CN103942841A - 基于gis的矿产资源多元信息处理方法及其系统 - Google Patents
基于gis的矿产资源多元信息处理方法及其系统 Download PDFInfo
- Publication number
- CN103942841A CN103942841A CN201310356820.XA CN201310356820A CN103942841A CN 103942841 A CN103942841 A CN 103942841A CN 201310356820 A CN201310356820 A CN 201310356820A CN 103942841 A CN103942841 A CN 103942841A
- Authority
- CN
- China
- Prior art keywords
- layer
- information
- model
- module
- ore
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Abstract
本发明公开了一种基于GIS的矿产资源多元信息处理方法及其系统,该方法包括:步骤一,建立成矿规律和概念模型;步骤二,根据所述概念模型建立独立条件图层;步骤三,根据所述独立条件图层进行空间分析建模;步骤四,根据空间分析建模结果生成预测单元。该方法实现了矿产资源预测模型的共享和操作过程的自动化。
Description
技术领域
本发明属于矿产资源评价领域,特别是涉及一种基于GIS的矿产资源多元信息处理方法及其系统。
背景技术
在GIS(Geographic Information System,地理信息系统)技术环境下开展矿产资源定量评价,实现资源评价工作的自动化、数字化、智能化是矿产资源勘查与预测的重要发展趋势。传统的矿产资源评价方法中,多源地学信息的直接“载体”是纸张地图和数据表格,地质学家通过阅读这些图件和表格,将有用的信息记录下来,再根据已有的地质理论知识和以往工作经验对各种信息之间的复杂关系进行分析与综合,最后对研究区的矿产资源潜力做出统计推断。为了使地质图、物化探图等信息转变为成矿预测信息,往往需要繁重的人工取数工作,而对于衡量地质复杂程度的熵值或构造线密度等复杂信息的提取,人工手段就会变得非常繁琐和复杂。
20世纪地理信息系统GIS的兴起对地学的发展产生了重大影响,GIS的重要作用不仅在于其空间海量数据的管理能力,更重要的是智能化的空间信息提取和信息综合功能。它能快速地处理海量空间数据,获取空间信息,解决复杂地学问题。基于多元信息和信息综合技术的矿产资源定量评价与成矿预测是近年来矿产资源勘查领域的快速发展方向之一,也是理论-信息找矿的重要途径之一。基于GIS技术的定量评价有助于解决数字化介质的变量选择、赋值等,促进矿产资源定量评价的自动化程度。
基于GIS的矿产资源评价,多源地学信息的直接“载体”是“电子地图”和与之相关的“属性表”,原来靠“读图方式”完成的信息提取工作和信息综合工作可以借助于计算机来自动完成。这样,可以极大地提高矿产资源评价工作的效率。通过对地质勘探所积累的地质、地球物理、地球化学、遥感等数字化信息进行整理、综合分析、数据处理、数据综合、定量预测及成果表达等,其主要实现方式是通过图层(Coverage)来对各类预测要素进行管理。图层代表着相同特征的地理实体,具有一定空间范围的集合,由点、线、面图元构成,是相互有机联系的图形,它的几何特性用网络拓扑结构表达,而图元实体的属性采用关系数据库表达。
从研究区域的基础空间数据库出发,这些图层需要通过各种专门的成矿信息方法,生成一些中间图层,即成矿信息提取图层,如对地球化学数据处理进行累乘累加等各种运算,形成综合异常图层,这些中间数据图层往往具有更加丰富的成矿信息。在资源评价中,必须像数据仓库一样,能够对成矿信息中间图层进行接纳与管理。传统矿产资源评价系统,较少考虑数据之间的流程关系,现代GIS定量评价系统不是一些定量方法的简单集合,也不能是一个定量数据计算程序包,而应是从GIS空间数据库出发,构筑从成矿分析提取、单元划分、变量构置、定位预测、矿产资源定量评价等相互依赖的过程系统。其中数据流程是一个非常核心的问题,其关键是建立多元地学数字化信息与建立区域矿产资源潜力的关系。为了全面地综合多元成矿信息,确定成矿信息的重要性,本发明提出了建立GIS矿产资源评价的“独立条件图层”概念。
建立了独立条件图层,就可以使用空间分析建模技术,生成不规则地质预测单元。本发明提出运用图解建模器技术,图解建模是指运用直观的图形语言将一个具体的建模过程表达出来。一个简单的模型要包括模型输入、输出、分析或处理工具三方面内容。复杂的分析过程可以由一系列简单模型组合而成。图解模型可以自动执行所定义的操作功能,当模型经过检验和执行无误后即可被保存以便在需要时使用。建立的模型还可以被进一步用于组建新的模型,模型的建立和应用具有很大的灵活性,同时经过检验的模型还可以与多用户共享。
模型生成器简称建模器(Model Builder),最初出现在ArcView3的空间分析模块中,是进行空间处理工作流程和脚本图形化的建模工具,使用建模器技术可以简化复杂空间处理模型的设计和实施。ArcGIS9中同样提供了建模器技术,但ArcGIS9中的建模器仅限于空间处理模型,对于更复杂的分析工作还不能进行建模。为此,本发明还开发了适合于矿产资源评价的建模器技术,它不仅对于一般的空间处理可以建模,而且对于更复杂的资源预测分析和决策过程也可以建模,它还提供了适合重复性和迭代性工作的建模器技术。
通过图解建模器技术可以将复杂的地质问题分解为可操作的GIS模型及其模型组合,以避免地质模型、数学模型和GIS模型的脱节,更有利于保证所建模型的正确性和地质意义,同时便于对结果的解释和方案的调整、优化。从应用层面上,建模器技术非常便于对模型的检验、更新、修正、共享等。不同用户可以对模型进行直接使用或者进行修正和改进,可以通过改变输入和输出参数使模型满足他们的具体需要。从操作层面上,可以对模型进行迭代、重复、优化等,作为中间的过渡输出结果并不需要保存,需要时可以通过运行模型很快产生,这样避免大量中间结果的存储,导致数据库管理的困难。
在新一轮国土资源大调查和2006年国土资源部启动的全国矿产资源潜力评价项目,在全国范围内开展多矿种矿产资源潜力定量化预测,在实施过程中,对多种预测方法进行了创新和改进。开展全国性矿产资源预测是一项需要很强的协调性和统一性的系统工程,涉及大量地质矿产研究人员、定量化建模人员、GIS分析和操作人员等参与和配合,今后全国矿产潜力评价也要步入常态化。如何从组织上、方法上、技术上保证全国矿产潜力评价项目的合理实施和预测结果的质量是项目成败的关键,通过方法和技术的创新提出在矿产资源全过程使用建模技术,这样尽可能保证项目的可行性、操作性、统一性,特别是在关键环节上都要使地质人员、定量化建模人员、GIS分析和操作人员有共同的研究和讨论平台,从而使大家对预测工作的许多关键环节达成共识,比如预测要素的确定和预测要素向预测图层的转换等都要使矿床研究人员与定量化建模人员以及GIS分析和操作人员参与并了解处理过程和分析结果,以便保证预测结果的精度和结果的可解释性,说明建模技术的必要性和重要性。
发明内容
本发明的目的在于提供一种基于GIS的矿产资源多元信息处理系统及其方法,用于实现矿产资源预测模型的共享和操作过程的自动化。
为了实现上述目的,本发明提供一种基于GIS的矿产资源多元信息处理方法,其特征在于,包括:
步骤一,建立成矿规律和概念模型;
步骤二,根据所述概念模型建立独立条件图层;
步骤三,根据所述独立条件图层进行空间分析建模;
步骤四,根据空间分析建模结果生成预测单元。
所述的矿产资源多元信息处理方法,其中,所述步骤一中,进一步包括:
通过分析区域成矿规律、典型矿床与成矿模式,确定控矿要素和控矿标志的优化组合。
所述的矿产资源多元信息处理方法,其中,所述步骤二中,进一步包括:
建立信息预处理图层、信息提取图层、信息分析图层、信息转换图层和信息综合图层的步骤。
所述的矿产资源多元信息处理方法,其中,所述步骤三中,进一步包括:
步骤31,定义地质概念模型;
步骤32,确定合理的模型和模型处理工具;
步骤33,确定模型的输入和输出;
步骤34,确定建立模型的参数;
步骤35,确定模型的实施条件。
所述的矿产资源多元信息处理方法,其中,所述步骤四中,进一步包括:
采用图层组合运算功能对多组证据图层进行叠加,可以形成组合图层,生成不规则预测单元。
为了实现上述目的,本发明提供一种基于GIS的矿产资源多元信息处理系统,其特征在于,包括:
规律模型建立模块,用于建立成矿规律和概念模型;
条件图层建立模块,连接所述规律模型建立模块,用于根据所述概念模型建立独立条件图层;
空间分析建模模块,连接所述条件图层建立模块,用于根据所述独立条件图层进行空间分析建模;
预测单元生成模块,连接所述空间分析建模模块,用于根据空间分析建模结果生成预测单元。
所述的矿产资源多元信息处理系统,其中,所述规律模型建立模块,还用于:
通过分析区域成矿规律、典型矿床与成矿模式,确定控矿要素和控矿标志的优化组合。
所述的矿产资源多元信息处理系统,其中,所述条件图层建立模块,还包括:
信息预处理图层模块,用于建立信息预处理图层;
信息提取图层模块,用于建立信息提取图层;
信息分析图层模块,用于建立信息分析图层;
信息转换图层模块,用于建立信息转换图层;
信息综合图层模块,用于建立信息综合图层。
