Enhancing Lithological Mapping with Spatially Constrained Bayesian Network (SCB-Net): An Approach for Field Data-Constrained Predictions with Uncertainty Evaluation

地质图是地球科学中非常宝贵的信息来源。它们提供了关于矿产勘探、自然灾害易损性和许多其他应用的见解。这些地图是使用数值或概念模型创建的，这些模型使用地质观测结果来外推数据。地质统计技术传统上用于生成可靠的预测结果，考虑到数据固有的空间模式。然而，随着辅助变量数量的增加，这些方法变得更加繁琐。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。为了解决这些限制，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的信息，同时产生受空间约束的预测。它由两部分组成，第一部分专注于学习辅助变量中的潜在模式，而第二部分则集成地面真实数据和第一部分中学习到的嵌入。此外，为了评估模型的不确定性，使用了一种称为蒙特卡罗丢失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，并展示了其在生成受现场数据约束的岩性图的潜力，同时允许评估预测不确定性以进行决策。本研究突出了深度神经网络在地质统计中的有前途的进展，特别是在处理复杂的空间特征学习任务方面，从而导致改进的空间信息技术。

论文旨在解决地质学中使用地质观测数据生成地质图时，传统地质统计学方法在处理大量辅助变量时变得更加繁琐，并且传统机器学习方法在处理空间相关数据和提取非线性信息时存在困难的问题。

论文提出了一种新的框架，称为空间约束贝叶斯网络（SCB-Net），旨在有效利用辅助变量的信息，同时产生空间约束预测。SCB-Net由两部分组成，第一部分专注于学习辅助变量中的潜在模式，而第二部分则整合了地面实测数据和第一部分学习的嵌入。此外，为了评估模型的不确定性，使用了一种称为蒙特卡罗dropout的贝叶斯近似技术。

论文在北部魁北克省的两个选定区域应用了SCB-Net，并展示了其在生成受现场数据约束的岩性图方面的潜力，同时允许评估决策的预测不确定性。该研究强调了深度神经网络在地质统计学中的有希望的进展，特别是在处理复杂的空间特征学习任务方面，从而实现了改进的空间信息技术。

在该领域的最新相关研究包括《Deep Learning for Geostatistics: A Comprehensive Review》、《Geological mapping with artificial intelligence: a review》等。