Die tiefgreifende Integration von künstlicher Intelligenz und geowissenschaftlichen Daten hat in den letzten Jahren die Entwicklung von Methoden zur Vorhersage von Mineralressourcen maßgeblich vorangetrieben. Die Kartierung des Mineralpotenzials (Mineral Prospectivity Mapping, MPM) hat sich zu einem wichtigen technischen Instrument entwickelt, um die Risiken der Mineralexploration zu minimieren und die Ressourcenexploration unter tiefen und komplexen geologischen Bedingungen zu unterstützen. Die Mineralisierung wird jedoch von vielfältigen geologischen Faktoren wie Tektonik, Lithologie und magmatischer Aktivität beeinflusst und weist eine ausgeprägte räumliche Nichtstationarität sowie Richtungsabhängigkeit auf.Die meisten bestehenden Methoden des maschinellen Lernens und der Graphenmodellierung behandeln diese räumlichen Merkmale implizit, was es schwierig macht, die Anisotropie und die regionalen Unterschiede im Mineralisierungsprozess explizit zu charakterisieren.Daher bestehen weiterhin Defizite hinsichtlich der geologischen Interpretierbarkeit und der Vorhersagestabilität.

Als Reaktion auf die oben genannten ProblemeEin Forschungsteam der Zhejiang-Universität hat eine geologisch fundierte, datengetriebene Methode zur Vorhersage der Mineralisierung vorgeschlagen.Durch die explizite Einbeziehung anisotroper räumlicher Nähebeziehungen und räumlicher nichtstationärer Modellierungsmechanismen in den Vorhersagerahmen wird eine quantitative Beschreibung der Kontrolle über die Heterogenität und Richtung der Mineralisierung erreicht. Diese Methode konstruiert ein anisotropes neuronales Netzwerk für räumliche Nähebeziehungen und kombiniert einen Faltungs-Aufmerksamkeits-Gewichtungsmechanismus mit einem logistischen Regressionsmodell, um geowissenschaftliche Informationen aus verschiedenen Quellen effektiv zu integrieren.Bei gleichbleibender Vorhersagegenauigkeit wird gleichzeitig die geologische Konsistenz und Interpretierbarkeit des Modells deutlich verbessert.

Multiskalige Validierungsstudien in der Goldlagerstätte Megama-Terran in Kanada und im porphyrischen Kupfer-Metallogenese-Gürtel der Cordillera in den Vereinigten Staaten deuten darauf hin, dass...Diese Methode übertrifft viele gängige Modelle hinsichtlich Trefferquote und allgemeiner Generalisierungsleistung und kann wichtige erzbestimmende Faktoren sowie die Richtung der Mineralisierung auf regionaler Ebene aufdecken.Diese Studie bietet einen neuen technischen Ansatz zur expliziten Einbeziehung geologischer Randbedingungen in datengetriebene Modelle und hat Referenzwert für die intelligente Mineralexploration und die quantitative Forschung zu Mineralisierungsmechanismen.

Die Forschungsergebnisse wurden in der Fachzeitschrift Geology unter dem Titel „Geologisch eingeschränkte datengetriebene Modellierung für die Kartierung von Mineralprospektionsgebieten“ veröffentlicht.

Forschungshighlights:

* Durch die Überwindung der impliziten Verarbeitungsbeschränkungen traditioneller Methoden des maschinellen Lernens wird in diesem Beitrag ein anisotropes neuronales Netzwerk zur räumlichen Nähe konstruiert, um eine quantitative Charakterisierung der räumlichen Heterogenität komplexer Mineralisierungsprozesse zu erreichen.

* Die enge Verknüpfung geologischer Randbedingungen mit datengetriebenen Methoden gewährleistet die Interpretierbarkeit der Modellstruktur und die geologische Konsistenz;

* Es kann wichtige erzkontrollierende Faktoren und erzbildende Richtungsmerkmale auf regionaler Ebene aufdecken und eine robuste Generalisierungsleistung für die regionsübergreifende und multiskalare Verifizierung erzielen.

Papieradresse:
https://go.hyper.ai/vbUpa

Folgen Sie unserem offiziellen WeChat-Account und antworten Sie im Hintergrund mit „metallogene Vorhersage“, um die vollständige Abhandlung zu erhalten.

Weitere Artikel zu den Grenzen der KI: 

https://hyper.ai/papers

Eine robuste Vorhersage der Mineralisierungswahrscheinlichkeit wird durch ein gewichtetes logistisches Regressionsmodell auf Basis eines tiefen neuronalen Netzes erreicht.

