「地质约束显式+数据驱动模型」的新路径，浙江大学团队实现跨区域矿产远景预测性能和可解释性提升
💡
原文中文，约4900字，阅读约需12分钟。
📝
内容提要
浙江大学研究团队提出了一种基于地质约束的数据驱动成矿预测方法，通过引入各向异性空间关系，显著提升了矿产远景预测的地质一致性与可解释性。该方法在加拿大和美国的多尺度验证中表现优异，揭示了关键控矿因素，为智能找矿开辟了新路径。
🎯
关键要点
- 浙江大学研究团队提出了一种基于地质约束的数据驱动成矿预测方法。
- 该方法通过引入各向异性空间关系，提升了矿产远景预测的地质一致性与可解释性。
- 研究表明，该方法在加拿大和美国的多尺度验证中表现优异，揭示了关键控矿因素。
- 成矿作用受构造、岩性及岩浆活动等多重地质因素控制，具有显著的空间非平稳性与方向性特征。
- 现有机器学习与图模型方法难以显式刻画成矿过程中的各向异性与区域差异性。
- 研究团队构建了各向异性空间邻近性神经网络，结合卷积注意力加权机制与逻辑回归模型。
- 该方法在保持预测精度的同时，显著增强了模型的地质一致性与可解释性。
- 通过多尺度验证，结果显示该方法在召回率和整体泛化性能方面优于多种主流模型。
- 研究成果已发表于《Geology》期刊，题为《Geologically constrained data-driven modeling for mineral prospectivity mapping》。
- 研究亮点包括突破传统机器学习方法的隐式处理局限，实现对复杂成矿作用空间异质性的定量刻画。
❓
延伸问答
浙江大学的研究团队提出了什么新方法用于矿产远景预测？
他们提出了一种基于地质约束的数据驱动成矿预测方法。
该方法如何提升矿产远景预测的可解释性？
通过引入各向异性空间关系，显著增强了模型的地质一致性与可解释性。
研究团队在验证该方法时使用了哪些区域的数据集？
他们使用了加拿大梅古马地体金矿区和美国科迪勒拉斑岩铜成矿带的数据集。
该研究的主要成果发表在哪个期刊上？
研究成果已发表于《Geology》期刊。
该方法在召回率和整体泛化性能方面表现如何？
结果表明，该方法在召回率和整体泛化性能方面优于多种主流模型。
研究团队如何解决传统机器学习方法的局限性？
通过构建各向异性空间邻近性神经网络，实现对复杂成矿作用空间异质性的定量刻画。
➡️
