최근 인공지능과 지구과학 데이터의 심층적인 융합은 광물 자원 예측 방법의 발전을 크게 촉진했습니다. 광물 탐사 가능성 지도 작성(MPM)은 광물 탐사 위험을 줄이고 깊고 복잡한 지질 조건에서 자원 탐사를 지원하는 중요한 기술적 수단으로 자리 잡았습니다. 그러나 광물화는 지각 변동, 암석 종류, 마그마 활동 등 다양한 지질학적 요인의 영향을 받으며, 공간적으로 비정상적이고 방향성을 띠는 특징이 있습니다.기존의 대부분의 머신러닝 및 그래프 모델 방법은 이러한 공간적 특징을 암묵적으로 처리하는 경향이 있어 광물화 과정의 이방성과 지역적 차이를 명시적으로 특성화하기 어렵습니다.따라서 지질학적 해석 가능성과 예측 안정성 측면에서 여전히 부족한 점이 있다.

위의 문제에 대한 대응으로,저장대학교 연구팀이 지질학적 제약 조건을 기반으로 한 데이터 중심의 광물화 예측 방법을 제안했습니다.이방성 공간 근접 관계와 공간 비정상 모델링 메커니즘을 예측 프레임워크에 명시적으로 도입함으로써, 광물화의 이질성과 방향성에 대한 제어력을 정량적으로 표현할 수 있다. 본 방법은 이방성 공간 근접 신경망을 구축하고, 컨볼루션 어텐션 가중 메커니즘을 로지스틱 회귀 모델과 결합하여 다중 소스 지구과학 정보를 효과적으로 통합한다.예측 정확도를 유지하면서 모델의 지질학적 일관성과 해석 가능성을 크게 향상시킵니다.

캐나다 메가마 테레인 금광상과 미국 코르딜레라 반암 구리 광화대에서 수행된 다중 규모 검증 결과는 다음과 같은 사실을 보여줍니다...이 방법은 재현율과 전반적인 일반화 성능 면에서 많은 주류 모델보다 우수하며, 지역 규모에서 주요 광석 제어 요인과 광물화 방향성을 밝혀낼 수 있습니다.본 연구는 지질학적 제약 조건을 데이터 기반 모델에 명시적으로 통합하는 새로운 기술적 접근 방식을 제시하며, 지능형 광물 탐사 및 광물화 메커니즘에 대한 정량적 연구에 참고 가치를 지닌다.

이번 연구 결과는 "지질학적 제약 조건을 활용한 데이터 기반 광물 탐사 가능성 지도 작성 모델링"이라는 제목으로 지질학 저널에 게재되었습니다.

연구 하이라이트:

* 본 논문은 기존 머신러닝 방법의 내재적인 처리 한계를 극복하여, 복잡한 광물화 과정의 공간적 이질성을 정량적으로 특성화하기 위한 이방성 공간 근접 신경망을 구축한다.

* 지질학적 제약 조건과 데이터 기반 방법의 심층적인 통합은 모델 구조의 해석 가능성과 지질학적 일관성을 유지합니다.

* 이 방법은 지역 규모에서 주요 광석 제어 요인과 광석 형성 방향 특성을 밝혀낼 수 있으며, 지역 간 및 다중 규모 검증에 대한 강력한 일반화 성능을 달성할 수 있습니다.

서류 주소:
https://go.hyper.ai/vbUpa

저희 공식 위챗 계정을 팔로우하고 백그라운드에서 "금속 생성 예측"이라고 답글을 달면 논문 전문을 받아보실 수 있습니다.

더 많은 AI 프런티어 논문: 

https://hyper.ai/papers

심층 신경망 가중 로지스틱 회귀 모델을 기반으로 광물화 확률에 대한 정확한 예측이 가능합니다.

