一种基于数据差异分布的铌钽稀有金属含矿岩体识别方法
本发明涉及一种含矿岩体识别方法,具体涉及一种基于数据差异分布的铌钽稀有金属含矿岩体识别方法,属于矿产勘查与预测。
背景技术:
1、现有技术当中,含矿岩体识别方法多采用单一模型,如地理加权回归(gwr)、随机森林(rf)等,难以同时适配数据差异分布与空间异质性。具体表现为,单一gwr模型对缺失数据敏感,局部建模易受缺失特征干扰;单一机器学习模型虽具备一定抗干扰能力,但对空间关联信息的捕捉不足;且现有方法仅依赖地理空间或通用数据特征建模,忽略了铌钽与be、li、f、rb等元素的共生关联性、花岗岩体专属地质成因等“成矿特异性”,导致模型对含矿信号的捕捉存在“泛化偏差”,还因缺乏针对数据差异分布的专项处理机制,仅通过简单填充缺失值或忽略缺失样本的方式处理,导致预测偏差大、可靠性不足,无法为铌钽勘查提供精准支撑。
2、因此,亟需一种能够适配数据差异分布,同时多维度分析空间异质性特征的含矿岩体识别方法,通过多模型互补与智能集成,弱化缺失特征影响,提升识别精度与结果可靠性。
技术实现思路
1、针对现有技术存在的问题,本发明的目的旨在提供一种基于数据差异分布的铌钽稀有金属含矿岩体识别方法。该方法通过多学习器模型对地学数据的差异分布协同互补,解决地学数据空间异质性与数据不完备导致的识别精度低、可靠性差的问题,并建立可信度评价体系,量化预测结果可靠性,同步输出含矿概率预测值与可信度评估报告,大幅提升含矿岩体识别工作的精准性与可信度。
2、为实现上述技术效果,本发明提供了一种基于数据差异分布的铌钽稀有金属含矿岩体识别方法,其特征在于,包括:
3、步骤s1、获取目标岩体包括地球化学、地球物理在内的数据以及二维空间坐标,经多源数据预处理后,依次进行缺失掩码构建、特征对齐及尺度归一化处理,得标准化数据集;
4、步骤s2、将标准化数据集输入由地理加权回归、地理最优相似性和随机森林组成的基学习器中,提取矿化异常信息,并行输出各样本的矿化预测概率;
5、步骤s3、通过逻辑回归拟合各样本的矿化预测概率与矿化标签,得到全局线性判别系数向量,再构建空间自适应权重网络,获取动态权重向量,并结合全局线性判别系数向量与矿化预测概率,经加权融合得到集成矿化概率;
6、步骤s4、基于缺失掩码构造反事实完整输入,通过对比集成矿化概率与反事实矿化预测概率的差异计算缺失敏感度不确定性,并将其转换为可信度指标;
7、步骤s5、结合所述集成矿化概率与可信度指标,制定分级识别规则,完成含矿岩体的识别与风险分级。
8、作为一项优选的方案,所述多源数据预处理的过程为:对地球化学数据执行中心对数比变换消除闭合效应,对地球物理中的航磁数据执行分区磁场归一化并筛选符合铌钽矿含矿岩体特征的磁性异常,对地球物理中的重力数据执行布格地形校正,并按花岗岩体分布密集度分区采用不同网格进行克里金插值。
9、在多源数据预处理的过程中,地球化学数据通过中心对数比变换(clr),消除“闭合效应”,尤其是针对成分数据的变量总和定值特性,可去除元素间伪相关;航磁数据首先按构造单元划分子区域,通过分区磁场归一化,消除区域磁场基准差异,再分区磁场归一化;重力数据采用布格校正公式去除地形起伏对重力值的干扰,然后,按花岗岩体分布密集度将研究区划分为“高密集区”(花岗岩出露面积占比>30%)、“中密集区”(10%-30%)、“低密集区”(<10%),分别采用100m×100m、200m×200m和500m×500m网格进行克里金插值,确保插值结果适配不同区域的重力数据分布密度差异,避免因插值网格统一导致的分布信息丢失。综上,经过多源数据预处理后目标岩体内的数据样本为:,其中,表示第个样本的地学特征向量(包含多元素含量、氧化物指标及地球物理属性),为矿化标签,为样本的二维空间坐标。
