术体现在多模态数据多个共享特征融合层的深度神经网络地质图生成模型架构，其优势是能够通过多类型遥感以及地球物理、地球化学等数据进行高维特征的多层次融合，提升识别分类或预测的准确性；更好利用遥感、地球物理和地球化学等多模态数据的互补性，提取跨模态数据的高维空间特征......

会”。 　　本届学术年会包括3方面的内容。一是同位素基本概念及前沿理论。重点普及了同位素地球化学中常用且易混淆的基本概念，介绍了“高维度稳定同位素”这一国际同位素地球化学前沿和热点领域的最新研究进展。二是实验室技术方法取得的新进展。介绍了本年度同位素实验室研发的......

高光谱与地球化学数据挖掘实践中发现，地球化学数据中的元素序列与高光谱数据中的波段序列是可比的，波段序列数据与元素序列数据均可构成高维点阵空间，并且存在一定的相关性、呈正态分布。2004年，他们团队开始将高光谱遥感研究中获得的波段序结构分析思想，拓展到地球化学数据的......

大学徐金辉教授作“真相发现问题的全局最优算法及应用”学术报告。 　　徐金辉教授首先阐述了对大数据的理解，分析了大数据在大数据量、高维、约束、可靠性、分布式、非结构等方面存在的挑战，引出了通过“计算几何＋机器学习”方法解决大数据的思路；接着，总结了几种大数据挖掘中......

地质图深度学习预测地质图模型核心就是把近百年来地质人员填图的方法、经验和知识形成可计算的知识库，通过人工智能将各种原始数据转化为高维特征表达，最大化去发现和融合相关填图单位及岩性与多专业（涉及地物化遥）、多模态（矢量数据、栅格数据或空间数据和属性数据）、多尺度......