秩特征分析方法在矿产资源预测中的应用

提出了一种新的矿产资源靶区定位预测的统计方法—秩特征分析方法。该方法以地质变量之间秩相关分析为基础,根据地质变量集合中某一地质变量与其余地质变量之间总的秩相关程度来度量该变量的重要性大小,根据每个地质变量在统计单元（万能的资源靶区）上的取值情况计算单元成矿联系度,,再根据单元成矿联系度相对大小评价优选矿产资源靶区。该统计方法可以同时使用定性、定量和半定量三种地质变量,减少了由于数据离散化而造成的地质信息丢失,可以最大限度地利用各种类型地质变量所提供的有用信息。     

混合类型地质变量亲近关系度量模型

矿产资源定量预测中,地质变量在时间域与空间域上存在着质与量的差别,无论在数据采集上或信息量的提取中都存在着不平衡性。地质变量的这种不平衡性是由地质背景中的庞大噪声体系及工作系统误差造成的,在一定程度上将影响地质定量预测模型的稳定性与效果。针对上述问题提出一种将传统地质变量与非传统地质变量进行语义融合的组合度量方法。该法主要通过模型区与预测区中的共有变量集合与独有变量集合筛选,确定传统变量与非传统变量的定义与赋值方法,再通过空间联系度混合游程检验与质检验确定母体归属关系,建立非传统地质变量的替代组合度量模型,解决模型区定量预测模型外推过程中的质量塌陷与信息丢失问题。最后通过实际案例计算证实了该方法的有效性。     

基于机器学习的三维矿产定量预测——以四川拉拉铜矿为例

在大数据蓬勃发展的时代背景下,矿产资源定量预测作为地质大数据的核心部分,其综合分析挖掘多元信息的基本思路与大数据的理念不谋而合。以四川拉拉铜矿为例,开展基于机器学习的三维矿产资源定量预测。通过建立三维地质模型,提取成矿有利信息,构建研究区定量预测模型;基于"立方块预测模型"找矿方法,采用机器学习随机森林算法,计算出研究区成矿概率分布,以此圈定出5个找矿远景区。结果表明,随机森林具有更高的预测准确度与稳定性,且能够对控矿要素重要性做出定量评价。该研究成功地将机器学习应用于三维矿产定量预测,为今后的矿产资源预测评价做出了积极的探索。     

研究程度较低地区的矿产资源潜力评估方法应用研究

具一定数量并有确定储量的模型单元是建立矿产资源潜力预测模型的基础.在勘探程度较低地区已知储量的模型单元极少条件下,为了开展资源潜力评估,引用丰度估计法、聚类分析和加权丰度进行银矿资源的潜力预测,并对其不同预测结果进行比较研究和综合评价,其预测成果具有一定可靠性.聚类分析谱系图直观,可综合利用地质、物探、化探、遥感多个变量对样本进行分类,其结果比一般传统分类方法更全面合理;丰度估计法适用于成矿规律相类似地区及以矿石矿物形式存在的元素含量的分析;加权丰度适合于多矿种的矿化系列的靶区定量预测.当研究区模型单元很少时,预测方法的采用,应取决于研究区资料收集的类型及数量等:如地质、物探、化探、遥感资料较齐全,就用聚类分析,结合另两种方法进行相互印证.对模型单元所提取的统计参数要尽可能代表研究区单元所具有的特征.     

模型区定量估算参数确定

预测模型是将当代成矿理论与现代高新综合勘查技术结合,并将传统的定量数值科学方法与计算机信息技术结合的桥梁。目前全国正在开展的矿产资源潜力评价工作中,资源量估算采用的是矿床模型综合地质信息体积法,该方法基于模型区含矿地质体的体积及其赋含的资源储量来获得模型区含矿系数,再通过类比估算其他预测区潜在资源量。以红石山镍矿为例,详细讲述了模型区的圈定以及含矿地质体定量参数确定的原则及方法。研究认为,国内外目前选用的许多定量预测模型一般都缺少对矿床成因等因素的考虑,该方法则通过对成矿有利的含矿建造的限定来确定成矿系统的范围,从而较好地将矿床成因与定量模型结合起来,提高了预测资源量的可信度。     

基于CART算法的三维成矿预测研究——以安徽白象山矿区为例

把地质大数据和人工智能技术引入矿产资源定量评价及成矿预测体系中,提高了海量地质数据的有效信息挖掘,弥补了传统方法的不足。本文基于白象山矿区基础地质资料和物化探成果资料,利用三维地质体建模技术和三维空间分析技术,量化三维控矿因素,建立了一种基于CART 算法的三维成矿预测模型。通过在白象山矿区的实验表明：该模型能较好的定位已知矿体,并且预测出在已知矿体北部、东部、东北部、西部、南部和东南部具有较高的成矿概率,可圈定找矿靶区。该模型将地质大数据应用于找矿勘探工作,具有纯数据驱动、预测精度高、预测结果可靠等优点。研究发现,该模型的预测效果与训练数据集的数量、矿控因素提取、决策树深度等有关。     

