基于多源地球物理數據的機器學習方法在地質體分類中的應用
——以黑龍江多寶山礦集區為例

李希元，崔健，胡望水，李成立

1 長江大學地球科學學院，武漢 430100 2 江蘇華東八一四地球物理勘查有限公司，南京 210007 3 中國地質調查局沈陽地質調查中心，沈陽 110034

0 引言

隨著地質、地球物理大數據時代的到來及地質研究工作對地球物理大數據解釋的不斷深入，將機器學習與人工智能引入地質科學已經成為當前地質、地球物理大數據研究的熱點，人工智能理論與地質、地球物理大數據的結合應用具有十分重要的意義(Wang，2007；林香亮等，2018；周永章等，2018；韓啟迪等，2019).作為人工智能的核心，機器學習理論主要是研究計算機模擬或實現人類學習行為，從海量、多源、多維度的數據中尋找知識規律并建立學習模型，進而通過已獲得的學習模型對其他數據進行分類與預測(楊午陽等，2019).

近年來，在機器學習中，支持向量機(Support Vector Machine，SVM)這種具有代表性的算法被廣泛應用于地學及地球物理研究的各個領域.在巖性識別方面，采用機器學習的方法，利用巖石各組分的含量及標準巖性分類圖版，實現了對巖石巖性的鑒定(楊佳佳，2012；付光明，2017；韓啟迪等，2019；張昭杰和方石，2019)；利用火山巖在地球物理方面所表現的重磁電震特征，通過支持向量機實現了對火山巖巖性的預測(張爾華等，2011；朱怡翔和石廣仁，2013；柳成志和滕立惠，2014；牟丹等，2015；吳施楷和曹俊興，2016)；根據不同礦體賦存的地質環境結合有利成礦的地質與地球物理信息，應用機器學習的方法達到對礦體預測目的(向杰等，2019)；在三維地質建模方面，機器學習方法也取得了較好的應用效果(郭甲騰等，2019).在地震大數據處理解釋方面，人們將機器學習方法應用到初至波切除、地質層位追蹤、斷層自動檢測、波形分類及巖相預測當中，不僅有效地提高了工作效率，而且大大地增強了地球物理資料處理成果的精度，進一步增強了地質解釋成果的可靠性(邴萍萍等，2012；李建軍和倫墨華，2018；周永章等，2018；蔣一然和寧杰遠，2019).從以上可以看到，機器學習在眾多領域得到廣泛的應用并取得了較好的效果，多方面展示了機器學習理論在地學領域具有廣泛的應用前景，不僅提高了工作效率，而且通過機器學習這種人工智能技術在地學各應用領域創新了地球物理處理與解釋方法.

為便于地球物理資料的地質解釋，常常通過反演將地球物理異常轉換為刻畫地下地質體的物性參數(張志厚等，2021)，通過地質體的物性特征及分布規律實現單一或多源地球物理數據的地質解釋(楊輝等，2002).通過對大量巖石物性數據統計可知，存在地球上的各類巖石的物性參數都不是唯一的，不同巖石種類的物性參數在數值上存在一定的交疊，因而利用單一物性參數所圈定的地質體及所確定的地質體的屬性存在相當大的不確定性，從而降低了地質解釋的可靠性，但具有物性交疊現象的地質體，對于同一地質體不同位置的物性數值在物性交會圖上具有一定統計的聚類性(朱怡翔和石廣仁，2013).

人們為了增強地球物理資料地質解釋成果的可靠性，在同一地區采用多種地球物理方法進行勘探以便獲得反映地下地質體不同物性特征的地球物理場，通過對多源地球物理場的反演獲取反映地質體屬性特征的密度、磁化率及電阻率，進而結合區域地質進行綜合解釋，以便增強地質解釋的可靠性(郁軍建等，2015).正像前面所說的那樣，刻畫與描述地質體特征的巖石物性在大多情況呈現交疊現象，這為應用多源地球物理場反演得到的獨立物性參數(密度、磁化率、電阻率)綜合圈定地質體及識別地質體的巖性帶來極大的困難.

