基于大规模预训练模型的地质矿物属性识别方法及应用

地球科学的研究成果通常记录在技术报告、期刊论文、书籍等文献中,但许多详细的地球科学报告未被使用,这为信息提取提供了机遇。为此,我们提出了一种名为GMNER(Geological Minerals named entity recognize,MNER)的深度神经网络模型,用于识别和提取矿物类型、地质构造、岩石与地质时间等关键信息。与传统方法不同,本次采用了大规模预训练模型BERT(Bidirectional Encoder Representations from Transformers,BERT)和深度神经网络来捕捉上下文信息,并结合条件随机场(Conditional random field,CRF)以获得准确结果。实验结果表明,MNER模型在中文地质文献中表现出色,平均精确度为0.8984,平均召回率0.9227,平均F1分数0.9104。研究不仅为自动矿物信息提取提供了新途径,也有望促进矿产资源管理和可持续利用。

基于Hapke模型多角度孔雀石光谱特性分析

岩矿的光谱特征是利用遥感手段识别岩矿的理论基础,随着遥感技术的不断发展,多角度观测为岩矿的遥感精确识别提供了新的思路。选取孔雀石粉末的多角度光谱特征作为研究对象,利用Hapke模型对孔雀石的多角度光谱特征进行精确描述,以确定孔雀石的单次散射反照率的多角度光谱特征。研究表明,光源天顶角和传感器观测天顶角之间的关系对于孔雀石的单次散射反照率有着重要影响,样本的单次散射反照率标准差与其光谱之间整体体现负相关关系。根据这一结论,比较样品单位波长内各角度二向反射率和单次散射反照率标准差,二向反射率受到影响作用较小,故可以利用多角度条件下单次散射反照率波谱特征提高对孔雀石的遥感识别精度。