Улучшение предсказания зафиксированного цензурой геохимического содержания Au с помощью байесовских пространственных моделей и Random Forest с фрактальным разделением фона

Почему важны крошечные следы золота

Когда геологи ищут новые месторождения золота, они часто работают с почвенными образцами, содержащими всего несколько частей на миллиард драгоценного металла. Такие ультранизкие значения находятся настолько близко к пределам обнаружения лабораторных приборов, что многие измерения возвращаются просто как «ниже предела обнаружения». Если с этими почти невидимыми следами обращаться неправильно, перспективные зоны минерализации можно пропустить или неверно картировать. В этом исследовании предложен более разумный способ извлечения информации из таких цензурированных значений, помогающий разведчикам яснее видеть закономерности в недрах на основе ограниченных и шумных данных.

Скрытые сигналы в несовершенных измерениях

Химический состав почв и пород — ключевой инструмент для разведки полезных ископаемых, потому что небольшие химические изменения могут указывать на скрытые рудные тела. Но приборы не умеют измерять бесконечно малые количества. В данном исследовании для золота любые образцы ниже нескольких частей на миллиард считались цензурированными: лаборатория могла лишь указать, что истинное значение лежит ниже этого предела. Распространённые быстрые приёмы просто заменяют все такие результаты константой, например половиной предела обнаружения. Хотя это удобно, такая практика сглаживает естественную вариацию, размывает тонкие аномалии и искажает взаимосвязи золота с другими элементами, например медью. Авторы утверждают, что чтобы по-настоящему прочитать химические отпечатки Земли, нужно сохранять неопределённость в этих низких значениях, а не затирать её.

От геологической карты к чище фону

Исследование сосредоточено на месторождении медно-золотой перспективы в районе Нортен Далли в центральном Иране, где на плотной сетке над известной порфировой системой было собрано 165 почвенных проб. Золото измеряли вместе с 29 другими элементами; 14 проб оказались ниже предполагаемого предела обнаружения в 5 частей на миллиард. Вместо того, чтобы загнать все данные в модель напрямую, команда сначала использовала «фрактальный» метод концентрация–число для отделения фоновых значений от более сильных аномалий. Анализируя, как число проб меняется с ростом концентрации золота на логарифмическом графике, они выявили пороги, разделяющие фон, слабые аномалии и сильные аномалии. Для построения предсказательных моделей использовалась только фоновая популяция — включая цензурированные значения — что снижало риск доминирования обучения несколькими высокогрейдовыми образцами.

Вероятностная карта под руководством меди

Чтобы оценить истинное содержание золота в цензурированных пробах, авторы затем применили байесовскую модель гауссовского случайного поля — вероятностный пространственный подход. Эта модель рассматривает концентрацию золота как плавно меняющееся поле по карте, на которое влияют как положение, так и содержание меди, тесно связанной с золотом в данной порфировой обстановке. Вместо того чтобы угадывать одно число для каждой цензурированной точки, модель выдаёт полную вероятностную кривую, учитывающую, что истинное значение должно лежать ниже предела обнаружения. В результате получаются наилучшие оценки и диапазоны неопределённости для 14 цензурированных проб, согласованные с рядом измерений и наблюдаемой связью золото–медь в горных породах.

Машинное обучение, настроенное там, где это важно

Эти вероятностные оценки затем используются в модели Random Forest — методе машинного обучения, объединяющем множество решающих деревьев. Модель учится на фоновой популяции, используя золото, медь, железо, никель, титан и бор, с тщательной перекрёстной проверкой, при которой каждая проба тестируется только на моделях, которые её ранее не видели. Первоначальные предсказания всё ещё имели тенденцию быть чуть завышенными рядом с пределом обнаружения — обычная проблема при недостатке очень низких значений. Чтобы исправить это, авторы провели целевую калибровку, сфокусированную специально на диапазоне 5–8 частей на миллиард, а затем применили простую шкалирующую процедуру, чтобы скорректированные предсказания оставались в физически осмысленных пределах. Эта трёхступенчатая цепочка — фрактальное разделение, байесовская пространственная оценка и откалиброванный Random Forest — дала предсказания, лучше соответствующие реальным низким значениям золота, чем стандартные подходы.

Победа над старыми упрощениями

Исследование сравнило новую схему с базовым Random Forest и двумя классическими правилами подстановки, которые заменяют цензурированные результаты фиксированными долями от предела обнаружения. По нескольким метрикам ошибки гибридная модель с калибровкой и масштабированием оказалась наиболее точной и наименее смещённой, особенно для проб рядом с пределом обнаружения, где мелкие ошибки имеют наибольшее значение. Она также сохранила реалистичную вариативность и правдоподобные взаимосвязи между золотом и медью, тогда как замена всех цензурированных значений одной константой разрушала эту структуру. Для некоторых верхних цензурированных проб относительная ошибка нового метода была в сотни раз меньше, чем при традиционных подстановках.

Более ясные химические картины для разведки

Для неспециалистов вывод таков: то, как мы обращаемся со значениями «ниже предела обнаружения» в геохимических данных, может решить успех или неудачу в поиске новых месторождений. Вместо того чтобы стирать неопределённость грубыми заменами, эта работа показывает, что сочетание вероятностного пространственного моделирования, машинного обучения и простой калибровки позволяет восстановить большую часть скрытой информации в низкоуровневых измерениях. В результате получаются более чистые карты тонких золотоносных структур, более надёжное обнаружение аномалий и, в конечном счёте, лучшие шансы обнаружить рудные тела с меньшим числом скважин и более честными данными.

Цитирование: 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

Ключевые слова: геохимическая разведка, цензурированные данные, аномалии золота, байесовское пространственное моделирование, машинное обучение в геологии