「地质约束显式+数据驱动模型」的新路径，浙江大学团队实现跨区域矿产远景预测性能和可解释性提升

近年来，人工智能与地学数据深度融合显著推动了矿产资源预测方法的发展，矿产远景预测填图（Mineral Prospectivity Mapping, MPM）已成为降低找矿风险、支撑深部与复杂地质条件下资源勘查的重要技术手段。然而，成矿作用受构造、岩性及岩浆活动等多重地质因素控制，具有显著的空间非平稳性与方向性特征。现有多数机器学习与图模型方法往往以隐式方式处理这些空间特征，难以显式刻画成矿过程中的各向异性与区域差异性， 从而在地质可解释性与预测稳定性方面仍存在不足。

针对上述问题，浙江大学的研究团队提出了一种地质约束的数据驱动成矿预测方法， 通过将各向异性空间邻近关系与空间非平稳建模机制显式引入预测框架，实现对成矿异质性与方向性控制的定量表达。该方法构建了各向异性空间邻近性神经网络，并结合卷积注意力加权机制与逻辑回归模型，有效融合多源地学信息，在保持预测精度的同时显著增强了模型的地质一致性与可解释性。

通过在加拿大梅古马地体金矿区和美国科迪勒拉斑岩铜成矿带的多尺度验证，结果表明，该方法在召回率和整体泛化性能方面均优于多种主流模型，并能够揭示区域尺度上的关键控矿因素与成矿方向性特征。 该研究为将地质约束显式融入数据驱动模型提供了新的技术路径，对智能找矿与成矿机理定量研究具有参考价值。

目前，该项研究成果已以「Geologically constrained data-driven modeling for mineral prospectivity mapping」为题发表于 Geology。

研究亮点：

• 突破传统机器学习方法的隐式处理局限，通过构建各向异性空间邻近性神经网络，实现对复杂成矿作用空间异质性的定量刻画；

• 地质约束与数据驱动方法深度融合，保持了模型结构的可解释性与地质一致性；

• 能够揭示区域尺度上的关键控矿因素与成矿方向性特征，实现跨区域、多尺度验证的稳健泛化性能。

论文地址：
https://go.hyper.ai/vbUpa

关注公众号，后台回复「成矿预测」即可获取完整论文

更多 AI 前沿论文：

https://hyper.ai/papers

基于深度神经网络加权逻辑回归模型，实现成矿概率稳健预测

成矿作用通常受构造、岩性、岩浆活动及多种地球物理—地球化学因素的共同控制，其空间分布表现出显著的非平稳性与方向性特征。 这使得传统依赖全局假设的统计模型或纯数据驱动方法，难以准确刻画区域尺度上的成矿差异与局部成矿规律。尽管近年来机器学习和人工智能方法在矿产远景预测中取得了显著进展，但多数模型往往以隐式方式处理空间约束，难以反映真实的地质控制过程，从而在地质可解释性和泛化能力方面仍存在不足。

浙江大学研究团队围绕「如何在数据驱动框架中显式引入地质约束」这一核心科学问题，系统分析了现有矿产远景预测方法的局限性。传统地统计方法能够在一定程度上缓解空间非平稳性问题，但其线性假设难以刻画复杂的非线性成矿过程；而近年来兴起的神经网络和图神经网络方法，虽然在预测精度上表现突出，却往往仅通过模型结构隐式学习空间依赖关系，缺乏对成矿各向异性与空间异质性的直接刻画机制。 这些不足限制了模型对区域构造控制和成矿方向性的识别能力。

该研究选取了两个具有代表性的区域尺度数据集：

*** 加拿大梅古马地体（Meguma terrane）金矿区数据集：** 该区是矿产远景预测领域的经典基准区，矿点资料完备、成矿背景清晰，长期被用于方法对比与性能评估；

美国西部科迪勒拉（the southern Cordillera region）斑岩铜成矿带数据集：覆盖多个州，区域尺度大、构造与岩浆活动复杂，用于检验模型在大尺度、复杂地质环境下的稳定性与泛化能力。

这两个数据集分别对应小尺度精细预测与大尺度区域推广。 其中加拿大矿区数据集被作为模型初始评估与方法对比的基准测试区，用于验证模型在经典、小尺度金矿预测场景中的识别能力与召回表现；美国矿区数据集作为大尺度、复杂构造环境下的推广验证区，用于检验模型在斑岩铜系统中的跨区域稳定性与泛化能力。

基于数据，该研究提出了一种各向异性卷积注意力加权逻辑回归模型（Anisotropic Convolutional Attention-Weighted Logistic Regression, ACAWLR）， 用于地质约束下的矿产远景预测。该方法首先通过方向加权的协方差分析提取矿点分布的主、次成矿方向，并在此基础上构建各向异性空间距离度量；随后引入各向异性空间邻近性神经网络（Anisotropic Spatial Proximity Neural Network, ASPNN），将方向性空间关系以可学习的方式嵌入模型中，从而显式刻画成矿过程中的方向依赖特征。

在此基础上，进一步结合卷积神经网络与空间—通道注意力机制，构建卷积注意力加权网络，用以学习空间非平稳的控矿权重，并与逻辑回归模型耦合，实现对成矿概率的稳健预测。

各向异性卷积注意力加权逻辑回归（ACAWLR）框架示意图

多尺度验证策略与模型对比

在实验设计上，研究团队采用多尺度、分层次的验证策略。首先在加拿大新斯科舍省梅古马地体这一经典金矿预测基准区开展系统对比实验， 将所提出方法与地理加权逻辑回归、支持向量机、随机森林、多层感知机及图注意力网络等多种代表性方法进行比较。

