Все данные → единый датасет → анализ → прогноз → цели заверки
Как Cratona превращает разрозненные геоданные территории в проверяемый прогноз и короткий список целей.
Мы сравниваем семь архитектур — от Random Forest до свёрточных сетей с FiLM-слиянием геохимии — и работаем ансамблем. Свёрточные модели видят текстуру и взаимное расположение признаков, а не только их средние, и лучше переносятся на новые территории.
| Модель | Архитектура | Вход | Геохимия | Неопределённость |
|---|---|---|---|---|
| M0a | Random Forest (500 деревьев) | 108 = 54 кан. × (mean + std) | нет | std деревьев |
| M0b | Random Forest (500 деревьев) | 128 = 108 + 15 геохим. | конкатенация | std деревьев |
| M1a | FCNN 108→128→64→1 | 108 | нет | MC-Dropout ×20 |
| M1b | FCNN 128→128→64→1 | 108 + 15 геохим. | конкатенация | MC-Dropout ×20 |
| M2a | CNN, 54 канала | 64×64×54 | нет | MC-Dropout ×20 |
| M2b | CNN, 54 канала | 64×64×54 | конкатенация | MC-Dropout ×20 |
| M2c | CNN + FiLM | 64×64×54 | FiLM | MC-Dropout ×20 |
Модель выполняет прогноз 20 раз со случайно отключённой частью сети. Если результаты повторяются, прогноз считается устойчивым. Если оценки заметно различаются, участок отмечается как зона повышенной неопределённости.
Модель обучается на одних регионах и проверяется на других, которые не использовались при обучении. Такой подход показывает, насколько устойчиво она работает за пределами исходных данных и как может переносить закономерности на новые площади.
Архитектура ConvNeXt с интеграцией геохимических признаков через механизм FiLM показала наилучшее качество разделения рудных и фоновых участков среди протестированных моделей. Распределение прогнозных оценок для двух классов перекрывается меньше, поэтому модель устойчивее ранжирует территорию по перспективности. При этом степень уверенности оценивается отдельно по стабильности прогнозов и уровню неопределённости.
Как устроена лучшая одиночная модель: многоканальный энкодер ConvNeXt с частично замороженными слоями (transfer learning), FiLM-модуляция признаков геохимией и голова предсказания с MC-Dropout. На выходе — карта вероятности, карта неопределённости, топ-N целей и раскладка важности признаков.
AUC-ROC показывает, насколько хорошо модель ранжирует территорию по перспективности. Чем выше показатель, тем чаще участки с известным оруденением получают более высокий рейтинг, чем фоновые участки. Качество модели проверяется на территориях, которые не использовались при её обучении.