광물화는 일반적으로 지각 변동, 암석학적 특성, 마그마 활동 및 지구물리학적-지구화학적 요인의 복합적인 영향으로 발생합니다.그것의 공간적 분포는 상당한 비정상성과 방향성 특성을 나타낸다.이러한 이유로 전통적인 통계 모델이나 전역적 가정에 의존하는 순수 데이터 기반 방법으로는 지역 규모에서 광물화 차이와 지역적 광물화 패턴을 정확하게 파악하기 어렵습니다. 최근 머신러닝 및 인공지능 기법이 광물 탐사 예측 분야에서 상당한 진전을 이루었지만, 대부분의 모델은 공간적 제약을 암묵적으로 처리하는 경향이 있어 실제 지질학적 제어 과정을 반영하기 어렵고, 따라서 지질학적 해석 가능성과 일반화 능력 측면에서 여전히 한계를 가지고 있습니다.

저장대학교 연구팀은 기존 광물 탐사 예측 방법의 한계를 체계적으로 분석하고, "데이터 기반 프레임워크에 지질학적 제약 조건을 명시적으로 도입하는 방법"이라는 핵심 과학적 질문에 초점을 맞췄습니다. 전통적인 지리통계학적 방법은 공간적 비정상성을 어느 정도 완화할 수 있지만, 선형적 가정으로 인해 복잡한 비선형 광물화 과정을 제대로 파악하기 어렵습니다. 최근 등장한 신경망 및 그래프 신경망 방법은 예측 정확도에서 뛰어난 성능을 보여주고 있지만,그러나 이들은 종종 모델 구조를 통해 공간적 의존성을 암묵적으로만 학습하며, 광물화 이방성 및 공간적 이질성을 직접적으로 특성화하는 메커니즘이 부족합니다.이러한 단점들은 모델이 지역적인 지각 변동의 영향과 광물화 방향성을 파악하는 능력을 제한합니다.

본 연구에서는 대표적인 지역 규모 데이터 세트 두 개를 선정했습니다.

* 캐나다 메구마 테레인 금광지대 데이터 세트:이 지역은 광물 탐사 예측 분야에서 대표적인 기준 지역입니다. 완벽한 광물 산출 데이터와 명확한 광물화 배경을 갖추고 있으며, 오랫동안 방법 비교 및 성능 평가에 사용되어 왔습니다.

* 미국 남부 코르딜레라 지역의 반암형 구리 광화대 데이터 세트:광범위한 지역 규모와 복잡한 지각 및 마그마 활동을 포함하는 여러 국가를 아우르는 이 모델은 대규모의 복잡한 지질 환경에서 모델의 안정성과 일반화 능력을 검증하는 데 사용됩니다.

이 두 데이터 세트는 각각 소규모의 세밀한 예측과 대규모의 지역적 일반화에 해당합니다.캐나다 광업 데이터셋은 초기 모델 평가 및 방법 비교를 위한 벤치마크로 사용되어, 전형적인 소규모 금광 예측 시나리오에서 모델의 인식률과 재현율 성능을 검증하는 데 활용되었습니다. 미국 광업 데이터셋은 대규모의 복잡한 지각 환경에서 모델의 일반화 및 검증 영역으로 사용되어, 반암형 구리 광상 시스템에서 모델의 지역 간 안정성과 일반화 능력을 테스트하는 데 사용되었습니다.

데이터에 따르면,본 연구에서는 비등방성 합성곱 어텐션 가중 로지스틱 회귀(ACAWLR) 모델을 제안한다.이 방법은 지질학적 제약 조건 하에서 광물 탐사 가능성을 예측하는 데 사용됩니다. 먼저, 방향 가중 공분산 분석을 통해 광물 매장 분포의 1차 및 2차 광물화 방향을 추출하고, 이를 기반으로 이방성 공간 거리 측정 지표를 구축합니다. 그 후, 이방성 공간 근접 신경망(ASPNN)을 도입하여 방향별 공간 관계를 학습 가능한 방식으로 모델에 내장함으로써 광물화 과정에서 방향에 따른 특징을 명시적으로 특성화합니다.

