基于随机森林与XGBoost的机器学习对比分析：数据驱动的维多利亚大本迪戈地区金矿预测研究

本研究针对传统金矿勘探方法效率低、误差率高的问题，采用随机森林(RF)和XGBoost算法，整合重力、磁力和放射性测量等多源地球物理数据，构建了维多利亚大本迪戈地区的金矿预测模型。通过多尺度空间验证（1 cm-10/15/20 km）和特征重要性分析，发现重力与磁力特征为最强预测因子，粗分辨率下模型稳定性更优。研究成果为隐蔽型金矿勘探提供了可复现的机器学习方法框架，显著提升了开放数据驱动的矿产远景分析效率。

　　

在全球金矿资源需求持续增长的背景下，传统依赖人工解译地球物理数据的勘探方法面临效率低下、深部矿体识别困难等挑战。澳大利亚维多利亚州大本迪戈地区作为19世纪淘金热的核心区域，其复杂的地质结构和深部金矿资源尚未被现代数据驱动方法充分挖掘。尽管该地区拥有高分辨率地球物理数据集，但现有研究多集中于西澳大利亚州，导致大本迪戈地区机器学习预测模型存在显著空白。

针对这一科学问题，澳大利亚拉筹伯大学(La Trobe University)工程与数学科学学院的研究团队开展了创新性研究。通过整合重力、总磁力强度(TMI)和放射性测量数据，结合空间标记和多分辨率建模，构建了基于随机森林(RF)和XGBoost的对比预测框架。研究成果发表在《Geomatica》期刊，为隐蔽型金矿勘探提供了可扩展的解决方案。

研究采用三大关键技术方法：1) 从政府开放平台获取矿物点、重力/磁力/放射性栅格数据并进行地理空间预处理；2) 采用棋盘格和基于K-means聚类的空间验证策略，在1 cm-10/15/20 km三个尺度评估模型；3) 通过ROC-AUC曲线和特征重要性分析评估预测性能。

棋盘格交叉验证结果

在1 cm-20 km尺度下获得最优AUC值，重力_200k_UTM和TMI_200k_UTM分别成为中/大尺度主导特征。预测图显示黄色高概率区与已知矿点空间分布高度吻合，但局部区域仍存在预测差异。

聚类验证与特征重要性

将矿点划分为8个空间聚类后，1 cm-20 km尺度下6个聚类AUC>0.5。箱线图分析揭示重力特征在精细尺度（1 cm-10 km）重要性最高（Gravity_100k_UTM），而磁力强度(TMI_200k_UTM)在区域尺度表现突出。放射性特征（K/Th/U）始终呈中等贡献，磁力一阶导数(TMI_1VD)预测价值最低。

XGBoost对比分析

在1 cm-20 km尺度下，XGBoost使7/8聚类AUC>0.5，优于RF的6/8。特征重要性排序与RF一致，但表现出更好的类别不平衡处理能力，验证了集成算法在矿产预测中的互补性。

该研究创新性地证实了开放地球物理数据与机器学习结合的可行性，其中重力异常反映的密度差异和磁力特征指示的构造边界是金矿化的关键标志。粗空间分辨率（1 cm-20 km）更适合区域尺度模式识别，而放射性元素分布（特别是K/U）可作为辅助指标。研究方法为矿产勘探提供了标准化流程，其多尺度验证框架可推广至其他矿产资源预测领域。未来通过整合地质构造和地球化学数据，有望进一步提升深部资源预测精度，为全球矿产资源可持续发展提供新范式。