编辑推荐：
地球化学异常检测对矿产勘探意义重大，但面临数据采样稀疏、地球化学模式空间变异性及模型局限等带来的不确定性挑战。研究人员融合序贯高斯协同模拟（SGCS）与基于蒙特卡罗随机失活（MC Dropout）的卷积神经网络（CNNs）开展研究，结果提升了异常检测精度，为勘探决策提供依据。
在矿产勘探领域，地球化学异常检测是寻找潜在矿床的关键环节。然而，实际操作中却困难重重。一方面，数据采样稀疏，就好比在广袤的大地上，只采集了寥寥几个点的数据，难以反映全貌；另一方面，地球化学模式的空间变异性复杂，不同区域的元素分布规律差异极大，增加了检测的难度。此外，传统的异常检测模型也存在局限性，无法精准识别异常。这些问题严重阻碍了矿产勘探的效率和准确性，迫切需要新的方法来解决。
为此，国内研究人员开展了一项融合创新的研究。他们将序贯高斯协同模拟（SGCS）与基于蒙特卡罗随机失活（MC Dropout）的卷积神经网络（CNNs）相结合，用于地球化学异常检测和不确定性评估。研究结果令人瞩目，该方法不仅提高了异常检测的准确性，还能对不确定性进行可靠评估。这一成果对于矿产勘探意义重大，能够帮助勘探人员更精准地确定勘探区域，减少不必要的资源浪费，提高勘探效率，相关论文发表在《Applied Geochemistry》。
研究中用到的主要关键技术方法包括：序贯高斯协同模拟（SGCS），利用多元高斯框架模拟空间分布，综合多种信息提升空间预测的准确性；基于蒙特卡罗随机失活（MC Dropout）的卷积神经网络（CNNs），通过在训练和推理中应用随机失活技术，生成多个随机预测，从而实现对不确定性的估计。
研究结果
- SGCS 及不确定性分析结果：在进行 SGCS 之前，研究人员对地球化学数据集进行了预处理。对砷（As）、金（Au）、汞（Hg）和锑（Sb）的浓度进行对数变换，以减轻数据的偏态性，增强空间建模的稳健性。选用指数变差函数模型，有效表征了变换后变量的空间自相关性，捕捉到了其内在的空间变异性。将研究区域离散化为 1000 米单元格大小的网格，为后续模拟奠定基础。通过 SGCS 生成了地球化学数据的多个实现，这些实现考虑了未采样位置的潜在分布，为量化地球化学模式的不确定性提供了依据。
- 基于 MC Dropout 的 CNNs 异常检测结果：将 SGCS 生成的多个实现作为增强训练数据输入到基于 MC Dropout 的 CNNs 模型中。模型训练完成后，对研究区域进行地球化学异常检测。结果显示，所有已知金矿均位于异常概率超过 0.843 的区域。通过将预测概率与相关不确定性相结合，推导出了置信指数的空间分布，为后续勘探提供了结构化指导。
研究结论与讨论
本研究创新性地将 SGCS 和基于 MC Dropout 的 CNNs 模型相融合，在地球化学异常检测和不确定性量化方面取得了显著成果。这种融合方法不仅推进了地球化学异常的识别，还提供了可靠的不确定性评估，这在矿产勘探中至关重要。研究结果表明，该方法能够有效提升异常检测的精度，为勘探决策提供有力支持。
从实际应用角度来看，这种方法可以帮助勘探人员更科学地规划勘探路线，将有限的资源集中在最具潜力的区域，避免在低潜力区域浪费时间和资金。从学术研究角度，为地球化学异常检测领域提供了新的思路和方法，推动了相关技术的发展。然而，研究也存在一定的局限性，例如在处理极端复杂的地质环境时，模型的准确性可能会受到影响，未来需要进一步改进模型，以适应更复杂的情况。总体而言，这项研究为矿产勘探在不确定性环境下的高效决策提供了重要的技术支撑，具有广阔的应用前景和研究价值。
