华北重磁网格的多源特征融合：空间分块交叉验证下，融合没有增益，随机划分会造出一个假增益

问题：基于公开重磁网格数据运行多模态特征融合基线模型，给出交叉验证结果、运行日志与基线性能对比。 落成的口径：华北 105–120°E / 35–50°N，2 弧分网格（约 3.7 km），188,294 个有标注格； 重力 = GGMplus 地面重力扰动；磁 = NOAA EMAG2v3 上延 4 km 磁异常；标注 = USGS 概化地质图 geo3al 落成 4 类； 模型 = 梯度提升树（默认超参数，不调参），仅重力 / 仅磁 / 早期融合 / 后期融合，外加多数类平凡基线。 这一轮真跑了：3 种划分 × 3 个种子 × 4 个模型的 5 折交叉验证；两种零模型（标注置换 9 次、环形平移 27 次）； 正负两把尺子对照各 3 个种子；按 1° 空间块整块重抽 1000 次的区间与配对 p；纯标准库独立复算。纯 CPU。

0. 结论

三句话：

1. 融合没有带来实用增益。 1° 空间分块下，早期融合（重力 + 磁 8 个特征拼接）平衡准确率（BA）为 0.4546， 仅重力为 0.4533，差 +0.0012。三个种子的差分别是 +0.0005 / +0.0000 / +0.0032， 按空间块重抽的 95% 区间都跨 0，配对 p = 0.944 / 0.995 / 0.604。后期融合（两个单源模型概率取平均）差 −0.0048。 换成更保守的 2.5° 分块，早期融合反而比仅重力低 0.0179（三个种子 p = 0.019 / 0.009 / 0.028）。
2. 如果用像元随机划分来评估，会看到一个其实不存在的融合增益。 同样的模型和数据，随机划分下早期融合 BA 为 0.5517， 比 1° 分块高 0.0971；此时它比仅重力高 +0.0743（三个种子 p 均为 0.001，区间下界都在 0.062 以上）。 随机划分只把仅重力抬高了 0.0240，却把融合抬高了 0.0971 —— 特征越多，模型越容易靠「记住测试格子的邻居」得分。 在地学网格上比较融合方案时，随机划分下看到的增益，在本轮数据里几乎全部来自空间泄漏。
3. 能测到的信号来自重力，磁数据在这把尺子上几乎测不出东西。 仅重力比保留空间结构的环形平移零模型高 0.1076 BA； 仅磁只高 0.0057（z = 0.48），而且低于零模型 9 次复本里的最大值 0.2916。 已知答案的尺子证明这套评估测得出融合增益：标注同时依赖重力与磁时，融合比单源高 +0.36（p = 0.001）； 标注只依赖重力时，融合与单源的差为 0.0000。所以「融合没用」不是评估方法测不出来， 而是在这个尺度上，这份磁数据没有给出重力之外的新信息。

这一轮不能支持的推断：

• 不能推出「重磁融合在地学分类中普遍无用」。本轮只有一种磁数据（EMAG2v3 在这一带是偏平滑的长波长编译数据）、 一个区域、一种模型、一份 1:数百万比例尺的概化地质图。换成分辨率更高的航磁数据，结果可能不同。
• 不能推出「重力能识别岩性」。GGMplus 是未做布格改正的重力扰动，里面混着地形；新生代覆盖层多在盆地低处， 重力的一部分本事可能是在看地形。本轮没有高程数据把这两者拆开。
• 不能外推到矿区尺度、成矿预测或三维深部结构。
• 约 0.45 的 BA 不是可用的地质填图精度，它只用于同一把尺子上的相对比较。

跑之前写下的预测与判定：

一处披露：为估算机时，写预测之前用 1 个种子、1° 分块跑过一次计时试验，看到的是仅重力 BA 0.451、 仅磁 0.280、拼接融合 0.449。P1 和 P4 是看过这组数字之后写的，不是盲预测；严格意义上的事前预测是 P2、P3 与两把尺子。 这一条在预注册里原样写着。

