(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111529555.1 (22)申请日 2021.12.14 (71)申请人 自然资源部第二海 洋研究所 地址 310012 浙江省杭州市西湖区保俶北 路36号 (72)发明人 陶春辉　刘露诗　廖时理　苏程　 黄南　徐星　李伟　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 代理人 万尾甜　韩介梅 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/02(2012.01) G06K 9/62(2022.01) G06N 20/10(2019.01) (54)发明名称 一种基于机器学习的海底硫化物成矿定量 预测方法 (57)摘要 本发明公开了一种基于机器学习的海底硫 化物成矿定量预测方法。 该方法首先确定海底硫 化物找矿指标， 根据找矿指标构建空间数据集， 随后建立机器学习模型， 利用模糊算子将随机森 林与孤立森林两种机器学习模型的预测结果相 结合， 最终圈定成矿远景区。 与传统的统计技术 和经验探索模 型相比， 本发明方法适用于小样本 数据的同时能充分利用特征变量中的成矿信息， 是一种适用于海底硫化物的成矿定量预测方法。 权利要求书2页 说明书7页 附图2页 CN 114330841 A 2022.04.12 CN 114330841 A 1.一种基于 机器学习的海底硫化物成矿定量预测方法， 其特 征在于， 包括如下步骤： 步骤1： 从地形、 地质、 水体三个方面确定海底硫化物 找矿指标； 步骤2： 构建空间数据集： 包括研究区划分、 目标变量与特 征变量的建立； 具体为： 步骤2.1： 使用网格对研究区进行划分； 步骤2.2： 目标变量为二分类变量， 由1和0分别表示矿区和非矿区； 训练集中使用已知 热液区所 处的单元格作为矿区； 选择非矿区时， 首先利用证据权重 法圈定非远景区， 随后在 非远景区内根据成矿 预测中非矿区的选取准则进行选取； 验证集中将 MSI＜0.3区域对应的 单元格作为矿区， 非矿区的选取 方法与训练集相同； 步骤2.3： 根据步骤1中找矿指标生成特 征变量； 步骤3： 构建随机森林与孤立森林模型， 基于步骤2构建的空间数据集进行训练确定模 型参数； 利用模糊逻辑原理中的模糊算子整合随机森林与孤立森林模型的成矿预测结果； 步骤4： 对基于步骤3结果得到的海底硫化物成矿潜力图进行远景区圈定； 根据成矿概 率绘制捕获率曲线， 曲线的横坐标为大于成矿概率阈值时单元格面积占研究区面积的比 例， 纵坐标为大于成矿概率阈值时所含热液区数占总 热液区数的比例， 选取捕获率 曲线纵 坐标大于60％的第一个拐点所对应的成矿潜力值作为划分远景区与非远景区的阈值， 成矿 概率大于阈值的单 元格即为成矿远景区。 2.根据权利要求1所述的一种基于机器学习的海底硫化物成矿定量预测方法， 其特征 在于， 步骤2.2中成矿预测中非矿区的选取准则为： (1)非矿区的数量应等于矿区的数量； (2)非矿区应远离已知热液区， 确定 “远离”的方法如下： 统计所有热液区中的每个热液 区与最邻近热液区的距离； 将以上邻近距离从大到小排序并绘制 散点图， 剔除异常大值后 选择最大邻近距离作为 非矿区“远离”已知热液区的阈值， 非矿区与已知热液区的间距大于 阈值时视为非矿区 “远离”已知热液区； (3)非矿区的位置在空间上是随机的； 先利用蒙特卡洛法， 在满足(1)(2)的条件下生成 10组随机分布的非矿区； 之后通过最近邻分析对10组非矿区的位置进行随机性评估， 将邻 近比(ANN)最接近1的一组选取为非矿区。 3.根据权利要求2所述的一种基于机器学习的海底硫化物成矿定量预测方法， 其特征 在于， 利用最邻近分析进行随机性评估的方法如下， 1)计算观测平均距离： 测量每 个点与其 最近点之间的距离， 并计算 这些距离的均值， 其中di是第i个点与其 最近点之间的距离； n表示研究区内的点数； 2)计算预期平均距离： 假设研究区内的所有点是随机分布的， 那么这些点平铺于整个 研究区的预期平均距离是, 其中A表示研究区面积； 3)计算邻近比(AN N)，权　利　要　求　书 1/2 页 2 CN 114330841 A 2ANN值越接近1， 表示 点的空间分布越趋 于随机。 4.根据权利要求1所述的一种基于机器学习的海底硫化物成矿定量预测方法， 其特征 在于， 步骤3中利用模糊算子将随机森林模型与孤立森林模型的预测结果进行整合， 由于基 于随机森林与孤立森林模型的预测结果在0 ‑1之间， 因此整合前 无需进行归一 化， 具体为： μC＝[1‑(1‑μA)(1‑μB)]γ×[ μAμB]1‑γ μA， μB分别为基于随机森林模型与孤立森林模型预测的成矿潜力值， μC是整合后的最终 结果， γ为γ算子的取值， 0 ≤γ≤1。 5.根据权利要求1所述的一种基于机器学习的海底硫化物成矿定量预测方法， 其特征 在于， 步骤3中， 确定γ算子取值的方法为： 根据不同γ值生 成的预测结果绘制预测区域(P ‑ A)图， P‑A图中有两条曲线， 分别为大于某预测值时所包含的已知矿点百分比， 即预测率曲 线； 以及大于该预测 值时所占研究区面积百分比曲线， 两条曲线的交点是评价预测结果优 劣的标准， 交点出现在P ‑A图中的位置越高， 表明在相对较小的预测区域包含的已知热液区 越多， 则选取的γ算子越可靠， 因此选择P ‑A图交点最高时的γ值为最佳γ算子， 预测结果 为最终成矿潜力图。权　利　要　求　书 2/2 页 3 CN 114330841 A 3