掃一掃
關(guān)注中圖網(wǎng)
官方微博
本類五星書更多>
-
>
公路車寶典(ZINN的公路車維修與保養(yǎng)秘籍)
-
>
晶體管電路設(shè)計(jì)(下)
-
>
基于個(gè)性化設(shè)計(jì)策略的智能交通系統(tǒng)關(guān)鍵技術(shù)
-
>
花樣百出:貴州少數(shù)民族圖案填色
-
>
山東教育出版社有限公司技術(shù)轉(zhuǎn)移與技術(shù)創(chuàng)新歷史叢書中國高等技術(shù)教育的蘇化(1949—1961)以北京地區(qū)為中心
-
>
鐵路機(jī)車概要.交流傳動內(nèi)燃.電力機(jī)車
-
>
利維坦的道德困境:早期現(xiàn)代政治哲學(xué)的問題與脈絡(luò)
基于深度學(xué)習(xí)的智能礦產(chǎn)資源潛力評價(jià)原理與實(shí)踐 版權(quán)信息
- ISBN：9787030745293
- 條形碼：9787030745293 ; 978-7-03-074529-3
- 裝幀：一般膠版紙
- 冊數(shù)：暫無
- 重量：暫無
- 所屬分類：>
基于深度學(xué)習(xí)的智能礦產(chǎn)資源潛力評價(jià)原理與實(shí)踐 內(nèi)容簡介
本書緊扣人工智能和深地資源探測國際學(xué)術(shù)前沿，主要介紹礦產(chǎn)資源潛力智能評價(jià)的概念和深度學(xué)習(xí)算法基本原理，重點(diǎn)介紹基于深度學(xué)習(xí)開展礦產(chǎn)資源潛力評價(jià)的具體實(shí)施步驟，包括軟件環(huán)境配置、數(shù)據(jù)預(yù)處理、樣本制作、模型構(gòu)建及參數(shù)調(diào)節(jié)與優(yōu)化等。本書可為解決深度學(xué)習(xí)用于礦產(chǎn)資源潛力評價(jià)中面臨的訓(xùn)練樣本少、模型構(gòu)建難、可解釋性差等難題提供方案。同時(shí)，本書可使讀者在基于深度學(xué)習(xí)的礦產(chǎn)資源潛力智能評價(jià)方面快速入門，并能根據(jù)書中提供的實(shí)例，結(jié)合自己的數(shù)據(jù)開展礦產(chǎn)資源潛力智能評價(jià)。
基于深度學(xué)習(xí)的智能礦產(chǎn)資源潛力評價(jià)原理與實(shí)踐 目錄
目錄
第1章 緒論 1
1.1 礦產(chǎn)資源潛力評價(jià)概述 1
1.2 礦產(chǎn)資源潛力智能評價(jià)方法概述 3
1.2.1 智能認(rèn)知 4
1.2.2 智能學(xué)習(xí) 5
1.2.3 智能決策 6
1.3 基于深度學(xué)習(xí)的地球化學(xué)異常識別 7
1.4 基于深度學(xué)習(xí)的礦產(chǎn)資源潛力評價(jià) 8
第2章 環(huán)境配置與樣本制作 10
2.1 TensorFlow環(huán)境配置 10
2.2 數(shù)據(jù)準(zhǔn)備 13
2.3 樣本制作 15
2.4 數(shù)據(jù)增強(qiáng) 15
2.4.1 基于地質(zhì)約束的數(shù)據(jù)增強(qiáng)方法 16
2.4.2 基于random-drop的數(shù)據(jù)增強(qiáng)方法 17
2.4.3 基于像素對匹配的數(shù)據(jù)增強(qiáng)方法 20
第3章 卷積神經(jīng)網(wǎng)絡(luò) 22
3.1 卷積神經(jīng)網(wǎng)絡(luò)基本原理 22
3.2 全卷積神經(jīng)網(wǎng)絡(luò)基本原理 24
3.3 參數(shù)優(yōu)化 25
3.4 基于卷積神經(jīng)網(wǎng)絡(luò)的地球化學(xué)異常識別 31
3.4.1 案例介紹 31
3.4.2 模型框架 32
3.4.3 模型訓(xùn)練 32
3.4.4 模型輸出 35
3.5 基于卷積神經(jīng)網(wǎng)絡(luò)的礦產(chǎn)資源潛力評價(jià) 36
3.5.1 案例介紹 36
3.5.2 模型框架 37
3.5.3 模型輸入 37
3.5.4 模型訓(xùn)練 38
3.5.5 模型輸出 38
3.6 基于卷積神經(jīng)網(wǎng)絡(luò)的地質(zhì)填圖 39
3.6.1 案例介紹 39
3.6.2 模型框架 39
3.6.3 模型輸入 41
3.6.4 模型訓(xùn)練 41
3.6.5 模型輸出 43
3.7 基于全卷積神經(jīng)網(wǎng)絡(luò)的巖性填圖 44
3.7.1 案例介紹 44
3.7.2 模型框架 44
3.7.3 模型輸入 44
3.7.4 模型訓(xùn)練 45
3.7.5 模型輸出 45
第4章 循環(huán)神經(jīng)網(wǎng)絡(luò) 47
4.1 基本原理 47
