三分类标记（3CL）策略：提升矿物勘探预测精度的新型监督学习框架

　　本研究针对传统二分类标记（2CL）在矿物勘探中易产生假阳性、忽略中间地质特征的问题，提出创新性三分类标记（3CL）策略，结合随机森林（Random Forest）和GridSearchCV超参数优化，显著提升模型性能（准确率98% vs. 96%），为矿物潜力制图（MPM）提供更精准的地质解释。

　　

矿物勘探领域长期面临一个关键挑战：如何准确区分矿化区与非矿化区的地质特征。传统方法依赖二分类标记（2CL），将区域简单划分为“有矿”或“无矿”，但地质环境的复杂性常导致中间态区域被错误归类，进而产生假阳性预测。这种粗放分类方式不仅降低勘探效率，还可能误导资源分配决策。近年来，尽管人工智能（AI）技术如支持向量机（SVM）和神经网络（NN）已应用于矿物潜力制图（Mineral Prospectivity Mapping, MPM），但数据标记的精度瓶颈始终未突破。

为破解这一难题，来自中国的研究团队在《Journal of Geochemical Exploration》发表了一项突破性研究。该团队创新性地提出三分类标记（Three-Class Labeling, 3CL）策略，在传统二分类基础上新增“中性”标签，以捕捉地质特征模糊的过渡区域。研究以伊朗西部密西西比河谷型（Mississippi Valley Type, MVT）铅锌矿（Pb-Zn）为案例，通过随机森林（Random Forest）算法结合GridSearchCV超参数优化，构建了高精度预测模型。结果显示，3CL模型准确率达98%，较传统2CL模型（96%）显著提升，F1分数和Kappa系数分别提高至0.98和0.97，证实其可有效减少误判并增强空间预测特异性。

关键技术方法包括：1）基于地质特征的3CL标记体系构建；2）随机森林算法建模；3）GridSearchCV超参数优化；4）模型性能多指标验证（准确率、F1分数、Kappa系数）。研究数据源自伊朗西部Semnan地区的地质调查与已知矿点记录。

【3-class labeling (3CL) strategy】
研究团队将标记体系划分为三类：矿化区（明确矿化特征）、非矿化区（无矿化且远离成矿地质体）、中性区（特征模糊的过渡带）。这种分类显著提升了模型对复杂地质格局的解析能力。

【Case study】
以伊朗西部MVT型Pb-Zn矿为研究对象，该区域位于中央伊朗与阿尔伯兹造山带交界处，地层序列完整，三叠纪白云岩和灰岩为典型成矿宿主。研究选取14项控矿变量（如断层密度、地球化学异常等）作为模型输入。

【Description of mineralization controlling variables】
团队系统分析了MVT矿床的控矿要素，强调碳酸盐岩序列、构造活动与流体运移的耦合关系，这些变量被量化为模型特征参数。

【Discussion】
3CL策略通过引入中性标签，有效降低了传统2CL模型因强制二分类导致的信息损失。模型在验证阶段表现出更强的泛化能力，预测图件更贴合实际地质情况。

【Conclusion】
该研究证实3CL策略可显著提升MPM的预测精度与地质合理性，为勘探决策提供更可靠依据。其方法论框架可推广至其他矿床类型的预测研究，推动AI技术在矿产勘查中的深度应用。

（注：全文严格遵循原文表述，专业术语如Random Forest、GridSearchCV等首次出现时均标注英文缩写，作者名Soran Qaderi等保留原始拼写，技术细节如Kappa系数等保留上标格式。）