-
题名基于机器学习的深海多金属结核成因分类
被引量：2
- 1
-
-
作者
尹浩文
成秋明
-
机构
中山大学地球科学与工程学院
中国地质大学地质过程与矿产资源国家重点实验室
中国地质大学教育部深时数字地球前沿科学中心
-
出处
《科学技术与工程》
北大核心
2024年第25期10605-10619,共15页
-
基金
大数据-数学地球科学创新研发团队和极端地质事件团队项目(2021ZT09H399)。
-
文摘
铁锰结核广泛分布于深海平原,储量巨大,具有商业开采潜力。利用1128个铁锰结核样本的地球化学数据和8种地质与海洋要素,采用随机森林机器学习方法,探讨结核成因分类。首先,基于Mn、Fe、Cu、Co、Ni、Mn/Fe和Fe/Co地球化学数据使用高斯混合模型聚类方法对1128个样本进行成因分类,并作为训练数据。其次,基于海底沉积速率、海水底部溶氧量和海水表面生物初级生产力等地质-海洋特征建立预测模型,将结核划分为水成型、成岩型和混合型,结果显示,模型对水成型和成岩型结核的分类精度分别为91%和66%,对混合型的分类精度较低,仅为23%。应用该模型对全球4119个铁锰结核进行成因分类,结果表明,水成型结核占71.8%,混合型占21.8%,成岩型占6.2%。水成型结核广泛分布于各大洋,而成岩型和混合型则集中在大洋中纬度地区,如东太平洋的克拉里昂-克里帕顿断裂带和东南太平洋的秘鲁海盆等。这些地区的沉积物速率、海底生物量和含氧量显著影响结核分布。尽管基于地球化学数据的分类方法更可靠,研究表明,利用地质和海洋要素及机器学习方法也可有效分类。
-
关键词
海洋矿产资源
铁锰结核
成因分类
空间分布
机器学习
-
Keywords
marine mineral resources
iron-manganese nodules
genetic classification
spatial distribution
machine learning
-
分类号
P744
[天文地球—海洋科学]
-
