羅 杰, 周仲禮, 鄒天一, 劉 斌, 龔 灝

(1.成都理工大學(xué) 數(shù)理學(xué)院,成都 610059；2.數(shù)學(xué)地質(zhì)四川省重點(diǎn)實(shí)驗(yàn)室,成都 610059)

近年來(lái)，中國(guó)在礦產(chǎn)資源勘探方面取得了一系列成果，但礦產(chǎn)資源不足問(wèn)題依然嚴(yán)峻，未來(lái)很長(zhǎng)一段時(shí)間內(nèi)對(duì)國(guó)外礦產(chǎn)資源依存度仍然很高[1-2]。隨著對(duì)礦產(chǎn)資源持續(xù)的大規(guī)模開(kāi)采，使得地表礦、淺部礦趨于消耗殆盡，深部找礦已經(jīng)成為當(dāng)前實(shí)現(xiàn)資源增儲(chǔ)的必然趨勢(shì)[3-4]，但深部找礦存在信息少、難度大、投資多、風(fēng)險(xiǎn)大等難題[5]。因此，越來(lái)越多的專家通過(guò)開(kāi)展三維地質(zhì)建模，將海量、多源、異構(gòu)、多尺度的地質(zhì)大數(shù)據(jù)進(jìn)行充分挖掘、有效提取和融合集成，更直觀地展示地質(zhì)體空間形態(tài)以及相互關(guān)系，進(jìn)而獲得更為準(zhǔn)確的礦產(chǎn)預(yù)測(cè)結(jié)果[6-7]。

成礦預(yù)測(cè)是以科學(xué)預(yù)測(cè)理論為指導(dǎo)在掌握有限信息的條件下制定最優(yōu)決策的工作，是實(shí)現(xiàn)科學(xué)找礦、擴(kuò)大資源儲(chǔ)量的重要途徑和方法。但是由于控礦因素的隱蔽性和礦床成因的復(fù)雜性，導(dǎo)致成礦預(yù)測(cè)的結(jié)果往往具有不確定性，因此，探尋成礦預(yù)測(cè)結(jié)果的準(zhǔn)確性一直是學(xué)者們的研究熱點(diǎn)[8-9]。經(jīng)過(guò)幾十年的發(fā)展，隨著成礦預(yù)測(cè)理論的不斷完善，預(yù)測(cè)成礦遠(yuǎn)景區(qū)的方法也逐漸增多，如秩相關(guān)分析法、證據(jù)權(quán)重法、找礦信息量法、機(jī)器學(xué)習(xí)等[10]。吳穎慧[11]運(yùn)用秩相關(guān)系數(shù)法分析研究區(qū)各預(yù)測(cè)要素，構(gòu)建了特征分析法的預(yù)測(cè)模型，最終成功確定了多個(gè)預(yù)測(cè)區(qū)。王江霞等[12]將GIS技術(shù)與證據(jù)權(quán)重法相結(jié)合，成功地對(duì)冀東地區(qū)沉積變質(zhì)型鐵礦資源進(jìn)行了預(yù)測(cè)。何海洲等[13]在分析了研究區(qū)成礦規(guī)律的基礎(chǔ)上選取找礦標(biāo)志，利用找礦信息量法成功地對(duì)研究區(qū)圈定成礦靶區(qū)。陳進(jìn)等[14]構(gòu)建了三維礦體模型，并將隨機(jī)森林(RF)算法引入成礦預(yù)測(cè)領(lǐng)域，對(duì)大尹格莊金礦的預(yù)測(cè)取得了不錯(cuò)的效果。

