矿产预测中的成矿因子选择方法：以滇东南金矿预测为例精选.pdf

浙 江 大 学 学 报 (理学版 ) 第 38卷第 3期 JournalofZhejiangUniversity(ScienceEdition) http |} ．journals．zju．educn／sci VMoI_38No．3 2011年 5月 ay 2011 DOI：10．3785／j．issn．1008—9497．2011．03．023 矿产预测中的成矿因子选择方法：以滇东南金矿预测为例 俞 乐 柏 坚 ，张汉奎 (1．浙江大学 地球科学系，浙江 杭州 310027；2．清华大学 地球系统科学研究中心，北京 100084； 3．中国地质大学 地球科学与资源学 院，北京 100083；4．云南省地矿局 ，云南 昆明 650011) 摘 要 ：由于矿产地质信息的复杂性和不确定性 ，难 以建立精确的数学模 型来确定矿产资源的分布状况．非 线性 分 析建模技术，如人工神经网络 (ArtificialNeuralNetwork，ANN)、支持向量机 (SupportVectorMachine，SVM)等 ， 给矿产预测工作提供 了新 的途径．这 类方 法在处理数据 时可 以避 免数据 分析和 建模 的 困难 ，即不 须理解各种成矿 因子与矿床 (点)之 间的相 互关 系，只须选择 已知的矿床 (点)和非矿 产 (点)，进 行 “黑箱”学 习．虽然 经过 合理的训 练，这类方法能够得到较高的预测精度 ，但 由于其分类过程的非线性特性，难 以获得容易理解的分类规则，提供成 矿因子的知识．本文采用基 于SVM 的迭代特征消去 (RecursiveFeatureElimination，RFE)技 术 (SVM—RFE)，即在 SVM模 型的训练过程 中，采用RFE特征选择方法 ，从所有输入 的成矿 因子 中选择 出对矿床 (点)能正确预测 的重 要 因子 ，以提供对输入模 型的成矿 因子的客观评价．通过对滇 东南地 区金矿预测的实践表 明，采用 SVM—RFE技术 从原始 10类成矿 因子 中自动选择 6类进行预测的精度从 68．42 提 高到 94．74 ，并且得 到该 区域进行矿 产预 测 的成矿因子重要性依次是 ：Au异常 、As异常 、侵入岩 下三叠统与 中三叠统之 间的平行不整合面、上二叠统与三叠 系的平行不整合面、断裂交汇点密度 、石炭系和下二叠统 间的平行不整合面、中上泥盆统和石炭系间的平行不整合 面、Sb异常和 Hg异常，从 中选取前 6类成矿 因子进行 SVM 训练得到的预测精度最高．这一结论可为在该 区域进 行矿产预测的资料选取 ，以及对成矿 因子 的理解提供支持 ． 关 键 词 ：特征选择 ；支持 向量机 ；迭代特征 消去 ；金矿 ；滇东南 中图分类号：P628 文献标志码 ：A 文章编号 ：1008—9497(2011)03348—06 YU Le ，BAIJian ，ZHANG Hankui(1．Department0_，EarthSciences，ZhejiangUniversity，Hangzhou 310027，China；2．CenterforEarthSystem Science，TsinghuaUniversity，Beijing100084，China；3．Schoolof GeoscienceandResources，ChinaUniversityofGeoscience，Beijing100083，China；4．YunnanBureauoJGeology andM ineralResources，Kunming650011，China) Featureselectionapproach inmineralprosp