基於深度學習的智能礦產資源潛力評價原理與實踐(精)
內容大鋼
本書緊扣人工智慧和深地資源探測國際學術前沿，主要介紹礦產資源潛力智能評價的概念和深度學習演算法基本原理，重點介紹基於深度學習開展礦產資源潛力評價的具體實施步驟，包括軟體環境配置、數據預處理、樣本製作、模型構建及參數調節與優化等。本書可為解決深度學慣用于礦產資源潛力評價中面臨的訓練樣本少、模型構建難、可解釋性差等難題提供方案。同時，本書可使讀者在基於深度學習的礦產資源潛力智能評價方面快速入門，並能根據書中提供的實例，結合自己的數據開展礦產資源潛力智能評價。
本書既可作為礦產勘查科學研究及一線地質工作者的參考用書，也可作為深度學習及其應用與實踐相關專業學生的教材。
作者介紹
左仁廣//熊義輝//王子燁|責編:楊光華//徐雁秋
左仁廣，中國地質大學（武漢）地質過程與礦產資源國家重點實驗室教授、博士生導師。曾於2013年入選「教育部新世紀優秀人才支持計劃」，2015年獲國家優秀青年科學基金項目資助，2016年獲選國際應用地球化學家學會會士，2017年獲選國際經濟地質學家學會會士，2018年獲教育部「青年長江學者」稱號，2019年獲評湖北省有突出貢獻中青年專家。現（曾）任國際數學地球科學學會理事、國際應用地球化學家學會理事，國際科學引文索引（SCI）收錄期刊Computers & Geosciences、Natural Resources Research、Ore Geology Reviews、Journal of Geochemical Exploration和Geochemistry: Exploration, Environment, Analysis的associateeditor，以及Journal of Earth Science、《地球科學》、《地質科技通報》和《礦床地質》等的編委會成員。
長期從事數學地球科學研究。主持國家優秀青年科學基金項目、湖北省傑出青年科學基金項目等10余項；主編SCI專輯4期；發表SCI論文100余篇，其中3篇論文曾入選基本科學指標資料庫（ESI）高被引論文；獲2項國家發明專利和4項軟體著作權。研究成果曾獲全國百篇優秀博士論文提名獎（2011年）、國土資源科學技術獎一等獎（2011年）、國家科學技術進步獎二等獎（2013年）、中國產學研合作創新成果獎一等獎（2019年）等。此外，還曾獲中國高校GIS創新人物獎、中國地質學會青年地質科技獎金錘獎、侯德封礦物岩石地球化學青年科學家獎及國際地球化學學會Kharaka獎等榮譽。
目錄
第1章 緒論
1.1 礦產資源潛力評價概述
1.2 礦產資源潛力智能評價方法概述
1.2.1 智能認知
1.2.2 智能學習
1.2.3 智能決策
1.3 基於深度學習的地球化學異常識別
1.4 基於深度學習的礦產資源潛力評價
第2章 環境配置與樣本製作
2.1 TensorFlow環境配置
2.2 數據準備
2.3 樣本製作
2.4 數據增強
2.4.1 基於地質約束的數據增強方法
2.4.2 基於random-drop的數據增強方法
2.4.3 基於像素對匹配的數據增強方法
第3章 卷積神經網路
3.1 卷積神經網路基本原理
3.2 全卷積神經網路基本原理
3.3 參數優化
3.4 基於卷積神經網路的地球化學異常識別
3.4.1 案例介紹
3.4.2 模型框架
3.4.3 模型訓練
3.4.4 模型輸出
3.5 基於卷積神經網路的礦產資源潛力評價
3.5.1 案例介紹
3.5.2 模型框架
3.5.3 模型輸入
3.5.4 模型訓練
3.5.5 模型輸出
3.6 基於卷積神經網路的地質填圖
3.6.1 案例介紹
3.6.2 模型框架
3.6.3 模型輸入
3.6.4 模型訓練
3.6.5 模型輸出
3.7 基於全卷積神經網路的岩性填圖
3.7.1 案例介紹
3.7.2 模型框架
3.7.3 模型輸入
3.7.4 模型訓練
