多元地化学异常识别应用地质约束卷积深度学习算法与Butterworth过频域信息的频域信息:

科学领域:

• 地质化学 地质化学
• 机器学习 机器学习
• 深度学习 (Deep Learning) 是一种深度学习.
• 矿产勘探 矿产勘探 矿产勘探 矿产勘探

背景情况:

• 深度学习网络,特别是卷积神经网络 (CNN),被广泛用于检测与矿产沉积物相关的多元素地质化学异常.
• 传统的2D CNN在应用于多元地化学异常映射时面临挑战,原因是处理表格数据的限制.
• 增强CNN特征提取包括结合地质约束和利用频域数据来改进信息内容.

研究的目的:

• 开发一种新的地质约束深度学习 (GCDL) 算法,用于分类多元素地质化学数据表.
• 通过提出1D CNN方法来解决地化学异常映射中的2D CNNs的局限性.
• 通过地质约束和频率域数据来增强CNN的特征提取能力.

主要方法:

• 开发一个地质约束的卷积深度学习 (GCDL) 算法.
• 一维 (1D) CNN的应用用于卷曲地质化学数据表,减少不确定性.
• 用频域地化学数据训练深度学习框架.

主要成果:

• 在分类多元地质化学数据方面,GCDL算法表现出令人印象深刻的结果.
• 罗巴特塞菲德地区的频率域培训数据显示,在研究区域的28%内,有86.22%的Cr发生.
• 空间域地质化学测绘表明,同一区域内79.91%的Cr发生,突出显示频域方法的优越性.

结论:

• 新的GCDL算法有效地分类多元地质化学数据,优于传统方法.
• 利用频域数据和地质约束显著提高了地化学异常检测的准确性.
• 开发的方法为矿产勘探和矿产矿床的识别提供了一个有前途的方法.