基于概率神经网络的智能找矿方法—以四川雅江县木绒锂矿为例

杨青松，罗先熔，岳大斌，刘攀峰，高 文，文美兰，廖兴健，李杰伟，梁 鸣，刘永胜

（1.桂林理工大学地球科学学院，广西桂林 541006；2.广西隐伏金属矿产勘查重点实验室，广西桂林 541006；3.四川省第三地质队，四川成都 610000）

0 引言

近年来，随着矿产勘查工作的不断深入，地表及浅部矿产大部分已经查明，矿产勘查工作的重心逐渐转向寻找深部隐伏矿产，因此如何精确识别深部隐伏矿，是目前急需解决的重要问题。地电化学作为一种非常规的地球化学勘查技术手段，其原理为：以基岩及基岩以上所覆盖的第四系堆积物中的离子动态平衡为基础，在外加电场的作用下，打破基岩中的离子动态平衡，促使离子向离子吸收器迁移，一定的时间后，地下岩石中离子会达到新的动态平衡，同时离子收集器中所收集到的离子也达到“饱和状态”。通过测试分析离子收集器中指定元素及含量，发现与隐伏矿体有关的元素异常，从而达到找矿的目的（罗先熔和杨晓，1989；刘吉敏和刘占元，1990；罗先熔等，1996；罗先熔等，2007；刘攀峰等，2018）。以往研究在黑龙江黑瞎子沟及邢家沟（杨龙坤等，2015）、青海祁连（刘攀峰等，2015）、藏南姐纳各普（刘刚等，2018；郑超杰等，2018）、藏南邦卓玛（袁和等，2019）、内蒙古格鲁其堆山（刘延斌等，2018）和陕西略阳（何旺等，2020）等地区，开展了一系列的地电化学研究工作。研究表明，在各种不同矿化类型的矿床上方，几乎都测出了清晰的地电提取离子异常，取得了显著的效果，证实了地电化学法在寻找深部隐伏矿产上的有效性。为了更好地分析地电化学数据，提高预测靶区的精确度，以人工智能（Artificial Intelligence）理论为基础，构建独特的神经网络模型，来辅助矿产勘查工作已是必然的选择（周永章等，2021）。

自20 世纪40 年代图灵（Alan Mathison Turing）提出人工智能概念以来（Turing，1938），历经80 余年，模仿人脑的多分层结构和各神经元之间的连接交互信息的可回溯非线性逐层分析处理机制，构建神经网络算法模型，使人造机器具有从多“指标”对应多“结果”的复杂数据中自动学习和优化模型的能力，在很多方面获得突破性进展。其中最具代表性的是关于各类事物的判别与处理，比如智能手机的人脸识别系统和泊车系统对车牌号的识别。而勘查地球化学找矿正是利用多种元素的“指标”来得到某块区域是否具有找矿潜力的“结果”，可以利用神经网络算法模型强大的自适应与自学习能力来预测某块区域中具有成矿潜力的地点（赵鹏大，2002；王世称，2010；左仁广，2021；郑超杰等，2022）。

概率神经网络（Probabilistic Necural Network，PNN）是斯佩奇博士（Spechi D F）首先提出一种基于贝叶斯（Bayes）分类规则与Parzen 窗的概率密度函数估计方法发展出来的并行算法（Specht，1990）。该算法具有结构简单、训练时间短、不易产生局部最优（过拟合），可以包容一定数量的错误样本且分类精度高的优点，与传统的BP（Back Propagation）神经网络相比在模式分类方面具有显著的优势（焦李成等，2016；姚舜才和李大威，2022）。

在地质学领域，PNN 已成功运用于测井预测岩层的孔隙度（成奇明和张树京，1993；刘丽红等，2012；石创等，2019；雷明等，2022）、油气信号的识别（张良等，2009）、地下水水质的评价（陈永灿等，2004；董艳慧等，2009；董艳慧等，2013）、地层岩性的识别（马英杰和周蓉生，2004；程国建等2007；王书，2017）、工程围岩稳定性评价（史秀志等，2010；王佳信等，2016；王佳信等，2018）和地球化学异常识别（Zhao et al.，2015）等领域，前人的工作说明在地学领域PNN 能够有效使用线性或非线性的已知数据进行有监督学习，准确且快速地对预测数据进行分类。本文以雅江县木绒锂矿为例，在已知矿区外围的预测区利用地电化学数据，按照由已知到未知的思路，讨论基于PNN 的智能找矿方法的适用性和准确性。