隨著大數(shù)據(jù)時(shí)代的到來(lái)，將大數(shù)據(jù)的理念和方法應(yīng)用于成礦預(yù)測(cè)領(lǐng)域是一項(xiàng)很有意義的探索[15-16]。其中，機(jī)器學(xué)習(xí)作為大數(shù)據(jù)分析的一種重要方法，在自然語(yǔ)言處理、圖像識(shí)別、情感分析、智能機(jī)器人、數(shù)據(jù)挖掘等領(lǐng)域都有著廣泛的應(yīng)用，現(xiàn)已成為礦產(chǎn)資源預(yù)測(cè)的前沿?zé)狳c(diǎn)[17-18]；隨機(jī)森林、支持向量機(jī)、K-近鄰算法、人工神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)算法也被廣泛應(yīng)用于礦產(chǎn)資源預(yù)測(cè)中[19]。深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的一種，是一類具有多隱藏層的機(jī)器學(xué)習(xí)模型。在深度學(xué)習(xí)中，卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，簡(jiǎn)稱CNN)算法是一種高效的識(shí)別方法，近年來(lái)在語(yǔ)音識(shí)別、圖片分類、人臉識(shí)別等問(wèn)題上均有突破[20]，并被嘗試運(yùn)用于成礦預(yù)測(cè)中，建立成礦特征與礦體間的非線性關(guān)系[21]。蔡惠慧等[22]利用一維CNN挖掘研究區(qū)綜合成礦信息并成功圈定了成礦遠(yuǎn)景區(qū)。參數(shù)的選擇對(duì)CNN模型性能有很大影響，參數(shù)的優(yōu)化不僅可以提高數(shù)據(jù)特征提取能力，還對(duì)預(yù)測(cè)結(jié)果有直接影響。但在目前的研究中，模型訓(xùn)練大多憑借經(jīng)驗(yàn)手動(dòng)調(diào)參，導(dǎo)致計(jì)算代價(jià)大且難以得到滿意的效果，如何高效地優(yōu)化參數(shù)已成為構(gòu)建CNN模型的重點(diǎn)。對(duì)于CNN模型參數(shù)的優(yōu)化，現(xiàn)有很多方法，如貝葉斯優(yōu)化[23]、粒子群算法(particle swarm optimization,簡(jiǎn)稱PSO)[24]、多策略蝠鲼覓食優(yōu)化算法(multi-strategy manta ray foraging optimization，簡(jiǎn)稱MSMRFO)[25]、進(jìn)化算法(evolutionary algorithm,簡(jiǎn)稱EA)[26]。其中，PSO是由Eberhart和Kennedy提出的一種優(yōu)化算法[27]，該算法具有收斂速度快、控制參數(shù)少、收斂能力強(qiáng)等優(yōu)點(diǎn)。已有研究表明通過(guò)使用PSO算法對(duì)CNN模型參數(shù)進(jìn)行優(yōu)化，優(yōu)化后的CNN模型在性能上有較大的提升[28]。

西藏岡底斯成礦帶礦產(chǎn)具有種類多、儲(chǔ)量大、優(yōu)勢(shì)礦種明顯、勘查程度低、找礦前景大等特點(diǎn)。而雄村斑巖型銅金礦集區(qū)作為西藏岡底斯成礦帶的大型銅金礦集區(qū)之一，具有良好的找礦前景[29-30]。本文以岡底斯成礦帶上的雄村斑巖型銅金礦床Ⅱ號(hào)礦體為研究對(duì)象，在構(gòu)建三維地質(zhì)體模型的基礎(chǔ)上，通過(guò)提取多元找礦信息，結(jié)合PSO-CNN算法建立三維深部找礦預(yù)測(cè)模型，并討論數(shù)據(jù)集對(duì)模型的影響，驗(yàn)證模型的有效性，進(jìn)而為深部找礦提供方法技術(shù)支撐。

