共查询到15条相似文献，搜索用时 218 毫秒
1.
石英的微量元素记录了石英生长的物理化学条件。通过微量元素对石英原岩进行分类的研究历史已久,经典工作是在以微量元素为坐标轴的图解上绘制各类型石英的分布范围,以区分石英类型。经典图解包括Rusk(2012)提出用于区分三种矿床类型石英的Al-Ti二元图解,和Schr9n et al.(1988)提出的用于判别不同岩浆岩类型石英的Ti-Al-Ge三元图解。越来越多的研究表明,上述图解不能满足对更多石英类型进行分类的需求,同时也出现与部分已知产状类型的石英微量元素判别相矛盾的情况。随着石英原位微区测试方法的成熟,高精度石英微量元素数据逐渐丰富为系统开展机器学习提供了大数据基础,为石英微量元素研究提供了新的角度和可能性。本研究运用机器学习分类方法对石英微量元素进行精确数学分析,提出Ti/Ge-P图解为石英成因研究提出新的地球化学指标。本文同时测试了六种经典机器学习分类算法,提高Ti/Ge-P图解在石英成因分类研究上的精度。此Ti/Ge-P图解适用于多种矿床研究,包括但不局限于斑岩型矿床、矽卡岩型矿床、浅成低温热液型矿床、卡林型矿床以及造山型矿床中的石英。这项工作是大数据技术与机器学习技术在地球化学研究中的积极探索。 相似文献
2.
磷灰石广泛分布于火成岩、沉积岩和变质岩中,是一种常见的、包含丰富微量元素的副矿物。磷灰石晶格可容纳丰富的微量元素,且因其形成的物理化学条件不同会表现出差异明显的微量元素特征。利用磷灰石微量元素特征可以追踪物质来源和演化。现在常用的方法是利用磷灰石的微量元素绘制二元判别图解,经典判别图解包括Sr-Y、Sr-Mn、Y-(Eu/Eu^(*))和(Ce/Yb)_(N)-REE图解。随着微区测试技术发展,磷灰石微量元素数据日渐丰富,同时由于磷灰石化学成分的复杂性,传统图解已逐渐无法有效利用这些数据所携带的信息,进而无法准确判别其生成环境。建立能准确判别磷灰石物源的新型判别图解故而迫切。近年来,磷灰石微量元素数据的大量积累,为运用以大数据为依托,准确判别磷灰石物源奠定了数据基础。本研究将大数据技术与地球化学数据相结合,共收集整理了1925个代表性磷灰石测试点的微量元素数据,对富碱性火成岩、超镁铁质岩石、镁铁质火成岩、长英质花岗岩、中-低级变质岩、高级变质岩六种类型中磷灰石微量元素数据进行穷举端元处理,共获得7140个磷灰石物源判别图解端元组合,在轮廓系数限定下,进一步有效筛选并提取出能判别磷灰石物源类型的最优图解端元。本文构建了Eu/Y-Ce磷灰石判别新图解,相较于之前的磷灰石判别图解,其涵盖了更全面的物源类型,可以更准确地判别源区类型。 相似文献
3.
岩石与矿物的地球化学成分数据具有高维度特征。传统的岩矿地球化学成分研究主要采用二元/三元图解判别法,准确率不高,在数理统计方法上有欠缺。机器学习方法非常适用于对大样本高维度的岩矿成分数据进行数理统计处理。本文在介绍机器学习常见算法基本原理的基础上,总结近5年来国内外学者将机器学习方法应用于岩石矿物成分数据研究的实例,包括：① 根据矿物成分溯源其母岩（源岩）、判别矿床类型,② 新生代火山岩溯源,③ 判别变质岩原岩,④ 依据岩浆岩成分判别大地构造环境等。已有的研究实例显示,机器学习方法的准确度明显优于传统的低维度判别法。机器学习本质是分析大样本数据的高维度变量之间的相关、归类等多元统计问题。推广机器学习的应用需要建设开放获取（Open Access）的矿物、岩石成分数据库,同时全面实施开放研究（Open Research）的发表策略。 相似文献
4.
