来自大别山深成侵入岩图像深度迁移学习的可解释性研究

岩石图像识别是以深度学习为代表的感知智能在地质领域的典型应用场景。已有研究显示网络结构简单的深度卷积神经网络能够在岩石图像上取得比复杂网络结构高的分类准确率。这与ImageNet数据集上网络结构越深越好的趋势相悖。如何解释这一现象？深成侵入岩为显晶质,自形—半自形粒状结构,块状构造,其分类的依据是其矿物成分及相对含量。大别山地区岩浆活动广泛,中生代深成侵入岩广泛出露。岩石类型包括超镁铁质岩类、辉长岩类、闪长岩类、正长岩类、二长岩类和花岗岩类,基本覆盖IUGS推荐的深成侵入岩分类方案中的岩石类型。选取大别山地区中生代深成岩图像开展不同网络结构预训练模型迁移学习对比试验,能够专注于深度学习对矿物成分特征的学习解释,降低构造因素的影响。借助局部可理解的模型解释技术和特征图可视化技术,分别从全连接层分类决策区域可视化和卷积隐层可视化两方面对深度学习模型开展可解释性研究。结果表明简单网络结构的卷积神经网络能够提取不同矿物所表现出的颜色特征以及不同矿物组合所表现出的纹理特征。AlexNet模型的削减试验进一步证明：对于岩石图像深度学习,网络结构并不总是越深越好。     

来自大别山深成侵入岩图像深度迁移学习的可解释性研究

岩石图像识别是以深度学习为代表的感知智能在地质领域的典型应用场景。已有研究显示网络结构简单的深度卷积神经网络能够在岩石图像上取得比复杂网络结构高的分类准确率。这与ImageNet数据集上网络结构越深越好的趋势相悖。如何解释这一现象？深成侵入岩为显晶质,自形—半自形粒状结构,块状构造,其分类的依据是其矿物成分及相对含量。大别山地区岩浆活动广泛,中生代深成侵入岩广泛出露。岩石类型包括超镁铁质岩类、辉长岩类、闪长岩类、正长岩类、二长岩类和花岗岩类,基本覆盖IUGS推荐的深成侵入岩分类方案中的岩石类型。选取大别山地区中生代深成岩图像开展不同网络结构预训练模型迁移学习对比试验,能够专注于深度学习对矿物成分特征的学习解释,降低构造因素的影响。借助局部可理解的模型解释技术和特征图可视化技术,分别从全连接层分类决策区域可视化和卷积隐层可视化两方面对深度学习模型开展可解释性研究。结果表明简单网络结构的卷积神经网络能够提取不同矿物所表现出的颜色特征以及不同矿物组合所表现出的纹理特征。AlexNet模型的削减试验进一步证明：对于岩石图像深度学习,网络结构并不总是越深越好。     

胶东各类型金矿床黄铁矿化学成分标型特征

黄铁矿是金矿床中重要的载金矿物,对其成分标型进行深入研究可以获得大量矿床成因方面的信息。采用δFe δS、δFe/δS As、(Fe+S) As体系对胶东各类型金矿中的黄铁矿的主微量元素进行了详细研究,得出胶东石英脉型、蚀变岩型和层间滑脱带型金矿成矿期黄铁矿的主微量元素化学成分标型特征。结果表明石英脉型和蚀变岩型金矿成矿期黄铁矿的δFe δS、δFe/δS As、(Fe+S) As体系都具有明显分区特征,这反映了其成矿环境的差异。研究结果证实了该方法适用于胶东各亚类型金矿的研究,并对金矿床中黄铁矿化学成分标型的进一步研究及胶东金矿床的成因和找矿工作具有重要的借鉴意义。     

金矿中的黄铁矿标型特征

黄铁矿是金矿中最常见的金属矿物,它不仅与金的矿化有着密切联系,而且还是主要的载金矿物.通过对黄铁矿的形态、物性、主成分及微量元素等标型特征的研究,可反映金矿床的不同成因,也是预测成矿远景地段、指导深部找矿的有效方法之一.文章对黄铁矿在金矿中的标型特征进行了归纳总结,以期对金矿床的勘探有一定的指导意义.     