10、各类原始观测数据受采集条件、地质背景与观测原理限制,普遍存在系统偏差、数值畸变和空间分布失衡。直接建模时,地球化学成分易产生虚假相关,航磁、重力数据因校正不足会混入基底磁场与地形噪声,叠加误差会扭曲地学特征,降低模型精度,导致含矿岩体识别不准、预测结果不可靠。
11、作为一项优选的方案,所述缺失掩码构建的过程为:对任一二维空间位置及任一特征维度,定义二值掩码,特征有效或插值可信时,特征缺失或插值不可靠时,将的特征值置0,掩码向量与连续特征向量拼接作为模型输入。
12、为显式刻画各空间位置不同特征维度的可靠性,本发明构建二值缺失掩码,将数据缺失状态作为额外输入传递给后续集成预测网络,避免模型将缺失误解释为真实低值异常;在数值表示上,对的特征维度,将对应特征值统一置为0,以保证输入张量维度一致性;同时,将掩码向量与连续特征向量拼接作为模型输入,使模型在学习异常判别规律的同时,能够显式感知数据可靠性与缺失模式差异,提升模型在空间覆盖不均、缺失机制复杂场景下的鲁棒性。
13、作为一项优选的方案,所述特征对齐的过程为:确定统一的投影坐标系、空间分辨率及网格体系为基准,对栅格型航磁、重力数据重采样对齐,对点状化探数据克里金插值至基准网格,并引入有效支撑约束,对插值不可靠的位置置0并标记对应掩码,实现多源特征空间坐标一致化。
14、为实现航磁、重力、化探等多源变量在同一建模框架中的联合学习,本发明以统一空间基准为参考,完成多源数据的空间特征对齐,使不同来源、不同空间支撑的数据具备一致的空间索引;经特征对齐后,研究区内每个样本位置均对应固定维度、语义一致的特征向量,实现多源特征在空间坐标上的完全对齐,同时将“缺失”与“不可靠估计”统一纳入掩码体系管理,避免空缺区引入不可控的插值噪声。
15、作为一项优选的方案,所述尺度归一化的过程为:采用min-max尺度归一化,仅基于训练集掩码的有效样本计算特征最小值与最大值,计算其特征值并映射至[0,1]区间,且将训练集估计的归一化参数统一应用于验证集、测试集及全区预测。
16、作为一项优选的方案,所述特征值的计算公式为:
17、式1:;
18、式1中,为归一化结果,为原始数据。
19、由于化探元素含量、航磁异常幅值、重力异常幅值存在显著量纲差异与分布差异,直接拼接会导致大尺度变量主导模型优化过程、掩盖弱信号特征,因此本发明对连续特征执行归一化处理,实现多源特征在数值空间的可比性。
20、作为一项优选的方案,所述矿化预测概率的获取过程为:
21、步骤s2-1、将标准化数据集输入地理加权回归模型中,通过局部加权最小二乘进行参数估计,基于预测点与样本点的欧氏距离构建核函数并赋予空间权重,采用自适应带宽并通过交叉验证选择最优带宽,输出每个位置的局部回归系数与地理加权回归的矿化预测概率;
22、步骤s2-2、将标准化数据集输入地理最优相似性模型中,通过协变量构造地理配置向量,计算待预测位置与样点的总体相似度,通过交叉验证确定最优相似性保留比例,筛选高相似样点并进行相似度加权平均,得到地理最优相似性的矿化预测概率;
23、步骤s2-3、将标准化数据集输入随机森林模型中,通过自助抽样与特征子空间随机选择构建t棵决策树,对各决策树的矿化概率预测结果取平均,再引入单变量逻辑校准函数进行后验概率校准,得到随机森林的矿化预测概率,再并输出和,得矿化预测概率。
24、本发明选取地理加权回归(gwr)、地理最优相似性(gos)、随机森林(rf)三类优势互补的模型作为基学习器,并行对标准化数据集进行矿化概率预测,三者分别从局部空间异质性、特征空间相似性、多源指标非线性关系三个维度提取矿化异常信息,实现信息互补补偿,即使单一模型因特征缺失导致性能受限,其他模型仍能通过优势维度弥补信息损耗。
