Fraktal tabanlı arka plan ayrımıyla Bayesian mekânsal modeller ve Random Forest kullanarak sansürlenmiş jeokimyasal Au tahminini ilerletmek

Neden çok küçük altın izleri önemli

Jeologlar yeni altın yatakları ararken sıklıkla toprak örnekleriyle çalışır ve bu örneklerde değerli metalin sadece birkaç milyar parça (ppb) düzeyinde bulunduğu görülür. Bu ultra-düşük değerler laboratuvar cihazlarının tespit sınırlarına o kadar yakındır ki birçok ölçüm yalnızca “tespit altı” olarak raporlanır. Bu neredeyse görünmez izler kötü ele alınırsa, umut verici mineral zonları gözden kaçabilir veya yanlış haritalanabilir. Bu çalışma, bu sansürlenmiş değerlerden bilgi kurtarmanın daha akıllı bir yolunu tanıtarak, sınırlı ve gürültülü verilerden yüzeyaltındaki desenleri daha net görmeye yardımcı olur.

Eksik ölçümlerde gizli sinyaller

Toprak ve kayaç kimyası, küçük kimyasal değişikliklerin gömülü cevher cisimlerini işaret edebilmesi nedeniyle maden aramada temel bir araçtır. Ancak cihazlar sonsuz derecede küçük miktarları ölçemez. Bu çalışmadaki altın için herhangi bir örnek varsayılan birkaç milyar parçanın altındaysa sansürlenmiş olarak kabul edildi: laboratuvar yalnızca gerçek değerin o sınırın altında bir yerde olduğunu söyleyebiliyordu. Yaygın pratik çözümler bu tür sonuçların tümünü sabit bir sayı ile, örneğin tespit sınırının yarısıyla değiştirir. Bu kolay yol doğal değişkenliği düzleştirir, ince anomalileri bulanıklaştırır ve altının bakır gibi diğer elementlerle olan ilişkilerini çarpıtır. Yazarlar, Dünya’nın kimyasal parmak izlerini gerçekten okuyabilmek için bu düşük değerlerdeki belirsizliği üzerine yazmak yerine korumamız gerektiğini savunuyor.

Jeoloji haritasından daha temiz bir arka plana

Araştırma, bilinen bir porfiri sisteminin üzerinde sıkı bir ızgara şeklinde 165 toprak örneğinin toplandığı İran’ın orta kesimindeki Kuzey Dalli bakır–altın sahasına odaklanıyor. Altın 29 başka elementle birlikte ölçüldü ve 14 örnek varsayılan 5 ppb tespit sınırının altındaydı. Tüm verileri doğrudan modele beslemek yerine ekip önce arka plan değerlerini daha güçlü anomalilerden ayırmak için bir "fraktal" konsantrasyon–sayı yöntemini kullandı. Altın konsantrasyonunun artışıyla örnek sayısının log–log grafikte nasıl değiştiğini analiz ederek arka plan, zayıf anomaliler ve güçlü anomalileri ayıran eşikler belirlendi. Sansürlenmiş değerler de dahil olmak üzere yalnızca arka plan popülasyonu tahmin modellerini inşa etmek için kullanıldı; bu, birkaç yüksek tenörlü örneğin öğrenmeyi domine etme riskini azalttı.

Bakır tarafından yönlendirilen olasılıksal bir harita

Sansürlenmiş örneklerin gerçek altın içeriğini tahmin etmek için yazarlar daha sonra Bayesçi Gaussça Rasgele Alan (Gaussian Random Field) modelini uyguladılar; bu, olasılıksal bir mekânsal yaklaşımdır. Bu model altın konsantrasyonunu harita üzerinde konum ve porfiri ortamında altınla güçlü bir ilişki gösteren bakır içeriğinin etkilediği düzgün değişen bir alan olarak ele alır. Her sansürlenmiş nokta için tek bir sayı tahmin etmek yerine model, gerçek değerin tespit sınırının altında olması gerektiği gerçeğine saygı gösteren tam bir olasılık eğrisi üretir. Sonuç, 14 sansürlenmiş örnek için yakın ölçümlerle ve kayalardaki altın–bakır ortaklığıyla tutarlı en iyi tahminler ve belirsizlik aralıklarıdır.

Önemli yerlerde ayarlanmış makine öğrenimi

Bu olasılıksal tahminler daha sonra çok sayıda karar ağacını birleştiren bir makine öğrenimi yöntemi olan Random Forest modeline beslendi. Model, arka plan popülasyonundan altın, bakır, demir, nikel, titanyum ve boru kullanarak desenleri öğrenir; her örneğin yalnızca daha önce görmediği modellerle test edildiği titiz çapraz doğrulama uygulanır. Başlangıç tahminleri hâlâ tespit sınırına yakın yerlerde biraz fazla olma eğilimindeydi; bu, çok az çok düşük değer mevcut olduğunda sık görülen bir sorundur. Bunu düzeltmek için yazarlar özellikle 5–8 ppb aralığına odaklanan hedefli bir kalibrasyon gerçekleştirdi ve ardından düzeltilmiş tahminlerin fiziksel anlamlı sınırlar içinde kalmasını sağlamak için basit bir ölçeklendirme adımı uyguladı. Bu üç aşamalı zincir—fraktal ayrım, Bayesçi mekânsal tahmin ve kalibre edilmiş Random Forest—standart yaklaşımlardan çok daha iyi biçimde gerçek düşük altın değerleriyle uyumlu tahminler üretti.

Eski kestirmeleri geride bırakmak

Çalışma yeni çerçeveyi hem temel bir Random Forest ile hem de sansürlenmiş sonuçları tespit sınırının sabit kesirleriyle değiştiren iki klasik yerine koyma kuralıyla karşılaştırdı. Birkaç hata ölçüsünde, kalibre edilmiş ve ölçeklenmiş hibrit model en doğru ve en az yanlı olan çıktı; özellikle küçük hataların en önemli olduğu tespit sınırına yakın örnekler için bu geçerliydi. Ayrıca gerçekçi değişkenliği korudu ve altın ile bakır arasındaki makul ilişkileri sürdürdü; oysa tüm sansürlenmiş değerler için tek bir sabitin yerine konması bu yapıyı yok ediyordu. Bazı daha yüksek uçlu sansürlenmiş örneklerde, yeni yöntemin göreli hatası geleneksel yerine koymalara göre yüzlerce kat daha küçüktü.

Arama için daha net kimyasal görüntüler

Uzman olmayanlar için çıkarım, jeokimyasal verilerdeki “tespit altı” değerleri nasıl ele aldığımızın yeni mineral yatakları aramada belirleyici olabileceğidir. Keskin yerine koymalarla belirsizliği silmek yerine bu çalışma, olasılıksal mekânsal modelleme, makine öğrenimi ve basit kalibrasyonun birleşiminin düşük seviyeli ölçümlerdeki pek çok gizli bilgiyi geri kazanabileceğini gösteriyor. Sonuç, ince altın desenlerinin daha temiz haritaları, daha güvenilir anomali tespiti ve nihayetinde daha az sondaj deliğiyle ve daha dürüst verilerle cevher cisimlerini bulma olasılığını artıran bir yaklaşım.

Atıf: 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

Anahtar kelimeler: jeokimyasal arama, sansürlenmiş veriler, altın anomalileri, Bayesçi mekânsal modelleme, jeolojide makine öğrenimi