基于決策樹算法的瓊州海峽沉積物地球化學(xué)分區(qū)探究

摘""要：瓊州海峽是廣東海區(qū)與北部灣海上交通的重要通道，溝通北部灣和南海中、東部的海上走廊，以其為研究區(qū)，作者對決策樹在瓊州海峽沉積物地球化學(xué)分區(qū)中的應(yīng)用進(jìn)行探究。用采集的391件表層沉積物中的53種元素含量建立決策樹模型，依托決策樹獲得了11條對研究區(qū)進(jìn)行地球化學(xué)分區(qū)的規(guī)則，同時(shí)還探究出了在分區(qū)過程中Cl、N、TFe2O3、Sb、Al2O3和Hg等6種元素是主要影響因素。

關(guān)鍵詞：決策樹"地球化學(xué)"瓊州海峽"表層沉積物

Exploration"of"Sedimentary"Geochemical"Zoning"in"Qiongzhou"Strait"Based"on"Decision"Tree"Algorithm

WU"Xiaoxia1，2""YANG"Yi1，2*"LIN"Chuanshan1，2"WAN"Mingming1，2"WANG"Xiaolong1，2

（1.Hainan"Key"Laboratory"of"Marine"Geological"Resources"and"Environment;"2."Hainan"Geological"Data"Institute，"Haikou，"Hainan"Province，"570206"China）

Abstract：The"Qiongzhou"Strait"is"an"important"passage"for"maritime"transportation"between"the"Guangdong"Sea"and"the"Beibu"Gulf，"connecting"the"Beibu"Gulf"and"the"central"and"eastern"parts"of"the"South"China"Sea."Taking"it"as"the"research"area，"the"authors"explore"the"application"of"decision"trees"in"the"sedimentary"geochemical"zoning"of"the"Qiongzhou"Strait."A"decision"tree"model"was"established"using"the"content"of"53"elements"collected"from"391"surface"sediments."Based"on"thenbsp;decision"tree，"11"rules"for"geochemical"zoning"of"the"study"area"were"obtained，"and"6"elements"including"Cl，"N，"TFe2O3，"Sb，"Al2O3，"and"Hg"were"identified"as"the"main"influencing"factors"during"the"zoning"process.

KeyWords：Decision"tree;"Geochemistry;"Qiongzhou"Strait;Surface"sediment

1""前言

1.1""研究現(xiàn)狀

海洋因其富饒的資源、廣袤的空間，在全球經(jīng)濟(jì)活動和社會可持續(xù)發(fā)展中占有重要的地位[1]。開展區(qū)域地球化學(xué)研究可以為環(huán)境評價(jià)、元素異常圈定、成礦遠(yuǎn)景區(qū)等研究提供依據(jù)和參考。許多學(xué)者進(jìn)行了大量的科學(xué)研究，并積累了豐富的研究成果。孟憲偉等人[2]采用R型因子分析方法對沖繩海槽中段進(jìn)行地球化學(xué)分區(qū)；劉彬昌等人[3]采用PFS模糊聚類及模型識別貼近度的分析方法，對渤海沉積物進(jìn)行地球化學(xué)分區(qū)；成海燕等人[4]采用聚類分析方法對渤海海峽進(jìn)行地球化學(xué)分區(qū)。在以往的地球化學(xué)研究中，多采用經(jīng)典的數(shù)理統(tǒng)計(jì)方法，也大量使用了數(shù)據(jù)挖掘方法，如上文提及的因子分析、聚類分析、模糊算法等。本次探究將決策樹應(yīng)用于地球化學(xué)研究中，則是提出了一種新的嘗試。

1.2""研究區(qū)概況

瓊州海峽是我國三大海峽之一，位于雷州半島和海南島之間，海峽長約80"km，寬20～40"km，面積約2"379"km2，平均水深約44"m，最大深度120"m，西接北部灣，東連南海北部[5]，其既是重要的交通樞紐，同時(shí)也蘊(yùn)含著豐富的自然資源。瓊州海峽多目標(biāo)區(qū)域地球化學(xué)調(diào)查獲取了瓊州海峽沉積物豐富的區(qū)域地球化學(xué)資料。本次探究將基于瓊州海峽表層沉積物樣品的元素含量建立決策樹，從而獲得對研究區(qū)進(jìn)行地球化學(xué)分區(qū)的規(guī)則。

