摘要：矿产资源潜力评价主要目的之一是通过整合和分析地质找矿大数据以缩小找矿区域.地质找矿大数据具有数据量大、结构复杂等特征,常常无法对其进行有效地处理和解释.人工智能算法是挖掘地质找矿大数据中潜在非线性矿化模式的有效工具,已经在矿产预测领域表现出优越性能.然而,人工智能驱动的矿产预测目前面临一些挑战,如可解释性差、泛化能力弱、预测结果与物理规律不一致等.本文在前人研究的基础上,将领域知识嵌入人工智能驱动的矿产预测全过程,建立了更加透明和可解释的矿产预测人工智能模型.该模型提供了强大的成矿知识和专家经验指导矿产预测人工智能模型训练的全过程,包括数据输入、模型设计及模型输出等环节,从而提高矿产预测人工智能模型的可解释性和预测性能.总体而言,可解释性矿产预测人工智能模型实现了整个建模过程中先验知识和专家经验的嵌入,为未来矿产预测研究提供了一个有价值和前景的方向.

摘要：地球物理和地球化学异常是找矿的重要依据 .地球物理和地球化学异常取决于地层、构造在成矿时间上的多样性与空间上排列、叠置的复杂性 .地层、构造因素是构造、岩浆、沉积与成矿地球化学等多种动力学过程的综合反映 .这些岩石和构造的因素以及动力过程相互渗透和影响决定了最终地质、地球物理与地球化学场 .本文提出的在GIS环境下实现的分形奇异值分解 (MSVD)异常重建方法 ,不仅可以提取地球物理和地球化学等异常 ,而且能够进一步刻画其中的线性和环状构造、细微的局部纹理结构特征 .该方法首先对地球物理和地球化学等网格数据进行二维矩阵的奇异值分解 ,之后用左特征向量矩阵与右特征向量矩阵的直积构造一个正交完备基 .地球物理和地球化学二维数据可以投影到该正交基上 ,其投影系数是矩阵的奇异值 .在该正交完备空间的某些子空间上对地球物理和地球化学等数据进行滤波 .为了选择子空间 ,本文定义了上述正交完备基中的能谱密度、能谱半径 (或尺度 )与能量测度 .在此基础上与空间域及频率域类比 ,探讨了能量测度与能谱密度呈现分形 (fractal和bifractal)规律 .利用分形关系的间断点 ,设计分形奇异值重建算子 ,实现对地球物理和地球化学异常的分解 .