CN116665067A - 基于图神经网络的找矿靶区优选系统及其方法 - Google Patents

Abstract

本发明公开了一种基于图神经网络的找矿靶区优选系统及其方法，涉及智能化找矿靶区技术领域，其获取待勘探地区的地质遥感图像；对所述待勘探地区的地质遥感图像进行图像特征分析以得到全局矿靶区地质关联特征；基于所述全局矿靶区地质关联特征，确定最优推荐矿靶区。这样，能够避免专家介入引起的低效率和低精度问题，从而提高矿靶区优选的准确性和效率，以为矿产勘探提供更可靠的决策支持。

Description

基于图神经网络的找矿靶区优选系统及其方法

技术领域

本发明涉及智能化找矿靶区技术领域，尤其涉及一种基于图神经网络的找矿靶区优选系统及其方法。

背景技术

矿产资源的开采和利用是对自然资源的有效利用，找矿靶区的优选是矿产资源勘探的重要环节之一，它通过综合分析地质、地球物理、地球化学等信息，确定可能存在矿产资源的区域以及潜在的矿产资源富集区域。这样可以将有限的资源和时间集中在最有希望的区域，提高勘探的成功率和资源的利用效率。

然而，传统的找矿靶区优选方案通常只能利用有限的数据进行分析，如地质、地球物理和地球化学数据等。这些数据往往局限于特定的采样点或测线，无法全面反映矿产资源的分布和特征，导致结果的局限性和不准确性。并且，这种自动的找矿靶区优选方案通常并不能够利用多组数据之间的关联关系来进行找矿靶区的优选。若想利用各组数据之间的协同关联性，则需要依赖于地质学家、地球物理学家和地球化学家等专业人员的经验和专业能力。这样，就会受到专家个体经验和主观因素的影响，导致结果的不稳定性和不可重复性，从而使得优选结果产生偏差和误判，降低了勘探的成功率和资源的利用效率。

因此，期望一种基于图神经网络的找矿靶区优选方案。

发明内容

本发明实施例提供一种基于图神经网络的找矿靶区优选系统及其方法，其获取待勘探地区的地质遥感图像；对所述待勘探地区的地质遥感图像进行图像特征分析以得到全局矿靶区地质关联特征；以及，基于所述全局矿靶区地质关联特征，确定最优推荐矿靶区。这样，能够避免专家介入引起的低效率和低精度问题，从而提高矿靶区优选的准确性和效率，以为矿产勘探提供更可靠的决策支持。

本发明实施例还提供了一种基于图神经网络的找矿靶区优选方法，其包括：

获取待勘探地区的地质遥感图像；

对所述待勘探地区的地质遥感图像进行图像特征分析以得到全局矿靶区地质关联特征；

基于所述全局矿靶区地质关联特征，确定最优推荐矿靶区。

本发明实施例还提供了一种基于图神经网络的找矿靶区优选系统，其包括：

图像获取模块，用于获取待勘探地区的地质遥感图像；

图像特征分析模块，用于对所述待勘探地区的地质遥感图像进行图像特征分析以得到全局矿靶区地质关联特征；

最优推荐矿靶区确定模块，用于基于所述全局矿靶区地质关联特征，确定最优推荐矿靶区。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本发明实施例中提供的一种基于图神经网络的找矿靶区优选方法的流程图。

图2为本发明实施例中提供的一种基于图神经网络的找矿靶区优选方法的系统架构的示意图。

图3为本发明实施例中提供的一种基于图神经网络的找矿靶区优选方法中步骤120的子步骤的流程图。

图4为本发明实施例中提供的一种基于图神经网络的找矿靶区优选方法系统的框图。

图5为本发明实施例中提供的一种基于图神经网络的找矿靶区优选方法的应用场景图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

除非另有说明，本发明实施例所使用的所有技术和科学术语与本发明的技术领域的技术人员通常理解的含义相同。本发明中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本发明的范围。

在本发明实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

需要说明的是，本发明实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本发明的实施例可以除了在这里图示或描述的那些以外的顺序实施。

应可以理解，矿产资源是指地球上存在的可以经济有效地开采和利用的自然资源，包括金属矿产、非金属矿产和能源矿产，这些矿产资源在各个领域都扮演着重要的角色，支持着人类的工业生产和社会发展。

其中，金属矿产是指含有金属元素的矿石或矿物，如铁矿石、铜矿石、铅锌矿石、铝矿石等。非金属矿产是指不含金属元素或含有非金属元素的矿石或矿物，如煤炭、石油、天然气、石灰石、石膏、盐等。能源矿产是指能够提供能源的矿产资源，如煤炭、石油、天然气、铀等。