4.2 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的礦產(chǎn)資源潛力評價(jià) 49
4.2.1 案例介紹 49
4.2.2 模型框架 50
4.2.3 模型輸入 50
4.2.4 模型訓(xùn)練 55
4.2.5 模型輸出 58
第5章 深度自編碼網(wǎng)絡(luò) 59
5.1 基本原理 59
5.2 基于深度自編碼網(wǎng)絡(luò)的地球化學(xué)異常識別 60
5.2.1 案例介紹 60
5.2.2 模型框架 60
5.2.3 模型輸入 61
5.2.4 模型訓(xùn)練 62
5.2.5 模型輸出 63
5.3 基于深度自編碼網(wǎng)絡(luò)的礦產(chǎn)資源潛力評價(jià) 65
5.3.1 案例介紹 65
5.3.2 模型框架 65
5.3.3 模型輸入 65
5.3.4 模型訓(xùn)練 66
5.3.5 模型輸出 67
第6章 生成對抗網(wǎng)絡(luò) 68
6.1 基本原理 68
6.2 基于生成對抗網(wǎng)絡(luò)的地球化學(xué)異常識別 69
6.2.1 案例介紹 69
6.2.2 模型框架 69
6.2.3 模型輸入 71
6.2.4 模型訓(xùn)練 71
6.2.5 模型輸出 73
第7章 深度信念網(wǎng)絡(luò) 74
7.1 基本原理 74
7.2 基于深度信念網(wǎng)絡(luò)的地球化學(xué)異常識別 75
7.2.1 案例介紹 75
7.2.2 模型框架 75
7.2.3 模型輸入 76
7.2.4 模型訓(xùn)練 76
7.2.5 模型輸出 77
第8章 深度強(qiáng)化學(xué)習(xí) 79
8.1 基本原理 79
8.2 基于深度強(qiáng)化學(xué)習(xí)的礦產(chǎn)資源潛力評價(jià) 81
8.2.1 案例介紹 81
8.2.2 模型框架 81
8.2.3 模型參數(shù) 83
8.2.4 模型輸入 83
8.2.5 模型訓(xùn)練 83
8.2.6 模型輸出 85
第9章 圖神經(jīng)網(wǎng)絡(luò) 86
9.1 基本原理 86
9.1.1 拓?fù)鋱D構(gòu)建 86
9.1.2 圖卷積網(wǎng)絡(luò) 87
9.1.3 圖注意力網(wǎng)絡(luò) 87
9.2 基于圖神經(jīng)網(wǎng)絡(luò)的礦產(chǎn)資源潛力評價(jià) 88
9.2.1 案例介紹 88
9.2.2 模型框架 88
9.2.3 模型輸入 89
9.2.4 模型訓(xùn)練 90
9.2.5 模型輸出 90
第10章 深度自注意力網(wǎng)絡(luò) 93
10.1 基本原理 93
10.2 基于深度自注意力網(wǎng)絡(luò)的礦產(chǎn)資源潛力評價(jià) 94
10.2.1 案例介紹 94
10.2.2 模型框架 94
10.2.3 模型輸入 95
10.2.4 模型訓(xùn)練 96
10.2.5 模型輸出 100
第11章 基于地質(zhì)約束的深度學(xué)習(xí) 101
11.1 地質(zhì)約束深度學(xué)習(xí)概述 101
11.2 地質(zhì)約束深度學(xué)習(xí)方法構(gòu)建 102
11.3 基于地質(zhì)約束深度學(xué)習(xí)的地球化學(xué)異常識別 104
11.3.1 案例介紹 104
11.3.2 模型框架 104
11.3.3 模型輸入 105
11.3.4 模型訓(xùn)練 105
11.3.5 模型輸出 108
11.4 基于地質(zhì)約束深度學(xué)習(xí)的礦產(chǎn)資源潛力評價(jià) 109
11.4.1 案例介紹 109
11.4.2 模型框架 109
11.4.3 模型輸入 109
11.4.4 模型訓(xùn)練 110
11.4.5 模型輸出 110
第12章 計(jì)算機(jī)集群 112
12.1 計(jì)算機(jī)集群概述 112
12.2 基于計(jì)算機(jī)集群和卷積神經(jīng)網(wǎng)絡(luò)的地質(zhì)填圖 112
12.2.1 案例介紹 112
12.2.2 集群登錄 112
12.2.3 數(shù)據(jù)上傳和下載 114
12.2.4 程序運(yùn)行115
12.2.5 作業(yè)調(diào)度 116
12.2.6 結(jié)果輸出 117
第13章 展望 119
13.1 數(shù)據(jù)與知識雙重驅(qū)動的大數(shù)據(jù)礦產(chǎn)預(yù)測 119
13.2 礦產(chǎn)資源潛力評價(jià)知識圖譜構(gòu)建 120
13.3 深度學(xué)習(xí)模型構(gòu)建 121
13.4 其他 122
