太阳集成官网在运用智能学习算法开展综合找矿预测研究方面取得新进展

近日，我校122cc太阳集成游戏官方网站袁峰教授科研团队在运用智能学习算法开展综合找矿预测研究上取得新进展。相关研究成果以“Mineral prospectivity mapping based on Support vector machine and Random Forest algorithm – A case study from Ashele copper–zinc deposit, Xinjiang, NW China” 为题发表在矿床学领域著名学术期刊Ore Geology Reviews上。

近年来，以机器学习算法结合多源地球科学数据开展综合成矿预测已成为勘查找矿工作的前沿研究。然而，用于构建机器学习成矿预测模型所使用的特征的代表性和数据集的组成可能会对预测模型的性能产生显著影响，进而增加了成矿预测的不确定性。

研究团队针对上述问题，以新疆阿舍勒铜锌矿床为研究区域，基于研究区见矿钻孔的空间信息，分别对数字化后的地质及岩石地球化学信息开展空间分析，采用距离分步法及成矿概率密度法，提取与成矿密切相关的信息，强化了建模过程中特征的代表性；为了研究数据集组成对预测模型性能的影响，随机从已知钻孔中抽取了多组标记数据集，开展支持向量机（SVM）和随机森林（RF）等预测模型建模，运用多项指标对不同样本集组成进行评估。

研究结果表明，在提高特征的代表性后，所有预测模型的各项分类精度指标均得到显著提升。此外，研究还揭示了标记数据集差异可能会对模型的预测性能产生不利影响。然而，通过选择基于优势的预测模型策略，可以降低数据集差异对预测的影响。

团队在对多类机器学习模型预测性能开展对比研究后显示，RBF-SVM和RF模型拥有最佳的预测性能，模型AUC分别为0.972和0.968。在此基础上，对两类模型预测结果进行空间叠加分析获取研究区综合找矿预测模型，并在研究区前15%的面积内识别了98%的矿化信息。

该论文的第一作者为郑超杰博士后，袁峰教授为通讯作者，122cc太阳集成游戏官方网站为论文的第一和通讯作者单位。该项研究得到了国家基金重点项目、青年项目等经费支持。

论文链接：https://doi.org/10.1016/j.oregeorev.2023.105567