フラクタルに基づく背景分離を用いたベイズ空間モデルとランダムフォレストによる検出下ジオケミカルAu予測の進展

ごく微量の金が重要な理由

新しい金鉱床を探す地質学者は、しばしば土壌サンプル中に数十億分の数単位しか含まれない金と向き合います。これらの超低濃度値は試験室機器の検出限界に極めて近く、多くの測定が単に「検出下」として報告されます。こうしたほとんど見えない痕跡を適切に扱わないと、有望な鉱化域が見逃されたり、誤った地図化が行われたりします。本研究は、そうした打ち切られた値から情報を賢く取り戻す方法を示し、限られたノイズの多いデータから地下構造のより明確なパターンを引き出す手助けをします。

不完全な測定に潜む信号

土壌や岩石の化学組成は、埋没した鉱床を示す小さな化学変化を捉えられるため、鉱物探査の重要な手段です。しかし、機器は無限に小さい量を測定できるわけではありません。本研究では、金が数十億分の数以下であるサンプルは検出下として扱われ、真の値がその上限未満のどこかにあるとしか言えません。よくある手早い対処法は、これらすべての結果を検出限界の半分のような定数で置き換えることですが、便利である一方で自然な変動を平坦化し、微妙な異常をぼかし、金と銅など他元素との関係を歪めます。著者らは、地球の化学的指紋を正確に読むには、低濃度値の不確実性を上書きするのではなく保持すべきだと主張します。

地質図からよりクリーンな背景へ

研究はイラン中央部のNorthern Dalli地域にある銅–金有望地を対象とし、既知のポーフィリー系を覆う緻密なグリッド上で165の土壌サンプルを採取しました。金は他の29元素とともに測定され、14検体が仮定された検出限界である5パーツ・パー・ビリオン未満でした。すべてのデータをそのままモデルに投入する代わりに、チームはまず「フラクタル」濃度–個数法を用いて背景値と強い異常を分離しました。濃度増加に伴うサンプル数の変化を対数–対数プロットで解析することで、背景、弱い異常、強い異常を区分する閾値を特定しました。検出下を含む背景母集団のみを予測モデル構築に用いることで、数個の高品位サンプルが学習を支配するリスクを低減しています。

銅に導かれた確率的地図

検出下サンプルの真の金含有量を推定するために、著者らはベイズ的なガウス確率場モデルを適用しました。これは確率的な空間アプローチで、地図上で金濃度を位置と、ポーフィリー環境で金と強く結びつく銅含有量の影響を受ける滑らかに変動する場として扱います。各検出下点に単一の推定値を当てはめる代わりに、モデルは真の値が検出限界未満にあるという事実を尊重する完全な確率分布を生成します。その結果、14の検出下サンプルに対して、近傍の測定値や岩石中に観察される金–銅の関係と整合する最良推定値と不確実性の範囲が得られます。

重要な部分に調整を入れた機械学習

これらの確率的推定値は次にランダムフォレストモデルに入力されます。ランダムフォレストは多数の決定木を組み合わせる機械学習手法です。モデルは背景母集団からの金、銅、鉄、ニッケル、チタン、ホウ素を使ってパターンを学習し、各サンプルがそれを見ていないモデルでのみ検証されるよう厳格な交差検証を行います。初期の予測は依然として検出限界付近でやや高めに出る傾向があり、非常に低い値が少ない場合によく見られる問題です。これを是正するため、著者らは特に5–8パーツ・パー・ビリオンの範囲に焦点を当てたターゲット較正を行い、さらに調整後の予測が物理的に意味のある範囲内に収まるよう単純なスケーリング処理を適用しました。この三段階の連鎖—フラクタル分離、ベイズ的空間推定、較正済みランダムフォレスト—は、標準的手法よりも実際の低濃度金値に格段に合致する予測を生み出しました。

旧来の近道を上回る成果

本研究は、新しいフレームワークを基本的なランダムフォレストと、検出下結果を検出限界の一定分数で置き換える2つの古典的な代入ルールと比較しました。いくつかの誤差指標にわたり、較正・スケーリングされたハイブリッドモデルは最も精度が高く、特に検出限界付近で誤差が最も問題となるサンプルに対して偏りが最小でした。また、単一定数で検出下値を代替すると破壊されてしまう金と銅の現実的な変動や関係性を保持しました。より高めの検出下サンプルでは、新手法の相対誤差が従来の代入法に比べて数百倍小さい場合もありました。

探査のためのより明瞭な化学像

専門外の読者への要点は、地球化学データの「検出下」値をどう扱うかが新規鉱床探査の成功を左右しうるということです。粗雑な置換で不確実性を消すのではなく、確率的空間モデリング、機械学習、簡潔な較正を組み合わせることで、低レベル測定に埋もれた多くの情報を取り戻せることを本研究は示しています。その結果、微妙な金のパターンをよりクリーンに描く地図、より信頼できる異常検出、そして最終的にはより少ない掘削で正直なデータに基づく鉱床発見の可能性が高まります。

引用: 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

キーワード: 地球化学的探査, 検出限界で打ち切られたデータ, 金の異常値, ベイズ空間モデリング, 地質学における機械学習