1.3""決策樹算法

決策樹學(xué)習(xí)算法是以一組樣本數(shù)據(jù)集為基礎(chǔ)的一種歸納學(xué)習(xí)算法，它著眼于從一組無次序、無規(guī)則的樣本數(shù)據(jù)中推出決策樹表示形式的分類規(guī)則[6]。決策樹的一個(gè)優(yōu)點(diǎn)是在實(shí)際應(yīng)用中決定分類結(jié)果可能只是幾個(gè)主要影響因素取值，不依賴全部因素變量，因此，可同時(shí)探求樣品中對分區(qū)起關(guān)鍵作用的元素。建立決策樹模型有ID3、C4.5、CART等算法。在此次探究中，將使用C4.5算法建立決策樹。

2""決策樹的建立

2.1""數(shù)據(jù)來源

數(shù)據(jù)來源于瓊州海峽多目標(biāo)區(qū)域地球化學(xué)調(diào)查采集的391件表層沉積物樣品，樣品檢測包括Ag、As、Au、B、Ba、Be等53種元素和pH值。建立決策樹將使用到樣品中的元素含量。

2.2""數(shù)據(jù)處理

由于表層沉積物中個(gè)別元素與其同族元素在沉積物中分布特征受?？匦?yīng)等因素影響存在明顯差異，為更好地體現(xiàn)地球化學(xué)分區(qū)的規(guī)律性、合理性、科學(xué)性和應(yīng)用性，故pH、Ag、As、Ge和Mn5項(xiàng)指標(biāo)地球化學(xué)數(shù)據(jù)在地球化學(xué)分區(qū)過程中暫不考慮，利用剩下的49種元素含量建立模型。瓊州海峽多目標(biāo)區(qū)域地球化學(xué)調(diào)查采用因子分析、聚類分析等方法將研究區(qū)劃分為多元素富集區(qū)、過渡區(qū)和多元素貧化區(qū)3個(gè)地球化學(xué)區(qū)。分析樣品所處的位置發(fā)現(xiàn)其中有17個(gè)樣品同時(shí)處在兩個(gè)分區(qū)處，為考慮分區(qū)的準(zhǔn)確性，在建模時(shí)暫不考慮這17個(gè)樣品的數(shù)據(jù)，故將使用374個(gè)樣品數(shù)據(jù)進(jìn)行建模。

表層沉積物樣品的元素含量數(shù)據(jù)是數(shù)值型的，而決策樹算法主要針對“以離散型變量作為屬性類型進(jìn)行分類”[6]，這就需要將數(shù)據(jù)離散化。置信區(qū)間是指由樣本統(tǒng)計(jì)量所構(gòu)造的總體參數(shù)的估計(jì)區(qū)間，引入“置信區(qū)間”的概念，使用以下公式[7]分別計(jì)算出樣品中各元素含量高的置信區(qū)間以及含量低的置信區(qū)間。

式（1）中：表示樣本平均值；S表示樣本標(biāo)準(zhǔn)差；n為樣本數(shù)；（n-1）表示顯著性水平為；自由度為n-1的分布。在這里令置信度為98%，則=1-98%=2%=0.02。

根據(jù)實(shí)際情況，當(dāng)各元素含量高于含量高的置信區(qū)間最低值時(shí)，則可說明該元素在樣品中含量高，用A表示；若各元素含量低于含量低的置信區(qū)間最高值，則可說明該元素在樣品中含量低，用C表示；介于以上2個(gè)范圍之間的含量即元素含量在過渡范圍，用B表示。按照此標(biāo)準(zhǔn)，可將各元素含量劃分為3個(gè)等級，從而實(shí)現(xiàn)了對數(shù)據(jù)的離散化處理。對比各元素含量高的置信區(qū)間和含量低的置信區(qū)間，發(fā)現(xiàn)Sr、Zr、C、SiO2和CaO5種元素的兩種置信區(qū)間存在重合部分，將影響元素含量劃分等級的準(zhǔn)確性，因此在建立模型時(shí)暫不考慮這5種元素。分區(qū)結(jié)果有多元素富集區(qū)、過渡區(qū)和多元素貧化區(qū)3種，于是樣品被劃分為3類，處于多元素富集區(qū)用“Ⅰ”表示，處于過渡區(qū)用“Ⅱ”表示，處于多元素貧化區(qū)用“Ⅲ”表示。有374個(gè)樣品的數(shù)據(jù)，相當(dāng)于有374個(gè)樣本，隨機(jī)選取其中30個(gè)作為檢驗(yàn)樣本，則剩下的344個(gè)為學(xué)習(xí)樣本。

2.3""模型建立

本次探究使用由SPSS生產(chǎn)商推出的數(shù)據(jù)挖掘軟件Clementine"12.0建立決策樹。在Clementine"12.0中，支持建立決策樹的算法有2種：一種是C5.0；另外一種則是CART，其中，C5.0是C4.5算法的實(shí)現(xiàn)。將學(xué)習(xí)樣本導(dǎo)入軟件中，采用C5.0算法建立決策樹并加入剪枝和誤分類損失等優(yōu)化方法。經(jīng)過多次嘗試，得到了最優(yōu)決策樹。各剪枝程度下決策樹的準(zhǔn)確率如表1所示，各成本組合下的準(zhǔn)確率如表2所示。

