评估美国墨西哥湾沿岸锂浓度预测：机器学习方法与异常值影响分析

《ACS Earth and Space Chemistry》：Evaluating Lithium Concentration Predictions in the U.S. Gulf Coast: Machine Learning Approaches and Outlier Impact Analysis

锂资源评估中机器学习模型应用研究：采用梯度提升机、随机森林等六种算法结合多目标序列填补方法处理海湾海岸盆地锂浓度数据，通过对比含/不含异常值的三种数据集发现模型性能受异常值显著影响，并验证了该地区已知锂富集区与低潜力区域的分布特征。

　　

锂离子电池技术是能源存储的关键组成部分，未来几十年对锂（Li）的需求将持续增加。地下盐水中溶解的锂占锂资源总量的比例正在上升，因此准确估算地质构造中的锂浓度对于其高效管理至关重要。本研究利用美国地质调查局（USGS）开发的综合地球化学数据集，采用先进的机器学习模型来预测墨西哥湾沿岸地区的锂浓度。研究了六种机器学习算法：梯度提升（Gradient Boosting）、随机森林（Random Forest）、K最近邻（K-Nearest Neighbor）、支持向量回归（Support Vector Regression）、神经网络（Neural Networks）和极端梯度提升（Extreme Gradient Boosting），并对比了它们的预测准确性。为了提高预测精度，我们还引入了一种多目标序列链接（Multi-Target Sequential Chaining）方法，该方法能够依次填补数据集中的缺失值。我们测试了三种不同的数据情况：（1）使用原始数据集（包含异常值）；（2）使用去除异常值后的数据集；（3）引入经过修改的异常值以分析模型的敏感性。研究结果表明，异常值会影响模型的性能，而经过修改的异常值有助于评估模型的鲁棒性。研究结果揭示了已知富锂区域（如Smackover地层）的空间分布，并证实了墨西哥湾沿岸大部分地区的锂资源潜力较低。