서 론
인공지능 기법의 이론적 배경
머신러닝의 학습 패러다임
고전적 지도학습 알고리즘
딥러닝의 주요 구조
설명가능 인공지능(XAI)과 신뢰성
학습 최적화 및 정규화
데이터 유형별 인공지능 적용
원격탐사 자료
지구화학 이상 탐지
지구물리 자료 역산 및 해석
시추코어 영상 및 암석학적 자료 분석
광상부존가능성지도(MPM) 연구 동향
MPM 패러다임의 진화
다중 자료 융합 전략
3차원·4차원 MPM의 발전
평가 지표 및 검증
실용적 워크플로우와 사후 처리
광상 유형별 지질학적 응용
킴벌라이트와 다이아몬드
카보나타이트 및 알칼리암 호스트 희토류(REE) 광상
화강암 페그마타이트 호스트 Li-Ta-Nb(LCT) 광상
반암동 구리·몰리브덴 광상(Porphyry Cu-Mo)
화산성괴상황화물(VMS) 광상
조산형 금광상(Orogenic Au)
IOCG 및 알칼리 시스템 광상
미시시피 밸리형(MVT) 아연-납 광상
사암 호스트 우라늄 광상
염호(brine) 호스트 리튬 광상
심해저 망간단괴 및 해저열수광상(SMS)
조산대 변성 흑연 광상
이온흡착형 풍화각 호스트 REE 광상
화산성 점토 호스트 리튬 광상
광상 모델과 AI의 통합: 종합 논의
최신 동향과 과제
자기지도학습과 파운데이션 모델
물리정보 신경망(PINN)과 지질 제약 학습
불확실성 정량화 및 모델 보정
데이터 부족과 전이학습 전략
설명가능성과 지질학적 일관성
결론 및 향후 전망
서 론
전 세계는 화석연료 기반 에너지 시스템에서 저탄소·재생에너지 시스템으로 전환되는 중대한 변혁기를 맞이하고 있으며, 이에 따라 청정에너지 기술의 핵심 소재인 리튬, 코발트, 니켈, 구리, 흑연, 희토류 원소(rare earth elements, REEs) 등 이른바 핵심광물(critical minerals)의 수요가 전례 없는 속도로 증가하고 있다(IEA, 2025). 국제에너지기구(IEA)의 2025년 보고서에 따르면, 현행 정책 시나리오 기준으로 2040년까지 리튬 수요는 약 5배, 흑연과 니켈은 약 2배, 코발트와 희토류 원소는 약 50–60%, 구리는 약 30% 증가할 것으로 전망되며, 또한 2035년에는 현행·확정 공급 프로젝트만으로는 구리와 리튬 수요를 충분히 충족하기 어려울 것으로 전망되며, 특히 구리와 리튬에서 공급 부족 위험이 두드러진다(IEA, 2025). 이러한 수요 급증과 공급 부족 간의 격차로 인해 핵심광물의 안정적 공급망 확보는 국가 안보 차원의 전략적 과제로 부상하였으며, 여러 국가는 차세대 탐사 인프라, 디지털 데이터 플랫폼, 인공지능(artificial intelligence, AI) 기반 표적화 워크플로우 구축에 막대한 투자를 단행하고 있다.
그러나 신규 광상의 발견율은 지난 30년간 꾸준히 감소해 왔으며(Okada, 2022), 탐사 비용이 증가하는데도 그린필드 탐사 성공률은 정체되거나 오히려 낮아지고 있다. 이러한 발견율 감소의 주된 원인은 지표에 노출된 광상의 급속한 고갈에 있으며(Davies et al., 2025), 향후 발견될 핵심광물 광상의 대부분은 퇴적암이나 광화 후 피복층 아래에 은폐된 심부 광상일 것으로 예측된다(Gonzalez-Alvarez et al., 2020). 실제로 지표 부근의 광상이 고갈되면서 전 세계 탐사의 중심은 지하 약 1 km 이상의 심부·은폐형 표적으로 점차 이동하고 있으며, 이는 종래의 기법만으로는 효율적으로 탐사하기 어려운 영역이다(Okada, 2022; Yang et al., 2024). 이러한 탐사 표적의 시공간적 전환을 Fig. 1에 모식적으로 정리하였다.
Fig. 1.
Exploration target shift from outcropping deposits to concealed deep deposits. The conceptual cross-section illustrates the progressive shift in mineral exploration targets from historically accessible outcropping or shallow deposits to partially concealed deposits and, ultimately, deeply buried concealed deposits associated with future critical-mineral exploration. Post-mineralisation cover and host strata increasingly obscure subsurface targets with depth, resulting in weaker geochemical and geophysical signals and declining discovery rates. The diagram highlights the growing importance of deep exploration strategies for detecting mineral deposits at depths of around or exceeding 1 km.
전통적 광상 탐사는 지질도 작성, 지화학 탐사, 지구물리 탐사, 시추로 이어지는 단계적 절차로 진행되며, 전문가의 경험과 광상 모델에 기반한 지식주도 해석에 크게 의존해 왔다(McCuaig and Hronsky, 2014). 이러한 접근법은 잘 알려진 광상 유형에는 효과적이나, 다음과 같은 구조적 한계를 지닌다: (1) 광상 모델이 과도하게 세분화되어 새로운 지질환경으로의 전이성이 낮고, (2) 단일 기법에 의존하여 해석의 불확실성이 커지며, (3) 광화작용을 지배하는 비선형·다변량 상호작용을 체계적으로 포착하기 어렵고, (4) 위성·UAV·초분광 센서에서 생성되는 빅데이터가 양적으로 급증하고 종류도 다양해져 수동 해석으로는 이를 통합하기 어렵다는 점이다(Yang et al., 2024). 이를 극복하기 위해 머신러닝(machine learning, ML)과 딥러닝(deep learning, DL)에 기반한 자료 주도 탐사 패러다임이 부상하였으며, 지구과학 전반에서 DL은 물리적 과정의 이해와 자료 분석을 결합하는 새로운 연구 패러다임을 제시하고 있다(Reichstein et al., 2019). 광상 탐사 분야에서 ML과 DL은 (i) 다중 자료 융합, (ii) 비선형 공간 패턴 학습, (iii) 전문가 지식과 자료를 결합하는 하이브리드 모델링, (iv) 부존가능성과 불확실성의 정량적 평가 측면에서 종래의 기법을 보완하고 있다(Rodriguez-Galiano et al., 2015; Zuo, 2020).
지난 10년간 국제 학계에서 광상 탐사 분야의 AI 응용 연구는 급격히 증가하였다. Sun et al.(2024)은 2018–2023년에 발표된 100여 편의 DL 기반 광상부존가능성지도(mineral prospectivity mapping, MPM) 논문을 종합하여 그 발전 양상을 분석하였으며, Zuo et al.(2023)은 차세대 AI 알고리즘이 광상 탐사 분야에서 갖는 의의를 체계적으로 정리하였다. 그러나 석유·천연가스 탐사 분야에서는 AI 응용 논문(Wu et al., 2019; Pothana and Ling, 2025)이 다수 발표된 반면, 고체 광상 탐사에 특화된 종합적 검토, 특히 이론적 배경에서부터 광상 유형별 지질학적 응용, 파운데이션 모델·자기지도학습 등 최신 도전과제까지를 아우르는 검토는 상대적으로 부족한 실정이다.
지역별로 살펴보면, 중국은 자료 주도 MPM과 지구화학 이상 탐지에서 가장 활발한 연구를 수행하고 있으며(Zuo, 2020), 캐나다는 광상 탐사 ML의 산업적 통합과 지질조사소(GSC) 주도의 핵심광물 평가에서 선도적 역할을 하고 있다(McMillan et al., 2021). 호주는 광역 MPM과 광상 시스템 모델의 정량화에서(McCuaig and Hronsky, 2014; Gonzalez-Alvarez et al., 2020; Shirmard et al., 2022; Farahbakhsh et al., 2025), 유럽은 EU의 핵심광물 정책과 연계된 광역 평가와 EnMAP·PRISMA 등 차세대 위성 초분광 자료의 ML 활용에서(Rodriguez-Galiano et al., 2015; Cardoso-Fernandes et al., 2019; Booysen et al., 2020; Chudasama et al., 2022), 미국은 USGS 주도의 핵심광물 자료 기반 ML 연구에서(Lawley et al., 2022) 각각 차별화된 강점을 보이고 있다.
본 논문은 이러한 공백을 메우고자, 앞서 살펴본 지역별 연구 동향을 균형 있게 반영하여 자료 주도 광상 탐사의 국제 연구 동향을 종합적으로 제시한다. 본 논문의 구성은 다음과 같다. 제2절에서는 ML 및 DL 기법의 이론적 배경을 정리하고, 제3절에서는 원격탐사·지구화학·지구물리·시추코어 영상 등 자료 유형별 응용 사례를 검토한다. 제4절에서는 MPM 연구의 최신 동향을 다루며, 제5절에서는 본 논문이 가장 비중을 두는 광상 유형별 지질학적 응용을 심도 있게 분석한다. 제6절에서는 자료 부족, 불확실성 정량화, 설명가능성, 지질학적 일관성 등 최신 동향과 과제를 논의하고, 제7절에서는 향후 전망과 결론을 제시한다.
인공지능 기법의 이론적 배경
머신러닝의 학습 패러다임
머신러닝은 일반적으로 지도학습(supervised learning), 비지도학습(unsupervised learning), 강화학습(reinforcement learning)으로 분류된다. 지도학습은 입력 특성(feature)으로부터 레이블을 예측하는 매핑을 학습하며, 광상 탐사에서는 광상/비광상 레이블을 이용한 MPM, 암상 및 변질 분류 등에 폭넓게 적용된다(Rodriguez-Galiano et al., 2015). 다만 알려진 광상의 수가 본질적으로 제한적이고, 비광상(음성 표본)을 선정하는 방식이 결과에 큰 영향을 미친다는 한계가 있다. 비지도학습은 레이블 없이 자료의 내재 구조나 이상치를 추출하는 방법으로, 지구화학 이상 탐지에 널리 사용된다. 대표적인 기법으로는 K-means, 주성분분석(principal component analysis, PCA), 자기조직화지도(self-organizing maps, SOM), 심층 오토인코더가 있다(Xiong and Zuo, 2016). 강화학습의 광상 탐사 적용은 아직 제한적이나, 최근에는 지질학적 지식을 보상 메커니즘에 내재화하려는 시도가 시작되고 있다(Zuo et al., 2023).
레이블 부족 문제를 완화하기 위한 준지도학습(semi-supervised learning), 양성-비레이블(positive-unlabeled, PU) 학습, 자기지도학습(self-supervised learning) 등이 최근 광상 탐사 분야에서 활발히 연구되고 있다. 특히 PU 학습은 광상 탐사의 본질적 특성을 잘 반영하는 패러다임으로 주목받고 있다. 이는 알려진 광상 위치는 양성 표본으로 명확히 정의할 수 있으나, 비광상 영역은 진정한 음성이라기보다 아직 발견되지 않은 영역일 수 있기 때문이다(Yin et al., 2023). 또한 자기지도학습은 대규모 비레이블 자료로부터 일반화 가능한 표현(representation)을 학습한 뒤, 소량의 레이블 자료로 미세조정하는 전이학습 전략으로, 사전훈련 패러다임을 광상 탐사에 적용할 수 있게 한다(Zuo, 2020).