Die Mineralisierung wird typischerweise durch eine Kombination tektonischer, lithologischer, magmatischer und geophysikalisch-geochemischer Faktoren gesteuert.Ihre räumliche Verteilung weist deutliche Nichtstationarität und Richtungscharakteristika auf.Dies erschwert es traditionellen statistischen Modellen oder rein datengetriebenen Methoden, die auf globalen Annahmen beruhen, Mineralisierungsunterschiede und lokale Mineralisierungsmuster auf regionaler Ebene präzise zu charakterisieren. Obwohl maschinelles Lernen und Methoden der künstlichen Intelligenz in den letzten Jahren bedeutende Fortschritte bei der Vorhersage von Mineralvorkommen erzielt haben, behandeln die meisten Modelle räumliche Beschränkungen implizit. Dadurch ist es schwierig, die tatsächlichen geologischen Kontrollprozesse abzubilden, und es bestehen weiterhin Defizite hinsichtlich geologischer Interpretierbarkeit und Generalisierungsfähigkeit.

Ein Forschungsteam der Zhejiang-Universität analysierte systematisch die Grenzen bestehender Methoden zur Vorhersage von Mineralvorkommen und konzentrierte sich dabei auf die zentrale wissenschaftliche Frage, wie geologische Randbedingungen explizit in ein datengetriebenes Modell integriert werden können. Traditionelle geostatistische Methoden können räumliche Nichtstationarität bis zu einem gewissen Grad abmildern, doch ihre linearen Annahmen erschweren die Charakterisierung komplexer nichtlinearer Mineralisierungsprozesse. Neuronale Netze und Graph-Neuronale Netze, die in den letzten Jahren entwickelt wurden, haben hingegen eine herausragende Vorhersagegenauigkeit gezeigt.Allerdings lernen sie räumliche Abhängigkeiten oft nur implizit über die Modellstruktur kennen, da ihnen ein direkter Charakterisierungsmechanismus für die Anisotropie der Mineralisierung und die räumliche Heterogenität fehlt.Diese Mängel schränken die Fähigkeit des Modells ein, regionale tektonische Einflüsse und die Richtung der Mineralisierung zu identifizieren.

In dieser Studie wurden zwei repräsentative Datensätze auf regionaler Ebene ausgewählt:

* Datensatz des Goldfelds Meguma-Terran in Kanada:Dieses Gebiet gilt als klassisches Referenzgebiet im Bereich der Mineralprospektion. Es verfügt über vollständige Daten zum Mineralvorkommen und einen klaren Mineralisierungshintergrund und wird seit langem für Methodenvergleiche und Leistungsbewertungen genutzt.

* Datensatz des porphyrischen Kupfer-Metallogenese-Gürtels in der südlichen Kordillerenregion der Vereinigten Staaten:Es umfasst mehrere Staaten, große regionale Dimensionen und komplexe tektonische und magmatische Aktivitäten und dient dazu, die Stabilität und Generalisierungsfähigkeit von Modellen in großräumigen, komplexen geologischen Umgebungen zu testen.

Diese beiden Datensätze entsprechen der kleinräumigen, detaillierten Vorhersage bzw. der großräumigen regionalen Generalisierung.Der kanadische Bergbaudatensatz diente als Benchmark für die erste Modellevaluierung und den Methodenvergleich, um die Erkennungs- und Trefferquote des Modells in klassischen, kleinräumigen Goldminen-Prognoseszenarien zu überprüfen. Der US-amerikanische Bergbaudatensatz diente als Generalisierungs- und Validierungsgebiet in großflächigen, tektonisch komplexen Umgebungen, um die regionsübergreifende Stabilität und Generalisierungsfähigkeit des Modells in Porphyr-Kupfer-Systemen zu testen.

Basierend auf Daten,Diese Studie schlägt ein anisotropes, aufmerksamkeitsgewichtetes logistisches Regressionsmodell mit Faltung (ACAWLR) vor.Diese Methode dient der Vorhersage von Mineralvorkommen unter geologischen Randbedingungen. Zunächst werden die primären und sekundären Mineralisierungsrichtungen der Lagerstättenverteilung mittels richtungsgewichteter Kovarianzanalyse extrahiert und darauf basierend ein anisotropes räumliches Distanzmaß konstruiert. Anschließend wird ein anisotropes neuronales Netzwerk zur räumlichen Nähe (ASPNN) eingeführt, um richtungsabhängige räumliche Beziehungen lernfähig in das Modell einzubetten und so die richtungsabhängigen Merkmale des Mineralisierungsprozesses explizit zu charakterisieren.