이러한 기반 위에, 합성곱 신경망과 공간-채널 어텐션 메커니즘을 결합하여 합성곱 어텐션 가중 네트워크를 구축합니다. 이 네트워크는 공간적으로 비정상적인 광석 제어 가중치를 학습하고, 이를 로지스틱 회귀 모델과 결합하여 광석 형성 확률을 견고하게 예측합니다.

다중 스케일 검증 전략 및 모델 비교

실험 설계 측면에서 연구팀은 다중 규모의 계층적 검증 전략을 채택했습니다.먼저, 금광 매장량 예측의 고전적인 기준 지역인 캐나다 노바스코샤의 메가마 테라에서 체계적인 비교 실험을 수행했습니다.제안된 방법은 지리적 가중 로지스틱 회귀, 서포트 벡터 머신, 랜덤 포레스트, 다층 퍼셉트론, 그래프 어텐션 네트워크와 같은 여러 대표적인 방법과 비교됩니다.

결과는 다음과 같습니다ACAWLR은 재현율과 전반적인 예측 성능 모두에서 가장 우수한 성능을 보였습니다.이 시스템은 예측 정확도, 공간 일반화 능력 및 지질학적 해석 가능성 사이에서 효과적인 균형을 이루며, 알려진 광물 매장지의 분포를 완벽하게 파악하고 보다 연속적이고 지질학적으로 일관성 있는 탐사 지도를 생성할 수 있습니다.

이후, 본 연구는 해당 방법을 미국 서부 코르딜레라 반암 구리 광화대라는 대규모 복합 지역으로 확장하여, 지역 간 적용에서 모델의 안정성과 견고성을 검증했습니다.

또한, 본 연구는 대규모 광물화 해석 가능성 분석을 수행하여, 지역별 주요 광석 제어 요인의 공간적 차이를 체계적으로 밝혀냈습니다. 분석 결과는 다음과 같습니다...구리 함량은 반암형 구리 광상 시스템에서 지배적인 역할을 하는 반면, 암석 종류, 단층, 중력 이상과 같은 요소들은 서로 다른 지각 환경에서 상당히 다른 공간적 영향 양상을 보인다.이 모델은 이방성 분석을 통해 지역 지각 체계와 일치하는 주요 광물 생성 방향을 추가로 파악하여 광물 생성 메커니즘을 이해하고 광물 탐사 배치를 안내하는 직관적인 기반을 제공합니다.

(A) 광물 매장지 훈련 샘플의 고유값 분해로부터 얻은 1차 및 2차 광물화 방향;
(B) 이방성 공간 근접 신경망(ASPNN)으로 최적화된 근접 분포(빨간색은 짧은 거리, 파란색은 긴 거리를 나타냄). 배경: 중생대부터 현재까지의 마그마 호와 지각 변동대의 분포(Yonkee and Weil, 2015 참조). 캐나다: AB—앨버타; MB—매니토바; SK—서스캐처원. 미국: AZ—애리조나; CA—캘리포니아; CO—콜로라도; ID—아이다호; KS—캔자스; MT—몬태나; ND—노스다코타; NB—네브래스카; NM—뉴멕시코; NV—네바다; OR—오리건; SD—사우스다코타; TX—텍사스; UT—유타; WA—워싱턴; WY—와이오밍.

저장대학교 지구과학대학 연구팀에 관하여

최근 몇 년 동안 저장대학교 지구과학대학 연구팀은 지구과학과 인공지능의 융합 분야에서 첨단 기술과 공학적 응용 가치를 지닌 일련의 연구 성과를 거두었습니다.

