地科学院硕士研究生赵丽芳在《Atmosphere》上发表题为“Leveraging Deep Learning for Automated Experimental Semivariogram Fitting”的论文，长江大学地球科学学院为论文第一署名单位，研究生赵丽芳为第二作者，其导师喻思羽副教授为该论文的第一作者和通讯作者。

在地质勘探与资源评估中，变差函数拟合精度关乎空间数据预测与建模准确性。但传统最小二乘法、加权多项式回归等方法，在处理复杂地质结构、非平稳空间数据时，存在模型适配性差、拟合效果不稳定等难题。为解决这一问题，将深度学习引入地统计学，提出基于全连接神经网络（FCNN）的实验变差函数自动拟合方法。该方法通过挖掘数据非线性特征、优化拟合误差，经大量数据训练验证，能灵活适配不同类型变差函数，显著提升拟合稳定性与准确性。新方法不仅提高了变差函数拟合的精度和稳定性,而且为地质统计学中的变差函数自动拟合提供了新的思路和解决方案。该成果拓宽了深度学习在地统计学的应用边界，为地质建模、资源评估提供可靠技术支撑，也为自然资源勘探、环境监测等领域的精准分析开辟了新路径。

（文章链接：https://doi.org/10.3390/atmos16020191）

图1 论文首页