基于通道注意力机制的智能地质填图.pdf

工程地球物理学旅Vol.20,No.3第2 0 卷第3期2023年5月中文引用格式：陶从咏，郭晓宁，于玉帅，等.基于通道注意力机制的智能地质填图J.工程地球物理学报，2 0 2 3，2 0（3）：42 7-436.英文引用格式:Tao Congyong,Guo Xiaoning,Yu Yushuai,et al.Intelligent geological mapping based on channel attention mechanismJ.CHINESE JOURNAL OF ENGINEERING GEOPHYSICSChinese Journal of Engineering Geophysics,2023,20(3):427-436.May,2023基于通道注意力机制的智能地质填图陶从咏，郭晓宁，于玉帅，许笑玮4，张世晖5，周文孝，骆满生4，朱云海2.6，徐亚东4.6（1.中国地质大学数学与物理学院，湖北武汉430 0 7 4；2.中国地质大学图书馆，湖北武汉430 0 7 4；3.中国地质调查局武汉地质调查中心，湖北武汉430 2 0 5；4.中国地质大学生物地质与环境地质国家重点实验室，湖北武汉430 0 7 4；5.中国地质大学地球物理与空间信息学院，湖北武汉430 0 7 4；6.中国地质大学地质调查研究院，湖北武汉430 0 7 4)摘要：进入新世纪，科技的发展造就了大数据的爆发式增长，这为基于深度学习方法来研究地质学问题奠定了基础。卷积神经网络已被用于地质填图，但卷积操作关注的是数据空间维度的特征信息，无法建模不同通道维度之间的依赖关系。为了发掘不同通道的输入数据和特征图之间的关联性，提升智能地质填图的效果，本文在全卷积神经网络Unet中引人通道注意力模块一挤压一激励模块（SqueezeandExcitationBlock，SEBlock)，提出了一种新网络SE一Unet，并将该网络应用于湖南省鲤鱼塘地区的1：5万智能地质填图。实验结果表明，相比于Unet,SE一Unet智能地质填图的总体精确度由8 1.58%提高到了8 3.7 2%，可视化结果显示，两种原来难以识别的地质单元被大致识别出来。这验证了通道注意力机制能够提升网络的学习和表征能力，也说明了本方法对于提升智能地质填图效果的可行性与有效性。关键词：通道注意力机制；智能地质填图；卷积神经网络中图分类号：P623doi:10.3969/j.issn.1672-7940.2023.03.017文献标识码：A文章编号：16 7 2 7 940(2 0 2 3)0 30 42 7 10Intelligent Geological Mapping Based on ChannelAttention MechanismTao Congyong,Guo Xiaoning,Yu Yushuai,Xu Xiaowei,Zhang Shihui,Zhou Wenxiao,Luo Mansheng,Zhu Yunhai 2.6,Xu Yadong.6,(1.School of Mathematics and Physics,China University of Geosciences,Wuhan Hubei 430074,China;收稿日期：2 0 2 30 3-14基金项目：中国地质调查局地质调查项目（编号：DD20221645，D D 2 0 190 8 11）；国家自然科学基金项目（编号：4130 2 2 7 9）第一作者：陶从咏（1996 一），男，硕士研究生，主要从事智能地质填图方面的研究工作。E-mail：t a o c y c u g.e d u.c n通讯作者：徐亚东（198 3一），男，博士，副教授，主要从事地层学与古生物学、沉积古地理、智能地质填图等方面的研究工作。E-mail：4282.Library,China University of Geosciences,Wuhan Hubei 430074,China;3.Wuhan Geological Survey Center,China Geological Survey,Wuhan Hubei 430205,China;4.State Key Laboratory of Biogeology and Environmental Geology,China University of5.School of Geophysics and Geomatics,China University of Geosciences,Wuhan Hubei 430074,China;6.Institute of Geological Survey,China University of Geosciences,Wuhan Hubei 430074,China)Abstract:The development of technology has contributed to the explosive growth of geolog-ical