1 地质背景

四川雅江县木绒锂矿地处青藏高原东南隅，雅砻江东侧的深切割区，属四川盆地向川藏高原过渡的高海拔地区，海拔2811 m～3350 m（附近最高峰4652 m），最大相对高差539 m，地形陡峭，坡度40°～60°。地势西高东低、北高南低，属深切割高山区，沟谷呈“V”字形地貌形态。研究区东距甲基卡穹窿约10 km，东北距容须卡穹隆约16 km，向西紧邻瓦多背斜北东段的倾伏端，大地构造位置处于青藏高原东缘松潘-甘孜造山带（Ⅰ）-雅江弧形构造叠置岩片（Ⅱ）内（图1a）。岩浆岩形成时期以印支-燕山期为主，岩性以酸性、中酸性岩浆岩为主，多呈脉状出露，是康定-雅江地区锂、铍、铌、钽等稀有金属矿成矿远景区。已知矿区区域地层属于巴颜喀拉区玛多-马尔康地层分区中的雅江小区，主要出露三叠系西康群砂泥质复理石沉积建造，区域内地层主要为新都桥组（T3xd）和侏倭组（T3zw），上覆侏罗系-白垩系地层大面积缺失，另有少量第四纪冲洪积、沼泽堆积零星分布。区域内由老至新地层和岩性为：三叠系上统侏倭组（T3zw）：岩性主要为变质程度较浅的变质砂岩、粉砂岩与板岩为主，与上覆新都桥组整合接触；三叠系上统新都桥组（T3xd）：岩性主要为浅变质的深灰色-黑灰色绢云板岩和粉砂质含铁白云石绢云板岩，夹少量变质石英砂岩，上覆地层缺失；第四系（Q）：已知矿区和预测区内主要为残坡积物，见大量砂岩和板岩转石，偶见花岗伟晶岩转石②（付小方等，2021a，2021b）。

图1 四川雅江县木绒稀有金属矿区域构造图（a，据许志琴等，1992修编）、已知矿区地质简图（b）和研究区采样点位图（c）Fig.1 Regional structural map of the Murong rare metal deposit in Yajiang County of Sichuan Province（a，modified from Xu et al.，1992），geological sketch map of known mining area（b）and sampling location of the study area（c）1-蛇绿混杂岩带；2-滑脱带；3-逆冲断层；4-飞来峰；5-平移断层；6-深层高温韧性滑脱剪切带；7-中生代花岗岩；8-剪切滑移矢量；9-褶皱轴线；10-第四系残坡积物；11-新都桥组二段b层；12-新都桥组二段a层；13-伟晶岩脉及编号；14-锂矿体及编号；15-铌钽矿体及编号；16-推测矿体；17-产状；18-已知矿区；19-预测区；20-采样位置；YZB-扬子陆块；QCB-羌塘-昌都陆块；GWNB-冈瓦纳大陆；SG-松潘-甘孜造山带；A-义敦岛弧带；A1-中咱推覆体；①-金沙江蛇绿混杂岩带；②-甘孜-理塘蛇绿混杂岩带；③-鲜水河韧性平移剪切带；B-松潘-甘孜造山带主体（B1～B5）：B1-摩天岭带；B2-丹巴弧；B3-木里弧；B4-马尔康弧；B5-雅江弧；C-前陆逆冲楔（C1～C2）；C1-龙门山前陆逆冲楔；C2-盐源前陆逆楔1-ophiolitic melange belt；2-detachment zone；3-reverse fault；4-klippe；5-strike slip fault；6-deep high-temperature ductile detachment shear zone；7-Mesozoic granite；8-shear-slip vector；9-fold axis；10-Quaternary saprolite slope deposits；11-layer b of 2nd member of Xinduqiao Formation；12-layer a of 2nd member of Xinduqiao Formation；13-pegmatite veins and numbers；14-lithium ore bodies and numbers；15-niobium-tantalum ore bodies and numbers；16-presumed ore bodies；17-occurrence；18-known mining areas；19-predicting areas；20-sampling location YZB-Yangtze block；QCBQiangtang-Changdu block；GWNB-Gondwana continent；SG-Songpan-Ganzi orogenic belt；A-Yidun island arc belt；A1-Zhongzhan nappe；①-Jinshajiang ophiolitic melange belt；②-Ganzi-Litang ophiolitic melange belt；③-Xianshui River ductile advection shear zone；B-Songpan-Ganzi orogenic belt main body（B1～B5）：B1-Motianling belt；B2-Danba arc；B3-Muli arc；B4-Maerkang arc；B5-Yajiang arc；C-foreland thrust wedge（C1～C2）；C1-Longmenshan foreland thrust wedge；C2-Yangyuan foreland thrust wedge

