[发明专利]一种基于分层随机森林模型的铜镍硫化物矿床成矿预测方法

说明书

本发明公开了一种基于分层随机森林模型的铜镍硫化物矿床成矿预测方法，包括以下步骤：S1：收集区域内多元地质资料，建立铜镍硫化物矿床地学信息数据库；S2：分析区域内铜镍硫化物矿床成矿规律，提取找矿信息；S3：选取非矿点，并结合已知矿点构建训练样本集，训练分层随机森林模型；S4：对分层随机森林模型进行优化，并利用优化模型进行成矿预测；S5：验证预测结果，评估找矿信息重要性。本发明利用分层随机森林模型进行铜镍硫化物矿床成矿预测，可以有效解决训练样本不平衡导致的矿点错分、预测准确率下降问题，从而更加客观、准确地评价该地区铜镍硫化物矿床的成矿潜力，为下一步勘探开发工作奠定基础。

技术领域

本发明涉及铜镍硫化物矿床成矿潜力评估技术领域，更具体地，涉及一种基于分层随机森林模型的铜镍硫化物矿床成矿预测方法。

背景技术

镍是一种重要的贵金属，具有耐高温、抗氧化、抗腐蚀等特性，广泛应用于民事、军工、医疗等领域，具有重要的战略意义。然而随着浅部镍矿以及易识别镍矿日益减少，镍矿勘查工作的难度变得越来越大。因而，利用更准确、更高效的矿产预测方法提高铜镍硫化物矿床勘查工作效率显得十分必要。

利用机器学习模型进行成矿预测通常可以取得较好的结果，因为：(1)它可以准确描述区域内多元找矿信息与矿点的非线性空间位置关系；(2)它可以有效综合多元找矿信息，并依据各找矿信息与矿床的空间位置关系，对区域内成矿潜力进行定量预测。

目前，利用机器学习模型进行成矿预测时，通常采用平衡训练集，即所包含矿点(正样本)个数等于非矿点(负样本)个数的训练集。然而在实际情况中，研究区内的非矿点个数远大于矿点个数，传统机器学习模型在处理此类不平衡样本集时，会错分更为重要的少量样本，即矿点。

发明内容

本发明的目的是解决实际成矿预测过程中，传统机器学习模型无法利用不平衡样本集进行训练，影响成矿预测精度的技术问题，提出一种基于分层随机森林模型的铜镍硫化物矿床成矿预测方法。

为实现以上发明目的，采用的技术方案是：

一种基于分层随机森林模型的铜镍硫化物矿床成矿预测方法，包括以下步骤：

S1：收集区域内多元地质资料，建立铜镍硫化物矿床地学信息数据库；

S2：分析区域内铜镍硫化物矿床成矿规律，提取找矿信息；

S3：选取非矿点，并结合已知矿点构建训练样本集，训练分层随机森林模型；

S4：对分层随机森林模型进行优化，并利用优化模型进行成矿预测；

S5：验证预测结果，评估找矿信息重要性。

优选的是，步骤S2所述找矿信息包括控矿岩浆岩信息、控矿构造信息、地球化学素共生组合信息。

进一步的，所述地球化学元素共生组合信息提取方法为主成分分析法，该方法可以更准确地描述不同化学元素之间的内在联系。

优选的是，步骤S3所述非矿点选取范围由空间点模式分析确定，可以确保非矿点与矿点所处地质背景存在明显差异，增加样本可靠度。

优选的是，步骤S3所述训练样本集为非平衡样本集，研究区内的非矿点个数远大于矿点个数。