3.7.5 模型輸出
第4章 循環神經網路
4.1 基本原理
4.2 基於循環神經網路的礦產資源潛力評價
4.2.1 案例介紹
4.2.2 模型框架
4.2.3 模型輸入
4.2.4 模型訓練
4.2.5 模型輸出
第5章 深度自編碼網路
5.1 基本原理
5.2 基於深度自編碼網路的地球化學異常識別
5.2.1 案例介紹
5.2.2 模型框架
5.2.3 模型輸入
5.2.4 模型訓練
5.2.5 模型輸出
5.3 基於深度自編碼網路的礦產資源潛力評價
5.3.1 案例介紹
5.3.2 模型框架
5.3.3 模型輸入
5.3.4 模型訓練
5.3.5 模型輸出
第6章 生成對抗網路
6.1 基本原理
6.2 基於生成對抗網路的地球化學異常識別
6.2.1 案例介紹
6.2.2 模型框架
6.2.3 模型輸入
6.2.4 模型訓練
6.2.5 模型輸出
第7章 深度信念網路
7.1 基本原理
7.2 基於深度信念網路的地球化學異常識別
7.2.1 案例介紹
7.2.2 模型框架
7.2.3 模型輸入
7.2.4 模型訓練
7.2.5 模型輸出
第8章 深度強化學習
8.1 基本原理
8.2 基於深度強化學習的礦產資源潛力評價
8.2.1 案例介紹
8.2.2 模型框架
8.2.3 模型參數
8.2.4 模型輸入
8.2.5 模型訓練
8.2.6 模型輸出
第9章 圖神經網路
9.1 基本原理
9.1.1 拓撲圖構建
9.1.2 圖卷積網路
9.1.3 圖注意力網路
9.2 基於圖神經網路的礦產資源潛力評價
9.2.1 案例介紹
9.2.2 模型框架
9.2.3 模型輸入
9.2.4 模型訓練
9.2.5 模型輸出
第10章 深度自注意力網路
10.1 基本原理
10.2 基於深度自注意力網路的礦產資源潛力評價
10.2.1 案例介紹
10.2.2 模型框架
10.2.3 模型輸入
10.2.4 模型訓練
10.2.5 模型輸出
第11章 基於地質約束的深度學習
11.1 地質約束深度學習概述
11.2 地質約束深度學習方法構建
11.3 基於地質約束深度學習的地球化學異常識別
11.3.1 案例介紹
11.3.2 模型框架
11.3.3 模型輸入
11.3.4 模型訓練
11.3.5 模型輸出
11.4 基於地質約束深度學習的礦產資源潛力評價
11.4.1 案例介紹
11.4.2 模型框架
11.4.3 模型輸入
11.4.4 模型訓練
11.4.5 模型輸出
第12章 電腦集群
12.1 電腦集群概述
12.2 基於電腦集群和卷積神經網路的地質填圖
12.2.1 案例介紹
12.2.2 集群登錄
12.2.3 數據上傳和下載
12.2.4 程序運行
12.2.5 作業調度
12.2.6 結果輸出
第13章 展望
13.1 數據與知識雙重驅動的大數據礦產預測
13.2 礦產資源潛力評價知識圖譜構建
13.3 深度學習模型構建
13.4 其他
參考文獻
附錄
附錄1 基於滑動窗口的樣本製作代碼
附錄2 基於地質約束的數據增強代碼
附錄3 基於窗口裁剪的數據增強代碼
附錄4 基於random-drop的數據增強代碼
附錄5 基於像素對匹配的數據增強代碼
附錄6 基於卷積神經網路的地球化學異常識別代碼
附錄7 基於卷積神經網路的礦產資源潛力評價代碼
附錄8 基於卷積神經網路和勘查地球化學數據的地質填圖代碼
附錄9 基於全卷積神經網路的岩性填圖代碼
附錄10 循環神經網路調參代碼
附錄11 基於循環神經網路的礦產資源潛力評價代碼
附錄12 基於深度自編碼網路的地球化學異常識別代碼
附錄13 基於生成對抗網路的地球化學異常識別代碼
附錄14 基於深度信念網路的地球化學異常識別代碼
附錄15 基於深度強化學習的礦產資源潛力評價代碼
附錄16 基於圖神經網路的礦產資源潛力評價代碼
附錄17 基於深度自注意力網路的礦產資源潛力評價代碼
附錄18 地質約束變分自編碼網路代碼
[