利用机器学习方法预测和分析有价值成分的地球化学浓度 Syrym Kasenov Almas Temirbekov Oleg Gavrilenko Bekdaulet Khudaibergen Nurdaulet Pirimzhanov Nurlan Temirbekov

《Algorithms》：Prediction and Analysis of Geochemical Concentrations of Valuable Components Using Machine Learning Methods Syrym Kasenov, Almas Temirbekov, Oleg Gavrilenko, Bekdaulet Khudaibergen, Nurdaulet Pirimzhanov and Nurlan Temirbekov

　　

摘要

本研究提出了一种综合方法，利用机器学习、地统计方法和多变量地理空间数据来预测黄金、铜和锂的分布情况。该问题被构建为一个具有空间依赖性的多变量回归任务，这与传统的基于分类的矿产预测方法有所不同。研究建立了一个统一的数据库，其中包含了地球化学指标、地貌参数、遥感数据以及空间坐标。通过应用自适应阈值的关联分析来优化特征集并提高模型的稳健性。结果表明，线性方法在捕捉非线性关系方面存在局限性，而集成方法则能够显著提高预测精度。在某些情况下，地统计方法表现出最佳的性能，这突显了空间结构的重要性。特征重要性分析表明，黄金预测主要受地球化学指标、空间坐标和地形特征的影响。铜和锂的结果也证实了所提出方法的一般适用性。总体而言，本研究展示了将机器学习与地统计相结合在模拟地球化学过程中的有效性。