本期编辑荐读为您精选Minerals 期刊“矿产勘查方法及应用”栏目在2022年发表的6篇文章，内容涵盖矿物颗粒自动分割与识别、重矿物地图、CSEM现场测试、机器学习算法、模糊层次分析法、储层质量预测，希望能为相关领域学者提供新的思路和参考，欢迎阅读。
01
Deep-Learning-Based Automatic Mineral Grain Segmentation and Recognition
基于深度学习的矿物颗粒自动分割与识别
Ghazanfar Latif et al.
https://www.mdpi.com/1578268
文章亮点：
(1) 深度学习的有效应用，可以自动识别矿物和计数。
(2) 本文提出了两种改进的残差网络架构来自动检测和计数单个矿物颗粒。
(3) 这是使用深度学习网络在该领域中达到的最高准确性。
识别二维码
阅读英文原文
原文出自Minerals 期刊：
Latif, G.; Bouchard, K.; Maitre, J.; Back, A.; Bédard, L.P. Deep-Learning-Based Automatic Mineral Grain Segmentation and Recognition. Minerals 2022, 12, 455.
02
The Heavy Mineral Map of Australia: Vision and Pilot Project
澳大利亚重矿物地图：愿景和试点项目
Patrice de Caritat et al.
https://www.mdpi.com/1749476
文章亮点：
(1) 本文描述了一个全国规模的重矿物地图的愿景。
(2) 本文预览了一个定制的、基于云的矿物网络分析 (MNA) 工具，以可视化、探索和发现重矿物之间以及它们与地质背景或矿床之间的关系。
(3) 预计澳大利亚重矿物地图和MNA工具将对矿产远景分析和建模做出重大贡献。
识别二维码
阅读英文原文
原文出自Minerals 期刊：
Caritat, P.d.; McInnes, B.I.A.; Walker, A.T.; Bastrakov, E.; Rowins, S.M.; Prent, A.M. The Heavy Mineral Map of Australia: Vision and Pilot Project. Minerals 2022, 12, 961.
03
First High-Power CSEM Field Test in Saudi Arabia
沙特阿拉伯首次高功率CSEM现场测试
Abdul Latif Ashadi et al.
https://www.mdpi.com/1856588
文章亮点：
(1) 本文在沙特阿拉伯沿海盐滩地区进行了初步高功率可控源电磁法 (CSEM) 的考察。
(2) 本文验证了该技术，并且能够检测和描述研究区域中潜在的经济卤水。
(3) 这是将CSEM方法应用于海湾国家油气、地热、二氧化碳封存、地下水、卤水锂等自然资源勘探开发的起点。
识别二维码
阅读英文原文
原文出自Minerals 期刊：
Ashadi, A.L.; Martinez, Y.; Kirmizakis, P.; Hanstein, T.; Xu, X.; Khogali, A.; Paembonan, A.Y.; AlShaibani, A.; Al-Karnos, A.; Smirnov, M.; et al. First High-Power CSEM Field Test in Saudi Arabia. Minerals 2022, 12, 1236.
04
Prospectivity Mapping of Heavy Mineral Ore Deposits Based upon Machine-Learning Algorithms: Columbite-Tantalite Deposits in West- Central Côte d'Ivoire
基于机器学习算法的重矿物矿床远景图：科特迪瓦中西部的铌钽矿床
Kassi Olivier Shaw, Kalifa Goïta and Mickaël Germain
https://www.mdpi.com/1952766
文章亮点：
(1) 本项研究旨在利用地貌和景观参数来模拟块状矿床的远景。
(2) 本文采用了监督下的自动分类方法，以找到一个足以捕捉数据性质的复杂的远景模型。
(3) 独立验证结果证实，与最终的SVM相比，KNN和RF远景模型的性能都略高。对中、高品位Nb-Ta矿床的KNN和RF远景模型的敏感性分析显示，预测率高达90%。
识别二维码
阅读英文原文
原文出自Minerals 期刊：
Shaw, K.O.; Goïta, K.; Germain, M. Prospectivity Mapping of Heavy Mineral Ore Deposits Based upon Machine-Learning Algorithms: Columbite-Tantalite Deposits in West- Central Côte d'Ivoire. Minerals 2022, 12, 1453.
05
Multi-Dimensional Data Fusion for Mineral Prospectivity Mapping (MPM) Using Fuzzy-AHP Decision-Making Method, Kodegan-Basiran Region, East Iran
基于模糊层次分析法的多维数据融合在伊朗东部Kodegan-Basiran地区矿产远景填图中的应用
Ali Shabani et al.
https://www.mdpi.com/2013340
文章亮点：
(1) 本文对遥感、地球物理、地球化学和地质数据进行了分析和融合，以识别Kodegan-Basiran地区 (伊朗东部) 的金属矿化。
(2) 本项研究结果为金属勘探提供了支持。
(3) 本项研究的结果将有助于减少未来探索性研究的财务和时间成本。
识别二维码
阅读英文原文
原文出自Minerals 期刊：
Shabani, A.; Ziaii, M.; Monfared, M.S.; Shirazy, A.; Shirazi, A. Multi-Dimensional Data Fusion for Mineral Prospectivity Mapping (MPM) Using Fuzzy-AHP Decision-Making Method, Kodegan-Basiran Region, East Iran. Minerals 2022, 12, 1629.
06
Sedimentary Facies Controls for Reservoir Quality Prediction of Lower Shihezi Member-1 of the Hangjinqi Area, Ordos Basin
鄂尔多斯盆地杭锦旗地区石河子组下段一组储层质量预测的沉积相控制因素
Aqsa Anees et al.
https://www.mdpi.com/1461212
文章亮点：
(1) 本文利用钻井岩心、测井资料和三维地震资料进行了储层质量预测。
(2) 本文结论显示目标储层物性良好。
(3) 本文所建立的相模式将为目标地区后续开发提供进一步的指导。
识别二维码
阅读英文原文
原文出自Minerals 期刊：
Anees, A.; Zhang, H.; Ashraf, U.; Wang, R.; Liu, K.; Abbas, A.; Ullah, Z.; Zhang, X.; Duan, L.; Liu, F.; et al. Sedimentary Facies Controls for Reservoir Quality Prediction of Lower Shihezi Member-1 of the Hangjinqi Area, Ordos Basin. Minerals 2022, 12, 126.
往期回顾
Minerals 2023奖项速览：杰出青年学者奖&最佳博士论文奖 | MDPI Award
Minerals：“环境矿物学与生物地球化学”栏目2022年文章精选 (上) | MDPI 编辑荐读
版权声明：
*本文由MDPI中国办公室翻译撰写，文中涉及到的论文翻译部分，为译者在个人理解之上的概述与转达，论文详情及准确信息请参考英文原文。本文遵守 CC BY 4.0 许可 (https://creativecommons.org/licenses/by/4.0/)。如需转载，请于公众号后台留言咨询。
由于微信订阅号推送规则更新，您可以将“MDPI环境与地球科学”设为星标，便可在消息栏中便捷地找到我们，及时了解最新开放出版动态资讯！
点击左下方“阅读原文”，进入期刊主页。
喜欢今天的内容？给我们点个【在看】吧！