對多源地球物理資料的綜合地質解釋常常需要聯合反演.一般的聯合反演都是在兩種地球物理資料之間進行(彭淼等，2013；彭國民和劉展，2020)或是人機聯作最優化地質解釋(陳建國，1991；周子陽等，2016；吳珍漢等，2021)，至多是將一種能夠確定地下地質結構的地球物理資料作為模型的約束或作為初始模型(例如，地震解釋得到的構造界面或圈定的地質體)，進一步通過人機聯作的方式對其余兩種地球物理資料進行聯合反演與綜合地質解釋(汪在君等，2007；李德春等，2012；郭偉等，2014；汪洋等，2020)，以期達到同一地質模型在給定不同的物性參數的情況下與所觀測的地球物理響應或是異常達到統一(何展翔等，2005).在兩種以上地球物理聯合反演中，一般要求巖石物性之間具有一定的相互關系(陳曉等，2017)，這種相互關系只能在一定程度上通過擬合多源地球物理異常改變地質體的形狀以期提高地質解釋的可靠程度，但還不能從本質上克服巖石物性具有交疊現象不具有定量相關關系的地質體屬性特征的反演與地質解釋(徐海波等，2006).近年來，多源地球物理聯合反演有了較大的進展，研發了交叉梯度聯合反演方法，這種方法不需要依賴不同物性參數間的巖石物性的定量關系，而是假設同一地下區域不同物性參數的空間結構分布完全相同或者部分相同.多源地球物理的交叉梯度聯合反演有效的降低了地球物理資料的多解性，增強了多物性參數結構的耦合，改善了反演的準確性和穩定性，使得參與聯合反演的地球物理方法的結果盡最大程度的具有反映地質體特征的物性結構的統一性，對于提高地質解釋結果的可靠性、簡化地質解釋具有重要的意義(閆政文等，2020)，但聯合反演方法還不是對地質體存在物性交疊現象的多源地球物理資料的地質解釋方法.

盡管可以通過對地球物理異常的反演得到反映地下地質體特征的物性參數(密度、磁化率、電阻率)的三維分布，但如何對客觀存在物性交疊現象多源地球物理反演結果實現地質體的圈定與巖性的識別并減輕地質解釋的復雜性，同時又增強地質解釋的可靠性與客觀性是擺在地球物理及地質工作者面前的重要課題，也是利用多源地球物理資料可靠圈定與識別地質體屬性的關鍵所在.

雖然對于同一地質體的巖石物性(密度、磁化率、電阻率)一般不具有三者物性之間的定量相關關系，但同一地質體的物性在倆倆的交會圖上卻具有明顯的統計聚類關系，為應用地質體物性參數開展多源地球物理的地質解釋奠定了基礎(楊建輝等，2013；甘之翔和張藝，2017；屈挺等，2021).

支持向量機是建立在結構風險最小化原則以及VC維(Vapnik Chervonenkis Dimension)概念基礎上的一種專門針對小樣本的統計學習理論上的分類方法，它屬于有監督學習的模型，在有監督學習的情況下，每個樣本訓練數據都有一個標識值或結果值(左斌等，2018).支持向量機的這個特性符合利用具有統計聚類特征地質體物性參數的分類性質，從理論上完全能夠用于對多源地球物理反演的密度體、磁化率體及電阻率體(以下簡稱物性三體)進行地質體的圈定及巖性判別的綜合地質解釋.

本文以利用多源地球物理數據進行多寶山礦集區3000 m地質結構研究為目的，從多源地球物理數據的地質解釋出發，探索了采用支持向量機構建地質體分類解釋模型，并利用物性三體進行地質體圈定及巖性識別的多源地球物理綜合地質解釋的方法.

1 多寶山礦集區區域地質特征

多寶山礦集區是我國重要的斑巖型銅鉬礦成礦區，礦產資源較為豐富，礦集區北西段為矽卡巖型銅鐵礦床與熱液型銅鉬礦，中段為斑巖型銅鉬礦，南東段為熱液型金礦，熱液型和斑巖型礦床是重要的礦床類型.礦集區內多寶山組的安山巖及其碎屑巖中是斑巖型銅礦的重要礦源層，礦集區內斑巖型及矽卡巖型銅(鉬)、銅(鐵)礦床均與中奧陶統多寶山組有關，區域上，斑巖型銅礦體除以花崗巖作為賦礦圍巖外，均無例外地賦存于多寶山組變安山巖及中性凝灰巖或凝灰砂巖中，多寶山組及銅山組最發育的地區也正是斑巖型銅礦床(點)密集分布區.著名的多寶山超大型銅鉬礦、銅山大型銅礦和爭光大型巖金礦(圖1)就在該礦集區內.銅鉬、金礦床的形成主要與早奧陶世島弧巖漿活動有關(趙元藝等，2012).

