基于多尺度Transformer-图注意力网络的地球化学勘查

地球化学异常识别是地球化学勘查的重要任务。近年来，深度学习算法因其能够学习谱特征（地球化学元素浓度和元素组合）和空间模式（地球化学异常的空间尺度和结构），在地球化学异常识别中受到越来越多的关注。然而，由于地球化学异常通常表现为复杂的元素组合特征和空间异质性，传统的地球化学异常识别深度学习算法在联合建模长程特征关联和多尺度空间模式方面面临挑战。本研究提出了一种多尺度Transformer-图注意力网络（multiscale Transformer-graph attention network，MSTGAT）来解决上述难题。具体而言，采用Transformer作为谱分支以提取元素序列中的长程关联信息，同时构建多尺度图注意力网络（multiscale graph attention network，MSGAT）作为空间分支以提取不同尺度的空间结构特征并表征复杂的空间异质性。MSTGAT被应用于识别中国西秦岭造山带东段的天子坪-太阳寺地区的矿致地球化学异常。定量评估结果表明，该模型的识别性能优于基于单一谱分支或空间分支构建的模型。此外，本研究对Transformer和MSGAT的注意力权重进行可视化，以揭示关键地球化学指示以及空间耦合模式，从而有助于理解模型的运行机制。本研究识别的异常区可为研究区未来的找矿勘查提供指导。