雖然一棵完整的決策樹能夠非常準(zhǔn)確地反映學(xué)習(xí)樣本集中數(shù)據(jù)的特征，但是因?yàn)槭チ艘话愦硇远鵁o法對新的數(shù)據(jù)進(jìn)行分類或預(yù)測，這種現(xiàn)象一般稱為過度訓(xùn)練[8]。另外，決策樹構(gòu)造得越小，存儲所花代價(jià)也越小，對其某些操作相對來說也就越簡單省時(shí)[9]，所以建立有效的決策樹，不僅需要考慮分類的正確性，而且要考慮決策樹的復(fù)雜程度，在保證正確率的前提下盡量構(gòu)造簡單的決策樹。

綜合決策樹的準(zhǔn)確率、可移植性和復(fù)雜度等方面考慮，從表1和表2中得出，在剪枝程度為84%～85%、判斷錯(cuò)誤的成本為1時(shí)，決策樹最優(yōu)。

3""結(jié)果與討論

通過決策樹得到的分區(qū)規(guī)則為：

（1）當(dāng)樣品中Cl含量高，則該樣品在富集區(qū)；

（2）當(dāng)樣品中Cl含量在過渡范圍，TFe2O3含量高，則該樣品在富集區(qū)；

（3）當(dāng)樣品中Cl含量在過渡范圍，TFe2O3含量在過渡范圍，Sb含量高，則該樣品在富集區(qū)；

（4）當(dāng)樣品中Cl含量在過渡范圍，TFe2O3含量在過渡范圍，Sb含量在過渡范圍，N含量高，則該樣品在富集區(qū)；

（5）當(dāng)樣品中Cl含量在過渡范圍，TFe2O3含量在過渡范圍，Sb含量在過渡范圍，N含量在過渡范圍，Al2O3含量高，則該樣品在富集區(qū)；

（6）當(dāng)樣品中Cl含量在過渡范圍，TFe2O3含量在過渡范圍，Sb含量在過渡范圍，N含量在過渡范圍，Al2O3的含量無論是在過渡范圍還是低，則該樣品都在過渡區(qū)；

（7）當(dāng)樣品中Cl含量在過渡范圍，TFe2O3含量在過渡范圍，Sb含量在過渡范圍，N含量低，Hg含量高，則該樣品在貧化區(qū)；

（8）當(dāng)樣品中Cl含量在過渡范圍，TFe2O3含量在過渡范圍，Sb含量在過渡范圍，N含量低，Hg含量在過渡范圍，則該樣品在貧化區(qū)；

（9）當(dāng)樣品中Cl含量在過渡范圍，TFe2O3含量在過渡范圍，Sb含量在過渡范圍，N含量低，Hg含量低，則該樣品在過渡區(qū)；

（10）當(dāng)樣品中Cl含量在過渡范圍，TFe2O3含量在過渡范圍，Sb含量低，則該樣品在貧化區(qū)；

（11）當(dāng)樣品中Cl含量在過渡范圍，TFe2O3含量低，則該樣品在貧化區(qū)；

（12）當(dāng)樣品中Cl含量低，則該樣品在貧化區(qū)。

觀察決策樹，發(fā)現(xiàn)在第7條規(guī)則的情形下沒有數(shù)據(jù)，剔除這條規(guī)則，于是得到11條分區(qū)規(guī)則。

最優(yōu)決策樹的自檢驗(yàn)準(zhǔn)確率為86.92%，即用決策樹得到的分區(qū)規(guī)則判斷學(xué)習(xí)樣本時(shí)，判斷正確299個(gè)，判斷錯(cuò)誤45個(gè)；檢驗(yàn)樣本的準(zhǔn)確率為86.67%。雖然此時(shí)的自檢驗(yàn)準(zhǔn)確率不是最高的，但是檢驗(yàn)樣本的準(zhǔn)確率卻是最高的，說明可移植性最好。決策樹有5層，對比其他決策樹簡單了許多。用到Cl、N、TFe2O3、Sb、Al2O3和Hg6種元素建模，可見這6種元素在決策樹分區(qū)過程中起到較為關(guān)鍵的作用，尤其是作為根節(jié)點(diǎn)的Cl元素，起到了最關(guān)鍵的作用。

