近年、人工知能と地質科学データの深層統合により、鉱物資源予測手法の発展が著しく促進されています。鉱物探査マッピング（MPM）は、鉱物探査リスクを低減し、深部かつ複雑な地質条件下での資源探査を支援する重要な技術手段となっています。しかし、鉱化作用は、テクトニクス、岩相、マグマ活動といった複数の地質学的要因によって制御されており、空間的な非定常性と方向性が顕著です。既存の機械学習やグラフモデル手法のほとんどは、これらの空間的特徴を暗黙的に処理する傾向があり、鉱化過程における異方性や地域差を明示的に特徴付けることが困難になっています。そのため、地質学的解釈可能性と予測の安定性の点では依然として欠陥が残っています。

上記の問題に対応して、浙江大学の研究チームは、地質学的に制約されたデータ駆動型の鉱化予測方法を提案した。異方性空間近接関係と空間非定常モデリングメカニズムを予測フレームワークに明示的に導入することで、鉱化作用の不均一性と方向性に対する制御を定量的に表現することが可能になります。この手法は、異方性空間近接ニューラルネットワークを構築し、畳み込みアテンション重み付けメカニズムとロジスティック回帰モデルを組み合わせることで、複数の情報源から得られる地質科学情報を効果的に統合します。予測精度を維持しながら、モデルの地質学的一貫性と解釈可能性が大幅に向上します。

カナダのメガマ・テレーン金鉱床と米国のコルディレラ斑岩銅鉱床帯におけるマルチスケール検証により、次のことが示されています...この方法は、再現率と全体的な一般化パフォーマンスの点で多くの主流モデルよりも優れており、地域規模で主要な鉱石制御要因と鉱化の方向性を明らかにすることができます。この研究は、データ駆動型モデルに地質学的制約を明示的に組み込むための新しい技術的アプローチを提供し、インテリジェントな鉱物探査と鉱化メカニズムの定量的研究にとって参考価値を持っています。

研究結果は「鉱物探査マッピングのための地質学的に制約されたデータ駆動型モデリング」というタイトルで地質学誌に掲載されました。

研究のハイライト:

* この論文では、従来の機械学習手法の暗黙的な処理限界を打ち破り、異方性空間近接ニューラル ネットワークを構築して、複雑な鉱化プロセスの空間的異質性の定量的な特性評価を実現します。

* 地質学的制約とデータ駆動型手法の緊密な統合により、モデル構造の解釈可能性と地質学的一貫性が維持されます。

* 地域規模で主要な鉱石制御要因と鉱石形成方向特性を明らかにし、地域間およびマルチスケール検証のための堅牢な一般化パフォーマンスを実現できます。

用紙のアドレス:
https://go.hyper.ai/vbUpa

論文全文を入手するには、当社の公式 WeChat アカウントをフォローし、バックグラウンドで「鉱床生成予測」と返信してください。

AIフロンティアに関するその他の論文: 

https://hyper.ai/papers

ディープ ニューラル ネットワークの加重ロジスティック回帰モデルに基づいて、鉱化確率の堅牢な予測が実現されます。

鉱化作用は、通常、地殻構造、岩石学、マグマ学、および地球物理学的・地球化学的要因の組み合わせによって制御されます。その空間分布は、顕著な非定常性と方向性を示しています。このため、従来の統計モデルや、地球規模の仮定に基づく純粋なデータ駆動型の手法では、地域規模における鉱化特性の違いや局所的な鉱化パターンを正確に特徴づけることが困難になっています。近年、機械学習や人工知能を用いた手法は鉱物資源の探査予測において大きな進歩を遂げていますが、ほとんどのモデルは空間的制約を暗黙的に扱う傾向があり、実際の地質学的制御プロセスを反映することが困難です。そのため、地質学的解釈可能性と一般化能力の点で依然として欠陥が残っています。

浙江大学の研究チームは、既存の鉱物資源予測手法の限界を体系的に分析し、「データ駆動型の枠組みにおいて地質学的制約をどのように明示的に導入するか」という核心的な科学的課題に焦点を当てました。従来の地統計学的手法は空間的非定常性をある程度緩和できますが、線形仮定に基づくため、複雑な非線形鉱化過程を特徴付けることが困難です。近年登場したニューラルネットワークやグラフニューラルネットワークといった手法は、予測精度において優れた性能を示していますが、しかし、多くの場合、モデル構造を通じて暗黙的に空間依存性を学習するだけで、鉱化異方性や空間異質性を直接的に特徴付けるメカニズムが欠けています。これらの欠点により、地域の地殻変動制御と鉱化の方向性を識別するモデルの能力が制限されます。