岩石与矿物的地球化学成分数据具有高维度特征。传统的岩矿地球化学成分研究主要采用二元/三元图解判别法,准确率不高,在数理统计方法上有欠缺。机器学习方法非常适用于对大样本高维度的岩矿成分数据进行数理统计处理。笔者等在介绍机器学习常见算法基本原理的基础上,总结近5年来国内外学者将机器学习方法应用于岩石矿物成分数据研究的实例,包括：(1)根据矿物成分溯源其母岩(源岩)、判别矿床类型,(2)新生代火山岩溯源,(3)判别变质岩原岩,(4)依据岩浆岩成分判别大地构造环境等。已有的研究实例显示,机器学习方法的准确度明显优于传统的低维度判别法。机器学习本质是分析大样本数据的高维度变量之间的相关、归类等多元统计问题。推广机器学习的应用需要建设开放获取(Open Access)的矿物、岩石成分数据库,同时全面实施开放研究(Open Research)的发表策略。 相似文献
5.
磁铁矿广泛分布在岩浆、热液及沉积等各类矿床中,其地球化学元素组成往往受温度、氧逸度等物理化学条件的影响,能反映矿床形成环境并指示矿床成因类型,是一种重要的勘查指示矿物。自20世纪60年代以来,磁铁矿的主微量元素数据被用来构建不同的判别图,试图来区分矿床的成因类型。然而,由于矿床成因类型的多样性以及同一类型矿床的磁铁矿的主微量元素地球化学组成的复杂性,以往基于少数磁铁矿的主微量元素地球化学成分构建的矿床成因类型判别图存在一定的局限性。基于此,本文收集了前人发表在国内外期刊上的主要矿床类型的磁铁矿的元素地球化学数据(7 388条),初步构建了基于电子探针(EPMA)和激光剥蚀-电感耦合等离子体质谱(LA-ICP-MS)磁铁矿元素地球化学大数据集,建立了基于随机森林算法的矿床成因分类模型,并对磁铁矿主微量元素在矿床成因分类中的重要性做出排序。研究结果表明,基于磁铁矿大数据和机器学习算法构建的判别模型,能有效区分主要矿床类型,整体分类准确度高达95%。由于LA-ICP-MS磁铁矿数据集的测试元素多,分析精度高,使得基于LA-ICP-MS磁铁矿数据集的矿床成因分类模型精度高于基于EPMA数据集,表明磁铁矿中元素种类多少和数据测试精度影响矿床成因分类精度。同时,研究发现V元素在矿床成因分类过程中起到了较为重要的作用。此外,基于大数据和机器学习建立的判别模型对新的磁铁矿数据进行测试,可给出该数据属于每种矿床类型的概率,能有效判别矿床成因类型。 相似文献
6.
不同类型铀矿床的沥青铀矿/晶质铀矿具有不同的稀土元素组成,其组成可作为判别铀矿床类型的重要指标。采用基于Python语言的主成分分析（principal component analysis,PCA）与支持向量机（support vector machines,SVM）结合的分类模型,对收集到的全球已知6种类型铀矿床的216组沥青铀矿/晶质铀矿稀土元素数据进行研究。以216组数据为训练集,通过数据清洗、特征缩放、PCA特征提取、网格搜索和交叉验证参数寻优构建SVM分类模型,对24组同变质型胡家峪晶质铀矿进行智能识别。研究结果显示：仅使用稀土元素的14维训练集最优模型判定胡家峪晶质铀矿类型的测试准确率为0.4%;由稀土元素、稀土总量、轻重稀土比、铕异常组成的17维训练集最优模型的测试准确率为75.0%,较14维训练集提高74.6%,模型泛化能力强;而通过传统稀土元素配分曲线、w（ΣREE）-（LREE/HREE）N图解不能有效判定胡家峪晶质铀矿类型。本次研究表明,PCA-SVM算法对增有传统稀土判别指标数据集进行挖掘可有效厘定铀氧化物成因类型,效果明显优于单纯的稀土元素数据集以及传统的稀土配分曲线、w（ΣREE）-（LREE/HREE）N图解。 相似文献
7.