圖1 多寶山礦集區地質簡圖Fig.1 Geological sketch of the Duobaoshan ore concentration area

礦集區內產出的地質體主要為古生代地層和島弧巖漿巖，中生代地層和巖漿巖出露較少.產出的地層主要有：下奧陶統多寶山組，呈大面積分布，主要由島弧鈣堿性中性-中酸性火山巖組成，為銅鉬、金礦床成礦的主要母巖；下奧陶統銅山組，主要由弧間盆地淺海相中細粒砂巖、變粉砂巖、板巖組成；中奧陶統裸河組、上奧陶統愛輝組、志留紀黃花溝組為一套連續沉積地層，主要由弧間盆地淺海-半深海相砂巖、粉砂巖、板巖組成；下泥盆統泥鰍河組主要由弧間殘余盆地淺海-半深海相粉砂巖、板巖組成；上三疊統清水河組不整合于多寶山組之上，主要由鈣堿性中性火山巖組成；下白堊統光華組不整合于多寶山弧盆系之上，主要由鈣堿性酸性火山巖組成；下白堊統九峰山組整合于下白堊統光華組之上，為一套斷陷盆地含煤沉積建造，由砂巖、粉砂巖、泥巖及酸性火山碎屑巖組成(向安平等，2012).

礦集區內侵入巖以奧陶紀花崗閃長(斑)巖、英云閃長巖和中三疊世花崗閃長巖為主.奧陶紀花崗閃長(斑)巖、英云閃長巖分布面積較大，有多個巖體侵入多寶山組，少量閃長巖、閃長玢巖，為典型島弧侵入巖，是銅鉬礦成礦的主要巖漿巖；閃長巖、閃長玢巖、輝長巖規模較小，呈巖株和巖脈狀侵入多寶山弧盆系.從早奧陶世-晚奧陶世均有侵入巖，以早奧陶世為主.中三疊世的侵入巖主要有花崗閃長巖、英云閃長巖、二長花崗巖和閃長巖，以花崗閃長巖分布面積最大，侵位于多寶山弧盆系邊部，在侵入體邊部的弧盆系中形成一系列韌變形帶；其余分布零星，多以脈狀產出(車合偉等，2015).

2 支持向量機模型構建理論

支持向量機是基于結構風險最小化原理的基礎上，建立數學模型進行有限數據樣本情況下的統計模式識別(吳施楷和曹俊興，2016；林香亮等，2018；韓啟迪等，2019；張昭杰和方石，2019)，支持向量機的這一特性，為利用多源地球物理資料進行地質體的圈定與巖性識別奠定了理論基礎.

支持向量機一個最重要的應用就是對數據集進行分類.下面從數學理論方面簡要說明支持向量機對數據集的分類原理.首先定義一大小為m×n矩陣X及大小為m的向量Y.

X=[X1,X2,X3,…,Xi,…,Xm],

(1a)

Y=[y1,y2,y3,…,yi,…,ym],

(1b)

在利用支持向量機進行分類時，m為樣本數，n為屬性特征數，X為支持向量機的輸入數據集，Xi為具有n個屬性的特征向量，Y為標簽變量，yi是Xi的分類標簽，當數據集為二分類時，yi∈(-1,+1).在樣本數據集為線性可分時，對于支持向量機二分類問題就會存在形如(2)式的一個超平面完全分開樣本數據集.

W·X+b=0，(2)

式中：“·”是向量點積，W為n維超平面的法向量；b為位移項，決定了超平面與原點之間的距離.靠近超平面最近的特征向量離超平面的距離達到極限的超平面稱為最優超平面.

最優超平面可以通過求解下面的二次凸規劃問題來獲得.

(3a)

yi(W·Xi+b)≥1,i=1,2,…,m.

