基于RPCA-ResNet混合学习框架的航磁数据矿物远景预测新方法

针对深部隐伏矿体弱磁异常提取难题，中国科学院研究人员提出RPCA-ResNet混合学习框架，通过IALM-RPCA算法分离背景场与弱信号，结合残差网络实现85.17%预测精度，较传统方法提升7～12%，为覆盖区铁矿勘探提供智能解译新范式。

　　

随着中国浅层铁矿资源逐渐枯竭，深部隐伏矿体的勘探成为保障资源供给的关键挑战。在山东中部成矿带，厚覆盖层导致的航磁信号衰减使得传统地球物理方法难以捕捉弱磁异常，而常规机器学习模型又受限于浅层架构对复杂时空模式的解析能力。这一矛盾促使中国科学院团队开展了一项创新研究，其成果发表在《Journal of Asian Earth Sciences》上，为智能矿产勘探开辟了新路径。

研究团队采用三项核心技术：1）基于Inexact Augmented Lagrange Multiplier（IALM）算法的鲁棒主成分分析（RPCA），从覆盖区航磁数据中分离弱异常；2）融合多尺度特征的残差神经网络（ResNet）架构，解决梯度消失问题；3）整合156个矿化点与248个非矿化点的验证数据集进行模型训练。

【信息提取方法】
通过加权系数优化的IALM-RPCA算法，成功从2000nT至-900nT的复杂磁场中提取出与钻孔验证靶区空间吻合的弱异常，信噪比提升显著。

【深学习模型构建】
设计的RPCA-ResNet模型在测试集达到85.17%准确率，较支持向量机和决策树回归提升7～12%，其残差连接机制有效解决了传统CNN在深层训练中的梯度衰减问题。

【磁铁矿成矿潜力图】
预测结果显示：齐河-禹城矿段概率值55～65%，济南矿段达75%以上，与已知矿床分布高度一致，成功圈定出4处新找矿靶区。

【讨论与结论】
该研究突破性地实现了三个目标：1）RPCA算法在厚覆盖区的弱信号增强效果优于传统位场分离方法；2）ResNet架构首次应用于航磁数据解译，验证了深度学习在矿产预测中的优越性；3）构建的混合框架将勘探靶区面积缩小60%，在第四系覆盖区展现出重大应用价值。研究不仅为山东中部BIF型（条带状铁建造）优质磁铁矿勘探提供技术支撑，更建立了地球物理信号处理与深度学习交叉融合的新范式，对全球覆盖区矿产资源预测具有示范意义。