Application of ArcGIS in Prediction of Iron Ore Resources in the Western Segment of East Kunlun:A Case Study of Sedimentary Metamorphic-type Iron Deposits

结合地质、物探、化探、遥感等多元找矿信息,通过对多元信息的发现、提取、转换和关联,并利用信息综合技术建立区域综合信息矿产预测模型,进行矿产资源定量评价,是目前矿产资源勘查领域信息找矿的重要途径之一.本文从研究区的地质背景和已知的7个沉积变质型铁矿(点)出发,结合野外验证分析,建立成矿模型与有利区提取模型,基于ArcGIS平台,建立研究区的空间数据库,通过对多元资料的综合分析,并对各控矿因素进行综合评定,提取3个主要方面的预测因素:沉积地层;有利地球化学异常(Fe元素);有利地球物理异常(原平面).根据这3个证据图层与已知铁矿(化)点的叠加合成空间相关性分析,运用证据权模型和加权logistic回归模型进行成矿有利度评价,结合遥感蚀变信息缩小找矿范围,圈定3个沉积变质型铁矿预测区.研究结果显示东昆仑西段地区具有较好的找矿前景.     

物化探信息综合处理在找矿靶区定量优选中的应用

转变思维方式,将航磁数据改变成与化探数据相同的格式,应用多元统计分析方法建立基于物化探综合信息的区域Au找矿靶区定量预测模型。模型中航磁信息展现出优于Au元素的判别能力。以定量预测模型对全区各研究单元与已知有矿单元做相似程度判定,选择相似程度高的53个单元为一级找矿靶区(每个靶区面积25 km~2),其中18个(34%)靶区内有已知矿床(点)产出,认为,其余35个(66%)预测找矿靶区应该是寻找Au矿的有利区域。此结果不但改变了传统(定性)地质研究中认为,航磁成果对Au矿找矿靶区判定效果不佳的结论,同时更加充分说明,海量数据信息中隐藏着极大的潜能,只有转变思维方式,依据大数据的观念,应用定量研究的方法(用数学的方法研究地质问题)才能将其充分地挖掘出来。     

基于逻辑回归模型的化探异常信息识别研究——以克拉玛依地区为例

化探数据对矿产资源勘查工作有着重要作用,其中比较关键的工作就是从化探数据中识别矿床相关的化探异常信息。在化探异常信息识别工作中也发展出了较多的技术,但是它们大多针对单变量进行分析。为了对多变量化探数据进行分析并识别金矿相关的地球化学异常信息,笔者将逻辑回归模型用于研究区化探数据分析,通过研究区内对金矿预测比较有价值的16种元素的逻辑回归建模及模型应用,发现逻辑回归是一种有效的化探多变量数据分析和建模技术,研究结果显示,笔者建立的逻辑回归模型不仅可以有效识别已知金矿区的地球化学异常信息,而且对那些还未发现矿床的区域具有预测作用,能够为矿产资源勘查工作重点区域的选择提供指导。     

降低矿产资源定量预测不确定性的双向预测方法

成矿过程是一个复杂的物理化学过程,由于地质自身的不确定性、原始数据采集和处理的不当、预测方法中经验参数的不确定性等多重因素的叠加,造成矿产资源定量预测结果中潜在大量不确定性。在科学认识这些不确定性的基础上,如何降低不确定性是预测评价研究的一个重要方向。以地质异常理论和成矿动力学为指导,双向预测评价方法是降低地质异常分析中不确定性的有效途径,该方法具体包括基于矿床成因模型的成矿模拟和基于找矿模型与勘查数据相结合的模型驱动预测。前者作为研究成矿地质演化过程、探讨成矿动力学机制的定量化方法之一,可以直观展示成矿过程内部物理化学变化。作为对致矿地质异常分析的有效手段,通过将成矿过程抽象为不受时空间限制的可迭代计算的偏微分方程组,可实现定量化描述复杂成矿动态过程并预测成矿有利部位。通过挖掘成矿有利信息,分析地质变量并赋值,为预测模型提供大量的定量化预测变量和特征值,是矿产资源定量预测评价的一个最具潜力的发展方向。后者以勘查学为指导的矿化异常分析,从矿致地质异常的角度开展定量预测,减少了单一成矿有利信息的多解性并降低了预测结果的不确定性。该技术手段是依托空间数据库、地质统计学和地理信息系统空间分析技术支撑,以三维地质体模型的建立为基础,以分析成矿规律并建立找矿模型为核心工作内容,以证据权、找矿信息量等数学方法为工具,统计分析研究区内各地质要素单元的分布情况来探讨各地质要素对矿产预测的影响,最终实现基于“立方体预测模型”的定位、定量和定概率的隐伏矿体三维预测目标。以上方法从两种不同的地质角度和定量化理念创新性地实现了双向联合预测评价,两种技术手段的融合作为综合圈定“5P”找矿地段的数学地质方法,其作用和价值是相互补充并有机结合的。通过文中方法介绍和应用实例的研究成果,可以明确该方法确实提高了矿产资源定量预测评价的预测精度,一定程度上降低了预测的不确定性,整体上推动了地球科学研究由定性描述向定量化自然科学的转变。     