锆石是地质学研究中最重要的副矿物,其分布广泛、物理、化学性质稳定,记录了结晶时的年龄、温度、氧逸度以及O-Hf-Si-Zr-Li等多元同位素和微量元素信息,被广泛运用于地球科学的研究中。近年来,随着分析技术的发展,研究者在获取锆石年龄的同时也获取了大量锆石微量元素数据,这些数据的积累推动着研究者对锆石微量元素理论研究的不断深入,并取得了一系列重要进展,如发现锆石微量元素组成受锆石本身的晶格特点主导,符合晶格应变模型和类质同象替代机制;发现锆石微量元素组成受到熔体成分演化影响,锆石结晶时的熔体微量元素组成往往不等同于全岩;发现锆石内部的微量元素不均一特征(矿物包裹体、热点、蜕晶化作用等)可能会严重影响锆石的微量元素组成,继而建立了"干净锆石"的判别指标和筛选机制。此外,锆石微量元素的应用研究也取得了长足进展,研究者们不断尝试通过各类锆石微量元素指标、图解、分配系数,识别母岩浆物理化学性质、反演母岩浆组成,大大推动了锆石微量元素在示踪岩浆源区和岩浆过程中的应用。然而,由于锆石微量元素组成受控于多种因素,使得锆石微量元素在实际应用当中常常面临着多解性问题、重叠问题和分配系数的选择问题,在一定程度上影响了锆石微量元素应用研究的可靠性。未来的锆石微量元素研究将不满足于使用传统的低维指标和图解以及分配系数,而将在充分吸收传统方法精华的基础上,从海量数据与更高的维度中寻找元素之间相关性,基于热力学定律揭示新原理,基于更高空间分辨率揭示动力学因素的影响,从数据驱动和理论驱动的全新视角下深入揭示隐藏在锆石微量元素中的信息。 相似文献
8.
《大地构造与成矿学》2020,(2)
一直以来,探索玄武岩地球化学特征与大地构造环境之间的联系是地球化学领域的一个重要研究方向。橄榄石是岩浆最早期结晶的矿物之一,其在玄武质岩浆形成和演化过程中记录了诸多信息。鉴于此,学者们尝试利用橄榄石的元素组成判别大洋中脊玄武岩(MORB)、洋岛玄武岩(OIB)和岛弧玄武岩(IAB)三种构造环境。常用的玄武岩构造环境判别图解难以满足精度要求,于是引入机器学习算法作为判别手段来解决上述问题。机器学习判别方法的分类效果在很大程度上取决于参数选取的合理性。为此,本文提出一种耦合灰狼优化算法(GWO)和支持向量机(SVM)的智能判别方法。该方法利用GWO寻求SVM算法最优参数组合,以形成橄榄石组成元素和玄武岩构造环境之间的最佳映射关系,从而实现对MORB、OIB和IAB三种构造环境的准确判别。此外,根据公开发表的玄武岩样品的地球化学数据,结合混淆矩阵及其衍生评价指标,通过仿真实验、随机子抽样验证和k折交叉验证等方式评估了所提方法的判别性能。评估结果表明, GWO-SVM耦合判别方法在利用橄榄石成分判别玄武岩构造环境方面具有较好的分类效果,其判别准确率可达85%以上。由此可见,相较于传统判别图解方法,基于多算法融合的机器学习判别方法能够更加有效地提升构造环境判别效果。 相似文献
9.