所述的矿产资源多元信息处理系统,其中,所述空间分析建模模块,还用于:
步骤31,定义地质概念模型;
步骤32,确定合理的模型和模型处理工具;
步骤33,确定模型的输入和输出;
步骤34,确定建立模型的参数;
步骤35,确定模型的实施条件。
所述的矿产资源多元信息处理系统,其中,所述预测单元生成模块,还用于:
采用图层组合运算功能对多组证据图层进行叠加,可以形成组合图层,生成不规则预测单元。
与现有技术相比,本发明的有益技术效果在于:
本发明提出了一种基于GIS的矿产资源多元信息提取与综合、信息图层管理、空间模型建立和图形建模技术,具有面向矿产预测的自动化、数字化、智能化特点,为矿产预测人员、定量建模人员、GIS操作人员开展综合研究和空间决策提供了公共的平台,有助于实现矿产资源预测模型的共享和操作过程的自动化。
附图说明
图1是本发明基于GIS的矿产资源多元信息处理方法流程图;
图2是本发明基于GIS的矿产资源多元信息处理系统结构图;
图3是本发明基于GIS的矿产资源评价综合信息图层创建方法流程图;
图4是本发明空间分析建模方法流程图;
图5是本发明评价要素叠加法分析手段示意图;
图6是本发明两个评价要素叠加法示意图;
图7是本发明三个评价要素叠加法示意图;
图8是本发明非必要成矿条件的处理方法图;
图9是本发明预测要素建模流程图;
图10是本发明圈定远景区方案;
图11是本发明远景区圈定图。
具体实施方式
以下结合附图和具体实施例对本发明进行详细描述,但不作为对本发明的限定。
如图1所示,是本发明基于GIS的矿产资源多元信息处理方法流程图。该流程的具体步骤如下:
步骤101,建立成矿规律和概念模型;
通过对区域成矿规律、典型矿床与成矿模式深入研究的基础上,确定控矿要素和控矿标志的优化组合。
创建模型的目的包括几方面:首先,它可以帮助人们规划和设计所要开展的空间分析过程,即以流程图的形式记录所作设计的思想,以便进一步修改和实施;在流程设计和确定基础上,自动实现流程中的每一步骤;如果发现流程有误或者设计方案不够合理,可以对流程进行修改和完善。如果没有模型的帮助,记录和管理数据以及处理过程中所需要的数据输入和输出就会变得非常困难。一个复杂的模型包含了一系列相关的处理过程。任何时候,都可以添加新的处理模型,也可以删除不再需要的模型内容,或是改变模型之间的相互关系,还可以改变模型的约束条件或模型参数值等,例如,用新的数据替换老的数据集作为模型输入或者一个模型的输出作为下一个模型的输入等。
模型是对复杂现实的某种简化、抽象和归纳,通过建立模型可以从复杂的现实问题中分解、抽象、归纳出问题的本质,并采用可视化的形式将分析过程进行表达,以便于对分析过程的修改。一个模型形成的过程就是对研究对象分析和认识的过程,是将问题从“问题域”转移到“解决问题域”的过程。
简单地说,模型是对现实世界的描述,一个模型仅仅描述那些解决问题的重要因素,并且创建一个简单的、易管理的流程图。通过对流程图的理解人们可以了解建模人员的思想和工作步骤。模型的类型是多种多样的,比如模型可以是定量的,可用公式来表达;也可以是逻辑的,可用逻辑语言来表达;还可以是概念的,可用文字和符号等表示。在矿产资源预测和评价中,模型是多样的。在这里主要讨论逻辑分析和空间分析模型,包括在GIS环境下如何实现模型建立的自动化和规范化,如何服务于矿产资源预测的每个重要环节。
采用地理信息系统(GIS)或地理信息技术(Geo IT)与其他计算机信息技术(IT)的不同之处在于:GIS所处理的不是一般的数据而是空间数据,即具有空间分布位置属性的数据以及与空间位置有关的非空间属性数据,比如各种地图所涉及的空间点、线、面数据和图像中涉及的栅格像元数据等均为具有空间分布位置的空间数据。同时处于这些位置的描述性数据,比如点、线、面的各种特征均可看作与空间位置相关的属性数据。因此,应用GIS技术的重要目的之一是开展空间分析,比如分析点、线、面之间的空间关系和逻辑关系,复杂的空间关系可以由一系列简单空间分析模型来完成。分析过程可以采用流程图来表达。
空间分析模型是指用于GIS空间分析的数字模型或逻辑模型。空间分析建模是指运用GIS空间分析工具建立模型流程的过程,其建立过程包括明确问题、分解问题、组建模型、检验模型结果和应用分析结果等步骤。空间分析是地理信息系统的主要特征,也是评价一个地理信息系统功能的主要指标之一,它是基于空间对象的拓扑特征以及其他属性特征进行的数据处理,其主要目的在于提取空间对象之间的相关信息。模型的分类是多样的,在GIS环境下的空间分析模型包括但不局限于以下类型:
(1)空间分布模型。研究空间对象的空间分布特征所需建立的模型,主要包括:空间分布参数的描述,如空间对象分布密度和统计特征,如均值、方差、对称性等;空间分布类型检验,如正态分布、均匀分布、聚类分布、分形分布检验等;趋势分析,反映现象的空间分布趋势;空间聚合与分解,反映空间对比与趋势。
(2)空间关系模型。研究基于空间对象的位置和属性特征的空间物体的关系,包括距离、方向、连通性和拓扑等空间关系,其中拓扑关系是最常见的空间关系,比如岩体内或外接触带关系,断层上下盘的关系等。距离是空间对象之间的最直接关系,比如远近关系可以用于许多其他相关关系的研究,比如矿床分布与离构造的距离关系等;连通性是描述空间对象的又一重要属性,比如两地道路的连通性,介质中空隙的连通性;方向性也是重要的拓扑属性。比如构造的方向性等往往是研究构造和构造分类的依据。研究这些空间关系常常可以通过建模来实现。
(3)空间相关模型。空间对象之间的相关性研究是GIS应用具有独到之处的工作,也是开展复杂问题研究的基本过程。比如研究矿床的分布与岩体的空间分布关系,矿床分布与构造交换的空间分布关系等均是应用GIS空间分析功能的常见例子。空间对象之间的关系既可以是简单的直接关系,也可以是间接的复杂关系;既可以是显式的关系,也可是隐式的关系;既可以是确定性关系,也可以是统计性关系,许多空间相关分析可以通过建模过程来实现。
(4)预测、评价与决策模型。进行空间预测、评价与决策是最能发挥GIS应用的工作,通过多种空间关系和海量空间数据支撑空间决策和预测是GIS应用的重要优势。比如根据对过去和现在的分析推断未来,根据已知推测未知,运用科学知识和手段来估计未来发展趋势,并做出判断与评价,形成决策方案,用以指导行动,以获得尽可能好的实践效果是当前智能GIS应用的领域。整个过程中均可采用建模技术。
步骤102,建立独立条件图层;
将找矿标志与找矿信息相关联,在GIS环境下通过信息提取和综合,依据找矿模型建立预测评价模型,形成意义明确、内涵丰富、满足定量化预测需要的“独立条件图层”。
步骤103,空间分析建模;
根据具体预测目标对各种找矿标志(或预测变量)进行不断地筛选、优化、组合,形成一套最优化预测要素(找矿标志)组合。建模过程需要地质人员与定量评价建模人员共同完成。地质人员提供了概念模型的合理性,定量建模人员实现概念模型与预测评价模型的合理转化和预测评价模型的具体表达。
步骤104,生成预测单元;
采用图层组合运算功能(Overlay)对多组证据图层进行叠加,可以形成组合图层,生成不规则预测单元,如果需要叠加更多的证据图层形成更复杂的不规则地质单元,可以进一步叠加其他证据图层。
最终目的采用各种不同的计算方法计算单元成矿有利度、成矿概率等,优化圈定找矿远景区。该计算方法既可以是数据驱动方法,也可以是知识驱动方法,还可以是混合型方法等等。
如图2所示,是本发明基于GIS的矿产资源多元信息处理系统结构图。结合图1,该系统200包括:规律模型建立模块21、条件图层建立模块22、空间分析建模模块23、预测单元生成模块24。
规律模型建立模块21,用于成矿规律和地质概念模型的建立;具体地,就是通过对区域成矿规律、典型矿床与成矿模式深入研究的基础上,确定控矿要素和控矿标志的优化组合。这一步是基础,所有预测结果都要以矿床规律模型为基础。
不同的矿种、同一矿种的不同矿床类型对应不同的控矿要素和控矿标志的组合。该组合是依据成矿规律、成矿分析提取的预测要素组合,是其它模块的依据和理论基础。
条件图层建立模块22,用于建立独立条件图层;具体地,就是将找控矿标志与找矿信息相关联,在GIS环境下通过信息提取和综合,依据找矿模型(地质概念模型是定性的,为地质找矿目标,而找矿模型是依据成矿规律建立某一类型矿种的一定矿床类型的找矿要素组合)建立预测评价模型,形成意义明确、内涵丰富、满足定量化预测需要的独立条件图层。该模块22进一步包括:
信息预处理图层模块,用于建立信息预处理图层;
信息提取图层模块,连接信息预处理图层模块,用于建立信息提取图层;
信息分析图层模块,连接信息提取图层模块,用于建立信息分析图层;
信息转换图层模块,连接信息分析图层模块,用于建立信息转换图层;
信息综合图层模块,连接信息转换图层模块,用于建立信息综合图层。
条件图层建立模块22,是对各种成矿信息进行预处理、加工、分析以及综合的过程,体现了综合信息矿产预测的思路和手段,通过此模块,相关的信息可以纳入到成矿预测软件平台上,每个模块之间都相互衔接,前一步为后一步的基础,条件图层建立模块22为下一步预测提供了数据的中间结果,此结果蕴藏了丰富的成矿信息。
空间分析建模模块23,用于空间分析建模;具体地,该模块是根据具体预测目标对各种找矿标志(或预测变量)进行不断地筛选、优化、组合,形成一套最优化预测要素(找矿标志)组合。规律模型建立模块21是初步确定的控矿要素和控矿标志的组合,而空间分析建模模块23要进行筛选、计算、重新进行优化组合,达不到预测指标的要删除。建模过程需要地质人员与定量评价建模人员共同完成。地质人员提供了概念模型的合理性,定量建模人员实现概念模型与预测评价模型的合理转化和预测评价模型的具体表达。它为下一步预测单元生成模块24提供运算组合,此模块通过建模器来实现。
