[发明专利]一种基于深度学习的斑岩型矿产预测方法及系统

权利要求书

1.一种基于深度学习的斑岩浅成低温热液型矿产预测方法，其特征在于，包括以下步骤：

S1，获取目标矿区的高光谱遥感数据、地球化学数据及地球物理数据，并将各组数据均采样成60m分辨率；

S2，对所述地球化学数据及地球物理数据进行归一化处理，以去除数据量纲的影响；

S3，选择目标矿区及外延100m范围内为正样本，目标矿区外延400m以外为负样本，判定为无矿的地区为负样本，按照7:2:1分为训练集、验证集、测试集；

S4，构建基于自注意力机制的深度全连接神经网络的模型，并利用上一步构建的训练集对模型进行训练，同时利用验证集、测试集对模型进行精度验证，当验证集精度收敛到稳定状态即完成训练；

S5，训练完成后得到预测结果数据，利用torch.max()函数进行输出，输出结果为预测概率最大的对应分类，作为二分类问题，得到1表示有矿，得到0表示无矿；

其中，所述S1具体包括：

首先，对目标矿区高光谱遥感数据进行预处理获得反射率数据，剔除受水汽影响的坏波段后再进行最小噪声分类变换（MNF）、纯净像元指数（PPI）分析；

然后，利用混合调谐匹配滤波方法（MTMF）和光谱角方法（SAM）相结合的方式，提取矿物数据信息并重采样成60m分辨率；

其中，所述矿物数据信息包括明矾石、叶腊石、地开石、高岭石、绿泥石/绿帘石、褐铁矿、高Al绢云母、中Al绢云母、低Al绢云母、白云石、方解石、蒙脱石的数据信息；

其中，所述目标矿区为浅成低温热液型矿床或斑岩型矿床；

其中，所述S1具体包括：

对地球化学数据利用GS+软件变异函数模型，根据结果进行克里金插值成60m分辨率；

对地球物理数据进行化极、水平梯度膜、垂向一阶导数、向上延拓处理，采样成60m空间分辨率；

其中，所述S4具体包括：

将高光谱遥感数据、地球化学数据及地球物理数据中所提取的各预测变量特征信息输入至模型，并进行相似度计算得到权重；

使用Softmax函数对权重进行归一化；

将权重和相应的键值value进行加权求和得到最终的注意力分数；

其中，所述模型包括1层自注意力机制和4层全连接神经网络。