深度学习技术凭借其强大的非线性特征提取能力，已成为推动成矿预测从“经验驱动”向“数据驱动”转型的关键技术之一。然而，当前基于深度学习的二维预测模型难以有效刻画地质体在三维空间中的成矿关联特征，且在整合多元地学信息时存在特征融合效率低、关键信息提取不足等问题。为此，本文以新疆萨瓦亚尔顿金矿为例，提出一种融合注意力机制的三维卷积神经网络（3d-Cnn）模型。该模型利用三维卷积核提取深部地质构造与矿化分布的空间特征，并引入注意力机制对多源地质特征进行自适应加权，从而抑制非关键信息干扰，突出控矿要素。测试结果表明，模型准确率达到0.98，精确率、召回率与f1分数分别为0.97、0.99与0.98，显示出优异的分类性能与泛化能力。基于预测结果，在研究区内新圈定两处找矿靶区，其空间位置与已知构造-蚀变带高度吻合，不仅为矿区深部勘查提供了可靠依据，也验证了本文方法在三维智能成矿预测中的有效性与应用潜力。
Xiao et al. (Sun,) studied this question.