《Mining》：Hyperparameter Optimization of Convolutional Neural Networks Using the Grey Wolf Optimizer for Mineral Prospectivity Mapping
编辑推荐：
卷积神经网络（convolutional neural networks, CNNs）在矿产远景制图（mineral prospectivity mapping, MPM）中已显示出相当大的潜力；然而，其预测性能在很大程度上取决于恰当的超参数优化。实践中，超参
卷积神经网络（convolutional neural networks, CNNs）在矿产远景制图（mineral prospectivity mapping, MPM）中已显示出相当大的潜力；然而，其预测性能在很大程度上取决于恰当的超参数优化。实践中，超参数通常通过试错法选择，这劳动强度大、耗时，且往往取决于用户对应用领域和算法的经验。本研究考察使用灰狼优化（grey wolf optimization, GWO）算法自动优化轻量级CNN的超参数，以用于区域尺度MPM。为展示所提流程，选取伊朗Kerman省Pariz斑岩铜矿区作为案例研究。基于该区域地质特征和斑岩铜矿化概念模型，生成代表不同成矿子系统的七个证据层，随后使用所提出的GWO-CNN模型和专家调优CNN对其进行集成。交叉验证结果表明，在传统分类指标上，两个模型均未持续优于另一方。GWO-CNN在AUC方面优于专家调优CNN（0.8对0.76），而两个模型取得相同平均准确率。然而，在面向勘探的评价方面，预测-面积（prediction-area, P-A）图显示GWO-CNN的预测率（76%）高于专家调优CNN（73%）。性能评价凸显了在模型评价中考虑远景面积的重要性。此外，最终远景图圈定了若干勘探靶区，这些靶区与侵入岩及其他与斑岩铜矿化相关的有利地质特征具有强空间关联。然而，一些靶区位于矿化相关信号弱且无已知矿化点（known mineral occurrences, KMOs）的区域。从生存偏差（survival bias）概念视角，这些区域可能代表未来深部矿产发现的机会。
研究背景与问题：矿产远景制图（MPM）是整合和分析不同尺度地学空间数据、识别新矿床勘探靶区的多步骤过程。矿床与地学特征之间的空间关系常为非线性且高度复杂，传统远景制图技术难以建模。过去二十年，机器学习（machine learning, ML）和深度学习（deep learning, DL）因能建模复杂非线性关系，在MPM中通常优于传统方法。卷积神经网络（CNN）作为监督DL算法，可通过卷积和池化层提取地学数据空间特征，自动识别与矿床空间相关的地质结构，减少对专家手工提取特征的依赖。然而，CNN性能受架构和超参数设置影响，关键超参数如层数、卷积核数量、dropout率、学习率等直接影响性能。实际中常通过试错选择超参数，劳动密集、耗时且依赖经验，最优配置还随数据集变化。元启发式算法如GWO已被用于优化CNN超参数，但在MPM中，据研究人员所知，本研究首次考察GWO用于CNN超参数优化。由于MPM输入尺寸限制，深层CNN有时不实用，浅层轻量CNN更可行但更需调参。因此，研究人员在伊朗Pariz斑岩铜矿区开展研究，固定CNN架构，用GWO优化学习率、卷积核数量、epochs和全连接层神经元数，并与专家调优CNN比较。
关键技术方法概括：研究使用1:100,000地质图、ASTER多光谱影像和伊朗地质调查局（Geological Survey of Iran, GSI）1:100,000区域地球化学调查的292件水系沉积物ICP-MS数据。基于斑岩铜矿床（porphyry copper deposits, PCDs）概念模型生成七个证据层：距断层、距侵入岩、泥化、绢英岩化、青磐岩化、硅化蚀变及多元素地球化学层；蚀变用逻辑算子算法（logical operator algorithms, LOA）提取，连续化采用logistic加权，地球化学层由分阶段因子分析（staged factor analysis, SFA）和地球化学矿化概率指数（geochemical mineralization probability index, GMPI）构建。以8×8像素网格提取1505个8×8×7样本，正样本为已知PCDs和矿点，负样本等量、随机、远离已知矿床和侵入体。CNN含两层卷积、2×2最大池化、全连接和dropout；GWO优化五个超参数，采用五折分层交叉验证，并以P-A图、AUC等评价。