随着计算机科学和地质大数据技术的迅猛发展,数值模拟和机器学习已成为当今地学领域定量发展的重要前沿方向。数值模拟综合运用了研究区地质、构造、地球物理、地球化学等多源信息,将成矿条件与过程进行量化模拟分析,对研究成矿动力学演化过程及成矿响应有重要意义,可对已有成矿要素/信息在时空上进行扩展/外推,扩大了成矿预测信息的广度和深度,为解决深部成矿预测中获取深部信息难题提供了一种可能的有效途径。支持向量机是一种重要的机器学习分类算法,它具有简洁、方便、高效和计算结果较稳定等特点,在众多领域中得以成功应用,是成矿预测中多源信息提取与融合的一种可靠的技术手段。为了充分利用数值模拟与机器学习的优势,本文提出将计算机数值模拟方法和机器学习(即支持向量机算法)相结合来进行深部成矿预测的新方法。以粤北凡口超大型铅锌矿为例,首先,对凡口矿区勘探线剖面进行构造应力场模拟;进而,以已知钻孔数据作为训练集和测试集,运用支持向量机算法对模拟结果中的不同参量(也即模拟所得的成矿条件)进行训练学习;最后,建立相应的定量找矿预测模型对研究区(或剖面)外围和深部找矿进行预测评价。研究结果表明,本文所建立的预测模型精确度和召回率都较好,预测结果显示出了三个成矿可能较大的区域,说明数值模拟技术和机器学习算法结合应用的效果较好。这种新的成矿预测方法为深部找矿预测提供了一种可行的新思路和新途径,可以有效地拓展运用到其他矿区、其他类型矿床的深部找矿预测工作中。 相似文献
10.
华南钦杭结合带燕山期岩浆活动异常活跃,且具有较明显的成矿专属性。近年来微区测试技术日益成熟,积累了大量锆石微量数据。通过全体数据挖掘的思维方法,对前人发表的数据进行了进一步数据挖掘,利用锆石稀土元素对岩体成矿潜力进行判别,探讨有效的找矿地球化学标志。利用Python语言编程,对采用的13种稀土元素及元素比值进行穷举式组合,获得了4095个二元图解及121485个三元图解,并设计筛选算法,自动筛选出能有效区分锆石母岩成矿类型的图解。结果表明,锆石稀土元素含量及比值图解对不同成矿类型岩体的区分程度各异:与Ce、Eu有关的地球化学指标可以较清晰地对斑岩铜矿和钨锡(锡)矿床进行判别,这可能与岩体的氧逸度和含水量有关。此外,还挖掘出一些新的元素组合图解,如Dy/Lu-Er/Lu、Gd/Dy-Er/Yb等,可以有效区分岩体成矿类型,其隐含的地球化学机制尚待进一步解释。地球化学数据挖掘结果可以作为找矿标志使用,为华南燕山期岩浆-热液矿床研究及找矿勘查提供了科学依据,也是大数据技术在矿床学方面应用研究的积极探索。 相似文献
11.