big data,which has laid the foundation for deep learning methods to investigate geolog-ical problems.Convolutional neural networks have been used by many scholars to study geo-logical mapping.However,the convolutional operation focuses on the feature information ofdata spatial dimensions and cannot model the dependencies between different channel dimen-sions.In order to explore the correlation between input data and feature maps of differentchannels and improve the effect of intelligent geological mapping,this paper introduces thesqueeze and excitation block(SE Block),a channel attention module,into the fully convolu-tional neural network Unet,proposes a new network SE-Unet,which is applied to the1:50,000 intelligent geological mapping in the Liyutang area of Hunan province.The ex-perimental results show that compared with Unet,the overall accuracy of SE-Unet for geo-logical mapping is improved from 81.58%to 83.72%,and the visualization results demon-strate that two geological units,which were previously challenging to distinguish,have beenroughly identified.This verifies that the channel attention mechanism can improve the learn-ing and characterization ability of the network,and also illustrates the feasibility and effec-tiveness of this method for improving the effect of intelligent geological mapping.Key words:channel attention mechanism;intelligent geological mapping;convolutional neu-工程地球物理学报（Chinese Journal of Engineering Geophysics)Geosciences,Wuhan Hubei 430074,China;ral network第2 0 卷标对数据进行统计分析，主观性较强，具有不确定1 引 言随着大数据和人工智能技术的进步，基于多源异构性数据分析的深度学习方法取得了长足的发展。在区域地质调查领域，许多地质工作者也开始引人各种人工智能的理论和技术开展交叉学科研究。地质填图是地质调查工作的一项基础内容，也是地质学研究的重要地质背景，对于矿产资源勘探、油气资源开发和基础设施建设等具有十分重要的作用。长期以来，专家学者们基于物探数据、化探数据和遥感数据等多源数据，提出了不同的地质填图方法，如多元统计学的方法，利用主成分分析1,2 、独立成分分析3 和方差分析4 等手段研究数据的相似性和差异性，为地质填图提供依据；传统机器学习的方法，包括随机森林5-7 和支持向量机8-10 1等，对地质单元进行分类。然而，多元统计学方法通过人为选取相似性和差异性指性；传统机器学习算法在处理大数据集时，学习效率往往会降低，而且对噪声较为敏感。因此，基于深度学习的方法进行智能地质填图逐渐成为研究的重点。赵鹏大院士指出，地质科学和地质工作属于数据密集型科学及工作，智能化是新时代地质工作的新趋势和新特征11。深度学习是人工智能的核心技术之一，而卷积神经网络是深度学习最具代表性的算法模型。卷积神经网络具有强大的非线性特征提取能力和学习能力，被许多学者应用到地质填图工作中。利用VGG16、Re s Ne t 和DenseNet等卷积神经网络12 ,李发森等提取双极化SAR遥感图像的深度特征，对比分析了三种网络模型在黑龙江省尚志市中南部地区的岩性填图的效果13。