(3b)

在樣本數量較大的情況，可以利用(3)式二次凸規劃問題的對偶問題(4)式加以求解(韓啟迪等，2019).

(4a)

(4b)

(4c)

式中：α=(α1,α2,…,αm)是Lagrange乘子，W*是最優超平面的法向量，b*是最優超平面的偏移量.

=sign(W*·Xk+b*)，(5)

式中：sign()為符號函數.根據f(Xk)的符號來確定樣本Xk的分類類別.

對于線性不可分的分類數據集，不能再要求所有特征向量都滿足約束條件yi(W·Xi+b)≥1.為此，這里對每個樣本都引進一個松弛變量ξi≥0，把約束條件放松為：

yi(W·Xi+b)≥1-ξi.

(6)

(7)

這樣就把線性不可分問題轉化為如下的優化問題：

(8a)

yi(W·Xi+b)≥1-ξi,ξi≥0,i=1,2,…,m

(8b)

懲罰系數C在模型的復雜度和訓練樣本誤差之間起到一種平衡的作用，合適的C參數能使訓練模型具有較好的泛化能力.

為了利用超平面對非線性樣本數據集進行分類，需要對樣本數據集進行一些變換，將非線性樣本數據集轉化為線性樣本數據集.為此將原空間中的非線性樣本數據集T通過一個非線性映射轉換到更高維的特征空間H中，使其在特征空間H中是線性可分的，從而在H空間中建立一個分類超平面(圖2).設：Φ:T→Φ(T)={(Φ(xi,yi)|i=1,2,…,m}，使得Φ(T)在H中是線性可分的.將(8b)式中的Xi換成Φ(xi)即可得到如下的最優化問題：

(9a)

yi(W·Φ(xi)+b)≥1-ξi,ξi≥0,i=1,2,…,m.

(9b)

圖2 核函數變換示意圖Fig.2 Schematic diagram of kernel function transformation

利用拉格朗日乘子法，并求解(9)式的對偶問題(10)式.

(10a)

(10b)

在(10a)式中，Φ(x)總是以內積(Φ(xi).Φ(xj))的形式出現，所以只需從總體上定義一個函數K(xi,xj)，并使K(xi,xj)=(Φ(xi).Φ(xj))，稱K(xi,xj)函數為核函數.核函數將原空間樣本非線性數據集轉換到高維特征空間H中的線性數據集，使其在高維特征空間H中實現線性可分.本文應用的是(11)式的徑向基函數(Radical Basis Function, RBF).

(11)

式中σ為帶寬，σ>0.

在利用支持向量機對具有非線性樣本數據集進行分類模型的構建時，確定(C,σ)這兩個關鍵參數對于提高模型分類的準確性和泛化能力具有重要的作用.

本文采用網格搜索尋優法來確定最優的(C,σ)參數.網格搜索法是將C和σ分別取M個值和N個值，對M×N個(C,σ)的組合分別進行訓練.對于每一組(C,σ)參數，將樣本數據集分為K份，其中K-1份作為訓練集，另一份作為測試集，并將K次的平均交叉驗證識別率作為該組(C,σ)參數的學習精度.掃描M×N個(C,σ)參數，選取學習精度最高的一組為構建分類模型的(C,σ)最優參數.

基于上述支持向量機的二分類理論就能解決支持向量機進行樣本數據集的多分類問題(茍博和黃賢武，2006).支持向量機進行樣本數據集的多分類有多種方法，一對一分類是常用的多分類方法.

所謂的一對一分類法就是在共有B個不同類別訓練集T中找出P=B(B-1)/2個不同類別的兩兩組合，分別用兩兩組合的類別樣本組成兩分類問題訓練集T(i,j)，然后用求解兩分類問題的SVM分別求得P個判別函數fi,j(X).判別時將第K個需要分類判別的特征變量Xi分別代入P個判別函數fi,j(Xk)，若fi,j(Xk)=+1判x為i類，i類獲得一票，否則判為j類，j類獲得一票.分別統計k個類別在P個判別函數結果中的得票數，得票數最多的類別就是最終判定的類別(Moreira and Mayoraz，1998；Cutzu，2003；Debnath et al.，2004)，以此達到對樣本數據集進行多分類的目的.

