本书紧扣人工智能和深地资源探测国际学术前沿，主要介绍矿产资源潜力智能评价的概念和深度学习算法基本原理，重点介绍基于深度学习开展矿产资源潜力评价的具体实施步骤，包括软件环境配置、数据预处理、样本制作、模型构建及参数调节与优化等。本书可为解决深度学习用于矿产资源潜力评价中面临的训练样本少、模型构建难、可解释性差等难题提供方案。同时，本书可使读者在基于深度学习的矿产资源潜力智能评价方面快速入门，并能根据书中提供的实例，结合自己的数据开展矿产资源潜力智能评价。
本书既可作为矿产勘查科学研究及一线地质工作者的参考用书，也可作为深度学习及其应用与实践相关专业学生的教材。

左仁广，中国地质大学（武汉）地质过程与矿产资源国家重点实验室教授、博士生导师。曾于2013年入选“教育部新世纪优秀人才支持计划”，2015年获国家优秀青年科学基金项目资助，2016年获选国际应用地球化学家学会会士，2017年获选国际经济地质学家学会会士，2018年获教育部“青年长江学者”称号，2019年获评湖北省有突出贡献中青年专家。现（曾）任国际数学地球科学学会理事、国际应用地球化学家学会理事，国际科学引文索引（SCI）收录期刊Computers & Geosciences、Natural Resources Research、Ore Geology Reviews、Journal of Geochemical Exploration和Geochemistry: Exploration, Environment, Analysis的associateeditor，以及Journal of Earth Science、《地球科学》、《地质科技通报》和《矿床地质》等的编委会成员。
长期从事数学地球科学研究。主持国家优秀青年科学基金项目、湖北省杰出青年科学基金项目等10余项；主编SCI专辑4期；发表SCI论文100余篇，其中3篇论文曾入选基本科学指标数据库（ESI）高被引论文；获2项国家发明专利和4项软件著作权。研究成果曾获全国百篇优秀博士论文提名奖（2011年）、国土资源科学技术奖一等奖（2011年）、国家科学技术进步奖二等奖（2013年）、中国产学研合作创新成果奖一等奖（2019年）等。此外，还曾获中国高校GIS创新人物奖、中国地质学会青年地质科技奖金锤奖、侯德封矿物岩石地球化学青年科学家奖及国际地球化学学会Kharaka奖等荣誉。

第1章 绪论
1.1 矿产资源潜力评价概述
1.2 矿产资源潜力智能评价方法概述
1.2.1 智能认知
1.2.2 智能学习
1.2.3 智能决策
1.3 基于深度学习的地球化学异常识别
1.4 基于深度学习的矿产资源潜力评价
第2章 环境配置与样本制作
2.1 TensorFlow环境配置
2.2 数据准备
2.3 样本制作
2.4 数据增强
2.4.1 基于地质约束的数据增强方法
2.4.2 基于random-drop的数据增强方法
2.4.3 基于像素对匹配的数据增强方法
第3章 卷积神经网络
3.1 卷积神经网络基本原理
3.2 全卷积神经网络基本原理
3.3 参数优化
3.4 基于卷积神经网络的地球化学异常识别
3.4.1 案例介绍
3.4.2 模型框架
3.4.3 模型训练
3.4.4 模型输出
3.5 基于卷积神经网络的矿产资源潜力评价
3.5.1 案例介绍
3.5.2 模型框架
3.5.3 模型输入
3.5.4 模型训练
3.5.5 模型输出
3.6 基于卷积神经网络的地质填图
3.6.1 案例介绍
3.6.2 模型框架
3.6.3 模型输入
3.6.4 模型训练
3.6.5 模型输出
3.7 基于全卷积神经网络的岩性填图
3.7.1 案例介绍
3.7.2 模型框架
3.7.3 模型输入
3.7.4 模型训练
3.7.5 模型输出
第4章 循环神经网络
4.1 基本原理
4.2 基于循环神经网络的矿产资源潜力评价
4.2.1 案例介绍
4.2.2 模型框架
4.2.3 模型输入
4.2.4 模型训练
4.2.5 模型输出
第5章 深度自编码网络
5.1 基本原理
5.2 基于深度自编码网络的地球化学异常识别
5.2.1 案例介绍
5.2.2 模型框架
5.2.3 模型输入
5.2.4 模型训练
5.2.5 模型输出
5.3 基于深度自编码网络的矿产资源潜力评价
5.3.1 案例介绍
5.3.2 模型框架
5.3.3 模型输入
5.3.4 模型训练
5.3.5 模型输出
第6章 生成对抗网络
6.1 基本原理
6.2 基于生成对抗网络的地球化学异常识别
6.2.1 案例介绍
6.2.2 模型框架
6.2.3 模型输入
6.2.4 模型训练
6.2.5 模型输出
第7章 深度信念网络
7.1 基本原理
7.2 基于深度信念网络的地球化学异常识别
7.2.1 案例介绍
7.2.2 模型框架
7.2.3 模型输入
7.2.4 模型训练
7.2.5 模型输出
第8章 深度强化学习
8.1 基本原理
8.2 基于深度强化学习的矿产资源潜力评价
8.2.1 案例介绍
8.2.2 模型框架
8.2.3 模型参数
8.2.4 模型输入
8.2.5 模型训练
8.2.6 模型输出
第9章 图神经网络
9.1 基本原理
9.1.1 拓扑图构建
9.1.2 图卷积网络
9.1.3 图注意力网络
9.2 基于图神经网络的矿产资源潜力评价
9.2.1 案例介绍
9.2.2 模型框架
9.2.3 模型输入
9.2.4 模型训练
9.2.5 模型输出
第10章 深度自注意力网络
10.1 基本原理
10.2 基于深度自注意力网络的矿产资源潜力评价
10.2.1 案例介绍
10.2.2 模型框架
10.2.3 模型输入
10.2.4 模型训练
10.2.5 模型输出
第11章 基于地质约束的深度学习
11.1 地质约束深度学习概述
11.2 地质约束深度学习方法构建
11.3 基于地质约束深度学习的地球化学异常识别
11.3.1 案例介绍
11.3.2 模型框架
11.3.3 模型输入
11.3.4 模型训练
11.3.5 模型输出
11.4 基于地质约束深度学习的矿产资源潜力评价
11.4.1 案例介绍
11.4.2 模型框架
11.4.3 模型输入
11.4.4 模型训练
11.4.5 模型输出
第12章 计算机集群
12.1 计算机集群概述
12.2 基于计算机集群和卷积神经网络的地质填图
12.2.1 案例介绍
12.2.2 集群登录
12.2.3 数据上传和下载
12.2.4 程序运行
12.2.5 作业调度
12.2.6 结果输出
第13章 展望
13.1 数据与知识双重驱动的大数据矿产预测
13.2 矿产资源潜力评价知识图谱构建
13.3 深度学习模型构建
13.4 其他
参考文献
附录
附录1 基于滑动窗口的样本制作代码
附录2 基于地质约束的数据增强代码
附录3 基于窗口裁剪的数据增强代码
附录4 基于random-drop的数据增强代码
附录5 基于像素对匹配的数据增强代码
附录6 基于卷积神经网络的地球化学异常识别代码
附录7 基于卷积神经网络的矿产资源潜力评价代码
附录8 基于卷积神经网络和勘查地球化学数据的地质填图代码
附录9 基于全卷积神经网络的岩性填图代码
附录10 循环神经网络调参代码
附录11 基于循环神经网络的矿产资源潜力评价代码
附录12 基于深度自编码网络的地球化学异常识别代码
附录13 基于生成