Wang等首先利用直接抽样技术处理河流沉积物所包含的化学数据，重建产生未采样空间的连续样本；然后，基于经典的卷积神经网第3期络AlexNet，自动学习和提取这些化探数据的特征，实现对我国西秦岭造山带东部地区的岩性分类，并较好地分类出10 种不同的岩性单元141。Yu等利用3D卷积自编码网络提取高光谱卫星获取的影像数据中的空间光谱特征，并设计了一种由神经网络全连接层构成的解码器，通过解码器增加模型的非线性和重建输人频谱，实现对甘肃省西北部柳源地区的地质填图15。Latifovic等基于陆地卫星反射率、航空影像和高分辨率数字高程等数据，对比分析了AlexNet和ResNet两种卷积神经网络在加拿大西北部Rea地区的地质填图效果，发现 ResNet 取得了更好的分类精确度16 。卷积神经网络通过卷积层和池化层提取多尺度的特征，但是无法建模通道与通道之间的关系，忽略了通道间关系对于学习和提取多源数据信息的影响。因此，本文在全卷积神经网络Unet171的编码器中引人通道注意力机制18 ，提出了陶从咏，等：基于通道注意力机制的智能地质填图429SE一Unet网络，用于智能地质填图。该网络在提取多源数据特征的同时，能够自动学习不同通道的输人数据和特征图之间的权重，自适应地对通道进行编码，提升编码器对图像特征的表达能力，进而提升智能地质填图的效果。2研究区数据准备2.1研究区地质和地貌概况研究区地理上位于湖南省郴州市永兴县鲤鱼塘镇周边，属于亚热带季风气候区的丘陵地貌单元，发育丹霞地貌的早期阶段19。该区地形变化复杂，植被覆盖率高，地质特征多样2 0 。其中，在1：5万鲤鱼塘幅内基础地质类型可以划分为第四系、白垩系、泥盆系一石炭系、震旦系一寒武系和花岗岩体5大类，进一步细分为2 2 种地质单元，如图1所示。细分的地质单元较多，表现出类QK,hK,E,zK.hEcK,13K,IK,lK,hK,hEX中ny元S,K.1nY元o,D.tC.tK,IK.IK,shCCK,shKshQK,E,z2K,shi9171.第四系；2.枣市组；3.红花套组第二段；4.红花套组第一段；5.罗镜滩组第三段；6.罗镜滩组第二段；7.罗镜滩组第一段；8.神皇庙组第三段；9.神皇庙组第二段；10.神皇庙组第一段；11.测水组；12.石燈子组；13.天鹅坪组；14.跳马涧组；15.小紫荆组；16.茶园头组；17.香楠组；18.埃岐岭组；19.丁腰河组；20.志留纪二长花岗岩；2 1.奥陶纪二长花岗岩；2 2.志留纪花岗闪长岩Fig.1 Geological map around Liyutang town,Yongxing county,Hunan province七.4XECEi.2XZaCsQK,h3K,sh10Z.d18mY元O,y6SQnY元S,Z.dK,h4C.c11Z.a19图1湖南省永兴县鲤鱼塘镇周边地质图K,I5Cs12Yos20mY元S21nY元o22K,I6C,t13K,ID,t147EX15K,sh8E.c16430不平衡的现象。本文进一步基于各类地球物理数据，对工作区的地表地质和深部地质进行综合分析，对比选择放射性伽玛能谱总量和各类航磁异常数据作为智能识别的数据集。2.2数据准备单一数据在揭示地质单元的特征、反映不同地质单元之间的关联和差异上具有一定的局限性，不利于地质单元的精细识别，特别是复杂地质条件下的地质单元的识别。航空物探方法能够适应不同地形和地理环境，获取数据的效率高、探测U181614121086工程地球物理学报（Chinese Journal of Engineering Geophysics）第2 0 卷范围广，越来越受到地质工作者的青睐2 1-2 3。航空物探数据在划分岩性（地层）、区分岩相、圈定侵入岩体以及研究隐伏地质体等方面发挥着重要作用。如图2 和图3所示，本文选取地表地质界线、放射性伽玛能谱总量、T化极后磁异常、T磁异常化极上延2 km剩余场和小波多尺度分析三阶细节等多源数据开展研究。这些多源异构数据信息能够相互补充、相互结合和综合分析，从而缓解不确定因素带来的误差，并充分反映研究区的地学信息特征和深度地质背景。AT/nT2218141062-2-6-10-14-18(a)放射性伽玛能谱总量(b)T 化极后磁异常AT/nTAT/nT3202(c)AT磁异常化极上延2 km剩余场Fig.2Multivariate data for the study area(d)小波多尺度分析三阶细节图2 研究区的多源数据Uy18161412108(a)插值后的放射性伽玛能谱总量数据图3插值后的放射性伽玛能谱总量数据和地表地质界线Fig.3 Total radioactive gamma spectrum data after interpolation andsurface geological boundaries(b)地表地质界线第3期2.3数据预处理从图像处理的角度，图1所示的地质图是大小为8 7 0 0 X11800X3的三维矩阵，包含RGB三个通道的数据；图2 所示的放射性伽玛能谱总量是大小为10 1151的二维矩阵，T化极后磁异常、T磁异常化极上延2 km剩余场和小波多尺度分析三阶细节三种航磁数据均是大小为18 5X251 的二维矩阵。