في السنوات الأخيرة، ساهم التكامل العميق بين الذكاء الاصطناعي والبيانات الجيولوجية بشكل كبير في تطوير أساليب التنبؤ بالموارد المعدنية. وقد أصبح رسم خرائط احتمالية وجود المعادن (MPM) وسيلة تقنية هامة للحد من مخاطر التنقيب عن المعادن ودعم استكشاف الموارد في ظل ظروف جيولوجية عميقة ومعقدة. ومع ذلك، فإن التمعدن يخضع لسيطرة عوامل جيولوجية متعددة، مثل التكتونيات، والتركيب الصخري، والنشاط الصهاري، ويتسم بتغيرات مكانية واتجاهية ملحوظة.تميل معظم طرق التعلم الآلي ونماذج الرسوم البيانية الحالية إلى التعامل مع هذه السمات المكانية ضمنيًا، مما يجعل من الصعب تحديد التباين والاختلافات الإقليمية في عملية التمعدن بشكل صريح.لذلك، لا تزال هناك أوجه قصور فيما يتعلق بإمكانية التفسير الجيولوجي والاستقرار التنبؤي.

ردا على المشاكل المذكورة أعلاه،اقترح فريق بحثي من جامعة تشجيانغ طريقة للتنبؤ بالتمعدن تعتمد على البيانات ومقيدة جيولوجيًا.من خلال إدخال علاقات التقارب المكاني غير المتجانسة وآليات النمذجة المكانية غير الثابتة بشكل صريح في إطار التنبؤ، يتم التوصل إلى تعبير كمي عن التحكم في عدم تجانس التمعدن واتجاهه. تعتمد هذه الطريقة على بناء شبكة عصبية للتقارب المكاني غير المتجانس، وتجمع بين آلية ترجيح الانتباه التلافيفي ونموذج الانحدار اللوجستي لدمج المعلومات الجيولوجية متعددة المصادر بكفاءة.مع الحفاظ على دقة التنبؤ، فإنه يعزز بشكل كبير الاتساق الجيولوجي وقابلية تفسير النموذج.

تشير عملية التحقق متعددة المقاييس في رواسب الذهب بمنطقة ميغاما في كندا وحزام النحاس البورفيري في كورديليرا بالولايات المتحدة إلى أن...تتفوق هذه الطريقة على العديد من النماذج السائدة من حيث الاستدعاء وأداء التعميم العام، ويمكنها الكشف عن العوامل الرئيسية المتحكمة في الخام واتجاه التمعدن على المستوى الإقليمي.تقدم هذه الدراسة نهجًا تقنيًا جديدًا لإدراج القيود الجيولوجية بشكل صريح في النماذج القائمة على البيانات، ولها قيمة مرجعية للاستكشاف المعدني الذكي والبحث الكمي حول آليات التمعدن.

تم نشر نتائج البحث في مجلة الجيولوجيا تحت عنوان "النمذجة القائمة على البيانات المقيدة جيولوجيًا لرسم خرائط احتمالية المعادن".

أبرز الأبحاث:

* من خلال تجاوز القيود الضمنية لمعالجة أساليب التعلم الآلي التقليدية، تقوم هذه الورقة ببناء شبكة عصبية مكانية متباينة الخواص لتحقيق توصيف كمي لعدم التجانس المكاني لعمليات التمعدن المعقدة.

* إن التكامل العميق للقيود الجيولوجية والأساليب القائمة على البيانات يحافظ على قابلية تفسير بنية النموذج والاتساق الجيولوجي؛

* يمكنها الكشف عن العوامل الرئيسية المتحكمة في الخام والخصائص الاتجاهية لتكوين الخام على المستوى الإقليمي، وتحقيق أداء تعميم قوي للتحقق عبر المناطق والمقاييس المتعددة.

عنوان الورقة:
https://go.hyper.ai/vbUpa

تابع حسابنا الرسمي على WeChat وأجب بكلمة "metallogenic prediction" في الخلفية للحصول على الورقة البحثية الكاملة.

مزيد من أوراق البحث الرائدة في مجال الذكاء الاصطناعي: 

https://hyper.ai/papers

يتم تحقيق تنبؤ قوي باحتمالية التمعدن بناءً على نموذج الانحدار اللوجستي الموزون للشبكة العصبية العميقة.