고전적 지도학습 알고리즘
고전적 지도학습 알고리즘 가운데 광상 탐사 분야에서 가장 널리 활용되는 세 가지는 랜덤 포레스트(Random Forest, RF)(Breiman, 2001), 서포트 벡터 머신(Support Vector Machine, SVM)(Cortes and Vapnik, 1995), XGBoost(Chen and Guestrin, 2016)이다. RF는 결정 트리의 앙상블로서 결측치, 비선형성, 이질적 변수에 강건하고 변수 중요도(variable importance)를 자연스럽게 산출하므로 MPM의 사실상 기준 알고리즘으로 자리매김하였다(Carranza and Laborte, 2015). SVM은 고차원 특성 공간에서 마진을 최대화하는 커널 기반 분류기로, 학습 표본이 적고 입력 차원이 높은 초분광 암상 분류와 MPM에 효과적이다. XGBoost는 그래디언트 부스팅의 효율적 병렬 구현으로 정규화와 결측치 자동 처리 기능을 내장하며, 클래스 불균형이 심한 자료에서도 우수한 성능을 보인다. 일부 비교 연구에서는 XGBoost가 정밀도·AUC에서 RF보다 우수한 결과를 보고하였으나, 그 우열은 자료와 과제의 특성에 따라 달라지며(Parsa, 2021), 실제로 다수의 MPM 응용에서 1차 분류기로 널리 사용되고 있다.
이 밖에도 LightGBM, CatBoost와 같은 부스팅 기반 알고리즘이 도입되고 있으며, 특히 CatBoost는 범주형 변수를 효율적으로 처리하는 강점이 있어 암상 코드처럼 범주형 특성이 많은 지질 자료에 적합하다. 알고리즘 선택은 자료의 특성과 분석 목표에 따라 달라지지만, 다수의 비교 연구는 단일 알고리즘보다 앙상블이나 스태킹 전략이 대체로 더 우수한 성능을 보인다고 보고한다(Carranza and Laborte, 2015). 본 논문에서 검토한 주요 ML·DL 알고리즘과 그 광상 탐사 응용을 Table 1에 종합하였다.
Table 1.
Summary of major machine and deep learning algorithms used in mineral exploration
| Algorithm | Category | Key Characteristics | Application in Mineral Exploration | References |
| Random Forest (RF) | Ensemble ML | Variable importance ranking; robust to missing values and heterogeneous data | Standard MPM baseline; alteration mapping | Breiman, 2001; Carranza and Laborte, 2015; Rodriguez-Galiano et al., 2015 |
| SVM | Kernel-based ML | Margin maximization in high-dimensional feature space | Hyperspectral lithological classification; pegmatite identification | Cortes and Vapnik, 1995 |
| XGBoost / LightGBM | Boosting ML | Robust to class imbalance; built-in regularization | Primary MPM classifier; multivariate integration | Chen and Guestrin, 2016 |
| CNN | DL (Convolutional) | Local receptive field; spatial pattern learning | Alteration mapping; satellite and UAV image classification | LeCun et al., 2015; Shirmard et al., 2022 |
| U-Net | DL (Segmentation) | Encoder-decoder architecture; semantic segmentation | Drill-core segmentation; seismic fault extraction | Ronneberger et al., 2015 |
| ResNet / VNet | DL (Deep) | Residual connection; stable deep architecture | Mineral image classification; 3D geophysical inversion | He et al., 2016 |
| Autoencoder (DAE/CAE) | DL (Unsupervised) | Reconstruction-error-based anomaly detection | Detection of weak geochemical anomalies | Xiong and Zuo, 2016 |
| VAE | DL (Generative) | Probabilistic latent space; interpretability | Metallogenic-factor VAE; interpretable anomaly detection | Kingma and Welling, 2014 |
| GAN | DL (Generative) | Adversarial training; data augmentation | Regolith-hosted REE augmentation; weak anomaly detection | Goodfellow et al., 2014 |
| Transformer | DL (Self-attention) | Long-range dependency and time-series modeling | Time-series analysis; multi-source data fusion | Vaswani et al., 2017; Gao et al., 2025 |
| GCN / GNN | DL (Graph-based) | Learning on non-Euclidean graphs | Graph-based MPM; inter-borehole interpolation | Kipf and Welling, 2017; Zuo and Xu, 2023 |
| PINN | Physics-informed DL | Governing-equation-based loss integration | Mineral volume estimation from logs; joint inversion | Pothana and Ling, 2025 |
딥러닝의 주요 구조
딥러닝은 다층 신경망이 입력 자료를 계층적·추상적 표현으로 변환하는 표현학습(representation learning) 패러다임이다(LeCun et al., 2015). 합성곱 신경망(convolutional neural network, CNN)은 국소 수용장(receptive field)과 가중치 공유를 통해 격자 구조 자료의 공간 패턴을 학습하며, 원격탐사 영상을 이용한 암상 및 변질 분류, MPM의 다중 자료 융합 등에 폭넓게 적용된다(Shirmard et al., 2022). CNN의 대표적 변형인 U-Net은 의료영상 분할에서 출발하였으나 시추코어 영상 분할 및 광물 분류에 광범위하게 활용되고 있으며(Ronneberger et al., 2015), ResNet과 같은 잔차 연결(residual connection)은 신경망을 안정적으로 더 깊게 쌓을 수 있게 하였다(He et al., 2016).
오토인코더는 입력 자료를 저차원 잠재공간(latent space)으로 압축하고 재구성하는 비지도학습 모델로, 재구성 오차에 기반한 이상 탐지에 탁월한 성능을 보이며 지구화학 이상 탐지의 표준 기법으로 자리 잡았다(Xiong and Zuo, 2016). 변분 오토인코더(variational autoencoder, VAE)는 잠재공간에 확률분포 가정을 추가하여 생성적 표현학습을 가능하게 하며(Kingma and Welling, 2014), 합성곱 오토인코더(convolutional autoencoder, CAE)는 공간 구조를 보존하는 이상 탐지에 활용된다. 생성적 적대 신경망(generative adversarial network, GAN)은 생성자(generator)와 판별자(discriminator) 간의 적대적 최적화(adversarial optimization)를 통해 실제 자료의 분포를 학습하며(Goodfellow et al., 2014), 자료 증강 및 약한 이상 탐지에 사용된다.
트랜스포머(Transformer)는 자기주의(self-attention) 메커니즘을 통해 장거리 의존성을 포착하며(Vaswani et al., 2017), CNN의 국소 수용장을 보완하는 차세대 대안으로 떠오르고 있다. 비전 트랜스포머와 같은 변형은 영상 자료의 분류·분할에서 CNN을 능가하는 성능을 보이는 것으로 보고되었다. 그래프 합성곱 신경망(graph convolutional network, GCN)은 비유클리드(non-Euclidean) 그래프 자료를 학습할 수 있게 하며(Kipf and Welling, 2017), 지질 단위와 시료 위치의 공간 이방성을 자연스럽게 표현하기에 적합하다(Zuo and Xu, 2023).
설명가능 인공지능(XAI)과 신뢰성
딥러닝의 블랙박스 특성은 광상 탐사의 실제 의사결정에서 구조적 장벽으로 작용한다. 탐사 지질학자가 시추 결정처럼 비용이 큰 의사결정을 확신을 가지고 내리려면, 단순한 예측 확률뿐 아니라 어떤 지질학적 요인이 해당 부존가능성 점수에 기여했는지까지 이해해야 한다. 이러한 요구를 충족하기 위하여 설명가능 인공지능(explainable AI, XAI) 기법이 빠르게 도입되고 있다.
SHAP(Shapley Additive exPlanations)는 협력 게임 이론의 Shapley 값에 기반하여 각 특성이 개별 예측에 기여한 정도를 공정하게 분해하며(Lundberg and Lee, 2017), 전역적·국소적 해석을 모두 제공한다. MPM에서 SHAP 분석은 단층 근접도, 관입암 분포, 지구화학 이상, 중력·자력 이상 등 각 변수의 예측 기여도를 정량화한다. 다만 SHAP가 산출하는 기여도는 모델 내부의 통계적 연관성을 반영할 뿐 지질학적 인과관계를 직접 증명하는 것은 아니므로, 그 결과는 모델의 예측이 기존 광상 성인 모델과 일관되는지를 평가하는 보조 도구로 해석되어야 한다.
최근에는 사후(post-hoc) 해석 기법을 넘어 해석가능성을 모델 구조에 직접 내재화하는 접근법이 발전하고 있다. 주의 기반 해석가능 CNN, 그래프 주의 기반 해석가능 MPM, 인과적으로 구조화된 VAE 등이 그 예이다(Meng and Zuo, 2025). 이러한 모델은 예측 시점에 기여 변수를 자동으로 시각화하므로, 별도의 사후 해석 단계 없이도 의사결정을 지원할 수 있다.
학습 최적화 및 정규화
딥러닝 모델의 학습에서 최적화 기법의 선택은 모델 성능에 큰 영향을 미친다. Adam, AdamW, SGD with momentum이 표준적으로 사용되는 최적화 기법이며, 학습률 스케줄러로는 cosine annealing, warm restart 등이 활용된다(LeCun et al., 2015). 광상 탐사 자료의 클래스 불균형 문제를 해결하기 위해 focal loss와 dice loss가 널리 채택되는데, 이들은 일반적인 cross-entropy loss보다 소수 클래스의 학습을 강화한다. 또한 SMOTE(Synthetic Minority Over-sampling Technique)와 같은 자료 수준 클래스 균형 기법이 ML 모델 학습의 표준 절차로 자리 잡고 있다. 정규화(regularization) 측면에서는 L1, L2, dropout, batch normalization 외에도 광상 탐사 자료의 공간적 자기상관성을 고려한 spatial regularization이 새로운 연구 영역으로 부상하고 있다(Zuo, 2020).
데이터 유형별 인공지능 적용
원격탐사 자료
원격탐사는 광역을 효율적으로 조사할 수 있게 하며, 노출된 변질대와 암상의 분포를 매핑함으로써 유망지역의 1차 선정에 활용된다(Van der Meer et al., 2012). 다중분광 위성 센서로는 Landsat, ASTER, Sentinel-2 MSI가 대표적이며, 특히 ASTER는 단파적외선(SWIR)과 열적외선(TIR) 영역을 포함하여 Al-OH 및 Mg-OH 광물 식별에 적합하므로 수십 년간 변질대 매핑의 표준 센서로 사용되어 왔다. 초분광 센서(Hyperion, PRISMA, EnMAP, HySpex, AVIRIS)는 수백 개의 연속된 분광 밴드를 제공하여 개별 광물 종을 식별할 수 있게 하며, 경량 UAV 탑재 초분광 센서는 cm–dm 규모의 공간해상도로 위성 플랫폼의 관측 한계를 보완한다(Booysen et al., 2020). 한편 위성 기반 SAR(Synthetic Aperture Radar) 자료는 표면 거칠기, 함수율, 구조 정보를 제공하여 암상 분류에 보조적으로 활용되고 있으며(Van der Meer et al., 2012), 디지털 표고모델(digital elevation model, DEM)을 결합한 통합 분석은 지형·지질 상호작용을 정량화하는 데 효과적이다.
ML 기반 분류에서는 RF, SVM, ANN, XGBoost가 흔히 사용된다. Hu et al.(2018)은 티베트 Duolong 지역에서 Sentinel-2A, ASTER, Hyperion 자료를 Extreme Learning Machine으로 통합하여 Al-OH 및 Mg-OH 광물 매핑에서 92.75%의 전체 정확도를 달성하였다. 더 최근의 연구는 공간 맥락 정보를 활용하는 CNN 기반 변질대 매핑에 집중되고 있으며, 종래 ML 기법 대비 유의미한 정확도 향상을 보고하고 있다(Farahbakhsh et al., 2025; Shirmard et al., 2022). UAV 기반 초분광 탐사에서는 Booysen et al.(2020)이 희토류 광상에서 특징적인 Nd 흡수 특성(745, 802 nm)을 검출하여 직접 광체 매핑에 성공하였으며, 이는 표면 광물 자체의 분광 시그니처에 기반한 직접 식별 패러다임의 가능성을 입증하였다.
여러 플랫폼(위성, 항공, UAV, 지상, 시추코어)에 걸친 다중 스케일 통합은 여전히 핵심 과제이며, 초해상도(super-resolution)와 다중 센서 융합 기법의 개발이 활발히 이루어지고 있다(Hajaj et al., 2024). 초해상도 GAN(super-resolution GAN, SRGAN)을 활용하여 저해상도 다중분광 자료를 고해상도 초분광 자료로 변환하는 연구는 자원이 제한된 환경에서 탐사 효율을 크게 높일 수 있다(Hajaj et al., 2024). 또한 Sentinel-2와 PlanetScope 자료를 시계열로 결합하여 식생 피복 변화에 강건한 변질 매핑을 수행하려는 연구도 시도되고 있다.
