[发明专利]基于样本失衡的深度学习矿产资源分类预测方法及系统

说明书

本发明提出了一种基于样本失衡的深度学习矿产资源分类预测方法及系统，本发明将研究区分为矿床区、成矿远景区和背景区，若成矿远景区中存在化探数据异常的区域，则能够间接说明该区域具有较高的矿化概率且表现出与已知矿床的化探数据特征相似性更高。利用深度学习的方式来分析并确定成矿远景区内化探数据异常的区域，然后将已知矿床区和所得化探异常区两者的空间数据特征视为神经网络的学习对象，用于习得化探数据与矿化之间的客观规律。为了防止神经网络对背景区的空间数据特征过拟合等问题，引入损失权重和惩罚损失对传统的交叉熵损失函数做出改进。本发明能够在较少的矿靶区地球化学数据中找出矿化规律以在新的地球化学数据中预测矿化概率。

技术领域

本发明涉及一种基于样本失衡的深度学习矿产资源分类预测方法及系统，属于地球信息科学领域和计算机视觉领域。

背景技术

随着我国经济的飞速发展，各种矿产资源在工业界的需求也逐渐增加，如何准确高效的探测矿产资源已成为当今学术界的热潮。随着人工智能理论与技术的飞速发展，人工智能也逐渐走进地球科学领域，借助计算机视觉处理的方法，矿靶区的预测也从最初的传统方法转变为基于人工智能的智能预测，使得预测结果更加精准和可靠。

尽管借助人工智能来预测矿靶区的方法能够取得一定的成功，但是矿区数量少、区域小和背景区面积占比相对很大等关键问题对智能预测矿靶区的准确率有着直接的影响，并且传统的化探数据异常分析方法难以深入分析隐藏在复杂地质环境下的微弱异常。

发明内容

发明目的：针对现有技术的不足，本发明目的在于提出一种基于样本失衡的深度学习矿产资源分类预测方法及系统，以更加全面且客观的寻找出化探数据与矿化之间的关系，在较少的矿靶区地球化学数据中找出矿化规律以在新的地球化学数据中预测矿化概率。

技术方案：为实现上述发明目的，本发明所述的一种基于样本失衡的深度学习矿产资源分类预测方法，包括如下步骤：

步骤1：经由地理位置信息和地球化学元素信息形成矿靶区地质图像数据；

步骤2：将研究区域分为矿床区、成矿远景区和背景区；

步骤3：通过变分自编码器分析成矿远景区内化探数据的特征分布并确定成矿远景区内化探数据异常的区域，若成矿远景区中存在化探数据异常的区域，则将该区域的类别标记为与其距离最近的矿床区类别相同；

步骤4：将矿床区和所得化探异常区的样本进行数据增强；

步骤5：构造卷积神经网络模型，用于学习化探数据与矿化之间的规律，为防止神经网络模型对背景区的空间数据特征产生过拟合以及优化网络模型学习化探数据的成矿特征，引入损失权重和惩罚损失改进传统交叉熵损失函数；

步骤6：将训练样本数据输入到神经网络模型中进行迭代，然后更新神经网络的参数；

步骤7：将训练好的网络模型对待预测区域的化探数据进行矿化概率预测，生成该区域矿产资源的概率预测分布图。

进一步地，所述步骤1中的地理位置信息包括已知矿靶区的经纬度坐标，地球化学元素信息包括已知矿靶区的各种地球化学元素的含量；在ArcGIS软件中输入地理位置信息和地球化学元素信息，经过基于地学统计的克里金插值法，最终得到已知矿靶区域的地质图像。

进一步地，所述步骤2中利用ArcGIS软件对化探数据进行迭代自组织聚类，选取已知矿床区为聚类中心，将研究区域分为成矿远景区和背景区，成矿远景区占研究面积的A％，成矿远景区中包含已知矿床区；背景区占研究面积的(100-A)％，A为预设的占比。

进一步地，所述步骤3具体包括如下步骤：