DOI: https://doi.org/10.5194/gmd-19-2593-2026
تاريخ النشر: 2026-04-07
المؤلف: Zijing Luo وآخرون
الموضوع الرئيسي: الكيمياء الجيولوجية ورسم الخرائط الجيولوجية
نظرة عامة
يتطلب الانتقال إلى الطاقة النظيفة تكثيف الاستكشاف للمعادن الحيوية، وخاصة العناصر الأرضية النادرة (REEs)، حيث تصبح الرواسب السطحية التقليدية أقل جدوى. تقدم هذه الدراسة DEEP-SEAM v1.0، وهو إطار عمل مبتكر للتعلم العميق شبه المراقب القابل للتفسير مصمم لرسم خرائط الاحتمالية لتعدين REE في مقاطعة كيرنامونا الشمالية، جنوب أستراليا. يتناول الإطار التحديات التي تطرحها مجموعات بيانات الاستكشاف المعقدة، بما في ذلك عدم الخطية، والتباين، وندرة بيانات التدريب، من خلال استخدام خط أنابيب شامل لمعالجة البيانات ونموذج كشف الشذوذ شبه المراقب المعروف باسم شبكة الانحراف (DevNet).
تستخدم DevNet عددًا محدودًا من العينات الإيجابية بالتزامن مع مجموعة واسعة من البيانات غير المصنفة لإنشاء خريطة بين بيانات الاستكشاف متعددة المصادر واحتمالية التمعدن. تكشف النتائج عن وجود ارتباط مكاني قوي بين مناطق التمعدن المحتملة ورواسب REE المعروفة، مع وجود مناطق عالية الاحتمالية تقع بشكل أساسي في المناطق المكسورة، والجرانيت الفلزي، والطبقات الميسوبروتيروزويك. لتعزيز قابلية تفسير نموذج التعلم العميق، تتضمن الدراسة طريقة SHapley Additive exPlanations (SHAP)، التي توضح عمليات اتخاذ القرار في DevNet. لا يحسن هذا النهج فقط شفافية النموذج ولكنه يعزز أيضًا موثوقية مناطق التمعدن المتوقعة من خلال مواءمة مخرجات النموذج مع المعرفة الجيولوجية الراسخة.
مقدمة
تناقش مقدمة الورقة أهمية العناصر الأرضية النادرة (REEs)، والتي تشمل اللانثانيدات وعناصر مثل الإيتريوم والسكنديم، في مختلف الصناعات الحديثة، وخاصة في أنظمة الدفاع والتقنيات الخضراء. يبرز المؤلفون التحديات في كشف الشذوذ (AD) ضمن نماذج التنبؤ بالمعادن (MPM)، مشيرين إلى أن خوارزميات AD شبه المراقبة التقليدية غالبًا ما تفترض أن الشذوذ تشترك في خصائص مشابهة. تقدم هذه الورقة DEEP-SEAM v1.0، وهو إطار عمل للتعلم العميق شبه المراقب القابل للتفسير مصمم لتعزيز قابلية تفسير وفعالية التنبؤ بالمعادن من خلال دمج بيانات الاستكشاف متعددة المصادر.
تستهدف الدراسة بشكل خاص تمعدن REE في مقاطعة كيرنامونا الشمالية في جنوب أستراليا، باستخدام مجموعة بيانات شاملة مفتوحة الوصول تشمل بيانات جيولوجية وجيوفيزيائية واستشعار عن بعد وبيانات كيميائية. لتحسين جودة البيانات وتقليل الضوضاء، يطبق المؤلفون تحليل ارتباط سبيرمان وتحليل المكونات الرئيسية القوي (RPCA). يستخدم الإطار شبكة الانحراف (DevNet) لكشف الشذوذ، مستفيدًا من عدد قليل من العينات المصنفة جنبًا إلى جنب مع مجموعة أكبر من البيانات غير المصنفة. بالإضافة إلى ذلك، يعزز استخدام SHapley Additive exPlanations (SHAP) شفافية النموذج، مما يسمح بفهم أفضل للعوامل المؤثرة على التنبؤات، وهو أمر حاسم لتخفيف مخاطر الاستكشاف في التنبؤ بالموارد المعدنية.