此次探究是數(shù)據(jù)挖掘技術(shù)應(yīng)用于解決實(shí)際科學(xué)問題的一次探究。在以往的地球化學(xué)研究中，大多使用因子分析、聚類分析等算法，而國內(nèi)目前有關(guān)決策樹的研究多是圍繞算法的改進(jìn)以及決策樹在商業(yè)、工業(yè)等領(lǐng)域的運(yùn)用[10]，嚴(yán)軍峰[11]基于權(quán)重項(xiàng)對決策樹算法進(jìn)行研究；夏安林等人[12]通過決策樹算法對銀行目標(biāo)客戶進(jìn)行分類和預(yù)測；張世良等人[13]提出了基于決策樹的供應(yīng)商全鏈路動態(tài)特征挖掘算法；袁單等人[14]提出基于改進(jìn)決策樹的充電樁故障預(yù)測方法。本文為決策樹應(yīng)用于地球化學(xué)研究中提供了一種新的解決問題思路。當(dāng)然，此次探究還有許多待改進(jìn)之處，如優(yōu)化對各元素含量進(jìn)行離散化處理的方法，在建立模型時(shí)充分考慮瓊州海峽的地質(zhì)背景、洋流環(huán)流、生態(tài)環(huán)境等因素，使決策樹的分區(qū)更科學(xué)、實(shí)用、準(zhǔn)確。

4""結(jié)論

通過將決策樹應(yīng)用于瓊州海峽沉積物地球化學(xué)中的探究，得到以下結(jié)論：（1）基于瓊州海峽表層沉積物樣品數(shù)據(jù)，建立了一棵最優(yōu)決策樹；（2）最優(yōu)決策樹有5層，僅用到Cl、N、TFe2O3、Sb、Al2O3和Hg6種元素建模，其中Cl元素是根節(jié)點(diǎn)；（3）通過決策樹獲得了11條研究區(qū)地球化學(xué)分區(qū)規(guī)則，僅用到6種元素進(jìn)行分區(qū)，在保證準(zhǔn)確率的同時(shí)，又提高了分區(qū)效率。

參考文獻(xiàn)

[1]"廖永杰.渤海中南部沉積地球化學(xué)特征和黃河改道事件[D].青島：中國海洋大學(xué)，2014.

[2]"孟憲偉，王永吉，呂成功.沖繩海槽中段沉積地球化學(xué)分區(qū)及其物源指示意義[J].海洋地質(zhì)與第四紀(jì)地質(zhì)，1997（3）：38-44.

[3]"劉彬昌，盧中發(fā)，張守法.渤海沉積物地球化學(xué)分區(qū)的模糊分析[J].海洋與湖沼，1992（5）：561-565.

[4]"成海燕，姜?jiǎng)佥x，張超，等.渤海海峽表層沉積物地球化學(xué)特征[J].海洋地質(zhì)前沿，2020，36（8）：19-28.

[5]"馬榮林，何玉生，楊奕，等.瓊州海峽表層沉積物元素地球化學(xué)特征[J].海洋通報(bào)，2012，31（2）：131-135.

[6]"廖芹，郝志峰，陳志宏.數(shù)據(jù)挖掘與數(shù)學(xué)建模[M].北京：國防工業(yè)出版社，2010：150-152.

[7]"徐云龍，李劍英，陳玲熙.概率中置信區(qū)間在腎炎診斷中的應(yīng)用[EB/OL].（2008-04-29）[2024-04-22].http：//www.paper.edu.cn/index.php/default/releasepaper/content/200804-1003.

[8]"薛薇.數(shù)據(jù)挖掘中的決策樹技術(shù)及其應(yīng)用[J].統(tǒng)計(jì)與信息論壇，2002，（2）：4-10.

[9]"王熙照，游自英.決策樹簡化（剪切）方法綜述[J].計(jì)算機(jī)工程與應(yīng)用，2004，（27）：66-69.

[10]"徐蕾，賀佳，孟虹，等.決策樹技術(shù)及其在醫(yī)學(xué)中的應(yīng)用[J].數(shù)理醫(yī)藥學(xué)雜志，2004，（2）：161-164.

[11]"嚴(yán)軍峰.基于權(quán)重項(xiàng)的決策樹算法研究[J].無線互聯(lián)科技，2023，20（23）：115-117.

[12]"夏安林，杜董生，盛遠(yuǎn)杰，等.基于決策樹的銀行目標(biāo)客戶預(yù)測算法[J].電腦知識與技術(shù)，2022，18（24）：8-11，28.

[13]"張世良，孫剛，唐良運(yùn).基于決策樹的供應(yīng)商全鏈路動態(tài)特征挖掘算法[J].沈陽工業(yè)大學(xué)學(xué)報(bào)，2023，45（4）：447-452.

[14]"袁單，劉鴻鵬，陳良亮，等.基于改進(jìn)決策樹的充電樁故障預(yù)測方法[J].電氣自動化，2023，45（6）：92-94，103.