预测单元生成模块24,用于生成预测单元;具体地,该模块是采用图层组合运算功能(Overlay)对多组证据图层(即各种地质、物探、化探、遥感等的数据图层)进行叠加,可以形成组合图层,生成不规则预测单元,如果需要叠加更多的证据图层形成更复杂的不规则地质单元,可以进一步叠加其他证据图层。预测单元通过建模器生成不规则预测单元,为后续矿床靶区预测提供必要的基础图层。形成组合图层是通过GIS空间分析功能(overlay),将证据图层进行计算,重新进行组合。
该系统200最终目的是采用各种不同的计算方法计算单元成矿有利度、成矿概率等,优化圈定找矿远景区。计算方法可以是数据驱动方法,也可以是知识驱动方法,还可以是混合型方法等。
如图3所示,是本发明基于GIS的矿产资源评价综合信息图层创建方法流程图。该流程描述了建立矿产资源评价的独立条件图层的过程,结合图1、2,对该过程描述如下:
独立条件图层,是指能够将原始空间地质、地球物理、地球化学、遥感数据、成矿信息提取所生成的中间图层信息统一起来,形成便于矿产定量预测的图层,它是GIS矿产资源评价的一种数据流程和管理方式,体现了多元成矿信息的有机统一。
GIS矿产资源评价的全过程可以划分为信息预处理、信息提取、信息分析、信息转换和信息综合五个部分。每个部分在矿产资源评价系统中,均采用具有拓扑结构的图层表达。其独立性体现在它是由计算机根据一定准则自动生成的有别于其它图层的图层;条件性体现在预测图层,如果按规则网格划分,则根据研究区的矿点分布状况给出;如果按非规则单元划分,则主要根据矿床存在的必要性条件来确定单元。独立条件图层具体包括以下几方面:
步骤301,创建信息预处理图层
主要包括遥感图像处理、地球化学数据的处理、地球物理数据处理和地质数据预处理等,通过生成信息预处理图层,增强了多源地学数据中有用信息的可识别程度,为下一步的信息提取做准备。
众所周知,成矿作用过程是复杂的,其复杂性决定了矿床成矿元素的不均匀性和多变性,也决定了地球物理场与地球化学场的复杂多变性。因而应对勘探资料作深层次成矿信息提取与研究,只有这样才能把握复杂的成矿规律。成矿信息提取是针对地质勘查资料进行的,通过成矿信息提取,建立信息预处理图层,具体操作对象是将地质信息数据、地球物理信息数据、地球化学信息数据、遥感数据等信息,这些数据信息或是图形信息、或是数据信息、或是属性信息。
矿产预测要素信息的提取首先遇到的问题是对地质数据和变量的研究。它们是地质统计分析工作的基础,研究效果好坏,在很大程度上取决于处理后地质数据和取值后地质变量数据能够反映研究对象本质变化的程度。在各类预测研究中,预测效果的优劣,在很大程度上取决于所选择和构置的地质变量在其取值和变换后所得数据与预测对象的直接和间接关联程度。因此,地质数据预处理、地质变量的选择、构置、取值和变换是矿产预测要素信息提取研究工作中一项十分重要的任务。
(1)地质数据和地质变量关系
通常地质数据是指地质工作或地质科学研究中所产生的大量地质观测值,包括数字、文字、图件、表格等;而地质变量是指参与建立数学模型的成分和参数。地质数据是构置地质变量的基础。有的地质数据可直接作为地质变量的取值,但多数地质数据需要经过加工处理后才能用来构置地质变量。故将地质数据构置为地质变量时,首先要对地质数据进行预处理。
(2)地质数据的预处理
这是指用地质数据构置地质变量前对地质数据进行处理。目的是排除或压低数据中所包括的随机干扰(噪音),突出有用信息,提高数据的可利用程度,增强构置地质变量的可靠性。另外还包括对数据的统计分布研究,混合总体筛分,可以及错误观测值的剔除、奇异值的稳健处理,缺失数据的补齐、过密数据的抽稀、数据网格化、不同技术条件下所获得不同水平的资料的分析处理等。
(3)数据的校正
这方面预处理在各类数据中应用较多。如对地球化学测量数据,为了消除或压低由于地形、河流及季节性气候变化等因素对背景值的影响,在构置或使用化探数据作为变量时,应对数据进行背景值的环境校正。同理,对激发极化测量的电阻率数据,为了排出土壤、地形、环境因素的影响,亦必须通过对远景区数据的环境校正预处理,排除环境异常而突出矿化异常。为了克服由于卫片数字图像的失真畸变而造成图像分辨率和对比度下降,可对卫片数字图像进行空间量化和灰度级量化处理。又如,对同一研究对象所采集的样品体积不同,但由于样品数量的限制又必须利用它们所提供的信息,一般情况下,样品体积越大会导致组份含量的方差越小,且含量级别变化而形成不同的频率分布,因而在使用样品体积不等的组份含量数据时,首先应进行条件校正预处理,通常采用体积加权法。
(4)数据分布均匀化
地质数据在空间上分布由于数据不齐全使得分布不均匀。在进行统计分析时为了不丢失信息,一般采用插值法、统计法和计算机模拟法对缺失数据进行补齐;对过密数据进行抽样;用滑动窗、单元平均值等方法对空间不均匀分布数据进行网格化处理,使成为均匀分布的二维数据矩阵。
(5)可疑观测值剔除及奇异值的稳健处理
一批数据中,个别数据在数组中与其他数据相差非常大,如此值不加处理直接参加建立模型,容易造成错误结果。对此种数据要进行可疑性判断,如是可疑值即可剔除。通常用格拉布斯法进行判定。
(6)其他方面的预处理
如不同时间,不同技术水平条件下所获得的化探数据,在利用时需消除不同元素因分析方法灵敏度不一而造成的含量不可比性。若不同时期测得的化探数据是在同一地质构造背景上,则可计算各自的衬度(异常含量与背景平均值或与异常下限值之比),衬度值具有可对比性。
以上列举的各类数据预处理可提高地质数据的可利用程度(包括精度和数据容量),是进一步构置地质变量的基础,应予以足够重视。
信息(information)是用数字、图形、影像、文字、符号及介质来表达事件、事物、现象的内容、数量或特征,信息来自未加工的原始资料数据。成矿信息是指指示和识别某种矿床的成矿条件和赋存方式的地质信息总和,可分描述性、事实性成矿信息,及通过深加工才能获取的加工型数据。成矿信息的提取与综合就是在全面研究和综合分析地质、地球物理、地球化学和遥感资料的基础上,总结成矿规律及控矿因素,从中提取出指示矿床存在、赋存规模及质量的评价信息,为潜在矿床的预测评价,制订普查找矿的最佳方案提供依据。成矿信息的提取与综合的重要性体现在以下几点:
1.成矿分析是目标性、探索性预测
尽管一个地区的成矿分析和资源评价有明确的目标性,但目前仍未出现一种唯一性找矿方法。例如对隐伏金矿床的勘查由于受到当前技术与理论发展的限制,某一找矿信息确定并不一定有效,这使得到预测成果具有探索性。
2.物探、化探、遥感勘查技术产生的成矿信息多解性
尽管地球化学勘查是一种直接找矿方法,但大的地球化学异常信息并不能表示一定有大矿,而小异常却有时对应大矿的事实已屡见不鲜,如排山楼、猫岭等金矿与化探异常的对应关系并不明显。地球物理、遥感技术的多解性更众所周知。至于地质找矿标志对成矿的指示意义也同样具有不确定性,具有相似地质环境地区找不到相似矿床也是有目共睹的。因此迫切希望在新的成矿理论指导下,进行多元信息的成矿信息深层次提取与综合。
3.成矿分析中隐含信息的捕捉与强化
物、化探和遥感图像资料正如前述,强者不一定与矿床有关,弱者与矿床不一定无关。有些弱的信息常常是潜在矿床的反映,有必要采用特殊的方法识别成矿信息,压缩或排除干扰信息,特别是要研究当一种勘查技术测量信息只有在另一种地质测量出现才有找矿意义(赵鹏大,1994)。捕捉隐蔽信息,有可能在地质找矿中发现在通常情况下不易发现的隐伏矿床。
4.大量的勘探资料需要信息浓缩与综合
据不完全统计,全国地质、地球物理、地球化学资料建立数据库将是上万兆的海量数据库,而且还在不断产生新的勘查资料,因此,必须利用新技术手段,特别是计算机信息手段,研究挖掘与矿床生成有密切联系的“浓缩信息集”。Dataming将使人们借助计算机手段,帮助地质学家处理人脑从海量数据中难以完成的复杂的成矿信息分析工作。
步骤302,创建信息提取图层
信息提取是从多源地学数据中提取有用信息,为后续的信息分析提供条件。具体包括DEM中有用信息的提取、物化探数据中有用信息的提取和遥感图像(栅格数据)中有用信息的提取等。
1)建立地球物理勘查数据信息预处理图层。地球物理勘查方法种类较多,如重力、磁法、电法、地震、放射性测量等,主要是以地质体的物理性质差异为直接观测对象,并通过对观测的地球物理场的变化,进行地质解译。和其它地质找矿方法不同,物探方法仅是一种间接找矿方法。对物探资料的成矿信息提取,主要侧重于发挥物探深源性探测优势,挖掘其反映深部构造认识的信息,如目前先进的地震CT信息技术来反映深部地质精细结构。对于重磁资料处理,可以通过不同层次空间滤波分析,反映地质构造的深部变化规律。目前从成矿分析经常用到的重磁提取的新趋势来看,一些先进的欧美国家发展了一系列计算机可视化强的重磁解译系统,如可视化地质构造三维反演系统等。另外,还引进了小波分析、分形理论全新的数据处理模型。
2)建立地球化学信息预处理图层。地球化学成矿信息的提取技术主要涉及到区域化探异常的圈定与识别,传统的数学地质方法一直发挥着非常重要的作用,如因子分析法、判别、聚类分析法等。这些方法能够有效地研究元素的相关关系,找出成矿作用的相关的地球化学元素组合。当前发展地球化学成矿信息的技术方法是:从区域地球化学场角度出发,研究区域地球化学元素的物质结构性与空间结构性特征。例如,通过稳健统计学的办法,进行地球化学异常场的分解;通过因子分析,解决地球化学场物质演化特征;通过空间地质统计学技术,进行地球化学场空间结构分析及异常圈定。发展基于GIS空间信息技术的地球化学异常分析系统,是化探成矿信息提取的有效途径。