النتائج
تقدم الدراسة نموذج تعلم عميق شبه مراقب (DL)، DevNet، الذي يدمج بيانات الاستكشاف متعددة المصادر لإنشاء خريطة احتمالية المعادن. باستخدام بيانات جيولوجية وجيوفيزيائية وكيميائية واستشعار عن بعد ونموذج ارتفاع رقمي (DEM)، يقوم النموذج ببناء 57 ميزة لكل عينة، مما يلتقط بفعالية العلاقات المعقدة بين هذه الميزات واحتمالات التمعدن. تشير مقاييس تقييم الأداء، بما في ذلك الدقة ومعامل كابا لكوهين ومعامل ارتباط ماثيوز (MCC)، إلى أن DevNet يؤدي بشكل جيد في التمييز بين المناطق المتمعدنة وغير المتمعدنة، حيث تحتوي أعلى 2% من منطقة الدراسة على 86% من الرواسب المعدنية المعروفة.
تسلط النتائج الضوء على أن مناطق التمعدن ذات الإمكانيات العالية تقع بشكل أساسي ضمن توزيعات الجرانيت الفلزي، المرتبطة بالأنشطة الحرارية المائية الحيوية لعمليات التمعدن. تؤكد تحليل معدل النجاح دقة النموذج، مما يظهر ارتباطات مكانية كبيرة مع حدوث المعادن المعروفة وميزات جيولوجية مثل مناطق الصدع والطبقات الميسوبروتيروزويك. لتعزيز قابلية التفسير، تستخدم الدراسة مخططات قرار SHAP، مما يكشف أن جرعة الإشعاع الأرضي هي عامل رئيسي يؤثر على درجات احتمالية التمعدن العالية، مما يتماشى مع المعرفة الجيولوجية الحالية. بشكل عام، توفر النتائج رؤى قيمة لجهود الاستكشاف المعدني المستقبلية في منطقة الدراسة.
المناقشة
تعد مقاطعة كيرنامونا، الواقعة في شمال شرق جنوب أستراليا، منطقة جيولوجية مهمة تتميز بتاريخ معقد من الأحداث التكتونية والمغناطيسية والمتحولة من عصور الباليو بروتيروزويك إلى الميسوبروتيروزويك. تشتهر هذه المنطقة بإمكاناتها المعدنية الغنية، حيث تستضيف رواسب متنوعة، بما في ذلك رواسب الرصاص والزنك والفضة والذهب الشهيرة عالميًا في بروكن هيل ووجودات كبيرة من النحاس والذهب واليورانيوم والعناصر الأرضية النادرة (REE) والقصدير والتنجستين. الرواسب الأرضية النادرة في منطقة الدراسة، التي تقع بشكل أساسي ضمن انزلاقات جبل باينتر وجبل بباباج، هي في الغالب من نوع السكارن، مع بعض الرواسب التي تظهر أصول حرارية مائية أو متحولة أو ميتاسوماتية. ومن الجدير بالذكر أن منطقة جبل باينتر تحتوي أيضًا على موارد كبيرة من اليورانيوم، متأثرة بالأجسام الجرانيتية والصخور الرسوبية المتحولة.
تستخدم الدراسة نهج تكامل بيانات شامل، مستفيدة من البيانات الجيولوجية والجيوفيزيائية والاستشعار عن بعد والبيانات الكيميائية لإنشاء نموذج مفاهيمي للتمعدن. توفر طبقات البيانات الجيولوجية رؤى حول عمليات التمعدن وهجرة السوائل، بينما تعزز البيانات الجيوفيزيائية، بما في ذلك المسوحات المغناطيسية والجاذبية، فهم الهياكل تحت السطحية ورواسب REE المحتملة. يتم الاستفادة من تقنيات الاستشعار عن بعد لتحليل المعادن المتغيرة حراريًا، وتساهم نماذج الارتفاع الرقمية (DEMs) في فهم تأثير التضاريس على التمعدن. يكشف تحليل البيانات الكيميائية عن التباين المكاني في توزيع REE، مع استخدام طرق متقدمة لمعالجة جودة البيانات وتفسير العلاقات بين العمليات الجيولوجية والتمعدن. تختتم الدراسة بتطوير إطار عمل للتعلم العميق، DEEP-SEAM، الذي يحدد بفعالية مناطق احتمالية المعادن من خلال دمج مجموعات بيانات الاستكشاف متعددة المصادر واستخدام نهج التعلم شبه المراقب.
DOI: https://doi.org/10.5194/gmd-19-2593-2026
Publication Date: 2026-04-07
Author(s): Zijing Luo et al.
Primary Topic: Geochemistry and Geologic Mapping
Overview
The clean energy transition necessitates intensified exploration for critical minerals, particularly rare earth elements (REEs), as traditional surface deposits become less viable. This study introduces DEEP-SEAM v1.0, an innovative explainable semi-supervised deep learning (DL) framework designed for prospectivity mapping of REE mineralization in the Northern Curnamona Province, South Australia. The framework addresses the challenges posed by complex exploration datasets, including non-linearity, heterogeneity, and sparse training data, by employing a comprehensive data preprocessing pipeline and a semi-supervised anomaly detection model known as the Deviation Network (DevNet).
