成矿概念模型（Mineral System Model）是从"源-运-储-保"四个维度理解矿床形成过程的理论框架。它回答的核心问题是：成矿物质从哪来（源）、通过什么通道运移（运）、在哪里沉淀富集（储）、如何保存至今（保）。

在AI找矿中，成矿概念模型的作用不仅仅是"地质背景介绍"，它直接决定了：(1) 正样本的定义标准——什么算"有矿"；(2) 负样本的选取逻辑——什么算"确定无矿"；(3) 特征工程的设计蓝图——需要计算哪些空间变量；(4) 模型结果的审查依据——预测图是否符合成矿规律。

如果成矿概念模型不准确或不完整，后续无论用多先进的算法都无法弥补。这就是为什么说"垃圾进、垃圾出"——AI的上限由地质认识决定。

建议地质人员在构建模型时参考"成矿系统"（Mineral Systems）方法，该方法强调从地质过程而非矿床描述出发，更适合指导找矿预测中的特征设计。

找矿预测需要融合的数据类型极其多样：地质图（矢量多边形）、化探数据（离散点）、物探数据（规则网格栅格）、遥感影像（像素栅格）、DEM（连续栅格）、矿点（离散点）。这些数据不仅格式不同，其空间分辨率、时间版本、精度等级也各异。

机器学习模型要求所有输入特征在同一空间参考框架下、同一分辨率上对齐。因此，数据准备阶段需要完成：(1) 坐标系统一——所有数据转到同一投影；(2) 空间分辨率统一——重采样到统一网格；(3) 数据类型转换——矢量转栅格、点数据插值等；(4) 质量控制——缺失值、异常值、系统偏差处理。

常见数据类型及处理目标：地质图 → 空间分布编码（独热编码/标签编码）；构造数据 → 距离计算、密度分析；地球化学 → 异常提取、插值成图；地球物理 → 网格化、滤波处理；遥感数据 → 蚀变信息提取；DEM → 地形特征派生（坡度、坡向、起伏度）。

数据质量检查核心项：坐标系统一（全部统一到同一投影）、空间分辨率一致（栅格重采样）、时间版本一致或可融合、缺失值控制（单要素缺失 < 20%）、无重复/错误点、数据使用权限明确。

国家基础地质数据（1:5万、1:25万区调、化探扫面成果等）通常由中国地质调查局或各省地调院持有，公开使用有授权限制。在AI找矿预测项目中使用这些数据前，需确认：数据来源是否有正式合同/授权书、是否允许用于商业或科研目的、成果报告中是否需要注明数据来源并签保密协议。

商业遥感影像（WorldView、Pleiades、高分系列）有明确的版权保护，不能直接用于商业找矿项目。应使用已购买版权的影像或Sentinel-2/Landsat等开源影像。

企业内部数据（钻孔、化探、物探等勘查数据）属于企业机密，在与AI团队共享时，应核实是否签署了保密协议（NDA），在云端处理时需注意数据不上传未经授权的服务器。

实操建议：建立项目数据台账时，增加"数据版权/授权状态"字段，逐套数据注明来源、授权类型（公开/商业授权/企业自有）、是否允许发表。这不仅是法律合规要求，也是项目审计时的重要依据。

GeoTIFF是AI找矿预测中最通用的栅格格式，因为它同时携带空间参考信息（坐标系、投影、像元大小）和数据值。机器学习模型的输入本质上是一个"特征矩阵"：行=样本点，列=特征值。在空间预测中，每个预测网格单元就是一个样本，每个GeoTIFF图层就是一列特征。

具体来说，在100m网格分辨率下，一个100km×100km的研究区有100万个网格单元，每个单元对应一行数据，10个GeoTIFF图层则对应10列特征。这个1,000,000×10的矩阵就是模型的输入。

统一分辨率的重要性：所有GeoTIFF图层必须有完全相同的像元大小、范围和坐标系，否则无法对齐成矩阵。地质人员常见问题：化探用的200m插值栅格、遥感用的30m影像、物探用的500m网格，如果不统一到同一分辨率（如100m），模型无法处理。分辨率的选择取决于最稀疏的数据（通常是化探点密度）。

NoData处理：GeoTIFF有NoData值（通常设为-9999或NaN）表示数据缺失区域。如果某个图层在研究区边角有NoData，该区域在所有特征都提取后会被自动排除或需要特殊处理——地质人员需告知AI工程师这些区域是否有地质意义（如"西北角是国境线外，不参与预测"）。

常用特征类型：

距离特征（距断裂距离、距岩体距离）→ GIS欧氏距离/缓冲区分析；密度特征（断裂密度、线环构造密度）→ GIS核密度估计；地层组合（地层编码、有利层位标记）→ 独热编码/标签编码；蚀变特征（蚀变强度、蚀变类型）→ 遥感光谱比值法；地球化学（单元素异常、多元素叠加指数）→ Z-score/多重分形；地球物理（布格重力异常、航磁异常导数）→ 滤波、延拓、求导；地形特征（坡度、坡向、地形起伏度）→ DEM派生。

数据标准化：不同特征的量纲差异很大（如 ppm vs nT vs m），必须进行标准化处理。常用方法包括：Z-score标准化（均值为0、方差为1）、Min-Max归一化（缩放到[0,1]）。对于高维特征，可使用PCA或自编码器进行降维。

样本构建要点：正样本来源于地质调查和历史勘探资料（已知矿床、矿点、强矿化蚀变点）。负样本选择远离已知矿化、地质背景稳定的区域——关键原则：不要把"未知矿化区"误标为负样本，否则会引入标签噪声。样本不平衡是常态（矿床样本少、背景样本多），常用处理策略包括：下采样（Undersampling）、上采样（SMOTE）、类别权重调整、难例挖掘。

空间交叉验证原理：传统随机K折交叉验证在空间数据上会失效——因为空间自相关（相邻区域性质相似），随机划分会导致训练和测试样本"太像"，评估结果过于乐观。空间分块划分（Spatial Block Split）通过确保训练和测试数据在空间上完全分离来解决这个问题。

模型选择指南：

基线模型（优先尝试）：随机森林(RF) → 小样本、非线性关系，稳健可解释；XGBoost/LightGBM → 中等样本量，精度高、训练快；支持向量机(SVM) → 高维特征，小样本表现好。

深度学习（基线稳定后尝试）：CNN（卷积神经网络）→ 栅格化化探/磁测图像，自动提取空间纹理特征；GNN（图神经网络）→ 断裂网络拓扑关系，捕捉复杂空间连接。

融合与知识增强方法：多模态融合 → 地质+遥感+化探+物探联合，信息互补；知识图谱+ML → 整合专家知识与数据驱动，可解释性强。

训练流程：(1) 建立基线模型（RF或XGBoost）；(2) K折交叉验证（空间分块）；(3) 超参数调优（GridSearch / Optuna）；(4) 消融实验——比较不同特征组合；(5) 比较不同采样策略（Imbalanced-learn）；(6) 尝试进阶模型；(7) 记录每次实验（MLflow / Excel）。

地质人员需了解的关键概念：消融实验是逐一删除某个特征后观察模型性能变化——性能下降越多说明该特征越重要，如果删除某个控矿要素特征后性能几乎不变，说明模型没有有效利用该信息（可能是数据质量问题或特征设计不当）。

核心评估指标：

AUC（ROC曲线下面积）→ 衡量整体区分能力，核心指标★★★★★；Top-K命中率 → 预测概率前K%区域中命中已知矿点的比例，最直观★★★★★；Precision → 预测为矿的区域中实际是矿的比例，减少无效钻探★★★★；Recall → 实际矿点中被正确识别的比例，避免漏矿★★★★；空间一致性 → 不同随机种子、不同特征组合下预测结果的稳定性★★★★；不确定性分析 → 模型输出概率的置信区间★★★。

可解释性分析方法：

特征重要性（Feature Importance）→ 哪些控矿要素对预测贡献最大（RF feature_importances_）；SHAP值 → 每个特征对单个预测的正/负贡献（shap库）；PDP图（Partial Dependence Plot）→ 单个特征与预测概率的关系曲线（sklearn PDP）；地质复核 → 模型高分区是否符合成矿规律（地质专家判断）；伪相关识别 → 模型是否学到了与矿化无关的虚假关联（消融实验+专家审查）。

在找矿任务中，可解释性比纯粹的预测精度更重要。一个AUC=0.80但地质可解释性好的模型，比AUC=0.90但无法解释的模型更有价值——因为前者给出的靶区可以用成矿理论论证，后者给出的靶区无法说服项目决策者投入验证资源。