원격탐사 자료의 전처리 단계는 ML 모델 성능에 결정적 영향을 미친다. 대기 보정에서는 FLAASH, ATCOR, 6S와 같은 물리 기반 알고리즘이 표준적으로 사용되어 왔으나, 최근에는 자기지도학습 기반의 자료 주도 대기 보정 모델이 제안되고 있다(Hajaj et al., 2024). 분광 라이브러리는 ML 모델 학습의 핵심 자원으로, USGS, ECOSTRESS, GFZ 분광 라이브러리가 표준적으로 활용된다(Van der Meer et al., 2012). 분광 매칭 기법으로 spectral angle mapper(SAM), spectral feature fitting(SFF) 등이 ML 분류기의 보조 변수로 활용되어 모델 성능을 높일 수 있다.
지구화학 이상 탐지
지구화학 자료는 광화 원소의 부화 및 분산을 직접적으로 반영하지만, 자료의 폐쇄합 구성(closed-sum composition) 특성, 배경의 공간적 비정상성, 광화 관련 신호의 희소성이라는 본질적 한계가 있다(Cheng, 2007). Aitchison(1982)이 제시한 구성 자료(compositional data) 개념에 따라 중심 로그비(centred log-ratio, clr)와 등각 로그비(isometric log-ratio, ilr) 변환이 표준 전처리 단계로 정착되었으며, Cheng(2007)이 제안한 특이성 매핑(singularity mapping) 기법은 은폐형 광상의 약한 신호를 검출하는 데 효과적임이 입증되었다.
DL 기반 이상 탐지의 패러다임 전환은 Xiong and Zuo(2016)가 심층 오토인코더(DAE)를 적용하면서 시작되었다. DAE는 자료의 배경 분포를 학습하여 재구성 오차가 큰 시료를 이상치로 표시하므로, 저빈도 사건을 자연스럽게 검출한다. 이후 VAE, CAE, 융합 오토인코더 등 다양한 변형 모델이 제안되어 배경 분포의 다중 모드 구조를 더 효과적으로 포착하고 있다(Luo et al., 2023). GAN 기반 접근법은 적대적 학습을 통해 배경 분포를 학습하며 약한 이상 탐지에 특별한 강점을 보인다. Zhang and Zuo(2021)는 개선된 GAN을 중국 강서성 텅스텐 광대에 적용하여 종래 기법보다 우수한 성능을 보고하였다. 최근 들어 지질학적 사전 정보를 손실 함수나 은닉층에 내재화한 지질 제약(geologically constrained) 모델과 SHAP 기반의 해석 가능한 광화 인자 VAE가 제안되어(Luo et al., 2023), 자료 주도 이상 탐지를 블랙박스 도구에서 지질학적 추론에 기반한 의사결정 지원 도구로 전환하고 있다.
지구화학 자료의 공간적 보간은 ML 분석의 전제 조건이며, 일반적인 IDW나 크리깅 외에도 ML 기반 회귀 모델이 점차 활용되고 있다. Gaussian process regression은 보간 결과에 자연스럽게 불확실성을 포함하므로 이상 탐지에 적합하며, deep kriging은 비정상성(non-stationarity)을 보이는 지구화학 자료에 효과적으로 적용된다. 다변량 지구화학 자료의 차원축소에는 t-SNE, UMAP과 같은 비선형 임베딩 기법이 널리 활용되며, 이는 광화 관련 시료의 군집 가시화와 이상 탐지에 효과적이다(Luo et al., 2023). 또한 다지표(multi-element) 지수의 설계 측면에서, 광상 유형별 특성 원소 조합(예: 반암형 Cu-Mo-Au-Ag, 조산형 금의 Au-As-Sb, 퇴적암 내 Zn-Pb의 Zn-Pb-Cd-Tl)을 자동으로 발견하는 메타학습 기반 접근법은 향후 광역 1차 탐사의 표준 도구가 될 것으로 전망된다(Yang et al., 2024).
지구물리 자료 역산 및 해석
지구물리 자료(중력, 자력, 전자기, 탄성파)의 역산(inversion)은 심부 광상 탐사의 핵심 단계이며, 비선형 역문제(nonlinear inverse problem)의 본질적 불안정성으로 인해 AI 기법의 도입 효과가 특히 크게 나타나는 영역이다(Pothana and Ling, 2025). 전통적 역산은 정규화 항(regularization)과 초기 모델에 강하게 의존하는 반면, CNN 기반 역산은 대규모 합성 자료로부터 자료를 매개변수나 구조에 대응시키는 종단간(end-to-end) 매핑을 학습함으로써 높은 효율과 강건성을 달성할 수 있다. 예를 들어 합성 탄성파 자료로 학습된 U-Net은 단층 분할에서 종래 기법을 상회하는 성능을 보였다(Wu et al., 2019).
물리정보 신경망(physics-informed neural network, PINN)은 지배 방정식을 손실 함수에 항으로 추가하여 순수 자료 주도 모델의 물리 법칙 위배 문제를 해결하는 접근법이다. Pothana and Ling(2025)은 PINN을 지구물리 검층 자료에 적용하여 광물 부피와 공극률을 추정하였으며, 암석물리 관계식을 신경망 구조에 직접 통합하였다. 다중 지구물리장(중력·자력·전자기 등)의 복합 역산(joint inversion)에 DL을 적용하는 연구도 활발하며, 이는 단일 기법 역산의 불확실성을 줄이고 피복층 하부 광상 검출에 효과적인 것으로 보고되고 있다. 탄성파 자료의 ML 처리에서는 잡음 제거, 속도 모델 구축, 단층 분할 등 다양한 응용이 활발히 연구되고 있으며, U-Net 기반 단층 자동 추출 기법은 수작업 해석보다 일관성과 속도를 모두 높여 준다(Wu et al., 2019).
지구물리 역산에 DL을 적용할 때 특히 중요한 것은 합성 학습 자료의 품질이다. 합성 자료는 일반적으로 매개변수를 무작위로 추출하거나 기준 모델을 변형하여 생성하며, 합성 자료와 실제 자료 사이의 도메인 간 불일치(domain gap)는 모델 성능을 떨어뜨릴 수 있다. 이를 해결하기 위해 도메인 적응 기법, 특히 사이클 일관성 GAN(CycleGAN)이 합성·실제 자료 간 변환에 활용되고 있다. 또한 활성 학습(active learning) 기반 합성 자료 생성은 모델이 가장 불확실한 영역에 대해 추가 학습 자료를 요청하는 방식으로, 효율적으로 학습 자료를 구축할 수 있게 한다.
시추코어 영상 및 암석학적 자료 분석
시추코어는 광상 탐사의 참값(ground truth) 자료로, 직접적인 지하 정보를 제공한다. 전통적인 코어 로깅은 시간이 많이 소요되고 주관적 편향이 개입되기 쉬우나, 초분광 영상기(VNIR-SWIR-LWIR), 고해상도 RGB 영상, XRF 스캐너 등 자동 센서와 ML 기법을 결합하면 광물 조성, 변질, 조직(texture)을 자동으로 분석할 수 있다. Contreras Acosta et al.(2019)의 초분광·SEM·MLA 융합 프레임워크는 자동 광물 매핑의 정확도와 공간해상도를 동시에 높인 대표적 사례이다. 더 최근에는 VAE와 심층 임베딩 기반 군집화(deep embedded clustering, DEC)를 결합한 생성형 AI 기반 자동 광물 매핑이 제안되었으며, 이는 전문가의 주관을 최소화하면서 재현성을 확보한다는 장점이 있다.
CNN 기반 시추코어 RGB 영상 분석은 암상 분류, 균열 검출, 광맥 식별 등에 폭넓게 활용된다. Mask R-CNN과 같은 인스턴스 분할(instance segmentation) 모델과 U-Net++와 같은 시멘틱 분할(semantic segmentation) 모델은 광맥의 경계, 변질 패치, 황화광물 분포를 픽셀 단위로 식별할 수 있으며, 자기지도 사전훈련을 통해 레이블 부족 문제를 완화한 모델이 제안되고 있다. 미세조직 분석(micro-textural analysis) 측면에서는 암석 박편(thin section)의 편광현미경 영상에 CNN을 적용하여 광물 식별, 입자 크기 분포 분석, 결정 형태 분류 등을 자동화하는 연구가 활발하다. 이는 특히 다공성 사암이나 화산암의 반정(phenocryst) 분석에서 인력 부담을 크게 줄여 준다.
단일 시추공에서 수집되는 자료는 초분광 영상, RGB 영상, XRF, 대자율, 감마선 검층자료, 지구화학 분석 등으로 구성되며, 이처럼 다양한 양식의 자료를 통합하는 다중 모달(multi-modal) 딥러닝 프레임워크가 제안되고 있다(Contreras Acosta et al., 2019). 이러한 통합 분석은 단일 양식의 자료만으로는 식별하기 어려운 약한 광화 신호를 검출하는 데 효과적이다. 또한 시추공 간 보간(inter-borehole interpolation)에 GNN 기반 모델이 적용되어 3D 광상 모델의 정밀도가 향상되었으며(Zuo and Xu, 2023), 이는 자원 평가의 신뢰도 제고로 이어진다. 본 절(3.1–3.4)에서 검토한 자료 유형별 AI 응용 패러다임을 Table 2에 요약하였다.
Table 2.
Summary of AI application paradigms and key use cases by data type
| Data Type | Major Sensors/Platforms | Major ML/DL Techniques | Key Applications | References |
| Multispectral satellite imagery | Landsat-8, ASTER, Sentinel-2 | RF, SVM, CNN | Regional alteration mapping; lithological classification | Hu et al., 2018; Shirmard et al., 2022; Van der Meer et al., 2012 |
| Satellite hyperspectral imagery | Hyperion, PRISMA, EnMAP, AVIRIS | ELM, CNN, direct spectral identification | Mineral species identification; REE absorption-feature detection | Hajaj et al., 2024; Hu et al., 2018 |
| UAV hyperspectral imagery |
Lightweight HSI (e.g., HySpex) | CNN, spectral classification, SAM | Direct ore body mapping; outcrop analysis | Booysen et al., 2020 |
| Geochemical data | Multi-element soil and stream-sediment data | DAE, VAE, GAN, t-SNE/UMAP | Anomaly detection; weak-signal detection; dimensionality reduction | Aitchison, 1982; Cheng, 2007; Luo et al., 2023; Xiong and Zuo, 2016; Zhang and Zuo, 2021 |
| Airborne magnetics/gravity | Magnetic grids; gravity measurements | CNN, U-Net, RF | Magnetic body distribution; automated fault extraction | McMillan et al., 2021 |
| Airborne electromagnetics (EM) | TEM; helicopter-borne EM | CNN inversion; transfer learning; CycleGAN | 3D ore body geometry; regolith thickness | McMillan et al., 2021 |
| Seismic data | 2D/3D seismic | U-Net (FaultSeg3D), CNN | Automated fault segmentation; velocity model building | Wu et al., 2019 |
| Drill-core imagery | RGB, VNIR-SWIR-LWIR, µXRF | CNN, U-Net++, VAE-DEC, Mask R-CNN | Mineral mapping; alteration analysis; vein identification | Contreras Acosta et al., 2019 |
| Well-log data | Geophysical well logs | PINN, ANN | Mineral volume and porosity estimation | Pothana and Ling, 2025 |
| 3D geological/borehole data | Block models; borehole geochemistry | 3D CNN, GNN | 3D MPM; inter-borehole interpolation | Sun et al., 2024; Zuo and Xu, 2023 |
광상부존가능성지도(MPM) 연구 동향
MPM 패러다임의 진화
광상부존가능성지도는 광상 탐사 초기 단계의 핵심 절차로, 광화 가능성이 높은 지역을 정량적으로 예측하여 비용과 위험을 줄이는 것을 목표로 한다. 초기 MPM은 가중증거법(weights of evidence, WofE)과 퍼지 논리 같은 지식주도 접근법이 주도하였으나, 지난 20년간 자료 주도 접근법이 빠르게 부상하였다(Zuo, 2020). Carranza and Laborte(2015)는 필리핀 Baguio 금 광화대에서 RF를 이용한 대표적 자료 주도 MPM 연구를 제시하였으며, Rodriguez-Galiano et al.(2015)은 ANN, 회귀 트리, RF, SVM을 체계적으로 비교하여 RF가 가장 안정적이면서 우수한 종합 성능을 보인다고 보고하였다. Xiong et al.(2018)은 빅데이터 부존가능성 매핑에 DL을 선구적으로 적용하였으며, 이후 MPM은 자료 주도, 자동화, 정량적 예측의 방향으로 본격적으로 전환되었다.