عادةً ما يتم التحكم في التمعدن من خلال مزيج من العوامل التكتونية والصخرية والصهارية والجيوفيزيائية والكيميائية الجيولوجية.يُظهر توزيعها المكاني عدم استقرار ملحوظ وخصائص اتجاهية.يُصعّب هذا الأمر على النماذج الإحصائية التقليدية أو الأساليب القائمة على البيانات فقط، والتي تعتمد على افتراضات عالمية، تحديدَ الاختلافات في التمعدن وأنماطه المحلية بدقة على المستوى الإقليمي. ورغم التقدم الكبير الذي أحرزته أساليب التعلّم الآلي والذكاء الاصطناعي في التنبؤ باحتمالية وجود المعادن في السنوات الأخيرة، فإن معظم النماذج تميل إلى التعامل مع القيود المكانية ضمنيًا، مما يُصعّب عليها عكس عمليات التحكم الجيولوجي الحقيقية، وبالتالي لا تزال تعاني من قصور في التفسير الجيولوجي وقدرة التعميم.

قام فريق بحثي من جامعة تشجيانغ بتحليل منهجي لقيود أساليب التنبؤ الحالية بمواقع التمعدن، مع التركيز على السؤال العلمي الأساسي: "كيفية إدخال القيود الجيولوجية بشكل صريح في إطار عمل قائم على البيانات". يمكن للأساليب الجيولوجية الإحصائية التقليدية التخفيف من عدم استقرار البيانات المكانية إلى حد ما، لكن افتراضاتها الخطية تجعل من الصعب توصيف عمليات التمعدن غير الخطية المعقدة. في حين أظهرت أساليب الشبكات العصبية وشبكات الرسم البياني العصبية، التي ظهرت في السنوات الأخيرة، أداءً متميزًا في دقة التنبؤ،ومع ذلك، فإنهم غالباً ما يتعلمون التبعيات المكانية ضمنياً من خلال بنية النموذج، ويفتقرون إلى آلية توصيف مباشرة لتباين التمعدن وعدم التجانس المكاني.هذه العيوب تحد من قدرة النموذج على تحديد التحكم التكتوني الإقليمي واتجاه التمعدن.

اختارت هذه الدراسة مجموعتين من البيانات التمثيلية على المستوى الإقليمي:

* مجموعة بيانات حقل الذهب في منطقة ميغوما في كندا:تُعد هذه المنطقة معياراً كلاسيكياً في مجال التنبؤ باحتمالية وجود المعادن. فهي تحتوي على بيانات كاملة عن وجود المعادن وخلفية واضحة للتمعدن، وقد استُخدمت منذ فترة طويلة لمقارنة الأساليب وتقييم الأداء.

* مجموعة بيانات حزام التمعدن النحاسي البورفيري في منطقة كورديليرا الجنوبية بالولايات المتحدة:وباعتبارها تغطي ولايات متعددة، ذات نطاقات إقليمية واسعة وأنشطة تكتونية وصهارية معقدة، فإنها تستخدم لاختبار استقرار النماذج وقدرتها على التعميم في بيئات جيولوجية معقدة واسعة النطاق.

تتوافق مجموعتا البيانات هاتان مع التنبؤ الدقيق على نطاق صغير والتعميم الإقليمي على نطاق واسع، على التوالي.استُخدمت مجموعة بيانات التعدين الكندية كمعيار لتقييم النموذج الأولي ومقارنة الأساليب، وذلك للتحقق من أداء النموذج في التعرف والاستدعاء في سيناريوهات التنبؤ الكلاسيكية لمناجم الذهب صغيرة النطاق. أما مجموعة بيانات التعدين الأمريكية، فقد مثّلت مجالًا للتعميم والتحقق في بيئات تكتونية معقدة واسعة النطاق، لاختبار استقرار النموذج عبر المناطق وقدرته على التعميم في أنظمة النحاس البورفيري.

استنادًا إلى البيانات،تقترح هذه الدراسة نموذج الانحدار اللوجستي الموزون بالانتباه التلافيفي غير المتجانس (ACAWLR).تُستخدم هذه الطريقة للتنبؤ باحتمالية وجود المعادن في ظل قيود جيولوجية. تبدأ باستخراج اتجاهات التمعدن الأولية والثانوية لتوزيع الرواسب المعدنية من خلال تحليل التغاير الموزون بالاتجاه، ثم تُنشئ مقياسًا للمسافة المكانية غير المتناحية بناءً على ذلك. بعد ذلك، تُدخل شبكة عصبية مكانية تقاربية غير متناحية (ASPNN) لتضمين العلاقات المكانية الاتجاهية في النموذج بطريقة قابلة للتعلم، مما يُتيح وصفًا دقيقًا للخصائص المعتمدة على الاتجاه في عملية التمعدن.

