GeoGraphFormer: A Direction-Aware Graph Transformer for Regional Polymetallic Mineral Prospectivity Mapping

Resumo Técnico: GeoGraphFormer para Mapeamento de Prospecção Mineral Polimetálica Regional

Definição do Problema
O Mapeamento de Prospecção Mineral (MPM) regional enfrenta desafios significativos para representar com precisão a mineralização controlada estruturalmente. Métodos estatísticos e de aprendizado de máquina tradicionais frequentemente tratam a evidência espacial como isotrópica, falhando em capturar a continuidade direcional dos processos formadores de minério ao longo de falhas, contatos intrusivos e limites estratigráficos. Embora as Redes Neurais de Grafos (GNNs), como as Redes Convolucionais de Grafos (GCNs) e as Redes de Atenção de Grafos (GATs), tenham melhorado os métodos baseados em raster ao modelar a topologia espacial, elas sofrem de limitações críticas: as GCNs agregam características de forma isotrópica, suavizando sinais direcionais, enquanto as GATs focam no conteúdo das características sem codificar explicitamente a orientação das relações espaciais. Além disso, os Graph Transformers padrão, embora capazes de capturar dependências de longo alcance, tipicamente tratam as relações espaciais pareadas de forma simétrica, carecendo de um mecanismo para distinguir interações geológicas dependentes de orientação, essenciais para modelar gradientes geoquímicos anisotrópicos e controles estruturais.

Metodologia
Para abordar essas limitações, os autores propõem o GeoGraphFormer, uma estrutura de Graph Transformer sensível à direção, projetada para o mapeamento de prospecção mineral polimetálica regional no cinturão metalogênico de Lhasa-Woka. A metodologia integra o conhecimento do domínio geológico na arquitetura de aprendizado profundo por meio dos seguintes componentes:

1. Pré-processamento de Dados e Engenharia de Características:

   • Dados de Entrada: O modelo utiliza um conjunto de dados geoquímico-estruturais de 43 bandas, compreendendo 39 camadas de concentração elementar, uma camada de densidade de fraturas e três variáveis de balanço de log-razão isométrica (ILR) (B7, B8, B9).
   • Análise de Dados Composicionais (CoDA): Para abordar o problema do fechamento nos dados geoquímicos, as 3ções variáveis elementares são transformadas em três balanços ILR usando um método de Partição Binária Sequencial (SBP). Esses balanços representam associações de mineralização específicas (ex: elementos formadores de minério/traçadores, diferenciação Cu-Mo vs. W-Sn, e associações Pb-Zn).
   • Tokenização: A área de estudo é particionada em tiles de 16×16 pixels (resolução de 125m). Cada tile é tokenizado em 16 patches não sobrepostos de 4×4, criando uma sequência de tokens espaciais com um vetor de características de 43 dimensões por patch.

2. Arquitetura do Modelo:

   • GeoBandWeighting: Um mecanismo de portão (gating) aprendível aplicado antes do patch embedding que pondera adaptativamente os 43 canais de entrada, permitindo que o modelo suprima bandas espectrais não informativas e amplifique as geoquimicamente relevantes.
   • Patch Embedding & Codificação Posicional: Os patches são projetados em uma dimensão oculta (128) e aumentados com codificações posicionais senoidais 2D para preservar a localização espacial absoluta.
   • GeoRelAttn (Atenção Relacional Direcional): A inovação central substitui a autoatenção padrão por um mecanismo que incorpora vieses direcionais aprendíveis. A pontuação de atenção entre quaisquer dois patches é modulada por um viés escalar aprendível correspondente a uma de nove relações espaciais: Norte, Sul, Leste, Oeste, Nordeste, Noroeste, Sudeste, Sudoeste e Próprio (Self). Isso permite que o modelo aprenda padrões de atenção dependentes de orientação em vez de tratar todos os vizinhos igualmente.
   • GeoBlocks & Classificação: A arquitetura empilha três GeoBlocks (cada um contendo GeoRelAttn e uma Rede Feed-Forward) seguidos por uma cabeça de classificação baseada em token CLS para predição binária (mineralizado vs. não mineralizado).

