CN111859811A - 一种基于模糊逻辑和机器学习的成矿预测方法及系统 - Google Patents

Abstract

本发明涉及一种基于模糊逻辑和机器学习的成矿预测方法，所述方法包括：建立矿床模型；所述矿床模型包括：成矿地质要素、成矿过程以及成矿作用；基于所述矿床模型获取与成矿相关的成矿预测要素；对所述成矿预测要素进行预处理；对预处理后的成矿预测要素进行模糊化处理；基于模糊化处理后的成矿预测要素确定训练数据；建立机器学习模型；基于所述训练数据对所述机器学习模型进行训练，得到训练后的机器学习模型；基于训练后的机器学习模型进行成矿预测。本发明中的上述方法能够提高预测的准确度。

Description

一种基于模糊逻辑和机器学习的成矿预测方法及系统

技术领域

本发明涉及成矿预测领域，特别是涉及一种基于模糊逻辑和机器学习的成矿预测方法及系统。

背景技术

成矿预测是矿床学研究的热点，是指导找矿的桥梁和工具。目前主要的成矿预测方法可分为两类：知识驱动和数据驱动。其中知识驱动方法适合在已知矿产地较少的地区进行成矿预测，而数据驱动方法适用于在已知矿产地较多的地区进行成矿预测。

常用的数据驱动成矿预测方法(如证据权法)，是直接将各变量导入预测模型中，生成成矿有利度图进行成矿预测。在应用变量时，直接应用变量的原值，地质意义不够明确，每个变量对于成矿的贡献难以表达。

而常用的知识驱动模型方法(如模糊逻辑法)，充分利用了地质专家的知识筛选变量，可进行定性或半定量预测，但定量程度不够，与传统定量方法相比，预测结果受专家主观影响较大，预测精度不高。

在大数据时代，机器学习的方法已逐渐被应用到成矿预测领域中。但与证据权法等方法类似，如简单将不同的预测变量直接采用机器学习算法进行处理，其地质意义不明确，预测结果难以准确表达。

本发明专利结合知识驱动预测方法与数据驱动预测方法优势，首先采用模糊逻辑法对各预测变量进行模糊化处理，突出各变量的地质意义，定量表达了各变量对成矿的贡献；此外结合机器学习方法，提高了预测精度。本发明专利将两种方法有机结合，使得预测结果地质意义更明确，更具指导意义。

发明内容

本发明的目的是提供一种基于模糊逻辑和机器学习的成矿预测方法及系统，以提高成矿预测的准确性。

为实现上述目的，本发明提供了如下方案：

一种基于模糊逻辑和机器学习的成矿预测方法，所述方法包括：

建立矿床模型；所述矿床模型包括：成矿地质要素、成矿过程以及成矿作用；

基于所述矿床模型获取与成矿相关的成矿预测要素；

对所述成矿预测要素进行预处理；

对预处理后的成矿预测要素进行模糊化处理；

基于模糊化处理后的成矿预测要素确定训练数据；

建立机器学习模型；

基于所述训练数据对所述机器学习模型进行训练，得到训练后的机器学习模型；

基于训练后的机器学习模型进行成矿预测。

可选的，所述基于所述矿床模型获取与成矿相关的成矿预测要素具体包括：

收集地质、地球物理、地球化学、矿产地数据；所述矿产地数据包括：矿床、矿点及矿化点数据；

以GIS软件为平台，根据收集的地质、地球物理、地球化学、矿产地数据，建立相应图层；

根据所述矿产地数据与所述地质、地球物理、地球化学数据之间的关系，提取与成矿有关的成矿预测要素。

可选的，对所述成矿预测要素进行预处理具体包括：对地质要素和地球化学数据进行预处理；

其中，所述对地质要素进行预处理包括：

对地球物理数据进行延拓、方向导数处理，解译地层、构造、岩体信息，生成解译数据；所述地球物理数据包括：区域航磁数据和重力数据；所述解译数据包括：航磁解译地层、航磁解译构造、航磁解译岩体、重力解译构造以及重力解译岩体；

将所述解译数据，与原地质要素数据合并，生成新的地质要素数据，并进行栅格化；

将新生成地质要素数据，采用空间信息查询工具挑选出与成矿有关的地层、构造、岩体数据；

将与成矿有关的地层、构造数据导入GIS，采用GIS软件的线密度功能，生成地层、构造复杂度数据；

将矿产地数据及与成矿有关的地层、构造、岩体数据导入GIS软件，采用GIS软件的邻域分析功能，分别确定矿产地与地层、构造、岩体的距离，生成矿产地到地层、构造、岩体的三个距离数据文件；