انطلاقاً من هذا الأساس، يتم بناء شبكة عصبية موزونة ذات انتباه تلافيفي من خلال دمج الشبكات العصبية التلافيفية مع آليات الانتباه المكاني. تتعلم هذه الشبكة أوزاناً غير ثابتة مكانياً للتحكم في تكوين الخام، وتربطها بنموذج انحدار لوجستي لتحقيق تنبؤات دقيقة لاحتمالات تكوين الخام.

استراتيجيات التحقق متعددة المقاييس ومقارنة النماذج

فيما يتعلق بالتصميم التجريبي، اعتمد فريق البحث استراتيجية تحقق هرمية متعددة المستويات.أولاً، تم إجراء تجربة مقارنة منهجية في منطقة ميغاما تيرا في نوفا سكوتيا، كندا، وهي منطقة مرجعية كلاسيكية للتنبؤ برواسب الذهب.تتم مقارنة الطريقة المقترحة مع العديد من الطرق التمثيلية، مثل الانحدار اللوجستي الموزون جغرافيا، وآلة المتجهات الداعمة، والغابة العشوائية، والشبكة العصبية متعددة الطبقات، وشبكة الانتباه البياني.

وتظهر النتائج أنأظهر نموذج ACAWLR أفضل أداء في كل من الاستدعاء والأداء التنبؤي العام.يحقق هذا النظام توازناً فعالاً بين دقة التنبؤ، والقدرة على التعميم المكاني، وقابلية التفسير الجيولوجي، ويمكنه تحديد توزيع الرواسب المعدنية المعروفة بشكل كامل، وإنشاء خرائط مستقبلية أكثر استمرارية وتوافقاً جيولوجياً.

وفي وقت لاحق، وسعت الدراسة نطاق هذه الطريقة لتشمل المنطقة المعقدة واسعة النطاق لحزام التمعدن النحاسي البورفيري في غرب كورديليرا بالولايات المتحدة، مما يؤكد استقرار النموذج وقوته في التطبيقات عبر المناطق.

علاوة على ذلك، أجرت هذه الدراسة تحليلاً واسع النطاق لتفسير التمعدن، كاشفةً بشكل منهجي عن الاختلافات المكانية في العوامل الرئيسية المتحكمة في الخامات عبر مناطق مختلفة. وتُظهر النتائج أن...يلعب محتوى النحاس دورًا مهيمنًا في أنظمة النحاس البورفيري، في حين أن عوامل مثل الليثولوجيا والصدوع وشذوذات الجاذبية تظهر أنماط تأثير مكاني مختلفة بشكل كبير في ظل خلفيات تكتونية مختلفة.من خلال تحليل التباين، يحدد النموذج بشكل أكبر الاتجاه المعدني الرئيسي المتوافق مع النظام التكتوني الإقليمي، مما يوفر أساسًا بديهيًا لفهم آلية التمعدن وتوجيه نشر استكشاف المعادن.

(أ) اتجاهات التمعدن الأولية والثانوية التي تم الحصول عليها من تحليل القيم الذاتية لعينات التدريب من الرواسب المعدنية؛
(ب) توزيع التقارب المُحسَّن بواسطة الشبكة العصبية المكانية غير المتناحية للتقارب (ASPNN) (يشير اللون الأحمر إلى الأقصر، والأزرق إلى الأطول). الخلفية: توزيع الأقواس الصهارية والمناطق التكتونية من العصر الوسيط إلى الوقت الحاضر (وفقًا ليونكي وويل، 2015). كندا: AB - ألبرتا؛ MB - مانيتوبا؛ SK - ساسكاتشوان. الولايات المتحدة: AZ - أريزونا؛ CA - كاليفورنيا؛ CO - كولورادو؛ ID - أيداهو؛ KS - كانساس؛ MT - مونتانا؛ ND - داكوتا الشمالية؛ NB - نبراسكا؛ NM - نيو مكسيكو؛ NV - نيفادا؛ OR - أوريغون؛ SD - داكوتا الجنوبية؛ TX - تكساس؛ UT - يوتا؛ WA - واشنطن؛ WY - وايومنغ.

فيما يتعلق بالفريق من كلية علوم الأرض بجامعة تشجيانغ

في السنوات الأخيرة، حقق الفريق من كلية علوم الأرض بجامعة تشجيانغ سلسلة من نتائج الأبحاث المتطورة وذات القيمة التطبيقية الهندسية في المجال متعدد التخصصات لعلوم الأرض والذكاء الاصطناعي.