《地学前缘(英文版)》2023,14(4):101580
Due to the combined influences such as ore-forming temperature, fluid and metal sources, sphalerite tends to incorporate diverse contents of trace elements during the formation of different types of Lead-zinc (Pb-Zn) deposits. Therefore, trace elements in sphalerite have long been utilized to distinguish Pb-Zn deposit types. However, previous discriminant diagrams usually contain two or three dimensions, which are limited to revealing the complicated interrelations between trace elements of sphalerite and the types of Pb-Zn deposits. In this study, we aim to prove that the sphalerite trace elements can be used to classify the Pb-Zn deposit types and extract key factors from sphalerite trace elements that can discriminate Pb-Zn deposit types using machine learning algorithms. A dataset of nearly 3600 sphalerite spot analyses from 95 Pb-Zn deposits worldwide determined by LA-ICP-MS was compiled from peer-reviewed publications, containing 12 elements (Mn, Fe, Co, Cu, Ga, Ge, Ag, Cd, In, Sn, Sb, and Pb) from 5 types, including Sedimentary Exhalative (SEDEX), Mississippi Valley Type (MVT), Volcanic Massive Sulfide (VMS), skarn, and epithermal deposits. Random Forests (RF) is applied to the data processing and the results show that trace elements of sphalerite can successfully discriminate different types of Pb-Zn deposits except for VMS deposits, most of which are falsely distinguished as skarn and epithermal types. To further discriminate VMS deposits, future studies could focus on enlarging the capacity of VMS deposits in datasets and applying other geological factors along with sphalerite trace elements when constructing the classification model. RF’s feature importance and permutation feature importance were adopted to evaluate the element significance for classification. Besides, a visualized tool, t-distributed stochastic neighbor embedding (t-SNE), was used to verify the results of both classification and evaluation. The results presented here show that Mn, Co, and Ge display significant impacts on classification of Pb-Zn deposits and In, Ga, Sn, Cd, and Fe also have relatively important effects compared to the rest elements, confirming that Pb-Zn deposits discrimination is mainly controlled by multi-elements in sphalerite. Our study hence shows that machine learning algorithm can provide new insights into conventional geochemical analyses, inspiring future research on constructing classification models of mineral deposits using mineral geochemistry data. 相似文献
12.
Geochemical discrimination of tectonic settings of basalts has been an important research direction of geochemistry for decades. Olivine is one of the earliest crystallized minerals of basaltic magma, which records a lot of hidden information of the formation and evolution of the magma. Therefore, basic elements in olivine are used to discriminate three tectonic settings, including the mid-ocean ridge basalt (MORB), ocean island basalt (OIB) and island arc basalt (IAB). However, it is still difficult to accurately discriminate the tectonic settings by using these diagrams. The machine learning algorithm is introduced to solve the aforementioned problem. The classification performance of the machine learning discrimination method largely depends on the rationality of parameter determination. To this end, the paper proposes a coupling intelligent method for geochemical discrimination of tectonic settings using olivine composition of the basalts based on the grey wolf optimizer (GWO)-optimized support vector machine (SVM), or GWO-SVM for short. GWO is used to seek the optimal parameter combination of SVM to form the optimal mapping relationship between basic elements in olivine and basalt tectonic settings, so as to realize the accurate discrimination of MORB, OIB and IAB. In addition, according to the published geochemical data of basalt samples, the discrimination performance of GWO-SVM is evaluated by means of the simulation experiment, hold-out validation and k-fold cross-validation. The evaluation results are represented by the confusion matrix and its derived evaluation indicators. The results show that GWO-SVM can discriminate the tectonic settings of the basalts based on olivine compositions with overall classification accuracy of up to 85%. Thus, in comparison with the traditional discrimination diagram method, the machine learning discrimination method based on multi-algorithm fusion can significantly improve the discrimination accuracy of basalt tectonic settings. © 2020, Science Press. All right reserved. 相似文献
13.