參考文獻(xiàn) 123
附錄134
附錄1 基于滑動窗口的樣本制作代碼 134
附錄2 基于地質(zhì)約束的數(shù)據(jù)增強(qiáng)代碼 135
附錄3 基于窗口裁剪的數(shù)據(jù)增強(qiáng)代碼 137
附錄4 基于random-drop的數(shù)據(jù)增強(qiáng)代碼 139
附錄5 基于像素對匹配的數(shù)據(jù)增強(qiáng)代碼 141
附錄6 基于卷積神經(jīng)網(wǎng)絡(luò)的地球化學(xué)異常識別代碼 145
附錄7 基于卷積神經(jīng)網(wǎng)絡(luò)的礦產(chǎn)資源潛力評價(jià)代碼 156
附錄8 基于卷積神經(jīng)網(wǎng)絡(luò)和勘查地球化學(xué)數(shù)據(jù)的地質(zhì)填圖代碼 158
附錄9 基于全卷積神經(jīng)網(wǎng)絡(luò)的巖性填圖代碼 161
附錄10 循環(huán)神經(jīng)網(wǎng)絡(luò)調(diào)參代碼 164
附錄11 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的礦產(chǎn)資源潛力評價(jià)代碼 167
附錄12 基于深度自編碼網(wǎng)絡(luò)的地球化學(xué)異常識別代碼 174
附錄13 基于生成對抗網(wǎng)絡(luò)的地球化學(xué)異常識別代碼 181
附錄14 基于深度信念網(wǎng)絡(luò)的地球化學(xué)異常識別代碼 191
附錄15 基于深度強(qiáng)化學(xué)習(xí)的礦產(chǎn)資源潛力評價(jià)代碼 195
附錄16 基于圖神經(jīng)網(wǎng)絡(luò)的礦產(chǎn)資源潛力評價(jià)代碼 201
附錄17 基于深度自注意力網(wǎng)絡(luò)的礦產(chǎn)資源潛力評價(jià)代碼 210
附錄18 地質(zhì)約束變分自編碼網(wǎng)絡(luò)代碼 212
第1章 緒論 1
1.1 礦產(chǎn)資源潛力評價(jià)概述 1
1.2 礦產(chǎn)資源潛力智能評價(jià)方法概述 3
1.2.1 智能認(rèn)知 4
1.2.2 智能學(xué)習(xí) 5
1.2.3 智能決策 6
1.3 基于深度學(xué)習(xí)的地球化學(xué)異常識別 7
1.4 基于深度學(xué)習(xí)的礦產(chǎn)資源潛力評價(jià) 8
第2章 環(huán)境配置與樣本制作 10
2.1 TensorFlow環(huán)境配置 10
2.2 數(shù)據(jù)準(zhǔn)備 13
2.3 樣本制作 15
2.4 數(shù)據(jù)增強(qiáng) 15
2.4.1 基于地質(zhì)約束的數(shù)據(jù)增強(qiáng)方法 16
2.4.2 基于random-drop的數(shù)據(jù)增強(qiáng)方法 17
2.4.3 基于像素對匹配的數(shù)據(jù)增強(qiáng)方法 20
第3章 卷積神經(jīng)網(wǎng)絡(luò) 22
3.1 卷積神經(jīng)網(wǎng)絡(luò)基本原理 22
3.2 全卷積神經(jīng)網(wǎng)絡(luò)基本原理 24
3.3 參數(shù)優(yōu)化 25
3.4 基于卷積神經(jīng)網(wǎng)絡(luò)的地球化學(xué)異常識別 31
3.4.1 案例介紹 31
3.4.2 模型框架 32
3.4.3 模型訓(xùn)練 32
3.4.4 模型輸出 35
3.5 基于卷積神經(jīng)網(wǎng)絡(luò)的礦產(chǎn)資源潛力評價(jià) 36
3.5.1 案例介紹 36
3.5.2 模型框架 37
3.5.3 模型輸入 37
3.5.4 模型訓(xùn)練 38
3.5.5 模型輸出 38
3.6 基于卷積神經(jīng)網(wǎng)絡(luò)的地質(zhì)填圖 39
3.6.1 案例介紹 39
3.6.2 模型框架 39
3.6.3 模型輸入 41
3.6.4 模型訓(xùn)練 41
3.6.5 模型輸出 43
3.7 基于全卷積神經(jīng)網(wǎng)絡(luò)的巖性填圖 44
3.7.1 案例介紹 44
3.7.2 模型框架 44
3.7.3 模型輸入 44
3.7.4 模型訓(xùn)練 45
3.7.5 模型輸出 45
第4章 循環(huán)神經(jīng)網(wǎng)絡(luò) 47
4.1 基本原理 47
4.2 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的礦產(chǎn)資源潛力評價(jià) 49
4.2.1 案例介紹 49
4.2.2 模型框架 50
4.2.3 模型輸入 50
4.2.4 模型訓(xùn)練 55