1 基于PSO-CNN的成礦預(yù)測(cè)框架構(gòu)建

本文針對(duì)深部找礦預(yù)測(cè)問(wèn)題，在地質(zhì)大數(shù)據(jù)時(shí)代背景下，結(jié)合深度學(xué)習(xí)(PSO-CNN)，構(gòu)建了如圖1所示的研究框架，具體包括以下5個(gè)步驟：①收集研究區(qū)的地質(zhì)、地球化學(xué)等相關(guān)數(shù)據(jù)；②采用空間插值方法，構(gòu)建地質(zhì)體三維塊體模型；③采用隨機(jī)劃分方式，將數(shù)據(jù)集分為訓(xùn)練集(70%)與驗(yàn)證集(30%)；④構(gòu)建基于PSO-CNN預(yù)測(cè)模型，通過(guò)PSO算法對(duì)CNN模型的超參數(shù)進(jìn)行優(yōu)化來(lái)提升模型性能，并以預(yù)測(cè)準(zhǔn)確率、AUC(area under curve)等指標(biāo)對(duì)模型效果進(jìn)行評(píng)估；⑤驗(yàn)證模型的有效性，將PSO-CNN模型與找礦信息量模型進(jìn)行對(duì)比分析，驗(yàn)證PSO-CNN模型相比于找礦信息量模型在成礦預(yù)測(cè)方面的優(yōu)越性。

圖1 研究過(guò)程框架圖Fig.1 Research framework diagram

1.1 研究區(qū)地質(zhì)背景

岡底斯成礦帶位于青藏高原拉薩地體南緣，雄村礦床處于岡底斯成礦帶上，其南側(cè)緊鄰日喀則弧前盆地，是岡底斯成礦帶南緣重要的斑巖型銅(金)礦床。目前，雄村礦區(qū)已發(fā)現(xiàn)3個(gè)(Ⅰ號(hào)、Ⅱ號(hào)、Ⅲ號(hào))大型銅金礦體，礦區(qū)內(nèi)金屬儲(chǔ)量巨大，顯示出良好的資源開(kāi)發(fā)潛力和找礦前景[31-33]。本文以雄村礦區(qū)的Ⅱ號(hào)礦體為研究對(duì)象，共收集了8個(gè)剖面、34個(gè)鉆孔數(shù)據(jù)(圖2)。

圖2 雄村礦區(qū)Ⅱ號(hào)礦體地質(zhì)簡(jiǎn)圖Fig.2 Simplified geological map of No.Ⅱ ore body in Xiongcun metallogenic area

1.2 成礦有利信息提取及三維建模

本文主要利用Micromine11.0軟件構(gòu)建地質(zhì)體三維模型?；谛鄞澧蛱?hào)礦體鉆孔、剖面等數(shù)據(jù)資料，對(duì)地質(zhì)體進(jìn)行圈定，建立地質(zhì)體三維實(shí)體模型和塊體模型。三維地質(zhì)實(shí)體模型能很好地展現(xiàn)各地質(zhì)體三維形態(tài)，但要定量分析礦體和相關(guān)地質(zhì)體則需要借助塊體模型[34]。其中，三維塊體模型是整個(gè)三維建模的核心，本文按X-Y-Z方向選定塊體標(biāo)準(zhǔn)規(guī)模為5 m×5 m×5 m，共劃分為 4 562 577個(gè)小塊體(礦體小塊體數(shù)量為 1 126 391個(gè))。雄村Ⅱ號(hào)礦體三維塊體模型如圖3所示。

圖3 礦體三維模型Fig.3 Three-dimensional model of ore body

根據(jù)前人研究成果，提取以下找礦信息：①巖性，Ⅱ號(hào)礦體在平面上為一巨型透鏡體，呈北西-南東走向，Ⅱ號(hào)礦體的形態(tài)、產(chǎn)狀主要受中-晚侏羅世侵位的角閃石英閃長(zhǎng)玢巖及其含礦圍巖控制。②地球化學(xué)特征，礦化組合通常以Cu、Au為主，伴有Ag、Mo、Pb、Zn礦化，而成礦元素的分帶性不明顯，Cu、Au以及Mo、Ag一般在礦體中部富集，Pb、Zn含量很低，一般分布在礦體的外側(cè)。Au、Ag、Cu元素在研究區(qū)具有明顯富集的趨勢(shì)，表明它們具有比較好的成礦潛力。③圍巖蝕變，地表常見(jiàn)的是青磐巖化、黃鐵絹云巖化、早期鉀硅酸鹽化蝕變和鈣化-鈉化-鉀化、強(qiáng)硅化蝕變，與成礦作用相關(guān)的蝕變主要為鉀硅酸鹽化，而鉀硅酸鹽化蝕變普遍遭受其他蝕變類型不同程度的疊加，同時(shí)礦體上方的地表周圍鐵染現(xiàn)象普遍可見(jiàn)[35-36]。提取的找礦信息見(jiàn)表1。

