堆叠集成学习在斑岩铜矿床品位预测中的性能评估：与机器学习模型及地质统计学方法的比较研究

《Minerals》：Stacking Ensemble Learning for Copper Grade Prediction at the Sungun Porphyry Copper Deposit: Statistical Performance Versus Geological Coherence

　　

摘要

矿产资源估算传统上依赖于地质统计学技术，例如普通克里金法（OK），这些方法明确考虑了空间连续性，但可能引入平滑效应并需要大量的手动参数化。与此同时，机器学习（ML）方法作为能够建模复杂非线性关系的灵活替代方案逐渐兴起；然而，其生成地质可靠块体模型的能力仍缺乏充分评估。本研究评估了堆叠集成学习在伊朗Sungun斑岩矿床铜品位预测中的应用，并将其性能与单个机器学习模型（包括人工神经网络（ANN）、随机森林（RF）和支持向量回归（SVR））以及域约束和全局无约束普通克里金法进行了比较。评估了两种机器学习场景，分别仅使用空间坐标或使用空间坐标与矿物学域的组合。模型性能通过随机交叉验证和空间缓冲交叉验证，结合空间与地质验证标准进行评估。在随机交叉验证下，RF和堆叠1（ANN–RF–SVR）在所有机器学习模型中取得了最高的统计性能；然而，在空间缓冲交叉验证下，所有机器学习方法均表现出显著的性能下降，表明在随机交叉验证下观察到的较强性能在很大程度上受到空间自相关的影响。在随机交叉验证下，引入矿物学域的效果有限且具有模型依赖性，但提升了所有机器学习模型在空间缓冲交叉验证下的值（尽管这些值仍为负值），同时也增强了地质分室化和边界保持效果。堆叠2（ANN–SVR）生成了最具地质一致性的集成模型，但相对于域约束OK基准，其矿石量存在高估。总体而言，在所评估的框架内，结果表明仅凭预测精度不足以评估基于机器学习的品位预测模型，空间与地质验证标准为评估所生成块体模型的可靠性提供了必要的补充信息。