矿产预测中的成矿因子选择方法:以滇东南金矿预测为例
详细信息
- 责任者：俞乐^c浙江大学^d1982^e博士 ; 柏坚^c中国地质大学 ; 张汉奎
- 刊名：浙江大学学报（理学版）
- 出版年：2011
- 卷期：38^b3
- 关键词：成矿预测 ; 金矿20^a矿产资源管理 ; 支持向量机 ; 数学模型30^aSVM‐RFE
- 页码：348～353
- 索书号：P106.6/338
- 图表：^c表2参23插图
- 分类号：0812
- 文摘期号：2011/12
摘要
由于矿产地质信息的复杂性和不确定性，难以建立精确的数学模型来确定矿产资源的分布状况。非线性分析建模技术，如人工神经网络(Artificial Neural Network，ANN)、支持向量机(Support Vector Machine，SVM)等，给矿产预测工作提供了新的途径。这类方法在处理数据时可以避免数据分析和建模的困难，即不须理解各种成矿因子与矿床(点)之间的相互关系，只须选择已知的矿床(点)和非矿产(点)，进行“黑箱”学习。虽然经过合理的训练，这类方法能够得到较高的预测精度，但由于其分类过程的非线性特性，难以获得容易理解的分类规则，提供成矿因子的知识。该文采用基于SVM的迭代特征消去(Recursive Feature Elimination，RFE)技术(SVM‐RFE)，即在SVM模型的训练过程中，采用RFE特征选择方法，从所有输入的成矿因子中选择出对矿床(点)能正确预测的重要因子，以提供对输入模型的成矿因子的客观评价。通过对滇东南地区金矿预测的实践表明，采用SVM‐RFE技术从原始10类成矿因子中自动选择6类进行预测的精度从68.42%提高到94.74%，并且得到该区域进行矿产预测的成矿因子重要性依次是：Au异常、As异常、侵入岩、下三叠统与中三叠统之间的平行不整合面、上二叠统与三叠系的平行不整合面、断裂交汇点密度、石炭系和下二叠统间的平行不整合面、中上泥盆统和石炭系间的平行不整合面、Sb异常和Hg异常，从中选取前6类成矿因子进行SVM训练得到的预测精度最高。这一结论可为在该区域进行矿产预测的资料选取，以及对成矿因子的理解提供支持。