3. Estratégia de Treinamento e Avaliação:

   • Aprendizado de Ensemble: Para mitigar o overfitting dado o conjunto de dados rotulados limitado (234 tiles: 117 mineralizados, 117 não mineralizados), os autores treinaram um ensemble de 10 modelos com diferentes sementes aleatórias. A predição final é derivada de uma seleção gulosa dos 5 melhores modelos baseados no AUC de validação.
   • Regularização: Técnicas incluem suavização de rótulos (ε=0.05), Média Móvel Exponencial (EMA) de parâmetros, Dropout de Monte Carlo para estimativa de incerteza e aumento de dados (giros e rotações).
   • Métricas: O desempenho é avaliado usando Acurácia, ROC-AUC, PR-AUC, F1-score, Sensibilidade e Especificidade em um conjunto de teste mantido separado.

Principais Resultados
Avaliado no conjunto de teste de Lhasa-Woka, o GeoGraphFormer alcançou:

• Acurácia: 91,67%
• ROC-AUC: 0,9444
• PR-AUC: 0,9478
• F1-Score: 0,9167
• Sensibilidade/Especificidade: Ambos com 91,67%

O modelo superou significativamente os modelos de base GCN (81,25% de acurácia, 0,8681 AUC) e GAT (83,33% de acurácia, 0,8854 AUC). Notavelmente, o GeoGraphFormer manteve uma sensibilidade e especificidade equilibradas, enquanto os modelos de base exibiram assimetria de recall de classe. O mapa de prospecção gerado delineou com sucesso nove zonas de alta probabilidade (I–IX) que se alinham com ocorrências minerais conhecidas (pórfiro, skarn e veios hidrotermais) e principais sistemas de falhas NW-SE e NE-SW.

Principais Contribuições e Significância
O artigo reivindica as seguintes contribuições e significâncias:

1. Aprendizado de Grafo Sensível à Direção: O GeoGraphFormer introduz um mecanismo inovador (GeoRelAttn) que codifica explicitamente a direcionalidade geológica como um viés indutivo aprendível dentro de um Graph Transformer. Isso aborda a "limitação isotrópica" de GNNs e Graph Transformers anteriores, permitindo que o modelo preserve sinais geológicos dependentes de orientação, como o enriquecimento paralelo a falhas e a continuidade estrutural.
2. Integração de Dados Composicionais e Estruturais: A estrutura combina efetivamente a análise de dados composicionais (balanços ILR) com variáveis estruturais (densidade de fraturas) e ponderação de canal adaptativa, criando um espaço de características informado geologicamente que respeita a natureza relativa dos dados geoquímicos.
3. Ponte entre Conhecimento Geológico e IA: O estudo demonstra que tratar a direção como um parâmetro aprendível, em vez de um atributo de coordenada fixo, permite que modelos baseados em grafos representem melhor a natureza anisotrópica dos sistemas formadores de minério. Isso aproxima a compreensão dos processos geológicos (ex: migração de fluidos ao longo de falhas) do aprendizado de representação de grafos.
4. Aplicação Prática: O modelo fornece uma estrutura robusta para o mapeamento de prospecção mineral polimetálica regional, identificando alvos de exploração que se alinham com as arquiteturas metalogênicas estabelecidas no cinturão de Gangdese.

Limitações e Modéstia das Alegações
Os autores reconhecem explicitamente algumas limitações:

• Tamanho dos Dados: O conjunto de dados rotulados é pequeno (234 tiles), o que é uma restrição para o aprendizado profundo, embora mitigado pelo ensemble e regularização.
• Generalização: O modelo foi avaliado em um único cinturão metalogênico; sua transferibilidade para outros contextos tectônicos requer validação adicional.
• Especificidade de Depósito: O modelo prevê a prospecção polimetálica regional binária, em vez de tipos de depósitos específicos (ex: distinguindo pórfiro de skarn).
• Validação: As zonas de alta probabilidade identificadas são alvos candidatos que requerem mapeamento de campo independente e amostragem geoquímica para confirmação. Os resultados são escores de prospecção relativa, não probabilidades calibradas de mineralização confirmada.

Em conclusão, o GeoGraphFormer oferece um avanço conceitual no mapeamento de prospecção mineral ao mudar da agregação espacial isotrópica para o aprendizado relacional sensível à direção e informado geologicamente, melhorando assim a fidelidade da representação do sinal estrutural em modelos de aprendizado profundo.