基于机器学习的华南诸广山花岗岩体铀矿潜力评价
黄鑫怀1
李增华2
邓腾3
刘志锋4
陈冠群5
曾皓轩5
郭世超5
1.东华理工大学江西省放射性地学大数据技术工程实验室,江西南昌,330013;东华理工大学地球科学学院,江西南昌,3300132.东华理工大学江西省放射性地学大数据技术工程实验室,江西南昌,330013;东华理工大学地球科学学院,江西南昌,330013;东华理工大学核资源与环境国家重点实验室,江西南昌,3300133.东华理工大学地球科学学院,江西南昌,330013;东华理工大学核资源与环境国家重点实验室,江西南昌,3300134.东华理工大学江西省放射性地学大数据技术工程实验室,江西南昌,3300135.东华理工大学地球科学学院,江西南昌,330013
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1711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
分类号：P628(地质、矿产普查与勘探)P595(地球化学)
资助基金：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(No.JELRGBDT202006)
论文发表日期：2023-12-15
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：14( 4427-4440 )
英文信息