表1 找礦模型要素[36]Table 1 Elements of prospecting-information model

2 基于PSO-CNN的成礦預(yù)測(cè)模型構(gòu)建

2.1 算法原理

2.1.1 PSO算法原理

PSO算法是通過(guò)研究鳥(niǎo)群覓食行為提出的一種優(yōu)化算法，其基本思想來(lái)源于人工生命和演化計(jì)算理論，通過(guò)群體中個(gè)體之間的協(xié)作和信息共享來(lái)尋求最優(yōu)解。本文基于PSO算法的CNN超參數(shù)確定流程如圖4所示。

圖4 粒子群算法流程圖Fig.4 Flow chart of particle swarm optimization

(1)

xkm=xkm+vkm

(2)

其中：k=1,2,…,n；m=1,2,…,M；ωk為慣性因子；c1與c2(c1,c2≥0)為學(xué)習(xí)因子；r1與r2為屬于區(qū)間[0, 1]之間的隨機(jī)數(shù)；vkm∈[-vmax,vmax],vmax為給定的一個(gè)常數(shù)。

2.1.2 CNN算法原理

CNN是一類具有深度結(jié)構(gòu)的前饋人工神經(jīng)網(wǎng)絡(luò)，一般由輸入層、卷積層、池化層、全連接層及輸出層構(gòu)成[37]。

a.卷積層

卷積層是CNN的基礎(chǔ)，通過(guò)卷積運(yùn)算減少了CNN所需要的參數(shù)。卷積層通過(guò)權(quán)值共享和局部感知獲得圖像的特征，卷積層以“卷積核”為中介，卷積核可視作一種特殊的神經(jīng)元，有著自定大小的權(quán)值矩陣；權(quán)值共享是指同一個(gè)卷積核的參數(shù)在整個(gè)圖像內(nèi)是共享的；局部感知指的是卷積核通過(guò)對(duì)局部數(shù)據(jù)進(jìn)行卷積計(jì)算進(jìn)而減少神經(jīng)元連接的數(shù)目。進(jìn)行卷積運(yùn)算就是提取數(shù)據(jù)特征的過(guò)程，每個(gè)卷積核進(jìn)行卷積運(yùn)算都提取一種特征。卷積層的計(jì)算公式如下

(3)

式中:xj代表輸入數(shù)據(jù)的元素；kij代表卷積核的元素 ；f()代表激活函數(shù)；k代表卷積核；l代表卷積層數(shù)；M是輸入層的感受野；b代表每個(gè)輸入圖的一個(gè)偏置值[38]。

b.池化層

CNN通常在連續(xù)的卷積層之間周期性地插入一個(gè)池化層。池化過(guò)程實(shí)際是一個(gè)降采樣過(guò)程，常見(jiàn)的池化方式有最大池化和平均池化——池化層將輸入特征圖切成幾個(gè)區(qū)域，取每個(gè)區(qū)域的最大值或平均值。池化層在保留了圖像顯著特征的同時(shí)使圖像尺寸變小，減少了CNN模型所需要的參數(shù)以及簡(jiǎn)化了模型的復(fù)雜度，還能有效控制過(guò)擬合，提高訓(xùn)練效率，具有很強(qiáng)的魯棒性。

c.全連接層

CNN網(wǎng)絡(luò)經(jīng)過(guò)若干個(gè)卷積層、池化層后會(huì)接入一個(gè)全連接層，該層的每一個(gè)神經(jīng)元與前一層的所有神經(jīng)元互相連接，同層神經(jīng)元之間不連接，該層的作用是把所有的局部特征結(jié)合成全局特征，在CNN網(wǎng)絡(luò)中起到分類的作用。

