Ces dernières années, l'intégration poussée de l'intelligence artificielle et des données géoscientifiques a considérablement favorisé le développement des méthodes de prédiction des ressources minérales. La cartographie de la prospectivité minérale (CPM) est devenue un outil technique essentiel pour réduire les risques liés à l'exploration minière et faciliter la prospection des ressources dans des contextes géologiques profonds et complexes. Toutefois, la minéralisation est régie par de multiples facteurs géologiques tels que la tectonique, la lithologie et l'activité magmatique, et présente une importante non-stationnarité spatiale ainsi que des caractéristiques directionnelles.La plupart des méthodes d'apprentissage automatique et de modélisation graphique existantes ont tendance à traiter ces caractéristiques spatiales implicitement, ce qui rend difficile la caractérisation explicite de l'anisotropie et des différences régionales dans le processus de minéralisation.Par conséquent, des lacunes subsistent en termes d'interprétabilité géologique et de stabilité prédictive.

En réponse aux problèmes ci-dessus,Une équipe de recherche de l'université du Zhejiang a proposé une méthode de prédiction de la minéralisation basée sur des données et contrainte par des contraintes géologiques.En intégrant explicitement les relations de proximité spatiale anisotropes et les mécanismes de modélisation spatiale non stationnaire au cadre de prédiction, on obtient une expression quantitative du contrôle de l'hétérogénéité et de la directionnalité de la minéralisation. Cette méthode construit un réseau neuronal de proximité spatiale anisotrope et combine un mécanisme de pondération par attention convolutionnelle avec un modèle de régression logistique afin d'intégrer efficacement des informations géoscientifiques multisources.Tout en préservant la précision des prédictions, elle améliore considérablement la cohérence géologique et l'interprétabilité du modèle.

La validation multi-échelle du gisement aurifère du terrane de Megama au Canada et de la ceinture métallogénique de cuivre porphyrique de Cordillera aux États-Unis indique que…Cette méthode surpasse de nombreux modèles classiques en termes de rappel et de performance de généralisation globale, et peut révéler les principaux facteurs contrôlant le minerai et la direction de la minéralisation à l'échelle régionale.Cette étude propose une nouvelle approche technique pour intégrer explicitement les contraintes géologiques dans les modèles basés sur les données et présente une valeur de référence pour l'exploration minière intelligente et la recherche quantitative sur les mécanismes de minéralisation.

Les résultats de la recherche ont été publiés dans la revue Geology sous le titre « Modélisation géologique basée sur les données pour la cartographie du potentiel minier ».

Points saillants de la recherche :

* Dépassant les limitations de traitement implicites des méthodes d'apprentissage automatique traditionnelles, cet article construit un réseau neuronal de proximité spatiale anisotrope pour parvenir à une caractérisation quantitative de l'hétérogénéité spatiale des processus de minéralisation complexes.

* L'intégration poussée des contraintes géologiques et des méthodes basées sur les données préserve l'interprétabilité de la structure du modèle et sa cohérence géologique ;

* Il peut révéler les principaux facteurs contrôlant le minerai et les caractéristiques directionnelles de formation du minerai à l'échelle régionale, et atteindre des performances de généralisation robustes pour la vérification interrégionale et multi-échelle.

Adresse du document :
https://go.hyper.ai/vbUpa

Suivez notre compte WeChat officiel et répondez « prédiction métallogénique » en arrière-plan pour obtenir l'article complet.

Autres articles sur les frontières de l'IA : 

https://hyper.ai/papers

Une prédiction fiable de la probabilité de minéralisation est obtenue grâce à un modèle de régression logistique pondéré par un réseau neuronal profond.

La minéralisation est généralement contrôlée par une combinaison de facteurs tectoniques, lithologiques, magmatiques et géophysiques-géochimiques.Sa distribution spatiale présente une non-stationnarité et des caractéristiques directionnelles significatives.Cela rend difficile pour les modèles statistiques traditionnels ou les méthodes purement basées sur les données, qui reposent sur des hypothèses globales, de caractériser avec précision les différences de minéralisation et les schémas de minéralisation locaux à l'échelle régionale. Bien que les méthodes d'apprentissage automatique et d'intelligence artificielle aient réalisé des progrès significatifs dans la prédiction des prospects miniers ces dernières années, la plupart des modèles tendent à gérer les contraintes spatiales de manière implicite, ce qui rend difficile la prise en compte des processus de contrôle géologique réels et explique les lacunes persistantes en termes d'interprétabilité géologique et de capacité de généralisation.

Une équipe de recherche de l'Université du Zhejiang a analysé de manière systématique les limites des méthodes existantes de prédiction des gisements miniers, en se concentrant sur la question scientifique fondamentale suivante : « comment intégrer explicitement les contraintes géologiques dans un cadre basé sur les données ? » Les méthodes géostatistiques traditionnelles peuvent atténuer la non-stationnarité spatiale dans une certaine mesure, mais leurs hypothèses de linéarité rendent difficile la caractérisation des processus de minéralisation non linéaires complexes. Bien que les réseaux de neurones et les réseaux de neurones graphiques, apparus ces dernières années, aient démontré des performances remarquables en matière de précision de prédiction,Cependant, ils n'apprennent souvent les dépendances spatiales qu'implicitement à travers la structure du modèle, faute de mécanisme de caractérisation directe de l'anisotropie de minéralisation et de l'hétérogénéité spatiale.Ces lacunes limitent la capacité du modèle à identifier le contrôle tectonique régional et la direction de la minéralisation.