3)建立地质信息预处理图层。地质信息的提取以前做得到较多的是成矿信息的研究,如岩石、同位素等数据定量统计提取,以及构造等密度、方位统计,但对地质概念图件的提取研究,大多数处于定性阶段,GIS技术应用将使地质信息的提取进入新阶段。F.P.Agterberg运用GIS缓冲区分析,成功地、详细地研究了新科金地区金矿化与北西向构造的关系。运用GIS技术,可以方便地进行地层、岩浆岩与矿产的统计规律认识,可以构造反映地质复杂度的熵分析模型,可以快捷地完成各地质因素的找矿信息定量分析。
值得指出的是,成矿信息的提取并非使用的数学模型越复杂越好,相反使用一些简单模型,如比值模型、找矿信息量模型往往会得到十分好的找矿效果。如美国学者坎农在研究MVT铅锌矿时,通过几十个同位素分析结果,总结出Pb207/Pb206为1.48的为大矿,从而指导该类型矿床预测。但运用计算机信息处理技术对成矿信息的提取能力、工作效率会产生质的飞跃。
步骤303,创建信息分析图层
信息分析是研究各种地质信息之间的内在关系,揭示不同类型地质信息之间以及地质信息与矿产资源之间的关系,确定对矿产资源具有控制作用的各种地质信息标志的最佳组合,给信息的有机综合提供依据。包括地质信息分析、物探信息分析、化探信息分析、遥感信息分析,这部分工作主要利用GIS平台的空间分析功能来实现。
地质信息分析,是对地质要素进行分析,可分为两类,一类是地质分析,通过成矿规律研究,分析哪种控矿地质条件与该类型矿床成矿最有利;第二类是通过与已知矿床点做统计分析,得出哪些地质条件与成矿关系最密切。
物探信息分析,是根据预测矿种及其类型,开展各种物探异常信息的分析,比如对于铁矿的预测,需要重点提取磁异常、重力异常等,通过空间化极处理、延拓处理以及其它物探数据处理方法,将重磁信息进行分解与提取,获取重磁异常。
化探信息分析,是通过化探数据处理方法,比如克里格方法,分形方法、神经网络方法等对化探数据进行处理分析,提取致矿化探异常分析。
遥感信息分析,是通过遥感数据分析,提取各种遥感异常信息,并分析其与成矿的关系。
矿产资源定量评价实质上是运用计算机手段,采用适当的数学模型,研究区域矿床产出及其远景规模与各种成矿信息的关系,查明各个控矿因素、矿化信息在确定矿床出现的规模中所占的重要性。如特征分析中,确定各地质变量在成矿有利度的权大小。成矿定量综合分析包括统计单元的合理划分,控矿因素地质变量的构置,模型单元的选择及定位定量模型的建立等问题。矿床定位、定量预测模型是以已知模型单元为基础建立的,建立定位预测模型的数学方法有循环分析、数量化理论等;建立资源量预测模型的数学方法有逻辑信息法、蒙特卡罗法等。对所建立的定量模型,尚需检验、简化、优化研究,最后根据成矿信息定量综合模型,外推预测。
步骤304,创建信息转换图层
矿产资源评价是用统计方法来预测矿产资源的综合潜力,为此,必须把地质问题逐步转化成数学问题,才能达到用数学方法解决地质问题的目的。信息转换图层是连接地质问题和数学问题之间的桥梁和纽带,通过信息转换这一环节,地质信息即被转化成统计数学方法的输入信息。信息转换具体包括地质统计单元的自动划分和地质变量的自动化选择与赋值两个部分。
步骤305,创建信息综合图层
将与矿产资源的数量、质量和赋存位置有关的各种信息有机地综合起来,建立起矿产资源潜力与控矿信息之间关系的统计模型,对预测区的矿产资源潜力进行统计评估。具体包括矿产资源靶区预测、矿产资源量统计预测和资源评价结果的可视化表达等内容。
矿产资源定量评价实质上是运用计算机手段,采用适当的数学模型,研究区域矿床产出及其远景规模与各种成矿信息的关系,查明各个控矿因素、矿化信息在确定矿床出现的规模中所占的重要性。如特征分析中,确定各地质变量在成矿有利度的权大小。成矿定量综合分析包括统计单元的合理划分,控矿因素地质变量的构置,模型单元的选择及定位定量模型的建立等问题。矿床定位、定量预测模型是以已知模型单元为基础建立的,建立定位预测模型的数学方法有循环分析、数量化理论等;建立资源量预测模型的数学方法有逻辑信息法、蒙特卡罗法等。对所建立的定量模型,尚需检验、简化、优化研究,最后根据成矿信息定量综合模型,外推预测。
GIS地理信息系统是采集、存贮、管理空间地理信息的有效工具,是目前矿产资源评价中广泛使用的信息合成手段。随着我国大量的找矿信息空间数据库的建设,成矿分析将从方法上悄悄地发生变革。GIS成矿信息的综合与传统的定量评价相比,有其不可比拟的优势。它不仅可以对数据进行综合,还可以对图形、图像信息综合。
(1).多元信息地质理论综合
地质、地球物理、地球化学、遥感等多元成矿信息的综合分析一直是目前最具有挑战性的成矿分析工作。正如前苏联学者谢格洛夫所说:“目前成矿分析已发展到一个新阶段—即综合阶段,必须广泛利用所有的地质、地球物理、地球化学资料,特别是航天、航空地球物理资料”。运用多元信息进行成矿规律的综合在我国矿产资源评价中,特别是二轮区划中取得了卓有成效的成果,并发展了综合信息矿产资源预测方法。它包括综合信息成矿规律图编制、综合找矿模型的建立及矿产资源定量评价等内容。
成矿信息法就是在现代成矿理论指导下,从地质演化发展的历史观点,充分利用地质、地球物理信息,研究地壳地质构造、演化的深层结构特征,利用地球化学信息研究成矿作用过程的物质表现。通过不同信息纵向、横向关联,形成反映三维空间地质建造特征的区域成矿规律。
成矿规律综合信息分析是成矿分析的上层建筑,需要广泛的、扎实的地质经验和知识,是任何技术手段都替代不了的。
(2).成矿信息的定量综合分析
矿产资源定量评价实质上是运用计算机手段,采用适当的数学模型,研究区域矿床产出及其远景规模与各种成矿信息的关系,查明各个控矿因素、矿化信息在确定矿床出现的规模中所占的重要性。如特征分析中,确定各地质变量在成矿有利度的权大小。成矿定量综合分析包括统计单元的合理划分,控矿因素地质变量的构置,模型单元的选择及定位定量模型的建立等问题。矿床定位、定量预测模型是以已知模型单元为基础建立的,建立定位预测模型的数学方法有循环分析、数量化理论等;建立资源量预测模型的数学方法有逻辑信息法、蒙特卡罗法等。对所建立的定量模型,尚需检验、简化、优化研究,最后根据成矿信息定量综合模型,外推预测。
(3).基于GIS成矿信息的综合
GIS地理信息系统是采集、存贮、管理空间地理信息的有效工具,随着我国大量的找矿信息空间数据库的建设,成矿分析将从方法上悄悄地发生变革。GIS成矿信息的综合与传统的定量评价相比,有其不可比拟的优势。它不仅可以对数据进行综合,还可以对图形、图像信息综合。
信息预处理图层、信息提取图层、信息分析图层、信息转换图层、信息综合图层,图层间既具有独立性又有条件性,体现了多元成矿信息的统一。
将地质、地球物理、地球化学、遥感数据、成矿信息提取所生成的中间图层信息统一起来,形成便于矿产定量预测的图层,根据矿产预测的流程,分别为信息预处理图层、信息提取图层、信息分析图层、信息转换图层、信息综合图层。各个图层之间既具有相对独立性;各个图层之间又相互衔接,后者以前者为条件,最终运用GIS空间图层叠置分析功能实现定量预测自动化。
在GIS有了独立条件图层后,便可以借助于矿产统计预测思想,运用GIS空间图层叠置分析功能,实现定量预测自动化。
如图4所示,是本发明空间分析建模方法流程图。
模型建立是矿产资源预测与评价的核心,矿产资源评价每一个步骤都要进行模型建立和实施,其具体实现方式是建模器,通过采用框图的形式和逻辑语言表达建模过程,主要由3部分组成:输入数据、输出数据和空间处理工具,其基本流程和步骤如下:
步骤401,首先定义地质目标或者称之为地质概念模型;
步骤402,确定合理的模型和模型处理工具;
步骤403,确定模型的输入和输出;
步骤404,确定建立模型的参数;
步骤405,确定模型的实施条件。
以上步骤是完整的空间分析建模的流程,每一步都有其作用分别实现其相应的功能,缺一不可,其结果是形成预测要素图层,为远景区的圈定提供依据。
在步骤401中,首先通过成矿规律研究,建立地质概念模型,比如研究区的岩性、控矿构造的空间相关关系,并与已知矿床点进行分布空间叠置对比分析,确定最佳参数。
以下用四个不同的地质概念模型(A、B、C、D)来进行说明。
地质概念模型(A),是要求获取岩性层界面(Contact),它所采取的输入是地质图,地质图中岩层是面元对象,岩层的相关内容由所对应的地层属性表示。Contact按两种指定的岩层属性即可提取其公共边界(界面)。该运算的输出是线源图层,可以将该输出永久性保存,也可以进行临时性保存并作为下一个模型的输入。该模型下,建立该模型的参数是面元对象,实施条件是根据面元对象的岩层属性进行属性提取。
地质概念模型(B):该模型所采用的处理工具是获取线(断裂)与线(断裂)的交汇点(Intersect)。Intersect需要两种指定的线状图层作为输入,如褶皱轴(线源对象)和模型(A)中产生的岩层界面图输出。模型(A)中的输出仅仅是为下一个模型(B)服务的,因此模型(A)的输出不必永久保存,当系统执行完模型(B)后即可从临时内存中将其删除。模型(B)的输出将会是岩层界面与褶皱轴的交汇点(点状)图层。同样可以将该输出进行永久性保存,或临时性保存并作为下一个模型(C)的输入。该模型下,建立该模型的参数是线元对象,实施条件是线元对象空间求交。