中国不同成因类型金矿床的黄铁矿成分标型特征及统计分析

黄铁矿是各类矿床中普遍出现的矿物,在金矿床中更是重要的载金矿物,对其成分标型进行深入研究可以获得大量成因信息。近些年对于各个矿区黄铁矿成分标型的研究很多,但对各成因类型金矿床中黄铁矿的成分标型特征进行系统研究的文献还未见报道。文章提出用δFe-δS的投图方法对各成因类型金矿床的黄铁矿主量元素进行研究,并得出了各类型金矿床黄铁矿的主量元素标型特征。对于金矿床中黄铁矿的微量元素特征,文中运用Co-Ni-As质量比三角图对各成因类型金矿床中的黄铁矿微量元素进行分析,得出了各成因类型金矿床黄铁矿微量元素标型特征。火山热液型、岩浆热液型、变质热液型和卡林型金矿床具有各自不同特征：火山热液型微量元素富含Mo、Sn中温元素,岩浆热液型富含Ti、Cr、Mo、Hg高中低温元素,变质热液型富含Ti、Cr高温元素,卡林型富含Tl（253×10-6）、Hg（547.52×10-6）低温元素,与Au相关的元素也各有区别,火山热液型和岩浆热液型以Se、Te等为特征,变质热液型以Sb,Bi等为特征,卡林型以Hg、Tl、Zn等为特征,主微量元素蛛网图显示各类型矿床元素演化趋势各异,含量也各异。Co-Ni-As图显示火山热液和岩浆热液具有相同的分布区（1或2区）,而变质热液和卡林型各有自己的分布区（3和4区）。S同位素数据显示各成因类型的S来源于各自的花岗岩、变质岩、沉积岩,δ34S变化范围从浅成低温热液型、岩浆热液型、变质热液型到卡林型依次增大。因此,黄铁矿主微量元素蛛网图、δFe-δS的主量元素投图方法,以及Co-Ni-As微量元素投图方法是良好的黄铁矿成分标型研究方法。我们的研究结果对金矿中黄铁矿标型的研究以及金矿床的成因类型判别和找矿具有借鉴意义。     

基于深度学习的镜下矿石矿物的智能识别实验研究

矿石矿物鉴定的智能化是智能地质学和智能矿床学的基础技术之一。计算机视觉技术和深度学习理论使矿石矿物鉴定的智能化成为可能。本研究基于深度学习系统Tensor Flow,以吉林夹皮沟金矿和河北石湖金矿的黄铁矿、黄铜矿、方铅矿、闪锌矿等硫化物矿物为例,设计有针对性的Unet卷积神经网络模型,有效自动提取矿相显微镜下矿石矿物的深层特征信息,实现镜下矿石矿物智能识别与分类。实验显示,模型在训练过程中,随着训练次数的增加,模型精度在不断增大,损失函数不断减小;经过3000个批处理之后,模型精度和损失函数基本趋于稳定。训练出的模型对测试集中的显微镜镜下矿石矿物照片的识别成功率均高于90%,说明实验所建立的模型,具有很好的图像特征提取能力,能完成镜下矿石矿物智能识别的任务。     

地质领域机器学习、深度学习及实现语言

地质大数据正在以指数形式增长。只有发展智能数据处理方法才有可能追上大数据的超常增长。机器学习是人工智能的核心,是使计算机具有智能的根本途径。机器学习已成为地质大数据研究的前沿热点,它将让地质大数据插上翅膀,并因此改变地质。机器学习是一个源于数据的模型的训练过程,最终给出一个面向某种性能度量的决策。深度学习是机器学习研究中的一个重要子类,它通过构建具有很多隐层的机器学习模型和海量的训练数据,来学习更有用的特征,从而最终提升分类或预测的准确性。卷积神经网络算法是最为常用的一种深度学习算法之一,它广泛用于图像识别和语音分析等。Python语言在科学领域的地位占据着越来越重要。其下的Scikit-Learn是一个机器学习相关的库,提供有数据预处理、分类、回归、聚类、预测、模型分析等算法。Keras是一个基于Theano/Tensorflow的深度学习库,可以应用来搭建简洁的人工神经网络。     

