基于机器学习的表层土壤成矿元素空间预测：以稀有金属铷元素为例

作者：戴亮亮; 聂小力^*; 郭军; 巩浩; 吴欢欢; 张涛; 汤媛媛; 毛聪; 彭志刚; 贺灿

来源：现代地质, 2022, 36(03): 972-978.

DOI：10.19657/j.geoscience.1000-8527.2022.03.17

• 机器学习
• 随机森林
• 表层土壤
• 成矿元素预测

近些年随着土地质量地球化学调查工作的开展，获取了大量表层土壤样品数据。然而，这些数据也存在一个明显的缺陷，即1∶50 000大比例尺表层土壤数据往往缺少成矿元素。鉴于土壤成矿元素含量对于矿产资源勘查的重要指示作用，尝试基于现有数据对大比例尺表层土壤成矿元素含量提供一个补全方案。以稀有金属铷元素为例，采用随机森林算法把同一区域2 548组1∶250 000小比例尺表层土壤数据按照8∶2的比例随机分为两组，用80%的数据进行训练建模，20%的数据对模型进行验证。采用变量重要性度量排序和构建学习曲线的组合方法优选了8种元素(K、B、Ni、V、Zn、As、Co、Cu)作为预测变量，模型对训练数据和测试数据的拟合优度R2分别达到0.983 2和0.895 6,说明预测变量的优选方法是有效的。随后将1∶50 000表层土壤的上述预测变量数据作为输入变量导入模型中，得到预测的Rb元素含量，预测结果比较符合实际特征。本研究表明将大数据机器学习随机森林算法引入表层土壤地球化学元素含量空间定量预测具有可行性，可进一步拓展土地质量地球化学数据的服务应用维度。