磷灰石稀土元素火成岩围岩类型分类中深度学习模型与替代表示方法的系统比较与泛化能力评估

《Applied Sciences》：Classification of Four Igneous Host-Rock Types Using Apatite Trace-Element Geochemistry: Source-Aware Evaluation of Deep Learning and Geochemical Representations

　　

摘要

磷灰石稀土元素（REE）组成可用于判别火成岩围岩类型，但对深度学习模型与替代性稀土元素表示方法的系统性比较仍然有限，且来自共享出版物或地质体的分析使得泛化能力估计变得复杂。我们在一个包含来自76个相互关联的源组的4148个磷灰石分析的队列中评估了四分类问题。六个主要模型（SVM、随机森林、XGBoost、多层感知机、ResNet和FT-Transformer）在基于相同14种稀土元素的七种表示方法中进行了比较。逻辑回归和线性判别分析作为基线模型，并单独检验了等比例变换（ILR）特征。源组感知的嵌套交叉验证采用了五个外层折和三个内层折，候选模型选择与调优仅限于外层训练组内进行。所选程序在五种子池化下获得了折外宏F1为0.556（95%源组自助置信区间为0.398–0.652）的结果。使用原始值（Raw）输入时，逻辑回归的宏F1为0.573（0.436–0.672）。置信区间重叠，且经过多重性校正后的配对比较并不支持对候选模型进行可靠排序，也不支持深层架构或组合表示方法具有持续优势的说法。原始值、对数比值（Geo）、中心对数比值（CLR）和等比例变换（ILR）均为相同稀土元素测量的替代表示方法，而非独立的化学信息。使用原始值输入的逻辑回归仍具有竞争力，但其向未见地质源的迁移仍具有不确定性，尤其是对于由少数独立源代表的类别而言。