排序方式： 共有16条查询结果，搜索用时 15 毫秒
1.
现代金矿勘察主要是通过综合地球化学和地质测量等数字化方法对深部矿床进行研究,所需要的人力物力成本较高。而通过分析积累的金矿规格单元数据,可以建立金矿成矿情况与相关成矿元素含量之间的非线性关系,从已有的勘查数据中寻找金矿成矿的一般规律。本文基于与金矿相关的成矿元素含量数据,分别采用逻辑斯蒂回归、随机森林和决策树方法对原始数据和重采样数据进行训练,综合运用召回率、精确率和准确率对模型进行评价。通过对比发现,在训练和测试原始数据过程中,由于每组之间数据量的巨大差距,导致成矿数据被淹没;而在训练重采样数据过程中,随机森林在召回率和准确率方面均有较好的表现,分别达到了90.63%和70.78%;并最终分析了随机森林模型中不同分类边界对于金矿成矿情况预测结果的影响。利用不同的测量指标对模型进行评价分析,使模型更适用于金矿成矿预测,可有效地提高金矿勘察的效率。 相似文献
2.
面向矿产资源信息的空间关联性分析 总被引：2，自引：1，他引：1
关联性分析是综合多源、多类数据,发现和挖掘数据中潜在的相关关系,提取和挖掘数据之间的关联性。该方法对于充分利用地质大数据、发现地质要素之间的共生组合规律具有重要的意义。本文首先基于数据的空间位置,将不同类型的地质空间数据建立联系,形成空间属性数据库;其次应用统计方法,对不同来源数据中的属性特征进行分析,发现热液型金矿的形成与火山作用存在明显相关性;最后基于Apriori算法提取热液型金矿的伴生矿与侵入岩的频繁项集,发现伴生矿与侵入岩酸碱性二者密切相关。因此,在今后的工作中,有望应用空间关联性的方法对地球物理、地球化学、遥感等多源地质数据开展深入的研究分析。 相似文献
3.
国际地球科学联合会规定,碱性岩必须要有实际碱性矿物和/或似长石出现作为标志,但同时又同意TAS图中B区的玄武岩可以细分为碱性玄武岩和亚碱性玄武岩,取决于它们是否有标准矿物霞石出现。有标准矿物霞石出现的玄武岩归入碱性玄武岩,夏威夷岩有霞石标准矿物出现,是碱性玄武岩。碱性玄武岩和夏威夷岩分别出现在TAS图上的两个区(碱性玄武岩在B区,夏威夷岩在S1区),这是否存在概念上的混乱?早先学术界关于碱性和碱性岩的定义并不完美,由许多学者厘定的碱性-亚碱性的界线区分的不是拉斑与碱性系列,而是正常系列与粗玄岩系列。采用全球火山岩数据考察TAS图及碱性-亚碱性界线,发现碱性与碱性岩在术语的解释上存在瑕疵并提出解决的方案。 相似文献
4.
5.
以往学术界更多的关注科马提岩和苦橄岩的相似性,忽略其差异。通过全数据模式,采集数据库内全球的太古宙科马提岩、后太古宙低/高钛苦橄岩数据,对比三者之间的差异发现,科马提岩更富MgO、Cr、Ni、Cs、Pb、Co和Zn,其次为低钛苦橄岩(除Co和Zn),其余主量、微量元素的含量由高至低依次为高钛苦橄岩、低钛苦橄岩、科马提岩。依据元素间的差异(如Cr/Ga、MgO/Ga、MnO/Zr、Cr/Zr等),采用密度分布函数(Density Distribution)在Matlab软件中绘制出可有效区分3类岩石的等密度判别图,并用该图对若干晚古生代"科马提岩"的岩性重新厘定。结合岩相学和地球化学特征研究表明,晚古生代"科马提岩"中,印度东部为高钛苦橄岩,越南为化学成分与科马提岩类似的低钛苦橄岩,印度拉达克地区为低钛苦橄岩。 相似文献
6.
依靠岩浆构造环境的地球化学成分认识岩浆形成过程是岩石地球化学中的重要应用。当前利用岩石地球化学成分判别构造环境的工作还不够深入。用4种基于决策树的机器学习方法对来自全球新生代洋岛玄武岩(OIB)、岛弧玄武岩(IAB)及大洋中脊玄武岩(MORB)等镁铁-超镁铁岩中单斜辉石的13种主量元素构成数据集进行了岩浆构造环境判别和主要特征排序。通过对比4种基于决策树的机器学习方法,验证了树类算法对于地球化学成分识别问题的有效性,并总结出4种方法在处理岩浆构造环境判别问题时的优劣:决策树算法判别过程更易于理解,但是其准确率欠佳;boosting算法中的AdaBoost和GBDT对于岩浆构造环境的鉴别准确度较高,但构造过程复杂;bagging集成算法随机森林在权衡性能和模型可理解性时不失为一个良好的选择。此外,还通过4种算法的特征重要性排序得出Cr_2O_3,TFeO,TiO_2,FeO和Al_2O_3是进行岩浆构造环境判别的重要成分。 相似文献
7.
8.
判断矿床(点)的类型是矿床勘探中的重要内容,传统预测金矿成矿规模的方法不仅耗时耗力,而且所需的经济成本较大。为提高矿床规模的勘探效率和准确度,揭示元素与金矿成矿规模的潜在联系,文中提出了耦合主成分分析(principal component analysis,PCA)和支持向量机(support vector machine,SVM)算法的预测分析PCA-SVM(principal component analysis-support vector machine)方法。该方法先通过主成分分析提取数据中的主要特征,再将主要特征带入支持向量机算法,从而训练出最优分类器以预测金矿成矿规模。文中共使用了3 812个金矿样本数据用于学习训练和预测分析,训练准确率为92.3%,测试准确率为88.7%,分别比直接使用支持向量机算法高出14.3%和17.1%。基于PCA-SVM的预测模型,不仅消除了人为主观因素的影响,而且有效提高了勘探过程中矿床预测的准确率和矿床勘探的效率,为地质勘查工作提供依据。 相似文献
10.
金矿实体关系的智能识别是提高金矿文献分析挖掘和知识提取的重要方法和途径。此次研究针对目前金矿实体关系抽取涉及到的核心问题,如金矿实体关系复杂、人工标注信息少等特点,提出了基于BERT(Bidirectional Encoder Representations from Transformer)的远程监督关系抽取模型。并通过金矿地质数据编码、金矿分类和金矿地质实体过滤等模块的优化改进,提高了金矿地质实体关系抽取的准确率。最后通过对金矿文献数据的实体关系抽取实验,验证了该方法的有效性。 相似文献