1. 数据、标注与网格

为什么不是 WGM2012：WGM2012 的网格提取页带人机验证，脚本无法匿名直取。提取页地址： https://bgi.obs-mip.fr/data-products/outils/wgm2012-visualizationextraction/ 改用的 GGMplus 与 WGM2012 的长波部分同样来自 EGM2008，并补了地形短波。 区别要说清楚：WGM2012 提供布格异常，GGMplus 只提供自由空气类的重力扰动，地形信号没有扣除。

标注是什么：geo3al 的每个多边形带岩性类型（TYPE）与地质时代（GEN_GLG）。在任何模型运行之前，按下面的规则落成 4 类：

区域内 202,500 个格子里，4,704 个不在任何多边形内，7,449 个标注无法归类（水体、时代跨界如 PzpCm、未分等）， 其余再去掉重磁任一缺值的格子，得到 188,294 个可用格。完整映射表在 work/data/grid_summary.json。

特征：两种数据源各 4 个完全对称的特征 —— 原值、梯度模、3×3 格局部标准差、减去 15×15 格（约 55 km）区域均值后的剩余场。

2. 怎么读这个结果

• 平衡准确率（BA） = 4 类召回率的平均。随机猜或永远猜多数类都是 0.25。用它而不是普通准确率，是因为前寒武系只占约 7%。
• 空间自相关怎么处理的：相邻格子的重磁特征和地质标注都很像。如果随机把格子分到训练集和测试集， 测试格子的邻居几乎一定在训练集里，模型靠「抄邻居」就能得高分。主分析因此用 1° × 1° 空间分块（30 × 30 格，约 110 km）： 整块随机分到 5 折里，同一块的格子永远不跨训练 / 测试。另报更保守的 2.5° 分块，以及明知有泄漏的像元随机划分， 后者只用来量化泄漏有多大。
• 区间与 p 值：ΔBA 在同一种子、同一折划分上配对计算。95% 区间按 1° 空间块（224 块）整块重抽 1000 次得到； p 值按块随机互换两个模型的预测 1000 次得到，最小可报告值约 0.001。
• 两种零模型：① 标注在格子之间随机置换，切断一切对应关系，也抹掉空间结构 —— 这是「随便猜」的水平； ② 整张标注图相对特征图做环形平移（两个方向各至少 3°），保留两张图各自的空间结构、只切断对应关系 —— 这是「只靠空间结构能蒙对多少」的水平，比 0.25 高，是更难越过的门槛。 每个模型的环形平移零模型只有 9 次复本，经验 p 的下限就是 0.1，所以这里看的是 z 值与「是否高于全部复本的最大值」。
• 两把尺子：把真实的重磁特征按已知规则造一份合成标注，看这套流程能不能测出已知的答案。正对照的标注同时依赖重力与磁 （应当测出融合增益），负对照的标注只依赖重力（应当测不出）。任一把尺子失灵，P1 的结论按预注册作废。

3. 各模型在三种划分下的成绩

平衡准确率，括号内为种子 0 / 1 / 2：

1° 分块下的 macro-F1：仅磁 0.2664，仅重力 0.4009，早期融合 0.4183，后期融合 0.4041。 每折成绩在 work/results/experiment.json，每次拟合的日志在 work/logs/01_experiment_main.log。

融合 − 仅重力（ΔBA，按种子）：

图 1 与图 2（figs/）把这两张表画在一起。

4. 随机划分把成绩抬高了多少

读法：

• 泄漏不是对所有模型一视同仁。单源 4 个特征的仅重力只被抬高 0.0240，8 个特征的早期融合被抬高 0.0971， 于是随机划分下两者的差从 +0.0012 被放大到 +0.0743。评估方式本身就能凭空造出一个「融合有效」的结论。
• 预注册的 P2 写的是「至少 0.10」，实测 0.0971 落在 0.05–0.10 的「部分成立」档，按规则如实记为部分成立。
• 反过来，2.5° 分块比 1° 分块更严，早期融合从 0.4546 掉到 0.4124，掉得比仅重力（0.4533 → 0.4302）多。 外推距离越远，多出来的磁特征越像是在拖后腿。