3 多寶山礦集區綜合地球物理資料的獲取與反演及巖石物性樣本采集與分析

為了探索利用多源地球物理場采用支持向量機方法進行地質體圈定與巖性識別的應用效果，在多寶山銅(金)礦集區選擇了長12 km，寬7 km的一長方形重點區域作為方法探索的試驗區并開展了高精度重力及三維廣域電磁法勘探，兩者勘探網度均為150 m×150 m，在重點區外圍還部署了總長度130 km的二維重力、電法剖面.在研究區內共采集重力坐標點5048個、廣域電磁法測量坐標點4614個，獲取了面積性高精度重力及高質量的三維電法測量資料，重力總精度為±0.032×10-5mGal，電阻率相對誤差為±3.8%.此外，1∶25000的高精度航磁覆蓋整個礦集區，磁力總精度為±4.3 nT.這些資料的取得不僅為多寶山礦集區3000 m地質結構的基礎研究，而且也為應用多源物理場采用支持向量機探索地質體的圈定與巖性識別及進行礦集區深部地質結構研究奠定了可靠的資料基礎(圖3、圖4、表1).

圖3 多寶山礦集區高精度重力勘探測點分布圖Fig.3 Distribution map of high precision gravity prospecting points in Duobaoshan ore concentration area

圖4 多寶山礦集區廣域電磁法勘探測點分布圖Fig.4 Distribution map of WFEM (Wide Field Electromagnetic Method) prospecting points in Duobaoshan ore concentration area

表1 礦集區重磁電資料采集工作量統計表Table 1 Statistical table of gravity，magnetism and electricity data collection workload in ore concentration area

為了更全面、系統的分析和研究地層巖石的物性特征及變化規律，以便認識重磁電異常的成因及對重磁電異常進行綜合地質解釋，依據區域地質圖，在基本涵蓋了多寶山地區地層及不同巖性侵入體的100處露頭共采集物性樣本974塊.為了解巖(礦)石隨深度的變化特征，在礦集區已鉆探井中，選取了鉆井深度較大、鉆遇地層及礦石種類較多、具有代表性的6口鉆井，采集了包括含礦巖石的260塊巖心樣本進行了密度、磁化率、電阻率測定.對測定結果進行了分組統計分析，獲得符合正態分布的特征值作為巖石樣本的物性測定值，依據測定分析結果對物性按巖性、時代、礦化等分別進行了統計分析.將多寶山礦集區的巖石物性按地層組與巖體分別繪制了密度、磁化率、電阻率區間分布圖(圖5、圖6)，從圖5、圖6可以清楚地看到，同一地層或巖體的巖石物性數值具有較大的分布區間，各不同的地層組或巖體之間的物性呈現明顯的交疊現象，根據礦集區的巖石物性統計結果總結了各類地質體的巖石物性響應特征(表2).

表2 礦集區地質體物性響應特征Table 2 Characteristics of physical properties response of geological body in ore concentration area

將所取得的礦集區三維高精度重磁電資料進行了一些必要的預處理工作，在經過航磁化極處理及礦坑重力異常效應校正的基礎上，分別對磁力及重力進行了諸如滑動趨勢分析、小波多尺度分解、匹配濾波等多種重磁異常的分離處理工作，得到了反映地下3000 m以淺地質體所產生的重磁異常效應，對廣域電磁法資料進行了靜電校正處理.將經過預處理的重磁電資料采用確定性非線性共軛梯度重磁電三維物性反演方法完成重磁電資料的三維反演并獲取了反映地下三維地質體結構特征、用于開展支持向量機進行地質體分類的物性三體(圖7).

圖5 礦集區地層物性分布圖Fig.5 Physical distribution map of formation in ore concentration area

圖6 礦集區巖體物性分布圖Fig.6 Physical distribution map of rock mass in ore concentration area

圖7 多源地球物理數據三維網柵圖(a) 三維反演密度數據體； (b) 三維反演磁化率數據體； (c) 三維反演電阻率數據體.Fig.7 3D grid diagram of multi-source geophysical data(a) 3D inversion density data volume； (b) 3D inversion susceptibility data volume； (c) 3D inversion resistivity data volume.

