《Journal of Geochemical Exploration》:Boundary-based random forest leveling of multi-map geochemical data: A case study of the Baiyinchagan-Maodeng Area, Inner Mongolia
【字体:
大中小
】
时间:2026年01月19日来源:Journal of Geochemical Exploration 3.3
区域地球化学勘探对于评估矿产资源潜力至关重要,通常会生成被分割成多个地图片的数据集(Wang, 2013a; Wang, 2013b; Xie et al., 2009)。然而,由于多机构调查、不同的仪器设备以及不同的采样方案,不可避免地会引入系统误差。这些误差在视觉上表现为“偏移效应”——即地图片边界处元素浓度的突然不连续性(Daneshfar and Cameron, 1998; Pereira et al., 2015)。这些伪影不仅仅是表面上的问题;它们会掩盖真实的地球化学模式,可能导致对矿产潜力的误解,或是产生虚假的异常信号。因此,严格的数据校正对于将零散的原始数据转化为可靠的地质解释至关重要,确保跨金属矿带整合的数据集准确、无缝,并适合进行预测建模。
为了减轻这些失真,人们采用了多种校正技术,包括基于百分位的线性计算、成分数据分析以及基于回归的调整方法(Daneshfar and Cameron, 1998; Pereira et al., 2015; Williams, 2021; Wang et al., 2023; Tang et al., 2025)。虽然这些方法能有效处理简单的均值偏移,但它们都有一个根本性的局限性:依赖于严格的线性假设。然而,地球化学数据本质上是分形的和非线性的(Cheng et al., 1996; Zuo et al., 2013)。线性模型往往无法捕捉地球化学背景中的复杂内在结构差异。更严重的是,它们难以区分系统伪影和自然的地质异质性,这可能导致对真实高背景异常的“过度校正”或分布形状的不完整修正。
机器学习的快速发展为解决这些复杂的非线性关系提供了强大的工具。在现有的算法中,随机森林(RF)集成方法特别适合校正任务,因为它具有非参数特性、对异常值的鲁棒性,以及处理高维非线性映射而不发生过拟合的能力(Cracknell and Reading, 2014; Rahmati et al., 2016)。在本研究中,我们介绍了一种新的校正方法:基于边界的随机森林(BRF)方法,该方法将RF模型与优化的边界缓冲区相结合。通过利用空间相似性原理和非线性建模能力,该方法旨在重建地质上一致的背景。我们将BRF方法与传统的对比回归(CR)方法进行比较,以证明其在消除边界伪影的同时保持原始地质信息真实性的优越性。
部分摘录
区域地质背景
研究区域位于大兴安岭山脉的南部(Li et al., 2024),这是中亚造山带(CAOB)内兴蒙造山带的关键组成部分(图1)。该地区在全球范围内被认为是多金属矿床(尤其是锡(Sn)、铜(Cu)和银(Ag)的重要矿化区。其矿化潜力基于复杂的构造演化过程,涉及多种地质体制的叠加。