基于集成学习的墓地周边空间视电阻率分布预测模型对比研究——以尼日利亚Ejigbo墓地为例

本文对比研究了随机森林(RF)、极限梯度提升(XGBoost)和混合集成模型(HEM)三种集成学习算法在预测墓地周边视电阻率(AR)分布中的性能。研究通过40个垂直电测深(VES)数据验证，发现HEM模型在R2、RMSE和MAE指标上表现最优，为地球物理勘探提供了高效准确的AR预测新方法。

　　

Highlight

本研究亮点在于首次将混合集成模型(HEM)应用于墓地特殊环境下的视电阻率(AR)预测，通过整合支持向量机(SVM)和梯度提升(GB)算法，显著提升了预测精度。

Section snippets

研究区域

位于尼日利亚Ejigbo镇（北纬7°53'4.809"，东经4°19'58.367"）的墓地，占地面积约10英亩，海拔426米。该地区4-10月为雨季，年均降雨量1330毫米，为电阻率测量提供了典型的人为扰动环境。

Method

采用施伦贝谢装置获取40个垂直电测深(VES)数据，每个墓地边线间隔10米布设10个测点。通过ABEM SAS 4000地电仪测量电流-电位数据，最终形成包含几何因子(K)、电极间距(AB/MN)和空间坐标的902条数据集。

Random Forest

随机森林(RF)通过bootstrap采样构建多棵决策树，其预测函数表示为：

?_i=f_i(x)=f_i(x₁,x₂,x₃,x₄,x₅)

其中x₁-x₅分别代表电流极距、电位极距、几何因子和经纬度坐标。

Extreme Gradient Boost (XGBoost)

XGBoost通过梯度提升技术集成弱模型，其目标函数包含损失函数和正则项：

L(θ)=∑_i=1ⁿl(y_XGB,?_XGB)+∑_k=1^KΩ(f_k)

其中n为训练样本数，Ω(f_k)控制模型复杂度防止过拟合。

Hybrid Ensemble Model (HEM)

HEM创新性地结合SVM基模型与GB元模型：

SVM_i(AB,MN,k,lon,lat)=∑_j=1^Nα_ijK(x,x_j)+b_i

通过核函数K(x,x_j)处理电极间距、几何因子等非线性特征，显著提升对复杂地下结构的解析能力。

Results and discussion

数据清洗后剔除11个异常值（Z>3），最终数据集显示三层典型结构：表层砂质（371-398.6Ωm）、中层黏土风化层（21.9-35.5Ωm）和基底硬岩（7018.2-10106Ωm）。HEM的R²达0.98，显著优于RF(0.94)和XGBoost(0.95)。

Lithological Interpretation and Model Performance

对数坐标图显示HEM能准确复现实测数据的电性层特征，对薄层（<1m）的分辨率提升40%，特别适用于识别墓穴导致的局部电性异常。

Practical Implications

在标准PC（i7-10750H/16GB RAM）上，HEM完成902条数据预测仅需23秒，较传统反演方法效率提升20倍，为现场快速决策提供了技术支撑。

Limitation and Future Direction

当前模型在跨区域泛化性方面存在局限，下一步将整合更多地质背景数据，开发适用于多种扰动环境的自适应集成算法。

Conclusion

HEM模型在AR预测中展现出显著优势，其稳定R²(>0.97)和低误差(RMSE<15Ωm)特性，为地球物理调查提供了可靠的机器学习解决方案。