4.2.5 模型輸出 58
第5章 深度自編碼網(wǎng)絡(luò) 59
5.1 基本原理 59
5.2 基于深度自編碼網(wǎng)絡(luò)的地球化學(xué)異常識別 60
5.2.1 案例介紹 60
5.2.2 模型框架 60
5.2.3 模型輸入 61
5.2.4 模型訓(xùn)練 62
5.2.5 模型輸出 63
5.3 基于深度自編碼網(wǎng)絡(luò)的礦產(chǎn)資源潛力評價(jià) 65
5.3.1 案例介紹 65
5.3.2 模型框架 65
5.3.3 模型輸入 65
5.3.4 模型訓(xùn)練 66
5.3.5 模型輸出 67
第6章 生成對抗網(wǎng)絡(luò) 68
6.1 基本原理 68
6.2 基于生成對抗網(wǎng)絡(luò)的地球化學(xué)異常識別 69
6.2.1 案例介紹 69
6.2.2 模型框架 69
6.2.3 模型輸入 71
6.2.4 模型訓(xùn)練 71
6.2.5 模型輸出 73
第7章 深度信念網(wǎng)絡(luò) 74
7.1 基本原理 74
7.2 基于深度信念網(wǎng)絡(luò)的地球化學(xué)異常識別 75
7.2.1 案例介紹 75
7.2.2 模型框架 75
7.2.3 模型輸入 76
7.2.4 模型訓(xùn)練 76
7.2.5 模型輸出 77
第8章 深度強(qiáng)化學(xué)習(xí) 79
8.1 基本原理 79
8.2 基于深度強(qiáng)化學(xué)習(xí)的礦產(chǎn)資源潛力評價(jià) 81
8.2.1 案例介紹 81
8.2.2 模型框架 81
8.2.3 模型參數(shù) 83
8.2.4 模型輸入 83
8.2.5 模型訓(xùn)練 83
8.2.6 模型輸出 85
第9章 圖神經(jīng)網(wǎng)絡(luò) 86
9.1 基本原理 86
9.1.1 拓?fù)鋱D構(gòu)建 86
9.1.2 圖卷積網(wǎng)絡(luò) 87
9.1.3 圖注意力網(wǎng)絡(luò) 87
9.2 基于圖神經(jīng)網(wǎng)絡(luò)的礦產(chǎn)資源潛力評價(jià) 88
9.2.1 案例介紹 88
9.2.2 模型框架 88
9.2.3 模型輸入 89
9.2.4 模型訓(xùn)練 90
9.2.5 模型輸出 90
第10章 深度自注意力網(wǎng)絡(luò) 93
10.1 基本原理 93
10.2 基于深度自注意力網(wǎng)絡(luò)的礦產(chǎn)資源潛力評價(jià) 94
10.2.1 案例介紹 94
10.2.2 模型框架 94
10.2.3 模型輸入 95
10.2.4 模型訓(xùn)練 96
10.2.5 模型輸出 100
第11章 基于地質(zhì)約束的深度學(xué)習(xí) 101
11.1 地質(zhì)約束深度學(xué)習(xí)概述 101
11.2 地質(zhì)約束深度學(xué)習(xí)方法構(gòu)建 102
11.3 基于地質(zhì)約束深度學(xué)習(xí)的地球化學(xué)異常識別 104
11.3.1 案例介紹 104
11.3.2 模型框架 104
11.3.3 模型輸入 105
11.3.4 模型訓(xùn)練 105
11.3.5 模型輸出 108
11.4 基于地質(zhì)約束深度學(xué)習(xí)的礦產(chǎn)資源潛力評價(jià) 109
11.4.1 案例介紹 109
11.4.2 模型框架 109
11.4.3 模型輸入 109
11.4.4 模型訓(xùn)練 110
11.4.5 模型輸出 110
第12章 計(jì)算機(jī)集群 112
12.1 計(jì)算機(jī)集群概述 112
12.2 基于計(jì)算機(jī)集群和卷積神經(jīng)網(wǎng)絡(luò)的地質(zhì)填圖 112
12.2.1 案例介紹 112
12.2.2 集群登錄 112
12.2.3 數(shù)據(jù)上傳和下載 114
12.2.4 程序運(yùn)行115
12.2.5 作業(yè)調(diào)度 116
12.2.6 結(jié)果輸出 117
第13章 展望 119
13.1 數(shù)據(jù)與知識雙重驅(qū)動的大數(shù)據(jù)礦產(chǎn)預(yù)測 119
13.2 礦產(chǎn)資源潛力評價(jià)知識圖譜構(gòu)建 120
13.3 深度學(xué)習(xí)模型構(gòu)建 121
13.4 其他 122
參考文獻(xiàn) 123
附錄134
附錄1 基于滑動窗口的樣本制作代碼 134
附錄2 基于地質(zhì)約束的數(shù)據(jù)增強(qiáng)代碼 135
附錄3 基于窗口裁剪的數(shù)據(jù)增強(qiáng)代碼 137
附錄4 基于random-drop的數(shù)據(jù)增強(qiáng)代碼 139
