掩码矿物建模：基于地理空间插值实现大陆规模矿物勘探

矿物在实现脱碳化所需的先进能源技术中发挥着关键作用,但对地下隐蔽矿床的表征仍昂贵且具有挑战性。受最近Generative建模进展的启发,我们开发了一种学习方法,通过对地理空间资源可用性地图进行掩码和填补来推断矿物位置。我们以美国四分之一以内地区的矿物数据为演示,并训练了高性能模型,最佳模型在测试数据上达到Dice系数$0.31 \pm 0.01$和召回率$0.22 \pm 0.02$。我们方法的一个主要优势是可以轻松地将辅助数据源纳入预测,这些数据可能比矿物数据更丰富。我们通过添加来自地球物理源的输入层,以及一幅全国范围的土壤地面调查(原本用于农业目的)来展示了该模型的能力。我们发现,利用此类辅助特征可以提高推断性能,同时也能在无记录矿物的地区实现模型评估。