矿产资源的开采和利用对于国家经济的发展至关重要。通过勘探和开发矿产资源，可以促进经济增长、提供就业机会、增加国家财政收入，并满足人们对各种物质和能源的需求。然而，矿产资源的开采也会对环境造成一定的影响，因此需要在保护环境的前提下进行可持续的矿产资源开发和利用。

传统的找矿靶区优选方案是指在矿产勘探过程中，通过分析地质、地球物理和地球化学等有限的数据，来确定潜在的矿产资源富集区域。这些数据通常来自于采样点或测线，而且往往只能提供局部的信息，无法全面反映矿产资源的分布和特征。

传统的找矿靶区优选方案包括步骤：

1.数据采集：通过采样点或测线的方式，获取地质、地球物理和地球化学等数据。这些数据可以包括岩石样品、地震数据、地磁数据、重力数据、电磁数据、地球化学分析数据等。

2.数据处理与解释：对采集到的数据进行处理和解释，提取出地质特征和物理特征。例如，通过地震数据的处理和解释，可以确定地下岩石的结构和构造特征。

3.靶区划定：根据数据处理和解释的结果，确定潜在的矿产资源富集区域。这通常是基于地质特征、物理特征和地球化学特征的综合分析。

4.评估与验证：对划定的靶区进行评估和验证，确定其潜在的矿产资源量和质量。这可以通过进一步的勘探工作、钻探和采样等手段来实现。

图神经网络（Graph Neural Network，简称GNN）是一种用于处理图结构数据的机器学习模型。与传统的神经网络模型主要处理向量或矩阵数据不同，GNN可以有效地处理具有复杂关系的非欧几里得数据，如社交网络、知识图谱、分子结构等。

GNN的核心思想是通过节点之间的局部邻居交互来更新节点的表示，通过在节点上定义一系列的聚合函数和更新函数，将节点的特征信息进行传递和更新，从而捕捉到节点之间的关系和全局的图结构信息。具体而言，GNN的计算过程可以分为多个图卷积层（Graph Convolutional Layer），每个图卷积层通过聚合节点的邻居信息，计算节点的新表示。这样，通过多个图卷积层的堆叠，GNN可以逐步聚合更多的全局信息，从而得到更丰富的节点表示。

GNN的优势包括能够处理不定长的图结构数据、具备模型迁移和泛化能力、能够建模非线性关系以及考虑节点之间的空间关联性。因此，GNN在图数据分析、推荐系统、生物信息学等领域取得了显著的成果，并在矿靶区优选等任务中展现了潜力。

传统的找矿靶区优选方案存在一些局限性。首先，由于数据的有限性，无法全面反映矿产资源的分布和特征，导致结果的局限性和不准确性。其次，这种方案通常无法利用多组数据之间的关联关系进行优选，需要依赖专业人员的经验和能力。这样会受到专家个体经验和主观因素的影响，导致结果的不稳定性和不可重复性。因此，需要一种更高效、准确的方法来进行矿靶区的优选。

进一步地，传统的找矿靶区优选方案通常只能利用有限的数据进行分析和解释，而且这些数据往往只能提供局部的信息。而图神经网络可以有效地融合多源数据，包括地质、地球物理、地球化学等数据，从而获取更全面、综合的信息，提高靶区优选的准确性和可靠性。

矿产资源的分布和富集往往受到复杂的非线性关系的影响，传统的线性模型难以捕捉和描述这些复杂关系。而图神经网络可以通过学习节点之间的复杂关系和连接模式，建立非线性的模型，更好地揭示矿产资源的空间分布规律。

矿产资源的分布往往具有一定的空间关联性，即相邻区域的地质特征和矿产资源富集程度可能存在相关性。传统的找矿靶区优选方案往往忽视了这种空间关联性，而图神经网络可以通过考虑节点之间的空间关系，更好地分析和预测矿产资源的分布情况。

基于图神经网络的找矿靶区优选方案可以通过迁移学习和知识蒸馏等方法，将已有的知识和模型应用于新的地区和数据集中，从而提高模型的泛化能力和适应性。

基于图神经网络的找矿靶区优选方案能够更好地利用多源数据、建模非线性关系、分析空间关联性，并具备模型迁移和泛化能力，因此具有重要的必要性和应用前景。

在本发明的一个实施例中，图1为本发明实施例中提供的一种基于图神经网络的找矿靶区优选方法的流程图。图2为本发明实施例中提供的一种基于图神经网络的找矿靶区优选方法的系统架构的示意图。如图1和图2所示，根据本发明实施例的基于图神经网络的找矿靶区优选方法100，包括：110，获取待勘探地区的地质遥感图像；120，对所述待勘探地区的地质遥感图像进行图像特征分析以得到全局矿靶区地质关联特征；以及，130，基于所述全局矿靶区地质关联特征，确定最优推荐矿靶区。