附錄5 基于像素對匹配的數(shù)據(jù)增強(qiáng)代碼 141
附錄6 基于卷積神經(jīng)網(wǎng)絡(luò)的地球化學(xué)異常識別代碼 145
附錄7 基于卷積神經(jīng)網(wǎng)絡(luò)的礦產(chǎn)資源潛力評價(jià)代碼 156
附錄8 基于卷積神經(jīng)網(wǎng)絡(luò)和勘查地球化學(xué)數(shù)據(jù)的地質(zhì)填圖代碼 158
附錄9 基于全卷積神經(jīng)網(wǎng)絡(luò)的巖性填圖代碼 161
附錄10 循環(huán)神經(jīng)網(wǎng)絡(luò)調(diào)參代碼 164
附錄11 基于循環(huán)神經(jīng)網(wǎng)絡(luò)的礦產(chǎn)資源潛力評價(jià)代碼 167
附錄12 基于深度自編碼網(wǎng)絡(luò)的地球化學(xué)異常識別代碼 174
附錄13 基于生成對抗網(wǎng)絡(luò)的地球化學(xué)異常識別代碼 181
附錄14 基于深度信念網(wǎng)絡(luò)的地球化學(xué)異常識別代碼 191
附錄15 基于深度強(qiáng)化學(xué)習(xí)的礦產(chǎn)資源潛力評價(jià)代碼 195
附錄16 基于圖神經(jīng)網(wǎng)絡(luò)的礦產(chǎn)資源潛力評價(jià)代碼 201
附錄17 基于深度自注意力網(wǎng)絡(luò)的礦產(chǎn)資源潛力評價(jià)代碼 210
附錄18 地質(zhì)約束變分自編碼網(wǎng)絡(luò)代碼 212
展開全部
基于深度學(xué)習(xí)的智能礦產(chǎn)資源潛力評價(jià)原理與實(shí)踐 節(jié)選
**章緒論 我國礦產(chǎn)資源稟賦條件差，國內(nèi)供需矛盾長期存在，對外依存度居高不下，表現(xiàn)出小（人均礦產(chǎn)占有量小）、大（需求量和消費(fèi)量大）、高（對外依存度和安全風(fēng)險(xiǎn)相對較高）和降（國內(nèi)資源供應(yīng)和資源保障能力均有所下降）的特點(diǎn)（翟明國等，2021）。此外，隨著我國露頭礦和易發(fā)現(xiàn)礦越找越少，當(dāng)前和今后的找礦重點(diǎn)轉(zhuǎn)向覆蓋區(qū)和深部，研究難點(diǎn)聚焦深層次礦化信息特征提取與集成（左仁廣，2021）。深層次礦化信息是指傳統(tǒng)方法技術(shù)難以識別的礦化信息，包括隱蔽的礦化信息、深部的礦化信息和復(fù)雜地質(zhì)背景下提取的特定信息（陳永清等，2009）。 運(yùn)用大數(shù)據(jù)新的研究范式來革新礦產(chǎn)資源潛力評價(jià)的傳統(tǒng)研究模式，提高找礦成效并破解我國部分礦產(chǎn)資源短缺的困境，是新形勢下礦產(chǎn)資源潛力評價(jià)面臨的重大前沿科學(xué)技術(shù)難題。地質(zhì)找礦數(shù)據(jù)主要包括地質(zhì)、地球物理、地球化學(xué)、遙感、鉆探等數(shù)據(jù)，它們的獲取方式多樣（包括天上遙測、地面觀測、地下探測等）、數(shù)據(jù)量龐大，且具有多源、異構(gòu)、高維、高計(jì)算復(fù)雜度和高不確定性等特點(diǎn)，符合大數(shù)據(jù)的“4V”[數(shù)量大（volume）、更新速度快（velocity）、數(shù)據(jù)種類多（variety）、數(shù)據(jù)具有真實(shí)性（veracity）]特征（Reichstein et al.，2019），屬于典型的時(shí)空大數(shù)據(jù)（Zuo，2020）。基于數(shù)據(jù)科學(xué)進(jìn)行地質(zhì)找礦大數(shù)據(jù)特征提取與信息的集成融合是提高覆蓋區(qū)和深部找礦成效的關(guān)鍵（左仁廣等，2021）。礦產(chǎn)資源潛力智能評價(jià)是指基于大數(shù)據(jù)思維和機(jī)器學(xué)習(xí)（尤其是深度學(xué)習(xí)）對地質(zhì)找礦大數(shù)據(jù)進(jìn)行深度挖掘與集成融合，圈定找礦遠(yuǎn)景區(qū)并評價(jià)其資源潛力。 本章簡要介紹礦產(chǎn)資源潛力智能評價(jià)的國內(nèi)外研究現(xiàn)狀、基于深度學(xué)習(xí)的地球化學(xué)異常識別的研究現(xiàn)狀，以及基于深度學(xué)習(xí)的礦產(chǎn)資源潛力評價(jià)的研究現(xiàn)狀。 