机器学习在矿物岩石地球化学大数据挖掘中的应用与展望

摘要

随着信息技术的迅速发展，地球科学研究已进入数据密集化阶段，矿物岩石地球化学大数据挖掘已成为揭示地质演化规律、深化矿床成因认识、提升资源勘查效率的重要途径。机器学习作为典型的数据驱动建模方法，能够有效识别复杂数据中的潜在模式与关键特征，为地质学研究提供新的技术路径。系统梳理了矿物岩石地球化学大数据挖掘的一般流程，归纳了典型机器学习算法的基本原理，并综合评述了其在岩石大地构造背景识别、岩石起源与演化反演、成矿潜力评价、矿床成因类型判别等方面的应用进展。在此基础上，总结了机器.学习在矿物岩石地球化学数据挖掘中的优势与不足，指出了当前研究中存在样本量有限、数据分布不均、模型可解释性不足等问题。其次展望了在算法优化、矿物岩石地球化学数据库构建、深度学习与迁移学习引入、多源数据融合、可解释人工智能发展、低代码框架应用等方向的研究前景。机器学习在矿物岩石地球化学大数据挖掘中的广泛应用将为地质过程的定量化分析、矿产勘查的智能化决策、地球科学研究的系统化提供重要理论支撑与方法路径。

关键词

机器学习 / 矿物岩石地球化学 / 大数据挖掘 / 成矿潜力评价 / 矿床成因判别

基金资助

地球深部探测与矿产资源勘查国家科技重大专项（2024ZD1001607）; 地质过程与成矿预测全国重点实验室开放课题项目（GPMR202522）