吉林省和龙地区多元地球化学异常识别的几种机器学习方法比较

论文摘要

当代的矿产资源预测与定量评价是复杂高维非线性系统的建模与评价过程,通过提取和识别地质、地球物理、地球化学及遥感等多源地学观测数据中的特异信息,并以此为依据预测矿产资源的空间分布规律。单一信息来源为依据的找矿模型存在局限性,只有通过将多种来源的观测数据进行全方位的分析与综合,才能更好的完成矿产资源勘查与定量评价工作。水系沉积物测量是区域勘查地球化学研究的重要数据源,对于寻找近地表的浅隐伏的矿产资源十分有效。本文以吉林省和龙地区为实验研究区,在Sklearn的Python语言代码基础上,开发了基于一类支持向量机、孤独森林、连续约束玻尔兹曼机和局部特异因子法的多元地球化学异常识别方法程序,从1:5万水系沉积物测量数据中提取多元地球化学异常。把实验区已知矿床和矿点的空间分布位置作为“地真”数据,对多元地球化学异常识别结果进行了ROC曲线分析,绘制了四种机器学习算法多元地球化学异常识别结果的ROC曲线并计算AUC值,用来对比四种方法的多元地球化学异常识别效果。以便更好的分析基于机器学习理论的几种方法对于多元地球化学异常识别的应用存在的差异和适用范围。研究结果表明:(1)四种机器学习算法都能够有效识别多元地球化学异常,所提取的多元地球化学异常与已知矿点具有显著的空间关联性;(2)在数据处理耗时方面孤独森林算法最优,其次是一类支持向量机,耗时最长的是连续约束玻尔兹曼机;(3)四种机器学习方法中,多元地球化学异常识别效果最好的是连续约束玻尔兹曼机,其次是一类支持向量机,最差的方法是局部特异因子方法。

论文目录

中文摘要

abstract

第1章绪论

1.1 引言

1.2 研究进展

1.2.1 地球化学异常信息提取的进展

1.2.2 非线性矿产资源预测理论与方法研究进展

1.3 研究内容与技术流程

1.3.1 研究内容与方法

1.3.2 技术流程

1.4 创新点

第2章区域地质概况及成矿背景分析

2.1 研究区自然经济地理概况

2.2 区域地质背景

2.2.1 区域大地构造背景

2.2.2 区域地层

2.3 区域矿产

2.3.1 金属矿产地质特征

2.3.2 非金属矿产地质特征

2.3.3 能源矿产地质特征

第3章单元素地球化学异常提取与异常组合分析

3.1 研究区地球化学特征

3.1.1 地层、岩石中元素含量

3.1.2 水系沉积物地球化学特征

3.2 地球化学数据处理及异常值圈定

3.2.1 地质子区划分

3.2.2 背景值和异常下限值的确定

3.2.3 单元素地球化学异常特征

3.3 地球化学异常组合圈定

3.4 用约登指数提取的单元素地球化学异常

第4章多元地球化学异常识别的机器学习方法

4.1 一类支持向量机（OCVSM）

4.2 孤独森林（Isolation Forest）

4.3 连续约束玻尔兹曼机（CRBM）

4.4 局部特异因子法（LOF）

第5章结果与讨论

5.1 结果

5.2 讨论

5.3 结论

参考文献

作者简介

致谢

文章来源

类型: 硕士论文

作者: 郑泽宇

导师: 赵庆英

关键词: 一类支持向量机,孤独森林,连续约束玻尔兹曼机,局部特异因子,地球化学异常,曲线,约登指数

来源: 吉林大学

年度: 2019

分类: 基础科学,工程科技Ⅰ辑

专业: 地质学,矿业工程

单位: 吉林大学

分类号: P632

总页数: 80

文件大小: 2446K

下载量: 113

吉林省和龙地区多元地球化学异常识别的几种机器学习方法比较

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