Aufbauend auf dieser Grundlage wird ein gewichtetes Convolutional Attention Network (CAN) konstruiert, indem Convolutional Neural Networks (CNNs) mit Spatial-Channel Attention Mechanisms kombiniert werden. Dieses Netzwerk lernt räumlich nicht-stationäre, erzsteuernde Gewichte und koppelt diese mit einem logistischen Regressionsmodell, um robuste Vorhersagen der Erzbildungswahrscheinlichkeiten zu erzielen.

Multiskalige Validierungsstrategien und Modellvergleich

Hinsichtlich des Versuchsaufbaus wählte das Forschungsteam eine mehrstufige, hierarchische Verifikationsstrategie.Zunächst wurde ein systematisches Vergleichsexperiment in der Megama Terra in Nova Scotia, Kanada, einem klassischen Benchmark-Gebiet für die Vorhersage von Goldlagerstätten, durchgeführt.Die vorgeschlagene Methode wird mit mehreren repräsentativen Methoden verglichen, wie z. B. geografisch gewichteter logistischer Regression, Support Vector Machine, Random Forest, Multilayer Perceptron und Graph Attention Network.

Die Ergebnisse zeigen, dassACAWLR erzielte die besten Ergebnisse sowohl bei der Trefferquote als auch bei der Gesamtvorhersageleistung.Es erzielt ein effektives Gleichgewicht zwischen Vorhersagegenauigkeit, räumlicher Generalisierungsfähigkeit und geologischer Interpretierbarkeit und kann die Verteilung bekannter Mineralvorkommen vollständig identifizieren und kontinuierlichere und geologisch konsistentere prospektive Karten erstellen.

Anschließend wurde die Methode auf die großflächige komplexe Region des westlichen Cordillera-Porphyr-Kupfer-Metallogenese-Gürtels in den Vereinigten Staaten ausgedehnt, wodurch die Stabilität und Robustheit des Modells bei regionenübergreifenden Anwendungen bestätigt wurde.

Darüber hinaus wurde in dieser Studie eine groß angelegte Analyse der Interpretierbarkeit der Mineralisierung durchgeführt, um die räumlichen Unterschiede der wichtigsten erzführenden Faktoren in verschiedenen Regionen systematisch aufzuzeigen. Die Ergebnisse zeigen, dass…Der Kupfergehalt spielt in Porphyr-Kupfersystemen eine dominierende Rolle, während Faktoren wie Lithologie, Verwerfungen und Gravitationsanomalien unter verschiedenen tektonischen Bedingungen deutlich unterschiedliche räumliche Einflussmuster aufweisen.Mithilfe der Anisotropieanalyse identifiziert das Modell darüber hinaus die Hauptrichtung der Metallogenese, die mit dem regionalen tektonischen System übereinstimmt. Dies bietet eine intuitive Grundlage für das Verständnis des metallogenetischen Mechanismus und dient als Leitfaden für die Mineralexploration.

(A) Primäre und sekundäre Mineralisierungsrichtungen, die aus der Eigenwertzerlegung von Trainingsproben von Mineralvorkommen gewonnen wurden;
(B) Durch das anisotrope räumliche Proximity-Neuronale Netzwerk (ASPNN) optimierte Proximity-Verteilung (rot: kürzere, blau: längere Entfernungen). Hintergrund: Verteilung magmatischer Bögen und tektonischer Zonen vom Mesozoikum bis heute (nach Yonkee und Weil, 2015). Kanada: AB – Alberta; MB – Manitoba; SK – Saskatchewan. Vereinigte Staaten: AZ – Arizona; CA – Kalifornien; CO – Colorado; ID – Idaho; KS – Kansas; MT – Montana; ND – North Dakota; NB – Nebraska; NM – New Mexico; NV – Nevada; OR – Oregon; SD – South Dakota; TX – Texas; UT – Utah; WA – Washington; WY – Wyoming.

Bezüglich des Teams der Fakultät für Geowissenschaften der Zhejiang-Universität

Das Team des College of Earth Sciences der Zhejiang-Universität hat in den letzten Jahren eine Reihe von bahnbrechenden und anwendungsrelevanten Forschungsergebnissen im interdisziplinären Bereich der Geowissenschaften und der künstlichen Intelligenz erzielt.