所述对地球化学数据进行预处理具体包括：

将地球化学数据导入统计软件，得到多个地球化学变量；

利用因子分析算法和主成分分析算法，将多个地球化学变量组合成少数几个因子变量；

利用插值方法对所述地球化学变量和因子变量进行插值处理，生成单元素地球化学图及单因子地球化学图。

可选的，所述对预处理后的成矿预测要素进行模糊化处理具体包括：

对所述新的地质要素数据，结合矿产地与地层的空间关系，采用专家赋值法进行模糊化处理；

对于矿产地与构造、岩体距离参数，根据矿产地与构造、岩体的空间关系，采用相应的模糊算子进行模糊化；

对生成单元素地球化学图、单因子地球化学图，采用“模糊大”算子进行处理，生成地球化学数据模糊图层；

将模糊化后的新的地质要素数据、矿产地与构造、岩体距离参数以及地球化学数据模糊图层进行数据融合，得到预测变量图层。

可选的，所述基于模糊化处理后的成矿预测要素确定训练数据具体包括：

获取矿产地数据和非矿产地数据；

将所述矿产地数据和非矿产地数据合并，生成训练数据；

利用融合后的预测变量图层为所述训练数据赋值，得到赋值后的训练数据。

本发明另外提供一种基于模糊逻辑和机器学习的成矿预测系统，所述系统包括：

矿床模型建立模块，用于建立矿床模型；所述矿床模型包括：成矿地质要素、成矿过程以及成矿作用；

成矿预测要素获取模块，用于基于所述矿床模型获取与成矿相关的成矿预测要素；

预处理模块，用于对所述成矿预测要素进行预处理；

模糊化处理模块，用于对预处理后的成矿预测要素进行模糊化处理；

训练数据确定模块，用于基于模糊化处理后的成矿预测要素确定训练数据；

机器学习模型建立模块，用于建立机器学习模型；

训练模块，用于基于所述训练数据对所述机器学习模型进行训练，得到训练后的机器学习模型；

成矿预测模块，用于基于训练后的机器学习模型进行成矿预测。

可选的，所述基于所述矿床模型获取与成矿相关的成矿预测要素具体包括：

收集地质、地球物理、地球化学、矿产地数据；所述矿产地数据包括：矿床、矿点及矿化点数据；

以GIS软件为平台，根据收集的地质、地球物理、地球化学、矿产地数据，建立相应图层；

根据所述矿产地数据与所述地质、地球物理、地球化学数据之间的关系，提取与成矿有关的成矿预测要素。

可选的，对所述成矿预测要素进行预处理具体包括：对地质要素和地球化学数据进行预处理；

其中，所述对地质要素进行预处理包括：

对地球物理数据，进行延拓、方向导数处理，解译地层、构造、岩体信息，生成解译数据；所述地球物理数据包括：区域航磁数据和重力数据；所述解译数据包括：航磁解译地层、航磁解译构造、航磁解译岩体、重力解译构造以及重力解译岩体；

将所述解译数据，与原地质要素数据合并，生成新的地质要素数据，并进行栅格化；

将新生成地质要素数据，采用空间信息查询工具挑选出与成矿有关的地层、构造、岩体数据；

将与成矿有关的地层、构造数据导入GIS，采用GIS软件的线密度功能，生成地层、构造复杂度数据；

将矿产地数据及与成矿有关的地层、构造、岩体数据导入GIS软件，采用GIS软件的邻域分析功能，分别确定矿产地与地层、构造、岩体的距离，生成矿产地到地层、构造、岩体的三个距离数据文件；