基于大数据方法的玄武岩大地构造环境智能挖掘判别与分析 总被引：3，自引：1，他引：2
通过玄武岩判别图推断其所形成的大地构造环境的方法由来已久,自1971年Pearce提出了构造-岩浆判别图解法之后,已涌现出了几十种不同的判别图。然而,判别图的制作过程中使用的元素的信息量少,数据样本量少,缺乏代表性,以至于其适用范围有限,且准确率不够。为提高构造环境判别过程的效率和准确性,本文提出以大数据智能挖掘方法建立判别模型,通过玄武岩的化学成分,迅速准确地对其大地构造环境进行判别。所用到的玄武岩包括三类:洋中脊玄武岩(MORB)、洋岛玄武岩(OIB)和岛弧玄武岩(IAB),样品总量为755个。首先,本文分别利用主量元素判别图和微量元素判别图对三类数据的大地构造环境进行判别,包括Ti O_2-MnO-P_2O_5、Fe O~T-MgO-Al_2O_3、Ti-Zr-Y、Zr/Y-Zr和Ti-Zr判别图。由于判别图法针对的是特定的元素或化合物,而有些样品的成份记录不完善或没有测量到有指定物质,导致无法对该样品在判别图中绘制,因此在绘制不同的判别图之前,需要筛选掉一部分数据。判别结果表明,在不考虑无效数据的情况下,Zr/Y-Zr判别图的准确率最高,可达90%以上。但如果考虑到已筛选掉的数据,上述五种图对三种岩石的判别准确率均低于75%。在利用数据挖掘算法进行判别的过程中,本文分别试验了朴素贝叶斯(NB)、K邻近(KNN)、支持向量机(SVM)和随机森林(RF)四种算法。为达到较好的识别效果,本文将所有的化合物和微量元素组成51维的参数组用于训练模型,并且不会进行任何的数据筛选,即全部被视作有效数据。训练结果表明,NB的分类结果最差,但也超过了75%,而RF训练准确率高达100%。在算法的进阶分析中,测得RF算法验证准确率可达88.46%;为提升智能算法的实用性,本文利用贝叶斯定理对算法的判别结果求逆概率,以实现"由果及因"的合理推断;同时,本文通过人为模拟数据缺失,进一步验证不同的算法的鲁棒性,并认为RF和NB是应该被优先考虑的两种算法;最后,通过提取RF中的决策树,本文对样本中元素的重要性进行了分析,并找到了对判别效果影响最大的几个主量元素和微量元素。综上所述,利用数据挖掘算法判别大地构造环境要比判别图法更为准确、迅速且功能多样,可在该领域做进一步推广应用。 相似文献
14.
通过岩浆岩的地球化学特征判别岩浆形成的大地构造环境和岩浆源区的化学性质是地球化学全岩分析最重要的应用之一。该方法利用全岩地球化学数据,包括主量元素、微量元素和同位素组成数据,对给定岩浆岩(玄武岩、花岗岩等)的大地构造环境进行判别。作为人工智能技术在地球化学研究领域中的新尝试,机器学习判别方法逐渐成为经典判别图解法的补充研究手段。然而,高维数据特征筛选和繁多未知参数确定是影响算法分类准确性的两个主要因素。为此,提出一种遗传算法优化神经网络耦合判别方法(GA-NNDM)。该方法利用特征选择、参数确定和分类性能之间的反馈联系,将分类准确率、所选特征数量和特征代价作为适应度函数,通过迭代演化寻求最佳特征子集和未知参数,从而达到减少特征、优化参数和提高性能的目的。此外,根据公开玄武岩样品地球化学数据,通过K折交叉验证等方法设置纵向、横向比较实验来验证GA-NNDM在玄武岩构造环境判别方面的准确性、稳定性和外延性。仿真实验结果表明,GA-NNDM具有优良的判别效果和泛化能力,其总体分类准确率能达到90%。因此,GA-NNDM值得在地球化学领域做进一步推广应用。 相似文献
15.
遥感图像分类是提取图像有效信息过程中重要的一部分,为了探寻最优的分类方法,许多机器学习算法逐步应用于遥感分类中。极限学习机（extreme learning machine,ELM）以其高效、快速和良好的泛化性能在模式识别领域得到广泛应用。本文采用训练速度快、运算量小的极限学习机算法与支持向量机（support vector machines,SVM）算法和最大似然法进行分类对比,对高分辨率遥感图像进行分类,分析极限学习机算法对于遥感图像分类的准确度等性能。选取吉林省长春市部分区域的GF-2遥感数据,将融合后的影像设置为原始数据,利用3种方法进行分类。研究结果表明,极限学习机算法分类图像总体分类精度达到85%以上,kappa系数达到0.718,与其他分类方法相比分类准确度较高,且极限学习机运行时间比支持向量机运行时间约短2 480 s,约为支持向量机运行时间的1/8,因此具有良好的性能和实用价值。 相似文献