综述：超越传统方法：用于地球化学基线与异常检测的机器学习技术

《Minerals》：Beyond Traditional Methods: Machine Learning for Geochemical Baselines and Anomaly Detection

　　

摘要

机器学习越来越被应用于土壤和沉积物中的地球化学基准值估算及异常检测，但机器学习为何能优于传统方法，以及哪些预处理和验证策略最能带来这一优势，在环境和矿产勘探领域仍缺乏全面的研究。通过对Web of Science Core Collection中的146篇文献进行系统性的筛选，最终选出78篇符合主题要求的研究，再通过综合指标对它们进行排序，该指标综合考虑了经年龄调整后的引用影响力、平台使用情况以及语义相关性，最终确定了20篇最具代表性的研究。研究得出四点重要结论。首先，在环境应用中，性能提升主要得益于空间模型结构而非算法选择：在地质条件复杂的喀斯特地区预测镉的迁移性时，引入基于地理加权回归的空间协变量，可使测试集的解释方差从提升到，这项成果得到了独立测试集以及针对数据量敏感度进行的蒙特卡洛分析的支持。其次，在大多数矿产勘探研究中都采用了等距或居中对数比率预处理方法（5项传统和混合方法研究中有3项，5项深度学习研究中有4项），但在7项环境研究中则没有采用这种方法，这反映出在组成封闭条件下，协变量重要性评估存在系统性方法差异。第三，Shapley加性解释法和累积局部效应函数具有实用价值，可用于确定特定元素的异常阈值、分析训练样本问题以及对网格单元中的异常类型进行分类；这些证据表明，机器学习领域通常认为存在的准确性与可解释性之间的权衡在地球化学应用中并非固有问题，而是取决于所选算法。第四，在这20项经过综合分析的研究中，有90%（按研究区域划分则为20项中的18项——13项在中国，5项在伊朗）是在同一研究领域内进行验证的，因此所报告的较高性能指标应被视为插值估计值，而非具备通用预测能力的证据。研究指出，要实现具备监管级别的应用能力，必须确保训练数据集的地理多样性，并进行明确的跨区域验证。