地质概念模型(C):该模型所采用的处理工具是产生缓冲区(Buffer)。它所采取的输入是模型(B)中将产生的岩层界面与褶皱轴的交汇点图层。Buffer运算可以围绕点、线、面形成缓冲区。该实例中模型(C)采用的是点输入,输出是围绕岩层界面与褶皱轴的交汇点的缓冲区图层-面状图层。同样可以将该输出进行永久性保存,也可以进行临时性保存并作为下一个模型(D)的输入。该模型下,建立该模型的参数是点元对象,实施条件是对该点元对象求缓冲区。
地质概念模型(D):该模型所采用的处理工具是叠加运算(Composite)。它所采取的有2个输入:一个是模型(C)中将产生的围绕岩层界面与褶皱轴的交汇点的缓冲区(面图层),另一个是要对比的矿床分布图(点状图层)。Composite运算可以在点状图层(矿床图层)的属性表中添加一列属性,该属性表示相应矿床所在的缓冲区的属性。根据该列属性内容可以计算每一缓冲区内的矿床数,进而形成缓冲区与矿床数的频率分布直方图。结果表明95%矿床分布在交汇点1km范围内。因此,可以将交汇点1km范围作为有利成矿条件,这样可以形成一个以交汇点距离为基础的控矿要素图层。该模型下,建立该模型的参数是点图元和面图元,实施条件分别是求点图元、面图元的缓冲区。
步骤406,运用评价要素叠加法,生成预测单元。
从定性概念模型到定量化模型的转换是在GIS环境下利用其空间分析功能开展多源地学信息空间叠置分析,把两个或两个以上的空间实体图层叠置起来,生成一个新的能够反映不同空间实体相互关系的新图层。通过研究区域控矿因素与成矿信息之间的关系,把各种区域控矿因素的空间实体分布图依次地与各种成矿信息的空间实体分布图作“关联叠置分析”。分析过程可以采用流程图来表达,通过把需要在分析中依次执行的过程放在一个流程图里来自动实现。
图解模型主要由3部分组成:输入数据、输出数据和空间处理工具。输入数据和输出数据的类型多种多样,可以是栅格数据也可以是矢量数据。不同的空间处理工具要求的输入数据不同,产生的输出数据也各异。连接是模型中一个不可或缺的要素,连接指定了数据与操作之间的关系,只有符合条件的要素才能被连接,如连接了不适合的要素,模型会提示有错信息。
建模器技术(Model Builder)采用框图的形式和逻辑语言表达建模过程,是地质人员、建模人员、GIS操作人员都能理解和使用的技术。建模和实施的具体过程则由GIS自动实现。它可为矿产勘查学家与信息工作人员搭建统一而便利的对话平台,并实现建模与自动实施的有机结合与统一。
预测单元的划分是开展预测工作的重要环节,划分预测单元的依据是:单元应具有明确地质意义,能够反映预测要素组合,具有统计对比意义,便于在GIS环境下处理与成图。传统的单元划分方法有规则网格的方法和地质单元方法。这两种方法各具优缺点,网格方法简单,便于计算机操作,但缺乏地质意义,不便于预测变量的定义;通过评价要素叠加圈定地质体单元的方法具有明确的意义,方便与变量选择,但单元边界确定较困难。
在GIS环境下利用建模器技术,这两种方法的优点可以同时实现,这就是具有地质意义的不规则单元。这样的单元是采用恰当的预测要素图层组合来形成的,具有明确的地质意义。它以各要素图层的边界作为其自然边界,单元的形成和单元内的变量的取值等可在GIS环境下自动形成。这样不仅可以提高预测工作的效率,而且有利于提高预测精度。
评价要素叠加法是根据区域预测评价模型中进行要素空间叠加分析,找出其中共同出现的区域,生成综合目标图层。主要包括三种基本叠加分析手段,即相交分析、合并分析和相减分析,远景区的圈定方法均是由这三种基本叠加方式组合而成,从而最终圈定远景区。其基本思想是:评价要素存在的地方,是成矿有利的地方;评价要素越多,成矿的有利度越大,即“各评价要素等权重”的加权方法,其优点是方法简单,操作简便,易于理解,使用面广。
评价要素叠加法的基本原理可以简单归纳如下:
(1)只有一个评价要素时
假定在工作区D中,只有一个评价要素F分布在子区S中,则S是预测区。
(2)有两个评价要素时
假定在工作区D中,有两个评价要素F1和F2分别分布在子区之中,当S1和S2无交集时,则S1和S2都是预测区;当S1和S2有交集时,则交集
C0=S1∩S2 (1)
S1-C和S2-C (2)
如上交集都属于预测区,且成矿有利度。
C0>(S1-C0、S2-C0) (3)
其中,(S1-C0、S2-C0)表示“(S1-C0)和(S2-C0)的两个预测区的成矿有利度是相等的”。
(3)有三个或三个以上评价要素时
假定在工作区D中,有三个评价要素F1、F2和F3分别分布在子区之中,它们的交集分别为
C0=S1∩S2∩S3 (4)
C1=S1∩S2 (5)
C2=S2∩S3 (6)
C3=S1∩S3 (7)
另有子集
R1=S1-C0-C1-C3 (8)
R2=S2-C0-C1-C2 (9)
R3=S3-C0-C2-C3 (10)
则各个子集的成矿有利度从大到小排列为:
C0>(C1、C2、C3)>(R1、R2、R3) (11)
在评价要素超过3个时,预测区的圈定方法和成矿有利度排序方法与此相同。
(4)当存在非必要成矿条件时
以上条件的评价要素一般是必要成矿条件。如果存在非必要成矿条件,则处理方法应有所区别。
假定在工作区D中,有一个必要成矿条件F1、和两个非必要成矿条件F2和F3分别分布在子区之中,则预测区应为:
C12∪C13 (12)
其中,C12和C13的成矿有利度的排列顺序需要依赖于其他方法来解决。
本方法要求使用者具有较丰富的成矿预测经验,并对“必要成矿条件”、“充分成矿条件”和“非必要成矿条件”等有深入的了解。
这种方法的优点是划分的预测单元均以预测要素为内涵,边界是以预测要素图层边界而圈定的,具有明确的地质意义和明确的圈定边界,在GIS环境下具有可操性。可以采用GIS空间分析功能自动实现,避免了大量的手工操作、人为出错的机会。
在以上建模与实施过程中,作为中间层的过渡结果不需要保存,每次需要时可以通过运行模型很快产生。这样避免大量的中间结果的存储,导致数据库管理的困难。另一优点是,在建模过程中可以由建模人员和地质人员共同参与,以便对建模的正确性和明确地质意义得到保证,同时便于对结果的解释。经过验证和各方认可的模型可以推广使用,以保证项目的快速高质量进行。
如图5所示,是本发明评价要素叠加法分析手段示意图;图6是本发明两个评价要素叠加法示意图;图7是本发明三个评价要素叠加法示意图;图8是本发明非必要成矿条件的处理方法图;图9是本发明预测要素建模流程图;
如图5所示,是评价要素叠加法分析手段示意图。
该方法是根据矿床区域评价模型中必要要素进行空间叠加分析,找出其中共同出现的区域。这是以地质体为单元的常用方法。在必要条件中不一定所有要素都必须存在,可以用集合间的关系来表达:C=A∩B或C=A∩B1∪A∩B2。在采用该方法进行远景区圈定时,每个要素(或者图层)其重要性都是相同的,即它们的权重相等。在圈定远景区时,要根据要素的实际情况,根据它们之间的相互关系进行组合,从而圈定出远景区。
由于采用的必要要素在圈定远景区时,均已转换成面文件的格式,因此除输入单元与输出单元以外,其核心是面文件的叠加分析单元,主要包括三种基本叠加分析手段,即相交分析、合并分析和相减分析,远景区的圈定方法均是由这三种基本叠加方式组合而成,从而最终圈定远景区。该三种叠加方式具体原理如下:
相交叠加分析,是指求出既存在A又存在B的区域,用集合来表达:C=A∩B,其区域范围如图所示。
合并叠加分析:是指求出存在A或存在B的区域,用集合来表达:C=A∪B,其区域如图所示。
相减叠加分析:是指存在A但不存在B的区域,用集合来表达:其区域如图5所示。
如图6所示,是当有两个评价要素叠加法示意图。
假定在工作区D中,有两个评价要素F1和F2分别分布在子区之中,当S1和S2无交集时,则S1和S2都是预测区;当S1和S2有交集时,则交集
C0=S1∩S2 (1)
S1-C和S2-C (2)
如上交集都属于预测区,且成矿有利度。
C0>(S1-C0、S2-C0) (3)
其中,(S1-C0、S2-C0)表示“(S1-C0)和(S2-C0)的两个预测区的成矿有利度是相等的”。
如图7所示,是有三个或三个以上评价要素叠加法示意图。
假定在工作区D中,有三个评价要素F1、F2和F3分别分布在子区之中,它们的交集分别为
C0=S1∩S2∩S3 (4)
C1=S1∩S2 (5)
C2=S2∩S3 (6)
C3=S1∩S3 (7)
另有子集
R1=S1-C0-C1-C3 (8)
R2=S2-C0-C1-C2 (9)
R3=S3-C0-C2-C3 (10)
则各个子集的成矿有利度从大到小排列为:
C0>(C1、C2、C3)>(R1、R2、R3) (11)
在评价要素超过3个时,预测区的圈定方法和成矿有利度排序方法与此相同。
如图8所示,是当存在非必要成矿条件时的处理方法图。
以上条件的评价要素一般是必要成矿条件。如果存在非必要成矿条件,则处理方法应有所区别。
假定在工作区D中,有一个必要成矿条件F1、和两个非必要成矿条件F2和F3分别分布在子区之中,则预测区应为:
C12∪C13 (12)
其中,C12和C13的成矿有利度的排列顺序需要依赖于其他方法来解决。
如图9所示,是本发明预测要素建模流程图。
岩体(区文件)、地层(区文件)、构造(线文件)三个预测要素通过空间叠加分析,输出中间结果,中间结果再与磁异常(面文件)进行空间叠加分析,再输出远景区文件。
下面通过一具体实施例来进一步描述本发明的技术方案,结合图10、11,该实施例是以新疆东天山地区黄山式基性超基性岩型铜镍(银)矿产进行矿产预测为例进行说明。
