近年来，随着中国工业水平的快速发展，中国对矿产资源的需求也在逐渐增加。但是，随着地表和浅层矿床的不断减少，矿产勘查逐渐向深部转移。随着计算机科学技术的不断发展，获取的地质数据越来越多，用于成矿预测的方法也在不断丰富和创新，特别是近年来，深度学习和机器学习等新方法逐渐应用到成矿预测领域，并取得了超越传统方法的效果。本文以安徽宣城地区三维地质模型为研究对象。结合研究区地质背景和成矿规律，确定了研究区成矿预测模型。利用三维空间分析方法提取成矿预测因子。通过构建Light Gradient Boosting Machine (Light GBM)集成学习算法模型，引入遗传算法(GA)对LightGBM算法模型进行优化，主要解决了LightGBM集成学习算法中超参数的设置和调整问题。最后，利用提取的有利成矿因素数据对模型进行训练，并将算法与支持向量机(SVM)、随机森林(RF)和k -最近邻(KNN)机器学习算法的有效性和可靠性进行了比较。结果表明:GA-LightGBM集成学习算法与其他几种机器学习算法模型相比具有较高的训练预测精度，应能取得良好的效果，预测结果对寻找隐伏矿体和成矿目标带具有很好的指导作用，为深部和外围矿体的找矿提供了新的方向和参考价值，具有良好的应用前景。
 

三维成矿预测、LightGBM、集成学习、机器学习