基于深度学习的智能矿物识别方法研究

矿物识别在许多研究领域都有着重要作用,基于深度学习技术的智能矿物识别为这些领域带来了新的发展方向,不仅能有效节省人工成本,还能减小识别错误。针对石英、角闪石、黑云母、石榴石和橄榄石共5种矿物进行实验,提出了一种准确高效的智能矿物识别方法。实验采用图像分析常用的卷积神经网络建立模型,设计出一套基于残差神经网络的矿物识别方法。本实验独立采集了5种矿物的偏光显微图像数据集,用于模型的训练、验证和测试,并通过合理的数据增强策略来扩充训练数据集。在卷积神经网络的结构设计上,选取了ResNet-18作为框架,最终于模型测试中取得89%的准确率,成功训练出一个较为精准的矿物识别模型,实现了基于深度学习的智能矿物识别方法。     

基于循环神经网络的找矿模型构建与预测

在大数据和人工智能背景下,基于已有的传统地质找矿模型建立与应用基础,提出基于循环神经网络的找矿模型构建与预测方法,实现对地质数据的深入分析和理解。针对地质找矿模型构建与预测的需求,结合数据清洗理论,对传统地质找矿模型进行归纳与总结,建立地质找矿知识库,为深度学习算法提供训练数据。通过分类算法研究,综合对比结果的准确率与分类所用时间,最终选用RNN分类算法对找矿概念模型进行分类。在建立研究区找矿模型中,通过关键词与控矿要素完成模型匹配,利用模型计算对模型匹配结果进行数据分析,实现区域地质找矿模型的构建与矿产资源的预测评价和分析。以大水金矿为例,快速准确地实现了找矿模型的构建,有效地对矿产资源预测工作提供了指导,验证了该方法的可行性。     

深度学习在地质学上的应用

自Hinton等使用基于卷积神经网络的深度学习模型赢得Image Net分类比赛以来,深度学习的研究席卷了各个行业。通过介绍深度学习的历史,探索国内地质行业中深度学习模型的使用情况,并介绍深度学习的基础概念(如神经元、神经网络、监督学习和无监督学习等)以及深度学习基础模型中的2个重要网络:深度信念网络(DBN)和卷积神经网络(CNN)。在此基础上,类比深度学习在医学等相关领域的应用,提出了深度学习在地质上的几点应用:利用深度学习在计算机视觉上表现出的强大能力,可以对遥感图像进行聚类、对岩石样品图像进行分类、对岩石薄片数据进行描述;利用深度学习对原始数据表现出的强大识别能力,处理地质异常数据,从而确定成矿靶区的可能位置;利用深度学习的特点,对地震前的声信号数据进行处理,从而判断出地震发生前的剩余时间。     

Définition d'une limite multicritère ; stratigraphie du passage Campanien–Maastrichtien du site géologique de Tercis (Landes,SW France)Definition of a multi-criteria boundary; stratigraphy of the Campanian–Maastrichtian interval of the geological site at Tercis (Landes,SW France)

Lithostratigraphy, physicochemical stratigraphy, biostratigraphy, and geochronology of the 77–70 Ma old series bracketing the Campanian–Maastrichtian boundary have been investigated by 70 experts. For the first time, direct relationships between macro- and microfossils have been established, as well as direct and indirect relationships between chemo-physical and biostratigraphical tools. A combination of criteria for selecting the boundary level, duration estimates, uncertainties on durations and on the location of biohorizons have been considered; new chronostratigraphic units are proposed. The geological site at Tercis is accepted by the Commission on Stratigraphy as the international reference for the stratigraphy of the studied interval. To cite this article: G.S. Odin, C. R. Geoscience 334 (2002) 409–414.     

