卷积神经网络在地球化学异常...林省辉南—江源一带铁矿为例_钟羽.pdf

第 41 卷第 4 期2022 年 12 月吉林地质JILIN GEOLOGYVol.41No.4Dec.2022文章编号:10012427(2022)04516卷积神经网络在地球化学异常识别中的应用 以吉林省辉南江源一带铁矿为例钟羽1，2，曹梦雪1，2，尹冬妹1，2，路来君1，21.成都理工大学 数理学院，四川 成都610059;2.成都理工大学数学地质四川省重点实验室，四川 成都610059摘要:地球化学异常识别在矿产勘查中发挥着重要作用。本文利用机器学习方法解决矿产勘查问题，有助于人们能全面考虑地质变量并对模型的可靠性进行评价。以吉林省靖宇区铁矿床为研究案例，采用研究区地表 Fe 元素浓度及分布位置数据，绘制 Fe 元素浓度图，运用卷积神经网络算法，挖掘地表 Fe 元素分布与矿体地下位置空间的关系。经过 25 次训练后，模型的准确率可达到 96.88%，损失函数值仅为 0.16。通过本文研究发现:卷积神经网络可以深入探索地表元素分布与矿体地下位置联系。该模型揭示出元素在地表的分布与矿体的空间对应关系。传统地球化学异常识别是通过对研究区元素含量水平进行统计分析。在地球化学勘察中仅区分研究区背景和异常，根据背景值的强弱来划分异常，但背景和异常没有一个“清晰”的界限，在不同条件下，背景和异常可以相互转换。在此情形下，仅通过对异常值的识别不能反映地表元素与地下矿体的关联性。本文转变以往思路，运用卷积神经网络模型表达矿体位置与元素分布之间的对应关系，可以为未来地球化学异常识别研究提供参考方向。关键词:地球化学异常识别;机器学习;深度学习;卷积神经网络;铁矿床中图分类号:P632;TP183文献标识码:B收稿日期:2022-10-18;改回日期:2022-12-06基金项目:国家自然科学基金(41802245)作者简介:钟羽(1995)，男，吉林吉林市人，成都理工大学数理学院在读硕士。Application of convolutional neural network in geochemical anomalyidentification:taking the iron mine in Huinan Jiangyuan areaof Jilin Province as an exampleZHONG Yu1，2，CAO Mengxue1，2，YIN Dongmei1，2，LU Laijun1，21.College of Mathematics and Physics，Chengdu University of Technology，Chengdu 610059，Sichuan，China;2.Key Laboratory of Geomathematics of Sichuan Province，Chengdu University of Technology，Chengdu 610059，Sichuan，ChinaAbstract:Identification of geochemical anomalies plays an important role in mineral exploration In this paper，machine learn-ing method is used to solve mineral exploration problems，which helps people to fully consider geological variables and evaluatethe reliability of the model Taking the iron deposit in Jingyu area，Jilin Province as a case study，the concentration and distri-bution location of surface Fe element in the study area are used to draw the Fe element concentration map The convolutionalneural network algorithm is used to mine the relationship between the surface Fe element distribution and the underground loca-tion space of the ore bodies After 25-times trainings，the accuracy of the model could reach 96.88%and the loss function valueis only 0.16 Through this study，it is found that the convolutional neural network model can deeply explore the relationship be-tween the distribution of surface elements and the underground location of ore bodies The model expresses the spatial correspon-dence