(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210388950.0 (22)申请日 2022.04.14 (71)申请人 中国自然资源航空物探 遥感中心 地址 100083 北京市海淀区学院路31号 (72)发明人 刘采　王文磊　王勤　于峻川　 甘甫平　陈斌　 (74)专利代理 机构 北京兴智翔达知识产权代理 有限公司 1 1768 专利代理师 郭卫芹 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/774(2022.01) G06N 3/04(2006.01) G06V 10/82(2022.01) G06V 10/764(2022.01)G06T 3/40(2006.01) G06V 10/74(2022.01) G06Q 10/04(2012.01) G06Q 50/02(2012.01) (54)发明名称 一种基于深度学习的斑岩浅成低温热液型 矿产预测方法及系统 (57)摘要 本发明属于矿产资源 预测技术领域， 具体公 开了基于深度学习的斑岩浅成低温热液型矿产 预测方法及系统， 其中方法包括： 预测变量准备、 预测变量数据处理、 训练样本选取、 模型构建及 找矿靶区识别。 该方案基于60m空间分辨率提取 地球物理、 地球化学、 高光谱矿物信息数据， 不使 用地质要素， 有效避免了地质要素不确定性的影 响， 提高了模型的预测精度。 在矿产预测领域中， 首次构建自注意力机制全连接神经网络进行监 督分类式矿产资源预测， 增强了预测变量间关联 信息的获取能力， 提升预测变量有效特征的筛选 能力， 从而改善了矿产资源预测精度， 为有效开 展机器学习在矿产资源应用提供技 术基础。 权利要求书2页 说明书7页 附图3页 CN 114898109 A 2022.08.12 CN 114898109 A 1.一种基于深度学习的斑岩浅成低温热液型矿产预测方法， 其特征在于， 包括以下步 骤： S1， 获取目标矿区的高光谱遥感数据、 地球化学数据及地球物 理数据， 并将各组数据均 采样成60m分辨率； S2， 对所述 地球化学 数据及地球物理数据进行归一 化处理， 以去除数据量纲的影响； S3， 选择目标矿区及外延100m范围内为正样本， 目标矿区外延400m以外为负样本， 判定 为无矿的地区为负 样本， 按照7:2:1分为训练集、 验证集、 测试集； S4， 构建基于自注意力机制的深度全连接神经网络的模型， 并利用上一步构建的训练 集对模型进 行训练， 同时利用验证集、 测试集对模 型进行精度验证， 当验证集精度收敛到稳 定状态即完成训练； S5， 训练完成后得到预测结果数据， 利用torch.max()函数进行输出， 输出结果为预测 概率最大的对应分类， 作为 二分类问题， 得到1表示有矿， 得到 0表示无矿。 2.根据权利要求1所述的基于深度学习的斑岩浅成低温热液型矿产预测方法， 其特征 在于， 所述目标矿区为浅成低温热 液型矿床或斑岩型矿床。 3.根据权利要求1所述的基于深度学习的斑岩浅成低温热液型矿产预测方法， 其特征 在于， 所述S1具体包括： 首先， 对目标矿区高光谱遥感数据进行预处理获得反射率数据， 剔除受水汽影响的坏 波段后再进行最小噪声分类 变换(MNF)、 纯 净像元指数(P PI)分析； 然后， 利用混合调谐匹配滤波方法(MTMF)和光谱角方法(SAM)相结合的方式， 提取矿物 数据信息并重采样成6 0m分辨率。 4.根据权利要求3所述的基于深度学习的斑岩浅成低温热液型矿产预测方法， 其特征 在于， 所述矿物数据信息包括明矾石、 叶腊石、 地开石、 高岭石、 绿泥石/绿帘石、 褐铁矿、 高 Al绢云母、 中Al绢云母、 低Al绢云母、 白云石、 方解石、 蒙脱 石的数据信息 。 5.根据权利要求1所述的基于深度学习的斑岩浅成低温热液型矿产预测方法， 其特征 在于， 所述S1具体包括： 对地球化学数据利用GS+软件优选变异函数模型， 根据优选结果进行克里金插值成60m 分辨率； 对地球物 理数据进行化极、 水平梯度膜、 垂向一阶导数、 向上延拓处理， 采样成60m空间 分辨率。 6.根据权利要求1所述的基于深度学习的斑岩浅成低温热液型矿产预测方法， 其特征 在于， 所述S4具体包括： 1)将高光谱遥感数据、 地球化学数据及地球物 理数据中所提取的各预测变量特征信 息 输入至模型， 并进行相似度计算得到 权重； 2)使用Softmax函数对权 重进行归一 化； 3)将权重和相应的键值value进行加权求和得到最终的注意力分数。 7.根据权利要求1所述的基于深度学习的斑岩浅成低温热液型矿产预测方法， 其特征 在于， 所述模型包括1层自注意力机制和4层全连接神经网络 。 8.一种基于深度学习的斑岩浅成低温热液型矿产预测系统， 其特征在于， 所述系统用 于实现如权利要求 1‑7任一项所述的基于深度学习的斑岩浅成低温热液型矿产预测方法的权　利　要　求　书 1/2 页 2 CN 114898109 A 2步骤， 包括： 预测变量准备模块， 用于获取目标矿区的高光谱遥感数据、 地球化学数据及地球物理 数据， 并将各组数据均采样成6 0m分辨率； 预测变量数据处理模块， 对所述地球化学数据及地球物理数据进行归一化处理， 以去 除数据量纲的影响； 训练样本选取模块， 用于选择目标矿区及外延100m范围内为正样本， 目标矿区外延 400m以外为负 样本， 判定为无矿的地区为负 样本， 按照7:2:1分为训练集、 验证集、 测试集； 模型构建模块， 用于构建基于自注意力机制的深度全连接神经网络的模型， 并利用上 一步构建的训练集对模型进 行训练， 同时利用验证集、 测试集对模型进 行精度验证， 当验证 集精度收敛到稳定状态即完成训练； 找矿靶区识别模块， 用于训练完成后得到预测结果数据， 利用torch.max()函数进 行输 出， 输出结果为预测概率最大的对应分类， 作为二分类问题， 得到1表示有矿， 得到0表示无 矿。 9.一种电子设备， 其特征在于， 包括存储器、 处理器， 所述处理器用于执行存储器中存 储的计算机管理类程序时实现如权利要求 1‑7任一项所述的基于深度学习的斑岩浅成低温 热液型矿产预测方法的步骤。 10.一种计算机可读存储介质， 其特征在于， 其上存储有计算机管理类程序， 所述计算 机管理类程序被处理器执行时实现如权利要求 1‑7任一项所述的基于深度学习的斑岩 浅成 低温热液型矿产预测方法的步骤。权　利　要　求　书 2/2 页 3 CN 114898109 A 3