所述对地球化学数据进行预处理具体包括：

将地球化学数据导入统计软件，得到多个地球化学变量；

利用因子分析算法和主成分分析算法，将多个地球化学变量组合成少数几个因子变量；

利用插值方法对所述地球化学变量和因子变量进行插值处理，生成单元素地球化学图及单因子地球化学图。

可选的，所述对预处理后的成矿预测要素进行模糊化处理具体包括：

对所述新的地质要素数据，结合矿产地与地层的空间关系，采用专家赋值法进行模糊化处理；

对于矿产地与构造、岩体距离参数，根据矿产地与构造、岩体的空间关系，采用相应的模糊算子进行模糊化；

对生成单元素地球化学图、单因子地球化学图，采用“模糊大”算子进行处理，生成地球化学数据模糊图层；

将模糊化后的新的地质要素数据、矿产地与构造、岩体距离参数以及地球化学数据模糊图层进行数据融合，得到预测变量图层。

可选的，所述基于模糊化处理后的成矿预测要素确定训练数据具体包括：

获取矿产地数据和非矿产地数据；

将所述矿产地数据和非矿产地数据合并，生成训练数据；

利用融合后的预测变量图层为所述训练数据赋值，得到赋值后的训练数据。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明中的上述方法及系统结合了定性和定量两种成矿预测方法的长处，与传统的成矿预测方法相比，本方法既能充分利用专家知识，又结合了数据科学的准确性、智能型，既具有良好的成矿地质理论基础，又能提高成矿预测的准确性，所得到的结果也具有较强的可解释性。其中数据模糊化的过程，是地质人员对数据的理解和创新性使用的过程。采用本专利方法可充分发挥地质人员的主观作用，又可充分挖掘成矿预测要素隐含的信息，从而提高成矿预测的准确度。

本发明不需要假设条件，普适性较强。传统的定量成矿预测方法往往需要满足一定的假设，如证据权法要求各成矿预测要素之间要具有较强的条件独立性，而在实际进行预测时，往往很难满足这些条件，使得预测结果可信度不高。采用本专利方法进行预测不需要这种前提条件。

本发明易于掌握，可操作性强。随机森林和支持向量机方法等机器学习算法属于“黑盒”方法，理论相对简单，易于地质找矿人员掌握利用，具有很强的可操作性。此外，采用的Rstudio等软件，为开源免费软件，易于推广应用。

本发明采用一种定量的方法来确定成矿有利度的阈值进而圈定靶区。该方法方便、直接，圈定的靶区更易于直观理解。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例基于模糊逻辑和机器学习的成矿预测方法流程图；

图2为本发明实施例ROC曲线示意图；

图3为本发明实施例基于模糊逻辑和机器学习的成矿预测系统结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种基于模糊逻辑和机器学习的成矿预测方法及系统，提高成矿预测的准确性。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明实施例基于模糊逻辑和机器学习的成矿预测方法流程图，如图1所示，所述方法包括：

步骤101：建立矿床模型；所述矿床模型包括：成矿地质要素、成矿过程以及成矿作用。

具体包括：

1)收集研究区地质资料，包括区域地质、矿床地质资料；

2)以成矿地质理论为基础，建立矿床模型；矿床模型主要包括各成矿地质要素、成矿过程、成矿作用等。

步骤102：基于所述矿床模型获取与成矿相关的成矿预测要素。

具体包括：

1)以GIS软件为平台，根据收集的地质、地球物理、地球化学、矿产地(包括矿床、矿点、矿化点)等数据，建立相应图层。

2)根据矿产地数据与其他数据之间的关系，提取与成矿有关的预测要素。

步骤103：对所述成矿预测要素进行预处理。

具体包括：

1)地质要素：将地层、构造、岩体等信息与矿产地数据进行空间分析。如计算地层、构造、岩体与矿产地之间的距离，确定地层、构造、岩体的最佳缓冲距离并计算地层复杂度、断裂密度等参数。实现过程如下：

(1)对地球物理数据，如区域航磁数据、重力数据进行延拓、方向导数等处理，从而解译地层、构造、岩体等信息，生成解译数据，如航磁解译地层、航磁解译构造、航磁解译岩体、重力解译构造以及重力解译岩体；

(2)将上述解译数据，与原地质要素数据合并，生成新的地质要素数据，并进行栅格化；

(3)将新生成地质要素数据，采用空间信息查询工具挑选出与成矿有关的地层、构造、岩体数据；

(4)将与成矿有关的地层、构造数据导入GIS，采用GIS软件的线密度功能，生成地层、构造复杂度数据(栅格数据格式)；

(5)将矿产地数据及与成矿有关的地层、构造、岩体数据导入GIS软件，采用GIS软件的邻域分析功能，分别确定矿产地与地层、构造、岩体的距离，生成矿产地到地层、构造、岩体的三个距离数据文件(栅格数据格式)。

