Abstract Many classical discriminant diagrams have been employed by geologists on certain represented samples of different tectonic areas to distinguish the tectonic settings of igneous rocks in the last few decades. However, a high misjudgment rate was noted under the big data test and the classification results among the various diagrams are inconsistent. In order to avoid using a few indicators for judgment or typical sample data to discriminate, a new discriminant tool has emerged as a powerful platform to improve the accuracy and reliability of the classification of tectonic settings of igneous rocks using multi-element indicators and comprehensive big data. This paper explores the feasibility of using convolution neural network (CNN) in deep learning technology to synthesize multi-element indicators containing incomplete data. Thirty kinds of geochemical major and trace elements were extracted from GEOROC database, and the gray scale two-dimensional code of more than 1.09 million rock samples was constructed by using the incomplete data. The CNN model obtained in this study can effectively classify igneous rock samples in 11 tectonic settings and has good generalization ability. The model has a Top1 classification accuracy of 94.3% for the test dataset, which is substantially better than other algorithms such as decision trees, discriminant analysis, naive Bayes classifiers and support vector machines. An application based on this model is also provided, thus serving as a potentially important daily tool to assist the manual identification in tectonic discrimination.

中文翻译：

---

基于卷积神经网络和不完备大数据的构造判别与应用

摘要 在过去的几十年里，地质学家对不同构造区的某些代表性样本采用了许多经典判别图来区分火成岩的构造环境。但在大数据测试下误判率较高，各图之间的分类结果不一致。为了避免使用少数指标判断或典型样本数据进行判别，一种新的判别工具应运而生，作为利用多元素指标和综合大数据提高火成岩构造背景分类准确性和可靠性的强大平台。数据。本文探讨了在深度学习技术中使用卷积神经网络（CNN）来合成包含不完整数据的多元素指标的可行性。从GEOROC数据库中提取了30种地球化学主微量元素，利用不完整数据构建了超过109万块岩石样品的灰度二维码。本研究得到的CNN模型可以有效地对11个构造背景下的火成岩样本进行分类，具有良好的泛化能力。该模型对于测试数据集的 Top1 分类准确率为 94.3%，大大优于决策树、判别分析、朴素贝叶斯分类器和支持向量机等其他算法。还提供了基于该模型的应用程序，因此可作为一种潜在的重要日常工具，以辅助构造判别中的人工识别。利用不完整数据构建了超过109万块岩样的灰度二维码。本研究得到的CNN模型可以有效地对11个构造背景下的火成岩样本进行分类，具有良好的泛化能力。该模型对于测试数据集的 Top1 分类准确率为 94.3%，大大优于决策树、判别分析、朴素贝叶斯分类器和支持向量机等其他算法。还提供了基于该模型的应用程序，因此可作为一种潜在的重要日常工具，以辅助构造判别中的人工识别。利用不完整数据构建了超过109万块岩样的灰度二维码。本研究得到的CNN模型可以有效地对11个构造背景下的火成岩样本进行分类，具有良好的泛化能力。该模型对于测试数据集的 Top1 分类准确率为 94.3%，大大优于决策树、判别分析、朴素贝叶斯分类器和支持向量机等其他算法。还提供了基于该模型的应用程序，因此可作为一种潜在的重要日常工具，以辅助构造判别中的人工识别。本研究得到的CNN模型可以有效地对11个构造背景下的火成岩样本进行分类，具有良好的泛化能力。该模型对于测试数据集的 Top1 分类准确率为 94.3%，大大优于决策树、判别分析、朴素贝叶斯分类器和支持向量机等其他算法。还提供了基于该模型的应用程序，因此可作为一种潜在的重要日常工具，以辅助构造判别中的人工识别。本研究得到的CNN模型可以有效地对11个构造背景下的火成岩样本进行分类，具有良好的泛化能力。该模型对于测试数据集的 Top1 分类准确率为 94.3%，大大优于决策树、判别分析、朴素贝叶斯分类器和支持向量机等其他算法。还提供了基于该模型的应用程序，因此可作为一种潜在的重要日常工具，以辅助构造判别中的人工识别。