MPM 연구의 발전 단계는 일반적으로 세 시기로 구분된다. 1990년대 후반부터 2000년대 중반까지의 1세대는 WofE, 퍼지 논리, 결정 분석과 같은 지식주도 또는 통계 기반 기법이 주도하였고, 광상 모델의 정량화에 초점을 맞추었다. 2010년대 초반부터 후반까지의 2세대는 ANN, RF, SVM, XGBoost와 같은 고전적 ML 알고리즘이 MPM에 본격적으로 도입된 시기이며, 자료 주도 패러다임이 정착되었다(Carranza and Laborte, 2015; Rodriguez-Galiano et al., 2015). 2020년 이후의 3세대는 CNN, 오토인코더, GAN, 트랜스포머, GNN을 포괄하는 DL과 자기지도학습·전이학습 등 차세대 학습 패러다임이 주류가 되는 시기이며(Zuo et al., 2023), 본 논문은 이 3세대 연구의 포괄적 종합을 시도한다. 주목할 점은 각 세대 간 기법의 계승이 단순한 대체가 아니라 보완적 통합의 형태로 이루어진다는 것이다. 예를 들어 RF는 여전히 1차 기준 모델로 널리 활용되며, 가중증거법의 통계적 엄밀성은 DL 결과 해석의 참조 기준으로 사용된다(Agterberg and Cheng, 2002).
다중 자료 융합 전략
MPM의 정확도는 단일 자료보다 다중 자료를 융합할 때 현저히 향상된다. 지질도, 지구화학, 지구물리, 원격탐사 기반 변질, 구조 근접도 등 이질적 자료의 융합 전략은 일반적으로 세 가지로 분류된다. (i) 특성 수준 융합(feature-level fusion)은 각 자료의 특징을 하나의 입력(다중 채널 또는 벡터)으로 결합한 뒤 단일 모델로 학습하는 방식이고, (ii) 모델 수준 앙상블(model-level ensemble)은 자료별로 학습한 모델을 결합하여 예측을 종합하는 방식이며, (iii) 결정 수준 가중평균(decision-level weighted averaging)은 각 모델이 산출한 예측 확률을 가중 합산하는 방식이다. 이 가운데 CNN의 다중 채널 입력은 특성 수준 융합의 대표적 구현에 해당하며, GCN은 비유클리드 지질 단위 그래프상에서 이질적 자료를 통합하는 데 활용된다(Zuo and Xu, 2023). 지식 그래프 임베딩(knowledge graph embedding)은 텍스트 기반 지질 정보를 수치 자료와 결합하기 위한 접근법으로 연구되고 있으며, 트랜스포머의 자기주의와 GCN을 결합한 하이브리드 모델은 장거리 지질 연관성과 위상 정보를 동시에 활용하는 차세대 접근법으로 부상하고 있다(Gao et al., 2025).
3차원·4차원 MPM의 발전
2차원 표면 MPM을 넘어, 은폐형 심부 광상을 표적으로 하는 3차원 MPM이 2020년 이후 빠르게 발전하고 있다. 3D MPM은 시추공 자료, 3차원 지구물리 역산 모델, 지질 블록 모델을 입력으로 사용하며, 3D CNN과 주의 메커니즘을 결합한 모델이 제안되고 있다(Sun et al., 2024). 시간 차원을 추가한 4D MPM은 광화작용의 시공간적 진화를 예측하기 위해 열역학 광화 시뮬레이션과의 결합이 모색되고 있다. Zuo et al.(2023)이 제시한 차세대 AI 알고리즘 프레임워크 안에서, 이러한 접근법은 핵심광물의 은폐형 심부 광상 탐사에 핵심적 역할을 할 것으로 기대된다. 특히 중국에서는 산둥성 자오둥(Jiaodong) 금광대의 1,000–3,000 m 심도 표적에 3D MPM이 적용되어 신규 광상 발견에 기여한 사례가 다수 보고되었다.
3D MPM의 핵심 난제는 입력 자료의 수직 해상도가 수평 해상도보다 현저히 낮고, 시추공 자료의 공간 분포가 매우 불균질하다는 점이다. 이러한 문제를 해결하기 위해 공간 보간을 학습 가능한 형태로 모델 내부에 내재화한 implicit neural representation 기반 3D MPM이 최근 제안되었으며(Sun et al., 2024), 이는 공간 자기상관성과 광상 모델의 지질학적 제약을 동시에 활용한다. 또한 3D MPM의 출력은 단일 부존가능성 점수가 아니라 심도별 확률 분포로 제시되어야 하며, 이는 시추 계획 수립 단계에서 표적 심도와 시추 길이의 최적화에 직접 활용된다. 4D MPM은 광상의 형성·변형·보존 단계의 시간적 흐름을 모델링하므로 광상 시스템 모델과의 결합이 자연스러우며, 향후 광역 자원 평가에서 광상의 “현재 보존 상태”를 예측하는 핵심 도구로 발전할 것으로 기대된다.
평가 지표 및 검증
MPM의 평가에는 ROC 곡선과 AUC, F1 점수, 정밀도-재현율 곡선과 같은 분류 지표가 표준적으로 사용되지만, 광상 탐사의 본질적 클래스 불균형을 반영하기 위해 양성 예측 비율(prediction rate)과 면적 비율(area rate)을 함께 활용하는 P-A 곡선 분석이 광상학 분야에서 표준화되어 있다(Agterberg and Cheng, 2002). 또한 공간적 자기상관성(spatial autocorrelation)에 의한 자료 누설(data leakage)을 방지하기 위해 공간 블록 교차검증(spatial block cross-validation)이 점차 표준 절차로 자리 잡고 있다(Agterberg and Cheng, 2002). 모델 출력의 보정(calibration) 측면에서는 expected calibration error(ECE)와 신뢰도 도표(reliability diagram)가 점차 채택되고 있으며, 이는 부존가능성 점수가 단순한 순위가 아니라 실제 확률을 반영하도록 보장한다.
MPM의 평가에서 자주 간과되는 측면은 평가 지표 자체가 광상 탐사에서 지니는 의미이다. 일반적인 AUC는 양성과 음성 표본의 무작위 쌍에서 양성이 더 높은 점수를 받을 확률을 의미하지만, 광상 탐사의 실용적 가치는 “전체 면적의 상위 X%에 광상의 Y%가 포함되는가”라는 P-A 곡선 분석으로 더 직관적으로 표현된다(Agterberg and Cheng, 2002). 예를 들어 P-A 곡선상에서 “상위 10% 면적이 알려진 광상의 80%를 포함한다”와 같은 표현은 광상 탐사 의사결정자가 직접 이해할 수 있는 형식이다. 또한 광상 표본의 절대 수가 적은 환경에서는 leave-one-out 교차검증이 권장되며, 이는 단일 광상의 영향력을 정량화할 수 있게 한다. 본질적으로 광상 탐사의 검증은 궁극적으로 “새로운 광상의 실제 발견”을 통해 입증되어야 하므로, 교차검증 결과와 실제 시추 적중률 간의 관계를 정량화하는 메타 평가 연구가 향후 중요한 연구 영역이 될 것이다.
실용적 워크플로우와 사후 처리
MPM의 실용적 적용을 위한 워크플로우는 일반적으로 다음 단계를 거친다: (1) 자료 수집 및 전처리, (2) 변수 선정 및 특성 공학(feature engineering), (3) 학습 자료 분할 및 균형, (4) 모델 학습 및 하이퍼파라미터 최적화, (5) 모델 평가 및 해석, (6) 부존가능성지도 작성 및 후처리, (7) 표적 우선순위화 및 의사결정. 각 단계에서 내리는 다양한 결정이 최종 결과에 영향을 미치며, 특히 변수 선정과 비광상 표본 선정의 영향이 크다(Zuo, 2020). 자동화된 모델 선정과 하이퍼파라미터 최적화를 위해 AutoML이 광상 탐사에 도입되고 있으며, 베이지안 최적화는 평가 비용이 큰 광상 탐사 모델을 효율적으로 튜닝하는 데 적합하다.
MPM 결과의 사후 처리는 실제 의사결정에 활용하는 데 중요한 단계이다. 픽셀 단위 부존가능성 점수를 광체 단위의 표적으로 변환하기 위해 형태학적 연산, watershed 분할, 커널 밀도 추정(KDE) 등 공간·영상 처리 기법이 적용될 수 있으며, 이러한 후처리는 잡음이 섞인 출력을 의미 있는 표적으로 정제한다(Yan et al., 2025). 다중 모델의 결과를 결합하는 모델 앙상블은 단일 모델의 한계를 보완하며, 일반적으로 단일 최고 성능 모델보다 더 안정적인 결과를 제공한다(Zuo, 2020). 표적의 우선순위화는 부존가능성 점수만으로는 불충분하며, 접근성, 환경 제약, 토지 소유 상태 등 다양한 요소를 통합한 다기준 의사결정(multi-criteria decision-making) 분석이 추가로 요구된다. 본 절(4.1–4.5)에서 검토한 MPM의 전체 워크플로우를 입력 자료에서 의사결정에 이르는 단계별 흐름으로 Fig. 2에 모식적으로 정리하였다.
Fig. 2.
A schematic outline of the integrated AI-based mineral exploration workflow. The workflow consists of six stages: multi-source data input, preprocessing, deposit-model-driven feature engineering, ML/DL modeling, output generation and validation/interpretation, and decision-making, including a feedback loop for data acquisition.
광상 유형별 지질학적 응용
킴벌라이트와 다이아몬드
다이아몬드 자체는 통상적인 핵심광물 목록에 포함되지 않으나, 킴벌라이트-다이아몬드는 일반적인 광상 분류 체계에서 대표적인 마그마성 광상 유형으로 폭넓게 다루어져 왔으므로, 광상 성인별 종합 검토의 완결성을 위해 본 논문에 포함하였다. 또한 킴벌라이트는 지표 노출이 제한적인 은폐형 표적으로, 그 탐사에서 정립된 AI 기법은 핵심광물 광상 탐사에 직접 전이할 수 있어 방법론적 참조 사례로서의 가치도 크다. 킴벌라이트(kimberlite) 파이프와 동반 광상은 지표 노출이 매우 제한적인 대표적 탐사 표적이다. 항공 자력 이상이 가장 확실한 1차 지표이며, ML 기반의 자력 이상 자동 식별·분류가 효과적이다(Naprstek and Smith, 2022). CNN 기반 자력 그리드 영상의 자동 분류는 수작업 해석보다 일관성과 처리 속도에서 우수하며, 예비 표적의 자동 추출에 활용된다. 또한 킴벌라이트 지시광물(indicator mineral)인 크롬 투휘석, 고토석류석, 티탄철석의 화학 조성에 ML 군집화를 적용하여 지시광물 산출지의 광역 분류를 수행하는 연구도 보고되고 있다(Schönig et al., 2021). 이러한 지시광물 화학 자료는 본질적으로 다변량이며 광상 모델과 밀접하게 연관되므로, RF, XGBoost, t-SNE 임베딩 등 다양한 ML 기법을 결합하는 것이 효과적이다(Schönig et al., 2021).
