Обоснование перспективных типов золотой минерализации Эвотинского района (Алдано-Становой щит, Южная Якутия) c использованием алгоритма машинного обучения Support Vector Machine = Prospective gold mineralization types in the Evotinsky gold district (Aldan-Stanovoy Shield, South Yakutia): A machine learning approach using Support Vector Machine

Одно из направлений повышения эффективности поисковых работ – выявление скрытых многомерных закономерностей в геохимических данных. Для обработки и интерпретации результатов геохимических работ, прогнозирования перспективных типов минерализации Эвотинского золоторудного района (Центральный Алдан) использован алгоритм машинного обучения Support Vector Machine (SVM). Выполнена оценка возможности обнаружения пинигинского (сульфидно-арсенидная минерализация в метабазитах), эльконского (золото-урановый), лебединского (скарновый в карбонатах) и морозкинского (золото-порфировый) геолого-промышленных типов золоторудной минерализации. Применен метод опорных векторов (Support Vector Machine, SVM) – алгоритм, эффективный для работы с данными высокой размерности и поиска сложных нелинейных зависимостей. Исходными данными были результаты литогеохимического опробования на участках Амутканский и Перевальный. Предварительная статистическая обработка этих данных включала Z-нормализацию, фильтрацию, исключение аномальных значений, логарифмирование и выявление "рудных" геохимических ассоциаций с помощью корреляционного, кластерного и факторного анализов. Анализ схожести прогнозируемых объектов проведен с применением персентильного анализа и расчетом средней схожести и косинусной меры сходимости распределений. Результаты показали высокую перспективность выявления минерализации пинигинского типа на участке Перевальный, умеренную – эльконского и пинигинского типов на Амутканском участке, и низкую – лебединского и морозкинского типов на обоих участках. Исследование демонстрирует, что современные алгоритмы машинного обучения, такие как SVM, способны эффективно выявлять сложные, неочевидные связи в многомерных геохимических данных, трансформируя их в структурированную прогнозную информацию. Полученные результаты имеют практическое применение и подчеркивают целесообразность использования алгоритмов машинного обучения при геохимических поисках месторождений полезных ископаемых Identification of hidden multidimensional mechanisms in geochemical data is a key approach for improving the efficiency of mineral exploration. In this study, the Support Vector Machine (SVM) algorithm was applied to process and interpret geochemical data and to predict prospective mineralization types in the Evotinsky gold ore region (Central Aldan). Specifically, the detectability of several geological-commercial types of gold ore mineralization was assessed: the Piniginsky type (sulfide-arsenide mineralization in metabasites), the Elkon type (gold-uranium), the Lebedinsky type (skarn-type in carbonates), and the Morozkinsky type (gold-porphyry). SVM was selected for its effectiveness in handling high-dimensional data and identifying complex nonlinear relationships. The initial dataset consisted of lithogeochemical testing results from the Amutkansky and Perevalny areas. Preliminary statistical processing included Z-normalization, filtering and removal of anomalous values, logarithmic transformation, and the identification of “ore-related” geochemical associations using correlation, cluster, and factor analyses. Similarity between predicted targets was evaluated using percentile analysis and calculation of the average similarity, and the cosine measure of distribution convergence. The results indicate high potential for Piniginsky-type mineralization in the Perevalny area, moderate potential for Elkon- and Piniginsky-type mineralization in the Amutkansky area, and low potential for Lebedinsky- and Morozkinsky-types mineralization in both areas. This study demonstrates that modern machine learning algorithms such as SVM can effectively uncover complex, non-obvious relationships in multivariate geochemical data and transform them into structured predictive information. Therefore, the findings have practical implications and underscore the value of integrating machine learning into geochemical exploration