4 支持向量機在多寶山礦集區多源地球物理場地質解釋中的應用效果分析

4.1 支持向量機分類樣本的選取及各類地質體的多源物性參數響應特征

試驗樣本是模型建立與效果檢驗的基礎，獲取具有代表性的樣本對于利用支持向量機應用物性三體進行地質體的圈定與巖性識別結果的合理性具有重要的意義.為了獲取優質的訓練樣本，收集了多寶山礦集區內的鉆孔巖心、勘探線地質剖面以及淺層地質模型資料.基于所搜集到的地質資料及對礦集區深部地質結構、巖體識別、成礦地質體規律研究的目的，將多寶山礦集區內的地層和巖體共劃分為如表2所示9個大類，能夠滿足礦集區地質成果表達對地球物理解釋的需要.

為了解每類地質體的多源地球物理參數響應特征，優選了246個能夠代表9大類地質體的樣本，并依據樣本的三維空間坐標通過三維普通克里格插值方法從物性三體中提取了表征樣本所代表地質體類別的密度、磁化率及電阻率值(表3).將各大類地質體樣本的物性參數繪制了密度-電阻率、磁化率-電阻率交會圖(圖8).因多寶山組是礦集區重要的銅(鉬)礦成礦地層，特別利用117個與成礦關系密切的多寶山組樣本繪制了密度-電阻率、磁化率-電阻率交會圖(圖9).從圖8、圖9可以看到，研究區內多期次的巖體，其多源參數的響應特征具有很強的聚類性和規律性，可以通過密度、磁化率、電阻率參數加以區分.在地層方面，前奧陶系具有“高密度、強磁性、高電阻率”特征，銅山組具有“高密度、弱磁、中等電阻率”特征，與其他地層有明顯區分的物性差異，特別是與成礦關系密切的多寶山組在物性交會圖上的聚類效果更佳.各地質體物性在交會圖上顯著的聚類性，為利用物性三體采用支持向量機進行圈定地質體及巖性的判別的綜合地質解釋奠定了重要的基礎.需要說明的是：受磁性礦物含量不同的影響，中奧陶世巖體磁性差異較大，本文將其分為磁性偏強和磁性偏弱兩類.

圖8 地層和巖體多參數交會圖Fig.8 Crossplot of strata and rock mass with multiple parameters

圖9 多寶山組多參數交會圖Fig.9 Multi-parameter crossplot of Duobaoshan Group

表3 部分訓練樣本的多源參數值及分類編碼Table 3 Multi-source parameter values and classification coding of part of training samples

4.2 多寶山礦集區支持向量機模型的構建及礦集區地質體分類預測

4.2.1 多寶山礦集區支持向量機分類模型的構建過程

(1) 樣本參數的歸一化處理

根據鉆孔及區域地質資料，優選用于構建支持向量機模型的樣本，依據優選出樣本的三維坐標物性三體樣本參數，每個樣本包含密度、磁化率、電阻率三個物性參數及巖石類型分類標志等四個參數值.由于反映地質體物性特征的物性三體參數的量綱不同，以至于在數值上存在數量級上的差異，為了避免在支持向量機模型構建及識別過程中數據計算量大及消除個別奇點的影響，需要對數據進行歸一化處理，以便達到各類輸入數據之間的平衡.因此，在獲取了高質量的訓練樣本后，對物性三體參數進行歸一化處理，采用的處理方法為：設訓練樣本數據的某一個特征參數(或密度，或磁化率，或電阻率)集為xp(p=1,2,…,m)，定義該特征數據的最大值和最小值分別為xmax=max{xp}，xmin=min{xp}，將xp歸一化到[0,1]區間的公式為：

(12)

(2)選取核函數

選取徑向基核函數，將低維空間的特征變量(物性三參數)映射到高維空間.

(3)樣本加權處理

基于樣本對SVM 分類模型最大分類間隔的貢獻，為進一步改進對分類模型的學習，采用一種自適應樣本加權方法.通過給樣本賦予不同權值有利于提高SVM分類器潛在正確分類能力與整體分類性能.對樣本的加權實際上有兩部分：一是懲罰系數C；二是為每個樣本通過自適應算法按對分類模型的貢獻賦予不同的權值.在自適應賦予權值的算法中，充分考慮了訓練樣本不平衡的情況及分類樣本對訓練模型泛化能力的影響(鄭瑋，2016；曹萬鵬等，2018).