25、作为一项优选的方案,所述全局线性判别系数向量的获取过程为:以标准化后的矿化预测概率为输入,以矿化标签为输出,拟合逻辑回归模型,得到全局线性判别系数向量。
26、作为一项优选的方案,所述空间自适应权重网络包括2个隐藏层和1个输出层。
27、作为一项优选的方案,所述动态权重向量的获取过程为:将空间距离矩阵为输入至空间自适应权重网络,隐藏层依次执行批归一化、线性映射、prelu激活操作,输出层为3维动态权重向量。
28、作为一项优选的方案,所述集成矿化概率的获取过程为:将矿化预测概率与动态权重向量逐元素相乘,再与全局线性判别系数向量矩阵乘法,最后通过sigmoid函数映射至[0,1]区间,其计算过程为:
29、式2:;
30、式3:;
31、式2和3中,为空间权重向量,为三类基学习器的预测结果,为全局线性判别系数向量,为集成预测结果。
32、本发明为了解决传统全局固定权重集成无法适配空间异质性的问题,构建空间感知集成权重网络(spiwn),综合利用预测点的空间支撑结构、基学习器响应差异及数据缺失程度,学习位置相关的动态权重,实现基学习器的空间异质集成,得到最终的集成矿化概率。
33、作为一项优选的方案,所述反事实完整输入的构造过程为:保持样本空间位置不变,将缺失掩码的特征维度通过克里金插值填补算子补全,并将补全后特征向量的掩码置为1;所述补全规则为:
34、式4:;
35、式4中,对任一缺失维度k,即,表示第个空间点位、第项特征缺失;为利用训练集已知数据,通过克里金插值算出空间位置处第维缺失特征的填充值,用于构造无缺失的反事实样本,产生补全值,为训练样本集合,为原可用特征值为为训练样本集合。
36、作为一项优选的方案,所述缺失敏感度不确定性为集成矿化概率与反事实矿化概率的绝对差值,取值范围为[0,1];所述可信度指标的转换过程公式为:
37、式5:;
38、式5中,为确实敏感度不确定性,为可信度指标,其值越接近1表示预测可信度越高。
39、作为一项优选的方案,所述含矿岩体的识别规则为:当矿化概率阈值、可信度阈值0.7时,划分为:当且时,判定为高可信度含矿岩体;当且时,判定为低可信度含矿岩体,需补充采样验证;当时,判定为不含矿岩体。该分级阈值基于矿区实测样本、模型auc达0.94的试验结果划定,通过缺失敏感度量化可信度,区分矿化潜力与数据缺陷带来的预测偏差,整体分级逻辑贴合铌钽稀有金属勘查实际。
40、本发明针对地学数据的系统性缺失问题,构建统一的不确定性量化与输出机制,以标准差形式表征预测不确定性,并转换为可信度指标,实现“矿化概率+可信度”的一体化表达,为高风险区域与外推区域的识别提供依据。
41、相较于现有技术,本发明所提供技术方案的有益技术效果为:
42、1)本发明所提供的识别方法通过多学习器模型对地学数据的差异分布协同互补,解决地学数据空间异质性与数据不完备导致的识别精度低、可靠性差的问题,并建立可信度评价体系,量化预测结果可靠性,同步输出含矿概率预测值与可信度评估报告,大幅提升含矿岩体识别工作的精准性与可信度;
43、2)本发明所提供的技术方案通过缺失掩码的构建,不仅避免了传统插值方法可能引入的统计假象,还保留了原始数据的拓扑结构,使得模型在数据质量参差不齐的区域依然能够保持稳定的预测性能,有效解决了地质数据中普遍存在的“闭合效应”和数据空缺问题;
44、3)本发明所提供的技术方案通过计算“集成矿化概率”与“反事实矿化预测概率”的差异构建了可信度评估体系,量化了预测的不确定性,并将其转化为直观的可信度指标,进而实现“矿化概率+可信度”的一体化表达,大幅提高含矿岩体的识别准确率。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com