캐나다 슬레이브(Slave) 크라톤, 시베리아 야쿠티아, 남아프리카 카프발(Kaapvaal) 크라톤 등 안정 강괴(craton) 환경의 킴벌라이트 탐사에서는 광역 자력·중력 이상의 ML 분류와 지시광물 산출지의 공간 분포 분석을 결합하는 다단계 워크플로우가 표준화되어 있다. 특히 빙하 퇴적물에 의한 지시광물 분산 패턴은 빙하 운반 방향과 모암 위치를 역추정하는 데 활용되며, 이러한 역추정 문제에 베이지안 ML 접근이 효과적인 것으로 보고되고 있다. 또한 킴벌라이트의 표면 분광 시그니처가 매우 약하다는 한계를 보완하기 위해, 고해상도 항공 영상의 텍스처 분석에 CNN을 적용하여 원형 또는 타원형 지형 표지를 자동 검출하는 접근법도 시도되고 있다. 자료 효율성 측면에서, 알려진 킴벌라이트 산출지의 수가 매우 제한적이라는 점은 PU 학습과 GAN 증강(Li et al., 2022)의 도입을 정당화하는 전형적 사례이며, 향후 전 세계 킴벌라이트 데이터베이스를 활용한 전이학습이 강력한 도구가 될 것으로 기대된다.
카보나타이트 및 알칼리암 호스트 희토류(REE) 광상
카보나타이트형 REE 광상은 알칼리암·카보나타이트 복합체(carbonatite complex)에서 산출되며(Lee and Lee, 2024), 강한 토륨(Th)·우라늄(U) 이상을 동반하므로 항공 감마선 측정 자료가 가장 효과적인 탐사 지표이다. K, U, Th 채널의 분석은 ML 기반 자동 분류에 직접 적용된다. UAV 기반 초분광 자료의 경우 Booysen et al.(2020)은 모나자이트의 Nd 흡수 특성(745, 802 nm)을 활용하여 광체를 직접 식별하는 데 성공하였다. 이러한 직접 식별 패러다임은 향후 핵심광물 자원 재평가의 표준 도구로 자리 잡을 가능성이 크다.
카보나타이트 REE 광상에 ML을 적용할 때 특히 주목되는 점은 Nd, Sm, Eu, Dy 등 개별 REE 원소의 흡수 특성을 가시·근적외선 영역에서 분광적으로 직접 측정할 수 있다는 것이다. 이는 다른 핵심광물 광상과 구별되는 결정적 장점으로, 분광 기반 직접 정량화가 가능한 거의 유일한 광상 유형이다. PRISMA, EnMAP과 같은 차세대 위성 초분광 센서는 이러한 직접 식별을 광역 규모로 확장할 수 있는 기술적 기반을 제공하며(Hajaj et al., 2024), CNN 기반 분광 분류는 단일 광체 식별을 넘어 광체 내 REE 품위(grade)의 공간 분포 정량화에 활용되고 있다. 또한 알칼리암 복합체 자체의 광역 식별을 위해 항공 자력·중력·감마선 등 다중 지구물리·지질 자료를 통합한 ML 모델(RF, CNN 등)이 활용되며, 캐나다·호주·인도 등에서 카보나타이트·알칼리암 복합체 관련 REE의 국가 규모 부존가능성 평가에 성공적으로 적용된 사례가 다수 보고되고 있다(Aranha et al., 2022; Ford et al., 2023; Parsa et al., 2024). 향후 전 세계 REE 공급망 다변화 정책이 가속화됨에 따라 카보나타이트 REE 광상의 AI 기반 광역 평가는 핵심 자원 전략의 중요한 도구가 될 것이다.
화강암 페그마타이트 호스트 Li-Ta-Nb(LCT) 광상
탄탈럼(Ta), 니오븀(Nb), 리튬(Li)은 LCT(lithium-cesium-tantalum) 페그마타이트에서 주요하게 산출되며, 이러한 광상의 탐사에서는 모암 화강암의 분화 정도와 페그마타이트 영역의 식별이 핵심이다. 페그마타이트의 분광 신호는 주변 모암 화강암과 유사하므로 단일 변수 분석으로는 식별하기 어렵고, 다중 분광 변수를 ML로 통합하는 방식이 효과적이다. Cardoso-Fernandes et al.(2019)은 포르투갈의 LCT 페그마타이트 광대에서 SVM과 RF의 비교 분석을 통해 ML 기반 페그마타이트 자동 분류의 가능성을 입증하였다. 페그마타이트형 리튬 광상에서는 노출된 페그마타이트의 표면 분광 특성(특히 사장석과 백운모의 SWIR 흡수 특성)을 이용한 ML 분류가 효과적이다. 중국 쓰촨성 자우롱(Zhawulong) 페그마타이트 광대에서는 위성 초분광 자료에 분광 매칭 기법(ACE, CEM, SAM 등)을 적용하여 스포듀민(spodumene) 함유 페그마타이트를 식별한 사례가 보고되었다(Ding et al., 2023). 이러한 표면 분광 신호 기반 접근법은 노출된 페그마타이트에는 효과적이지만, 피복층 하부의 은폐형 페그마타이트에는 항공 자력·전자기와 지구화학 자료의 다중 통합이 추가로 요구된다.
반암동 구리·몰리브덴 광상(Porphyry Cu-Mo)
반암동 광상은 세계 구리 생산의 약 75%를 담당하는 가장 중요한 구리 자원으로, 침식된 화산호(volcanic arc) 환경에서 천부 침입체와 관련하여 발달한다(Sillitoe, 2010). 반암동 광상의 탐사 지표는 다음과 같이 명확하게 정립되어 있다: (1) 동심원상 변질대 분포(중심부 칼륨변질 → 외곽 필릭변질 → 프로필리틱변질), (2) 적철석·황화광물의 자력·전자기 이상, (3) 황철석 산화에 따른 표층의 적철석·괴타이트 함철 변질 신호, (4) 구리·몰리브덴의 토양 및 수계 퇴적물 이상이다(Sillitoe, 2010).
이러한 명확한 변질 분대(zonation)는 원격탐사 기반 변질 매핑에 이상적인 환경을 제공한다. Pour et al.(2019)은 ASTER와 Landsat-8 자료에 밴드비(band ratio)·주성분분석(PCA) 등 분광 매핑 기법을 적용하여, 노출이 제한된 남극 Graham Land 환경에서도 변질광물과 암상을 효과적으로 식별하였다. Shirmard et al.(2022)의 비교 연구에서는 CNN 기반 변질 매핑이 종래 ML 알고리즘보다 일관되게 우수한 성능을 보였으며, 이는 CNN이 분광 정보뿐만 아니라 공간 맥락 정보를 함께 학습하기 때문이다. 다중 자료 융합 측면에서는 원격탐사 기반 표면 변질, 구조·암상 정보, Cu-Mo 지구화학 이상을 RF로 통합하여 반암동 광상의 부존가능성을 예측하는 워크플로우가 보고되고 있다(Abedini et al., 2023). 또한 SHAP 기반 해석을 통해 단층 근접도와 변질 강도가 가장 결정적인 변수인 것으로 여러 광대에서 일관되게 확인되고 있다(Meng and Zuo, 2025).
화산성괴상황화물(VMS) 광상
화산성괴상황화물(volcanogenic massive sulfide, VMS) 광상은 해저 분출 활동과 관련하여 발달하며, 황화광물의 자력·전자기 이상이 명확한 지표를 제공한다. AI 기반 VMS 탐사에서는 항공 자력·전자기 자료를 통합하는 다중 자료 ML이 점차 표준화되고 있다. VMS 탐사에서는 RF·SVM·ANN 등 다중 알고리즘의 예측 성능 비교가 수행되어 왔으며(Rodriguez-Galiano et al., 2015), 캐나다 Bathurst 광역의 VHMS에서도 ML 기반 부존가능성 매핑이 적용되었다(Parsa et al., 2023). 변질대 매핑 측면에서는 클로라이트·견운모의 SWIR 분광 특성과 Fe/Mg 비율 변화를 변질 강도의 정량적 지표로 활용하는 연구가 진행되고 있으며 이러한 분광 변질 지표는 Ishikawa AI(alteration index) 등 종래의 정량적 변질 지표를 ML로 자동화하는 도구로 발전하고 있다.
VMS 광상은 일반적으로 광체의 규모가 작고 모암과의 물성 대비가 뚜렷하므로, 전자기 탐사 자료(특히 시간영역 EM이나 헬리콥터 EM)의 ML 역산은 광체의 3차원 형태와 위치 추정에 결정적이다. 최근에는 합성 자료로 사전훈련한 CNN을 실제 헬리콥터 EM 자료에 전이학습하는 접근법이 캐나다와 호주의 VMS 광대에 적용되어, 종래 역산보다 처리 시간을 수십 배 단축하면서도 동등 이상의 광체 검출 성능을 보였다(McMillan et al., 2021). 핵심광물 관점에서 VMS 광상은 Cu, Zn, Pb 외에도 In, Ge, Co, Se, Te 등 부산물 핵심광물의 잠재 공급원으로 재평가되고 있으며, 이러한 부산물 원소의 공간 분포 예측에 다중 자료 ML 모델이 활용되고 있다. 또한 캐나다 슈피리어(Superior) 지구의 그린스톤대와 같은 대규모 VMS 산출지에서는 역사적 자료의 디지털화와 ML 분석을 결합한 “자료 주도 재탐사(data-driven re-exploration)”가 활성화되고 있으며, 기존에 알려진 광상 인근에서 추가 광체를 발견하는 데 기여하고 있다(Zuo et al., 2023).
조산형 금광상(Orogenic Au)
조산형 금광상은 변성 탈휘발(metamorphic devolatilization) 유체나 마그마성 유체에 의해 형성되는 광맥형(vein-type) 광상으로, 단층 시스템의 구조적 통제가 결정적이다(Chudasama et al., 2022). 광물학적으로 단순하여(주로 황철석±황비철석±자연금, ±미량 황동광) 분광 신호가 약하며, 표면 노출이 제한적인 경우가 많아 구조지질학적 변수와 지구물리·지구화학 자료의 통합이 핵심이다.
Chudasama et al.(2022)은 핀란드 라플란드 그린스톤대의 조산형 금광상을 대상으로 가중증거법, RF, ANN을 비교하여 ANN이 가장 높은 예측력을 보인다고 보고하였다. McMillan et al.(2021)의 VNet 적용 사례는 시추공 자료가 희소한 환경에서도 DL이 효과적임을 입증한 대표적 연구이다. PU 학습을 적용하여 비광상 표본 선정의 편향을 최소화한 MPM 연구가 다수 보고되고 있으며(Yin et al., 2023), 조산형 금광상은 PU 학습 패러다임의 가장 적합한 응용 영역 중 하나로 평가된다.
IOCG 및 알칼리 시스템 광상
철산화물·구리·금(iron oxide-copper-gold, IOCG) 시스템은 호주 올림픽댐, 칠레 칸델라리아 등에서 산출되는 대규모 다금속 광상이다. IOCG 광상의 광역 탐사에서는 강한 자력 이상(자철석)과 K·U·Th 감마선 이상이 결합된 특징적 시그니처가 나타나 ML 기반 통합 분석에 적합하다(Dutra et al., 2025). 알칼리암 관련 REE 광상 시스템에서도 유사한 다중 자료 기반 접근법이 활용되고 있으며(Ford et al., 2023; Aranha et al., 2022), 다중 모달 자료의 통합과 광상 모델 기반 변수 공학이 IOCG 탐사의 표준 프레임워크로 자리 잡고 있다(Skirrow et al., 2019).
IOCG 시스템은 수 km에서 수십 km에 이르는 광역 규모의 알칼리·철 변질대를 동반하므로, 위성 다중분광 자료의 ML 분석이 1차 광역 표적화에 효과적이다. 특히 적철석·자철석 비율의 분광적 추정과 칼륨장석(K-feldspar) 변질의 SWIR 시그니처는 RF나 CNN 분류기의 핵심 입력 변수로 사용된다(Pour et al., 2019). 또한 Cu, Au, U, REE 등 다금속이 함께 부존하는 특성으로 인해 IOCG 광상은 다중표적(multi-target) MPM의 이상적 응용 영역이며, 동일 모델로 다수의 핵심광물 자원량을 동시에 예측하는 멀티태스크 학습(multi-task learning) 접근이 활발히 연구되고 있다(Zuo et al., 2023). 한편 IOCG 광상의 형성 환경은 열역학적으로 복잡하여 광상 모델 자체에 대한 논쟁이 지속되어 왔으며, 자료 주도 ML 분석은 이러한 논쟁에 정량적 근거를 제공하는 도구로도 활용된다. 호주 가완러, 칠레 코퀸보, 브라질 카라자스 광역의 SHAP 기반 변수 중요도 비교 결과, IOCG의 광역 다양성에도 불구하고 단층 시스템과 알칼리 침입체 근접도가 보편적 핵심 인자임이 정량적으로 확인되었다(Dutra et al., 2025).
