基于水系沉积物地球化学采样的地形加权图卷积网络基岩填图方法

为了探索高效的第四系覆盖及露头较少区域的基岩智能填图方法,应用图卷积网络(GCN)对青海省察汗乌苏河地区水系沉积物地球化学采样的下伏基岩进行分类。基于Delaunay三角化采样点被组织为一个地形加权的有向图来表达水系沉积物地球化学采样点之间的河流上下游关系。实验结果表明:半监督的GCN模型仅使用了20%的采样点标签,分类精度达到68.20%(10类基岩)和78.31%(5类基岩)。该方法能有效利用水系沉积物地球化学采样中的元素含量进行基岩填图,且能提高基岩填图的效率并能进行大面积应用。

基于机器学习的地球化学采样下伏基岩类型判别-以青海省察汗乌苏河地区为例

基岩类型的判别是地质调查中十分重要的内容,也是开展油气勘探和矿产勘探的重要基础工作。本文采用决策树、随机森林、XGBoost、LightGBM四种机器学习的方法,实现了基于地球化学采样数据的基岩类型判别。以15种地球化学元素含量及其局部空间自相关莫兰指数和地形因子为特征,训练了不同的分类模型,通过10折交叉验证对模型做出了验证与评价。结果表明,集成学习算法的分类效果优于决策树,其中XGBoost和LightGBM表现最好,对复杂的高维空间数据和不平衡数据有较强的处理能力。此外,本文通过构建的分类模型成功地实现了对第四系沉积物下伏基岩类型的预测,Voronoi图可视化结果表明,预测基岩类型与其周围真实基岩类型基本吻合,能初步划出基岩类型的分界线。因此,利用地球化学采样数据来判别其下伏基岩类型是可行的。