(1)成矿规律和概念模型的建立
通过对区域成矿规律、典型矿床与成矿模式深入研究的基础上,确定控矿要素和控矿标志的优化组合。
成矿规律和地质概念模型表明:该类型矿床主要产于古板块边缘的伸展构造活动带,受深大断裂控制,在时间上主要形成于元古宙和晚古生代。成矿作用与铁质基性一超基性岩有关,主要有辉石橄榄岩、辉石岩、橄榄二辉岩及纯橄岩、橄榄苏长岩、苏长辉长岩等。建立确定控矿要素组合的预测评价模型:
1)大地构造位置:古板块边缘的伸展构造活动带;
2)岩浆建造:镁铁-超镁铁杂岩体,有一定分异,岩体规模不大;
3)侵入岩浆构造:受深大断裂控制,位于大陆边缘的深大断裂与次级断裂限定的区域;
4)航磁资料:较稳定的正异常边部局部突出低磁强度100-200nT异常,磁异常为中等规模,区内铜镍矿床与航磁异常对应较好;
5)重力资料:位于布格重力异常的康古尔梯度带中心;
6)化探资料:Cu、Ni、Co、Zn、Sr、P、Mn、Fe、Ti高背景区域异常区,Mo、Hg、Au、Ag、Pb、As负区域异常区;Cu、Ni、Co、Fe、Ti、Sr、P元素组合异常,Ni25~40×10-6,Cu40~60×10-6;
7)遥感资料:在航、卫影像上,在较大的线性构造影像两侧不大的范围内,有环形、半环形、叠环形构造影像,色调偏暗或和同围有明显差异者,则可能为镁铁-超镁铁杂岩体;若环形影像成串分布,则显示可能有岩带。
(2)建立独立条件图层
将找矿标志与找矿信息相关联,在GIS环境下通过信息提取和综合,依据找矿模型建立预测评价模型,形成意义明确、内涵丰富、满足定量化预测需要的独立条件图层。
1)建立信息预处理图层
将东天山地区的地质资料、物探、化探及遥感数据依据前述方式进行数据预处理,形成信息预处理图层;
2)建立信息提取图层
对信息预处理图层进一步提取岩体信息、物化探异常信息等:提取基性超基性岩体信息、提取Cu、Ni化探组合异常信息,提取100-200nT中等磁异常信息,根据重磁信息提取深大断裂信息、根据遥感信息提取热液蚀变信息(绿泥石化+碳酸盐化+蛇纹石化+角岩化+滑石化+次闪石化),以上信息提取后生成面文件或者线文件信息图层。
3)建立信息分析图层
对这些控矿地质变量等成矿必要要素进行变量构置,将东天山地区典型铜镍矿设置为模型单元,成矿信息分析表明,黄山式铜镍矿床的各种地质信息标志的必要要素组合为:有中等或小规模磁异常、有铜镍化探异常、有超基性杂岩体,必要预测组合之间是“并(AND)”的关系。次要要素组合为:区域局部重力解译深大断裂、远景区内Cu、Ni、Co、Cr、Cd、Fe2O3、Mn、P2O5、Sr、V化探数据最大值、远景区内Cr、Ni、Co、Ti、V的累乘数据最大值。通过成矿信息分析,建立矿床定位、定量预测模型,为下一步优选做准备。
4)建立信息转换图层
选择人工输入区间法,根据地质人员的经验知识,将信息转换后的变量离散为二值化变量,该变量能够最大限度地反映资源特征的变化。比如将大于一定阈值的化探数据设置为1,低于该阈值的设为0,经信息转换后的变量离散化后的定性变量成为由0(-1)或1的矩阵,把地质问题逐步转化成数学问题,生成信息转换图层。
5)生成信息综合图层
采用有模型矿产资源定位预测方法,使用特征分析法对该类型矿床进行定位预测,对远景区进行优选,每个远景区都有一个成矿概率值,根据成矿概率的大小设定不同的分类区间,对远景区级别进行分类,完成远景区的优选。
(3)预测单元的生成
将图10中基性超基性岩体和中小规模磁异常两个有利证据图层进行叠合(Overlay)“并”,可以得到组合一叠加的结果,同时铜元素异常和镍组合异常进行“交”,可以得到组合二叠加的结果。该结果显示由两个二态证据图层叠加可以形成有2种不同状态的唯一条件图层(Unique condition)以及相应的属性表。这种综合图层有2种表示法:“并”(Union)和“交”(Intersect)。前一种方法所形成的结果是每一个多边形将有独立的编号、各自的面积和周长,在属性表中各占一行;而后者形成的综合图层中,将所有相同的多边形(具有相同属性组合的多边形)合并成一种多边形,在属性表中只占一行,其面积和周长是整个这一组多边形的总和。图10的两个组合证据,再进行(Overlay):交,最后生成不规则预测单元如图11。这些单元均以预测要素为内涵,边界是以预测要素图层边界而圈定的,具有明确的地质意义和明确的圈定边界。如果需要叠加更多的证据图层形成更复杂的不规则地质单元,可以进一步叠加其他证据图层。
当然,本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明做出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种基于GIS的矿产资源多元信息处理方法,其特征在于,包括:
步骤一,建立成矿规律和概念模型;
步骤二,根据所述概念模型建立独立条件图层;
步骤三,根据所述独立条件图层进行空间分析建模;
步骤四,根据空间分析建模结果生成预测单元。
2.根据权利要求1所述的矿产资源多元信息处理方法,其特征在于,所述步骤一中,进一步包括:
通过分析区域成矿规律、典型矿床与成矿模式,确定控矿要素和控矿标志的优化组合。
3.根据权利要求1所述的矿产资源多元信息处理方法,其特征在于,所述步骤二中,进一步包括:
建立信息预处理图层、信息提取图层、信息分析图层、信息转换图层和信息综合图层的步骤。
4.根据权利要求1、2或3所述的矿产资源多元信息处理方法,其特征在于,所述步骤三中,进一步包括:
步骤31,定义地质概念模型;
步骤32,确定合理的模型和模型处理工具;
步骤33,确定模型的输入和输出;
步骤34,确定建立模型的参数;
步骤35,确定模型的实施条件。
5.根据权利要求1、2或3所述的矿产资源多元信息处理方法,其特征在于,所述步骤四中,进一步包括:
采用图层组合运算功能对多组证据图层进行叠加,可以形成组合图层,生成不规则预测单元。
6.一种基于GIS的矿产资源多元信息处理系统,其特征在于,包括:
规律模型建立模块,用于建立成矿规律和概念模型;
条件图层建立模块,连接所述规律模型建立模块,用于根据所述概念模型建立独立条件图层;
空间分析建模模块,连接所述条件图层建立模块,用于根据所述独立条件图层进行空间分析建模;
预测单元生成模块,连接所述空间分析建模模块,用于根据空间分析建模结果生成预测单元。
7.根据权利要求6所述的矿产资源多元信息处理系统,其特征在于,所述规律模型建立模块,还用于:
通过分析区域成矿规律、典型矿床与成矿模式,确定控矿要素和控矿标志的优化组合。
8.根据权利要求6所述的矿产资源多元信息处理系统,其特征在于,所述条件图层建立模块,还包括:
信息预处理图层模块,用于建立信息预处理图层;
信息提取图层模块,用于建立信息提取图层;
信息分析图层模块,用于建立信息分析图层;
信息转换图层模块,用于建立信息转换图层;
信息综合图层模块,用于建立信息综合图层。
9.根据权利要求6、7或8所述的矿产资源多元信息处理系统,其特征在于,所述空间分析建模模块,还用于:
步骤31,定义地质概念模型;
步骤32,确定合理的模型和模型处理工具;
步骤33,确定模型的输入和输出;
步骤34,确定建立模型的参数;
步骤35,确定模型的实施条件。
10.根据权利要求6、7或8所述的矿产资源多元信息处理系统,其特征在于,所述预测单元生成模块,还用于:
采用图层组合运算功能对多组证据图层进行叠加,可以形成组合图层,生成不规则预测单元。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310356820.XA CN103942841B (zh) | 2013-08-15 | 2013-08-15 | 基于gis的矿产资源多元信息处理方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310356820.XA CN103942841B (zh) | 2013-08-15 | 2013-08-15 | 基于gis的矿产资源多元信息处理方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103942841A true CN103942841A (zh) | 2014-07-23 |
CN103942841B CN103942841B (zh) | 2017-09-22 |
Family
ID=51190491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310356820.XA Active CN103942841B (zh) | 2013-08-15 | 2013-08-15 | 基于gis的矿产资源多元信息处理方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103942841B (zh) |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866630A (zh) * | 2015-06-16 | 2015-08-26 | 吉林大学 | 成矿预测中gis与es自动空间建模系统及方法 |
CN105678399A (zh) * | 2015-12-29 | 2016-06-15 | 中国地质科学院矿产资源研究所 | 一种区域矿产资源量估算分析方法及其系统 |
