Gravity anomalies play critical roles in geological analysis, geodynamic monitoring, and precise geoid modeling. Obtaining accurate gravity data is challenging, particularly in inaccessible or sparsely covered regions. This study evaluates machine learning (ML) methods—Support Vector Regression (SVR), Gaussian Process Regression (GPR), and Ensemble of Trees—for predicting gravity anomalies in southeastern Kazakhstan and compares their effectiveness with traditional Kriging interpolation. A dataset, consisting of the simple Bouguer anomaly values, latitude, longitude, elevation, normal gravity, and terrain corrections derived from historical maps at a scale of 1:200,000, was utilized. Models were trained and validated using cross-validation techniques, with performance assessed by statistical metrics (RMSE, MAE, R²) and spatial error analysis. Results indicated that the Exponential GPR model demonstrated the highest predictive accuracy, outperforming other ML methods, with 72.9% of predictions having errors below 1 mGal. Kriging showed comparable accuracy and superior robustness against extreme errors. Most prediction errors from all methods were spatially associated with mountainous regions featuring significant elevation changes. While this study demonstrated the effectiveness of machine learning methods for gravity anomaly prediction, their accuracy decreases in complex terrain, indicating the need for further research to improve model performance in such environments.

New+Geology +https://doi.org/10.33271/nvngu/2024-2 +/jdownloads/pdf/2024/2/02_2024_Contents-en-GB.pdf

Мақалада Ақтоғай мыс-порфирлі кен орнын мысалға ала отырып, гидротермалды өзгерген аймақтарды жіктеу үшін машиналық оқыту алгоритмдерін қолдану нәтижелері қарастырылады. Зерттеу ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer) спутнигінің мультиспектралды деректері, сондай-ақ далалық және зертханалық зерттеу нәтижелері негізінде жүргізілді. Жіктеу нәтижелері бойынша максималды ықтималдық әдісі ең жоғары тиімділікті көрсетті: жалпы дәлдік – 84,12%, Каппа коэффициенті – 0,79. Ал минималды қашықтық әдісінің дәлдігі 54%-ды, Каппа коэффициенті 0,39-ды құрады. Бұл нәтижелер гидротермалды өзгерген аймақтарды автоматты түрде карталауда машиналық оқыту алгоритмдерінің әлеуетін растайды This article presents the results of applying machine learning algorithms to classify hydrothermally altered zones, using the Aktogay porphyry copper deposit as a case study. The research is based on multispectral data from the ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer) satellite, as well as field and laboratory investigations. According to the classification results, the maximum likelihood algorithm demonstrated the highest effectiveness, with an overall accuracy of 84.12% and a Kappa coefficient of 0.79. The minimum distance algorithm showed an accuracy of 54%, with a Kappa coefficient of 0.39. These findings confirm the potential of machine learning algorithms for the automated mapping of hydrothermally altered zones В статье рассматриваются результаты применения алгоритмов машинного обучения для классификации гидротермально измененных зон на примере медно-порфирового месторождения Актогай. Исследование выполнено на основе мультиспектральных данных спутника ASTER (Advanced Spaceborne Thermal Emission and Reflection Radiometer), а также данных полевых и лабораторных исследований. По результатам классификации наивысшую эффективность показал метод максимального правдоподобия: общая точность составила 84,12%, коэффициент Каппа – 0,79. Метод минимального расстояния продемонстрировал точность 54%, при коэффициенте Каппа – 0,39. Полученные результаты подтверждают потенциал алгоритмов машинного обучения для автоматизированного картографирования гидротермально измененных зо