关键词:
单类支持向量机
人工蜂群优化
地球化学异常
受试者工作特征曲线
曲线下面积
约登指数
阿木辉伊勒特地区
内蒙古
摘要:
勘查地球化学是快速圈定区域找矿远景区最有效的方法之一。这种方法虽然能够快速圈定地球化学找矿远景区,却忽略了地球化学背景的空间变化性,存在遗漏弱缓地球化学异常。为在复杂地质环境下识别多元地球化学异常,笔者选择单类支持向量机模型进行研究。该方法可以在无需对数据分布做出任何假设的情况下进行高维异常检测。以阿木辉伊勒特地区为例,在1∶5万区域地质调查成果基础上,用Surfer软件对研究区水系沉积物数据中的11种地球化学元素数据进行网格化处理,以研究区已知矿点的空间位置为基础,生成网格化“地真”数据,统计检测每一种地球化学元素与已知矿点之间的空间关联性,把元素浓集作用与已知矿点存在显著关联性的元素作为找矿指示元素。在研究区共选出3种指示元素,将3种指示元素的网格化数据作为单类支持向量机的输入数据,进行多元地球化学异常识别研究。用试错法和人工蜂群优化算法对模型进行优化,获得2种模型的输出结果,结合“地真”数据,绘制试错法和人工蜂群优化算法优化后模型的受试者工作特征曲线(ROC),并计算相应的曲线下面积(AUC)值。结果显示,试错法优化的模型AUC值为0.8796,而人工蜂群算法优化的模型AUC值为0.8978。同时,2种模型识别的异常网格数量占比分别为27.14%和23.65%。表明在异常检测任务中,人工蜂群算法优化的模型性能略优于试错法优化的模型。基于人工蜂群算法优化的单类支持向量机能够更加有效地识别异常数据点,提升整体模型的准确性。