DevNet effectively utilizes a limited number of positive samples in conjunction with a vast array of unlabelled data to establish a mapping between multi-source exploration data and mineralization probability. The findings reveal a strong spatial correlation between prospective mineralization areas and known REE deposits, with high-probability regions predominantly located in faulted areas, felsic granites, and Mesoproterozoic strata. To enhance the interpretability of the DL model, the study incorporates the SHapley Additive exPlanations (SHAP) method, which elucidates the decision-making processes of DevNet. This approach not only improves the transparency of the model but also reinforces the reliability of the predicted mineralization areas by aligning the model’s outputs with established geological knowledge.
Introduction
The introduction of the paper discusses the significance of rare earth elements (REEs), which include lanthanides and elements like yttrium and scandium, in various modern industries, particularly in defense systems and green technologies. The authors highlight the challenges in anomaly detection (AD) within mineral prediction models (MPM), noting that traditional semi-supervised AD algorithms often assume that anomalies share similar characteristics. This paper introduces DEEP-SEAM v1.0, an explainable semi-supervised deep learning framework designed to enhance the interpretability and effectiveness of mineral prediction by integrating multi-source exploration data.
The study specifically targets REE mineralization in the northern Curnamona Province of South Australia, utilizing a comprehensive open-access dataset that includes geological, geophysical, remote sensing, and geochemical data layers. To improve data quality and reduce noise, the authors apply Spearman correlation analysis and robust principal component analysis (RPCA). The framework employs the Deviation Network (DevNet) for anomaly detection, leveraging a small number of labeled samples alongside a larger set of unlabeled data. Additionally, the use of SHapley Additive exPlanations (SHAP) enhances model transparency, allowing for a better understanding of the factors influencing predictions, which is crucial for mitigating exploration risks in mineral resource prediction.
Results
The study presents a semi-supervised deep learning (DL) model, DevNet, which integrates multi-source exploration data to create a mineral prospectivity map. Utilizing geological, geophysical, geochemical, remote sensing, and digital elevation model (DEM) data, the model constructs 57 features for each sample, effectively capturing the complex relationships between these features and mineralization probabilities. Performance evaluation metrics, including accuracy, Cohen’s Kappa Coefficient, and Matthews Correlation Coefficient (MCC), indicate that DevNet performs well in distinguishing between mineralized and non-mineralized areas, with the top 2% of the study area containing 86% of known mineral deposits.
The results highlight that high-potential mineralization areas are predominantly located within felsic granite distributions, which are associated with hydrothermal activities critical for mineralization processes. The success rate analysis further confirms the model’s accuracy, demonstrating significant spatial correlations with known mineral occurrences and geological features such as fault zones and Mesoproterozoic strata. To enhance interpretability, the study employs SHAP decision plots, revealing that ground radiation dose is a key factor influencing high mineralization probability scores, aligning with existing geological knowledge. Overall, the findings provide valuable insights for future mineral exploration efforts in the study area.
Discussion
The Curnamona Province, located in northeastern South Australia, is a significant geological terrane characterized by a complex history of tectonic, magmatic, and metamorphic events from the Paleoproterozoic to Mesoproterozoic eras. This region is notable for its rich mineral potential, hosting various deposits, including the world-renowned Broken Hill lead-zinc-silver-gold deposit and significant occurrences of copper-gold, uranium-rare earth elements (REE), and tin-tungsten. The REE deposits in the study area, primarily located within the Mesoproterozoic Mount Painter and Mount Babbage inliers, are predominantly of skarn type, with some exhibiting hydrothermal, metamorphic, or metasomatic origins. Notably, the Mount Painter region also contains substantial uranium resources, influenced by granitic bodies and metamorphosed sedimentary rocks.
The study employs a comprehensive data integration approach, utilizing geological, geophysical, remote sensing, and geochemical data to establish a conceptual model of mineralization. The geological data layers provide insights into mineralization processes and fluid migration, while geophysical data, including magnetic and gravity surveys, enhance the understanding of subsurface structures and potential REE deposits. Remote sensing techniques are leveraged to analyze hydrothermally altered minerals, and digital elevation models (DEMs) contribute to understanding the topography’s influence on mineralization. Geochemical data analysis reveals spatial variability in REE distribution, with advanced methods employed to address data quality and interpret relationships between geological processes and mineralization. The study culminates in the development of a deep learning framework, DEEP-SEAM, which effectively identifies mineral prospectivity areas by integrating multi-source exploration datasets and employing a semi-supervised learning approach.