其中，卷积神经网络是一类包含卷积计算的深度前馈神经网络，在计算机视觉和自然语言处理等领域受到广泛的关注和应用。卷积神经网络的核心就是利用局部感受野（感知域）、权值共享和汇聚层的思想来达到简化网络参数的目的，并且使得网络具有一定程度的位移、尺度、非线性形变稳定性。卷积神经网络的找矿预测模型主要由数据输入层、卷积层、池化层、全连接层和输出层５种网络层构成。其中：数据输入层是将网格化的化探和航磁数据作为输入数据写入神经单元，卷积层与池化层分别选择合适的激活函数完成对数据特征的提取和下采样，全连接层则是在网络末端实现特征的映射和分类，而输出层可用于结果输出或特征可视化。因此，确定合适的卷积层和全连接层结构对卷积神经网络模型的性能至关重要。

基于卷积神经的图神经网络的找矿靶区优选方法主要是在对元素地球化学异常数据、航磁数据进行网格化的基础上，先采用数据增强技术获取训练数据和验证数据集，再基于卷积神经网络训练生成模型，并应用训练好的模型预测研究区的有利找矿部位。

１.数据的收集与处理收集。研究区内已有的元素地球化学异常数据和航磁数据，并将研究区内已知的矿床（点）信息提取出来，为下一步的处理提供数据基础。收集到的数据是在空间上不均匀分布的数据，需要利用插值方法将其转化成规则网格数据。在本文中应用克里格法实现二维数据的格网化，得到25种元素地球化学异常数据和３种航磁数据。

２.训练与验证数据集的生成。在矿产预测研究区，通常已知矿床（点）的数量较少，难以满足深度学习对训练样本量的要求，构建大容量训练样本是深度学习找矿预测模型建模过程的一个挑战。本发明采用步长平移数据增强方法构建训练样本集，从而得到泛化能力更强的网络，使得结果更具可信度。步长平移数据增强方法是采用一定窗口大小，如48×48＝2304个网格单元，通过移动窗口使矿床（点）位于1个网格单元中，提取窗口所包括的所有物探和化探网格数据，遍历所有窗口网格单元。对于１个矿床（点）可以获取2304个训练单元。如果1个研究区有n个矿床（点），则可以获得2304n个训练单元。在研究区随机选取已知矿床（点）数２倍的网格单元作为未知区，采用与生成已知矿床（点）训练单元相同的方法获取未知区的训练单元。

３.卷积神经网络模型构建。地质空间的特征是以网格单元为基本单元，每个网格单元上集合了地球化学、航磁等空间特征数据，构建找矿预测 CNN模型。利用 CNN 模型可以提取关键空间特征，挖掘矿床与数据特征间的非线性关系。

４.模型的训练与验证。先采用准备好的训练数据集对模型进行训练与验证，再采用不同参数和超参数对模型进行训练，通过验证数据集选取最优模型。

５.找矿靶区的确定。采用训练好的模型，通过滑动窗口的方式对研究区进行预测，圈定有利预测区，并根据矿产地质资料，分析预测结果的可靠性，从而确定找矿靶区。

具体地，在所述步骤110中，获取待勘探地区的地质遥感图像。针对上述技术问题，本发明的技术构思为通过卫星或无人机获取待勘探地区的地质遥感图像后，在后端引入图像处理和分析算法来进行所述地质遥感图像的分析，从而再利用图神经网络建立各个矿靶区的地质特征信息以及各个矿靶区的空间拓扑关联特征信息之间的关联关系，以此来自动进行矿靶区的最优推荐，通过这样的方式，能够避免专家介入引起的低效率和低精度问题，从而提高矿靶区优选的准确性和效率，以为矿产勘探提供更可靠的决策支持。

具体地，在本发明的技术方案中，首先，获取待勘探地区的地质遥感图像。获取待勘探地区的高分辨率遥感图像对于最终确定最优推荐矿靶区具有重要的作用。

通过遥感图像，可以获取待勘探地区的地质特征信息，如地形、地貌、岩性、构造等，这些地质特征对于判断矿产资源的存在和分布具有重要意义。基于图神经网络的方案可以利用图像处理和分析算法，自动提取和识别遥感图像中的地质特征，为后续的矿靶区优选提供关键信息。

