编者按：传统矿产远景分析往往忽略成矿子系统的年代顺序，影响预测结果的可靠性。该研究以伊朗塞姆南省铅锌矿化为例，引入具备序列模拟能力的循环神经网络（RNN）并结合随机森林算法，将成矿过程的时间特征纳入分析流程，有效缓解了这一问题。研究得到的远景预测结果与实际矿床高度吻合，说明成矿事件的年代序列是提升勘查定位精度的重要因素。当前大数据与人工智能在找矿中的应用日益广泛，但模型选择、数据筛选及地质约束的引入仍是关键难点。本研究提出了一种融合年代学认知与机器学习的范式，通过能够处理时间信息的模型减少数据噪声、提升预测的地质解释性，为人工智能找矿提供了新的思路。该方法强调先验知识的重要性，展示了在复杂成矿系统中有效利用时间维度约束的潜力。本研究对多阶段演化控制的矿床类型具有借鉴意义，为今后的矿产远景评价提供了更具地质合理性和预测能力的技术路径。
京公网安备 11010202007433号