木绒锂矿床为花岗伟晶岩型矿床，其伟晶岩为钠长石锂辉石型。在已知区地表发现5条伟晶岩脉（图2a），编号分别为No.1、No.2、No.3、No.4 和No.5，主要出露于矿区东、西两段，中部被第四系残坡积物掩盖。主要含锂矿伟晶岩脉两条，编号No.1、No.2，其余均为小型矿化脉体（图1b）。对钻孔岩心进行了编录，整体岩心垂向上自上而下依次出现了黑云母带-石榴石带-红柱石带的递增变质带特征，No.1 伟晶岩岩心局部出现细晶、中晶钠长锂辉石带呈韵律式交替现象（图2b），推测深部地区可能存在隐伏的岩体，为其上的变质作用提供了热力学条件并为木绒锂矿床提供了成矿的物质来源。

图2 地表岀露的伟晶岩脉（a）和No.1号伟晶岩脉部分岩心图（b）Fig.2 Pegmatite vein exposed on the surface（a）and part of cores of No.1 pegmatite vein（b）

本研究区主要分为两部分（图1c），一是已经做过地电化学采样工作并钻探验证过后的已知矿区；二是穿过已知矿区，采样位置大致呈斜45°的“十字形”预测区。

2 采样及测试

2.1 地电化学样品采集

本次在已知矿区在按照80 m×40 m 测网共布置5条测线，在已知锂矿体及铌钽矿体附近，加密采样点间距至20 m（图3）；在预测区布置两条近似垂直的地电化学采样剖面（图1c），大致平行于庆大河的长剖面，采样点距为40 m；大致垂直于庆大河的短剖面，采样点距为20 m，每个采样点同时采取地电样品和土壤样品。地电化学提取采用桂林理工大学隐伏矿床研究所研制的独立供电低电压偶极子CHIM 提取装置，提取时间24 h，提取液1000 mL，电压9 V。电极埋藏于土壤分层中的B 层或BC 层，埋深约30～40 cm，提取电极间距约100～120 cm，提取液在正负极各取500 ml，提取材料采用10 cm×10 cm 的高密度泡沫塑料，其外用滤纸进行包裹，并使用棉线进行固定，避免被泡塑埋藏时被土壤污染，24 h 后取出，阴干后将泡塑裁剪为1 cm×1 cm的小方块，将正负极的小方块混合均匀后，随机取总重量为1 g 的小方块为地电提取样品。土壤样品取样深度与电极埋藏深度相同，均为B层或BC层新鲜土壤，阴干后使用200 目筛网筛取样品（罗先熔等，2008）。

2.2 分析测试

地电提取样品送往桂林矿产地质研究院有色金属桂林矿产地质测试中心进行测试，采用ICPMS 分析Li、Be、Rb、As、Nb、Ta、Cs、W、Bi、Th、Pb、U等15 种元素。样品的监控方法是从测试样品中随机密码抽样10%，进行重测检验。按化探样品分析质量检验和误差要求方法，重分析抽查样比例符合规范要求，对于不符合要求的数据，要重新检测。经分析本次所有测试结果均合格。

3 概率神经网络的应用步骤

3.1 理论基础

由Bayes 决策理论和分类规则（王燕京，2007；宫喜玲等，2009；李乃医等，2010），得：

其中，p(ωi|x)=p(ωi)p(x|xωi)。

一般情况下，类的概率密度函数p(ωi|x)是未知的，用高斯核的Parzen窗估计如下

式中，xik是属于第ωi类的第k个训练样本，i是样本向量的维数，σ是平滑参数，Ni是第ωi类的训练样本总数（个）。

去掉共有元素，判别函数可简化为

其中，gi(x)是属于xik的判别结果。

3.2 结构模型

PNN 的层次模型如图4 示，由输入层、模式层、求和层和输出层组成。第一层为输入层，将转化为向量的样本数据输入PNN 模型；第二层为模式层，计算输入的向量与训练样本间的距离，即PNN 模型对样本数据的意义进行学习；第三层为求和层，将与第一次输入样本数据向量相关的所有类别综合到一起，网络输出为表示概率的向量，即PNN 模型依据上一层的学习结果，对自身进行优化修改；第四层为输出层，通过公式（3）进行判别后输出结果（马运勇，2008）。