Late Wuchiapingian (Late Dzhulfian,early Late Permian) limestone olistolites within the Tertiary flysch of Glypia Unit (Mount Parnon,central–eastern Peloponnesus,Greece)

Some olistolites reworked in a Tertiary flysch of Mount Parnon (Peloponnesus, Greece) exhibit a Late Permian assemblage, dominated by Paradunbarula (Shindella) shindensis, Hemigordiopsis cf. luquensis and Colaniella aff. minima. This association corresponds to the Late Wuchiapingian (=Late Dzhulfian), a substage whose algae and foraminifera are generally little known. Contemporaneous limestones crop out in the middle part of the Episkopi Formation in Hydra, but they are rather commonly reworked in Mesozoic and Cainozoic sequences. The palaeobiogeographical affinities shared by the foraminiferal markers of Greece, southeastern Pamir, and southern China, are very strong (up to the specific level), and are congruent with the Pangea B reconstructions. To cite this article: E. Skourtsos et al., C. R. Geoscience 334 (2002) 925–931.     

PALEONTOLOGY

正20141596 Liu Yunhuan(School of Earth Sciences and Resources,Chang’an University,Xi’an 710054,China);Shao Tiequan Early Cambrian Quadrapyrgites Fossils of Xixiang Boita in Southern Shaanxi Province(Journal of Earth Sciences and Environment,ISSN1672-6561,CN61-1423/P,35(3),2013,p.39-43,3 illus.,20 refs.)     

GEOCHEMICAL EXPLORATION

正20141719 Chen Zhijun(State Key Laboratory of Geological Processes and Mineral Resources,China University of Geosciences,Wuhan 430074,China);Chen Jianguo Automated Batch Mapping Solution for Serial Maps:A Case Study of Exploration Geochemistry Maps(Journal of Geology,ISSN1674-3636,CN32-1796/P,37(3),2013,p.456-464,2 illus.,2 tables,10 refs.)     

MICROPALAEONTOLOGY

正20140962 Chen Fenning(Xi’an Institute of Geology and Mineral Resources,Xi’an710054,China);Chen Ruiming Late Miocene-Early Pleistocene Ostracoda Fauna of Gyirong Basin,Southern Tibet(Acta Geologica Sinica,ISSN0001-5717,CN11-1951/P,87(6),2013,p.872-886,6illus.,56refs.)     

PETROLOGY

正1.IGNEOUS PETROLOGY20142008Cai Jinhui(Wuhan Center,China Geological Survey,Wuhan 430205,China);Liu Wei Zircon U-Pb Geochronology and Mineralization Significance of Granodiorites from Fuzichong Pb-Zn Deposit,Guangxi,South China(Geology and Mineral Resources of South China,ISSN1007-3701,CN42-1417/P,29(4),2013,p.271-281,7illus.,     

ENVIRONMENTAL GEOLOGY

正20141205Cheng Weiming(State Key Laboratory of Resources and Environmental Information System,Institute of Geographic Sciences and Natural Resources Research,CAS,Beijing 100101,China);Xia Yao Regional Hazard Assessment of Disaster Environment for Debris Flows:Taking Jundu Mountain,Beijing as an     

PROSPECTING EXPLORATION

正20141266Fan Chaoyan(Guangdong Provincial Key Laboratory of Mineral Resources and Geological Processes,Guangzhou 510275,China);Wang Zhenghai On Error Analysis and Correction Method of Measured Strata Section with Wire Projection Method(Journal of     

OCEANOGRAPHY & MARINE GEOLOGY

正20140582 Fang Xisheng(Key Lab.of Marine Sedimentology and Environmental Geology,First Institute of Oceanography,State Oceanic Administration,Qingdao 266061,China);Shi Xuefa Mineralogy of Surface Sediment in the Eastern Area off the Ryukyu Islands and Its Geological Significance(Marine Geology Quaternary Geology,ISSN0256-1492,CN37     

ENVIRONMENTAL GEOLOGY

正20141810 Bian Yumei(Geological Environmental Monitoring Center of Liaoning Province,Shenyang 110032,China);Zhang Jing Zoning Haicheng,Liaoning Province,by GeoHazard Risk and Geo-Hazard Assessment(Journal of Geological Hazards and Environment Preservation,ISSN1006-4362,CN51-1467/P,24(3),2013,p.5-9,2 illus.,tables,refs.)