CN106355011A (zh) * | 2016-08-30 | 2017-01-25 | 有色金属矿产地质调查中心 | 一种地球化学数据元素序结构分析方法及装置 |
CN107563803A (zh) * | 2017-08-24 | 2018-01-09 | 北京工商大学 | 一种基于耗费距离栅格的商圈划分方法 |
CN107633556A (zh) * | 2017-09-22 | 2018-01-26 | 辽宁工程技术大学 | 一种定量获得三维矿床地质模型不确定性的方法 |
CN108062715A (zh) * | 2016-11-07 | 2018-05-22 | 南京梅山冶金发展有限公司 | 基于gis面向爆破单元体的地下矿采矿信息管理方法 |
CN108229759A (zh) * | 2018-02-05 | 2018-06-29 | 中国地质大学(北京) | 非线性离散推测模型找矿预测方法 |
CN108710777A (zh) * | 2018-05-21 | 2018-10-26 | 中国地质大学(武汉) | 基于多卷积自编码神经网络的多元化探异常识别方法 |
CN109145048A (zh) * | 2018-08-20 | 2019-01-04 | 西南能矿集团股份有限公司 | 一种矿产勘查成果中数据相悖处理方法 |
CN109273059A (zh) * | 2018-10-15 | 2019-01-25 | 成都理工大学 | 一种区域地球化学数据校正方法 |
CN109490985A (zh) * | 2018-12-24 | 2019-03-19 | 桂林理工大学 | 一种地球物理勘测系统和方法 |
CN110119852A (zh) * | 2019-05-28 | 2019-08-13 | 成都理工大学 | 一种不确定成矿信息的统一表征方法及系统 |
CN111273372A (zh) * | 2020-02-11 | 2020-06-12 | 成都理工大学 | 一种基于化探异常编制潜在成矿温度组合图的编图方法 |
CN111325813A (zh) * | 2020-02-11 | 2020-06-23 | 成都理工大学 | 一种基于化探异常编制潜在成矿作用期次图的编图方法 |
CN112015844A (zh) * | 2020-09-07 | 2020-12-01 | 辽宁工程技术大学 | 一种基于gis的矿产资源多元信息处理方法 |
CN112329994A (zh) * | 2020-10-23 | 2021-02-05 | 辽宁工程技术大学 | 一种基于大数据的成矿预测系统 |
CN112765299A (zh) * | 2021-01-26 | 2021-05-07 | 中国科学院西北生态环境资源研究院 | 非规则栅格数据的可视化方法、装置、电子设备、存储介质 |
CN113323662A (zh) * | 2021-06-11 | 2021-08-31 | 山东省地矿工程勘察院 | 一种潜在矿区的矿产资源分析系统 |
CN115293577A (zh) * | 2022-08-05 | 2022-11-04 | 水利部珠江水利委员会技术咨询(广州)有限公司 | 基于机器学习的高寒流域地下水化学控制因素分析方法 |
CN116090662A (zh) * | 2023-03-02 | 2023-05-09 | 中国地质科学院矿产资源研究所 | 基于知识图谱的境外铜矿潜力预测方法、系统及电子设备 |
CN116109641A (zh) * | 2023-04-13 | 2023-05-12 | 南京航天宏图信息技术有限公司 | 地球化学景观的异常圈定方法、装置、电子设备和存储介质 |
CN116665067A (zh) * | 2023-08-01 | 2023-08-29 | 吉林大学 | 基于图神经网络的找矿靶区优选系统及其方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100751438B1 (ko) * | 2007-02-05 | 2007-08-23 | 인하대학교 산학협력단 | 지아이에스를 이용한 배타적 경제수역해양광물자원정보시스템 및 그 운영방법 |
CN101706589A (zh) * | 2009-12-07 | 2010-05-12 | 中国科学院新疆生态与地理研究所 | 基于地理元组的矿集区定量预测方法 |
CN102637237A (zh) * | 2012-04-28 | 2012-08-15 | 清华大学 | 一种城乡生态规划的生态资源承载模型方法 |
-
2013
- 2013-08-15 CN CN201310356820.XA patent/CN103942841B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100751438B1 (ko) * | 2007-02-05 | 2007-08-23 | 인하대학교 산학협력단 | 지아이에스를 이용한 배타적 경제수역해양광물자원정보시스템 및 그 운영방법 |
CN101706589A (zh) * | 2009-12-07 | 2010-05-12 | 中国科学院新疆生态与地理研究所 | 基于地理元组的矿集区定量预测方法 |
CN102637237A (zh) * | 2012-04-28 | 2012-08-15 | 清华大学 | 一种城乡生态规划的生态资源承载模型方法 |
Non-Patent Citations (2)
Title |
---|
陈永清 等: "基于GIS的矿产资源综合定量评价", 《地质通报》 * |
黄文斌 等: "基于GIS的固体矿产资源潜力评价", 《地质学报》 * |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104866630B (zh) * | 2015-06-16 | 2018-04-24 | 吉林大学 | 成矿预测中gis与es自动空间建模系统及方法 |
CN104866630A (zh) * | 2015-06-16 | 2015-08-26 | 吉林大学 | 成矿预测中gis与es自动空间建模系统及方法 |
CN105678399A (zh) * | 2015-12-29 | 2016-06-15 | 中国地质科学院矿产资源研究所 | 一种区域矿产资源量估算分析方法及其系统 |
CN106355011A (zh) * | 2016-08-30 | 2017-01-25 | 有色金属矿产地质调查中心 | 一种地球化学数据元素序结构分析方法及装置 |
CN106355011B (zh) * | 2016-08-30 | 2018-11-20 | 有色金属矿产地质调查中心 | 一种地球化学数据元素序结构分析方法及装置 |
CN108062715A (zh) * | 2016-11-07 | 2018-05-22 | 南京梅山冶金发展有限公司 | 基于gis面向爆破单元体的地下矿采矿信息管理方法 |
CN107563803A (zh) * | 2017-08-24 | 2018-01-09 | 北京工商大学 | 一种基于耗费距离栅格的商圈划分方法 |
CN107633556B (zh) * | 2017-09-22 | 2020-11-06 | 辽宁工程技术大学 | 一种定量获得三维矿床地质模型不确定性的方法 |
CN107633556A (zh) * | 2017-09-22 | 2018-01-26 | 辽宁工程技术大学 | 一种定量获得三维矿床地质模型不确定性的方法 |
CN108229759A (zh) * | 2018-02-05 | 2018-06-29 | 中国地质大学(北京) | 非线性离散推测模型找矿预测方法 |
CN108710777A (zh) * | 2018-05-21 | 2018-10-26 | 中国地质大学(武汉) | 基于多卷积自编码神经网络的多元化探异常识别方法 |
CN109145048A (zh) * | 2018-08-20 | 2019-01-04 | 西南能矿集团股份有限公司 | 一种矿产勘查成果中数据相悖处理方法 |
CN109273059B (zh) * | 2018-10-15 | 2022-05-03 | 成都理工大学 | 一种区域地球化学数据校正方法 |
CN109273059A (zh) * | 2018-10-15 | 2019-01-25 | 成都理工大学 | 一种区域地球化学数据校正方法 |
CN109490985A (zh) * | 2018-12-24 | 2019-03-19 | 桂林理工大学 | 一种地球物理勘测系统和方法 |
CN110119852B (zh) * | 2019-05-28 | 2021-01-05 | 成都理工大学 | 一种不确定成矿信息的统一表征方法及系统 |
CN110119852A (zh) * | 2019-05-28 | 2019-08-13 | 成都理工大学 | 一种不确定成矿信息的统一表征方法及系统 |
CN111273372B (zh) * | 2020-02-11 | 2021-04-13 | 成都理工大学 | 一种基于化探异常编制潜在成矿温度组合图的编图方法 |