미시시피 밸리형(MVT) 아연-납 광상
미시시피 밸리형(MVT) 및 아일랜드형 퇴적암 부존형 아연-납 광상은 탄산염이나 사암 모암에서 천부 저온 유체의 활동으로 형성되며(Lawley et al., 2022), 지표에 노출되는 경우가 거의 없어 피복형(covered-type) 광상의 대표적 예이다. 이러한 특성으로 인해 MVT 광상은 AI 기반 다중 자료 통합 탐사의 이상적 응용 분야이다.
Lawley et al.(2022)은 캐나다 전역을 대상으로 퇴적암 부존형 Zn-Pb 시스템에 대한 대륙 규모의 자료 주도 MPM을 수행하였으며, 이는 핵심 원자재(critical raw materials)의 광역 평가에 AI를 적용한 선도적 사례이다. Porwal et al.(2003)은 지질·지구물리 등 다중 공간자료를 통합한 knowledge-driven 및 data-driven fuzzy 모델을 이용하여 기저금속 광상 부존가능성을 평가하였으며, 연구지역의 10% 미만에 해당하는 고부존가능성 영역이 모델링 및 검증용 기저금속 광상의 최소 83%를 포함한다고 보고하였다. 이러한 광상에 효과적인 변수로는 충상 단층, 탄산염 모암 두께, 분지 구조, 토양 Pb-Zn 이상, 지구화학적 분지 구조(basinal architecture) 모델 등이 있다. 흑색 셰일 부존형 광상에서는 위성 가시·적외선 분석 외에도 항공 SAR 자료의 통합이 효과적이다.
사암 호스트 우라늄 광상
우라늄과 토륨은 원자력 발전과 미래 에너지 시스템의 핵심 자원으로, 카자흐스탄형 사암 부존형 우라늄, 캐나다 아타바스카 분지의 부정합형 우라늄(unconformity-related uranium), IOCG형 광상의 부산물 등 다양한 형태로 산출된다. 우라늄·토륨 광상의 가장 효과적인 탐사 지표는 항공 감마선 분광 측정(airborne gamma-ray spectrometry)으로, K·U·Th 채널의 분석이 ML 기반 자동 분류에 직접 적용된다. 사암 부존형 우라늄 광상에서는 분지 구조, 산화-환원 경계, 단층 시스템의 통합 분석이 필요하며, 3D 분지 모델링과 ML의 결합이 효과적인 것으로 입증되었다.
사암 부존형 우라늄 광상은 산화 유체와 환원 유체의 접촉으로 형성되는 롤프론트(roll-front) 광상이 대표적이며, 광체를 식별하려면 분지 내 산화·환원 환경 경계의 3차원 매핑이 결정적이다. 이러한 환경 경계는 본질적으로 화학적 불균질성(chemical heterogeneity)을 동반하므로, 시추공 화학 자료의 다변량 ML 분석이 효과적이다. 카자흐스탄, 우즈베키스탄, 미국 텍사스 등 주요 사암 부존형 우라늄 광대에서는 RF, XGBoost, ANN을 활용한 광체 위치 예측이 채광 운영 단계에까지 활용되고 있다. 부정합형 우라늄 광상에서는 특정 단층 시스템과 흑연 함유 변성암 모암이 교차하는 지점에서 광체가 형성되므로, GNN 기반 그래프 분석이 적합하다(Zuo and Xu, 2023). 또한 소형 모듈 원자로(SMR)의 도입 확대로 향후 우라늄 수요가 증가할 것으로 전망되며, 이에 따라 해당 광상 탐사를 위한 AI 연구의 산업적 가치도 한층 높아지고 있다(IEA, 2025).
염호(brine) 호스트 리튬 광상
리튬 광상은 크게 (1) 페그마타이트형(LCT), (2) 염호형(brine), (3) 화산성·퇴적성 점토형(volcanic/sedimentary clay)으로 구분되며, 유형별로 차별화된 AI 응용 전략이 요구된다. 염호형 리튬 광상은 염호(salar) 표면의 증발지와 천부 간극수에 분포하므로, 위성 분광 자료와 다중 시기 영상을 이용한 염호 표면 변화 모니터링이 주요 원격탐사 응용이다. 남미 ‘리튬 삼각지대’(아르헨티나, 칠레, 볼리비아)에 속한 칠레 아타카마 염호를 대상으로 한 연구에서는 Landsat·Sentinel-2 장기 시계열에 SVM 지도분류를 적용하여 증발지(solar evaporation pond) 면적 변화를 추출하고, 이를 리튬 생산량과 정량적으로 연관지었다(Xiang et al., 2025). 다만 염호형 리튬에 대한 ML 적용은 현재까지 주로 지표 증발지·생산 모니터링과 표면 증발암 광물 매핑에 집중되어 있으며, 분지 구조의 지구물리·수리지질 모델과 통합한 채광 가능 자원량의 정량적 평가나 시계열 기반 광상 활성도 판별 등은 아직 초기 연구 단계에 있다. 화산성 점토 부존형 광상은 5.14절에서 별도로 다룬다.
염호 리튬 광상의 ML 분석에서 특히 중요한 점은 분지 내 리튬 농도의 공간적 불균질성이다. 동일 염호 내에서도 리튬 농도가 수십 배 변화할 수 있으며, 이는 분지의 수문지질학적 흐름 구조와 증발 단계에 강하게 의존한다. 시추공 자료가 제한적인 환경에서도 표면 분광·지구물리·시추공 자료를 통합한 GNN 기반 모델은 분지 전체의 농도 분포를 효과적으로 추정할 수 있다(Zuo and Xu, 2023). 또한 위성 시계열 자료의 분광 분석은 염호의 계절적 변화와 장기적 농도 변화를 동시에 포착하며, 이는 활성 채광지의 지속가능성 평가에 직접 활용되고 있다. 한편 염호의 지하수위와 증발량 변화는 현장 관측과 수치 수리지질 모델링을 통해 정량화되어, 생태계 영향을 최소화하는 지속가능한 염수 채취 설계에 핵심 정보를 제공한다(Marazuela et al., 2020). LSTM·트랜스포머 등 시계열 딥러닝은 일반 호수의 수위 예측 등 수문 분야에서 발전하고 있어 향후 이러한 염호 모니터링에도 접목될 가능성이 있으나, 염호형 리튬을 대상으로 한 적용은 아직 보고되지 않았다.
심해저 망간단괴 및 해저열수광상(SMS)
심해저 망간단괴는 Mn, Ni, Cu, Co, REE의 잠재 자원으로 주목받고 있으며(Lee and Xu, 2024), 동태평양 클라리온-클리퍼톤 균열대(CCZ)는 가장 광범위한 망간단괴 매장지이다. 심해저 광상의 탐사에서는 다중빔 음향측심(multi-beam echosounder), 후방산란 강도, 퇴적물 두께, 해저 사진 영상의 통합이 핵심이다. CNN 기반 해저 사진 자동 분석은 망간단괴의 풍부도(abundance)와 크기 분포를 정량화할 수 있으며, 광역 자원 평가에 적용되고 있다.
해저열수광상(seafloor massive sulfide, SMS)의 탐사에서도 음향측심·자력·전자기 등 다중 지구물리 자료를 ML로 통합하여 표적을 자동 식별하는 연구가 보고되고 있다. 예를 들어 Haroon et al.(2023)은 TAG 열수지대에서 음향측심 자료에 U-Net 합성곱 신경망을 적용해 마운드 구조를 식별하고, 자력 시그니처와 인공송신원 전자탐사(CSEM) 및 현장 시료 자료를 결합하여 SMS 표적을 우선순위화함으로써 탐사 면적을 초기의 7% 미만으로 축소하였다. SMS는 본질적으로 현생 VMS이므로 5.5절에서 논의한 VMS 탐사의 ML 전략을 직접 응용할 수 있으나, 해저 환경의 자료 가용성 한계와 비용 제약으로 인해 자료 효율적 학습 전략(자기지도학습, 전이학습 등)의 중요성이 특히 크다.
심해저 자원 탐사에서 AI 도입이 특히 중요한 이유는 단순한 탐사 효율성을 넘어 환경 영향 평가와 지속가능한 채광 전략 수립에 있다. 동태평양 CCZ에서는 망간단괴의 표면 분포 외에도 심해 생태계의 보존 가치가 매우 높으며, AI 기반 해저 사진 분석은 단괴의 풍부도 정량화와 함께 생물 다양성 평가도 수행할 수 있게 한다(Zuo et al., 2023). 또한 SMS 탐사에서는 활성 열수 분출구(active vent)와 비활성 광상의 구분이 환경 영향 평가의 핵심이며, 다중 시점의 음향 자료와 화학 자료의 ML 통합 분석이 이러한 구분에 활용된다. 광상학과 환경과학을 통합하는 이러한 다목적 AI 응용은 21세기 자원 탐사의 새로운 표준으로 자리 잡아 가고 있으며, 광상 탐사 AI 연구의 사회적 가치를 부각한다는 점에서도 중요한 의미를 지닌다.
조산대 변성 흑연 광상
흑연(graphite)은 이차전지 음극재의 핵심 원료로 핵심광물 목록에 포함되어 있으며, 탄질 퇴적층의 고온·고압 변성작용으로 형성된 변성기원 흑연 광상이 주요 공급원이다(Luque et al., 2014). 흑연은 전 분광역에서 반사율이 낮고 평탄한(강한 광역 흡수, 저알베도) 특이한 분광 특성을 보이며, 흑연 광상의 분광 식별은 이러한 저반사 신호를 활용한다(Bruschini et al., 2022). 또한 흑연 함유 모암(편마암, 결정질 석회암)의 변성 정도와 결정도(crystallinity)는 광물의 품질을 결정하며, 라만 분광 자료의 ML 분석이 이에 활용된다.
흑연 광상의 ML 적용은 다른 핵심광물 광상과 구별되는 두 가지 측면에서 주목된다. 첫째, 흑연의 결정도와 결정 크기는 음극재의 산업적 가치를 결정하며, 이는 라만 분광에서 G밴드(1580 cm–1)와 D밴드(1350 cm–1)의 강도 비(ID/IG)로 정량화된다. CNN 기반 라만 스펙트럼 분석은 다수의 시료에 대한 결정도를 자동으로 평가할 수 있게 하며, 이는 자원 평가 단계에서 광상의 산업적 가치를 신속히 추정하는 데 활용되고 있다. 둘째, 흑연의 전기전도도 이상은 항공 IP(induced polarization)·EM 자료에서 강한 신호로 나타나므로, ML 기반 통합 분석에서 유용한 보조 변수로 활용된다. 다만 황화광물에 의한 전도도 이상과 구별할 필요가 있으며, 다중 자료 통합 모델은 이러한 모호성을 효과적으로 해소한다. 마다가스카르, 모잠비크, 캐나다 그렌빌 변성대 등 주요 산출지에서 ML 기반 변성도·구조 통합 매핑이 향후 전 세계 흑연 공급망 다변화에 기여할 것으로 전망된다.
이온흡착형 풍화각 호스트 REE 광상
이온흡착형 풍화각(ion-adsorption regolith) 부존형 REE 광상은 중희토류(HREE)의 주요 공급원으로, 풍화각의 깊이, pH, 양이온교환능(cation exchange capacity, CEC) 등 토양 화학 특성에 강하게 의존한다. 풍화각 두께와 광체 형성 간의 비선형 관계는 ML 모델로 효과적으로 포착할 수 있다.