遥感图像可以提供待勘探地区的空间拓扑关联信息，即不同地点之间的空间关系和连接模式，对于分析矿产资源的空间分布规律、富集程度以及可能的矿化控制因素非常重要。基于图神经网络的方案可以利用图像中的空间拓扑关联信息，构建图结构，并通过学习节点之间的关联关系，实现对矿靶区的最优推荐。

遥感图像可以提供对待勘探地区的定期更新和监测。通过获取连续的遥感图像数据，可以及时了解地区的地质变化和矿产资源的动态演化，从而对矿靶区的最优推荐进行动态调整和更新。

获取待勘探地区的高分辨率遥感图像可以提供地质特征信息、空间拓扑关联分析和数据更新监测，对最终确定最优推荐矿靶区起到至关重要的作用。

具体地，在所述步骤120中，对所述待勘探地区的地质遥感图像进行图像特征分析以得到全局矿靶区地质关联特征。图3为本发明实施例中提供的一种基于图神经网络的找矿靶区优选方法中步骤120的子步骤的流程图，如图3所示，对所述待勘探地区的地质遥感图像进行图像特征分析以得到全局矿靶区地质关联特征，包括：121，从所述待勘探地区的地质遥感图像提取多个矿靶区感兴趣区域；122，对所述多个矿靶区感兴趣区域进行拓扑关联特征提取以得到空间拓扑特征矩阵；123，对所述多个矿靶区感兴趣区域进行图像特征提取以得到全局矿靶区地质图像特征矩阵；以及，124，对所述空间拓扑特征矩阵和所述全局矿靶区地质图像特征矩阵进行关联编码以得到空间拓扑全局矿靶区地质图像特征矩阵作为所述全局矿靶区地质关联特征。

其中，在所述步骤121中，确定感兴趣区域的准确边界，使用图像分割算法，如基于阈值、区域增长或深度学习的语义分割方法，将矿靶区与其他地物进行区分。考虑多尺度特征，使用多尺度分析方法，提取不同尺度下的感兴趣区域，以捕捉地质特征的多样性和层次性。

在所述步骤122中，考虑相邻区域之间的空间关系，使用空间邻近性分析方法，如计算区域之间的距离、方向或连接关系，以获取矿靶区之间的拓扑关联信息。构建拓扑关联矩阵，将矿靶区之间的拓扑关系编码为矩阵形式，可以使用邻接矩阵或关联矩阵表示，以便后续的关联编码和分析。

在所述步骤123中，根据具体的地质特征，选择合适的图像特征提取算法，如纹理特征、形状特征或频域特征等。除了遥感图像，还可以考虑使用其他数据源，如地球物理数据或地质勘探数据，以获取更全面的地质图像特征。对提取的图像特征进行标准化和归一化处理，以消除不同图像之间的亮度和对比度差异，确保特征的可比性和稳定性。

在所述步骤124中，综合考虑地质特征和空间拓扑关系：通过关联编码，将地质特征和空间拓扑关系进行融合，可以更全面地描述矿靶区的地质关联特征。融合地质特征和空间拓扑关系的特征矩阵可以提供更多的信息，帮助准确地确定最优推荐矿靶区，提高勘探的效率和成功率。全局矿靶区地质关联特征可以为决策者提供更直观、可解释的信息，帮助决策者做出合理的决策和规划矿产资源开发的策略。

对于所述步骤121，接着，为了能够在待勘探地区中找出可能存在矿产资源的潜在区域，在本发明的技术方案中，进一步从所述待勘探地区的地质遥感图像提取多个矿靶区感兴趣区域。特别地，在本发明的一个具体示例中，所述矿靶区感兴趣区域可能存在与矿产资源有关的地质特征，如矿石露头、岩石类型、构造断裂等，也可能存在与矿产资源有关的地貌特征，如河流、山脉、丘陵等，对此并不为本发明所局限。

对于所述步骤122，包括：构造所述多个矿靶区感兴趣区域之间的空间拓扑矩阵，其中，所述空间拓扑矩阵中非对角线位置上各个位置的特征值为相应两个矿靶区感兴趣区域之间的欧式距离；以及，将所述空间拓扑矩阵通过基于卷积神经网络模型的空间拓扑特征提取器以得到所述空间拓扑特征矩阵。

