机器学习与克里金（Kriging）融合方法的比较分析：提升矿物勘探数据空间预测精度的研究 韩浩尚（Hosang Han）与苏章元（Jangwon Suh）

《ISPRS International Journal of Geo-Information》：Comparative Analysis of Machine Learning–Kriging Integrative Approaches for Enhanced Spatial Prediction of Mineral Exploration Data Hosang Han and Jangwon Suh

　　

摘要

从稀疏的勘探数据中准确预测矿物浓度对资源估算至关重要。本研究评估了结合机器学习（ML）和地质统计学的混合预测模型，用于预测铝（Al）的浓度。通过将六种机器学习方法（随机森林、XGBoost、AdaBoost、ResNet、U-Net和空间变换网络）与普通克里金法（OK）和通用克里金法（UK）相结合，生成了十二种混合模型配置。使用10折空间交叉验证（CV）来评估模型性能，以减少空间偏差，并在训练数据内部通过网格搜索CV调优超参数。对于混合模型，利用交叉拟合的样本外残差进行残差克里金分析，以减少过度乐观的偏差并防止信息泄露。结果表明，OK和UK变体之间在性能上没有显著差异。更重要的是，集成效果取决于所使用的机器学习方法，而非普遍具有益处。基于随机森林的模型在样本外预测性能最强，而其他机器学习方法的混合模型提升通常较为有限。经过多重比较校正后，大多数独立模型与混合模型之间的差异在统计学上并不显著。这些发现表明，通过混合化提高模型复杂性并不一定能提升预测准确性，并强调了在为矿产资源勘探选择预测策略时，进行空间明确且考虑偏差的评估的重要性。