基于边界的随机森林方法用于多图层地球化学数据的高程校正:以内蒙古白音查干-毛登地区为例

《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

编辑推荐:

  地质化学数据多源拼接时存在边界系统误差,传统线性CR方法难以有效消除非线性的地质异质性干扰。本研究提出边界随机森林(BRF)方法,利用随机森林的非线性建模能力构建缓冲区相似性关系网络,在Baiyinchagan-Maodeng区验证显示BRF较CR方法降低边界效应达42%,生成的Cu-Au-Sb分布图与已知构造吻合度提升31%,有效解决了线性方法对高背景异常的过度修正问题。

  
唐瑞|李成|肖凯安
四川省几何数学重点实验室,成都理工大学,成都,610059,中国

摘要

勘探地球化学数据通常由多张地图汇编而成,这些数据容易受到系统误差的影响,从而在其边界处产生人为的“偏移”效应。尽管存在线性校正方法,但它们往往无法捕捉地球化学数据中固有的复杂非线性关系。为了解决这一局限性,本研究介绍并验证了一种新的机器学习方法:基于边界的随机森林(BRF)方法。我们使用白音查干-毛登地区的四张地图数据,应用了BRF方法,该方法利用随机森林的非线性能力来模拟相邻数据块之间的关系。我们将BRF方法的表现与标准的对比回归(CR)方法进行了比较。结果表明,BRF方法在消除边界伪影方面明显更有效。处理后的地球化学地图显示出更加连续和地质上一致的分布,与已知的断层带和矿化区域更为吻合。我们得出结论,BRF方法是一种比线性方法更稳健、更优越的替代方案,为矿产勘探和异常定位提供了更准确的基础。

引言

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。

数据来源和分析方法

为了分析的需要,研究区域被划分为北部和南部两个部分,分别对应于两个不同机构的数据采集。北部数据集(地图片L50E022011、L50E022012)包含3091个土壤样本,由中国地质大学(北京)地质调查研究所于2009年至2013年间采集。南部数据集(地图片L50E023011、L50E024011)包含4735个样本,由天津地质调查研究中心于2010年至

CR方法

CR方法通过将每个调查区块的均值视为其局部背景值来校正地球化学数据(Wang et al., 2023)。然后将所有区块标准化到一个统一的水平,通常是整个研究区域的均值。这种标准化使得不同数据块之间的直接比较成为可能。校正后的数据可以可靠地用于生成地球化学等值线图或异常图。该调整的公式如下:
Xij′X?jXˉ×Xij
这里,

结果与讨论

为了全面评估不同策略的校正效果,本研究对原始数据、线性CR方法和提出的非线性BRF方法进行了比较分析。我们讨论了它们各自的优点、局限性和地质适用性。由于篇幅限制,金(Au)和锑(Sb)被选为代表性案例进行详细讨论,因为它们表现出最严重且对比鲜明的边界伪影。

结论

本研究证明了基于机器学习的BRF方法在地球化学数据校正方面明显优于传统的线性CR方法。
虽然CR方法在地质复杂区域难以消除边界伪影,但BRF方法能够准确建模数据中的非线性关系,从而更有效地消除了地图片边界处的“阶梯效应”。
至关重要的是,使用BRF方法处理的地球化学地图

CRediT作者贡献声明

唐瑞:撰写 – 审稿与编辑,撰写 – 原稿,软件,方法论。李成:撰写 – 原稿,可视化,软件,方法论,资金获取。肖凯安:监督。

资助

本研究得到了国家重点科技重大项目(2024ZD1003206)、国家重点研发计划(2023YFC2906403、2023YFC2906404)以及内蒙古自治区地质调查基金项目(2021-KY04)的支持。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。

致谢

作者感谢匿名审稿人和编辑们对本文所做的辛勤工作。我们特别感谢李成提供的宝贵数据支持,以及中国矿产资源调查研究所SinoProbe实验室提供的技术帮助。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号