(4)支持向量機分類模型的構建

利用優選的地質體分類樣本構建了利用物性三體進行地質體圈定及巖性識別的模型.在構建模型的過程中，按給定的范圍應用網格搜索方式采用粗-細網格相結合的方法有規律的掃描σ與C并精確地確定這兩個參數，以便獲得具有最大泛化能力的訓練模型.圖10、圖11與圖12展示了隨σ與C的變化，識別模型及判別準確率也隨之變化的過程.從參數尋優過程可以看出，隨著徑向基函數帶寬σ以及懲罰系數C的改變，交叉檢驗的正確率也隨之有規律的變化，交叉驗證正確率81.6%的最高值出現在懲罰系數C較小的一組參數上[log(C),log(σ)]=[2,6](圖11).根據不同帶寬σ和懲罰系數C的組合，提取了交叉檢驗的正確率由低到高的4個預測結果(圖12)，從圖12中的a、b、c、d(交叉驗證正確率分別為36.7%、46.9%、57.1%、77.6%)的順序可以看出，預測結果細節逐漸豐富，各類地質體邊界逐漸清晰，與每種地質體的物性特征匹配程度更高.依據交叉驗證正確率最高值為81.6%的(C,σ)重新構建了用于多寶山礦集區多源地球物理資料解釋的分類預測模型.

圖10 參數尋優模擬圖Fig.10 Parameter optimization simulation diagram

圖11 尋優參數變化與交叉驗證正確率關系圖Fig.11 The relationship between optimization parameter variation and cross validation accuracy

圖12 尋優過程識別模型變化示意圖(a) 尋優參數組合為σ=2-3, C=2-3； (b) 尋優參數組合為σ=2-1, C=2-1； (c) 尋優參數組合為σ=2-2, C=20； (d) 尋優參數組合為σ=25, C=23.Fig.12 Schematic diagram of model change identification during optimization process(a) The optimization parameter combination is σ=2-3, C=2-3； (b) The optimization parameter combination is σ=2-1, C=2-1； (c) The optimization parameter combination is σ=2-2, C=20； (d) The optimization parameter combination is σ=25, C=23.

4.2.2 多寶山礦集區地質體分類預測

根據所構建的用于多寶山礦集區多源地球物理資料解釋的分類預測模型，對多寶山礦集區的物性三體進行了地質體分類預測，獲得了多寶山礦集區從地表至海拔-3000 m范圍內的三維地質體分類結果(圖13).從地質體分類預測結果三維空間分布圖(圖13)可以看出，中生界及上奧陶統分布在淺部，深部以巖體和前奧陶系為主(圖13a、圖13b)，大規模的巖體主要分布在研究區的北部及東南部(圖13c)，地質體圈定與巖性識別的結果與多寶山礦集區的地層與巖體分布的區域地質特征是吻合的.

圖13 預測結果三維空間分布圖(a) 三維立體圖； (b) 三維柵格圖； (c) 三維巖體分布圖.Fig.13 3D spatial distribution of the predicted results(a) 3D stereogram； (b) 3D raster diagram； (c) 3D rock mass distribution diagram.

為了說明利用物性三體采用支持向量機進行地質體分類預測的效果，從物性三體與三維預測地質模型中切取了密度、磁化率、電阻率及二維地質剖面(圖14d)，從剖面圖可以看出，剖面地質結構分為兩個部分，左側以地層為主，右側以巖體為主，剖面淺部散布著中生界與上奧陶統，其他地層大致呈層狀展布，巖體則呈團塊狀.除閃長巖外，其余巖體對應的(圖14a、圖14b、圖14c)基本上為低密度、強磁性、高電阻率區域，與本區實測的巖體物性特征一致.

圖14 預測結果二維剖面圖(a) 重力三維反演數據體切片； (b) 電法三維反演數據體切片； (c) 磁力三維反演數據體切片； (d) 預測地質體分類切片.Fig.14 2D profile of the predicted results(a) Section of gravity 3D inversion data； (b) Section of electrical 3D inversion data； (c) Section of magnetic 3D inversion data； (d) Prediction of geological body classification sections.

圖15 地質體分類預測模型正演場與實測場對比圖(a) 實測重力場經處理后得到的布格重力剩余異常場； (b) 地質體分類預測模型正演重力場； (c) 實測航空磁力場經處理后得到的磁力剩余異常場； (d) 地質體分類預測模型正演磁力場.Fig.15 Comparison of forward field and measured field of geological body classification prediction model(a) Bouguer gravity residual abnormal field obtained after the measured gravity field is processed； (b) Forward gravity field derived from the geological body classification prediction model； (c) The residual magnetic anomaly field obtained after the measured airborne magnetic field is processed； (d) Forward magnetic field derived from the geological body classification prediction model.

4.3 預測地質體模型的可靠性及對其可靠性影響因素的分析討論

為了進一步驗證地質體分類預測結果的可靠性，在利用支持向量機得到地質體分類預測模型后，對分類地質體填充了相應密度與磁化率的平均值并正演了地質體預測模型的重力與磁力異常(圖15b、圖15d)，從整體上看，圖15b、圖15d和實測的重磁異常(圖15a、圖15c)具有很強的相似性.由于實際分類地質體的密度和磁化率在空間上是變化的，因此，實測的重磁異常與正演的預測模型重磁異常必然存在差異.

應用支持向量機對多源地球物理地質解釋的可靠性不僅取決于樣本的代表性，還與以下因素有關.

(1)重磁電三維反演結果對地質體的分辨能力，尤其是提高對深層地質體的分辨力；

(2)對實際地質體巖性鑒別的準確性直接影響已知樣本所代表地質體類別的可靠性，原則上同一地區的同類地質體的巖石物性具備統計的聚類性，但由于地質體鑒別的不可靠性，在一定程度上直接影響選取樣本的代表性，對預測地質體的可靠性帶來影響.

總的來說，通過對多寶山礦集區多源地球物理資料的地質解釋，展示了支持向量機在多源地球物理地質解釋中具有以下三點優勢.

(1)實現了多種地球物理資料(不局限于重磁電三種)的快速有效的地質解釋；

(2)利用在樣本類別約束下所建立的支持向量機智能模型簡化了對存在地質體物性交疊資料的地質解釋，實現了對地質體的圈定與巖性分類；

(3)突破了利用多源地球物理剖面進行人工比對進行三維地質解釋的局限，快速實現了多源地球物理資料的三維地質解釋.

總之，本次基于多源地球物理數據的支持向量機預測得到的地質體分類模型具有較高的可靠性，實現了通過多源地球物理場所反演的物性三體，采用支持向量機對地質體圈定及巖性識別地球物理資料綜合地質解釋的目標，為多源地球物理場的綜合地質解釋提供了有效的方法技術手段.

5 結論

在多寶山礦集區，通過利用多源地球物理資料，采用支持向量機方法對地質體圈定與巖性識別所取得較好的應用效果，得出以下結論：

(1)巖石物性參數的交疊現象及地球物理資料反演的物性參數的連續性及非唯一性是引起地質解釋成果不可靠的重要因素.

(2)地質體鑒別的可靠性及準確分類與同類地質體巖石物性的代表性對預測地質體的可靠性產生一定的影響，提高重磁電對深層地質體的分辨力是另一制約地質體預測可靠性的因素.

(3)機器學習是多源地球物理大數據地質解釋的有效技術手段，也是未來多源地球物理數據地質解釋的發展趨勢.

(4)在淺部區域地質及鉆井的約束下，選取兼顧深淺地質體物性特征具有代表性分類地質體的樣本，是決定利用多源地球物理數據，采用機器學習進行地質體圈定與巖性識別應用效果優劣的關鍵因素之一.

(5)為提高判別模型的泛化能力，選取合適的核函數并通過反復訓練模型獲取最優參數，足夠數量的交叉驗證樣本對于避免過擬合，獲得合理的判別模型至關重要.

(6)為利用多源地球物理數據所反演的物性數據體進行綜合地質解釋，機器學習方法開辟了新的途徑，提供了多源地球物理綜合地質解釋的新思路，具有廣闊的應用前景.

致謝撰寫本文的過程中得到了中國地質調查局沈陽地質調查中心朱群研究員、楊曉平正高級工程師、邵軍研究員、許逢明博士等人的指導，在此一并致謝.