用于增强分形异常填图的智能异常值重构：一种基于机器学习的方法探索剪切带型金矿床

《Fractal and Fractional》：Intelligent Outlier Reconstruction for Enhancing Fractal Anomaly Mapping: A Machine Learning-Based Approach to Explore Shear Zone Gold Deposits

　　

来自剪切带型金矿床系统的地球化学金数据集经常包含极端异常值，这些异常值扭曲了统计结构，改变了总体边界，并削弱了浓度-面积（C-A）分形模型的可靠性。传统的处理方法，例如丢弃异常样本或应用固定的Winsorization阈值，通常无法保留控制地球化学分散的多元关系。在本研究中，研究人员开发了一种基于随机森林（RF）的智能模型，通过利用可用的多元素地球化学信息，重构了来自Saqqez剪切带带的溪流沉积物样品中的一个极端Au异常值。本研究引入了一种基于机器学习算法和靶向Winsorization（MLA-TW）的混合校正框架，该框架将TW与RF回归相结合，为一个具有高度影响力的Au异常值重构了一个真实且在地球化学上合理的值。研究人员检验了三种方案：（1）使用包含739 ppb异常值的原始数据集进行建模，（2）在去除异常值后进行建模，以及（3）使用从MLA-TW方法获得的重构值进行建模。RF模型显示出可靠的预测能力（R² = 0.85），并且重构值既保留了地质合理性，也保留了非线性多元结构。C-A分形模型的应用表明，MLA-TW方案产生了最稳定的总体断裂点、最稳健的异常阈值以及最高的空间保真度，成功识别了该地区已验证的金矿点和矿床。总体而言，MLA-TW框架通过降低极端值的统计杠杆作用，同时保留了异常检测所需的非线性地球化学模式，稳定了C-A模型并提高了其稳健性。结果证实，这种智能混合方法为优化Au阈值确定和更准确地圈定剪切带相关金靶区提供了一种客观且具有地质意义的方法论。

论文解读文章

**研究背景与问题**
剪切带型金矿床的地球化学数据，特别是溪流沉积物中的金（Au）浓度，常包含极端异常值。这些异常值会扭曲统计结构，改变浓度-面积（C-A）分形模型中的总体边界，并削弱异常检测的可靠性。传统处理方法如直接丢弃异常样本或应用固定阈值（如基于μ+3σ的Winsorization）虽能减少极端值影响，但可能破坏控制地球化学分散的多元非线性关系，导致背景与异常界限的误判。C-A分形模型对数据质量高度敏感，异常值会改变log-log图的斜率并偏移阈值。因此，需开发一种智能方法，既能校正异常值，又能保留数据的内在统计与地质结构，以提高分形异常填图的稳健性。

**研究内容与结论**
研究人员针对伊朗Saqqez剪切带西南部的溪流沉积物数据，提出了一种混合机器学习算法与靶向Winsorization框架（MLA-TW）。该框架结合随机森林（RF）回归与TW，通过多元素（W、Ba、Ag、Sb、Bi）信息重构一个极端Au异常值（739 ppb）。三个方案对比显示：MLA-TW校正后的数据集在C-A分形模型中产生最稳定的总体断裂点、最可靠的异常阈值（12 ppb），并成功识别所有已知金矿化区（Gharajar、Qolqola等）。该成果发表于《Fractal and Fractional》。

**关键技术方法**
- **随机森林（RF）回归**：利用5个关联元素（W、Ba、Ag、Sb、Bi）作为输入特征，训练模型（ntree=2000，mtry=3，nodesize=1），通过样本内预测重构异常值，保留非线性多元关系。
- **靶向Winsorization（TW）**：在对数空间中基于μ+3σ阈值调整极端值，保留数据分布结构。
- **浓度-面积（C-A）分形模型**：基于幂律关系划分背景、过渡与异常总体，通过log-log图斜率变化确定阈值。
- **样本来源**：Saqqez剪切带西南部溪流沉积物数据，异常样本子集（n=15）用于训练。

**研究结果**
**4.1 数据检查与异常值检测**
通过Pearson相关分析和层次聚类分析（HCA），研究人员确定W、Ba、Ag、Sb、Bi与Au形成有意义聚类，作为后续建模的输入变量。Q-Q图显示Au数据近似正态分布，但存在一个739 ppb的极端异常值。
**4.2 混合MLA-TW模型用于异常值预测**
首先，通过概率图将背景与异常总体分离（阈值15 ppb），仅对异常子集建模。TW方法将异常值统计调整为177 ppb，RF模型基于多元素关系预测出128 ppb的重构值（R²=0.85，RMSE=19.37，MAE=13.53）。变量重要性分析显示Bi、Ag、Sb贡献最大。该重构值更符合区域地质证据，表明RF能学习非线性关系并保留地质合理性。
**4.3 分形建模与制图**
通过网格插值（100×100 m）估算Au空间分布，并应用C-A分形模型比较三种方案。方案1（含原始异常值）仅识别一个矿床；方案2（去除异常值）虽识别更多异常区，但降低了主要矿化区的强度；方案3（MLA-TW重构值）产生最稳定的阈值（12 ppb），描绘出与已知剪切带矿化高度吻合的异常图，成功识别所有验证矿床（Gharajar、Qolqola、Kravian等），空间一致性最优。

**讨论与结论**
讨论部分指出：MLA-TW校正后的数据集保留了原始异常的空间完整性，同时通过减弱极端值影响突出了与构造通道相关的微弱地球化学信号。研究结论翻译如下：
本研究证明，极端地球化学异常值对浓度-面积（C-A）分形模型施加了不成比例的统计杠杆作用，并可能掩盖剪切带金系统中异常阈值。为应对这一挑战，研究人员开发了一种基于随机森林的智能预测模型，并与TW方法集成，形成了混合机器学习算法与TW（MLA-TW）框架，能够重构地质上合理且分布一致的高影响Au值替代值。重构的异常值保留了非线性多元关系，并在后续C-A分形分析中显著稳定了总体断裂点。在三个测试方案中，MLA-TW校正的数据集产生了最稳健的异常阈值和最高的空间一致性（与独立金矿化证据），成功圈定了Saqqez剪切带带中已验证的矿点和矿床。这些结果表明，MLA-TW方法为在数据受限环境中（特别是异常值频繁的溪流沉积物数据集）优化地球化学异常检测提供了一条可靠且客观的路径。通过减少极端值引入的统计扭曲同时保留地质意义的结构，该框架增强了C-A分形模型在矿产勘查中的可解释性和操作价值。未来研究可将此方法扩展到多元素异常系统、不同构造背景及其他机器学习架构，以进一步改进阈值估计和矿化靶区预测。