2.2 數(shù)據(jù)集劃分

根據(jù)提取的找礦信息，按照同樣的尺度并采用克里格(Kriging)插值法進(jìn)行屬性數(shù)據(jù)插值[39]，形成三維塊體模型，進(jìn)而形成多屬性立方塊模型，為后面的模型預(yù)測(cè)提供基礎(chǔ)數(shù)據(jù)源。研究表明，含礦單元數(shù)與非含礦單元數(shù)為1∶1時(shí)，得到的CNN訓(xùn)練模型效果最優(yōu)；因此，本次選取 1 126 391個(gè)有礦塊體與 1 126 391個(gè)無(wú)礦塊體作為數(shù)據(jù)集，將數(shù)據(jù)集隨機(jī)分成兩個(gè)互斥的集合——訓(xùn)練集(70%)和驗(yàn)證集(30%)，用于后面PSO-CNN模型的訓(xùn)練與預(yù)測(cè)[40]，劃分示意圖如圖5。

圖5 數(shù)據(jù)集劃分示意圖Fig.5 Data set partitioning diagram

2.3 模型評(píng)價(jià)指標(biāo)

預(yù)測(cè)與真實(shí)分類間的組合關(guān)系如表2所示，主要選取準(zhǔn)確率、精確率、AUC等指標(biāo)對(duì)模型進(jìn)行評(píng)價(jià)。

表2 混淆矩陣Table 2 Confusion matrix definition

準(zhǔn)確率(accuracy)表示模型預(yù)測(cè)正確的樣本數(shù)與總樣本數(shù)之比；精確率(precision)表示正確預(yù)測(cè)正類樣本數(shù)量和預(yù)測(cè)正類樣本總數(shù)量之比；召回率又稱真陽(yáng)率(true positive rate)，表示正確預(yù)測(cè)正類樣本數(shù)量與全部正類樣本數(shù)之比，與之相對(duì)應(yīng)的為假陽(yáng)率(false positive rate)。準(zhǔn)確率(A)、精確率(P)、真陽(yáng)率(RTP)、假陽(yáng)率(RFP)的計(jì)算公式如下

A=(PT+NT)/(PT+NF+PF+NT)

(4)

P=PT/(PT+PF)

(5)

RTP=PT/(PT+NF)

(6)

RFP=PF/(PF+NT)

(7)

式中：PT為模型分類為正的正樣本；PF為模型分類為正的負(fù)樣本；NT模型分類為負(fù)的負(fù)樣本；NF為模型分類為負(fù)的正樣本。

ROC曲線是描述分類器的RTP與RFP之間的變化關(guān)系。ROC曲線下方的面積被稱為AUC，AUC值越高，也就是曲線下方面積越大，說(shuō)明模型預(yù)測(cè)的性能越好。

2.4 基于PSO的CNN參數(shù)確定

2.4.1 待優(yōu)化的超參數(shù)

本文構(gòu)建PSO-CNN算法網(wǎng)絡(luò)模型進(jìn)行深部成礦預(yù)測(cè)。在PSO算法優(yōu)化CNN參數(shù)前，首先要確定的是要優(yōu)化的超參數(shù)。參數(shù)的選擇對(duì)模型效果至關(guān)重要，本文選取CNN模型中兩個(gè)至關(guān)重要的參數(shù)進(jìn)行優(yōu)化：批量大小(λ)與Epoch次數(shù)(μ)。將這兩個(gè)參數(shù)作為PSO算法的優(yōu)化對(duì)象，建立一個(gè)二維的超參數(shù)優(yōu)化空間。在空間中的每個(gè)粒子的位置信息xk可以表示為

xk=(λk,μk)