模型输出的是每个网格的成矿概率（0~1连续值），需要通过阈值划分来定义高/中/低潜力区。阈值选择没有统一标准，通常结合：(1) Top-K命中率——选择使已知矿点被覆盖90%以上的概率阈值作为"高潜力区"下限；(2) 面积占比——高潜力区面积不宜超过研究区的20%–30%，否则筛选意义不大；(3) 自然断点——概率直方图中的自然间断作为分级依据。

不确定性分析同样重要：(1) 多次随机种子训练取方差——方差大的区域说明模型对该区域的判断不稳定；(2) 数据空白区的不确定性天然更高，应在远景图上标注；(3) 模型对不同矿床类型的敏感度不同——大型矿床通常被准确识别，但小型矿化点可能被遗漏。

AI找矿的真正价值不在于"一次性给出完美预测"——这在现实中几乎不可能，因为地质系统的复杂性远超模型的表达能力。真正的价值在于迭代学习：每一轮验证都为模型提供了新的"经验"，使其对研究区的成矿规律认识越来越深。

典型的迭代路径：第一轮（粗筛）→ 使用基础数据和初始模型，圈出10–20个候选靶区 → 踏勘验证筛选到5–8个；第二轮（精筛）→ 补充验证数据、修正特征，模型精度提升 → 对剩余靶区重新评估并补充新靶区；第三轮（定位）→ 加密数据采集、高分辨率建模 → 精确确定钻探位置。

闭环的关键环节：(1) 数据回填——验证结果必须进入训练集；(2) 失败分析——未命中靶区的原因要转化为模型改进方向；(3) 模型修正——不是重新训练就行，要结合新的地质认识调整特征和样本；(4) 文档记录——每轮迭代的改进和结果必须完整记录，形成知识积累。

为什么用组合而不用单元素：单元素Au异常受背景噪声影响大，且在化探采样中检出限波动容易产生假异常。元素组合异常的信噪比更高——如果Au、As、Sb三个元素同时呈高值，这种"共生异常"的成矿指示意义远强于单元素高值。

组合特征的两种构建方式：

(1) Z-score加权求和：对每个元素做Z-score标准化（减均值除标准差），然后直接加和或加权加和。公式：composite = Z(Au) + Z(As) + Z(Sb)。优点是简单、可解释；缺点是默认各元素权重相等。

(2) 异常叠加计数：每个元素独立判断是否超过背景阈值（如均值+2倍标准差），超过记1分、不超过记0分，最终求和。公式：anomaly_count = (Au>threshold) + (As>threshold) + (Sb>threshold)。优点是更稳健，不受极端值干扰；适合背景复杂的地区。

关于采样介质的注意事项：水系沉积物适合区域尺度扫面（1:25万–1:5万），代表较大汇水盆地的平均；土壤化探适合矿田尺度精查（1:1万–1:2000），代表局部风化剖面。两种介质的元素分布规律不完全相同，来自不同介质的化探数据不能直接混用，需要分别建立背景值和阈值。

AUC（ROC曲线下面积）：衡量模型"整体区分能力"的综合指标。取值0.5–1.0，0.5表示随机猜测，0.8以上通常认为较好。直觉理解：从研究区随机抽一个矿化点和一个非矿化点，AUC就是"模型给矿化点打分更高"的概率。AUC越高，模型"把矿化区和非矿化区区分开来"的能力越强。

Recall（召回率）：已知矿化点中被模型正确预测出来的比例。找矿中通常希望Recall高（不漏矿），即使Precision（精度）有所下降（多圈一些非矿区）也可以接受。找矿是"宁可多圈不可漏矿"的场景，应优先关注Recall。

Prediction Rate Curve：许多找矿预测文章使用的可视化工具——按概率从高到低排序研究区，计算"圈出X%面积时能捕获多少比例的测试矿点"。曲线越陡（同样面积内捕获矿点越多），模型效果越好。这是向甲方汇报最直观的性能指标。

地质人员需要了解的底线：不需要会计算这些指标，但需要能读懂AI人员提供的评估报告，并对以下问题有判断：测试集是否是独立的（未参与训练）？测试矿点的数量是否足够（<10个时结论不可靠）？评估结果是否使用了空间交叉验证（避免临近泄漏）？