1.1礦產(chǎn)資源潛力評價(jià)概述 礦產(chǎn)資源潛力評價(jià)是指在成礦動力學(xué)背景和成礦規(guī)律研究的基礎(chǔ)上，對研究區(qū)的地質(zhì)、地球物理、地球化學(xué)、遙感、鉆探等數(shù)據(jù)進(jìn)行分析，識別和提取成礦-示礦信息，使用數(shù)學(xué)模型對成礦-示礦信息進(jìn)行集成融合，在此基礎(chǔ)上分析研究區(qū)內(nèi)可能產(chǎn)出的礦種和礦床類型，圈定找礦遠(yuǎn)景區(qū)，并估算未發(fā)現(xiàn)礦床數(shù)和潛在資源量（陳建平，2021；Zuo，2020；Carranza，2008；趙鵬大，2007，2002；成秋明，2006；王世稱等，2000；Cheng et al.，1994；Agterberg，1989；Taylor et al.，1983）。礦產(chǎn)資源潛力評價(jià)的主要目的和任務(wù)可概括為“有什么類型的礦床產(chǎn)出”“在哪里找”，以及“能找到多少”3個(gè)關(guān)鍵科學(xué)與技術(shù)問題。礦產(chǎn)資源潛力評價(jià)已從定性走向了定量，從數(shù)據(jù)稀疏型走向了數(shù)據(jù)密集型，急需大數(shù)據(jù)思維和機(jī)器學(xué)習(xí)支撐（左仁廣，2021；Cheng et al.，2020；Zuo，2020；趙鵬大，2019，2015；肖克炎等，2015）。 礦產(chǎn)資源潛力評價(jià)*初以定性評價(jià)為主，主要使用相似類比法分析預(yù)測區(qū)內(nèi)是否有與已發(fā)現(xiàn)礦床相似的成礦地質(zhì)環(huán)境，從而判斷預(yù)測區(qū)是否有相同類型的礦床產(chǎn)出（Taylor et al.，1983）。20世紀(jì)80年代，隨著地理信息系統(tǒng)（geographic information system，GIS）的發(fā)展并被成功引入礦產(chǎn)資源潛力評價(jià)（Carranza，2008；Pan et al.，2000；Cheng et al.，1999；Bonham-Carter，1994；Agterberg，1992，1989，1970），礦產(chǎn)資源潛力評價(jià)逐步走向了定量評價(jià)階段。以加拿大AgterbergF.P.和Bonham-CarterG.教授為首的科研團(tuán)隊(duì)改進(jìn)和發(fā)展了基于貝葉斯的證據(jù)權(quán)模型，并建立了一套完備的基于GIS的礦產(chǎn)資源潛力評價(jià)理論體系（Cheng et al.，1999；Bonham-Carter，1994；Agterberg，1992，1989）。這一階段的特點(diǎn)是GIS技術(shù)被應(yīng)用于礦產(chǎn)資源潛力評價(jià)的全過程，包括礦產(chǎn)資源潛力評價(jià)數(shù)據(jù)的收集預(yù)處理、證據(jù)圖層制作、找礦遠(yuǎn)景區(qū)的圈定等。比如我國實(shí)施的全國礦產(chǎn)潛力評價(jià)項(xiàng)目全過程使用了GIS技術(shù)（肖克炎等，2007；葉天竺等，2007）。在這一階段，很多新方法和模型被引入礦產(chǎn)資源潛力評價(jià)中，這些方法可分為知識驅(qū)動和數(shù)據(jù)驅(qū)動兩大類（Carranza，2008；Bonham-Carter，1994）。數(shù)據(jù)驅(qū)動方法主要是研究已知礦床與周圍地質(zhì)環(huán)境及多元找礦信息之間的統(tǒng)計(jì)規(guī)律，以此確定指示礦床賦存部位地質(zhì)特征的*佳組合，并借助數(shù)學(xué)模型開展礦產(chǎn)資源潛力評價(jià)。該類方法一般適用于勘查程度相對較高且存在一定數(shù)量已知礦床（點(diǎn)）的地區(qū)，常用模型包括證據(jù)信度模型（Chung et al.，1993；An et al.，1991）、判別分析模型（Chung，1977）、證據(jù)權(quán)模型（Agterberg，1992）、邏輯回歸模型（Carranza et al.，2001；Agterberg，1989）、神經(jīng)網(wǎng)絡(luò)模型（Porwal et al.，2003；Singer et al.，1996）、貝葉斯網(wǎng)絡(luò)模型（Porwal et al.，2006）等。知識驅(qū)動方法則要查明礦床形成的基本過程和因素，通過對綜合勘查資料和區(qū)域成礦規(guī)律系統(tǒng)的研究，掌握礦床形成的機(jī)制、控礦要素及找礦標(biāo)志，并結(jié)合專家知識將這些要素和過程轉(zhuǎn)化為GIS數(shù)字信息，進(jìn)而圈定成礦遠(yuǎn)景區(qū)。常用的知識驅(qū)動模型包括模糊邏輯模型（Nyk.nen，2008；An et al.，1991）、布爾邏輯模型（Harris et al.