为了满足端到端监督学习的要求，本文使用三次样条插值，统一数据的大小。将放射性伽玛能谱总量数据由10 1151插值为8 7 0 0 118 0 0大小的矩阵，记插值后的数据为G。同时，地质专家根据放射性伽玛能谱绘制了地表地质界线，记为L，如图3所示。此外，也将三种航磁数据插值到8 7 0 0 118 0 0 大小，分别记为R1、R2 和R3。监督分类算法要求样本数据拥有对应的标签，然后从有标签的数据中学习分类器的参数，进而得到相应的网络模型。因此，本文对研究区的地质图进行标注，如图1所示，分别从Q到S将2 2种地质单元的标签类别设置为12 2，记标签数据为Sabel。3研究方法3.1通道注意力机制在卷积神经网络中，输入图像也是一种特征图，在网络的输人层输人多张图像，构成多通道的输入特征。此外，中间特征图也可以拥有多个通道。不同通道的特征图意味着不同的对象，通道注意力机制通过自适应地调节不同通道的权重，使得网络关注更重要的特征图，而抑制不重要的特征图。挤压一激励模块是一种轻量的、即插即用的通道注意力模块，如图4所示，它主要分为两部分：挤压部分和激励部分2 4。挤压部分使用全局平均池化在特征的空间维度聚合全局信息，即1HW2=HXWi-1j-1其中，H和W分别是输入特征图U的高和宽；u（i，j）是第c个通道的特征图U。在第i行第j列位置的像素值，c=1,2，,C。挤压部分对U中每一个通道的特征图进行压缩，使得特征图大小由HW变为11，从而得到C个实数构成陶从咏，等：基于通道注意力机制的智能地质填图U挤压入1x1xCC图4挤压一激励模块示意图Fig.4Schematic diagram of the squeezeexcitation block的一维特征向量=（2 1，2 2，,c，z c）。激励部分通过学习不同通道之间的相关性，自适应地更新不同通道特征图的权重，从而达到调节信息传递的目的。为了捕获通道之间的依赖关系，将挤压部分生成的特征向量之送入两个连续的全连接层和非线性激活层，即s=F(z)=c(W2o(Wiz)其中，Wi和W表示全连接的参数；和分别是ReLu激活函数和Sigmoid激活函数2 5。第一个全连接层降低通道维度，然后利用ReLu(Rectified LinearUnit)激活函数增加非线性，使得网络学习非线性的特征；第二个全连接层恢复通道维度，然后通过Sigmoid激活函数生成注意力分数s=（S1，S2，,Se，Sc）。这种先降维再升维的操作，能够在降低模型计算复杂度的同时，提高模型的泛化性能。最后，利用学习到的注意力分数对每一个通道进行加权，即s。与特征图U。进行数乘操作，实现选择性地强调重要的信息和抑制完余的信息。Y,=S U.3.2SE一Unet网络模型Unet网络是经典的全卷积神经网络，为了使网络能够自适应地调节放射性伽玛能谱总量、T 化极后磁异常、T磁异常化极上延2 km剩余场和小波多尺度分析三阶细节等输入数据的权重，以及学习不同通道特征图之间的依赖关系，提升网络的表达能力，本文在Unet的编码器中嵌(1)人通道注意力模块SEBlock，构建一个新的网络模型SE一Unet,其网络结构如图5所示。SE一Unet是编码一解码结构的网络模型，编码器和解码器分别由5个连续的阶段组成。其中，编码器的每个阶段由 SEBlock、卷积、批归一化和最大池化构成，而解码器的每个阶段由卷积、431SEBlockF1x1xC激励YC(2)(3)432输入6 46 4工程地球物理学报（Chinese Journal of Engineering Geophysics）第2 0 卷6426464输入跳跃连接1281282t9256256512512102480SEBlock+33卷积+批归一化+ReLu33卷积+批归一化+ReLu批归一化和反卷积构成。在编码器和解码器的每一层，使用跳跃连接对相应的特征图进行拼接，实现特征增强。卷积是特征提取的核心操作，对于图像XEIRMXN和卷积核WERUXV，卷积的定义为Y=WOX其中，输人义;为UV0=1式中，w和分别是W和X对应下标位置的值。批归一化是根据当前批次所有样本的方差和均值，对数据进行放缩，强制将数据分布变为方差和均值分别为1和0 的标准正态分布，缓解网络训练过程中出现梯度消失的问题，加速网络收敛2 6 。池化用于下采样，聚合区域内的特征信息，实现降维和减少网络参数量。对于特征图YpEIRMx的一个子区域Rw，最大池化即是使用滑动窗口对子区域Rm，进行下采样得到最大值，如式(6)所示：h=max;返回滑动窗口中的最大值。反卷积是通过补零操作，使用2 2 大小的卷积核，实现对输人特征图进行上采样2 7 ,ReLu激活函数用于增加网络的非线性表示。