第41卷第4期2022年12月吉林地质JILINGEOLOGYVol.41No.4Dec.2022文章编号:1001—2427(2022)04—51—6卷积神经网络在地球化学异常识别中的应用———以吉林省辉南—江源一带铁矿为例钟羽1，2，曹梦雪1，2，尹冬妹1，2，路来君1，21.成都理工大学数理学院，四川成都610059;2.成都理工大学数学地质四川省重点实验室，四川成都610059摘要:地球化学异常识别在矿产勘查中发挥着重要作用。本文利用机器学习方法解决矿产勘查问题，有助于人们能全面考虑地质变量并对模型的可靠性进行评价。以吉林省靖宇区铁矿床为研究案例，采用研究区地表Fe元素浓度及分布位置数据，绘制Fe元素浓度图，运用卷积神经网络算法，挖掘地表Fe元素分布与矿体地下位置空间的关系。经过25次训练后，模型的准确率可达到96.88%，损失函数值仅为0.16。通过本文研究发现:卷积神经网络可以深入探索地表元素分布与矿体地下位置联系。该模型揭示出元素在地表的分布与矿体的空间对应关系。传统地球化学异常识别是通过对研究区元素含量水平进行统计分析。在地球化学勘察中仅区分研究区背景和异常，根据背景值的强弱来划分异常，但背景和异常没有一个“清晰”的界限，在不同条件下，背景和异常可以相互转换。在此情形下，仅通过对异常值的识别不能反映地表元素与地下矿体的关联性。本文转变以往思路，运用卷积神经网络模型表达矿体位置与元素分布之间的对应关系，可以为未来地球化学异常识别研究提供参考方向。关键词:地球化学异常识别;机器学习;深度学习;卷积神经网络;铁矿床中图分类号:P632;TP183文献标识码:B收稿日期:2022-10-18;改回日期:2022-12-06基金项目:国家自然科学基金(41802245)作者简介:钟羽(1995—)，男，吉林吉林市人，成都理工大学数理学院在读硕士。Applicationofconvolutionalneuralnetworkingeochemicalanomalyidentification:takingtheironmineinHuinan－JiangyuanareaofJilinProvinceasanexampleZHONGYu1，2，CAOMengxue1，2，YINDongmei1，2，LULaijun1，21.CollegeofMathematicsandPhysics，ChengduUniversityofTechnology，Chengdu610059，Sichuan，China;2.KeyLaboratoryofGeomathematicsofSichuanProvince，ChengduUniversityofTechnology，Chengdu610059，Sichuan，ChinaAbstract:Identificationofgeochemicalanomaliesplaysanimportantroleinmineralexploration．Inthispaper，machinelearn-ingmethodisusedtosolvemineralexplorationproblems，whichhelpspeoplet...
