GFM4MPM：面向矿物前景图的地理空间基础模型

矿物前景图（MPM）的机器学习方法仍是一个具有挑战性的问题，因为它需要分析大规模多模态地理空间数据与少量历史矿物商品观察（正标签）之间的关联。近期的 MPM 工作探索了深度学习（DL）作为建模工具，具有更大的表示能力。然而，这些过参数化的方法可能因依赖稀缺标记数据而更容易出现过拟合。虽然大量无标记地理空间数据存在，但目前没有任何 MPM 工作考虑以自监督方式利用此类信息。我们的 MPM 方法使用掩码图像建模框架，仅使用无标记地理空间数据以自监督方式预训练一个背板神经网络。预训练后，背板网络为下游 MPM 任务提供特征提取。我们评估了我们的方法与现有方法的表现，以评估美国和澳大利亚北美和澳洲的 Mississippi Valley Type（MVT）和 Clastic-Dominated（CD）铅锌矿 deposit 的矿物前景。我们的结果表明，自监督学习促进了所学特征的鲁棒性，提高了前景预测。此外，我们利用可解释人工智能技术表明，单个预测可以从地质学角度进行解释。