根据式(7)在SE一Unet的输人层融合放射性伽玛能谱总量G、T 化极后磁异常R1、T12821281282562256T2565122512T512T102422最大池化22反卷积图5SE一Unet结构示意图Fig.5Schematic diagram of SEUnet磁异常化极上延2 km剩余场R2和小波多尺度分析三阶细节R3四种多源数据。式（7)的表达式为Sabel=SE-Unet(concate(G;Rl;R2;R3)（4)其中，concate；是通道拼接，即G、Rl、R2和R3拼接形成四通道的网络输入x。利用SEBlock调节这四种数据的权重关系和编码器（5)其他特征图的通道间关系，自适应地校准通道的特征响应，使得网络偏向于强调重要的特征和输入数据，抑制作用有限的特征和输入数据，提升网络的性能。SE一Unet的实质是由输人数据到输出数据的带参映射y=f(x;0)其中，f（；）是SE一Unet网络；是待学习的网络参数；是网络输出，即每一个像素点对应的标签的条件概率分布。真实标签y=1，2,3，c，,C,则像素点i被预测为第c类的条件概(6)率为利用式（10）的交叉熵损失函数2 8 表示SE一Unet的预测值与样本真实值之间的差异，即CE(0)=22ylogf1(10)hXw1其中，h和w分别是网络输人特征图的高和拼接11反卷积fi(x;0)=p(y=clx;0)hXw(7)(8)(9)第3期宽；yi表示第i个像素点的真实标签。网络训练的过程是最小化损失函数的过程，也是对映射于近似的过程，通常使用Adam优化器2 91优化损失函数,其目标函数为0*=arg minCE(0)0*即是训练得到的网络参数，f（;0*）是学习到的网络模型。3.3评价指标总体精确度是分类任务重要的评价指标之一，常用于评价网络模型的适用性和优越性。本文使用总体精确度30 来衡量智能地质填图的效果。如表1所示，以二分类为例，通过混淆矩阵来定义真正例（True Positive，T P）、假正例(False Positive，FP）、真负例（True Negative,TN)和假负例（False Negative，FN），则总体精确度为Accuracy=TP+TN+FN+FP式(12)是模型预测正确的像素点数与总像素陶从咏，等：基于通道注意力机制的智能地质填图(11)TP+TN(12)433点数之比值，反映了网络的总体分类性能。表1混滑矩阵Table 1Confusion matrix预测值真实值阳性/Positive正例/TrueTP负例/FalseFP4实验及结果分析笔者所在研究团队在工作区实现了基于Unet网络的先粗分后细分的两阶段地质填图方法31（图6）。根据该方法，本文利用Unet网络，以放射性伽玛能谱总量G为基础数据，结合专家解译线L构成两通道的输入，先将研究区粗分为五种地质区O1，O z,O 3，O 4，O，如图6（b)所示，总体精确度为94.95%。在此基础上，本文对比研究了SE一Unet与Unet细分上述五种地质区的效果。阴性/NegativeTNFNQOO,(a)粗分阶段的标签Fig.6 Labels and geological mapping results in coarse division stage4.1数据集划分为了将O1，O 2，O 3，O 4，O，五个地质区分别细分为更小的地质单元，需要先构建网络的训练集和测试集。对于地质区Oi，在Slabel ER8700X11800中截取第1行至2 0 0 0 行、第8 0 列至1080列共2 0 0 0 10 0 0 的数据作为训练标签，对应区域放射性伽玛能谱总量G、T 化极后磁异常R1、T 磁异常化极上延2 km剩余场R2和小波多尺度分析三阶细节R3对应区域的数据作为训练数据，以此制作划分O的训练集和测试集；(b)粗分阶段的填图结果图6 粗分阶段的标签和填图结果同理，截取第1行至8 7 0 0 行、第1列至40 0 0 列共8 7 0 0 40 0 0 的数据制作O2的训练集，截取第42 0 0 行至8 2 0 0 行、第32 6 0 列至50 6 0 列共40001800的数据制作0：的训练集，截取第3200行至8 7 0 0 行、第56 0 0 行至8 6 0 0 行共55003000的数据制作0 4的训练集，截取第3000行至7 0 0 0 行、第9 10 0 行至118 0 0 行共40002700的数据制作Os的训练集，各个地质区剩下的数据制作测试集。表2 展示了每个地质区训练集和测试集的比434例。对于每个地质区，在划分训练集和测试集时，主要考虑两个方面：一是包含每个地质区各自全部的地质单元类型，地质区O1包括Cic、Q 和K,Eiz三种地质单元，地质区O包括Q,K,h和K,hl等九种地质单元，地质区O包括Cic、C is和Cit等五种地质单元，地质区O4包括Zia,Zzd和Q等六种地质单元，地质区O，包括元S，m元Or和S三种地质单元；二是需要将训练集和测试集设置在合适的比例，由于O2包含地质单元多，因此，训练集和测试集之比在大约3：1,而其他四个地质区设置在接近1：1。