，2001；Bonham-Carter，1994）、二值化指標(biāo)疊加模型（Bonham-Carter，1994）、離散化指標(biāo)疊加模型（Harris，1984）等。當(dāng)前比較主流的是基于成礦系統(tǒng)的礦產(chǎn)資源潛力評價(jià)方法，該方法的首要任務(wù)是描述成礦系統(tǒng)，刻畫控制礦床形成與保存的關(guān)鍵要素和過程（包括源、運(yùn)、儲、變、保等）（Davies et al.，2020；Ford et al.，2019；Mccuaig et al.，2010；翟裕生，1999；Wyborn et al.，1994）。在此基礎(chǔ)上，綜合利用多種方法識別和提取這些關(guān)鍵過程或要素，并對其進(jìn)行集成融合，圈定找礦遠(yuǎn)景區(qū)。 礦產(chǎn)資源潛力評價(jià)研究涉及地球系統(tǒng)、成礦系統(tǒng)、勘查系統(tǒng)、評價(jià)系統(tǒng)（張振杰等2021；翟裕生，2007）。從礦產(chǎn)資源潛力評價(jià)的角度出發(fā)，地球系統(tǒng)研究主要探究重大地質(zhì)事件和深部地質(zhì)過程對礦床時(shí)空分布的制約；成礦系統(tǒng)研究主要探究礦床的成因模型及“源-運(yùn)-儲-變-保”等過程；勘查系統(tǒng)研究主要探究地質(zhì)-地球物理-地球化學(xué)綜合找礦模型；評價(jià)系統(tǒng)研究基于現(xiàn)有的數(shù)據(jù)識別和提取找礦模型中的找礦指標(biāo)，建立預(yù)測模型，并開展礦產(chǎn)資源潛力評價(jià)。當(dāng)前，上述4個(gè)系統(tǒng)之間的交叉融合還需要進(jìn)一步加強(qiáng)，尤其是成礦系統(tǒng)與勘查系統(tǒng)（礦床學(xué)與礦產(chǎn)勘查學(xué)的交叉融合，可更好地服務(wù)于把成礦模型轉(zhuǎn)化成找礦模型）及勘查系統(tǒng)與評價(jià)系統(tǒng)（礦產(chǎn)勘查與數(shù)學(xué)地球科學(xué)深度交叉融合，可更好地服務(wù)于把地質(zhì)找礦數(shù)據(jù)轉(zhuǎn)化成找礦指標(biāo)）的交叉融合。礦床是具有*大經(jīng)濟(jì)價(jià)值的異常，找礦*重要的是識別和提取成礦-示礦信息，然后根據(jù)礦床形成的地質(zhì)環(huán)境及礦床的保存變化情況判斷提取的成礦-示礦信息是否屬于礦致異常，進(jìn)而圈定找礦遠(yuǎn)景區(qū)并評價(jià)礦產(chǎn)資源潛力。礦產(chǎn)資源潛力評價(jià)的一般流程如圖1.1所示。 1.2礦產(chǎn)資源潛力智能評價(jià)方法概述 深度學(xué)習(xí)是具有多層隱含層的神經(jīng)網(wǎng)絡(luò)模型，通過學(xué)習(xí)和提取數(shù)據(jù)更深層次的抽象特征，進(jìn)而達(dá)到提升分類或預(yù)測準(zhǔn)確性的目的（LeCun et al.，2015；Hinton et al.，2006a），是目前進(jìn)行大數(shù)據(jù)處理與分析的*佳方法之一。21世紀(jì)以來，隨著地質(zhì)信息化程度的提高，人們已經(jīng)積累了大量的地質(zhì)、地球物理、地球化學(xué)、遙感和鉆探數(shù)據(jù)，地質(zhì)科學(xué)進(jìn)入了地質(zhì)大數(shù)據(jù)時(shí)代。深度學(xué)習(xí)通過從低級到高級（隱蔽信息）逐層提取礦致異常，可識別和提取常規(guī)方法難以發(fā)現(xiàn)的礦致異常。同時(shí)深度學(xué)習(xí)可對多種控礦要素間復(fù)雜的時(shí)空耦合關(guān)系進(jìn)行無限逼近和擬合，提高多源找礦信息融合成效。因此，礦產(chǎn)資源潛力評價(jià)亟須與深度學(xué)習(xí)相結(jié)合，發(fā)展基于深度學(xué)習(xí)的礦產(chǎn)資源潛力智能評價(jià)理論與方法。 在著名的《韋氏詞典》中，智能（intelligence）有三種解釋：“having or indicating a high or satisfactory degree of intelligence and mental capacity，or revealing or reflecting good judgment or sound thought（具有令人滿意的智力和心智能力，或顯示或反映良好的判斷力或健全的思想）”；“possessing intelligence，or guided or directed by intellect（擁有智慧，或由智慧引導(dǎo)或指導(dǎo)）”；“guided or controlled by a computer，or able to produce printed material from digital signals（由計(jì)算機(jī)引導(dǎo)或控制的，或能從數(shù)字信號中產(chǎn)生印刷品的）”。