Li et al.(2022)은 GAN 증강 CNN을 풍화각 부존형 REE 광상에 적용하여 학습 자료 부족 문제를 완화하고 예측 정확도를 유의미하게 높였다. 이는 GAN 기반 자료 증강이 자료가 희소한 광상 유형(특히 풍화각 REE, 화산성 점토 리튬)에서 강력한 도구임을 입증한 선구적 연구이다. 또한 풍화각 두께 추정을 위한 항공 전자기(airborne EM) 자료의 ML 역산은 비파괴적 자원 평가의 표준 도구로 자리 잡고 있으며, 향후 자기지도 사전훈련 모델의 도입으로 레이블 효율성이 더욱 향상될 것으로 기대된다.
이온흡착형 풍화각 REE 광상은 중국 남부(장시성, 광둥성)에서 전 세계 중희토류 공급의 대부분을 담당해 왔으나, 최근 미얀마, 베트남, 라오스, 브라질, 마다가스카르 등 유사 지질 환경에서 신규 광상 발견이 보고되면서 전 세계 공급망 다변화의 핵심 표적으로 부상하였다. 이러한 광상의 형성에는 모암(분화 화강암)의 REE 부화, 열대·아열대 기후의 강한 화학적 풍화, 양이온교환능을 갖춘 점토 광물(특히 카올리나이트, 할로이사이트)의 발달이 모두 요구되므로, 이 다중 조건을 동시에 충족하는 영역의 광역 식별에 ML 통합 분석이 효과적이다(Li et al., 2022). 풍화 환경의 시공간 변화를 반영하기 위해 위성 식생 지수와 토양 수분 자료의 시계열 분석이 보조 변수로 활용되며, 향후 전 세계 풍화각 데이터베이스 기반 전이학습이 신규 발견을 가속화할 것으로 전망된다.
화산성 점토 호스트 리튬 광상
화산성 점토(volcanic clay) 부존형 리튬 광상은 호수성 퇴적과 변질·풍화의 복합 기원으로 형성되며, 미국 McDermitt 칼데라가 대표적 사례이다. 표면 분광 신호가 약하므로 항공 자력·전자기, 지구화학, 지질 정보의 종합적 융합이 필수적이다. 학습 자료의 양적·질적 한계가 가장 큰 장애 요인이며, GAN 기반 증강과 자기지도학습이 효과적인 자료 효율 전략으로 주목받고 있다(Li et al., 2022). 또한 칼데라 구조의 3D 모델링과 점토 광물(헥토라이트, 일라이트)의 분광 특성 정밀 분석을 결합한 다중 모달 ML 접근법은 향후 표준 워크플로우로 발전할 가능성이 높다.
최근 미국 네바다주 Thacker Pass 광상의 발견을 계기로 화산성 점토 부존형 리튬이 차세대 주요 리튬 자원으로 부상하였으며, 이에 따라 전 세계적으로 유사 칼데라 시스템에 대한 AI 기반 표적화 연구가 가속화되고 있다. 화산성 점토 광상은 광체의 표면 노출이 상대적으로 양호한 경우가 많아 위성·항공 다중분광 분석이 1차 도구로 효과적이며, 특히 점토 광물의 SWIR 흡수 특성(1.4, 1.9, 2.2 µm)은 RF나 CNN 분류기의 효과적인 입력이 된다(Hajaj et al., 2024). 그러나 점토 광물 자체는 광범위한 풍화·변질 환경에서 산출되므로 리튬 부화의 직접 지표로는 한계가 있어, 칼데라 구조의 3D 지구물리 모델, 호수 퇴적 분지의 시공간 진화, 후기 변질 역사의 통합 분석이 필수적이다(Zuo et al., 2023). 이러한 다중 모달 통합 분석에서 자기지도 사전훈련 기반 파운데이션 모델(Bommasani et al., 2021; Meng and Zuo, 2025)은 광역 자료를 효율적으로 활용할 수 있게 하는 핵심 도구로 부상하고 있다.
광상 모델과 AI의 통합: 종합 논의
광상 모델(deposit model)은 광상의 형성 환경, 광체 형태, 변질 분대, 지구화학 시그니처, 지구물리 특성을 종합적으로 정리한 개념적 틀이며, 100년 이상의 광상학 연구를 통해 정립되어 왔다. 광상 유형별 AI 적용 전략을 Table 3에 정리하였다. AI 기반 광상 탐사는 이러한 광상 모델의 가치를 대체하는 것이 아니라, 오히려 광상 모델을 정량화하고 자동화하는 새로운 도구로 기능한다는 점이 중요하다. 본 논문에서 검토한 14개 핵심광물 광상 유형의 AI 적용 전략은 광상 성인군별로 차별화된 패턴을 보이며, 이를 Fig. 3에 통합 분류 모식도로 정리하였다. 예를 들어 반암동 시스템의 동심원상 변질 분대는 명확한 공간적 패턴을 보이며, 이는 CNN의 공간 패턴 학습에 이상적인 입력이 된다. 마찬가지로 조산형 금광상의 단층 통제는 GNN의 그래프 구조 학습에 적합하며, MVT 광상의 분지·단층 시스템은 다중 자료 통합 ML의 효과적인 적용 영역이다.
Table 3.
Summary of AI-based exploration strategies and representative case studies by deposit type
| Deposit Type | Key Exploration Data | Major ML/DL Techniques | Representative Case Study Region | References |
| Kimberlite-Diamond | Airborne magnetics; indicator mineral chemistry | RF, CNN, t-SNE | Slave, Yakutia, and Kaapvaal cratons | Schönig et al., 2021; Naprstek and Smith, 2022 |
| Carbonatite-hosted REE | Airborne gamma-ray; ASTER; UAV hyperspectral | RF, CNN, direct spectral identification | Marinkas Quellen, Namibia; Siilinjärvi, Finland | Booysen et al., 2020; Hajaj et al., 2024 |
| LCT/NYF pegmatite (Li-Ta-Nb) | Satellite/airborne multispectral and hyperspectral | SVM, RF, CNN | Portugal; Zhawulong, China | Cardoso-Fernandes et al., 2019; Ding et al., 2023 |
| Porphyry Cu-Mo | ASTER; Sentinel-2; magnetics; Cu-Mo geochemistry | CNN, RF, XGBoost, SHAP | Circum-Pacific volcanic arcs | Abedini et al., 2023; Shirmard et al., 2022 |
| VMS (Volcanogenic Massive Sulfide) | Airborne magnetics/EM; alteration spectroscopy | RF, SVM, ANN, CNN, transfer learning | Bathurst and Superior, Canada | Parsa et al., 2023; McMillan et al., 2021 |
| Orogenic gold | Fault structure; geochemistry; borehole data | RF, ANN, VNet, PU learning | Finnish Lapland; Birimian terrane, Ghana | Chudasama et al., 2022; McMillan et al., 2021; Yin et al., 2023 |
| IOCG system | Magnetics; gamma-ray; multispectral; alkaline intrusions | RF, multi-task DL, SHAP | Gawler, Australia; Coquimbo, Chile | Skirrow et al., 2019; Dutra et al., 2025; Zuo et al., 2023 |
| MVT sediment-hosted Zn-Pb | Basin architecture; faults; soil Pb-Zn anomalies | RF; continental-scale data-driven integration | Canada-wide; Carpentaria Basin, Australia | Lawley et al., 2022 |
| Sandstone-hosted uranium | Airborne gamma-ray; basin redox interfaces | RF, XGBoost, GNN, 3D basin modeling | Kazakhstan; Athabasca Basin, Canada | Zuo and Xu, 2023 |
| Brine-hosted lithium | Sentinel-2 time-series; basin geophysics | RF | South American Lithium Triangle | Xiang et al., 2025 |
| Deep-sea Mn nodules / SMS | Multibeam acoustics; backscatter; seafloor imagery | CNN; self-supervised pre-training | Eastern Pacific CCZ; seafloor hydrothermal vents | Haroon et al., 2023 |
| Metamorphic graphite in orogenic belts | Hyperspectral; Raman spectroscopy; airborne EM/IP | CNN, RF | Madagascar; Mozambique; Grenville Province | Luque et al., 2014; Bruschini et al., 2022 |
| Ion-adsorption regolith-hosted REE | Airborne EM regolith thickness; soil chemistry | GAN-augmented CNN; transfer learning | Southern China; Myanmar; Madagascar | Li et al., 2022 |
| Volcanic-clay-hosted lithium | Magnetics/EM; caldera structure; clay spectroscopy | GAN augmentation; self-supervised; multi-modal DL | McDermitt and Thacker Pass, USA | Hajaj et al., 2024; Li et al., 2022; Zuo et al., 2023 |
Fig. 3.
Integrated classification of AI application strategies by deposit genesis. The critical mineral deposit types are grouped into six genetic categories (magmatic, magmatic-hydrothermal, hydrothermal, sedimentary-basinal, metamorphic, and weathering/supergene). For each deposit type, the dominant data type and representative AI strategy are shown.
이들 광상 유형별 응용 사례는 다음과 같은 공통 원칙을 보여 준다: (1) 노출이 좋은 표면 광상(반암동 천부, LCT 페그마타이트, 변성 흑연 등)에서는 원격탐사 기반 변질·광물 직접 매핑이 1차 도구로 효과적인 반면, (2) 은폐형 광상(MVT, IOCG, 화산성 점토 리튬, SMS, 부정합 우라늄 등)에서는 항공 자력·전자기·감마선 자료의 비중이 절대적이며, (3) 자료 부족 광상 유형(풍화각 REE, 화산성 점토 리튬)에서는 GAN 증강이나 자기지도학습이 핵심 도구로 부상하고 있다. 또한 동일한 핵심광물(Li, REE)이라도 광상 성인에 따라 완전히 다른 AI 적용 전략이 요구된다는 점은, 광상학의 도메인 지식과 데이터 과학의 알고리즘적 정교함이 결합될 때 단순한 합산을 넘어서는 시너지 효과가 창출됨을 시사한다. 따라서 향후 광상 탐사 연구에서는 광상 모델 기반 변수 공학(deposit-model-driven feature engineering), 광상 유형별 알고리즘 최적화, 광상 유형 간 전이학습이 표준 패러다임으로 자리 잡을 것이다.
최신 동향과 과제
자기지도학습과 파운데이션 모델
자기지도학습(self-supervised learning, SSL)은 레이블 없이 대규모 자료로부터 일반화 가능한 표현을 학습하는 패러다임으로, 광상 탐사의 본질적 레이블 부족 문제를 완화하는 유망한 접근법으로 부상하였다. 자연어 처리와 컴퓨터 비전 분야에서 검증된 대조학습(contrastive learning), 마스크 자동인코딩(masked autoencoding) 등의 기법이 광상 탐사에 적용되기 시작하였으며, Meng and Zuo(2025)는 그래프 대조학습(graph contrastive learning)을 MPM에 적용하여 레이블 효율성과 일반화 성능을 동시에 높였다. 이러한 접근법은 광상 유형 간 또는 지역 간 전이학습의 기반을 제공한다는 점에서 중요한 의미를 지닌다.
파운데이션 모델(foundation model)은 방대한 비레이블 자료로 사전훈련한 뒤 다양한 하위 작업에 맞게 미세조정할 수 있는 범용 모델로, 자연어 처리(GPT, BERT)와 컴퓨터 비전(CLIP, DINO) 분야에서 패러다임 전환을 이끌었다(Bommasani et al., 2021). 지구과학 분야에서는 SeisCLIP과 같은 지진학 기반 모델이 등장하였으며, 광상 탐사 분야에서도 다중 출처 지구공간 자료(위성 영상·지구화학·지구물리 등)를 통합한 광상 탐사용 파운데이션 모델의 개발이 시작되고 있다. 예컨대 Daruna et al.(2024)은 대규모 비레이블 다중 모달 지구공간 자료에 마스크 영상 모델링 기반 자기지도 사전훈련을 적용한 뒤, 이를 북미·호주의 연-아연 광상 부존가능성 매핑에 활용하는 지구공간 파운데이션 모델(GFM4MPM)을 제시하였다. 이러한 모델은 광상 탐사의 디지털 전환을 가속화하고, 소규모 광업 회사에도 첨단 AI 기술의 접근성을 높이는 데 기여할 것으로 기대된다.