between the distribution of elements on the surface and the ore bodies Traditional geochemical anomaly identification isbased on the statistical analysis of the element content level in the study area In the geochemical exploration，only the back-ground and anomaly of the study area are distinguished，and the anomaly is divided according to the strength of the backgroundvalue，but there is no“clear”boundary between the background and anomaly Under different conditions，the background andanomaly can be converted to each other In this case，the correlation between surface elements and underground ore bodies can-not be reflected only through the recognition of abnormal values In this paper，changes the previous ideas，convolutional neuralnetwork model is used to express the corresponding relationship between ore body location and element distribution，which canprovide a reference direction for future researchKey words:Identification of geochemical anomaly;machine learning;deep learning;convolutional neural network;iron depos-it0引言在过去的几十年中，地球化学勘查在矿产资源预测中发挥着关键作用，其中地球化学异常识别1 对于矿床发现的价值已得到广泛认可。地表中金属富集异常可能涉及各种地质和外力的复杂作用。这些过程可以在广泛的时间和空间尺度上发生，并且因地而异，由此产生的地球化学模式错综复杂，为地球化学异常的识别带来了很大的挑战2。因此，开发能够有效识别地球化学异常复杂关系的新方法成了近几十年来的研究重点。随着机器学习算法引入到地球科学领域，学者们逐渐发现这些方法能够较好地表达矿床与多源数据之间的非线性关系，并且不依赖于数据分布。相比于传统处理方法而言，机器学习方法3 对于处理复杂的非线性数据方面存在一定优势，可对多维特征进行建模，进而提高预测精度，以此弥补一般传统方法无法有效识别隐藏空间模式的不足。正因如此，机器学习系列方法被广泛用于地球化学异常识别，例如:支持向量机方法4 5 可以通过搜索最佳超平面将采样样本分为化学异常或非异常，从而建立成矿预测模型。随机森林方法6 7 可通过整合多个基分类器，生成更强的矿产潜力预测模型，而且对其优化还能够应用于具有少量标记样本的研究领域。随着深度学习8，23 的兴起，研究者们开始将卷积神经网络9 10，24、生成对抗网络11 和深度自动编码器12 13 等方法引入到地球化学异常识别及矿产远景预测领域。这些方法能够自动从多源地球信息中提取高级特征，并实现大规模数据表征。尤其是卷积神经网络，汪雪萍学者14 运用卷积神经网络完成地球化学数据分类与岩性填图;李童学者15 16 通过全卷积神经网络对离子吸附型稀土矿进行预测;王海俊学者17 将卷积神经网络和自编码器结合运用在金锑矿集区的找矿预测。通过众多学者的研究可以看出，通过卷积层提取特征，挖掘指示因子的空间分布与矿床位置的相关性。本文以吉林省辉南江源一带铁矿床为例，通过卷积神经网络模型挖掘 Fe 元素富集分布特征，并利用其训练模型对研究区进行地球化学异常识别，揭示地表元素与矿体位置之间的关系。1地质背景研究区18 21 位于吉林省东南部，东经 12600 12700，北纬4200 4240(图1)。行政区划隶属于吉林省白山市的靖宇县，通化市辉南县等。研究区中南部地势较高，西北部较低。区内主要受东西向构造、北东向构造影响，其中东西向构造是最早形成。区内矿产资源较为丰富，已知矿床、矿点及矿化点较多，主要以铁矿为主，在研究区的鞍山群各组段中均见有沉积变质铁矿，这些铁矿分布在龙岗背斜的南北两翼，其展布方向受地层的控制，与龙岗背斜轴向方向一致，呈北东南西方向带状分布。区内出露地层主要为鞍山群四道砬子河组，岩性以黑云斜长片麻岩为主。区内褶皱构造和断裂构造较为发育。区内由于东西两部地层产状差异而构成为向斜构造。矿体产状则随地层的弯曲或产状变化而异，区内发育北东向和北西向断裂，造成了矿体的折断或不完整。矿石为磁铁石英岩型，呈条带状构造，矿物成分有磁铁矿、石英及石榴石。