CN111273372A (zh) * | 2020-02-11 | 2020-06-12 | 成都理工大学 | 一种基于化探异常编制潜在成矿温度组合图的编图方法 |
CN111325813B (zh) * | 2020-02-11 | 2020-12-22 | 成都理工大学 | 一种基于化探异常编制潜在成矿作用期次图的编图方法 |
CN111325813A (zh) * | 2020-02-11 | 2020-06-23 | 成都理工大学 | 一种基于化探异常编制潜在成矿作用期次图的编图方法 |
CN112015844A (zh) * | 2020-09-07 | 2020-12-01 | 辽宁工程技术大学 | 一种基于gis的矿产资源多元信息处理方法 |
CN112015844B (zh) * | 2020-09-07 | 2024-01-26 | 辽宁工程技术大学 | 一种基于gis的矿产资源多元信息处理方法 |
CN112329994A (zh) * | 2020-10-23 | 2021-02-05 | 辽宁工程技术大学 | 一种基于大数据的成矿预测系统 |
CN112765299A (zh) * | 2021-01-26 | 2021-05-07 | 中国科学院西北生态环境资源研究院 | 非规则栅格数据的可视化方法、装置、电子设备、存储介质 |
CN113323662A (zh) * | 2021-06-11 | 2021-08-31 | 山东省地矿工程勘察院 | 一种潜在矿区的矿产资源分析系统 |
CN115293577A (zh) * | 2022-08-05 | 2022-11-04 | 水利部珠江水利委员会技术咨询(广州)有限公司 | 基于机器学习的高寒流域地下水化学控制因素分析方法 |
CN115293577B (zh) * | 2022-08-05 | 2023-07-21 | 水利部珠江水利委员会技术咨询(广州)有限公司 | 基于机器学习的高寒流域地下水化学控制因素分析方法 |
CN116090662A (zh) * | 2023-03-02 | 2023-05-09 | 中国地质科学院矿产资源研究所 | 基于知识图谱的境外铜矿潜力预测方法、系统及电子设备 |
CN116109641A (zh) * | 2023-04-13 | 2023-05-12 | 南京航天宏图信息技术有限公司 | 地球化学景观的异常圈定方法、装置、电子设备和存储介质 |
CN116109641B (zh) * | 2023-04-13 | 2023-07-25 | 南京航天宏图信息技术有限公司 | 地球化学景观的异常圈定方法、装置、电子设备和存储介质 |
CN116665067A (zh) * | 2023-08-01 | 2023-08-29 | 吉林大学 | 基于图神经网络的找矿靶区优选系统及其方法 |
CN116665067B (zh) * | 2023-08-01 | 2023-10-03 | 吉林大学 | 基于图神经网络的找矿靶区优选系统及其方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103942841B (zh) | 2017-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103942841B (zh) | 基于gis的矿产资源多元信息处理方法及其系统 | |
Fischer et al. | Geographic information systems, spatial data analysis and spatial modelling: an introduction | |
Knox‐Robinson et al. | Towards a holistic exploration strategy: using geographic information systems as a tool to enhance exploration | |
Ford et al. | A comparative analysis of weights of evidence, evidential belief functions, and fuzzy logic for mineral potential mapping using incomplete data at the scale of investigation | |
Bremer et al. | Interactive exploration and analysis of large-scale simulations using topology-based data segmentation | |
JP7267261B2 (ja) | 空間データ処理システムおよび方法 | |
Xu et al. | Suitability evaluation of urban construction land based on geo-environmental factors of Hangzhou, China | |
CN110263111B (zh) | 基于先验知识的土地利用/覆被信息时空监测方法 | |
Deng et al. | A general method of spatio-temporal clustering analysis | |
CN103345566B (zh) | 基于地质内涵的化探异常识别与评价方法 | |
Olalotiti-Lawal et al. | A multiobjective Markov chain Monte Carlo approach for history matching and uncertainty quantification | |
Yang et al. | Quantification of uncertainty associated with evidence layers in mineral prospectivity mapping using direct sampling and convolutional neural network | |
White et al. | Planning scenario visualization and assessment: a cellular automata based integrated spatial decision support system | |
Tzu-hao et al. | Reservoir uncertainty quantification using probabilistic history matching workflow | |
CN116486025A (zh) | 一种基于大数据云计算技术的城市地质数据处理平台 | |
Zuo et al. | A new generation of artificial intelligence algorithms for mineral prospectivity mapping | |
CN109118004A (zh) | 一种工程构筑选址适宜区预测方法 | |
Royuela et al. | HouSI: Heuristic for delimitation of housing submarkets and price homogeneous areas | |
Cheng et al. | Updating conventional soil maps by mining soil–environment relationships from individual soil polygons | |
Omar et al. | Modelling land-use and land-cover changes using Markov-CA, and multiple decision making in Kirkuk city | |
Hu et al. | An effective selecting approach for social media big data analysis—Taking commercial hotspot exploration with Weibo check-in data as an example | |
Murayama et al. | Spatial analysis: Evolution, methods, and applications | |
Hou et al. | Entropy-based weighting in one-dimensional multiple errors analysis of geological contacts to model geological structure | |
Fan et al. | Geological model automatic reconstruction based on conditioning Wasserstein generative adversarial network with gradient penalty | |
Shi et al. | Uncertainty-based spatial data mining |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |