Geo Intelligence.

研究与来源

用于矿产远景预测的可解释人工智能模型

英文原题:Explainable artificial intelligence models for mineral prospectivity mapping · 机器翻译

Science China Earth Sciences · 中科院一区 Top · 2025

论文作者:Renguang Zuo · 成秋明 · Ying Xu · Fanfan Yang · Yihui Xiong · Ziye Wang · Oliver P. Kreuzer

DOI: 10.1007/s11430-024-1309-9

AI 导读

AI 导读提出在输入数据、模型设计和输出解释各阶段融入地质领域知识的工作流程,回应 AI 成矿预测中的可解释性、泛化能力和物理一致性问题。

导读不等同于作者摘要,请以原始论文为准。

本条目提供可追溯的文献信息,尚未发布完整编辑解读。

阅读原始来源 ↗

重点期刊标识依据 2025 年中科院分区:大类一区且 Top=是。该期刊层面的标识不代表对单篇论文质量的评价。

相关研究

研究论文Geology中科院一区 Top · 2025

冥古宙构造:来自机器学习的认识机器翻译

英文原题Hadean tectonics: Insights from machine learning

作者 陈国雄 · Timothy Kusky · Lei Luo · Quanke Li · 成秋明

AI 导读利用锆石化学数据训练机器学习模型,区分构造环境和岩浆类型,再应用于 Jack Hills 的冥古宙锆石。结果为早期地壳形成和与俯冲相关的沉积物循环提供线索。

深时地球地球早期演化锆石地球化学机器学习
条目与解读阅读原文 ↗
研究论文Mathematical Geosciences

将地质知识融入深度学习,以增强与成矿相关的地球化学异常识别及可解释性机器翻译

英文原题Incorporating Geological Knowledge into Deep Learning to Enhance Geochemical Anomaly Identification Related to Mineralization and Interpretability

作者 Chunjie Zhang · Renguang Zuo

AI 导读将地质先验知识融入对抗自编码器,在赣南钨矿背景下识别地球化学异常。利用多重分形奇异性分析量化控矿因素与已知矿床的关联,为模型提供成矿规律约束。

地球化学异常多重分形奇异性分析深度学习
条目与解读阅读原文 ↗