一种基于机器学习算法的岩性填图方法

• Published in: 地质力学学报 Vol. 27; no. 3; pp. 339 - 349
• Main Authors: 冀全伟, 王文磊, 刘治博, 祝茂强, 袁长江
• Format: Journal Article
• Language: Chinese
• Published: 中国地质科学院地质力学研究所, 北京 100081 2021; 中国地质大学(北京) , 北京 100083%自然资源部古地磁与古构造重建重点实验室, 北京 100081; 自然资源部古地磁与古构造重建重点实验室, 北京 100081; 中国地质科学院地质力学研究所, 北京 100081%中国地质科学院矿产资源研究所, 北京 100037%中国地质大学(北京) , 北京 100083
• Subjects: 地质单元; 信息融合; 地质填图; 决策树; 数据挖掘
• ISSN: 1006-6616
• DOI: 10.12090/j.issn.1006-6616.2021.27.03.031

P628; 通过野外地质调查与机器学习方法的有机融合,提出了一种基于梯度提升决策树算法的岩性单元填图方法.研究以多龙矿集区为模型试验区,选择1:5万勘查地球化学数据为基础预测数据,以1:5万区域地质图为参考,进行基于梯度提升决策树算法的岩性预测填图模型试验.首先选择研究区内小范围空白区开展野外填图,建立原始数据集并初步构建岩性单元与预测数据对应关系;其次利用机器学习方法对预测数据进行多分类任务,进而开展目标填图区预测填图工作;最后通过概率选区选定概率较低目标区,开展进一步的小范围野外地质调查填图,对原始数据和知识库进行补充,迭代循环以上流程,直至预测填图达到要求.试验显示,随着迭代次数的增加,模型精度不断提高,并在7次迭代后模型准确率达到87％.该方法强调在实际应用中野外地质调查与基于机器学习预测填图的深度融合,以及野外实地工作在整个流程中的重要性和不可或缺性;同时能够充分挖掘已有数据资料的有用信息,用于辅助修正已有岩性填图内容,或根据已勘探区资料对邻近的未勘探区进行岩性分类,有效减少野外填图工作量,是对岩性填图方法、 地质单元定量预测识别的有益探索,为区域地质填图工作提供了新的参考思路和辅助手段.