3.3 PNN模型的建立与调试

基于PNN 的找矿预测方法，核心在于建立和调试PNN 模型。而建立PNN 模型首先是使用因子分析法（姚玉增等，2005），对样本数据进行白化，选出与目标元素相关性大的元素，作为训练样本、测试样本和预测样本的“指标”；再对地球化学样品数据进行标准后，将已知数据随机分为训练集和测试集，训练集数据导入PNN 神经网络，生成模型；然后导入测试集数据对模型进行测试，并评价其正确率，若准确率较低（小于80%），那么需要对Spread值进行调整，直到训练集和测试集准确率均大于80%。具体流程如图5所示。

图5 PNN模型建立与调试流程图（据姚舜才和李大威，2022修编）Fig.5 PNN model establishment and debugging flowchart（modified from Yao and Li，2022）

4 结果与验证

4.1 数据白化与标准化处理结果

在统计学中，指向一个结果的指标越多，其指向性越明确，依据指标做出的预测越准确，但相应的计算会越复杂。因此，必须选择对结果影响最大的指标，剔除对结果影响小或不影响结果的指标，此选择过程，便是数据的白化。本文选用因子分析法，对数据进行降维，观察其相关性，从而选出合适的“训练指标”，剔除与Li 元素相关性小和负相关的元素，达到白化的目的。

为了明确各元素与Li 元素的相关性大小，本文使用R 型聚类和因子分析，首先对地电样本数据进行KMO 和巴特利检验，从表1 中可以看出，巴特利特的球形度检验所得的显著性（sig 值）为0.000，小于显著性水平0.05，因此拒绝巴特利特的球形度检验的零假设，适合作因子分析。KMO 取样适切性量数为0.638，大于统计学家Kaiser 给出的0.6 的标准，经检验本次地电提取的各元素数据复合检验，总体元素间具有很强的相关性，说明本组数据适合作因子分析（杨青松等，2022）。

表1 KMO 和巴特利特的检验Table 1 KMO and Bartlett's test

从因子分析中元素相关性矩阵结果（表2）和相关性热力图（图6），可以明显看出：Fe与Al元素相关系数高达0.924，Li与Rb、Cs元素之间相关系数均大于0.75，属于强正相关，与常量元素Al、Fe 元素介于0.6～0.8；Nb 与Ta 相关系数为0.412，表现为正相关性；Cs 与Rb、Al、Fe 相关系数大于0.45，表现出较强的正相关性；Rb 与Al、Fe 相关系数大于0.9，属于强正相关；W、Sn 两个元素与其他元素相关性均不高。然后对所有元素进行R 型聚类分析（刘晓玲和陈建平，2010），验证因子分析的结果是否可靠，结果如图7。当距离系数取6.5 时，可将元素化为三类，即：第一类为Li-Be-Rb-Cs-Al-Fe，为典型的稀有金属元素合；第二类为Nb-Ta，为伟晶岩型稀有金属矿床的伴生成矿元素；第三类为W-Sn，高温热液元素组合（张元厚等，2008；王臻，2021）。除Be未被单独分组外，其他分组情况与因子分析结果完全一致。因此将Li-Rb-Cs-Al-Fe 元素作为“训练指标”，其他元素为白化数据，进行删除处理。

表2 元素相关性矩阵Table 2 Element correlation matrix

图6 相关性热力图Fig.6 Correlation thermodynamic diagram

图7 聚类分析谱系图Fig.7 Cluster analysis spectrum chart

由于PNN 底层算法逻辑的要求，输入的样本数据必须具有较高的一致性和较高的数据质量，且因为样本数据各“指标”的单位不同，必须消除不同量纲的影响，因此需要对数据进行标准化，本文采用min-max 标准化（Min-Max Normalization）对样本数据进行预处理，处理结果见表3。转换公式如下：