25吉林地质第 41 卷图 1吉林省辉南江源一带地质简图Fig.1Geological sketch map of Huinan Jiangyuan area，Jilin Province1.第四系:黏土，砂砾岩;2.白垩系:砾岩，粉砂岩，角砾岩;3.侏罗系:砾岩，砂岩，粉砂岩，安山岩;4.三叠系:长石砂岩，粉砂岩;5.二叠系:砂岩，粉砂岩，页岩，长石石英砂岩;6.石炭系:砂岩，炭质页岩夹可采煤;7.奥陶系:灰岩，页岩;8.寒武系:砂岩，粉砂岩，页岩，泥质灰岩;9.震旦系:石英砂岩，页岩，灰岩;10.老岭群:千枚岩，大理岩，石英岩;11.鞍山群:石英岩，角闪岩，花岗岩，片麻岩;12.燕山期:闪长岩，花岗岩，花岗斑岩;13.石英岩脉/伟晶岩脉;14.闪长斑岩脉/煌斑岩脉;15.辉绿岩脉;16.断层线;17.铁矿。2研究方法2.1神经网络神经网络是一种模仿人类大脑行为特征的机器学习模型。神经网络依靠内部大量节点之间相互连接的关系，进行分布式运算，从而达到处理数据的目的。每个节点接受数据的输入后，先进行线性加权，然后为每个节点加上非线性的激活函数，最后完成非线性的数据输出。每个节点之间的连接表示加权值，不同的加权值使神经网络产生不同的输出结果。2.2卷积神经网络卷积神经网络22 是一类包含卷积计算的前馈神经网络。卷积相对全连接网络不再是处理每个像素的输入信息，而是处理像素区域。这种做法的优点是使图像可以作为数据直接输入，加强了图片信息的连续性。卷积神经网络结构通常包括输入层、35第 4 期钟羽，等:卷积神经网络在地球化学异常识别中的应用 以吉林省辉南江源一带铁矿为例卷积层、池化层、全连接层和输出层(图 2)。其中，卷积层、池化层和全连接层构成多层感知器的隐藏层23。隐含层的卷积层和池化层是实现卷积神经网络特征提取功能的核心模块。图 2卷积神经网络结构图Fig.2Convolutional neural network structure diagram卷积层 1、2:通过卷积运算提取出图像特征，剔除无用信息;池化层 1、2:筛选图片特征，降维数据却不破坏识别特征;全连接层 1、2:将提取的识别特征转化为图片特征，进行图片识别。3数据处理与结果分析采用研究区化探报告中 Fe 元素含量，运用克里格法插值法绘制成 Fe 元素浓度分布图(图 3)。对研究区进行网格化，由西向东由北向南分成 320个 4 100 m 4 625 m 的小格，编号为 1 320。研图 3吉林省白山市靖宇县 Fe 元素浓度图Fig.3Concentration map of Fe element in Jingyu County，Baishan City，Jilin Province45吉林地质第 41 卷究区样本被先标记后分为 1 和 0 两类。参考逻辑分类原则为:单位格子内含有矿点，则标记为 1 表示有矿。单位格子内没有矿点，则标记为 0 表示无矿。由于 77、78、270、271、287、306 号紧邻见矿孔，故均标记为有矿。本文所使用的卷积神经网络结构为:卷积层 池化层 卷积层 池化层 全连接层 全连接层。设定损失函数为交叉熵(CrossEntropy)，学习率为0.001，训练次数为 25 次，将研究区内 30%样本数据作为验证集，以此得到训练集和测试集的准确率(图 4a)和损失函数值(图 4b)。通过迭代运算发现:在第 15 次迭代时，训练集准确率可达到99.90%，损失函数值为 0.000 1，模型训练到最佳效果。将验证集输入到训练好的模型中，验证集的准确率为 96.88%，损失函数值为 0.16，表明相对当前数据而言，训练模型结果是有效的。图 4Fe 元素卷积神经网络训练准确率(a)和损失函数(b)Fig.4Training accuracy(a)and loss function(b)of Fe element convolutional neural network传统地球化学异常识别是通过对研究区元素含量水平进行统计分析。利用统计学的方法把元素含量人为分为背景和异常两部分，但背景和异常没有一个“清晰”的界限，在不同条件下，背景和异常可以相互转换。本文转变了以往思路，通过 Fe元素地表分布图像与矿体位置进行研究。建立起准确率为 0.968 8，损失函数值为 0.16 的卷积神经网络模型。对比模型结果与元素浓度分布特征发现在地表元素浓度并不是异常的地下位置却有矿体分布。在此情形下，仅通过对异常值的识别是不能反映地表元素与地下矿体的关联性，而运用卷积神经网络模型却识别出异常区域。这表明，在没有其他信息条件下，仅依靠数据分析的神经网络方法能够发现地球化学异常有一定优势。4结论本文利用深度学习中的卷积神经网络模型挖掘辉南江源一带铁矿床地表 Fe 元素分布特征，并进行地球化学异常识别。通过研究发现:卷积神经网络可以深入探索地表元素分布与矿体地下位置关系，模型效果显著，结果可靠。在后续深入的研究中，也可考虑将机器学习方法与地质约束条件相结合或考虑地质学理论替换模型的隐藏层，或许会增加所识别信息的可解释性与可靠性，这可作为进一步研究的新思路。致谢:感谢路来君导师、曹梦雪老师、尹冬妹硕士给予的指导和帮助，感谢成都理工大学数学地质四川省重点实验室的大力支持!