Cette étude a sélectionné deux ensembles de données représentatifs à l'échelle régionale :

* Ensemble de données du gisement aurifère du terrane de Meguma au Canada :Cette zone constitue une référence classique dans le domaine de la prévision des gisements miniers. Elle dispose de données complètes sur la présence de minéraux et d'un contexte de minéralisation clair, et est utilisée depuis longtemps pour la comparaison des méthodes et l'évaluation de leurs performances.

* Ensemble de données de la ceinture métallogénique de cuivre porphyrique dans la région méridionale de la Cordillère des États-Unis :Couvrant plusieurs États, avec de vastes échelles régionales et des activités tectoniques et magmatiques complexes, il est utilisé pour tester la stabilité et la capacité de généralisation des modèles dans des environnements géologiques complexes à grande échelle.

Ces deux ensembles de données correspondent respectivement à une prédiction fine à petite échelle et à une généralisation régionale à grande échelle.Les données minières canadiennes ont servi de référence pour l'évaluation initiale du modèle et la comparaison des méthodes, afin de vérifier ses performances en matière de reconnaissance et de rappel dans des scénarios classiques de prédiction pour des mines d'or de petite taille. Les données minières américaines ont quant à elles constitué un terrain de généralisation et de validation dans des environnements tectoniques complexes à grande échelle, permettant de tester la stabilité interrégionale et la capacité de généralisation du modèle dans les systèmes de cuivre porphyriques.

D'après les données,Cette étude propose un modèle de régression logistique convolutionnelle anisotrope pondérée par l'attention (ACAWLR).Cette méthode est utilisée pour la prédiction des gisements miniers sous contraintes géologiques. Elle extrait d'abord les directions de minéralisation primaire et secondaire de la distribution des gisements par une analyse de covariance pondérée par la direction, puis construit une métrique de distance spatiale anisotrope à partir de ces directions. Ensuite, elle introduit un réseau de neurones de proximité spatiale anisotrope (ASPNN) pour intégrer les relations spatiales directionnelles au modèle de manière apprenante, caractérisant ainsi explicitement les caractéristiques directionnelles du processus de minéralisation.

S’appuyant sur ces fondements, un réseau de neurones convolutifs pondérés par l’attention est construit en combinant des réseaux de neurones convolutifs avec des mécanismes d’attention spatiale. Ce réseau apprend des pondérations spatialement non stationnaires contrôlant la formation du minerai et les associe à un modèle de régression logistique pour obtenir des prédictions robustes des probabilités de formation du minerai.

Stratégies de validation multi-échelles et comparaison de modèles

En termes de conception expérimentale, l'équipe de recherche a adopté une stratégie de vérification hiérarchique multi-échelle.Tout d’abord, une expérience comparative systématique a été menée à Megama Terra en Nouvelle-Écosse, au Canada, une zone de référence classique pour la prédiction des gisements d’or.La méthode proposée est comparée à plusieurs méthodes représentatives, telles que la régression logistique pondérée géographiquement, la machine à vecteurs de support, la forêt aléatoire, le perceptron multicouche et le réseau d'attention graphique.

Les résultats montrent queACAWLR a obtenu les meilleurs résultats tant en termes de rappel que de performance prédictive globale.Il permet d'atteindre un équilibre efficace entre la précision des prédictions, la capacité de généralisation spatiale et l'interprétabilité géologique, et peut identifier pleinement la distribution des gisements minéraux connus et générer des cartes prospectives plus continues et géologiquement cohérentes.

Par la suite, l'étude a étendu la méthode à la vaste région complexe de la ceinture métallogénique de cuivre porphyrique de la Cordillère occidentale aux États-Unis, vérifiant ainsi la stabilité et la robustesse du modèle dans les applications interrégionales.

De plus, cette étude a également mené une analyse d'interprétabilité de la minéralisation à grande échelle, révélant systématiquement les différences spatiales des principaux facteurs contrôlant la minéralisation selon les régions. Les résultats montrent que…La teneur en cuivre joue un rôle prépondérant dans les systèmes de cuivre porphyrique, tandis que des facteurs tels que la lithologie, les failles et les anomalies gravimétriques présentent des schémas d'influence spatiale significativement différents selon les contextes tectoniques.Grâce à l'analyse de l'anisotropie, le modèle identifie en outre la direction principale de la métallogénèse cohérente avec le système tectonique régional, fournissant une base intuitive pour comprendre le mécanisme de la métallogénèse et orienter le déploiement de l'exploration minière.