Die GNNWR-Modelle des Teams wurden von Branchenexperten genutzt und verzeichneten insgesamt fast 50.000 Downloads, Aufrufe und Zitate.Es wurde in verschiedenen Bereichen wie Ozeanographie, Geographie, Atmosphärenwissenschaft und Geologie breit angewendet. Die Ergebnisse dieser Arbeit wurden in der renommierten geowissenschaftlichen Fachzeitschrift *Geoscientific Model Development* unter dem Titel „GNNWR: Ein Open-Source-Paket raumzeitlicher intelligenter Regressionsmethoden zur Modellierung räumlicher und zeitlicher Nichtstationarität“ veröffentlicht.
Papieradresse:https://gmd.copernicus.org/articles/17/8455/2024

Modell-Open-Source-Adresse:https://github.com/zjuwss/gnnwr

Februar 2025Das Team schlug ein Deep-Learning-Modell vor, das auf einem Aufmerksamkeitsmechanismus basiert – Contextual Attention-Driven Geographically Weighted Regression (CatGWR).Durch die Berechnung der kontextuellen Ähnlichkeit zwischen Stichproben mithilfe eines Aufmerksamkeitsmechanismus und deren Kombination mit räumlicher Nähe werden kontextualisierte raumzeitliche Gewichte generiert, wodurch die räumliche Nichtstationarität genauer geschätzt werden kann. Die zugehörigen Ergebnisse mit dem Titel „Using an attention-based architecture to integrate context similarity into spatial non-stationarity estimation“ wurden im International Journal of Geographical Information Science veröffentlicht.

Papieradresse:https://www.tandfonline.com/doi/full/10.1080/13658816.2025.2456556

Klicken Sie hier, um die vollständige Interpretation anzuzeigen:Am Beispiel des Wohnimmobilienpreises von 1,7.000 in Shenzhen verwendet das GIS-Labor der Zhejiang-Universität den Aufmerksamkeitsmechanismus, um geografische Kontextmerkmale zu ermitteln und die Genauigkeit der räumlichen nichtstationären Regression zu verbessern.

Im November desselben JahresDas Team schlug außerdem ein heterogenes kontrastives Graphfusionsnetzwerk (HCGFN) zur gemeinsamen Klassifizierung von HSI- und LiDAR-Daten vor, wodurch eine effiziente Interaktion und effektive Fusion zwischen HSI und LiDAR erreicht wird.Die Ergebnisse dieser Arbeit wurden in IEEE Transactions on Geoscience and Remote Sensing, einer renommierten Fachzeitschrift im Bereich der Geowissenschaften, unter dem Titel „Aggregative and Contrastive Dual-View Graph Attention Network for Hyperspectral Image Classification“ veröffentlicht.
Papieradresse:https://ieeexplore.ieee.org/document/11115095

Das Team wandte zudem Modelle räumlicher Intelligenz auf sozioökonomische Geographieprobleme an und erzielte durch die Einbeziehung räumlicher Nähe und Deep-Learning-Strukturen deutlich bessere Ergebnisse als herkömmliche Modelle. Ihre Arbeit mit dem Titel „Räumliche Nichtstationaritätsbewertungen von Wohnungspreisen in Wuhan auf Basis eines TD-GNNWR-Modells“ wurde in der *Acta Geographica Sinica* veröffentlicht.Das Team entwickelte ein räumliches Distanzmetrik- und neuronales Netzwerkfusionsmodell auf Basis der Reisezeit (TD) (TD-GNNWR), welches die Anpassung und Interpretierbarkeit der räumlichen Nichtstationarität der städtischen Wohnungspreise deutlich verbessert.
Papieradresse:https://www.geog.com.cn/CN/10.11821/dlxb202408005

Darüber hinaus erweiterte das Forschungsteam Methoden der raumzeitlichen intelligenten Regression und des Deep Learning auf die Konstruktion geologischer, mariner, ökologischer und atmosphärischer Umweltmodelle.Beispielsweise können räumlich gewichtete neuronale Netze verwendet werden, um die Oberflächenwärmestromverteilung des tibetischen Plateaus genau abzuschätzen und so wichtige Erkenntnisse über die geodynamischen Prozesse im Inneren der Erde zu gewinnen.Die zugehörige Studie mit dem Titel „Die Verteilung des Oberflächenwärmeflusses auf dem tibetischen Plateau, ermittelt durch datengetriebene Methoden“ wurde im Journal of Geophysical Research: Solid Earth veröffentlicht.

Papieradresse:https://doi.org/10.1029/2023JB028491