目 錄
第1章 緒論 1
1.1 地質科學研究范式 1
1.2 地質科學大數據的內涵 3
1.3 地質科學大數據挖掘的基本任務 4
1.3.1 面向多源、多類型文本的挖掘 8
1.3.2 面向多類型復雜地質圖件的挖掘 9
1.3.3 面向圖文數一體化的知識挖掘 10
1.4 常用的數據挖掘工具與軟件 10
1.4.1 Python 10
1.4.2 其他常用的數據挖掘建模工具 14
1.4.3 常用的中文分詞工具 16
1.4.4 數據標注平臺 17
參考文獻 23
第2章 機器學習與深度學習 26
2.1 機器學習發展史 26
2.2 機器學習的分類 26
2.3 典型的機器學習算法 32
2.3.1 支持向量機 32
2.3.2 決策樹 34
2.3.3 人工神經網絡 35
2.4 典型的深度學習算法 36
2.4.1 現代卷積神經網絡 36
2.4.2 現代循環神經網絡 38
2.4.3 大語言模型 39
2.5 Python算法的實現 40
2.5.1 基于支持向量機的地質命名實體識別 40
2.5.2 基于決策樹的地質命名實體識別 42
2.5.3 基于人工神經網絡的地質命名實體識別 43
2.5.4 基于現代卷積神經網絡的地質命名實體識別 44
2.5.5 基于現代循環神經網絡的地質命名實體識別 48
2.5.6 基于遷移學習的地質命名實體識別 51
2.5.7 基于大語言模型的地質命名實體識別 52
參考文獻 54
第3章 數據清洗與預處理 56
3.1 數據清洗 56
3.2 地質文本數據預處理 59
3.3 地質圖像數據預處理 62
3.3.1 幾何校正 62
3.3.2 去噪 64
3.3.3 主圖區域的定位 67
3.3.4 膨脹與腐蝕處理 67
3.4 地質數據增強方法 68
3.4.1 面向文本數據的增強方法 68
3.4.2 面向圖件數據的增強方法 72
3.5 數據標注 76
3.6 數據一致性檢驗 78
3.7 Python主要的數據預處理函數 79
參考文獻 80
第4章 地質命名實體識別算法及實現 81
4.1 相關分析 81
4.2 典型算法 82
4.2.1 基于ALBERT-BiLSTM-CRF模型的地質命名實體識別 82
4.2.2 基于BERT-BiGRU-Attention-CRF模型的地質命名實體識別 86
4.3 Python算法實現 89
4.4 面向地質報告的命名實體識別應用案例 91
4.4.1 ALBERT框架下基于多特征融合的工程地質命名實體識別 91
4.4.2 顧及文本上下文信息的礦產資源地質命名實體識別 95
參考文獻 98
第5章 地質實體關系智能抽取算法及實現 100
5.1 相關分析 100
5.2 實體關系抽取 101
5.2.1 實體關系抽取的研究現狀 101
5.2.2 實體關系抽取的典型算法 103
5.2.3 實體關系抽取工具 115
5.3 Python算法實現 124
5.3.1 BERT-BiGRU-CRF模型 124
5.3.2 TPLinker模型 125
5.3.3 GPLinker模型 127
5.3.4 CasRel模型 129
5.4 應用案例 131
5.4.1 面向地質報告的實體關系抽取 131
5.4.2 面向地質災害的實體關系抽取 134
參考文獻 139
第6章 地質報告表格檢測與內容識別算法及實現 144
6.1 相關分析 144
6.2 典型算法 145
6.2.1 基于Mask RCNN的目標檢測模型 145
6.2.2 基于Attention-Mask RCNN的表格解析模型 147
6.3 Python算法實現 148
6.3.1 Mask RCNN模型構建 148
6.3.2 表格內容識別 153
6.3.3 表格結構解析 154
6.4 應用案例 156
參考文獻 164
第7章 地質圖中圖例與字符自動識別算法及實現 168
7.1 相關分析 168
7.2 典型算法 169
7.2.1 地質圖自動理解分析 169
7.2.2 基于DT-SE-ResNet50模型的地質圖例識別 170
7.2.3 基于CRNN模型的地質圖字符識別 171
7.3 Python算法實現 172
7.3.1 基于DT-SE-ResNet50模型的地質圖例識別算法實現 172
7.3.2 基于CRNN模型的地質字符識別算法實現 174
7.4 應用案例 175
參考文獻 181
第8章 柵格地質圖自動分割算法及實現 184
8.1 相關分析 184
8.2 典型算法 185
8.2.1 基于BP神經網絡的彩色地質圖面-線-點要素信息智能提取 185
8.2.2 基于UNet模型與Felz聚類算法的彩色地質圖分割 186
8.3 Python算法實現 192
8.4 應用案例 195
參考文獻 198