社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

JAG最新成果|中国科学院李庆亭团队:多源地球科学数据矿产勘查深度学习方法系统综述(2018-2025)

GEE遥感训练营 • 4 周前 • 64 次点击  

论文摘要



在将包括卫星观测、地球物理测量、地球化学分析和地质信息在内的多源数据集应用于矿产潜力研究方面已经取得了重大进展。然而,传统的矿产勘探技术在复杂地质环境中面临着越来越大的挑战,特别是对于深部或隐蔽矿床,因为它们整合和解释高度异质的多源数据集的能力有限。深度学习作为一种先进的方法,可以从此类异质的地球观测和地球科学数据中学习联合表示,整合细微的光谱、空间和结构模式,从而通过优先考虑潜在区域和减少不必要的地面调查来支持更高效、更有针对性的野外作业。在这项系统综述中,我们研究了2018年至2025年间发表的349项关于深度学习用于矿产勘探的研究。提出了一个阶段相关的数据框架,以详细说明数据需求如何从区域勘查发展到矿床尺度目标定位。随后,我们批判性地评估了主要的深度学习架构,并将它们的特定优势与不同的数据特征(如空间网格、序列和图拓扑)联系起来。特别关注多源融合策略,强调严格的空间一致性和物理互补性的必要性。此外,还确定了限制实际应用的持续挑战,包括标签代表性中的发现偏差、类别不平衡、可解释性和跨区域泛化。最后,讨论了新兴前沿领域,包括地理空间基础模型和大语言模型在自动知识提取中的作用。

关键图表



图 1.综述数据集的数据检索、筛选与合格性评估流程图

图 2.第二季度年度发文量及其在第一季度中的占比。
图 3.各类深度学习模型在矿产勘查研究中的应用占比。
图 4.(a) 自编码器结构流程图;(b) 基于堆叠自编码器(SAE)的深度学习模型。

图 5.基于循环神经网络(RNN)的深度学习模型。

图 6.基于卷积神经网络(CNN)的深度学习模型。

图 7.基于生成对抗网络(GAN)的深度学习模型。

图 8.基于图卷积网络(GCN)的深度学习模型。

图 9.(a) 通道注意力模块;(b) 空间注意力模块;(c) 基于注意力机制的深度学习模型。

图 10.基于视觉 Transformer(Vision Transformer)的深度学习模型。

版权声明

声明:本推文仅用于学习交流,不做其他任何目的。若有侵权,请联系微信号:GeeStudy_2020删除或修改!论文doi链接:https://doi.org/10.1016/j.jag.2026.105254点赞、收藏、关注

更多阅读



GIScience & Remote Sensing|昆明理工大学唐伯惠团队提出增强型归一化差异裸土指数裸土指数 ENDBSI:破解不透水面干扰难题

2026-04-10

GIScience & Remote Sensing|河海大学周亚男团队提出 MPRI:面向油菜物候监测的 SAR时序新指数

2026-04-09

IEEE最新成果|山东科技大学孙林团队:多源卫星交叉验证!实现高质量小火灾样本生成与精准探测

2026-04-08

Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/195007