A região de Hatu no Junggar Ocidental, Xinjiang, é uma das áreas de concentração metalogênica de ouro mais significativas na China. A mineralização de ouro é principalmente controlada por várias falhas transcorrentes paralelas com direção NE e plutões graníticos do final do Paleozoico, acompanhados por múltiplas fases de atividade hidrotermal. Para aumentar a objetividade e precisão da previsão de prospecção mineral, este estudo desenvolve uma estrutura integrada de previsão que combina conjuntos de dados de sensoriamento remoto multi-fonte com técnicas de aprendizado de máquina. Anomalias de alteração relacionadas a manchas de ferro e minerais contendo hidroxila são extraídas dos dados ASTER, a mapeamento de minerais de alteração é realizado usando imagens hiperespectrais GF-5, e dados Landsat-9 são usados para interpretação estrutural para refinar o arcabouço metalogênico regional. Com base nisso, esses produtos multi-fonte de sensoriamento remoto são então integrados para delinear cinco áreas metalogênicas prospectivas (T1–T5). Subsequentemente, um modelo Random Forest (RF) otimizado pelo algoritmo Grey Wolf Optimizer (GWO) é empregado para integrar quantitativamente as principais camadas de evidência, incluindo alteração, estrutura e geoquímica, para estimar a probabilidade de mineralização. Os resultados mostram que o modelo GWO-RF concentra efetivamente áreas anômalas e identifica dois alvos de alta confiança, Y1 e Y2, ambos com probabilidades de mineralização superiores a 0,8. Entre eles, o alvo Y1 está associado ao plutão Bieluagaxi e apresenta forte montmorilonitização, cloritização e alteração por manchas de ferro, típicos para mineralização controlada magmático–hidrotermal. Em contraste, o alvo Y2 é estritamente controlado pela Falha Anqi e suas falhas subsidiárias, caracterizado principalmente por cloritização linear e anomalias de manchas de ferro indicativas de mineralização estrutural–hidrotermal. A verificação de campo confirma o significativo potencial metalogênico de ambos Y1 e Y2, demonstrando a eficácia da integração de sensoriamento remoto multi-fonte e aprendizado de máquina para prever sistemas auríferos orogênicos. Esta abordagem não apenas aprofunda o entendimento dos diversos processos de mineralização de ouro no Junggar Ocidental, mas também fornece uma metodologia transferível e estudo de caso para aprimorar a precisão da exploração mineral regional.
Zhang et al. (Qua,) estudaram esta questão.