成矿有利指标与矿产出现空间分布之间的关联（Zhang等人，2014b）。证据权重（WofE）（Magalhaes和Souza，2012；Zhang等人，2014a；Sarala和Nyk?nen，2017；Chen等人，2020；Riquelme，2025）和逻辑回归（LR）（Chen等人，2020；Riquelme，2025）是两种广泛用于矿产勘探定位的统计方法。这两种方法经常被用作基准方法，与新开发的矿产勘探定位方法进行比较。流行的人工智能方法，如机器学习方法，可以准确捕捉成矿有利指标之间的复杂非线性关系。先进的人工智能方法，如深度学习方法，可以直接从多学科勘探数据集中提取高级特征（Yang等人，2024）。因此，现代人工智能方法为矿产勘探定位提供了全过程的技术支持。支持向量机（Khalifani等人，2025；Xu等人，2025；Yuan等人，2025）、随机森林（Wang等人，2020；Behnia等人，2023；Harris等人，2025）和人工神经网络（Ding等人，2022；Zuo等人，2024；Alimi和Carranza，2025）是广泛用于矿产勘探定位的人工智能方法。然而，这些人工智能方法是黑箱方法，解释它们的数据建模过程和结果相当具有挑战性。此外，人工智能方法还面临过拟合和泛化能力差的问题。
克服人工智能算法缺点的一个基本方法是开发既易于实施又易于解释的矿产勘探定位方法。为此，我们推断研究区域内矿产出现是由于各种成矿有利指标（如有利构造活动、有利岩浆活动、有利地质构造等）的最佳组合结果。基于这一观点，认为成矿有利指标的最佳组合与研究区域内矿产出现的空间分布最为吻合。这种吻合可以使用接收者操作特征曲线（ROC曲线）下的面积（简称AUC）进行统计评估。构建用于矿产勘探定位的成矿有利指标最佳组合模型的关键是确定能够最大化矿产勘探定位模型AUC值的权重系数。假设有K个有利的成矿指标，这K个有利成矿指标的所有可能权重系数值形成一个K维空间。该空间中的每个点都有K个坐标，代表这K个有利指标的权重系数。在这种情况下，可以使用元启发式算法来确定能够最大化矿产勘探定位模型AUC值的最佳权重系数。
文献中报道了多种元启发式算法。这些元启发式算法为解决复杂机器学习模型的超参数优化问题提供了有效的技术。在过去的十年中，许多元启发式算法与各种人工智能算法（特别是先进的浅层和深度学习算法）相结合，构建了超参数系统优化的AI模型。例如，Bat算法被应用于优化用于识别潜在成矿区的单类支持向量机模型的超参数（Chen等人，2019）；Cuckoo优化算法被用于改进用于预测造山型金矿床系统中矿产勘探目标的支持向量回归模型的超参数（Roshanravan等人，2021）；Firefly算法被用于优化不同机器学习模型的超参数以进行矿产勘探定位（Lin等人，2021）；Beetle Antennae Search算法被用于优化地球化学勘探中的随机森林模型的超参数（Cao等人，2023）；Ant Colony Optimization算法与支持向量机算法结合使用，以最佳划分斑岩铜矿化的有利区域（Akbari等人，2025）；Gray Wolf优化算法与蒙特卡洛模拟结合使用，以划分矿产勘探目标（Mostafaei等人，2025）。此外，元启发式算法也被用于构建元启发式矿产勘探定位模型。例如，Ant Colony Optimization算法被直接用于搜索单变量元素浓度异常以绘制矿产潜在目标（Chen和An，2016）；Bat算法被直接用于构建矿产勘探定位模型（Chen等人，2020）。
混沌博弈优化（简称CGO）是一种新颖的目标优化算法，其底层机制结合了混沌动力学和基于竞争游戏的更新，实现了全局和局部开发之间的高效平衡。CGO算法在解决工程、图像处理和环境建模等各种复杂优化问题方面表现出强大的性能（Khodadadi等人，2023；Yang等人，2025；Zarbilinezhad和Gholizad，2025）。因此，选择CGO算法来确定通过成矿有利指标的最佳线性组合来最大化矿产勘探定位模型AUC值的最佳权重系数。在这种情况下，矿产勘探定位过程可以表述为使用CGO算法搜索具有最高AUC值的成矿有利指标组合的过程。通过在白山地区（中国东北部）进行的案例研究对该开发的方法进行了评估。有利的地质指标来源于1:200,000的区域地质调查数据，以及从35种地球化学元素中选出的有利地球化学指标（Xie等人，1997）被整合到一个矿产潜力指数中，以识别矿产勘探目标。通过使用提升指数值选择有利的地质指标，并使用Z_AUC值选择有利的地球化学指标。有利的地质指标的提升指数值应大于2.0；有利的地球化学指标的Z_AUC值应大于1.96。使用具有最大Youden指数的阈值将有利的地球化学指标最优地离散化为二进制指标（Chen和Alina，2022）。采用逻辑回归方法作为基准方法与基于CGO的矿产勘探定位方法进行比较，并使用Youden指数、提升指数和ROC曲线评估它们的性能。
章节片段
地质环境与矿产资源
白山地区位于中国东北部的吉林省东南部，属于兴安-蒙古造山带的一部分。该地区面积约为26,500平方公里，受到多个NE-SW走向的断层系统的构造控制，这些断层系统强烈限制了地层的分布、岩浆侵入和矿化分布（Wu等人，2005；Chen和Wu，2016）。该地区的特点是长期而复杂的构造-岩浆历史
指标组合算法
使用CGO算法整合用于矿产勘探定位的成矿有利指标包括以下四个步骤：(a) 构建代表与成矿相关的地质和地球化学特征的有利成矿指标；(b) 使用混沌序列生成候选指标组合的初始种群；(c) 基于竞争游戏策略迭代更新这些组合以最大化AUC值；以及 (d)
有利的地质指标
本研究中采用的地质指标是从白山地区的地质图中提取的。这些指标包括断层、岩性单元、侵入接触带和蚀变带，所有这些因素都对该地区的矿化有显著影响（Wu等人，2005；Chen和Wu，2016）。每个线性地质指标（如主要断层和侵入接触带）通过缓冲区分析转换为平面指标，以便更好地捕捉
讨论
基于CGO的矿产勘探定位模型是成矿有利地质和地球化学指标的最佳组合。在这个模型中，成矿有利指标的最佳组合是在所有可能指标组合中具有最大AUC值的组合。最佳组合是通过基于CGO的元启发式搜索的迭代过程确定的。搜索过程旨在找到
结论
基于混沌博弈优化构建了一个矿产勘探定位模型。该模型将矿产潜力得分表示为成矿有利指标的最佳线性组合。采用基于混沌博弈优化的元启发式搜索来确定成矿有利指标的最佳权重系数。使用最佳权重系数构建的矿产勘探定位模型实现了更高的
CRediT作者贡献声明
Boran Shen：撰写——原始草稿、可视化、验证、正式分析。Yongliang Chen：撰写——审阅与编辑、软件、资源、项目管理、方法论、调查、资金获取、数据管理、概念化。Yiding Wang：可视化、数据管理。
致谢
本研究得到了国家自然科学基金（资助编号：42472361）的支持。
