监督空-谱双支深度学习模型的地球化学异常识别方法

本发明提供了一种监督空‑谱双支深度学习模型的地球化学异常识别方法，涉及地球科学技术领域，该方法的空间分支通过图卷积神经网络来有效地捕捉地球化学空间模式并提取相邻像素之间的空间关系，由于图结构的灵活性，还可考虑地球化学元素分布的空间异质性；谱分支由循环神经网络组成，具有处理序列数据的强大能力，以研究单个像素内的地球化学元素组合。最后，构建一个基于线性层的融合网络融合两个分支提取的高级空间特征和谱特征，并使用softmax激活函数进行分类任务。本发明可同时考虑地球化学异常的空间特征和谱特征，通过交叉熵损失函数来最小化异常预测值和标签(矿点及非矿点)之间的差值，以此训练模型并高效圈定地球化学异常。