[发明专利]基于图注意力自编码的多元地球化学异常识别方法

说明书

本发明公开了基于图注意力自编码的多元地球化学异常识别方法，包括以下步骤：构图阈值K确定；地球化学元素拓扑网络构建；多元地球化学特征学习；多元地球化学元素背景重构；多异常值计算。本发明将图学习引入化探异常探测中，利用K近邻构建了地球化学元素拓扑关系图，构建并训练了能够同时提取元素组成关系和空间结构特征的图注意力自编码器。基于训练好的图注意力自编码器进行多元地球化学背景的重构，并计算得到最终每个采样点的异常值。本发明对现有神经网络模型进行了扩展，使得模型能够直接处理采样点数据并能应用于不规则区域，大大提高了化探背景的学习性能和模型的实用性，为复杂地质条件提供了实用可靠的化探异常识别方法。

技术领域

本发明涉及多元地球化探异常识别领域、人工智能应用领域，尤其涉及一种基于图注意力自编码的多元地球化学异常识别方法。

背景技术

多元地球化学异常的识别是矿产资源勘探的重要内容之一，其异常信息有助于地质学家进行潜在矿藏的判断。地球化探异常具有较强的空间异质性，必须考虑地球化探元素自身的空间异质性。传统的分形/多重分析、克里金方法、空间因素分析等异常识别方法考虑了空间近邻样本的相关性，在化探异常识别中表现突出。近年来，凭借对于复杂空间特征具有良好、自动化的学习能力，卷积神经网络被引入地球化探异常识别得研究领域中并取得了较高得精度。但受限于卷积层结构的限制，模型的入数据必须是基于采样点插值后的栅格数据；这会造成数据的二次误差，也限制了模型在自然环境(不规则)中的应用。此外，提取空间结构特征的卷积窗口只能为矩形，且不具有旋转不变性，这与真实环境中元素特征分布状况不符，也限制了卷积层对空间特征提取的能力。因此，需要对现有的卷积自编码进行改进和扩展，解决上述问题以提高其多元化探背景学习和异常识别的能力。

发明内容

本发明针对现有卷积自编码器中不能直接使用采样点数据，未能顾及真实采样点和不规则成矿区的问题，提供了一种基于图注意力自编码的多元地球化学异常识别方法，包括以下步骤：

S1、计算不同距离阈值下地球化学元素的空间相关性并绘距离阈值和相关性的折线图，选择折线出现明显拐点处的距离阈值作为K近邻算法的K；

S2、对多元地球化学元素浓度数据进行归一化，并基于K近邻算法，对多元地球化学勘探采样点进行边连接并完成拓扑图；

S3、构建图注意力自编码器模型，并利用S2中的拓扑图进行训练，选取重构误差最小的模型参数，作为最终的图注意力自编码器模型；

S4、将S2中的拓扑图输入至S3训练得到的最终图注意力自编码器模型，输出得到多元地球化学元素背景值；

S5、计算S2中的多元地球化学元素浓度数据和多元地球化学元素背景值之间的欧式距离作为异常值，并将异常值映射到地理空间，生成多元化探异常图。

与现有技术相比，本发明产生的有益效果是：

(1)本发明利用Moran'I指数确定最佳距离阈值K，并利用K近邻算法对采样点进行拓扑构边，使得采样点数据具有了属性信息和拓扑结构信息，能够被用于图深度学习。

(2)本发明将图深度学习引入化探异常识别领域中，构建了图注意力自编码神经网络，提出了顾及真实采样点和不规则成矿区的化探异常识别模型；使得网络模型直接以真实的地球化学采样点数据为输入数据，避免了插值带来的二次误差，也使得模型可以在不规则的区域应用，提高了地球化学模型的实用性。

(3)本发明构建的自编码中负责空间提取的结构为图注意力层，可以对多元地球化学拓扑图中采样点的属性特征和结构特征进行提取；和常用的卷积层相比，它具有旋转不变性，能够较好的提取不同区域、不同结构的空间特征，为复杂地质和成矿环境下利用多元化探数据进行异常识别和矿藏判别提供了高效的方法。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明的方法流程图；