Verbetering van gecensureerde geochemische Au-voorspelling door Bayesiaanse ruimtelijke modellen en Random Forest met fractal-gebaseerde achtergrondscheiding

Waarom minuscule sporen goud ertoe doen

Wanneer geologen op zoek gaan naar nieuwe goudvoorraden, werken ze vaak met bodemmonsters die slechts enkele delen per miljard van het edelmetaal bevatten. Die ultralage waarden liggen zo dicht bij de detectielimieten van laboratoriuminstrumenten dat veel metingen simpelweg als “onder detectie” terugkomen. Als met deze bijna onzichtbare sporen slordig wordt omgegaan, kunnen veelbelovende mineralenzones worden gemist of onjuist worden afgebeeld. Deze studie introduceert een slimmer manier om informatie uit die gecensureerde waarden terug te winnen, waardoor onderzoekers helderdere patronen in de ondergrond kunnen zien uit beperkte en rumoerige data.

Verborgen signalen in onvolmaakte metingen

Bodem- en gesteentekunde chemie is een belangrijk instrument voor mineralenexploratie omdat kleine chemische veranderingen op begraven ertslagen kunnen wijzen. Maar instrumenten kunnen geen oneindig kleine hoeveelheden meten. Voor goud in deze studie werd elk monster onder enkele delen per miljard als gecensureerd beschouwd: het lab kon alleen zeggen dat de werkelijke waarde ergens onder die grens lag. Veelgebruikte snelle oplossingen vervangen al dergelijke resultaten simpelweg door een constante waarde, zoals de helft van de detectielimiet. Hoewel dat praktisch is, effent deze werkwijze de natuurlijke variatie, vervaagt subtiele anomalieën en vertekent hoe goud zich verhoudt tot andere elementen zoals koper. De auteurs betogen dat we, om de chemische vingerafdrukken van de aarde echt te lezen, de onzekerheid in die lage waarden moeten behouden in plaats van die te overschrijven.

Van geologische kaart naar schonere achtergrond

Het onderzoek richt zich op een koper–goudvooruitzicht in het Northern Dalli-gebied in centraal Iran, waar 165 bodemmonsters op een fijn raster werden verzameld over een bekend porfierysteem. Goud werd gemeten samen met 29 andere elementen, en 14 monsters vielen onder een veronderstelde detectielimiet van 5 delen per miljard. In plaats van alle gegevens rechtstreeks in een model te voeren, gebruikte het team eerst een "fractal" concentratie–aantal methode om achtergrondwaarden te scheiden van sterkere anomalieën. Door te analyseren hoe het aantal monsters verandert met toenemende goudconcentratie in een log–log-plot, identificeerden ze drempels die achtergrond, zwakke anomalieën en sterke anomalieën scheiden. Alleen de achtergrondpopulatie—including de gecensureerde waarden—werd gebruikt om de voorspellingsmodellen te bouwen, waardoor het risico dat een paar hooggradige monsters het leerproces domineren werd verminderd.

Een probabilistische kaart geleid door koper

Om de werkelijke goudinhoud van gecensureerde monsters te schatten, pasten de auteurs vervolgens een Bayesiaans Gaussian Random Field-model toe, een probabilistische ruimtelijke benadering. Dit model behandelt goudconcentratie als een vloeiend variërend veld over de kaart, beïnvloed door zowel locatie als kopergehalte, dat in dit porfiermilieu sterk aan goud is gekoppeld. In plaats van voor elk gecensureerd punt één enkel getal te raden, levert het model een volledige waarschijnlijkheidsverdeling die rekening houdt met het feit dat de werkelijke waarde onder de detectielimiet moet liggen. Het resultaat is een set beste schattingen en onzekerheidsintervallen voor de 14 gecensureerde monsters die consistent zijn met nabijgelegen metingen en met de in de gesteenten waargenomen goud–koperrelatie.

Machine learning, afgestemd waar het het meest telt

Die probabilistische schattingen dienen vervolgens als invoer voor een Random Forest-model, een machine-learningmethode die veel beslissingsbomen combineert. Het model gebruikt goud, koper, ijzer, nikkel, titanium en boor uit de achtergrondpopulatie om patronen te leren, met zorgvuldige cross-validatie zodat elk monster alleen wordt getest tegen modellen die het eerder niet hebben gezien. Initiële voorspellingen neigden nog steeds iets te hoog te zijn nabij de detectielimiet, een veelvoorkomend probleem wanneer er weinig zeer lage waarden beschikbaar zijn. Om dit te corrigeren voerden de auteurs een gerichte kalibratie uit, specifiek gericht op het 5–8 delen per miljard bereik, en pasten daarna een eenvoudige schaalstap toe om ervoor te zorgen dat de aangepaste voorspellingen binnen fysiek zinvolle grenzen bleven. Deze driedelige keten—fractal-scheiding, Bayesiaanse ruimtelijke schatting en gekalibreerde Random Forest—leverde voorspellingen die veel beter overeenkwamen met de werkelijke lage goudwaarden dan standaardbenaderingen.

De oude snelkoppelingen verslaan

De studie vergeleek het nieuwe kader met zowel een basis Random Forest als twee klassieke substitutieregels die gecensureerde resultaten vervangen door vaste fracties van de detectielimiet. Over meerdere foutmaten heen was het gekalibreerde en geschaalde hybridemodel het meest accuraat en het minst bevooroordeeld, met name voor monsters nabij de detectielimiet waar kleine fouten het meest wegen. Het behield ook realistische variatie en hield redelijke relaties tussen goud en koper intact, terwijl het vervangen van alle gecensureerde waarden door één constante die structuur vernietigde. Bij sommige gecensureerde monsters aan de hogere kant was de relatieve fout van de nieuwe methode honderden malen kleiner dan die van traditionele substituties.

Helderdere chemische beelden voor exploratie

Voor niet-specialisten is de boodschap dat de manier waarop we met “onder detectie” waarden in geochemische data omgaan het zoeken naar nieuwe mineralenvoorraden kan maken of breken. In plaats van onzekerheid uit te wissen met grove vervangingen, toont dit werk aan dat het combineren van probabilistische ruimtelijke modellering, machine learning en eenvoudige kalibratie veel van de verborgen informatie in laag-niveau metingen kan terugwinnen. Het resultaat zijn schonere kaarten van subtiele goudpatronen, betrouwbaardere anomaliedetectie en uiteindelijk een betere kans om ertslagen te vinden met minder boorkernen en eerlijkere data.

Bronvermelding: 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

Trefwoorden: geochemische exploratie, gecensureerde gegevens, goudanomalieën, Bayesiaanse ruimtelijke modellering, machine learning in geologie