وقد تم استخدام نماذج سلسلة GNNWR الخاصة بالفريق من قبل المتخصصين في الصناعة، بإجمالي تراكمي يقارب 50000 عملية تنزيل واستدعاء واستشهاد.وقد تم تطبيقها على نطاق واسع في مجالات متنوعة مثل علم المحيطات والجغرافيا وعلوم الغلاف الجوي والجيولوجيا. ونُشرت نتائج هذا العمل في مجلة علوم الأرض المرموقة *Geoscientific Model Development*، تحت عنوان "GNNWR: حزمة مفتوحة المصدر لأساليب الانحدار الذكي المكاني الزمني لنمذجة عدم الاستقرار المكاني والزماني".
عنوان الورقة:https://gmd.copernicus.org/articles/17/8455/2024

عنوان نموذج المصدر المفتوح:https://github.com/zjuwss/gnnwr

فبراير 2025اقترح الفريق نموذجًا للتعلم العميق يعتمد على آلية الانتباه - الانحدار الموزون جغرافيًا المدفوع بالانتباه السياقي (CatGWR).من خلال حساب التشابه السياقي بين العينات باستخدام آلية الانتباه ودمجه مع التقارب المكاني، يتم توليد أوزان مكانية-زمانية سياقية، مما يُحسّن دقة تقدير عدم استقرار البيانات المكانية. وقد نُشرت النتائج ذات الصلة، بعنوان "استخدام بنية قائمة على الانتباه لدمج التشابه السياقي في تقدير عدم استقرار البيانات المكانية"، في المجلة الدولية لعلوم المعلومات الجغرافية.

عنوان الورقة:https://www.tandfonline.com/doi/full/10.1080/13658816.2025.2456556

انقر لعرض التفسير الكامل:وباستخدام سعر 1.7 ألف وحدة سكنية في شنتشن كمثال، يستخدم مختبر نظم المعلومات الجغرافية في جامعة تشجيانغ آلية الانتباه لاستخراج سمات السياق الجغرافي وتحسين دقة الانحدار المكاني غير الثابت.

في نوفمبر من نفس العام،كما اقترح الفريق شبكة دمج الرسوم البيانية التباينية غير المتجانسة (HCGFN) للتصنيف المشترك لبيانات HSI و LiDAR، مما يحقق تفاعلًا فعالًا ودمجًا فعالًا بين HSI و LiDAR.تم نشر نتائج هذا العمل في مجلة IEEE Transactions on Geoscience and Remote Sensing، وهي مجلة مشهورة في مجال علوم الأرض، بعنوان "شبكة الانتباه الرسومية ثنائية الرؤية التجميعية والتباينية لتصنيف الصور الطيفية الفائقة".
عنوان الورقة:https://ieeexplore.ieee.org/document/11115095

كما طبّق الفريق نماذج الذكاء المكاني على مشاكل الجغرافيا الاجتماعية والاقتصادية، محققًا نتائج مطابقة أفضل بكثير من النماذج التقليدية، وذلك من خلال إدخال التقارب المكاني وهياكل التعلم العميق. ونُشرت ورقتهم البحثية، بعنوان "تقييمات عدم استقرار أسعار المساكن في ووهان مكانيًا بناءً على نموذج TD-GNNWR"، في مجلة *Acta Geographica Sinica*.قام الفريق بتطوير نموذج دمج مقياس المسافة المكانية والشبكة العصبية بناءً على وقت السفر (TD) (TD-GNNWR)، مما يحسن بشكل كبير من ملاءمة وتفسير عدم استقرار أسعار المساكن الحضرية المكانية.
عنوان الورقة:https://www.geog.com.cn/CN/10.11821/dlxb202408005

علاوة على ذلك، قام فريق البحث بتوسيع نطاق أساليب الانحدار الذكي المكاني الزمني والتعلم العميق لتشمل بناء نماذج بيئية جيولوجية وبحرية وإيكولوجية وجوية.على سبيل المثال، يمكن استخدام الشبكات العصبية الموزونة مكانيًا لتقدير توزيع تدفق الحرارة السطحي لهضبة التبت بدقة، مما يوفر رؤى أساسية حول العمليات الجيوديناميكية داخل الأرض.تم نشر البحث ذي الصلة، بعنوان "توزيع تدفق الحرارة السطحي على هضبة التبت كما كشفت عنه الطرق القائمة على البيانات"، في مجلة البحوث الجيوفيزيائية: الأرض الصلبة.

عنوان الورقة:https://doi.org/10.1029/2023JB028491