支持向量机、随机森林和人工神经网络机器学习算法在地球化学异常信息提取中的对比研究

地球化学勘查是通过发现异常、解释评价异常进行找矿的。因此,地球化学异常识别对矿产资源的定位、定量预测具有重要的的指示作用。在大数据时代的背景下,机器学习方法不要求数据满足正态分布的分布形式,且具有非线性以及泛化能力强等特点,因而逐渐地被应用于矿产资源的定量预测评价,如神经网络、支持向量机、贝叶斯网络、随机森林、受限玻尔兹曼机、极限学习机等。本文通过设计理论实验,可视化了不同算法,提出了不同机器学习方法在不同地区的地球化学异常信息提取中的效果存在不一致性的假设。在此基础上,以湖南香花岭锡多金属矿整装勘查区及甘肃合作金矿整装勘查区的地球化学异常提取为研究内容,将人工神经网络、随机森林以及支持向量机应用于研究区地球化学异常信息的提取与识别工作。在香花岭研究区,人工神经网络的结果较好,在合作研究区,随机森林的结果较好,从而验证了上述假设。通过生成两研究区的地球化学异常图,讨论了该方法在两研究区地球化学异常的地质意义和该方法的可靠性与实用性。此外,还完善了基于多种监督机器学习方法的地球化学异常信息提取流程,为软件开发提供了一定的理论依据。     

基于深度学习的深层次矿化信息挖掘与集成

矿产预测的核心是对地学空间数据进行特征提取与集成融合,当前的研究热点和前沿聚焦于深层次矿化信息特征提取与集成。进入大数据时代,如何基于机器学习开展深层次矿化信息挖掘与集成是当前矿产预测的前沿领域。本文介绍了基于机器学习的矿产预测与评价研究的主要内容,深度学习的基本原理,以及深度学习在地球化学异常识别和多源找矿信息集成融合中的应用。研究结果表明,深度学习可有效识别和提取地球化学异常,并能对地质、地球物理、地球化学等多源地学数据进行特征提取、集成融合及找矿远景区圈定。尽管如此,如何把深度学习与地质约束有机结合,使其既能有效挖掘与集成深层次矿化信息,又符合地质认知,还需要更加深入的研究。     

基于成矿条件数值模拟和支持向量机算法的深部成矿预测——以粤北凡口铅锌矿为例

随着计算机科学和地质大数据技术的迅猛发展,数值模拟和机器学习已成为当今地学领域定量发展的重要前沿方向。数值模拟综合运用了研究区地质、构造、地球物理、地球化学等多源信息,将成矿条件与过程进行量化模拟分析,对研究成矿动力学演化过程及成矿响应有重要意义,可对已有成矿要素/信息在时空上进行扩展/外推,扩大了成矿预测信息的广度和深度,为解决深部成矿预测中获取深部信息难题提供了一种可能的有效途径。支持向量机是一种重要的机器学习分类算法,它具有简洁、方便、高效和计算结果较稳定等特点,在众多领域中得以成功应用,是成矿预测中多源信息提取与融合的一种可靠的技术手段。为了充分利用数值模拟与机器学习的优势,本文提出将计算机数值模拟方法和机器学习(即支持向量机算法)相结合来进行深部成矿预测的新方法。以粤北凡口超大型铅锌矿为例,首先,对凡口矿区勘探线剖面进行构造应力场模拟;进而,以已知钻孔数据作为训练集和测试集,运用支持向量机算法对模拟结果中的不同参量(也即模拟所得的成矿条件)进行训练学习;最后,建立相应的定量找矿预测模型对研究区(或剖面)外围和深部找矿进行预测评价。研究结果表明,本文所建立的预测模型精确度和召回率都较好,预测结果显示出了三个成矿可能较大的区域,说明数值模拟技术和机器学习算法结合应用的效果较好。这种新的成矿预测方法为深部找矿预测提供了一种可行的新思路和新途径,可以有效地拓展运用到其他矿区、其他类型矿床的深部找矿预测工作中。     