分类别召回率（1° 分块，三种子平均；跑完之后加的描述性补充，不参与判定）：

融合在覆盖层、地层、岩浆岩三类上略好，在前寒武系上差了约 0.09，四类一平均几乎抵消。这只是描述，没有做显著性检验。

5. 零模型

标注置换零模型（早期融合，9 次）：BA 在 0.2485 到 0.2526 之间，与 0.25 无差别。

读法：保留空间结构的环形平移零模型能「蒙」到 0.35 左右，远高于 0.25 —— 这正是为什么只和随机猜比会高估信号。 仅重力与早期融合在每个种子上都高于全部零模型复本（P3 成立）；仅磁与它自己的零模型分不开（P4 成立）。

6. 这把尺子测得准吗（正负对照）

两把尺子都按预注册的门槛通过：真有融合增益时，同一套模型、同一套 1° 分块能测出 +0.36；真没有时，测出来就是 0。 主结论 P1 因此有效。合成标注只用于这两个对照，没有混进任何真实结果。

7. 这一轮不能支持什么，以及已声明的混杂

1. 地形混杂（最要紧的一条）。 GGMplus 是地面重力扰动，未做布格改正。重力「看得准」的一部分可能是在看地形起伏： 盆地低处多是新生代覆盖层，山区多出露前寒武系与岩浆岩。本轮没有引入高程数据，因此不能把 0.4533 这个数读成「重力识别岩性的能力」。
2. 分辨率不对等。 重力原生约 220 m、求均值到 3.7 km；磁数据在这一带本来就是偏平滑的长波长编译。 融合增益为零，可能是这份磁数据的分辨率问题，而不是融合方法本身的问题。
3. 标注的天花板。 1:数百万比例尺的概化地质图，边界粗、时代分组粗，4 类划分也是我们定的。更细的标注可能改变结论。
4. 只有一种模型、一种区域、默认超参数。 深度学习、图神经网络等更复杂的融合架构与超参数搜索都不在本轮范围内。
5. 不能外推到矿区尺度、成矿预测或三维深部结构 —— 公开网格分辨率和公开标注都撑不到那一层。
6. P1、P4 不是盲预测（见第 0 节披露）。

如果要往下做，最能改变结论的三件事是：引入高程数据把地形从重力里拆出去；拿到 WGM2012 布格异常替换当前重力； 换一份分辨率更高的磁数据，看融合增益是否出现。

8. 怎么复现

`` python3 work/code/00_build_grid.py <原始数据目录> work/data/grid.npz work/data/grid_summary.json python3 work/code/01_experiment.py work/data/grid.npz main work/results python3 work/code/01_experiment.py work/data/grid.npz nulls work/results python3 work/code/01_experiment.py work/data/grid.npz rulers work/results python3 work/code/02_stats.py work/results python3 work/code/02b_supplement.py work/results python3 work/code/03_recheck.py work/results python3 work/code/04_figs.py work/results work/data/grid.npz figs python3 audit_delivery.py ``

• 环境：Python 3.11，numpy 2.5，scikit-learn 1.9.1，matplotlib 3.11；统计与复算步骤也在 Python 3.14 / numpy 2.4 下跑过，结果一致。
• 01_experiment.py 的三个部分互不依赖、并行运行，每次拟合都打一行日志（work/logs/）。
• 02_stats.py 在导出逐格预测表那一段做过一次纯提速的改动（原写法对每个格子重新解压一次整个数组）， 统计部分未动；改动前后生成的 experiment.json 逐字节一致。
• 02b_supplement.py（随机划分下的区间与 p、分类别召回率）与 04_figs.py 是跑完之后加的，不参与 P1–P4 判定。
• 03_recheck.py 只用 Python 标准库，从逐格预测重新数混淆矩阵；各臂 BA、ΔBA 与抬高量和主分析的差异不超过 1e-15。
• audit_delivery.py 同样只用标准库：检查预注册指纹、重算头条数字、复核 P1–P4 与尺子判定。