קידום חיזוי גיאוכימי מצונזר של Au באמצעות מודלים מרחביים בייסיאניים ו-Random Forest עם הפרדת רקע מבוססת פרקטל

מדוע זנבות קטנות של זהב חשובות

כאשר גיאולוגים מחפשים מוקדי זהב חדשים, הם לעתים קרובות עובדים עם דגימות קרקע המכילות רק כמה חלקים למיליארד של המתכת היקרה. ערכים נמוכים אלה קרובים מאוד לגבולות הגילוי של כלי המעבדה, כך שתוצאות רבות חוזרות פשוט כ"מתחת לגילוי". אם מטפלים בזנבות אלה בצורה לקויה, אזורים מינרליים מבטיחים עלולים להישמט או להמפה בצורה לא מדויקת. המחקר הזה מציג דרך חכמה יותר לשחזר מידע מאותן תצפיות מצונזרות, שעוזרת לחוקרים לזהות דפוסים תת-קרקעיים בבירור רב יותר מתוך נתונים מוגבלים ורועשים.

אותות מסתתרים במדידות בלתי-מושלמות

כימיה של קרקע וסלעים היא כלי מרכזי בחיפוש מינרלים מכיוון ששינויים כימיים זעירים יכולים להעיד על גופי עפרה קבורים. אבל כלים לא יכולים למדוד כמויות זעירות ללא גבול. עבור הזהב במחקר זה, כל דגימה מתחת לכמה חלקים למיליארד טופלה כמצונזרת: המעבדה יכלה לומר רק שהערך האמיתי נמצא מתחת לסף הזה. פתרונות מהירים נפוצים פשוט מחליפים את כל התוצאות הללו במספר קבוע, כמו חצי מגבול הגילוי. קל ונוח, אבל פרקטיקה זו משפילה את השונות הטבעית, מטשטשת אנומליות עדינות ומעוותת את הקשר של הזהב לאלמנטים אחרים כמו נחושת. המחברים טוענים שכדי לקרוא באמת את טביעות האצבע הכימיות של הארץ, עלינו לשמר את חוסר הוודאות בערכים הנמוכים במקום להחליף אותה.

ממפת גאולוגיה לרקע נקי יותר

המחקר מתמקד בפוטנציאל נחושת–זהב באזור דאלי הצפוני במרכז איראן, שם נאספו 165 דגימות קרקע ברשת צפופה מעל מערכת פורפירית ידועה. הזהב נמדד יחד עם 29 אלמנטים נוספים, ו-14 דגימות נפלו מתחת לגבול גילוי מוערך של 5 חלקים למיליארד. במקום להזין את כל הנתונים ישירות למודל, הצוות השתמש תחילה בשיטת ריכוז–מספר פרקטלית כדי להפריד ערכי רקע מאנומליות חזקות יותר. באמצעות ניתוח כיצד מספר הדגימות משתנה עם עליית ריכוז הזהב על גרף לוג–לוג, הם זיהו ספים שמחלקים רקע, אנומליות חלשות ואנומליות חזקות. רק אוכלוסיית הרקע — כולל הערכים המצונזרים — שימשה לבניית מודלי החיזוי, צעד שהפחית את הסיכון שמספר קטן של דגימות בעלות ערכים גבוהים ישלטו בלמידה.

מפת הסתברות מונחית על ידי נחושת

כדי לאמוד את התוכן האמיתי של הזהב בדגימות המצונזרות, המחברים השתמשו אחר כך במודל שדה אקראי גאוסיאני בייסיאני, גישה מרחבית הסתברותית. מודל זה מטפל בריכוז הזהב כשדה המשתנה באופן חלק על פני המפה, המושפע הן מהמיקום והן מתוכן הנחושת, הקשור בחוזקה לזהב בהקשר פורפירי זה. במקום לנחש מספר יחיד לכל נקודה מצונזרת, המודל מייצר עקומת צפיפות הסתברותית שמכבדת את העובדה שהערך האמיתי חייב להיות מתחת לגבול הגילוי. התוצאה היא סט של הערכות מיטביות וטווחי אי-ודאות ל-14 הדגימות המצונזרות, התואמות למדידות הסמוכות ולשילוב הזהב–נחושת הנצפה בסלעים.

