混合哈里斯猎优化随机森林模型用于检测与矿物化相关的多元地质化学异常

科学领域:

• 地质科学是地球科学.
• 机器学习 机器学习
• 地质化学 地质化学

背景情况:

• 在矿产勘探中,识别矿石矿床的地化学异常至关重要,但具有挑战性.
• 先进的机器学习 (AML) 算法用于多元地化学异常检测,但它们的性能严重依赖于超参数调整.
• 手动超参数调整是耗时的,并且经常产生不可靠的结果.

研究的目的:

• 应用AML模型来优化超参数,以改善地化学异常识别.
• 为了减轻在识别多元地质化学异常时的偏差和不确定性.
• 评估哈里斯·霍克斯优化 (HHO) 算法的有效性,以调整用于矿产勘探的随机森林 (RF) 超参数.

主要方法:

• 使用哈里斯·霍克斯优化 (HHO) 算法来优化随机森林 (RF) 方法的超参数.
• 应用了优化的HHO-RF模型来检测伊朗东北方费扎巴德地区的多元素地质化学异常.
• 将HHO-RF模型的性能与标准RF方法进行比较.

主要成果:

• 哈里斯·霍克斯优化随机森林 (HHORF) 模型成功地确定了研究区域30%内的86.53%的矿物化事件.
• 标准的随机森林 (RF) 方法在同一区域内确定了80.14%的矿物化事件.
• HHORF模型展示了一个更有活力和更准确的程序来识别多元素地质化学异常.

结论:

• 在矿产勘探中,HHO算法有效地优化射频超参数,以增强地化学异常检测.
• HHORF模型提供了一种强大而高效的方法来识别矿化事件,减少不确定性和偏差.
• 这种优化的方法显著提高了地化学异常识别的可靠性,用于矿石矿床的识别.