Machine learning (ML) as a powerful data-driven method is widely used for mineral prospectivity mapping. This study employs a hybrid of the genetic algorithm (GA) and support vector machine (SVM) model to map prospective areas for Au deposits in Karamay, northwest China. In the proposed method, GA is used as an adaptive optimization search method to optimize the SVM parameters that result in the best fitness. After obtaining evidence layers from geological and geochemical data, GA–SVM models trained using different training datasets were applied to discriminate between prospective and non-prospective areas for Au deposits, and to produce prospectivity maps for mineral exploration. The F1 score and spatial efficiency of classification were calculated to objectively evaluate the performance of each prospectivity model. The best model predicted 95.83% of the known Au deposits within prospective areas, occupying 35.68% of the study area. The results demonstrate the effectiveness of the GA–SVM model as a tool for mapping mineral prospectivity.

化探数据对矿产资源勘查工作有着重要作用,其中比较关键的工作就是从化探数据中识别矿床相关的化探异常信息.在化探异常信息识别工作中也发展出了较多的技术,但是它们大多针对单变量进行分析.为了对多变量化探数据进行分析并识别金矿相关的地球化学异常信息,笔者将逻辑回归模型用于研究区化探数据分析,通过研究区内对金矿预测比较有价值的16种元素的逻辑回归建模及模型应用,发现逻辑回归是一种有效的化探多变量数据分析和建模技术,研究结果显示,笔者建立的逻辑回归模型不仅可以有效识别已知金矿区的地球化学异常信息,而且对那些还未发现矿床的区域具有预测作用,能够为矿产资源勘查工作重点区域的选择提供指导.

化探异常信息识别是化探数据分析最重要的任务之一,也是化探数据在资源勘查领域受到广泛关注的最重要原因,前人对化探异常信息识别做过大量研究,这些研究中的大多数主要关注化探示踪元素的含量,近而根据含量指标计算异常阈值,而对示踪元素在空间中的分布特征关注较少.本文选择1∶20万比例尺的克拉玛依幅为研究区,根据区内金矿的矿床地球化学特征选择Ag、As、Au和Sb等4种元素为本区内金矿的示踪元素,以地球化学元素分散晕形成理论为依据,使用GIS技术和Matlab软件绘制研究区内4种金矿示踪元素的综合地球化学异常图.结果表明,与传统阈值方法得到的化探异常图相比,本文得到的化探异常图能够更好地指示研究区内已知金矿.

“流量本地化”技术是一种缓解传输压力的有效途径,其核心即在于解耦应用与数据存储.本文在缓解骨干网压力“流量本地化思想”的基础之上,分析研究在网络边缘引入“通用网络存储协议”的解决方案.文章分析了嵌入式环境和通用计算机环境下HTTP、NFS、iSCSI三种存储协的基本原理和实现方式,并重点针对三种协议在不同应用场合中的性能表现进行对比测试,为“通用网络存储协议”的设计实现提供参考建议.