参考文献:1 赵鹏大，胡旺亮 地质异常理论与矿产预测 J 新疆地质，1992(2):93 100 2 刘艳鹏，朱立新，周永章 卷积神经网络及其在矿床找矿预测中的应用:以安徽省兆吉口铅锌矿床为例 J 岩石学报，2018，34(11):3217 3224 3 何清，李宁，罗文娟，等 大数据下的机器学习算法综述 J 模式识别与人工智能，2014，27(04):327 336 4 ZUO，Carranza E J M Support vector machine:A toolfor mapping mineral prospectivity J Computers Geo sciences，2011，37(12):1967 197555第 4 期钟羽，等:卷积神经网络在地球化学异常识别中的应用 以吉林省辉南江源一带铁矿为例 5SHABANKAEH M，HEZAKHANI A Application ofsupport vector machines for copper potential mapping inKer man region，Iran J Journal of African EarthSciences，2017，128:116 126 6 WANG J，ZUO，XIONG Y Mapping mineral prospec-tivity via semi supervised random forest J Naturalesources esearch，2019，29(1):189 202 7 陈进，毛先成，刘占坤，等 基于随机森林算法的大尹格庄金矿床三维成矿预测 J 大地构造与成矿学，2020，44(02):231 241 8 AMIL A J，LOPEZ J S，POZO ANTONIO T Acomputer vision system for identification of granite form-ing minerals based on GB data and artificial neural net-works J Measurement，2017，117:90 95 9 LI S，CHEN J，XIANG J Applications of deep convolu-tional neural networks in prospecting prediction based ontwo dimensional geological big data J Neural Com-puting Applications，2019，32(7):2037 2053 10 LI H，LI X，YUAN F，JOWITT S M，et al Convolu-tional neural network and transfer learning based mineralprospectivity modeling for geochemical exploration of Aumineralization within the GuandianZhangbaling area，Anhui Province，China J Applied Geochemistry，2020，122，104747 11ZHANG C ZUO ecognition of multivariate geo-chemical anomalies associated with mineralization usingan improved generative adversarial network J OreGeology eviews，2021，136，104264 12 LUO Z，XIONG Y，ZUO ecognition of geochemicalanomalies using a deep variational autoencoder networkApplied Geochemistry，2020，122，104710 13 XIONG Y，ZUO ecognition of geochemical anoma-lies using a deep autoencoder network J Computers Geosciences，2016，86:75 82 14 汪雪萍，左仁广，王子烨 基于卷积神经网络的地球化学数据分类与岩性填图 C/首届全国矿产勘查大会论文集 出版者不详，2021:503 15 李童，左仁广 基于全卷积神经网络的赣南离子吸附型稀土矿预测 C 首届全国矿产勘查大会论文集 2021:509 16 左仁广，彭勇，李童，等 基于深度学习的地质找矿大数据挖掘与集成的挑战 J 地球科学，2021，46(01):350 358 17 王海俊 基于卷积自编码神经网络的找矿预测 D 吉林大学，2022 18 包延辉，邢延安，曾年发，等 靖宇县双阳铁矿矿床地质特征及找矿标志 J 吉林地质，2009，28(02):56 59+70 19 梅国良，王磊 吉林省靖宇区小营子铁矿地质特征及赋存规律 J 吉林地质，2016，35(02):56 59 20 吉林省地质矿产局，吉林省区域地质志 M 北京:地质出版社，1982 21 王飞 吉林省靖宇县二道阳岔铁矿矿石可选性分析及探究 J 中国新技术新产品，2015(08):89 22 孙志军，薛磊，许阳明，等 深度学习研究综述 J 计算机应用研究，2012，29(08):2806 2810 23 周飞燕，金林鹏，董军 卷积神经网络研究综述 J 计算机学报，2017，40(06):1229 125165吉林地质第 41 卷