この研究では、代表的な地域規模のデータセットを 2 つ選択しました。

* カナダのメグマ・テレーン金鉱のデータセット:この地域は、鉱物資源予測分野における典型的なベンチマーク地域であり、鉱物の賦存状況に関する完全なデータと明確な鉱化背景を有しており、長年にわたり手法の比較や性能評価に利用されてきました。

* アメリカ合衆国南部コルディレラ地域の斑岩銅鉱床帯のデータセット:大規模な地域規模と複雑な地質学的・マグマ活動を伴う複数の状態をカバーし、大規模で複雑な地質環境におけるモデルの安定性と一般化能力をテストするために使用されます。

これら 2 つのデータセットは、それぞれ小規模のきめ細かい予測と大規模な地域の一般化に対応しています。カナダの鉱業データセットは、初期モデル評価と手法比較のベンチマークとして使用され、典型的な小規模金鉱山予測シナリオにおけるモデルの認識性能と再現率を検証しました。米国の鉱業データセットは、大規模で複雑な地殻変動環境における一般化および検証領域として使用され、斑岩銅鉱床におけるモデルの地域間安定性と一般化能力を検証しました。

データに基づいて、この研究では、異方性畳み込み注意重み付けロジスティック回帰 (ACAWLR) モデルを提案します。この手法は、地質学的制約下での鉱物資源の探査予測に用いられる。まず、方向重み付け共分散分析によって鉱床分布の一次および二次鉱化方向を抽出し、これに基づいて異方性空間距離指標を構築する。次に、異方性空間近接性ニューラルネットワーク（ASPNN）を導入し、方向と空間の関係を学習可能な方法でモデルに組み込むことで、鉱化プロセスにおける方向依存的な特徴を明示的に特徴付ける。

この基盤の上に、畳み込みニューラルネットワークと空間チャネルアテンション機構を組み合わせることで、畳み込みアテンション重み付きネットワークが構築されます。このネットワークは、空間的に非定常な鉱石制御重みを学習し、ロジスティック回帰モデルと組み合わせることで、鉱石形成確率のロバストな予測を実現します。

マルチスケール検証戦略とモデル比較

実験設計に関しては、研究チームはマルチスケールの階層的検証戦略を採用しました。まず、金鉱床予測の古典的なベンチマーク地域であるカナダのノバスコシア州メガマ・テラで体系的な比較実験が行われました。提案された手法は、地理的に重み付けされたロジスティック回帰、サポートベクターマシン、ランダムフォレスト、多層パーセプトロン、グラフアテンションネットワークなどのいくつかの代表的な手法と比較されます。

結果は次のことを示していますACAWLR は、再現率と全体的な予測性能の両方で最高のパフォーマンスを発揮しました。予測精度、空間一般化能力、地質学的解釈可能性の間で効果的なバランスを実現し、既知の鉱床の分布を完全に特定し、より連続的で地質学的に一貫性のある予測地図を生成することができます。

その後、この研究はさらにこの手法を米国の西部コルディレラ斑岩銅鉱床生成帯の大規模複合地域にまで拡張し、地域間適用におけるモデルの安定性と堅牢性を検証しました。

さらに、本研究では大規模な鉱化作用の解釈可能性解析を実施し、地域間で主要な鉱石制御因子の空間的差異を体系的に明らかにしました。その結果、…斑岩銅システムでは銅含有量が支配的な役割を果たしますが、岩相、断層、重力異常などの要因は、異なる地殻構造の背景の下では著しく異なる空間的影響パターンを示します。モデルは異方性解析を通じて、地域の地殻構造と一致する主要な鉱床生成方向をさらに特定し、鉱床生成メカニズムを理解し、鉱物探査展開を導くための直感的な基礎を提供します。

