基于GEOROC数据库的全球辉长岩大数据的大地构造环境智能判别研究

被引：38

作者：

焦守涛 ^{[1
,2
,3
]}

周永章 ^{[1
,2
,3
]}

张旗 ^{[4
]}

金维浚 ^{[4
]}

刘艳鹏 ^{[1
,2
,3
]}

王俊 ^{[1
,2
,3
]}

机构：

[1] 中山大学地球环境与地球资源研究中心

[2] 中山大学地球科学与工程学院

[3] 广东省地质过程与矿产资源探查重点实验室

[4] 中国科学院地质与地球物理研究所

来源：

岩石学报 | 2018年 / 34卷 / 11期

基金：

国家重点研发计划;

关键词：

辉长岩; 机器学习; 大数据挖掘; 支持向量机; 随机森林; GEOROC; Python;

D O I：

暂无

中图分类号：

P541 [地球动力学与大地构造理论]; TP311.13 [];

学科分类号：

070904 [构造地质学];

摘要：

辉长岩是化学成分与玄武岩类似的侵入岩,前人认为它的形成过程太复杂,对应的岩浆可能经过了分离结晶作用、混染作用等,不能用Pearce判别图来判断岩浆岩形成的构造环境。本文利用GEOROC数据库的资料对辉长岩进行大数据挖掘。首先根据前人成果,将GEOROC数据库的辉长岩形成的大地构造环境分为大陆玄武岩环境、汇聚边界环境、板内火山岩环境和大洋岛弧玄武岩环境等4类;然后在数据清洗基础上,利用Python语言,依托sklearn库,实现支持向量机、K近邻和随机森林等3种机器学习算法,获得3种对应的分类器结果输出。对辉长岩的构造环境进行智能判别结果显示,随机森林方法效果最好,判断准确率可达97%,利用辉长岩的地球化学大数据来判断岩浆岩的构造环境是完全可行的。

引用

页码：3189 / 3194

页数：6

共 29 条

[1]

Geochemical Discrimination and Characteristics of Magmatic Tectonic Settings: A Machine-Learning-Based Approach [J].

Ueki, Kenta ;

Hino, Hideitsu ;

Kuwatani, Tatsu .

GEOCHEMISTRY GEOPHYSICS GEOSYSTEMS, 2018, 19 (04) :1327-1347

[2]

Solving petrological problems through machine learning: the study case of tectonic discrimination using geochemical and isotopic data [J].

Petrelli, Maurizio ;

Perugini, Diego .

CONTRIBUTIONS TO MINERALOGY AND PETROLOGY, 2016, 171 (10)

[3]

Random forest in remote sensing: A review of applications and future directions.[J].Mariana Belgiu;Lucian Drăguţ.ISPRS Journal of Photogrammetry and Remote Sensing.2016,

[4]

Trace element indiscrimination diagrams.[J].Chusi Li;Nicholas T. Arndt;Qingyan Tang;Edward M. Ripley.LITHOS.2015,

[5]

The upside of uncertainty: Identification of lithology contact zones from airborne geophysics and satellite data using random forests and support vector machines [J].