深度挖掘数据潜在价值提高找矿靶区定量优选精度

找矿效果取决于找矿靶区预测的准确程度,传统的“综合信息成矿预测”(定性研究)已无法深入挖掘现有地质信息的潜在价值。本文应用大数据思想、方法,对甘肃省祁连山—龙首山地区1∶20万区域化探数据做分幅平差,消除了原始数据的系统误差。应用回归分析建立信息修复模型,增强了化探信息与区域Cu矿的相关关系。通过判别分析算法,构建了区域“化探信息Cu找矿靶区定量优选系列模型”,对研究区Cu找矿靶区做出定量预测。经统计,一、二级预测靶区中包含已知铜矿的比率高于22.0%,其面积仅占总研究区的1.72%。大数据找矿靶区定量预测在大幅提高预测精度的同时,很大程度地缩小了预测找矿靶区的面积。在对系列模型预测效果做出定量评价的同时,通过所建系列模型组合元素的特征分析,该研究也为进一步研究区域矿床成因和控矿条件提供了定量依据。     

数字滑坡技术及其应用

“数字滑坡”技术,就是以遥感（RS）和空间定位方法为主,结合其他勘探、试验、调查手段获取数字形式的、与地理坐标配准的滑坡基本信息;并利用GIS技术存贮和管理这些数字信息;在此基础上,根据滑坡地学原理进行空间分析,研制各类模型,并服务于滑坡调查、监测、研究、滑坡灾害评价、危险预测、灾情评估、滑坡防治等。通过金龙山三维数字模型,卫星监测易贡滑坡、三峡库区重点城镇滑坡及千将坪滑坡等地的遥感调查说明数字滑坡技术的实际应用。     

工程地质中基于OpenCASCADE的地表和地层三维建模

为了更加直观和准确地分析工程地质中的地质信息,通过对比分析传统三角网建模方法的优缺点,展示了OpenCASCADE曲面建模技术在三维模型中的连续程度、光滑度、细腻度等方面的优势.利用该技术建立三维地表和地层层面模型,并通过地层层面的求交和缝合技术完成了地层层间实体模型构建.基于OpenCASCADE几何造型库在VC＋＋平台下实现了地表、地层模型的三维可视化和场景控制功能.通过桥梁工程地质的实例应用,结果表明：三维地表地层模型的应用可以有效提高工程建设中地质分析和地质解译的直观性和可靠性.     

成矿环境空间结构的模糊建模

为了提高矿产预测的精度和可靠性, 必须分析和利用与矿床有关的空间结构信息.提出了一种用模糊集建立成矿环境空间结构模型的方法.成矿环境空间结构是地质变量在矿床周围的分布, 可用变量与空间点之间的模糊关系来描述.同一地区的同类矿床, 其空间结构具有一定相似性, 通过这种相似性的极大化可对结构模型进行优化.优化的结构模型是一种包含了方向和距离关系的特殊的空间关联规则集, 也是模糊推理矿产预测的推理规则库.通过模糊推理进行结构相似性的比较, 可对任意点上的找矿有利性进行预测.以云南东川地区铜矿预测的实例说明了该方法具有良好的应用效果.      