물리정보 신경망(PINN)과 지질 제약 학습
순수 자료 주도 모델의 가장 큰 약점은 학습 자료의 분포 외 영역(out-of-distribution)에서 외삽(extrapolation) 성능이 급격히 저하된다는 점이다. 또한 물리적·지질학적으로 모순되는 예측을 산출하기도 한다. 물리정보 신경망(PINN)은 지배 방정식을 손실 함수에 내재화하여 이러한 문제를 해결하는 접근법으로, 지구물리 검층 자료의 광물 부피 추정(Pothana and Ling, 2025), 시추공 자료 기반 단층 분포 추정, 열역학 광화 모델 시뮬레이션 등에 적용되고 있다.
광상 탐사에서 ‘지질 제약(geologically constrained) 학습’은 PINN의 개념을 더 넓게 적용한 것으로, 광상 모델에서 도출된 지질학적 사전 정보를 손실 함수, 은닉층 구조, 또는 후처리 단계에 명시적으로 통합한다. 예를 들어 반암동 시스템에서 변질 분대의 공간적 일관성, 단층 시스템의 위상학적 제약, 광상 유형별 원소 비의 범위 제약 등을 명시적으로 인코딩하는 접근법이 제안되고 있다(Luo et al., 2023). 이러한 모델은 자료 부족 환경에서 특히 우수한 성능을 보이며, 광상학 전문가의 도메인 지식과 데이터 과학의 정량적 정교함을 결합한다는 점에서 향후 광상 탐사 AI의 주류 패러다임으로 자리 잡을 가능성이 크다.
불확실성 정량화 및 모델 보정
광상 탐사 의사결정의 본질은 비용·편익 분석이며, 단순한 점추정(point estimate)보다 불확실성 분포의 정량화가 시추 결정과 같은 고비용 의사결정에서 결정적이다. 베이지안 신경망, 몬테카를로 드롭아웃, 딥 앙상블 등 다양한 불확실성 정량화 기법이 광상 탐사에 도입되고 있으며(Zuo, 2020), 특히 인식적 불확실성(epistemic uncertainty)과 우연적 불확실성(aleatoric uncertainty)의 구분은 자료 추가 수집 가치(value of information)의 평가에 직결된다.
모델 출력의 보정(calibration) 또한 중요한 측면이다. DL 모델은 일반적으로 “과신(overconfident)” 경향을 보이며, 이는 광상 탐사의 신뢰도 평가에 부정적 영향을 미친다. Temperature scaling, Platt scaling, isotonic regression 등의 보정 기법이 광상 탐사 모델에 적용되기 시작하였으며, 보정된 부존가능성 점수는 광상 발견 확률의 정량적 의미를 지니게 된다. 또한 공간 블록 교차검증과 결합된 불확실성 정량화는 공간적 일반화 성능을 엄정하게 평가할 수 있게 한다(Agterberg and Cheng, 2002).
데이터 부족과 전이학습 전략
광상 탐사는 본질적으로 “희소 사건(rare event)” 분류 문제이다. 알려진 광상의 수가 전체 영역의 0.1% 미만인 경우가 많으며, 이러한 극심한 클래스 불균형은 표준 ML·DL 학습에 근본적인 난제로 작용한다. 클래스 불균형의 완화를 위한 자료 수준 기법(SMOTE, 가중 오버샘플링), 알고리즘 수준 기법(focal loss, weighted cross-entropy), 모델 수준 기법(앙상블, 비용 민감 학습)이 활용되고 있으나, 근본적 해결을 위해서는 추가적인 전략이 필요하다.
전이학습(transfer learning)은 풍부한 자료가 있는 광상 유형(예: 반암동 Cu-Mo)에서 사전훈련한 모델을 자료가 부족한 광상 유형(예: 화산성 점토 리튬)에 미세조정하는 전략으로, 광상 유형 간 공유되는 일반적 특성(변질 패턴, 단층 통제, 지구화학 시그니처)을 활용한다. 도메인 적응(domain adaptation) 기법은 지역 간 또는 지질환경 간 모델 전이에 활용되며, 특히 합성 학습 자료와 실제 자료 간의 도메인 불일치(domain gap)를 줄이는 데 효과적이다. GAN 기반 자료 증강은 자료 부족 환경에서 가장 강력한 도구 중 하나이며, Li et al.(2022)의 풍화각 REE 광상 적용 사례는 그 효과를 명확히 입증하였다.
설명가능성과 지질학적 일관성
AI 기반 광상 탐사의 실용적 채택을 위해서는 모델의 예측이 단순히 정확한 것을 넘어 지질학적으로 타당해야 한다. SHAP 분석, 주의 지도(attention map) 시각화, 반사실적 설명(counterfactual explanation) 등의 XAI 기법은 모델 예측의 근거를 광상 탐사 전문가에게 제시하며, 이러한 근거가 기존 광상 성인 모델과 일관되는지를 평가하는 도구가 된다(Lundberg and Lee, 2017). 다수의 사례 연구에서 SHAP 분석 결과, 단층 근접도, 변질 강도, 특정 지구화학 비율이 광상 유형별로 일관된 중요도를 보이는 것으로 확인되었으며, 이는 자료 주도 모델의 예측이 기존 광상 성인 모델과 상당 부분 일관됨을 시사한다. 다만 이러한 일관성이 곧 모델이 광화작용의 인과 구조를 학습했음을 보증하는 것은 아니다.
그러나 XAI가 만능은 아니며, 다음과 같은 과제가 남아 있다: (1) SHAP 등 사후 해석 기법의 결과가 모델 구조에 의존하여 일관되지 않을 수 있다는 점, (2) 변수 간 상호작용 효과가 단순 변수 중요도로 환원되지 않는다는 점, (3) 광상학적 도메인 지식과의 정량적 비교를 위한 표준 절차가 부재하다는 점이다. 향후 ‘해석가능성을 모델 구조에 직접 내재화’하는 접근법(예: 광상 모델 기반 주의(attention) 구조, 인과적 그래프 신경망)의 발전이 필요하며, 이는 이전에 논의한 광상 모델과 AI의 통합 패러다임의 핵심을 이룬다.
한편 이러한 가능성에도 불구하고 AI 기반 광상 탐사는 명확한 한계를 내포한다. 자료 주도 모델은 학습 자료의 품질과 대표성에 근본적으로 의존하므로, 역사적 탐사 자료에 내재된 공간적 표본 편향이 예측에 그대로 전파되기 쉽다. 또한 알려진 광상의 시그니처를 학습하는 구조상 기존 광상과 유사한 영역을 우선 지목하는 확증 편향으로 인해 신규 유형이나 미탐사 지역의 광상을 간과할 위험이 있으며, 대부분의 연구가 교차검증 지표에 머무를 뿐 실제 시추 발견으로 검증되는 경우는 드물다. 아울러 지역·광상 유형 간 모델의 전이성이 제한적이고, 코드·자료·하이퍼파라미터의 비공개로 재현성이 미흡한 사례가 많으며, 성공 사례 위주의 출판 편향(publication bias)으로 AI 기법의 실효성이 과대평가될 소지가 있다(Zuo, 2020; Yang et al., 2024). 따라서 AI 기반 부존가능성 점수는 고비용 시추 의사결정의 단일 근거가 아니라, 이전에 논의한 불확실성 정량화·보정·설명가능성 평가를 거쳐 전문가의 지질학적 판단과 반드시 통합되어야 한다.
결론 및 향후 전망
본 논문은 핵심광물 광상 탐사를 위한 머신러닝 및 딥러닝 기법의 국제 연구 동향을 이론적 배경에서부터 광상 유형별 지질학적 응용, 최신 과제에 이르기까지 체계적으로 종합하였다. 지난 10년간 AI 기반 광상 탐사 연구는 급격히 증가하였으며, 랜덤 포레스트·XGBoost와 같은 고전적 ML 알고리즘에서 시작하여 CNN, 오토인코더, GAN, 트랜스포머, 그래프 신경망과 같은 첨단 DL 구조에 이르기까지 폭넓은 기법이 광상 탐사의 각 단계에 도입되었다. 광상부존가능성지도(MPM)는 이러한 기법이 집약되는 분야로서 자료 주도, 자동화, 정량적 예측의 방향으로 본격적으로 전환되었으며, 3D 및 4D MPM의 발전은 은폐형 심부 광상 탐사라는 21세기 자원 탐사의 핵심 과제에 대응하는 도구로 자리 잡고 있다(Lee and Moon, 2026).
본 논문의 가장 중요한 통찰은 광상 유형별로 차별화된 AI 적용 전략의 정립이다. 반암동 구리-몰리브덴, 조산형 금, 퇴적암 부존형 아연-납, 카보나타이트 REE, 페그마타이트 리튬-탄탈럼, 풍화각 REE, 화산성 점토 리튬 등 각 광상 유형은 고유한 광화 메커니즘과 탐사 지표를 지니므로, 동일한 AI 알고리즘이라도 광상 유형별 최적 입력 변수, 평가 지표, 자료 효율 전략이 상이하다. 특히 노출이 좋은 표면 광상에서는 원격탐사 기반 변질·광물 직접 매핑이 효과적인 반면, 은폐형 광상에서는 항공 자력·전자기·감마선 자료의 비중이 절대적이며, 자료 부족 광상 유형에서는 GAN 증강과 자기지도학습이 핵심 도구로 부상하고 있다.
향후 광상 탐사 AI 연구가 직면한 핵심 과제는 다음과 같이 요약할 수 있다. 첫째, 자기지도학습과 파운데이션 모델의 광상 탐사 응용은 레이블 부족 문제를 근본적으로 완화할 수 있는 패러다임이며, 향후 5–10년 내에 광상 탐사용 범용 파운데이션 모델이 등장할 것으로 예상된다(Bommasani et al., 2021). 둘째, 물리정보 신경망과 지질 제약 학습은 자료 주도 모델의 외삽 성능과 지질학적 일관성을 동시에 확보하는 차세대 패러다임으로 자리 잡을 것이다. 셋째, 불확실성 정량화와 모델 보정은 시추 의사결정과 같은 고비용 결정의 신뢰도 평가에 필수적이며, 베이지안 딥러닝과 딥 앙상블의 광상 탐사 적용이 표준화되고 있다. 넷째, 설명가능 인공지능과 광상 모델 기반 해석가능 구조의 결합은 자료 주도 모델이 광상학 전문가의 신뢰를 얻고 실용적 의사결정에 활용되기 위한 전제 조건이다.
광상 탐사 AI는 광상 모델의 가치를 대체하는 것이 아니라 이를 정량화하고 자동화하는 도구로 기능한다는 점을 거듭 강조할 필요가 있다. 100년 이상의 광상학 연구를 통해 정립된 광상 모델은 변수 공학, 학습 알고리즘 설계, 결과 해석의 모든 단계에서 AI 모델의 지질학적 기반을 제공한다. 따라서 향후 광상 탐사 연구에서는 광상학의 도메인 지식과 데이터 과학의 알고리즘적 정교함이 진정으로 통합되는 것이 표준이 될 것이며, 이러한 통합은 단순한 기법의 합산을 넘어 새로운 과학적 통찰의 창출로 이어질 것이다.
탄소중립 시대의 핵심광물 안정적 공급은 단순한 자원 정책 문제를 넘어 전 세계 에너지 전환 전체의 성공 여부를 결정하는 전략적 과제이다. AI 기반 광상 탐사는 신규 광상 발견율의 감소, 은폐형 심부 광상 탐사의 어려움, 환경적 제약의 강화라는 21세기 광상 탐사의 구조적 과제에 대응하는 핵심 도구이다. 본 논문이 정리한 국제 연구 동향과 광상 유형별 응용 사례는 향후 학계와 산업계 양측에서 AI 기반 광상 탐사의 실용적 응용을 가속화하는 데 기여할 수 있을 것이다.
