基于机器学习的华南诸广山花岗岩体铀矿潜力评价

Uranium Potential Evaluation of Zhuguangshan Granitic Pluton in South China Based on Machine Learning

摘要

地学大数据和机器学习的结合，为矿床勘查提供了新的发展方向.华南广泛发育花岗岩体，是花岗岩型铀矿的重要产区，因此如何判断特定花岗岩体是否具有产铀矿的潜力，对于指导华南花岗岩型铀矿勘查具有重要意义.系统收集了前人已发表的华南花岗岩地球化学元素含量数据（不包括待评价的诸广山地区的九峰岩体、红山岩体和茶山岩体），共获得1 711条数据.然后按照7∶3的比例划分为训练集和测试集，进而分别建立了随机森林（random forest，RF）算法和K近邻（K-nearest neighbor，KNN）算法分类模型，并对两种分类模型的精确度、召回率、ROC（receiver operating characteristic curve）曲线进行评价，选出泛化能力较好的模型，最后利用泛化能力较好的模型对诸广山地区九峰岩体、红山岩体和茶山岩体进行成矿潜力评价.结果表明，随机森林分类模型对测试集的分类精确度、预测结果可靠度均高于K近邻分类模型，随机森林分类模型对测试集上的数据分类精确度达到了93%，利用上述创建的随机森林分类模型对九峰、红山和茶山岩体进行预测.预测结果表明，红山岩体和茶山岩体含矿的概率较高，而九峰岩体含矿概率较低.该研究为进一步缩小地质找矿勘查范围提供了可靠的依据，并且该模型可以作为地质找矿工作者的辅助工具.

关键词

机器学习 / 随机森林算法 / K近邻算法 / 花岗岩型铀矿 / 成矿潜力 / 岩石学

Key words

machine learning / random forest algorithm / K-nearest neighbor algorithm / granite-type uranium deposit / metallogenetic potentiality / petrology

基金资助

东华理工大学江西省放射性地学大数据技术工程实验室开放基金(JELRGBDT202006)