GFM4MPM: Towards Geospatial Foundation Models for Mineral Prospectivity Mapping

要約

鉱物予測マッピング (MPM) のための機械学習 (ML) は、大規模なマルチモーダル地理空間データと少数の歴史的な鉱物商品観察 (肯定的なラベル) との間の関連性の分析を必要とするため、依然として困難な問題です。
最近の MPM の研究では、より多くの表現能力を備えたモデリング ツールとしてディープ ラーニング (DL) が検討されています。
ただし、これらの過剰パラメータ化手法は、希少なラベル付きデータに依存するため、過学習が発生しやすい可能性があります。
ラベルのない地理空間データは大量に存在しますが、これまでの MPM の研究では、そのような情報を自己監視された方法で使用することは考慮されていませんでした。
私たちの MPM アプローチでは、マスクされた画像モデリング フレームワークを使用して、ラベルなしの地理空間データのみを使用して自己教師ありの方法でバックボーン ニューラル ネットワークを事前トレーニングします。
事前トレーニング後、バックボーン ネットワークはダウンストリーム MPM タスクの特徴抽出を提供します。
私たちは、北米とオーストラリアのミシシッピ渓谷型 (MVT) および砕屑主体型 (CD) 鉛亜鉛鉱床の鉱物の有望性を評価するための既存の方法と並行して、このアプローチを評価しました。
私たちの結果は、自己監視が学習された特徴の堅牢性を促進し、見通しの予測を向上させることを示しています。
さらに、説明可能な人工知能技術を活用して、個々の予測が地質学的観点から解釈できることを実証します。

要約(オリジナル)

Machine Learning (ML) for Mineral Prospectivity Mapping (MPM) remains a challenging problem as it requires the analysis of associations between large-scale multi-modal geospatial data and few historical mineral commodity observations (positive labels). Recent MPM works have explored Deep Learning (DL) as a modeling tool with more representation capacity. However, these overparameterized methods may be more prone to overfitting due to their reliance on scarce labeled data. While a large quantity of unlabeled geospatial data exists, no prior MPM works have considered using such information in a self-supervised manner. Our MPM approach uses a masked image modeling framework to pretrain a backbone neural network in a self-supervised manner using unlabeled geospatial data alone. After pretraining, the backbone network provides feature extraction for downstream MPM tasks. We evaluated our approach alongside existing methods to assess mineral prospectivity of Mississippi Valley Type (MVT) and Clastic-Dominated (CD) Lead-Zinc deposits in North America and Australia. Our results demonstrate that self-supervision promotes robustness in learned features, improving prospectivity predictions. Additionally, we leverage explainable artificial intelligence techniques to demonstrate that individual predictions can be interpreted from a geological perspective.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google