进一步地，考虑到矿产资源的分布通常具有一定的空间关联性。相邻的区域可能存在相似的地质条件和矿产资源潜力。因此，在实际进行矿靶区优选时，还应关注到各个矿靶区的不同空间位置间的关联关系。基于此，在本发明的技术方案中，进一步构造所述多个矿靶区感兴趣区域之间的空间拓扑矩阵，其中，所述空间拓扑矩阵中非对角线位置上各个位置的特征值为相应两个矿靶区感兴趣区域之间的欧式距离。特别地，这里，通过计算不同区域之间的距离，可以揭示它们之间的空间关系，并量化不同区域之间的相互作用程度，有助于理解矿产资源的分布规律，为矿靶区的优选提供更全面的信息。

继而，再将所述空间拓扑矩阵通过基于卷积神经网络模型的空间拓扑特征提取器中进行特征挖掘，以提取出所述各个矿靶区之间的空间拓扑关联特征分布信息，从而得到空间拓扑特征矩阵。

对于所述步骤123，包括：将所述多个矿靶区感兴趣区域分别通过基于卷积神经网络模型的地质图像特征提取器以得到多个矿靶区地质图像特征向量；以及，将所述多个矿靶区地质图像特征向量排列为所述全局矿靶区地质图像特征矩阵。

然后，使用在图像的隐含特征提取方面具有优异表现性能的基于卷积神经网络模型的地质图像特征提取器来分别进行所述各个矿靶区感兴趣区域的特征挖掘，以提取出所述各个矿靶区感兴趣区域中有关于矿靶区的地质隐含特征分布信息，从而得到多个矿靶区地质图像特征向量。

对于所述步骤124，包括：将所述全局矿靶区地质图像特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到所述空间拓扑全局矿靶区地质图像特征矩阵。

进而，以所述各个矿靶区地质图像特征向量作为节点的特征表示，而以所述空间拓扑特征矩阵为节点与节点之间的边的特征表示，将由所述多个矿靶区地质图像特征向量经二维排列得到的全局矿靶区地质图像特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到空间拓扑全局矿靶区地质图像特征矩阵。具体地，所述图神经网络通过可学习的神经网络参数对所述全局矿靶区地质图像特征矩阵和所述空间拓扑特征矩阵进行图结构数据编码以得到包含不规则的矿靶区的全局拓扑关联特征和各个矿靶区的地质特征信息的所述空间拓扑全局矿靶区地质图像特征矩阵。

具体地，在所述步骤130中，基于所述全局矿靶区地质关联特征，确定最优推荐矿靶区，包括：将所述空间拓扑全局矿靶区地质图像特征矩阵中的各个行向量分别作为矿靶区推荐特征向量通过分类器以得到多个概率值；以及，将所述多个概率值中最大概率值对应的矿靶区感兴趣区域作为最优推荐矿靶区。

接着，进一步再将所述空间拓扑全局矿靶区地质图像特征矩阵中的各个行向量分别作为矿靶区推荐特征向量通过分类器以得到多个概率值。也就是说，利用融合了所述各个矿靶区的全局拓扑关联特征信息和所述各个矿靶区的地质特征信息来综合进行分类处理，以此来对于各个矿靶区进行评估和排序，以确定其潜在的矿产资源价值。进而，再将所述多个概率值中最大概率值对应的矿靶区感兴趣区域作为最优推荐矿靶区。这样，能够自动进行矿靶区的最优推荐，从而提高矿靶区优选的准确性和效率，以为矿产勘探提供更可靠的决策支持。

进一步地，在本发明的一个实施例中，所述基于图神经网络的找矿靶区优选方法，还包括训练步骤：用于对所述基于卷积神经网络模型的地质图像特征提取器、所述基于卷积神经网络模型的空间拓扑特征提取器、所述图神经网络模型和所述分类器进行训练。