（A）鉱床のトレーニングサンプルの固有値分解から得られた一次および二次鉱化方向。
(B) 異方性空間近接ニューラルネットワーク（ASPNN）によって最適化された近接分布（赤は短い、青は長い）。背景：中生代から現在までのマグマ弧と構造帯の分布（Yonkee and Weil, 2015による）。カナダ：AB—アルバータ州、MB—マニトバ州、SK—サスカチュワン州。米国：AZ—アリゾナ州、CA—カリフォルニア州、CO—コロラド州、ID—アイダホ州、KS—カンザス州、MT—モンタナ州、ND—ノースダコタ州、NB—ネブラスカ州、NM—ニューメキシコ州、NV—ネバダ州、OR—オレゴン州、SD—サウスダコタ州、TX—テキサス州、UT—ユタ州、WA—ワシントン州、WY—ワイオミング州。

浙江大学地球科学学院のチームについて

近年、浙江大学地球科学学院のチームは、地球科学と人工知能の学際的な分野で、最先端かつ工学応用価値のある一連の研究成果を達成しました。

チームの GNNWR シリーズ モデルは業界の専門家によって使用されており、累計ダウンロード、通話、引用数は 50,000 件近くに達しています。これは海洋学、地理学、大気科学、地質学など、様々な分野で広く応用されています。本研究の成果は、著名な地球科学誌「Geoscientific Model Development」に「GNNWR：空間的および時間的非定常性をモデリングするための時空間インテリジェント回帰法のオープンソースパッケージ」というタイトルで掲載されました。
用紙のアドレス:https://gmd.copernicus.org/articles/17/8455/2024

モデルオープンソースアドレス:https://github.com/zjuwss/gnnwr

2025年2月研究チームは、注目メカニズムに基づくディープラーニングモデル、コンテキスト注目駆動型地理加重回帰 (CatGWR) を提案しました。注意メカニズムを用いてサンプル間の文脈的類似性を計算し、それを空間的近接性と組み合わせることで、文脈化された時空間的重みが生成され、空間的非定常性をより正確に推定できます。「注意ベースのアーキテクチャを用いた文脈的類似性の空間的非定常性推定への組み込み」と題された関連研究成果は、International Journal of Geographical Information Science に掲載されました。

用紙のアドレス:https://www.tandfonline.com/doi/full/10.1080/13658816.2025.2456556

完全な解釈を見るにはクリックしてください:浙江大学GIS研究所は、深センの1.7K住宅価格を例にとり、注目メカニズムを使用して地理的コンテキストの特徴をマイニングし、空間非定常回帰の精度を向上させます。

同年11月、研究チームはまた、HSI と LiDAR データの共同分類のための異種対照グラフ融合ネットワーク (HCGFN) を提案し、HSI と LiDAR 間の効率的な相互作用と効果的な融合を実現しました。この研究の成果は、地球科学の分野で有名な雑誌である『IEEE Transactions on Geoscience and Remote Sensing』に「ハイパースペクトル画像分類のための集約的かつ対照的なデュアルビュー グラフ アテンション ネットワーク」というタイトルで掲載されました。
用紙のアドレス:https://ieeexplore.ieee.org/document/11115095

研究チームは空間知能モデルを社会経済地理問題にも適用し、空間近接性と深層学習構造を導入することで、従来のモデルよりも大幅に優れた適合結果を達成しました。「TD-GNNWRモデルに基づく武漢の住宅価格の空間非定常性評価」と題された論文は、*Acta Geographica Sinica*に掲載されました。研究チームは、移動時間 (TD) に基づく空間距離メトリックとニューラル ネットワーク融合モデル (TD-GNNWR) を開発しました。これにより、都市の住宅価格の空間的非定常性の適合性と解釈可能性が大幅に向上しました。
用紙のアドレス:https://www.geog.com.cn/CN/10.11821/dlxb202408005

さらに、研究チームは時空間インテリジェント回帰とディープラーニング手法を、地質、海洋、生態、大気環境モデルの構築に拡張しました。たとえば、空間的に重み付けされたニューラル ネットワークを使用すると、チベット高原の表面熱流分布を正確に推定することができ、地球内部の地球力学的プロセスに関する重要な洞察が得られます。関連研究「データ駆動型手法で明らかにされたチベット高原の表面熱流の分布」が『Journal of Geophysical Research: Solid Earth』に掲載されました。

用紙のアドレス:https://doi.org/10.1029/2023JB028491