Integrating Cost-Sensitive Ensemble Learning and Geoscience Big Data for Uranium Prospectivity Mapping in the Husab Uranium Deposit, Namibia

作者信息：

学院：测绘与空间信息工程学院

作者：Li Yuan（李媛），Fu C（付宸），Song Y（宋英旭），Zhang J（张建军），Li Yu（李赟），Liu B（刘波）*，Huang Y（黄映聪），Li D（李大军）*

论文简介：

本文聚焦纳米比亚 Husab 铀矿床成矿远景预测问题，针对矿产预测评价中普遍存在的样本类别不平衡、找矿信息多源异构以及传统模型对弱矿化信息识别能力不足等关键难题，提出了一种融合代价敏感集成学习与地学大数据的铀成矿远景预测方法。研究综合利用地质、地球物理、地球化学和遥感等多源数据，构建面向铀矿找矿预测的智能评价框架，并通过引入代价敏感机制提升模型对少数类矿化样本的识别能力，有效增强了预测结果的准确性、稳定性和空间指示能力。

研究结果表明，该方法能够更加精细地圈定 Husab 铀矿床成矿有利区，为复杂地质条件下铀矿资源预测评价提供了新的技术路径。该成果体现了人工智能方法与地学大数据深度融合在矿产资源勘查中的应用潜力，对深部找矿、隐伏矿体预测及新一轮找矿突破战略行动具有一定的科学意义和应用价值。

论文信息：

Li Yuan, Fu C, Song Y, Zhang J, Li Yu, Liu B, Huang Y, Li D, 2026. Integrating Cost-Sensitive Ensemble Learning and Geoscience Big Data for Uranium Prospectivity Mapping in the Husab Uranium Deposit, Namibia [J]. Natural Resources Research.