云南北衙地区成矿地球化学特征及找矿方向

利用北衙整装勘查区1∶20万水系沉积物地球化学数据,综合分析了地层、岩浆岩、典型矿床主要成矿元素Ag、Au、Cu、Pb、Zn的富集规律,对元素分布特征、综合异常特征、相关性及异常元素组合特征进行初步研究,确定了找矿有利指标组合;通过对比北衙金矿区典型矿床成矿地质、地球化学特征,结合地层、岩浆岩等找矿标志预测北衙地区的找矿远景区。结果表明:综合区域上的地层、构造、岩浆岩和区域矿产等资料,对成矿元素异常组合进行地球化学分区是可行的,能有效反映致矿异常,突出矿化信息;根据区域单元素Au、Ag、Pb、Zn、Cu地球化学特征以及组合元素异常特征结合成矿地质背景,指出了炭窑金矿、铅锌矿找矿靶区;马鞍山北部金矿找矿靶区,为北衙整装勘查区外围找矿提供了指导作用。     

基于数据科学的矿产资源定量预测的理论与方法探索

矿产资源预测已从定性走向了定量,从数据稀疏型走向了数据密集型,亟须数据科学支撑。本文在前人研究基础上,讨论了基于数据科学的矿产资源定量预测理论与方法,该方法的理论基础为相关性理论与异常理论,前者采用监督的机器学习方法挖掘地质找矿大数据与矿床的相关性为预测未发现矿床提供了理论基础;后者采用非监督的机器学习方法识别地质找矿大数据蕴含的地质异常为预测矿床提供了理论依据。该理论与方法强调地质找矿大数据和机器学习的重要性,其中,数据种类的多样性及数据精度和质量会影响预测结果的好坏,机器学习可提高特征提取与信息集成融合效率。此外,本文讨论了基于数据科学的矿产资源定量预测理论与方法的技术框架、特征提取、数据集成融合方法,以及该理论与方法引入的不确定性。     

基于机器学习的三维矿产定量预测——以四川拉拉铜矿为例

在大数据蓬勃发展的时代背景下,矿产资源定量预测作为地质大数据的核心部分,其综合分析挖掘多元信息的基本思路与大数据的理念不谋而合。以四川拉拉铜矿为例,开展基于机器学习的三维矿产资源定量预测。通过建立三维地质模型,提取成矿有利信息,构建研究区定量预测模型;基于"立方块预测模型"找矿方法,采用机器学习随机森林算法,计算出研究区成矿概率分布,以此圈定出5个找矿远景区。结果表明,随机森林具有更高的预测准确度与稳定性,且能够对控矿要素重要性做出定量评价。该研究成功地将机器学习应用于三维矿产定量预测,为今后的矿产资源预测评价做出了积极的探索。     

基于IFA的组合分析算法及其在矿产预测中的应用

矿产预测是寻找潜在矿产资源、增加后备储量的主要手段。地球化学信息作为直接找矿信息,在矿产预测中占据重要地位,对地球化学数据进行矿致异常的识别和评价是关键环节之一。地球化学数据分析的目的是从杂乱无章的原始数据中寻找并有效圈定化探组合异常。针对目前常用于组合异常分析的R型聚类分析和因子分析等传统算法对数据源限制较多、预测效果不理想等问题,将信号处理领域的盲源分离算法——独立因子分析(IFA)引入到矿产预测中,提出了基于IFA的组合分析算法,并选取广东汕头澄海区鸿沟山锡金多金属矿区地球化学数据作为研究对象。验证结果表明,基于IFA的组合分析结果更有利于解释矿产分布规律,圈定的化探组合异常更符合实际勘查结果。依据分析结果进行矿产预测,成功圈定出3个找矿靶区。     

