迁移学习及其在固体地球科学中的应用

• 全文链接
• 请求原文

作   者：

林秋怡;  左仁广; 

作者机构：

中国地质大学（武汉）地质过程与矿产资源国家重点实验室;  中国地质大学（武汉）资源学院; 

关键词：

机器学习;  深度学习;  固体地球科学;  迁移学习; 

期刊名称：

地质科技通报

i s s n：

2096-8523

年卷期：

2025 年 44 卷 001 期

页   码：

346-356

摘   要：

随着地球科学进入大数据时代，机器学习成为可发现数据复杂结构与模式的新兴工具。作为机器学习的一个重要子领域，深度学习通过构建多层隐含层的方式，层层递进地学习海量数据内在特征，可达到提高分类或预测效果等目的。然而机器学习模型往往需要海量数据作为支撑，从而限制了其在固体地球科学领域的广泛应用，迁移学习算法的引入为解决这一问题提供了新的方案。迁移学习可通过利用预先学习类似任务的知识来提高新任务的性能，将源域学习到的知识迁移到目标域，可以在一定程度上克服训练数据不足的问题。迁移学习算法为机器学习在固体地球科学领域的应用提供了新的思路。本文简要综述了迁移学习的基本概念和类别，通过分析迁移学习在固体地球科学中的典型应用案例，讨论了现有迁移学习方法在固体地球科学领域中面临的挑战。当前，迁移学习方法已经在岩石矿物自动识别与分类、地球化学异常识别等方面表现出较大潜力，其具备提高模型泛化性能、避免过拟合的能力，在固体地球科学.领域具有广阔的应用前景。但目前迁移学习方法应用于固体地球科学领域的研究还相对较少，未来将持续针对源域数据集选择、迁移模型构建、负迁移评估及可解释性不足等问题开展更为深入的研究。