(A) Directions de minéralisation primaire et secondaire obtenues à partir de la décomposition en valeurs propres d'échantillons d'entraînement de gisements minéraux ;
(B) Distribution de proximité optimisée par le réseau neuronal de proximité spatiale anisotrope (ASPNN) (le rouge indique les distances les plus courtes, le bleu les plus longues). Contexte : distribution des arcs magmatiques et des zones tectoniques du Mésozoïque à nos jours (d’après Yonkee et Weil, 2015). Canada : AB – Alberta ; MB – Manitoba ; SK – Saskatchewan. États-Unis : AZ – Arizona ; CA – Californie ; CO – Colorado ; ID – Idaho ; KS – Kansas ; MT – Montana ; ND – Dakota du Nord ; NB – Nebraska ; NM – Nouveau-Mexique ; NV – Nevada ; OR – Oregon ; SD – Dakota du Sud ; TX – Texas ; UT – Utah ; WA – Washington ; WY – Wyoming.

Concernant l'équipe de l'École des sciences de la Terre de l'Université du Zhejiang

Ces dernières années, l'équipe du Collège des sciences de la Terre de l'Université du Zhejiang a obtenu une série de résultats de recherche de pointe et à forte valeur ajoutée pour les applications d'ingénierie dans le domaine interdisciplinaire des sciences de la Terre et de l'intelligence artificielle.

Les modèles de la série GNNWR de l'équipe ont été utilisés par des professionnels du secteur, avec un total cumulé de près de 50 000 téléchargements, appels et citations.Cette méthode a été largement appliquée dans divers domaines tels que l'océanographie, la géographie, les sciences de l'atmosphère et la géologie. Les résultats de ces travaux ont été publiés dans la revue scientifique de référence *Geoscientific Model Development*, sous le titre « GNNWR : un ensemble de méthodes de régression intelligentes spatio-temporelles open source pour la modélisation de la non-stationnarité spatiale et temporelle ».
Adresse du document :https://gmd.copernicus.org/articles/17/8455/2024

Adresse du modèle open source :https://github.com/zjuwss/gnnwr

Février 2025L'équipe a proposé un modèle d'apprentissage profond basé sur un mécanisme d'attention : la régression géographiquement pondérée pilotée par l'attention contextuelle (CatGWR).En calculant la similarité contextuelle entre les échantillons à l'aide d'un mécanisme d'attention et en la combinant à la proximité spatiale, on génère des pondérations spatio-temporelles contextualisées, ce qui permet d'estimer plus précisément la non-stationnarité spatiale. Les résultats correspondants, intitulés « Utilisation d'une architecture basée sur l'attention pour intégrer la similarité contextuelle dans l'estimation de la non-stationnarité spatiale », ont été publiés dans l'International Journal of Geographical Information Science.

Adresse du document :https://www.tandfonline.com/doi/full/10.1080/13658816.2025.2456556

Cliquez pour consulter l'interprétation complète :Prenant comme exemple le prix de 1 700 logements résidentiels à Shenzhen, le laboratoire SIG de l'Université du Zhejiang utilise le mécanisme d'attention pour exploiter les caractéristiques du contexte géographique et améliorer la précision de la régression spatiale non stationnaire.

En novembre de la même année,L'équipe a également proposé un réseau de fusion de graphes contrastifs hétérogènes (HCGFN) pour la classification conjointe des données HSI et LiDAR, permettant une interaction efficace et une fusion efficace entre HSI et LiDAR.Les résultats de ce travail ont été publiés dans IEEE Transactions on Geoscience and Remote Sensing, une revue renommée dans le domaine des sciences de la Terre, sous le titre « Aggregative and Contrastive Dual-View Graph Attention Network for Hyperspectral Image Classification ».
Adresse du document :https://ieeexplore.ieee.org/document/11115095

L'équipe a également appliqué des modèles d'intelligence spatiale à des problèmes de géographie socio-économique, obtenant des résultats nettement supérieurs aux modèles traditionnels grâce à l'introduction de la proximité spatiale et de structures d'apprentissage profond. Leur article, intitulé « Évaluations de la non-stationnarité spatiale des prix du logement à Wuhan basées sur un modèle TD-GNNWR », a été publié dans la revue *Acta Geographica Sinica*.L'équipe a développé un modèle de fusion de métrique de distance spatiale et de réseau neuronal basé sur le temps de trajet (TD) (TD-GNNWR), ce qui améliore considérablement l'ajustement et l'interprétabilité de la non-stationnarité spatiale des prix des logements urbains.
Adresse du document :https://www.geog.com.cn/CN/10.11821/dlxb202408005

De plus, l'équipe de recherche a étendu les méthodes de régression intelligente spatio-temporelle et d'apprentissage profond à la construction de modèles environnementaux géologiques, marins, écologiques et atmosphériques.Par exemple, les réseaux neuronaux pondérés spatialement peuvent être utilisés pour estimer avec précision la distribution du flux de chaleur à la surface du plateau tibétain, fournissant ainsi des informations clés sur les processus géodynamiques à l'œuvre au sein de la Terre.L'étude connexe, intitulée « La distribution du flux de chaleur de surface sur le plateau tibétain révélée par des méthodes basées sur les données », a été publiée dans le Journal of Geophysical Research: Solid Earth.

Adresse du document :https://doi.org/10.1029/2023JB028491