2)地球化学要素：采用聚类分析、相关分析、因子分析、主成分分析等方法，确定与成矿元素密切相关的元素及其组合，作为预测要素。实现过程如下：

(1)将地球化学数据导入统计软件，如R、SPSS；

(2)采用软件的相关分析、聚类分析功能，分析各地球化学元素之间的关系；

(3)采用软件的因子分析和主成分分析功能，将多个地球化学变量组合成少数几个因子变量；

(4)采用常用的插值方法(如克里金法、距离反比法)对地球化学数据进行插值处理，生成单元素地球化学图、单因子地球化学图等。

步骤104：对预处理后的成矿预测要素进行模糊化处理。

模糊化处理，可在ArcGIS Desktop软件平台工具箱中找到相应的模糊化工具进行处理。模糊化处理的结果是生成一系列值在0-1之间的栅格数据。

1)地质要素数据模糊化处理：

对于步骤103的地质要素数据中新生成的地层数据(栅格数据)，结合矿床(体)实际与地层的空间关系，采用专家赋值法进行模糊化处理，对不同的地层，根据其重要性进行赋值，赋值区间在0和1之间，(1代表成矿可能性最高，0代表可能性最低)。如矿床(体)赋存在该地层中，可赋值为0.9或0.8，如地层远离矿床(体)，赋值为0.5以下。生成地层数据模糊图层(栅格数据格式)。

对于矿产地与构造、岩体距离参数，根据矿产地与构造、岩体的空间关系，采用相应的模糊算子(模糊大、模糊小、模糊近等)进行模糊化。如矿产地与岩体距离越近，对成矿越有利，因此采用“模糊小”，生成岩体距离数据模糊图层(栅格数据格式)。

对于地层密度或构造密度较大的地区，一般有利于成矿流体的运移，对成矿有利，因此采用“模糊大”算子，生成地层密度或构造密度模糊图层(栅格数据格式)。

2)地球化学要素数据模糊化处理：对生成单元素地球化学图、单因子地球化学图，元素含量值越高对成矿越有利，因此采用“模糊大”算子进行处理，生成地球化学数据模糊图层(栅格数据格式)。

3)数据融合

可在RStudio软件中，调用ArcGISbinding包，将以上生成的地质、地球化学模糊数据导入RStudio软件中，并将各数据(变量)融合，生成一个新的栅格文件。具体实现步骤如下：

(1)安装ArcGISbingding包并调用；

(2)安装并调用Raster包；

(3)输入地质数据模糊图层、地球化学数据模糊图层(栅格数据格式)；

(4)对栅格数据进行融合。采用Rstudio中Raster包中的stack函数，将各变量融合，生成一个栅格文件。该栅格文件中的属性，来自于(3)中的数据。该栅格文件即为后续成矿预测的基础数据，构成预测图层。

步骤105：基于模糊化处理后的成矿预测要素确定训练数据。

1)训练数据准备

(1)获取所需矿产地数据库，根据矿产地地理位置坐标值，在GIS中生成矿产地数据，在属性结构中添加新的属性字段Present(整型)，赋值为1。将数据命名为Present.shp。

(2)除矿产地数据外，选择一定数量的非矿产地数据。如远离已知矿产地，成矿可能性低的点或地球化学数据中元素含量值低的点，在ARCGIS中，采用生成随机点功能，生成非矿产地数据，非矿产地数据元素数量与矿产地数据元素数量保持一致。将非矿产地数据属性结构设置为X坐标、Y坐标，Present属性(整型字段)等三个字段，Present值赋为0，将数据命名为Absent.shp。

(3)通过ArcGIS的合并数据功能，将Present.shp数据和Absent.shp数据合并，生成训练数据training.shp。

(4)将训练数据图层导入R语言平台Rstudio.(采用Arcgisbinding包，读入training.shp文件，生成training_set变量)。

2)训练数据属性赋值

(1)在Rstudio中，调用Raster包，用步骤104中的过程4中得到的融合后的预测变量为训练数据Training.shp赋值。新生成的Training.shp数据中含有X、Y、Present等属性和步骤104中预测图层中包含的所有属性。

