GFM4MPM: Towards Geospatial Foundation Models for Mineral Prospectivity Mapping

机器学习（ML）在矿产远景勘探图（MPM）中仍然是一个具有挑战性的问题，因为它需要分析大规模多模式地理空间数据与少量历史矿产商品观测（正标签）之间的关联。最近的MPM研究探索了深度学习（DL）作为具有更多表示能力的建模工具。然而，这些过度参数化的方法可能更容易过度拟合，因为它们依赖于稀缺的标记数据。虽然存在大量未标记的地理空间数据，但以自监督的方式利用这些信息的先前MPM工作并未考虑到。我们的MPM方法使用一个遮蔽图像建模框架，以单独使用未标记的地理空间数据的方式预先训练骨干神经网络。预训练后，骨干网络提供下游MPM任务的特征提取。我们评估了我们的方法以及现有方法，以评估北美和澳大利亚的密西西比河谷型（MVT）和碎屑为主导的（CD）铅锌矿床的矿产远景。我们的结果表明，自我监督促进了学习特征的鲁棒性，提高了远景预测的准确性。此外，我们利用可解释的人工智能技术，从地质学的角度证明可以解释单个预测。

如何利用大规模多模式地理空间数据和有限的历史矿产商品观测数据进行矿产前景绘制（MPM）是一个具有挑战性的问题。本文尝试通过自我监督的方式利用未标记的地理空间数据来预训练神经网络，并提取特征进行下游的MPM任务，以提高矿产前景预测的准确性和鲁棒性。

本文提出了一种使用掩码图像建模框架进行自我监督预训练的方法，以提高神经网络的特征提取能力，从而提高矿产前景预测的准确性和鲁棒性。

实验结果表明，自我监督方法提高了学习到的特征的鲁棒性，并提高了矿产前景预测的准确性。此外，本文还使用可解释的人工智能技术从地质学角度解释了预测结果。

最近的相关研究包括使用深度学习进行MPM的方法，但这些方法往往过度依赖有限的标记数据，容易出现过拟合问题。本文提出的自我监督方法可以利用大量未标记的地理空间数据，提高特征提取的鲁棒性，是一种有前途的方法。