表2 细分阶段数据集划分Table 2Datasets division in subdivision stage地质区训练集占比/%测试集占比/%57.3042.700271.1263.220449.4847.054.2实验设置本文实验在Linux系统环境下，基于 Face-book开发的开源网络框架PyTorchl.12.1、Py-thon3.8和PyCharm软件等搭建网络，硬件配置是两块NvidiaTeslaV10032GGPU,用于加速训练过程。按照表2 所展示的数据集划分方式，分别对每个地质区训练网络模型并预测，使用总体精确度评估智能地质填图的效果。训练时，将输人数据划分为12 8 12 8 大小的数据块，批大小设置为10 0，初始学习率为=0.0 0 0 1，使用Adam优化器进行数据送代和网络参数更新，平CSDtK,h?KEIK,hK,K.K.K.shK.hK.hK.IK.K.K.sh/工程地球物理学报（Chinese Journal of Engineering Geophysics）0.77%、0.0 9%和1.7 5%。表3五种地质区智能地质填图的总体精确度Table 3 Overall accuracy of intelligent geologicalmapping in five geological zones0102模型的精度的精度的精度的精度的精度22.88/%36.78Unet50.52SE-Unet88.2052.95基于先粗分后细分的两阶段地质填图方法，本文将五种地质区的填图结果整合到图8(b)中，分别得到Unet和SE一Unet网络对整个研究区进行智能地质填图的效果图，总体精确度为81.58%和8 3.7 2%，如图7 所示。相比于Un-et，嵌人通道注意力模块后，填图的总体精确度提高2.14%；此外，SE一Unet主要在图中6 个框所在位置的填图效果有较大改善。在号框区域，SE一Unet对地质单元分类的效果更清晰分明；在号框区域，原来难以识别的地质单元E3-4x和Zzd被大致识别出来，而且走向与地质图一致。DDEcE:CnYiS,QDCEXQ(a)Unet的填图结果Fig.7 Comparison of the effect of intelligent geological mapping第2 0 卷滑常数1和2分别为0.9、0.99。4.3实实验结果分析根据上述的实验设定和表2 划分的数据集，分别对O1,O2，O 3，O 4，O，五种地质区训练Unet和SE一Unet网络模型，然后利用训练完成的模型对整个地质区进行预测。表3展示了两种网络智能地质填图的总体精确度，相对于Unet网络，SE一Unet对五种地质区的填图效果均有改善，总体精确度分别提高了2.0 2%、6.2 7%、/%/%86.1884.4290.69D.K,hK.E,2QK,hK,hK.IK.K.lK.shK,shKsh(b)SE一Unet的填图结果图7 智能地质填图效果对比O/%/%85.9580.7091.7286.7280.7993.47K.hK,/K.K.lQD，CCsZ.aQECK,shEnY元o,mY元0Ei-XQmY元SY8S,第3期5 结 论在经典的全卷积神经网络Unet的基础上，在网络的编码器中嵌人通道注意力模块，设计一种新网络SE一Unet应用于智能地质填图。核心思想是利用通道注意力机制来发掘不同通道的输入数据和特征图之间的相互依赖关系，通过网络学习注意力分数来自适应地调节各通道的权重，使得网络能够更关注重要通道的信息而抑制穴余的信息，从而提升网络的性能。实验结果表明，相对于Unet,SE一Unet对研究区智能地质填图的总体精确度有明显提高，结果可视化也显示地质单元分类的效果更佳。与支持向量机、随机森林等传统机器学习算法和多元统计学方法开展地质填图相比，本文所提方法更智能化，能较大程度地减少人工处理数据带来的误差和不确定性。本文的方法具有一定的通用性，对于后续开展不同研究区的地质填图工作具有良好的参考价值。参考文献：1程三友，王曦，李永军，等.多源遥感数据在西准噶尔哈拉阿拉特山地区1：5万地质填图中的对比研究J.地质力学学报，2 0 2 2，2 8（1）：143-154.2 Ali-Bik M W,Hassan S M,Abou E M,et al.Thelate neoproterozoic Pan-African low-grade meta-morphic ophiolitic and island-arc assemblages atGebel Zabara area,central eastern desert,Egypt:petrogenesis and remote sensing-based geologicmappingJ.Journal of African Earth Sciences,2018,144:17-40.3 Khalifa A,Bashir B,Gakir Z,et al.Paradigm of geo-logical mapping of the Adiyaman fault zone of easternTurkey using landsat 8 remotely