基于深度学习的山东大尹格庄金矿床深部三维预测模型

在隐伏矿体三维预测中,预测模型的准确性在很大程度上取决于找矿指标对矿化富集部位的指示性。然而,找矿指标容易受到找矿概念模型可靠性和成矿信息提取有效性限制,从而影响预测的准确性。论文以山东大尹格庄金矿隐伏矿体三维预测为例,基于深度学习方法,构建矿床深部隐伏矿体三维预测模型,旨在利用深度网络模型,学习获得对矿化具有显著指示性的找矿指标,提升三维预测的准确性。该方法将三维地质模型及其形态特征转换为适合卷积网络二维图像,采用卷积神经网络实现找矿指标的自动提取,并构建三维地质模型到矿化富集地段的定量关联。利用该方法建立了大尹格庄金矿的三维预测模型,经与几种人工建立找矿指标预测模型的对比分析,表明基于深度学习的预测模型较大地提升了预测准确性。

基于注意力卷积神经网络的焦家金矿带三维成矿预测及构造控矿因素定量分析

焦家金矿带是我国重要的金矿产地,随着开采深度不断增加,深部找矿已成为目前工作重点,为此,从数据科学视角出发,利用深度学习技术,开展焦家矿带三维成矿预测及控矿因素定量分析工作。在建立三维地质模型和控矿指标基础上,构建引入CBAM注意力机制模块的卷积神经网络模型,从初始控矿指标中抽取具有矿化指示性的信息特征,建立焦家断裂面与矿化定位间的非线性关联关系,并与其他方法构建的成矿预测模型进行对比,验证本文方法构建的模型的准确性与可靠性。利用DeepLIFT方法解构深度网络特征,明确各控矿指标输入对网络输出的贡献,以此定量分析焦家矿带控矿因素对金成矿的影响。研究结果表明:焦家断裂距离场对成矿影响最显著,其次为坡度和坡度变化率,形态起伏度对成矿影响较弱;在矿带深部2000~3000 m圈定找矿有利靶区3处,其中,纱岭勘查区矿体深部延伸部位和曲家勘查区北段深部具有较大找矿潜力,焦家与曲家勘查区连接部位深部可能存在新的矿化富集区。

基于形状上下文的成矿构造形态控矿特征深度学习及三维成矿预测——以大尹格庄金矿床为例

随着地质找矿工作逐步向深部空间的发展,深部矿、隐伏矿已成为找矿的主要对象。在对深部矿、隐伏矿的预测中,有效的成矿信息提取能够保证预测结果的准确性和可靠性。本文提出一种基于形状上下文的成矿构造形态控矿特征深度学习方法,以大尹格庄金矿床为研究对象,利用胶西北招平断裂带大尹格庄断离面趋势-起伏因素(waF、wbF)、断离面坡度因素(gF)、断离面陡缓转换部位综合场因素(fV)封装的三维形状上下文特征,利用深度学习中的图卷积神经网络,学习获得深层次的地质体形态控矿特征。研究表明,图卷积网络可提取更完备的地质体形态控矿特征,建立具有较好预测准确性的三维成矿预测模型。

基于遥感影像的耕地撂荒原因研究

耕地撂荒现象影响国家农业生产和粮食安全。本文选择阳山县6个典型村展开耕地撂荒原因研究,结合高分遥感影像得到撂荒耕地的分布,对农户调研对象的选择进行精准定位,综合得到耕地撂荒的整体形态、变化趋势,以及样本村的农户调研信息,并给出相应的对策建议,为耕地的管理研究提供方法与参考。