[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

说明书

本发明属于矿产资源预测技术领域，具体公开了基于深度学习的斑岩浅成低温热液型矿产预测方法及系统，其中方法包括：预测变量准备、预测变量数据处理、训练样本选取、模型构建及找矿靶区识别。该方案基于60m空间分辨率提取地球物理、地球化学、高光谱矿物信息数据，不使用地质要素，有效避免了地质要素不确定性的影响，提高了模型的预测精度。在矿产预测领域中，首次构建自注意力机制全连接神经网络进行监督分类式矿产资源预测，增强了预测变量间关联信息的获取能力，提升预测变量有效特征的筛选能力，从而改善了矿产资源预测精度，为有效开展机器学习在矿产资源应用提供技术基础。

技术领域

本发明属于矿产资源预测技术领域，特别是关于一种基于深度学习的斑岩-浅成低温热液型矿产资源预测方法及系统。

背景技术

随着地质大数据指数形式增长以及人工智能的兴起，现有技术中有尝试采用支持向量机、卷积神经网络等机器学习方法应用于矿产资源预测中。与传统方法相比，机器学习具有更高的预测精度，特别是针对数据量大、维数高并且输入变量之间存在复杂的非线性关系，或者输入变量有着较为复杂的统计分布特征具有明显的优势。

现有技术主要存在以下两方面的技术缺陷：

一是目前机器学习方法采用地质、地球物理、地球化学、遥感数据作为预测变量。但地质要素(如断裂、岩性)的不确定性不可避免地会给机器学习带来影响，特别是在青藏高原等西部艰险地区，基础地质调查相对薄弱。并且对于遥感数据，目前使用的是光谱测量数据，不是提取的矿物信息，而明矾石、叶腊石、地开石等蚀变矿物对斑岩型-浅成低温热液型矿床的勘查具有良好的指示作用，特别是明矾石是高硫型浅成低温热液矿床标志性矿物。

二是目前没有明确提取预测数据的空间分辨率。过小的空间分辨率会造成数据量过大、价值密度低、模型运行速度慢，而过大的空间分辨率会导致分类精度降低。

发明内容

本发明的目的在于提供一种基于深度学习的斑岩-浅成低温热液型矿产资源预测方法及系统，其能够解决矿产资源预测精度低的技术问题。

本发明提供了一种基于深度学习的斑岩-浅成低温热液型矿产资源预测方法，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，得到1表示有矿，得到0表示无矿。

优选地，所述目标矿区为浅成低温热液型矿床或斑岩型矿床。

优选地，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。

优选地，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。

优选地，所述S1具体包括：