(8)

本文2個(gè)超參數(shù)的搜索范圍如表3所示。

表3 CNN超參數(shù)的搜索范圍Table 3 The search scope of the CNN hyperparameter

2.4.2 最優(yōu)超參數(shù)的求解

粒子群算法中主要有5個(gè)參數(shù)需要確定：慣性因子、粒子特征數(shù)、最大迭代次數(shù)、自身認(rèn)知學(xué)習(xí)因子、群體認(rèn)知學(xué)習(xí)因子。這些參數(shù)的具體設(shè)置如表4所示。

表4 粒子群算法的參數(shù)設(shè)置Table 4 Parameter settings for the particle swarm optimization

本文構(gòu)建了一個(gè)1層輸入層、4層卷積層、2層池化層、1層輸出層的CNN模型。其中輸出層包含2個(gè)神經(jīng)元，分別是0(無(wú)礦)、1(有礦)。將成礦預(yù)測(cè)因子作為輸入，是否有礦作為輸出，同時(shí)運(yùn)用粒子群算法，對(duì)上面提及的CNN模型的2個(gè)超參數(shù)為優(yōu)化超參數(shù)，以CNN模型的準(zhǔn)確率作為粒子(超參數(shù)組)的適應(yīng)值，設(shè)置5個(gè)粒子，進(jìn)行5次迭代，記錄每次迭代得到的最優(yōu)適應(yīng)值。每次迭代的最優(yōu)準(zhǔn)確率及其對(duì)應(yīng)的超參數(shù)組合見(jiàn)表5。

表5 PSO-CNN模型的迭代過(guò)程Table 5 The iterative process of the PSO-CNN model

從表5可以看出最優(yōu)適應(yīng)值對(duì)應(yīng)的最優(yōu)超參數(shù)組合是(337,19)。確定最優(yōu)超參數(shù)組合后，將數(shù)據(jù)再次輸入由最優(yōu)超參數(shù)組合確定的CNN模型中，經(jīng)過(guò)訓(xùn)練后模型的評(píng)價(jià)指標(biāo)如圖6所示，損失率低至23.71%，精確率、召回率、AUC分別高達(dá)96.40%、89.53%、96.54%，并有著較好的收斂性。上述實(shí)驗(yàn)結(jié)果表明PSO-CNN模型相對(duì)已有的數(shù)據(jù)來(lái)說(shuō)是可靠的，可以通過(guò)優(yōu)化后的PSO-CNN模型提取到數(shù)據(jù)較充分、全面的本質(zhì)特征，進(jìn)一步說(shuō)明PSO-CNN模型在深部成礦預(yù)測(cè)領(lǐng)域也能取得較好的效果。

圖6 CNN模型評(píng)價(jià)指標(biāo)結(jié)果Fig.6 The evaluation index results of CNN model

3 算法預(yù)測(cè)結(jié)果分析

3.1 結(jié)果分析

為了證明基于PSO-CNN深度學(xué)習(xí)模型在成礦預(yù)測(cè)性能上的有效性，本文將PSO-CNN模型的預(yù)測(cè)結(jié)果與已知礦體進(jìn)行擬合。如圖7所示，PSO-CNN模型預(yù)測(cè)結(jié)果與已知礦體的擬合度較高，一定程度上顯示出PSO-CNN模型在成礦預(yù)測(cè)方面具有良好的效果。

圖7 預(yù)測(cè)結(jié)果擬合圖Fig.7 Fitting diagram of prediction results

3.2 對(duì)比分析

為突出PSO-CNN模型在成礦預(yù)測(cè)領(lǐng)域上的優(yōu)越性，本文構(gòu)建找礦信息量預(yù)測(cè)模型，將兩者的預(yù)測(cè)準(zhǔn)確精度進(jìn)行對(duì)比分析。為建立找礦信息量預(yù)測(cè)模型，本文通過(guò)成礦有利信息分析并提取確定了7個(gè)有利找礦標(biāo)志，運(yùn)用找礦信息量法計(jì)算了各有利找礦標(biāo)志信息量值(表6)。找礦信息量計(jì)算公式如下

