一种基于机器学习和深穿透地球化学的隐伏锂矿预测方法

著录项目

摘要

本发明公开了一种基于机器学习和深穿透地球化学的隐伏锂矿预测方法，属于人工智能与矿产勘查交叉技术领域。该方法首先基于激电中梯视电阻率等值线图圈定三级成矿潜力靶区作为地气采样目标区；采用深穿透地球化学采样技术采集样品并测定其中元素含量。基于元素含量构建由基模型–半监督学习–主动学习组成的BSA工作流，设计6种特征构建方案进行系统对比，根据主动学习筛选高信息量候选样品开展野外验证。模型鲁棒性通过Transductive评估指标进行综合评价；最后通过SHAP与排列重要性联合框架解释特征贡献。本发明有效解决了隐伏锂矿预测中样本量小、类别不平衡、地质可解释性差、成本高的难题，可显著提升隐伏锂矿的预测精度与野外验证效率。

附图

附图 1