sensed data coupledwith PCA,ICA,and MNFA techniquesJ.ISPRS In-ternational Journal of Geo-information，2 0 2 1,10(6):368.4 Grunsky E C,Mueller U A,Corrigan D.A study ofthe lake sediment geochemistry of the Melville Penin-sula using multivariate methods:applications for pre-dictive geological mappingJJ.Journal of GeochemicalExploration,2014,141:15-41.5王散，杨添微，刘永震，等.基于随机森林算法的复杂碳酸盐岩岩性识别J.工程地球物理学报，2 0 2 0，17(5):550-558.6 Kuhn S,Cracknell M J,Reading A M.Lithological陶从咏，等：基于通道注意力机制的智能地质填图2021,452:48-62.435mapping in the central African Copper Belt using ran-dom forests and clustering:strategies for optimisedresultsJJ.Ore Geology Reviews,2019,112:103 015.7J Radford D D,Cracknell M J,Roach M J,et al.Geo-logical mapping in western Tasmania using radar andrandom forestsJJ.IEEE Journal of Selected Topicsin Applied Earth Observations and Remote Sensing,2018,11(9):3 075-3 087.8 Ranjbari M R,Bigdeli B,Salehi H.Lithological map-ping for complex geological formations with mixedclassifiers using landsat-8 dataJJ.Journal of AppliedRemote Sensing,2022,16(1):14 514.9唐淑兰.基于多尺度纹理分类及矿物识别的ASTER地质填图J.地质科技通报，2 0 2 2，41（3）：311-32 0.1o Pal M,Rasmussen T,Porwal A.Optimized litholog-ical mapping from multispectral and hyperspectralremote sensing images using fused multi-classifiersJl.Remote Sensing,2020,12(1):177.11赵鹏大.大数据时代数字找矿与定量评价J.地质通报，2 0 15,34（7)：12 55-12 59.12 Cong S,Zhou Y.A review of convolutional neuralnetwork architectures and their optimizations J.Artificial Intelligence Review,2023,56(3):1 905-1969.13李发森，李显巨，陈伟涛，等.基于深度特征的双极化SAR遥感图像岩性自动分类J.地球科学，2022,47(11):4267-4279.14 Wang Z,Zuo R,Yang F.Geological mapping usingdirect sampling and a convolutional neural networkbased on geochemical survey dataJ.MathematicalGeosciences,2022,32(1):1-24.15 Yu J,Zhang L,Li Q,et al.3D autoencoder algorithmfor lithological mapping using ZY-1 02D hyperspec-tral imagery:a case study of Liuyuan region J.Journal of Applied Remote Sensing,2021,15(4):042610.16 Latifovic R,Pouliot D,Campbell J.Assessment ofconvolution neural networks for surficial geologymapping in the south Rae geological region,north-west Territories,CanadaJ.Remote Sensing,2018,10(2):307.17