基于空间随机森林的矿产资源定量预测——以河北大庙—红石砬钒钛磁铁矿带为例

摘要

现有矿产资源定量预测方法对空间异质性和空间自相关性关注不足，影响其预测效果。本文以河北大庙—红石砬钒钛磁铁矿带为研究区，运.用K均值（K-means）聚类算法将矿产资源定量预测中广泛使用的随机森林算法（RF）改进为空间随机森林算法（SRF）。该算法首先基于K-means聚类构建空间异质性子集，并据此训练多个相互独立的RF模型；然后运用待预测数据与各异质性子集簇心距离的反距离加权集成预测概率，实现空间建模。在此基础上，引入贝叶斯优化算法完成上述算法的超参数自适应调参。结果表明，SRF算法的AUC值（提升6.83%）、准确率（提升8.62%）、F1分数（提升8.52%）相较于传统RF算法均有明显提升，并兼顾较好的可解释性。最终基于SRF模型和浓度-面积分形圈定找矿靶区5处，有效支撑研究区后续找矿，并为兼顾空间异质性与空间自相关性的矿产资源定量预测提供了有效方法。

关键词

空间随机森林 / 贝叶斯优化 / 浓度-面积分形 / 大庙—红石砬钒钛磁铁矿带 / 矿产资源定量预测