机器学习与成矿预测:以闽西南铁多金属矿预测为例

作为近年来爆炸式发展的方法模型,机器学习为地质找矿提供了新的思维和研究方法。本文探讨矿产预测研究的理论方法体系,总结机器学习在矿产预测领域的特征信息提取和信息综合集成两个方面的应用现状,并讨论机器学习在矿产资源定量预测领域面临的训练样本稀少且不均衡、模型训练中缺乏不确定性评估、缺少反哺研究、方法选择等困难和挑战。进一步以闽西南马坑式铁矿为实例论述基于机器学习方法的矿产预测基本流程:(1)通过成矿系统研究建立成矿模型,确定矿床控矿要素;(2)通过勘查系统研究建立找矿模型,并为评价预测提供相关的勘查数据;(3)通过预测评价系统研究,建立预测模型,并提取预测要素;(4)利用机器学习模型对预测要素进行信息综合集成,获取成矿有利度图;(5)对预测性能和结果进行不确定性评估;(6)找矿靶区/成矿远景区圈定及资源量估算。最后,总结建立以地学大数据和地球系统理论为指导,以“地球系统-成矿系统-勘查系统-预测评价系统”为研究路线的基于地学大数据的矿产资源定量预测理论和方法体系的研究愿景。     

大数据与数学地球科学研究进展——大数据与数学地球科学专题代序

大数据与数学地球科学的核心应用技术包括高维数据降维、图像数据处理、无限数据流挖掘、机器学习、关联规则算法与推荐系统算法等。人工智能地质学,包括大数据-智能矿床成因模型与找矿模型的构建,是具有重要价值的研究方向。高维数据降维旨在从初始高维特征集合中选出低维特征集合,有效地消除无关和冗余特征,增强学习结果的易理解性。哈希算法、聚类分析、主成分分析等是较常用的数学降维工具。机器学习是人工智能的核心,是使计算机具有智能的根本途径。机器学习与人工智能各种基础问题的统一性观点正在形成。深度学习的训练模型往往需要海量数据作为支撑,因此迁移学习方法日益受到重视。图像模式识别是大数据挖掘的重要技术。网络中的社区结构识别对理解整个网络的结构和功能有重要价值,可帮助分析、预测网络各元素间的交互关系。沉浸式虚拟现实技术是实现大数据可视化的重要方向,对具有多元、异构、时空性、非线性、多尺度地质矿产勘查数据的展示要求有特别的价值。引入VR技术进行矿产地质大数据的可视化,可实现大数据时代矿产勘查数据的新认知。无限数据流在地质、地球化学、地球物理监测中大量存在,甚至可以持续自动产生。对数据流数据的计算包括对点查询、范围查询、内积查询、分位数计算、频繁项计算等。关联规则和推荐系统算法是大数据挖掘中的重要算法,其应用范围越来越广泛。贝叶斯原理在大数据时代有独特的价值,贝叶斯网络是成因建模的一个革命性工具。智能地质学研究刚刚起步,构建大数据-智能矿床成因模型与找矿模型是智能地质学研究的重要内容。矿床模型研究方式的变革,将出现于互联网、云计算技术环境下全球各地的矿床研究团队的共同参与。     

广东省思贺地区水系沉积物地球化学特征及找矿方向

为了研究广东省思贺地区的水系沉积物地球化学特征和找矿方向,在该地区开展了1:5万水系沉积物测量。通过对采集的2 248个样品分析结果进行统计分析,分析了Sn、Cu、Pb、Zn等成矿元素在空间上的分布特征。依据思贺地区的地球化学异常特征、元素组合以及控矿地质条件、成矿规律、矿产分布情况,预测了该区的找矿方向,共划分了5处找矿远景区。通过异常查证,在羊笪和横岗等地分别发现了铜钼和锡矿体,为矿产勘查提供直接的目标。     

