一种基于地球物理数据使用堆叠法的三维地质建模方法

本发明涉及矿产资源勘测领域，更具体地说，属于一种基于地球物理数据使用堆叠法的三维地质建模方法。

背景技术：

近些年机器学习方法发展迅速，当模型的输入特征维度较高并且与岩性的映射关系为非线性的时候，机器学习算法比传统的地质统计学具有更好的预测效果。近些年来许多研究着重于将一些算法应用在三维地质建模的某个领域，如基于机器学习的钻孔数据隐式三维地质建模方法，基于机器学习与可靠度算法的围岩动态分级方法等。要使三维地质模型在输入变量较多的情况下相对准确，必须建立一种综合单个分类器的集成分类器来提高岩性分类的准确度，使用机器学习方法建立三维地质模型，以期减少工作量，提升模型准确率。

故本方法基于机器学习中的stacking模型，融合了rf,svm,gbdt,nn,xgboost等机器学习算法，基于原始的地质数据(三维坐标、岩性等)与地球物理数据(磁化率、剩余密度等)，训练出一个能够对研究区进行三维岩性分类的模型，以达到快速三维地质建模的目的。

技术实现要素：

针对现有应用及技术存在的不足，本发明提供了一种基于地球物理数据使用堆叠法的三维地质建模方法。该方法能够很好地解决传统方法中效率和模型准确性等问题。基于此方案，用户可以通过电脑编程输入程序，因此，用户可以放心的借助电脑终端进行同步操作，对于矿产资源勘查的准确性和效率提升问题具有十分重要的意义。

为实现上述目的，本发明提供了如下技术方案：

一种基于地球物理数据使用堆叠法的三维地质建模方法，处理方法包括：本方法包括stacking集成方法，所述stacking集成方法包括三维特征提取方法和数据预处理方法，其中所述三维特征提取方法包括三维钻孔模型，通过所述三维钻孔模型分析得到的岩性样本，在通过岩性样本分析的结果得出不同的岩石种类，在通过这些不同的岩石种类得出玄武岩、花岗岩或者其他的岩性，然后通过这些不同岩性分类组成三维密度模型和三维磁化率模型；所述数据预处理方法包括原始数据集，通过所述原始数据集得出标准化数据、处理数据类别不平衡和数据划分训练测试集，在通过所述所述原始数据集得出标准化数据、处理数据类别不平衡和数据划分训练测试集得出最终的数据集。

进一步的，通过所述三维密度模型和三维磁化率模型可以得出所述原始数据集。

进一步的，通过所述原始数据集分别得出svm、gbdt、nn、rf、xgboost,通过所述svm、gbdt、nn、rf、xgboost组成测试模型。

进一步的，所述测试模型包括测试集和训练集，所述测试集和训练集得出rf、svm、nn、rf、xgboost。

本发明的有益效果：

本发明通过一种基于地球物理数据使用堆叠法的三维地质建模方法解决了原有的地球物理数据勘探技术问题：

本方法基于机器学习中的stacking模型，融合了rf,svm,gbdt,nn,xgboost等机器学习算法，基于原始的地质数据(三维坐标、岩性等)与地球物理数据(磁化率、剩余密度等)，训练出一个能够对研究区进行三维岩性分类的模型，以达到快速三维地质建模的目的。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的技术流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如附图1所示的一种基于地球物理数据使用堆叠法的三维地质建模方法，处理方法包括：本方法包括stacking集成方法，所述stacking集成方法包括三维特征提取方法和数据预处理方法，其中所述三维特征提取方法包括三维钻孔模型，通过所述三维钻孔模型分析得到的岩性样本，在通过岩性样本分析的结果得出不同的岩石种类，在通过这些不同的岩石种类得出玄武岩、花岗岩或者其他的岩性，然后通过这些不同岩性分类组成三维密度模型和三维磁化率模型；所述数据预处理方法包括原始数据集，通过所述原始数据集得出标准化数据、处理数据类别不平衡和数据划分训练测试集，在通过所述所述原始数据集得出标准化数据、处理数据类别不平衡和数据划分训练测试集得出最终的数据集。

