地质科学
     首页 | 过刊浏览 |  本刊介绍 |  编委会 |  投稿指南 |  期刊征订 |  留言板 |  批评建议 |  联系我们 |  English
地质科学  2018, Vol. 53 Issue (4): 1347-1360    DOI: 10.12017/dzkx.2018.078
论文 最新目录 | 下期目录 | 过刊浏览 | 高级检索  |   
大数据环境下内蒙古浩布高地区铅锌多金属矿智能矿产预测研究
季    斌1,2,3    周涛发1,2,3    张达玉1,2,3    李晓晖1,2,3    袁    峰1,2,3
  1. 合肥工业大学资源与环境工程学院  合肥    230009
  2. 合肥工业大学矿床成因与勘查技术研究中心  合肥    230009
  3. 安徽省矿产资源与矿山环境工程技术研究中心  合肥    230009
Intelligent mineral prediction based on Big data in Haobugao district, Inner Mongolia
Ji Bin1, 2, 3    Zhou Taofa1, 2, 3    Zhang Dayu1, 2, 3    Li Xiaohui1, 2, 3    Yuan Feng1, 2, 3
  1. School of Resources and Environmental Engineering, Hefei University of Technology, Hefei  230009
  2. Ore Deposit and Exploration Centre(ODEC), Hefei University of Technology, Hefei  230009
  3. Anhui Province Engineering Research Centre for Mineral Resources and Mine Environments, Hefei University of Technology, Hefei  230009
 全文: PDF (3955 KB)   HTML( )   输出: BibTeX | EndNote (RIS)      背景资料
摘要 

传统机器学习算法已广泛应用于矿产预测,但面对地质大数据的高维稀疏、不平衡小样本等特性仍缺乏有效处理和分析的方法,设计适合地质大数据特点的机器学习算法是智能矿产预测亟需解决的新问题。本文以内蒙古浩布高地区的铅锌多金属矿产预测为例,提出了一种面向地质大数据的半监督协同训练矿产预测模型。首先对研究区地质找矿信息和地球化学异常信息进行定量分析,提取断裂构造、二叠系地层、燕山期侵入岩、地层与岩体接触带、围岩蚀变及Pb、Zn、Sn、Cu地球化学异常共9种找矿因子。然后利用递归特征消除法优选找矿因子组合,不包括Sn异常在内的8个找矿因子组合被选为最优组合。最后,利用支持向量机和随机森林算法作为基分类器进行半监督协同训练矿产预测,绘制成矿概率分布图。ROC曲线和预测度曲线分析结果表明,半监督协同训练模型的AUC值和预测效率都高于随机森林和支持向量机模型。研究结果也为大数据环境下的智能矿产预测提供了一种新的思路。

 

服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
季 斌 周涛发 张达玉 李晓晖 袁 峰
关键词地质大数据   机器学习   半监督协同训练   矿产预测   浩布高地区     
Abstract

Machine learning algorithms have been widely used for mineral prediction. However, these algorithms are hard to deal with the geological data with the characteristics of high-dimensional, sparse and unbalanced samples. It is important to study some new mineral prediction models suited for geological big data. In this paper, a semi-supervised co-training model was proposed for mineral prediction in Haobugao district, Inner Mongolia. Firstly, nine prospecting factors were extracted consisting the faults, the Permian formation, the Yanshanian intrusions, the contact zone between Yanshanian intrusions and Permian formation, the zones of skarn alteration and Pb, Zn, Sn, Cu geochemical anomalies. Secondly, the feature selection method based RF-RFE was used to optimize the factors combinations. The eight factors were selected as the final prospecting factors excepted Sn geochemical anomaly. Then SVM and RF model were used as basic classifier for co-training model to predict mineral probability. The analysis of the ROC curves and predictability curves showed that the semi-supervised co-training model was more accurate than single SVM or RF model. It is suggested that this method has a certain feasibility for mineral prediction in the big data environment.

 

Key wordsBig data   Machine learning   Semi-supervised co-training model   Mineral prediction   Haobugao district   
收稿日期: 2018-03-10;
基金资助:

国家重点研发计划项目(编号:2016YFC0600209)、中央高校基本科研业务费专项资金、国家自然科学基金项目(编号:41672069)和中国地质调查局地质调查项目(编号:12120115033801)资助。

作者简介: 季 斌,男,1979年11月生,博士,讲师,数学地质学专业。E-mail:jibin79@hfut.edu.cn
引用本文:   
季 斌 周涛发 张达玉 李晓晖 袁 峰. 2018, 大数据环境下内蒙古浩布高地区铅锌多金属矿智能矿产预测研究. 地质科学, 53(4): 1347-1360.
Ji Bin Zhou Taofa Zhang Dayu Li Xiaohui Yuan Feng. Intelligent mineral prediction based on Big data in Haobugao district, Inner Mongolia[J]. Chinese Journal of Geology, 2018, 53(4): 1347-1360.
 
没有本文参考文献
[1] 洪 瑾 甘成势 刘 洁. 基于机器学习的岩石微量元素与主量元素关系初探:以洋岛玄武岩中锆元素为例[J]. 地质科学, 2018, 53(4): 1285-1299.
[2] 李志辉 赵 萍 李晓晖 袁 峰 周宇章. 基于CART算法的三维成矿预测研究——以安徽白象山矿区为例[J]. 地质科学, 2018, 53(4): 1314-1326.
 
版权所有 © 2009-2017 《地质科学》编辑部
地址:北京9825信箱  邮政编码:100029
电话:010-82998109  010-82998115