所述训练步骤，包括：获取训练数据，所述训练数据包括待勘探地区的训练地质遥感图像，以及，所述多个概率值的真实值；从所述待勘探地区的训练地质遥感图像提取多个训练矿靶区感兴趣区域；构造所述多个训练矿靶区感兴趣区域之间的训练空间拓扑矩阵，其中，所述训练空间拓扑矩阵中非对角线位置上各个位置的特征值为相应两个训练矿靶区感兴趣区域之间的欧式距离；将所述多个训练矿靶区感兴趣区域分别通过所述基于卷积神经网络模型的地质图像特征提取器以得到多个训练矿靶区地质图像特征向量；将所述训练空间拓扑矩阵通过所述基于卷积神经网络模型的空间拓扑特征提取器以得到训练空间拓扑特征矩阵；将所述多个训练矿靶区地质图像特征向量排列为训练全局矿靶区地质图像特征矩阵；将所述训练全局矿靶区地质图像特征矩阵和所述训练空间拓扑特征矩阵通过所述图神经网络模型以得到训练空间拓扑全局矿靶区地质图像特征矩阵；将所述训练空间拓扑全局矿靶区地质图像特征矩阵中的各个行向量分别作为训练矿靶区推荐特征向量通过所述分类器以得到多个分类损失函数值；计算所述训练空间拓扑全局矿靶区地质图像特征矩阵的行列凸分解一致性因数以得到行列凸分解一致性损失函数值；以所述多个分类损失函数值和所述行列凸分解一致性损失函数值的加权和作为损失函数值，并通过梯度下降的反向传播来对所述基于卷积神经网络模型的地质图像特征提取器、所述基于卷积神经网络模型的空间拓扑特征提取器、所述图神经网络模型和所述分类器进行训练。

特别地，在本发明的技术方案中，这里，将所述全局矿靶区地质图像特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型得到所述空间拓扑全局矿靶区地质图像特征矩阵时，所述空间拓扑全局矿靶区地质图像特征矩阵的每个行向量表达矿靶区感兴趣区域的地质图像特征语义在各个矿靶区感兴趣区域的距离拓扑关联特征下的空间拓扑语义，因此，在本发明的技术方案中，期望所述空间拓扑特征提取器的特征提取能够与基于卷积神经网络模型的地质图像特征提取器的特征提取保持高相关性，以提升所述空间拓扑全局矿靶区地质图像特征矩阵的表达效果。

考虑到所述空间拓扑全局矿靶区地质图像特征矩阵在行方向上遵循基于卷积神经网络模型的地质图像特征提取器的提取特征分布，因此，如果使得所述空间拓扑全局矿靶区地质图像特征矩阵在高维特征空间内的流形表达在行方向和列方向对应的不同分布维度上保持一致，则可以提升所述空间拓扑特征提取器的特征提取与基于卷积神经网络模型的地质图像特征提取器的特征提取的相关性。

因此，本发明在分类损失函数之外，进一步引入所述空间拓扑全局矿靶区地质图像特征矩阵的行列凸分解一致性因数来作为损失函数，具体表示为：以如下损失公式计算所述训练空间拓扑全局矿靶区地质图像特征矩阵的行列凸分解一致性因数以得到所述行列凸分解一致性损失函数值；其中，所述损失公式为：

；

；

；

其中，表示所述训练空间拓扑全局矿靶区地质图像特征矩阵的第/>位置的特征值，/>和/>分别是所述训练空间拓扑全局矿靶区地质图像特征矩阵第/>个行向量的均值向量和列向量的均值向量，/>表示向量的一范数，/>表示矩阵的范数，/>是特征向量的长度，且/>、/>、和/>是权重超参数，/>表示/>函数，/>表示所述行列凸分解一致性损失函数值，/>表示向量乘法；

也就是，考虑到所述空间拓扑全局矿靶区地质图像特征矩阵的行和列维度的上述不同特征提取特性，所述行列凸分解一致性因数针对所述空间拓扑全局矿靶区地质图像特征矩阵/>在行和列所代表的子维度上的分布差异性，通过所述空间拓扑全局矿靶区地质图像特征矩阵/>所表示的特征流形的几何凸分解，来对不同维度上的流形的有限凸多面体的集合进行平展化，并以子维度关联的形状权重的形式来约束几何凸分解，从而促进所述空间拓扑全局矿靶区地质图像特征矩阵/>的特征流形在行和列所代表的可分解维度上的凸几何表示的一致性，以使得所述空间拓扑全局矿靶区地质图像特征矩阵在高维特征空间内的流形表达在与行方向和列方向对应的不同分布维度上保持一致，从而提升所述空间拓扑特征提取器的特征提取与基于卷积神经网络模型的地质图像特征提取器的特征提取的相关性。这样，能够基于矿靶区的地质情况和空间拓扑关联性来自动进行矿靶区的最优推荐，从而提高矿靶区优选的准确性和效率，以为矿产勘探提供更可靠的决策支持。

综上，基于本发明实施例的基于图神经网络的找矿靶区优选方法100被阐明，其通过卫星或无人机获取待勘探地区的地质遥感图像后，在后端引入图像处理和分析算法来进行所述地质遥感图像的分析，从而再利用图神经网络建立各个矿靶区的地质特征信息以及各个矿靶区的空间拓扑关联特征信息之间的关联关系，以此来自动进行矿靶区的最优推荐，通过这样的方式，能够避免专家介入引起的低效率和低精度问题，从而提高矿靶区优选的准确性和效率，以为矿产勘探提供更可靠的决策支持。

