利用空间约束贝叶斯网络(SCB-Net)增强岩性制图：一种带不确定性评估的现场数据约束预测方法

地质图是地球科学中极其宝贵的信息来源。它们为矿产勘探、自然灾害脆弱性以及许多其他应用提供了见解。这些地图是利用数值或概念模型创建的，这些模型使用地质观测数据来外推数据。传统上，地质统计学技术被用于生成可靠的预测，同时考虑数据中固有的空间模式。然而，随着辅助变量数量的增加，这些方法变得更加劳动密集。此外，传统的机器学习方法通常难以处理空间相关数据并从地球科学数据集中提取有价值的非线性信息。为了解决这些局限性，开发了一种称为空间约束贝叶斯网络(SCB-Net)的新架构。SCB-Net旨在有效利用辅助变量中的信息，同时产生空间约束的预测。它由两部分组成，第一部分侧重于学习辅助变量中的潜在模式，而第二部分则整合了地面真实数据和第一部分学习到的嵌入。此外，为了评估模型不确定性，采用了一种称为蒙特卡洛dropout的技术作为贝叶斯近似。SCB-Net已应用于加拿大魁北克北部的两个选定区域，并展示了其在生成现场数据约束的岩性图方面的潜力，同时允许评估预测不确定性以支持决策。本研究强调了深度神经网络在地质统计学中的有前景的进展，特别是在处理复杂空间特征学习任务方面，从而改进了空间信息技术。