해당 팀의 GNNWR 시리즈 모델은 업계 전문가들이 사용해 왔으며, 누적 다운로드, 문의 및 인용 횟수는 거의 5만 건에 달합니다.이 방법은 해양학, 지리학, 대기과학, 지질학 등 다양한 분야에 널리 적용되어 왔습니다. 본 연구 결과는 저명한 지구과학 저널인 *지구과학 모델 개발(Geoscientific Model Development)*에 "GNNWR: 공간 및 시간적 비정상성 모델링을 위한 시공간 지능형 회귀 방법 오픈소스 패키지"라는 제목으로 게재되었습니다.
서류 주소:https://gmd.copernicus.org/articles/17/8455/2024

모델 오픈소스 주소:https://github.com/zjuwss/gnnwr

2025년 2월연구팀은 어텐션 메커니즘 기반의 딥러닝 모델인 컨텍스트 어텐션 기반 지리적 가중 회귀(CatGWR)를 제안했습니다.어텐션 메커니즘을 사용하여 샘플 간의 문맥적 유사성을 계산하고 이를 공간적 근접성과 결합함으로써 문맥화된 시공간 가중치를 생성하여 공간적 비정상성을 더욱 정확하게 추정할 수 있습니다. "어텐션 기반 아키텍처를 사용하여 문맥적 유사성을 공간적 비정상성 추정에 통합"이라는 제목의 관련 연구 결과는 국제 지리정보과학 저널(International Journal of Geographical Information Science)에 게재되었습니다.

서류 주소:https://www.tandfonline.com/doi/full/10.1080/13658816.2025.2456556

전체 해석을 보려면 클릭하세요:예를 들어 선전의 주택 가격 1.7K를 살펴보면, 저장대학교 GIS 연구실은 주의 메커니즘을 사용하여 지리적 맥락적 특징을 찾아내고 공간적 비정상 회귀의 정확도를 높였습니다.

같은 해 11월에,또한 연구팀은 HSI와 LiDAR 데이터의 공동 분류를 위한 이종 대조 그래프 융합 네트워크(HCGFN)를 제안하여 HSI와 LiDAR 간의 효율적인 상호 작용과 효과적인 융합을 달성했습니다.본 연구 결과는 지구과학 분야의 저명한 학술지인 IEEE Transactions on Geoscience and Remote Sensing에 "초분광 영상 분류를 위한 집합적 및 대조적 이중 시점 그래프 주의 네트워크"라는 제목으로 게재되었습니다.
서류 주소:https://ieeexplore.ieee.org/document/11115095

연구팀은 공간 지능 모델을 사회경제 지리학 문제에 적용하여 공간적 근접성과 딥러닝 구조를 도입함으로써 기존 모델보다 훨씬 더 나은 적합도를 달성했습니다. "TD-GNNWR 모델을 기반으로 한 우한 주택 가격의 공간적 비정상성 평가"라는 제목의 논문은 *Acta Geographica Sinica*에 게재되었습니다.연구팀은 통행 시간(TD)을 기반으로 공간 거리 측정법과 신경망을 융합한 모델(TD-GNNWR)을 개발했는데, 이 모델은 도시 주택 가격의 공간적 비정상성을 예측하고 해석하는 능력을 크게 향상시킨다.
서류 주소:https://www.geog.com.cn/CN/10.11821/dlxb202408005

더 나아가, 연구팀은 시공간 지능형 회귀 및 딥러닝 방법을 지질학, 해양학, 생태학 및 대기 환경 모델 구축에까지 확장했습니다.예를 들어, 공간 가중 신경망을 사용하면 티베트 고원의 표면 열 흐름 분포를 정확하게 추정할 수 있으며, 이를 통해 지구 내부의 지구 역학적 과정에 대한 중요한 통찰력을 얻을 수 있습니다."데이터 기반 방법을 통해 밝혀낸 티베트 고원의 표면 열 흐름 분포"라는 제목의 관련 연구는 지구물리학 연구 저널: 고체 지구(Journal of Geophysical Research: Solid Earth)에 게재되었습니다.

서류 주소:https://doi.org/10.1029/2023JB028491