结果：7. Results（结果）。研究人员采用五折分层交叉验证评估CNN模型。每折进行一次GWO优化，使用40个搜索代理，最大迭代次数20，固定随机种子42；优化值用于构建对应GWO-CNN并训练，随后预测全区远景度。专家调优CNN也用于生成PCDs远景图。五折预测平均生成最终远景图。两个模型均能有效圈定斑岩铜矿勘探潜在靶区，高远景值与侵入岩（花岗闪长岩侵入体）、周围火山岩及多数KMOs空间相关。与专家调优CNN相比，GWO-CNN产生更紧凑的远景区，高低远景区分更清晰，识别更小、更集中的勘探靶区，从而减少后续勘探搜索空间。训练曲线显示，两模型损失和准确率表现可接受且相似，约在同一epoch收敛；但训练和测试准确率曲线波动，主要因样本量小，测试集仅9个样本，单个预测正确或错误可使测试准确率变化约11.1%。训练和测试损失总体下降，表明分类性能逐步改善；最后epochs的阶梯状波动归因于样本量有限和准确率离散。P-A图显示，两远景模型均具有合适预测性能，但GWO-CNN预测率更高。根据P-A图交点计算归一化密度（normalized density, ND）指数和远景图权重：GWO-CNN将预测率从73%提高到76%，ND指数从2.7提高到3.17，权重从0.99提高到1.15。分类指标方面，专家调优CNN召回率略高（0.86），F1-score为0.75；GWO-CNN的AUC更高（0.80对0.76）。两模型平均精确率近似（专家调优CNN为0.67，GWO-CNN为0.68），准确率均为0.71。MPM可视为异常检测问题，召回率重要，专家调优CNN可减少漏矿风险；但GWO-CNN平均AUC更高，表明总体排序和区分性能更好。传统分类指标未捕捉在较小远景区内识别KMOs的能力，故基于P-A图选择GWO-CNN圈定后续勘探靶区。用P-A图最优阈值生成二值远景图后，多数KMOs位于有利区，预测靶区主要分布在侵入岩上或周围；除包含多数KMOs外，二值远景图还圈定若干有利区，可能为发现新PCDs的靶区。
讨论与结论：8. Discussion（讨论）。近期研究表明CNN因能学习复杂空间地学模式，在MPM中有效，可减少新矿床发现搜索空间；但超参数优化是限制数据驱动MPM方法有效应用的主要挑战之一，也见于随机森林等其他监督ML算法。CNN用于矿产勘探靶区圈定时，超参数优化对生成高预测性能的可靠远景模型至关重要。MPM是复杂空间预测问题，无单一评价指标能充分表征模型性能，应使用多指标评估。研究人员采用分类指标和面向勘探的P-A图、ND指数、远景图权重综合评价。GWO优化改善了CNN性能：预测率、ND指数、权重和平均AUC更优。预测率提高表明GWO-CNN能在更小面积内识别更大比例KMOs，减少搜索空间，提高后续勘探效率。另一方面，专家调优CNN平均召回率和F1-score更高，两者平均准确率相同，未显示某一模型明确优越。AUC为阈值独立评价，而精确率、召回率、F1-score和准确率在特定分类阈值下计算，可能受阈值选择影响，且不直接考虑远景区空间范围。GWO找到非传统超参数组合，如91个神经元、95个epochs和学习率0.0008480766147066523，不同于专家调优或网格搜索常用候选值；GWO在预定义范围内搜索，无需预先指定每个候选值，可探索更广配置。但不能仅凭本研究比较断定GWO优于其他超参数优化方法。训练准确率波动可能因小测试集和模型容量；轻量CNN适合MPM数据小尺寸特征，但更需适当调参。优化模型识别多数KMOs并圈定新靶区，多与侵入岩和火山岩强空间关联，符合斑岩铜矿成因：重复侵入事件提供热、金属和岩浆流体；Sarcheshmeh PCD热液蚀变和矿化围绕侵入岩株并大致同期。断裂也可能作为成矿流体通道。弱信号或无KMOs靶区按生存偏差概念不应视为假预测，可能是隐伏矿化。局限包括：监督MPM受训练数据质量、数量和空间分布影响；KMOs在模型开发和P-A评价中重复使用，性能不独立且可能乐观；仅优化超参数，CNN架构固定。未来应同时优化网络架构和超参数，并在不同矿床类型和地质背景中评估稳健性和泛化性。
9. Conclusions（结论）翻译：为应对基于CNN的矿产勘探靶区圈定中的超参数优化挑战，本研究探索使用GWO作为传统试错超参数调优的替代方案。主要发现如下：GWO有效识别了CNN模型的合适超参数组合，为MPM中人工超参数调优提供了自动且实用的替代方案。结果表明，仅分类指标不足以评估MPM模型，因为它们未考虑远景区的范围。与专家调优CNN相比，优化模型取得更好的总体性能，在AUC、预测率、ND指数和远景图权重方面均有改善。优化模型成功识别多数KMOs，同时产生空间上更集中的勘探靶区；从区域勘探角度看，这减少了搜索空间，促进靶区优先排序，并提高后续勘探计划效率。GWO-CNN圈定了若干勘探靶区，许多与有利地质特征具有强空间关联；此外，若干靶区位于矿化相关信号弱的区域，根据生存偏差概念，这些靶区可能代表隐伏矿化，因而为发现新矿床提供有希望的机会。结果表明，即使调优良好的轻量级（浅层）CNN也能为区域尺度MPM提供良好泛化能力和可靠预测性能，无论勘探数据集复杂程度如何。尽管所提方法在本案例研究中有效，但仅优化了CNN超参数，网络架构保持固定；未来研究应同时优化网络架构和超参数，并在不同矿床类型和地质背景中评估所提策略。