למידת מכונה מכוונת איפה שזה הכי חשוב

ההערכות ההסתברותיות הללו הוזנו לאחר מכן למודל Random Forest, שיטת למידת מכונה שמאגדת עצי החלטה רבים. המודל משתמש בזהב, נחושת, ברזל, ניקל, טיטניום ובורון מאוכלוסיית הרקע כדי ללמוד דפוסים, עם חציית-ולידציה מוקפדת כך שכל דגימה נבחנת רק מול מודלים שלא ראו אותה מראש. תחזיות ראשוניות נטו עדיין להיות מעט גבוהות מדי בקרבת גבול הגילוי, בעיה נפוצה כאשר יש מעט ערכים נמוכים מאוד. כדי לתקן זאת, המחברים ביצעו כיוונון ממוקד שהתמקד במפורש בטווח 5–8 חלקים למיליארד ואז יישמו שלב קנה מידה פשוט כדי להבטיח שהתחזיות המתוקנות יישארו בטווחים פיזיקליים הגיוניים. שרשרת שלושה השלבים הזו — הפרדה פרקטלית, אומדן מרחבי בייסיאני ו-Random Forest מכויל — הניבה תחזיות שהסתדרו טוב יותר עם ערכי הזהב הנמוכים בפועל בהשוואה לגישות סטנדרטיות.

משתפר על קיצורי הדרך הישנים

המחקר השווה את המסגרת החדשה מול Random Forest בסיסי ושני כללי החלפה קלאסיים שמחליפים תוצאות מצונזרות עם שברים קבועים של גבול הגילוי. על פני מספר מדדי שגיאה, המודל ההיברידי המכויל והממוקנן היה המדויק ביותר והפחות מוטה, במיוחד עבור דגימות הקרובות לגבול הגילוי שבהן טעויות מזעריות חשובות ביותר. הוא גם שמר על שונות מציאותית ושמר על יחסים סבירים בין זהב לנחושת, בעוד שהחלפת כל הערכים המצונזרים בקבוע אחד הרסה מבנה זה. בחלק מהדגימות המצונזרות בטווח הגבוה יותר, השגיאה היחסית של השיטה החדשה הייתה נמוכה במאות מונים מאשר בהחלפות המסורתיות.

תמונות כימיות ברורות יותר לחקירה

ללא צורך במומחיות מיוחדת, המסקנה היא שהאופן שבו אנו מטפלים בערכי "מתחת לגילוי" בנתונים גיאוכימיים יכול להכריע את סיכויי החיפוש אחר מוקדי מינרלים חדשים. במקום למחוק אי-וודאות עם החלפות גסות, עבודה זו מראה ששילוב של מידול מרחבי הסתברותי, למידת מכונה וכיול פשוט יכול להשיב הרבה מהמ資訊 החבוי במדידות ברמות נמוכות. התוצאה היא מפות נקיות יותר של דפוסי זהב עדינים, זיהוי אנומליות אמין יותר ולבסוף סיכוי טוב יותר למצוא גופי עפרה באמצעות פחות קידוחים ונתונים ישירים יותר.

ציטוט: Mahdiyanfar, H. Advancing censored geochemical Au prediction through Bayesian spatial models and Random Forest with fractal-based background separation. Sci Rep 16, 4763 (2026). https://doi.org/10.1038/s41598-026-34999-4

מילות מפתח: חיפוש גיאוכימי, נתונים מצונזרים, אנומליות זהב, מידול מרחבי בייסיאני, למידת מכונה בגיאולוגיה