據(jù)此，礦產(chǎn)資源潛力智能評價(jià)可定義為：利用人工智能算法對包括地質(zhì)文本在內(nèi)的地質(zhì)找礦時(shí)空大數(shù)據(jù)進(jìn)行深度挖掘，構(gòu)建礦產(chǎn)資源潛力評價(jià)領(lǐng)域知識圖譜，以知識圖譜中所包含的專家知識為驅(qū)動，對地質(zhì)找礦時(shí)空大數(shù)據(jù)進(jìn)行集成融合，進(jìn)而圈定找礦遠(yuǎn)景區(qū)并評價(jià)其資源潛力。礦產(chǎn)資源潛力智能評價(jià)包括智能認(rèn)知（對礦床成因和找礦模型的抽取與表達(dá)）、智能學(xué)習(xí)（關(guān)鍵控礦要素識別與提取）和智能決策（找礦信息挖掘與集成）（圖1.2）。即利用知識圖譜和人工智能算法挖掘包含文本數(shù)據(jù)在內(nèi)的地質(zhì)找礦大數(shù)據(jù)，構(gòu)建礦產(chǎn)資源潛力評價(jià)領(lǐng)域知識圖譜，實(shí)現(xiàn)成礦規(guī)律的智能認(rèn)知；利用GIS和人工智能算法分析和挖掘地質(zhì)找礦時(shí)空大數(shù)據(jù)與礦床的空間相關(guān)性，識別和提取知識圖譜中關(guān)鍵找礦信息，實(shí)現(xiàn)找礦信息的智能學(xué)習(xí)；利用人工智能算法對多源找礦信息深度集成融合，圈定找礦遠(yuǎn)景區(qū)和評價(jià)礦產(chǎn)資源潛力，實(shí)現(xiàn)找礦評價(jià)的智能決策。 礦產(chǎn)資源潛力智能評價(jià)強(qiáng)調(diào)知識圖譜、地理信息系統(tǒng)和深度學(xué)習(xí)算法的相互融合。礦產(chǎn)資源潛力評價(jià)是在成礦動力學(xué)背景和成礦規(guī)律研究的基礎(chǔ)上開展的，如何構(gòu)建包含礦床形成與保存及找礦模型知識的礦產(chǎn)資源潛力評價(jià)領(lǐng)域知識圖譜就顯得格外重要。礦產(chǎn)資源潛力評價(jià)關(guān)鍵在于空間位置評價(jià)，因此，地理信息系統(tǒng)提供的強(qiáng)大的空間分析功能，可有效地分析地質(zhì)找礦大數(shù)據(jù)與礦床時(shí)空分布規(guī)律的相關(guān)性。 1.2.1智能認(rèn)知 智能認(rèn)知是指基于知識圖譜等人工智能算法，對地質(zhì)大數(shù)據(jù)進(jìn)行分析，實(shí)現(xiàn)計(jì)算機(jī)自動學(xué)習(xí)和抽取礦床成礦模型或找礦勘查模型的關(guān)鍵知識和要素。知識圖譜是一種用于積累和傳遞真實(shí)世界知識的數(shù)據(jù)圖，其節(jié)點(diǎn)表示感興趣的實(shí)體，其邊表示實(shí)體之間的語義關(guān)系（Hogan et al.，2020）。知識圖譜本質(zhì)上為領(lǐng)域知識庫，它利用三元組的強(qiáng)語義關(guān)系組織管理知識。從知識管理的角度，知識圖譜可以看作語義升級版的專家系統(tǒng)（Wang et al.，2021）。知識圖譜中蘊(yùn)含的專家知識和認(rèn)知可以驅(qū)動礦產(chǎn)資源潛力評價(jià)的智能化和自動化。 智能認(rèn)知主要以知識圖譜為核心，利用自然語言處理、深度學(xué)習(xí)和數(shù)據(jù)映射等方法對地質(zhì)大數(shù)據(jù)進(jìn)行深度挖掘，構(gòu)建礦產(chǎn)資源潛力評價(jià)領(lǐng)域的“智腦”。考慮知識圖譜的適用性和方便性，礦產(chǎn)資源潛力評價(jià)領(lǐng)域知識圖譜可以從兩個(gè)方面構(gòu)建知識概念模型：①從“源”（成礦物質(zhì)來源、流體來源和熱源）、“運(yùn)”（成礦物質(zhì)運(yùn)移通道）、“儲”（成礦物質(zhì)沉淀場所）、“變”（礦床形成后的變化）和“保”（礦床的保存）5個(gè)層面構(gòu)建礦床形成和變化保存的成礦模型的知識圖譜；②從礦床形成的地質(zhì)環(huán)境（包括大地構(gòu)造背景、成礦環(huán)境、成礦時(shí)代等）、礦床特征（包括礦體空間分布、礦物組合、礦石結(jié)構(gòu)、構(gòu)造、圍巖蝕變等）、地球化學(xué)特征（包括單元素異常和地球化學(xué)組合異常）、地球物
書友推薦
- >
月亮與六便士
- >
隨園食單
- >
經(jīng)典常談
- >
中國歷史的瞬間
- >
伊索寓言-世界文學(xué)名著典藏-全譯本
- >
姑媽的寶刀
- >
莉莉和章魚
- >
龍榆生：詞曲概論/大家小書
本類暢銷