基于随机森林算法的大尹格庄金矿床三维成矿预测

大数据及机器学习技术在解决各行各业的复杂非线性关系问题方面已经体现出巨大的优势。本文尝试将随机森林(RF)算法引入三维成矿预测领域来开展研究,以胶东大尹格庄金矿为研究对象,在构建招平断裂(地质体)三维模型的基础上,通过各种空间分析方法提取控制矿体形成的若干控矿地质因素特征值,进而获取成矿空间中控矿地质因素分布值,最后将矿区钻孔立体单元化形成采样数据集并利用RF算法对矿区开展三维矿体定位预测,结果表明:决策树棵数M=800、属性个数K=7是最优参数,能获得总体精度97.32%和kappa系数0.6292的综合分类精度;RF算法的分类精度要优于支持向量机(SVM)算法和多层感知器(MP)算法。RF算法对大尹格庄金矿开展的三维矿体定位预测取得了较好效果,并在矿区深边部预测了7个三维找矿靶区,证明大数据技术在矿产资源定位预测方面具有巨大的应用前景。     

辽宁省草河掌—桓仁地区铜矿资源量地球化学定量预测

矿产资源地球化学模型建立与定量预测研究以成矿成晕地质、地球化学理论为指导,以各尺度勘查地球化学数据为基础,以现代GIS信息技术为手段,通过研究总结典型矿田(矿集区)、矿床的异常特征,建立成矿带内典型矿床地球化学找矿模型,为预测区的地球化学定量预测提供类比依据,从而进行资源量预测。在资源量预测过程中加入了相似度、剥蚀程度、衬值等要素,有效地加大了预测靶区遴选的可信度,通过类比法与面金属量法两种预测方法的加权平均,使预测资源量合理。文章对草河掌—桓仁地区铜矿资源量进行了估算,共新增预测铜资源量21 812.9t。     

基于CART算法的三维成矿预测研究——以安徽白象山矿区为例

把地质大数据和人工智能技术引入矿产资源定量评价及成矿预测体系中,提高了海量地质数据的有效信息挖掘,弥补了传统方法的不足。本文基于白象山矿区基础地质资料和物化探成果资料,利用三维地质体建模技术和三维空间分析技术,量化三维控矿因素,建立了一种基于CART 算法的三维成矿预测模型。通过在白象山矿区的实验表明：该模型能较好的定位已知矿体,并且预测出在已知矿体北部、东部、东北部、西部、南部和东南部具有较高的成矿概率,可圈定找矿靶区。该模型将地质大数据应用于找矿勘探工作,具有纯数据驱动、预测精度高、预测结果可靠等优点。研究发现,该模型的预测效果与训练数据集的数量、矿控因素提取、决策树深度等有关。     

基于循环神经网络的找矿模型构建与预测

在大数据和人工智能背景下,基于已有的传统地质找矿模型建立与应用基础,提出基于循环神经网络的找矿模型构建与预测方法,实现对地质数据的深入分析和理解。针对地质找矿模型构建与预测的需求,结合数据清洗理论,对传统地质找矿模型进行归纳与总结,建立地质找矿知识库,为深度学习算法提供训练数据。通过分类算法研究,综合对比结果的准确率与分类所用时间,最终选用RNN分类算法对找矿概念模型进行分类。在建立研究区找矿模型中,通过关键词与控矿要素完成模型匹配,利用模型计算对模型匹配结果进行数据分析,实现区域地质找矿模型的构建与矿产资源的预测评价和分析。以大水金矿为例,快速准确地实现了找矿模型的构建,有效地对矿产资源预测工作提供了指导,验证了该方法的可行性。     