面向成矿远景评价的MapGIS空间分析模型

以综合信息成矿远景预测评价模型（方法）分析为基础,通过对信息量法的改进,导出基于二态赋值与因子分析的线性加权法、加权闵可夫斯基距离法成矿远景综合评价模型;将信息量法等拓展为地质变量构置、筛选、赋值（变换）的方法,作为面向成矿远景定量预测评价GIS空间分析建模的依据（领域模型）;应用混合型空间模型法,构建了基于变量存在与否赋值的成矿远景定量预测评价MapGIS空间分析模型。以武夷山成矿带1∶5万长坑幅铁、铜、铅锌成矿远景预测为例,应用构建的模型,进行定量预测评价。共圈定铁、铜、铅锌成矿远景区12处,其中,A类3处、B类3处、C类6处。     

A comparative study of sequential minimal optimization-based support vector machines,vote feature intervals,and logistic regression in landslide susceptibility assessment using GIS

Landslide susceptibility assessment using GIS has been done for part of Uttarakhand region of Himalaya (India) with the objective of comparing the predictive capability of three different machine learning methods, namely sequential minimal optimization-based support vector machines (SMOSVM), vote feature intervals (VFI), and logistic regression (LR) for spatial prediction of landslide occurrence. Out of these three methods, the SMOSVM and VFI are state-of-the-art methods for binary classification problems but have not been applied for landslide prediction, whereas the LR is known as a popular method for landslide susceptibility assessment. In the study, a total of 430 historical landslide polygons and 11 landslide affecting factors such as slope angle, slope aspect, elevation, curvature, lithology, soil, land cover, distance to roads, distance to rivers, distance to lineaments, and rainfall were selected for landslide analysis. For validation and comparison, statistical index-based methods and the receiver operating characteristic curve have been used. Analysis results show that all these models have good performance for landslide spatial prediction but the SMOSVM model has the highest predictive capability, followed by the VFI model, and the LR model, respectively. Thus, SMOSVM is a better model for landslide prediction and can be used for landslide susceptibility mapping of landslide-prone areas.     

基于信息量模型和信息量-逻辑回归模型的海南岛中部山区地质灾害易发性研究

地质灾害易发性评价作为地质灾害风险评价的基础,运用定量化的数学统计原理对地质灾害易发性进行研究能够客观准确地反映地质灾害发生的概率.文章以海南岛地质灾害最为发育的五指山市为例,选择断裂、 岩土体、 坡度、 地形起伏度、 海拔高程变异系数、 归一化植被指数(NDVI)、 降雨量、 水系、 公路、 曲率值为评价指标,依托详...     

A Comparative Study of Least Square Support Vector Machines and Multiclass Alternating Decision Trees for Spatial Prediction of Rainfall-Induced Landslides in a Tropical Cyclones Area

The objective of this study is to explore and compare the least square support vector machine (LSSVM) and multiclass alternating decision tree (MADT) techniques for the spatial prediction of landslides. The Luc Yen district in Yen Bai province (Vietnam) has been selected as a case study. LSSVM and MADT are effective machine learning techniques of classification applied in other fields but not in the field of landslide hazard assessment. For this, Landslide inventory map was first constructed with 95 landslide locations identified from aerial photos and verified from field investigations. These landslide locations were then divided randomly into two parts for training (70 % locations) and validation (30 % locations) processes. Secondly, landslide affecting factors such as slope, aspect, elevation, curvature, lithology, land use, distance to roads, distance to faults, distance to rivers, and rainfall were selected and applied for landslide susceptibility assessment. Subsequently, the LSSVM and MADT models were built to assess the landslide susceptibility in the study area using training dataset. Finally, receiver operating characteristic curve and statistical index-based evaluations techniques were employed to validate the predictive capability of these models. As a result, both the LSSVM and MADT models have high performance for spatial prediction of landslides in the study area. Out of these, the MADT model (AUC = 0.853) outperforms the LSSVM model (AUC = 0.803). From the landslide study of Luc Yen district in Yen Bai province (Vietnam), it can be conclude that the LSSVM and MADT models can be applied in other areas of world also for and spatial prediction. Landslide susceptibility maps obtained from this study may be helpful in planning, decision making for natural hazard management of the areas susceptible to landslide hazards.     

Quantitative landslide susceptibility mapping at Pemalang area,Indonesia

For quantitative landslide susceptibility mapping, this study applied and verified a frequency ratio, logistic regression, and artificial neural network models to Pemalang area, Indonesia, using a Geographic Information System (GIS). Landslide locations were identified in the study area from interpretation of aerial photographs, satellite imagery, and field surveys; a spatial database was constructed from topographic and geological maps. The factors that influence landslide occurrence, such as slope gradient, slope aspect, curvature of topography, and distance from stream, were calculated from the topographic database. Lithology was extracted and calculated from geologic database. Using these factors, landslide susceptibility indexes were calculated by frequency ratio, logistic regression, and artificial neural network models. Then the landslide susceptibility maps were verified and compared with known landslide locations. The logistic regression model (accuracy 87.36%) had higher prediction accuracy than the frequency ratio (85.60%) and artificial neural network (81.70%) models. The models can be used to reduce hazards associated with landslides and to land-use planning.