基于岩石地球化学数据和深度学习的成矿岩体多金属判别及找矿预测研究

本发明公开了一种多源数据融合的矿区精细用地分类方法，首先获取多源数据进行预处理并多尺度分割得到影像对象，并对影像对象裁剪高分影像块用于深度特征提取；然后，多分支卷积神经网络模型自动提取特征列向量和深度语义特征；利用多源特征深度融合模块进行特征融合并利用特征重要性权重计算模块计算多源数据深度特征重要性权重，实现有效信息的自适应融合；最后通过随机森林分类器利用深度融合特征进行矿区地物精细分类，得到矿区用地精细分类结果。本发明提供一种多源数据融合的矿区精细用地分类方法，实现了矿区精细用地分类，为矿区用地监测、管理和矿区生态环境保护提供基础数据支持，对于矿区用地监测管理与生态环境保护具有重要意义。

本发明属于地质学与深度学习技术交叉领域，具体涉及一种基于深度学习的铀矿物扫描电镜图像分类方法，包括如下步骤：步骤S1：采集和建立扫描电镜下铀矿物图像样本数据集；步骤S2：扩大铀矿物扫描电镜样本数据集数量，得到增强后的铀矿物扫描电镜图像样本数据集UraniumDataset；步骤S3：将步骤S2中UraniumDataset按照比例划分训练数据集、测试数据集和验证数据集；步骤S4：构建轻量级卷积神经网络MobileNet模型；步骤S5：将训练数据集输入到改进的L‑MobileNet模型中进行训练；步骤S6：利用铀矿物扫描电镜图像分类模型对铀矿物扫描电镜图像进行识别分类，得到铀矿物类型的名称。

本发明属于铀矿技术领域，具体涉及一种碱交代型铀矿深部找矿靶区预测方法，包括：步骤1、构建成矿模式；步骤2、提取区域成矿核心要素，构建地质找矿模型；步骤3、物化探方法组合模式，定位钠交代体中的铀钍矿体；步骤4、预测评价深部成矿潜力。本发明方法依据多元信息预测评价模型，包括成矿地质因素评价、地面物化探异常评价和深部井中能谱铀、钍、钾异常评价，以缩小勘查靶区范围，指示深部成矿信息，提高找矿效率。