式中，max 为样本某一指标的数据最大值；min为样本某一指标的数据最小值。

4.2 模型的建立

已知区内共采集111 件样品（预测集），首先按照已知区现有的成果①，将地电提取样品点按照成矿潜力大小分为1 级点（无成矿潜力，靶区之外的点）、2 级点（成矿潜力较小，C 类靶区内的点）、3 级点（成矿潜力中等，B 类靶区内的点）和4 级点（成矿潜力大，A类靶区内的点）（图8a）。根据前人对本区域同类型锂矿的研究，Li、Rb、Cs 等稀有元素含量高的地区，可作为锂矿的找矿远景区（隰弯弯等，2022），对上述分类做验证。可发现4 级点所处位置，Li、Rb、Cs 元素异常内带面积大、套合性好，并且异常区域内有隐伏的花岗伟晶岩脉和隐伏锂矿化体，找矿可能性极高；3 级点所处位置，Li、Rb、Cs 元素异常内带面积中等、套合性好，与伟晶岩脉的延伸关系密切，找矿可能性较高；2 级点所处位置，Li、Rb、Cs元素异常内带面积较小、套合性较好，具有一定的找矿潜力；1级点所处位置，Li、Rb、Cs元素含量与区域背景值相当，几乎没有找矿潜力。

图8 雅江县木绒稀有金属矿成矿潜力分类图②（a）和钻探验证图（b）Fig. 8 Metallogenic potential classification map of the Murong rare metal deposit in Yajiang County②（a）and drilling verification（b）1-第四系冲洪积物；2-第四系残坡积物；3-新都桥组二段b层；4-新都桥组二段a层；5-地质界线；6-Li异常内带；7-Rb异常内带；8-Cs异常内带；9-Al异常内带；10-Fe异常内带；11-锂矿体及编号；12-深部锂矿体；13-钻探剖面；14-钻孔及编号；15-钻孔轴线及深度；16-采样点1-Quaternary alluvial deposits；2-Quaternary residual slope deposits；3-layer b of 2nd member of Xinduqiao Formation；4-layer b of 2nd member of Xinduqiao Formation；5-geological boundary；6-Li inner anomaly zone；7-Rb inner anomaly zone；8-Cs inner anomaly zone；9-Al inner anomaly zone；10-Fe anomaly zone；11-lithium ore body and its number；12-deep lithium ore body；13-drilling profile；14-drilling hole and number；15-drilling axis and depth；16-sampling points

已知区矿体品位一般1.00%～2.00%，最高3.71%，品位变化系数30.26%，组分变化稳定。单工程平均品位：Li2O=1.53%、BeO=0.04%、Nb2O5=0.011%和Ta2O5=0.008%。矿体平均品位Li2O=1.62%，边界品位0.3%。对中间一条化探剖面进行钻探验证（图8b），可知4级点区域对应在锂矿体埋藏深度为小于300 m处，且此处Li和Cs元素出现最高值的同时Rb元素出现较大值；3级点对应锂矿体埋藏深度为300～500 m处，且Fe、Rb、Al和Be元素出现最高值；1级点对应无矿体处，钻探验证剖面图中并无对应的2级点，但可以推断其为对应矿体埋藏深度大于500 m处。

由上可知，矿体埋藏深度越小，地电提取样品Li、Cs 元素的值越高，成矿潜力越大，所在位置样品点的级别越高，说明此分类方法有效可靠。

将分类后的数据集打乱顺序后随机划分为训练集（95个）和测试集（16个），消除人为挑选可能造成的主观因素影响；然后将训练集数据导入PNN网络，对模型进行训练，Spread值设定为默认值0.1，训练准确率见图9。

图9 Spread=0.1时PNN网络的准确率Fig.9 Accuracy of PNN network at Spread=0.1

由图9 可知，Spread 值取0.1 时，虽然训练集预测结果准确率为80%，但测试集预测结果准确仅为62.5%，小于80%，误差较大，未能达到预期的分类准确度，为了减小误差需要对Spread值进行调整。

4.3 Spread值（平滑值）的确定

Spread 值是PNN 模型的径向基扩展速度，在PNN 中一般默认为0.1。实际意义为：Spread 值越大，在函数进行拟合时就越平滑，同时逼近误差就会越大，预测结果准确率越低；反之，Spread值越小，函数进行拟合时就越不平滑，逼近误差就会越小，预测结果准确率越高；但当Spread 值过小时，会出现过拟合的现象，同样会使预测结果准确率降低（章学良，2022）。所以，必须谨慎选择Spread 值。Spread值的选取方法是不断的取不同的Spread值进行训练，选择一个相对的最优值，使训练误差最小的同时测试正确率最高。