图4为本发明实施例中提供的一种基于图神经网络的找矿靶区优选方法系统的框图。如图4所示，所述基于图神经网络的找矿靶区优选方法系统，包括：图像获取模块210，用于获取待勘探地区的地质遥感图像；图像特征分析模块220，用于对所述待勘探地区的地质遥感图像进行图像特征分析以得到全局矿靶区地质关联特征；以及，最优推荐矿靶区确定模块230，用于基于所述全局矿靶区地质关联特征，确定最优推荐矿靶区。

本领域技术人员可以理解，上述基于图神经网络的找矿靶区优选方法系统中的各个步骤的具体操作已经在上面参考图1到图3的基于图神经网络的找矿靶区优选方法的描述中得到了详细介绍，并因此，将省略其重复描述。

如上所述，根据本发明实施例的基于图神经网络的找矿靶区优选方法系统100可以实现在各种终端设备中，例如用于基于图神经网络的找矿靶区优选方法的服务器等。在一个示例中，根据本发明实施例的基于图神经网络的找矿靶区优选方法系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于图神经网络的找矿靶区优选方法系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于图神经网络的找矿靶区优选方法系统100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该基于图神经网络的找矿靶区优选方法系统100与该终端设备也可以是分立的设备，并且该基于图神经网络的找矿靶区优选方法系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

图5为本发明实施例中提供的一种基于图神经网络的找矿靶区优选方法的应用场景图。如图5所示，在该应用场景中，首先，获取待勘探地区的地质遥感图像（例如，如图5中所示意的C）；然后，将获取的待勘探地区的地质遥感图像输入至部署有基于图神经网络的找矿靶区优选算法的服务器（例如，如图5中所示意的S）中，其中所述服务器能够基于图神经网络的找矿靶区优选算法对所述待勘探地区的地质遥感图像进行处理，以确定最优推荐矿靶区。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于图神经网络的找矿靶区优选方法，其特征在于，包括：

获取待勘探地区的地质遥感图像；

对所述待勘探地区的地质遥感图像进行图像特征分析以得到全局矿靶区地质关联特征；

基于所述全局矿靶区地质关联特征，确定最优推荐矿靶区；

其中，对所述待勘探地区的地质遥感图像进行图像特征分析以得到全局矿靶区地质关联特征，包括：

从所述待勘探地区的地质遥感图像提取多个矿靶区感兴趣区域；

对所述多个矿靶区感兴趣区域进行拓扑关联特征提取以得到空间拓扑特征矩阵；

对所述多个矿靶区感兴趣区域进行图像特征提取以得到全局矿靶区地质图像特征矩阵；

对所述空间拓扑特征矩阵和所述全局矿靶区地质图像特征矩阵进行关联编码以得到空间拓扑全局矿靶区地质图像特征矩阵作为所述全局矿靶区地质关联特征。

2.根据权利要求1所述的基于图神经网络的找矿靶区优选方法，其特征在于，对所述多个矿靶区感兴趣区域进行拓扑关联特征提取以得到空间拓扑特征矩阵，包括：

构造所述多个矿靶区感兴趣区域之间的空间拓扑矩阵，其中，所述空间拓扑矩阵中非对角线位置上各个位置的特征值为相应两个矿靶区感兴趣区域之间的欧式距离；以及

将所述空间拓扑矩阵通过基于卷积神经网络模型的空间拓扑特征提取器以得到所述空间拓扑特征矩阵。

3.根据权利要求2所述的基于图神经网络的找矿靶区优选方法，其特征在于，对所述多个矿靶区感兴趣区域进行图像特征提取以得到全局矿靶区地质图像特征矩阵，包括：

将所述多个矿靶区感兴趣区域分别通过基于卷积神经网络模型的地质图像特征提取器以得到多个矿靶区地质图像特征向量；

将所述多个矿靶区地质图像特征向量排列为所述全局矿靶区地质图像特征矩阵。

4.根据权利要求3所述的基于图神经网络的找矿靶区优选方法，其特征在于，对所述空间拓扑特征矩阵和所述全局矿靶区地质图像特征矩阵进行关联编码以得到空间拓扑全局矿靶区地质图像特征矩阵作为所述全局矿靶区地质关联特征，包括：将所述全局矿靶区地质图像特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到所述空间拓扑全局矿靶区地质图像特征矩阵。