(9)

表6 各變量信息量表Table 6 Information scale of each variable

式中：IA(B)為A標(biāo)志出現(xiàn)時(shí)含有B礦的可能性大??；Nj為研究區(qū)內(nèi)具有找礦標(biāo)志A的含礦單元數(shù)；N為研究區(qū)內(nèi)含礦單元數(shù)；Sj為研究區(qū)內(nèi)具有找礦標(biāo)志A的單元數(shù)；S為研究區(qū)內(nèi)單元總數(shù)[41]。

從找礦信息量圖(圖8)中可以看出，隨著信息量的增大，滿足條件的礦體數(shù)減少，而含礦率卻逐漸增大，說(shuō)明有利于成礦的立方塊單元正逐漸被搜尋出來(lái)，這證明了用信息量法找礦的可行性。選取成礦有利區(qū)信息量的臨界值為0.3(礦塊數(shù)與含礦率交點(diǎn)處)，成礦有利區(qū)內(nèi)信息量>0.3的有礦單元共 812 808個(gè)，可知綜合成礦有利區(qū)內(nèi)預(yù)測(cè)準(zhǔn)確率為0.721 6。

圖8 雄村礦集區(qū)Ⅱ號(hào)礦體信息量圖Fig.8 The information scale diagram of Xiongcun No.Ⅱ ore body

由表7可看出，基于PSO-CNN模型的預(yù)測(cè)準(zhǔn)確率更高，結(jié)果更具有說(shuō)服力，PSO-CNN模型與找礦信息量模型相比具有更好的預(yù)測(cè)性能。

表7 預(yù)測(cè)結(jié)果準(zhǔn)確率Table 7 Accuracy of prediction results

4 結(jié) 論

本文針對(duì)地質(zhì)大數(shù)據(jù)背景下的深部成礦預(yù)測(cè)問(wèn)題，結(jié)合深度學(xué)習(xí)理論，充分挖掘數(shù)據(jù)的空間特征，構(gòu)建深部成礦預(yù)測(cè)模型，取得的主要結(jié)論如下：

a.以岡底斯成礦帶上的雄村斑巖型銅金礦床Ⅱ號(hào)礦體為研究對(duì)象，構(gòu)建了一種基于PSO-CNN的隱伏礦體三維預(yù)測(cè)方法，從預(yù)測(cè)評(píng)價(jià)指標(biāo)來(lái)看，精確率和AUC分別為96.40%、96.54%，表明PSO-CNN模型在成礦預(yù)測(cè)方面能取得較好的效果。

b.將PSO-CNN模型與找礦信息量模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析，表明本文構(gòu)建的PSO-CNN模型在預(yù)測(cè)準(zhǔn)確率上有著更好的效果，同時(shí)，結(jié)合三維可視化結(jié)果，說(shuō)明基于PSO-CNN構(gòu)建的成礦預(yù)測(cè)模型具有良好的可行性。

c.本文建立的PSO-CNN網(wǎng)絡(luò)預(yù)測(cè)模型通過(guò)多層網(wǎng)絡(luò)的特征學(xué)習(xí)，能夠提取到更充分、全面的本質(zhì)特征，從而得到了較好的預(yù)測(cè)效果。但信息提取還不夠全面，缺乏深部地球物理等方面的數(shù)據(jù)，后續(xù)的研究將收集更多的相關(guān)數(shù)據(jù)來(lái)驗(yàn)證所構(gòu)建的預(yù)測(cè)模型。此外，在優(yōu)化模型參數(shù)方面還存在提升的空間(如隱藏層數(shù)、神經(jīng)元個(gè)數(shù)等)，后續(xù)的研究工作將進(jìn)一步深入，充分發(fā)揮深度學(xué)習(xí)在深部成礦預(yù)測(cè)中的優(yōu)越性。