优选的，通过所述三维密度模型和三维磁化率模型可以得出所述原始数据集。

优选的，通过所述原始数据集分别得出svm、gbdt、nn、rf、xgboost,通过所述svm、gbdt、nn、rf、xgboost组成测试模型。

优选的，所述测试模型包括测试集和训练集，所述测试集和训练集得出rf、svm、nn、rf、xgboost。

优选的，最终的stacking集成学习器在测试集上的泛化效果总体上来说是优于其它五个子分类器的。其中五个子分类器中，支持向量机(svm)与神经网络(nn)性能比较差，神经网络在花岗岩、玄武岩与其它岩性上的f1分数分别为0.56、0.77与0.61。梯度提升树(gbdt)与xgboost在单分类器中泛化性能比较好，xgboost在花岗岩、玄武岩与其它岩性上的f1分数分别为0.80、0.89与0.83，而且在花岗岩与其它岩性类别上甚至优于stacking集成模型。对于花岗岩来说，stacking集成分类器的f1分数为0.80与梯度提升树(gbdt)和xgboost的分数相当，但是召回率达到了0.83；stacking集成学习器在花岗岩上的综合分数比较高，其中精确率、召回率与f1分数分别达到了0.85、0.96与0.90；在其它岩性类别上，stacking集成方法的精确率也达到了0.92。以上的几个性能指标综合反映了最终的集成模型取得了比单个分类器更好的泛化效果，并且在与成矿密切相关的花岗岩与玄武岩类别上的分类与预测效果最为理想。

本发明通过一种基于地球物理数据使用堆叠法的三维地质建模方法解决了原有的地球物理重数据勘探技术问题：

本方法包括stacking集成方法，所述stacking集成方法包括三维特征提取方法和数据预处理方法，其中所述三维特征提取方法包括三维钻孔模型，通过所述三维钻孔模型分析得到的岩性样本，在通过岩性样本分析的结果得出不同的岩石种类，在通过这些不同的岩石种类得出玄武岩、花岗岩或者其他的岩性，然后通过这些不同岩性分类组成三维密度模型和三维磁化率模型；所述数据预处理方法包括原始数据集，通过所述原始数据集得出标准化数据、处理数据类别不平衡和数据划分训练测试集，在通过所述所述原始数据集得出标准化数据、处理数据类别不平衡和数据划分训练测试集得出最终的数据集，通过所述三维密度模型和三维磁化率模型可以得出所述原始数据集，通过所述原始数据集分别得出svm、gbdt、nn、rf、xgboost,通过所述svm、gbdt、nn、rf、xgboost组成测试模型，进一步的，所述测试模型包括测试集和训练集，所述测试集和训练集得出rf、svm、nn、rf、xgboost。

最终的stacking集成学习器在测试集上的泛化效果总体上来说是优于其它五个子分类器的。其中五个子分类器中，支持向量机(svm)与神经网络(nn)性能比较差，神经网络在花岗岩、玄武岩与其它岩性上的f1分数分别为0.56、0.77与0.61。梯度提升树(gbdt)与xgboost在单分类器中泛化性能比较好，xgboost在花岗岩、玄武岩与其它岩性上的f1分数分别为0.80、0.89与0.83，而且在花岗岩与其它岩性类别上甚至优于stacking集成模型。对于花岗岩来说，stacking集成分类器的f1分数为0.80与梯度提升树(gbdt)和xgboost的分数相当，但是召回率达到了0.83；stacking集成学习器在花岗岩上的综合分数比较高，其中精确率、召回率与f1分数分别达到了0.85、0.96与0.90；在其它岩性类别上，stacking集成方法的精确率也达到了0.92。以上的几个性能指标综合反映了最终的集成模型取得了比单个分类器更好的泛化效果，并且在与成矿密切相关的花岗岩与玄武岩类别上的分类与预测效果最为理想。

在本发明创造的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本发明创造中的具体含义。

需要说明的是，在本文中，术语“上”、“下”、“内”、“外”“前端”、“后端”、“两端”、“一端”、“另一端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。