5.根据权利要求4所述的基于图神经网络的找矿靶区优选方法，其特征在于，基于所述全局矿靶区地质关联特征，确定最优推荐矿靶区，包括：

将所述空间拓扑全局矿靶区地质图像特征矩阵中的各个行向量分别作为矿靶区推荐特征向量通过分类器以得到多个概率值；

将所述多个概率值中最大概率值对应的矿靶区感兴趣区域作为最优推荐矿靶区。

6.根据权利要求5所述的基于图神经网络的找矿靶区优选方法，其特征在于，还包括训练步骤：用于对所述基于卷积神经网络模型的地质图像特征提取器、所述基于卷积神经网络模型的空间拓扑特征提取器、所述图神经网络模型和所述分类器进行训练。

7.根据权利要求6所述的基于图神经网络的找矿靶区优选方法，其特征在于，所述训练步骤，包括：

获取训练数据，所述训练数据包括待勘探地区的训练地质遥感图像，以及，所述多个概率值的真实值；

从所述待勘探地区的训练地质遥感图像提取多个训练矿靶区感兴趣区域；

构造所述多个训练矿靶区感兴趣区域之间的训练空间拓扑矩阵，其中，所述训练空间拓扑矩阵中非对角线位置上各个位置的特征值为相应两个训练矿靶区感兴趣区域之间的欧式距离；

将所述多个训练矿靶区感兴趣区域分别通过所述基于卷积神经网络模型的地质图像特征提取器以得到多个训练矿靶区地质图像特征向量；

将所述训练空间拓扑矩阵通过所述基于卷积神经网络模型的空间拓扑特征提取器以得到训练空间拓扑特征矩阵；

将所述多个训练矿靶区地质图像特征向量排列为训练全局矿靶区地质图像特征矩阵；

将所述训练全局矿靶区地质图像特征矩阵和所述训练空间拓扑特征矩阵通过所述图神经网络模型以得到训练空间拓扑全局矿靶区地质图像特征矩阵；

将所述训练空间拓扑全局矿靶区地质图像特征矩阵中的各个行向量分别作为训练矿靶区推荐特征向量通过所述分类器以得到多个分类损失函数值；

计算所述训练空间拓扑全局矿靶区地质图像特征矩阵的行列凸分解一致性因数以得到行列凸分解一致性损失函数值；

以所述多个分类损失函数值和所述行列凸分解一致性损失函数值的加权和作为损失函数值，并通过梯度下降的反向传播来对所述基于卷积神经网络模型的地质图像特征提取器、所述基于卷积神经网络模型的空间拓扑特征提取器、所述图神经网络模型和所述分类器进行训练。

8.根据权利要求7所述的基于图神经网络的找矿靶区优选方法，其特征在于，计算所述训练空间拓扑全局矿靶区地质图像特征矩阵的行列凸分解一致性因数以得到行列凸分解一致性损失函数值，包括：

以如下损失公式计算所述训练空间拓扑全局矿靶区地质图像特征矩阵的行列凸分解一致性因数以得到所述行列凸分解一致性损失函数值；

其中，所述损失公式为：

；

；

；

其中，表示所述训练空间拓扑全局矿靶区地质图像特征矩阵的第/>位置的特征值，/>和/>分别是所述训练空间拓扑全局矿靶区地质图像特征矩阵第/>个行向量的均值向量和列向量的均值向量，/>表示向量的一范数，/>表示矩阵的Frobenius范数，/>是特征向量的长度，且/>、/>和/>是权重超参数，/>表示函数，/>表示所述行列凸分解一致性损失函数值，/>表示向量乘法。

9.一种基于图神经网络的找矿靶区优选系统，其特征在于，包括：

图像获取模块，用于获取待勘探地区的地质遥感图像；

图像特征分析模块，用于对所述待勘探地区的地质遥感图像进行图像特征分析以得到全局矿靶区地质关联特征；

最优推荐矿靶区确定模块，用于基于所述全局矿靶区地质关联特征，确定最优推荐矿靶区；

其中，所述图像特征分析模块，用于：

从所述待勘探地区的地质遥感图像提取多个矿靶区感兴趣区域；

对所述多个矿靶区感兴趣区域进行拓扑关联特征提取以得到空间拓扑特征矩阵；

对所述多个矿靶区感兴趣区域进行图像特征提取以得到全局矿靶区地质图像特征矩阵；

对所述空间拓扑特征矩阵和所述全局矿靶区地质图像特征矩阵进行关联编码以得到空间拓扑全局矿靶区地质图像特征矩阵作为所述全局矿靶区地质关联特征。