中重稀土因其在永磁材料、超导技术及高端电子制造等领域的广泛应用,被视为全球军事和高科技产业的重要战略资源。全球70%以上的中重稀土资源以离子吸附型稀土矿的形式集中分布于中国南方丘陵山区,主要采用硫酸铵((NH₄)₂SO₄)原地浸矿法开采。尽管该方法能够高效提取稀土元素,但过量注液带来的环境风险不容忽视。因原地浸矿工艺依赖于矿体品位空间分布来制定注液策略,品位预测的精度直接影响资源回收率与污染控制,同时开采残留氨态氮在土壤中的分布受到自身化学特性及环境因子影响,表现出强的空间分层异质性。受采样成本限制带来的数据稀疏性叠加自身的复杂空间异质性,导致传统地统计方法与机器学习模型难以有效刻画矿区资源分布及污染扩散特征,亟需更精准的建模方法。 面对稀土矿资源优化利用与环境污染治理带来的双重挑战,本研究结合离子吸附型稀土富集机理及污染扩散特性,提出了两种三维空间建模方法。针对矿体品位空间结构复杂、传统方法难以精准捕捉边界的问题,提出了改进图卷积网络模型(AGACNet),通过集成自适应图注意力(AGA)模块和联合簇损失(Joint-Cluster Loss)优化机制,提升了稀土矿体品位边界的预测精度。针对开采残留氨态氮污染的三维空间变异性与数据稀疏性导致的预测不确定性问题,构建了融合分层贝叶斯模型(HBM)与三维地统计插值(MSN)的HBM-MSN方法,优化模型对污染物的空间预测精度及污染边界刻画能力。在中国南方某稀土矿区的实验验证中,取得了以下主要研究成果: (1)AGACNet在数据稀疏环境下提升了品位预测精度。在缺乏高维协变量的情况下,通过数据驱动优化,AGACNet在矿体边界识别方面表现优于传统方法(IK、RF、GCN),准确率达66.45%,较RF提高12.5%,较IK和GCN分别提高29.6%和64.8%,拓展了低数据密度矿区品位预测的建模思路。 (2)AGACNet通过引入自适应图注意力(AGA)模块与联合簇损失(Joint-Cluster Loss)机制,显著提升了模型的总体分类精度。消融实验结果表明,分别引入AGA模块与Joint-Cluster Loss后,模型总体准确率较基线模型分别提升了40.80%与8.01%,验证了两者在增强特征表达与边界识别方面的有效性。 (3)HBM-MSN在非均质污染环境下提高了预测精度。在5m以下深层区域,HBM-MSN的预测误差(RMSE=1.24 mg/kg)显著低于3D-OK(2.17 mg/kg)和3D-MSN(1.89 mg/kg),展现出更强的适应性,能够精准解析污染迁移模式,降低预测不确定性,并优化污染边界刻画精度。 本研究针对离子吸附型稀土矿区资源与污染协同建模的技术瓶颈,分别构建了面向稀土品位预测的AGACNet模型与面向氨氮污染模拟的HBM-MSN模型,实现了对地下稀土资源与残留污染物的三维精细刻画。研究结果不仅显著提升了预测精度,也揭示了空间异质性在资源回采与污染控制中的协同作用,为精准矿区管理、污染防控及智慧矿山建设提供了理论支撑与方法路径。