结果表明，ACAWLR 在召回率和整体预测性能方面均表现最优， 在预测精度、空间泛化能力与地质可解释性之间实现了有效平衡，能够完整识别已知矿点分布，并生成更连续、符合地质认知的远景预测图。

随后，研究进一步将该方法推广至美国西部科迪勒拉斑岩铜成矿带这一大尺度复杂区域，验证了模型在跨区域应用中的稳定性与鲁棒性。

成矿远景预测图：(A–F) 新斯科舍省梅古马地体金矿预测结果，分别由各向异性卷积注意力加权逻辑回归（ACAWLR）、地理加权逻辑回归（GWLR）、随机森林（RF）、支持向量机（SVM）、多层感知机（MLP）和图注意力网络（GAT）得到；(G) 基于 ACAWLR 的斑岩铜矿预测结果（美国西部）

此外，该研究还开展了大尺度成矿可解释性分析，系统揭示了不同区域内关键控矿因素的空间差异性。结果表明，铜含量在斑岩铜系统中具有主导控制作用，而岩性、断裂和重力异常等因素在不同构造背景下呈现出显著不同的空间影响模式。 通过各向异性分析，模型进一步识别出与区域构造体系一致的成矿主控方向，为理解成矿机理和指导找矿部署提供了直观依据。

各特征对模型输出的相对贡献；(B–H) Cu、断裂、Au、Fe、Mo、岩性及重力异常在局部尺度上的空间影响分布

空间各向异性特征

(A) 基于矿点训练样本的特征值分解所得到的主、次成矿方向；
(B) 各向异性空间邻近性神经网络（ASPNN）优化后的邻近性分布（红色表示较短，蓝色表示较长）。背景为中生代至现今的岩浆弧与构造带分布（据 Yonkee 和 Weil，2015）。加拿大：AB—阿尔伯塔省；MB—马尼托巴省；SK—萨斯喀彻温省。美国：AZ—亚利桑那州；CA—加利福尼亚州；CO—科罗拉多州；ID—爱达荷州；KS—堪萨斯州；MT—蒙大拿州；ND—北达科他州；NB—内布拉斯加州；NM—新墨西哥州；NV—内华达州；OR—俄勒冈州；SD—南达科他州；TX—得克萨斯州；UT—犹他州；WA—华盛顿州；WY—怀俄明州

有关浙江大学地球科学学院团队

近年来，浙江大学地球科学学院团队在地学与人工智能交叉领域取得了一系列具有前沿性和工程应用价值的科研成果。

团队提出的 GNNWR 系列模型被行业人才使用，模型的下载量、调用数和引用累计近 5 万次，并在海洋学、地理学、大气科学和地质学等多个方向得到了广泛应用。该项工作成果已在地球科学领域知名期刊 Geoscientific Model Development 上发表，论文题目为「GNNWR: An Open-Source Package of Spatiotemporal Intelligent Regression Methods for Modeling Spatial and Temporal Non-Stationarity」。
论文地址： https://gmd.copernicus.org/articles/17/8455/2024

模型开源地址： https://github.com/zjuwss/gnnwr

2025 年 2 月，该团队提出了一种基于注意力机制的深度学习模型——情景注意力驱动的地理加权回归（CatGWR）， 通过注意力机制计算样本间的情景相似性，并将其与空间邻近性相结合，生成情景化的时空权重，从而更准确地估计空间非平稳性。相关成果以「Using an attention-based architecture to incorporate context similarity into spatial non-stationarity estimation」为题，发表在 International Journal of Geographical Information Science。

论文地址： https://www.tandfonline.com/doi/full/10.1080/13658816.2025.2456556

点击查看完整解读： 以1.7K深圳小区房价为例，浙大GIS实验室使用注意力机制挖掘地理情景特征，提升空间非平稳回归精度

同年 11 月，该团队还提出了一种异构对比图融合网络（HCGFN），用于 HSI 和 LiDAR 数据的联合分类，实现了 HSI 和 LiDAR 之间的高效交互和有效融合。 该项工作成果已在地球科学领域知名期刊 IEEE Transactions on Geoscience and Remote Sensing 上发表，论文题目为「Aggregative and Contrastive Dual-View Graph Attention Network for Hyperspectral Image Classification」。
论文地址： https://ieeexplore.ieee.org/document/11115095

团队还将空间智能模型应用于社会经济地理问题，通过引入空间邻近性和深度学习结构，取得比传统模型显著更好的拟合效果。以「Spatial non-stationarity assessments of housing prices in Wuhan based on a TD-GNNWR model」为题发表在地理学报的论文中，团队建立了一种基于出行时间（TD）的空间距离度量与神经网络融合模型（TD-GNNWR），显著提高城市房价空间非平稳性的拟合与解释性。
论文地址： https://www.geog.com.cn/CN/10.11821/dlxb202408005

此外，研究团队还将时空智能回归与深度学习方法推广到地质、海洋、生态与大气环境模型构建中，如利用空间加权神经网络高精度估算青藏高原的地表热流分布，为地球内部地球动力学过程提供关键见解。 相关研究以「The Distribution of Surface Heat Flow on the Tibetan Plateau Revealed by Data‐Driven Methods」为题，发表在 Journal of Geophysical Research: Solid Earth。

论文地址： https://doi.org/10.1029/2023JB028491