在本次训练中，经过多次训练，最终将Spread值定为0.08。首先将训练集数据带入模型进行训练得出图10，可以发现经过PNN 训练后，训练集的预测结果准测率为88.42%，混淆矩阵中各级别点的准确率均达到50%及以上。然后将测试组数据带入训练后的PNN 模型进行验证得到图11，此时测试集的预测结果准确率为81.25%，混淆矩阵中1 级点和4 级点的准确率分别为91.7%和100%，2 级点的准确率虽只有33.3%，但也是因为测试集中2 级点仅有3个，样本量太少所导致。

图10 Spread=0.08时PNN网络的训练结果Fig.10 Training results of PNN network at Spread=0.08

图11 Spread=0.08时PNN网络的测试结果Fig.11 Test results of PNN network at Spread=0.08

4.4 应用效果与验证

将预测集数据，导入训练后的PNN 模型，得到预测结果（表4、图12）：1 级点135 个，占测试集总量的83.3%；2级别点14个，占测试集总量的8.6%；3级点1 个，占测试集总量的0.6%，4 级点12 个，占测试集总量的7.4%。

表4 PNN预测集结果Table 4 PNN prediction set results

图12 PNN模型预测的找矿靶区（a）与Li、Cs和Rb元素验证图（b、c和d）Fig.12 Prospecting target area predicted by PNN model（a）and validation diagrams of Li，Cs，and Rb elements（b，c，and d）

将预测结果投影到预测区后得到PNN 模型预测结果，圈定出一个靶区（图12a）。

为了检验结果是否准确，首先对运用累频法对预测区的Li、Rb、Cs地电元素数据进行处理（肖瑞卿等，2018），以各元素累计频率的80%作为异常下限，以各元素累计频率的80%作为异常下限，圈出异常的区域与PNN模型预测的靶区位置基本重叠（图12b、c和d），说明累频法与PNN模型所预测的结果基本一致。为了进一步验证结果的准确性，进行了实地检验，在预测区中见到两处大量红柱石出露的红柱石带，而川西甲基卡型稀有金属矿床中的各类伟晶岩型矿床与其变质带紧密共生，是岩（矿）脉热流体对围岩直接作用的结果，变质带绕脉体呈环带状分布，从外到内温度逐渐降低，其变质程度逐渐升高，变质带依次为：黑云母带（Ⅴ）、红柱石带（Ⅳ）、红柱石十字石带（Ⅲ）、十字石带（Ⅱ）和透辉石带（Ⅰ）。因此可以认为在实地检验中所见到红柱石带出露的位置与矿脉距离较近，具有极大的找矿潜力（李建康，2006；付小方等，2014；李建康等，2014；梁斌等，2022），其中一处红柱石带与PNN模型预测的靶区基本重叠。综上，预测靶区与甲基卡的锂矿地球化学特征异常区和变质带特征相符合，可证明PNN预测结果可靠。

5 结论

（1）为了实现可靠的PNN 模型，对已知区样本数据进行了白化、归一化和分级，应用因子分析和R型聚类选出了Li-Rb-Cs-Al-Fe 五种元素作为训练和预测的“指标”，作为PNN 模型的训练样本，训练样本的成矿潜力级别作为“预测结果”，运行并调试模型后，将Spread值（平滑值）确定确定为0.08，使模型中训练集和测试集的准确率均达到了80%以上，完成训练，得到本区域的PNN模型。

（2）将预测区数据导入训练后的PNN 模型中，得到预测结果，并以此圈定了1 处找矿靶区。在后期的实地检验中发现了两条红柱石带，其中一条与靶区基本重叠，说明了靶区的圈定可靠性高，PNN模型是有效且可靠的。

（3）本研究通过有监督的概率神经网络，搭建PNN 模型，初步实现了由人类输入数据，机器智能判别的目的。相比于传统人工划分靶区，本方法具有所需工作量少、人为主观因素影响小和准确率高的优点，但同时也具有需要已知数据数量多和对已知数据代表性要求高的缺点。

致谢：在项目资料收集和采样过程中得到四川省第三地质队邵兴隆、杨元良、廖登海、李龙、王章翔工程师们的支持与帮助，在此一并表示感谢！

［注 释］

① 刘攀峰，杨青松.2022.地电化学集成技术在四川省雅江县木绒锂矿区及外围寻找隐伏稀有金属矿预测研究［R］.桂林理工大学.

② 岳大斌，廖兴健，王章翔.2020.四川省雅江县木绒锂矿勘探地质报告［R］.四川省第三地质队.