可解释性矿产预测人工智能模型  

作　　者：左仁广[1] 成秋明[1,2] 许莹 杨帆帆 熊义辉 王子烨 Oliver P.KREUZER 

机构地区：[1]中国地质大学(武汉)地质过程与矿产资源国家重点实验室,武汉430074 [2]中山大学地球科学与工程学院,珠海519000 [3]Corporate Geoscience Group(CGSG),PO Box 5128 Rockingham Beach,WA 6969,Australia [4]Economic Geology Research Centre(EGRU),College of Science and Engineering,James Cook University,Townsville,QLD 4811,Australia

出　　处：《中国科学：地球科学》2024年第9期2917-2928,共12页Scientia Sinica(Terrae)

基　　金：国家自然科学基金项目(42321001、42172326);湖北省自然科学基金项目(2023AFA001)资助。

摘　　要：矿产资源潜力评价主要目的之一是通过整合和分析地质找矿大数据以缩小找矿区域.地质找矿大数据具有数据量大、结构复杂等特征,常常无法对其进行有效地处理和解释.人工智能算法是挖掘地质找矿大数据中潜在非线性矿化模式的有效工具,已经在矿产预测领域表现出优越性能.然而,人工智能驱动的矿产预测目前面临一些挑战,如可解释性差、泛化能力弱、预测结果与物理规律不一致等.本文在前人研究的基础上,将领域知识嵌入人工智能驱动的矿产预测全过程,建立了更加透明和可解释的矿产预测人工智能模型.该模型提供了强大的成矿知识和专家经验指导矿产预测人工智能模型训练的全过程,包括数据输入、模型设计及模型输出等环节,从而提高矿产预测人工智能模型的可解释性和预测性能.总体而言,可解释性矿产预测人工智能模型实现了整个建模过程中先验知识和专家经验的嵌入,为未来矿产预测研究提供了一个有价值和前景的方向.

关 键 词：人工智能 矿产预测 地质找矿大数据 领域知识 可解释性 

分 类 号：P628[天文地球—地质矿产勘探]