成矿区三维可视化与立体定量预测——以钦-杭成矿带庞西垌地区下园垌铅锌矿区为例

矿产资源是人类生存与社会进步的根本物质保障。近年来,随着地表矿、浅部矿产资源的日益枯竭,采用新技术、新方法的深部矿产资源预测成为地质勘查的主要研究方向。基于数字化、三维可视化及矿产定量预测为主的三维地质建模技术,为当前矿产资源远景预测与找矿工作提供了有力的工具。本文在现代成矿预测理论研究基础上,运用三维地质建模技术建立了钦杭成矿带下园垌矿区地质、地球物理、地球化学、钻孔等三维模型,揭示了区内构造地质特征、地球化学异常表征及地层岩体要素,据此探讨了矿床的成因及矿体分布特征。并在此基础上,采用证据权方法对研究区地质、地球物理、地球化学等多源信息进行融合,运用断裂缓冲区、地球化学异常、东岗岭组沉积岩地层等为证据因子来计算单位体积成矿后验概率,进行立体成矿预测,并圈定出铁锰矿、方铅闪锌矿、铅锌银综合矿等3处找矿有利靶区及估算出预测区内矿产资源储量总量为88710吨。研究结果表明:综合分析地质、地球物理、地球化学及钻孔数据进行矿区的三维地质空间定位、定量预测研究,可以有效的识别矿致异常信息,圈定找矿远景区,为成矿预测研究领域提供了新方向,可以将此方法应用至其他矿山。     

基于深度学习的地质找矿大数据挖掘与集成的挑战

基于深度学习的地质找矿信息挖掘与集成已经成为数学地球科学的前沿领域.深度学习作为一种具有多级非线性变换的层级机器学习算法,在地质找矿大数据挖掘与集成中仍处于探索阶段,还有一系列问题亟需解决.以卷积神经网络为例,探讨了基于深度学习的地质找矿大数据挖掘与集成过程中两大挑战:训练样本不足和深度学习网络模型构建困难,重点分析了基于复制和添加噪声的地质找矿数据增强技术并开展了多组对比实验,构建了适用于地质找矿大数据挖掘与集成的训练样本和卷积神经网络模型.该模型对闽西南铁多金属成矿区的地质、地球物理和地球化学等多源数据进行了特征提取与集成融合,圈定了找矿远景区,为该区进一步找矿提供了科学依据.      

辽宁肖家营子钼多金属矿成矿模式与找矿模型

肖家营子钼多金属矿位于喀拉喇左旗境内,是辽西地区大型的斑岩--矽卡岩型钼矿。矿床的形成主要与蓟县系雾迷山组碳酸盐岩、燕山期侵入的似斑状细粒闪长岩、喀左-中三家断裂的次级北北东和北西西向断裂构造三者关系密切。通过对成矿地质背景条件、矿床地质特征和矿床成因类型的研究,建立了肖家营子钼多金属矿成矿模式; 并在此基础上,进一步对物、化探异常与岩体、接触带及矿体之间的关系进行了详细研究,建立了地质、地球物理、地球化学找矿模型。     

Mapping mineral prospectivity for Cu polymetallic mineralization in southwest Fujian Province,China

In this study, both the fuzzy weights of evidence (FWofE) and random forest (RF) methods were applied to map the mineral prospectivity for Cu polymetallic mineralization in southwestern Fujian Province, which is an important Cu polymetallic belt in China. Recent studies have revealed that the Zijinshan porphyry–epithermal Cu deposit is associated with Jurassic to Cretaceous (Yanshanian) intermediate to felsic intrusions and faulting tectonics. Evidence layers, which are key indicators of the formation of Zijinshan porphyry–epithermal Cu mineralization, include: (1) Jurassic to Cretaceous intermediate–felsic intrusions; (2) mineralization-related geochemical anomalies; (3) faults; and (4) Jurassic to Cretaceous volcanic rocks. These layers were determined using spatial analyses in support by GeoDAS and ArcGIS based on geological, geochemical, and geophysical data. The results demonstrated that most of the known Cu occurrences are in areas linked to high probability values. The target areas delineated by the FWofE occupy 10% of the study region and contain 60% of the total number of known Cu occurrences. In comparison with FWofE, the resulting RF areas occupy 15% of the study area, but contain 90% of the total number of known Cu occurrences. The normalized density value of 1.66 for RF is higher than the 1.15 value for FWofE, indicating that RF performs better than FWofE. Receiver operating characteristics (ROC) were used to validate the prospectivity model and check the effects of overfitting. The area under the ROC curve (AUC) was greater than 0.5, indicating that both prospectivity maps are useful in Cu polymetallic prospectivity mapping in southwestern Fujian Province.