基于kriging的多重演化建模技术识别区域化探异常

地球化学异常是找矿的重要依据，观测数据中既含有矿化异常，又含有各种级别的背景异常，埋深、覆盖造成成矿信息低缓微弱，因此异常识别是资源定量预测与评价的重大难题。地球化学场集结构性和随机性于一体，本研究利用非线性基因表达式编程（GEP）演化建模方法在复杂数据建模方面的优势，提出GEP建模与空间结构分析有效结合的空间变异研究思路。为充分利用数据的空间结构特征。根据实验变差函数合理选择样品的邻域及数据构形，增强数据局部结构信息，通过基于kriging的GEP空间插值技术模拟数据的空间分布特征，采用多重演化建模技术修正预测模型，提高复杂数据建模精度，强化局部区域的估值结果，建立化探异常圈定的数学模型。通过GEP模式识别分析元素组合特征提取低缓异常，并且三维成图实现局部异常的空间定位。该研究充分利用空间结构、尺度变化信息，在保持单一模型优势的基础上实现功能互补，为有效圈定致矿异常提供新的解决途径。

课题组通过区域化探元素的空间分布特征研究区分局部异常。空间异常是结构性和随机性共同作用的结果，课题组利用非线性基因表达式编程在复杂数据建模方面的优势，提出 GEP演化建模与空间结构分析结合的空间异常研究思路。为充分利用数据的空间结构特征，课题组采用实验变差函数合理选择样品的邻域及数据构形，通过基于kriging的 GEP 空间建模模拟数据的空间分布特征，增强数据局部结构信息。为提高复杂数据建模精度，课题组采用多重演化建模技术修正模型，强化局部区域的估值结果，较好地模拟了区域化探数据的非线性分布趋势区分元素背景和异常，并通过并行GEP演化建模技术减少建模时间。课题组将流行学习引入元素组合异常模式挖掘中，在非线性降维的同时保持样本空间的分布特性。该研究充分利用空间结构信息，在保持单一模型优势基础上实现功能互补，为有效圈定致矿异常提供新的解决途径。