(2)将Training.shp属性中Present字段类型改为因子型(factor)。

步骤106：建立机器学习模型。

1)将训练数据集分为训练数据Train和验证数据Test。

在Rstudio中，将Training_set随机分为Train和Test两个数据集，Train和Test两个数据集分别占Training_set的70％和30％，前者用来训练机器学习模型，后者用来检验模型的预测效果。实现过程如下：

(1)设置随机种子，目的是模型结果的可再现；

(2)随机选择70％的数据作为Train数据集，作为训练模型的数据基础；

(3)将剩余的30％的数据作为Test数据集，以验证训练模型的预测效果。

2)训练模型

常用的机器学习方法为随机森林法(Random Forest)和支持向量机(SVM)法。可根据实际情况选其中之一作为训练模型。如各预测变量之间相关性较强，可采用随机森林法，反之则可采用支持向量机法。实际操作中，在Rstudio中调用不同的软件包(Package)即可。R中随机森林包为randomForest,支持矢量机法为e1071.

以随机森林法为例:

(1)安装并调用randomForest包；

(2)调用randomForest函数，以训练数据集Train的Present变量为因变量，其他变量为自变量，得到训练模型Rf。

3)模型验证

为了检验模型Rf的准确程度，可采用检验数据Test，对模型进行验证。步骤如下：

(1)可将验证数据Test导入模型Rf，得到一组新的数据；

(2)然后将新的数据结果与原Test数据进行对比，评价预测结果的准确率。比较常用的方法是采用ROC曲线(如图2所示)。其中AUC代表曲线下面的面积，越接近1，表明预测结果越好。

步骤107：基于所述训练数据对所述机器学习模型进行训练，得到训练后的机器学习模型。

步骤108：基于训练后的机器学习模型进行成矿预测。

1)生成成矿有利度图。

采用训练得到的机器学习模型(步骤106中的Rf)，输入预测图层(步骤104中的(4))，则可得到成矿有利度图。实现方法是：在Rstudio中采用Predict函数，以机器学习模型(如步骤106中的Rf)和预测变量要素(融合后的栅格数据，步骤104中的(4))为参数，输出结果即为成矿有利度图。

2)生成GIS平台识别的文件

调用Arcgisbinding包中的arc.write函数，可将成矿有利度图导出为GIS识别的栅格格式。然后在地理信息系统平台(如ARCGIS)上对成矿有利度图进行展示，采用不同的色调来代表不同的有利度。

3)确定靶区

常用的方法是根据步骤2)生成的有利度图，用不同的色调来定性确定靶区，一般暖色表示成矿有利度高，冷色表示成矿有利度低。将暖色部分可确定为找矿靶区。

本发明介绍一种新的方法：根据一定的阈值(Threshold)确定找矿靶区。在Rstudio中，也可以采用dismo软件包中的evaluate函数和threshold函数来确定。

首先调用evaluate函数，该函数的参数为机器学习模型(如上述步骤中的Rf)和训练数据集training，该函数的输出结果为变量e。将变量e作为threshold函数的输入变量,输出变量即为阈值。高于该阈值的区域即是找矿靶区。

对于用该方法所得到的的靶区，若具有锯齿形，可结合专家经验，进行适当的勾勒修正。

图3为本发明实施例基于模糊逻辑和机器学习的成矿预测系统结构示意图，如图3所示，所述系统包括：

矿床模型建立模块201，用于建立矿床模型；所述矿床模型包括：成矿地质要素、成矿过程以及成矿作用；

成矿预测要素获取模块202，用于基于所述矿床模型获取与成矿相关的成矿预测要素；

预处理模块203，用于对所述成矿预测要素进行预处理；

模糊化处理模块204，用于对预处理后的成矿预测要素进行模糊化处理；

训练数据确定模块205，用于基于模糊化处理后的成矿预测要素确定训练数据；

机器学习模型建立模块206，用于建立机器学习模型；

训练模块207，用于基于所述训练数据对所述机器学习模型进行训练，得到训练后的机器学习模型；

成矿预测模块208，用于基于训练后的机器学习模型进行成矿预测。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于模糊逻辑和机器学习的成矿预测方法，其特征在于，所述方法包括：

建立矿床模型；所述矿床模型包括：成矿地质要素、成矿过程以及成矿作用；

基于所述矿床模型获取与成矿相关的成矿预测要素；

对所述成矿预测要素进行预处理；

对预处理后的成矿预测要素进行模糊化处理；

基于模糊化处理后的成矿预测要素确定训练数据；

建立机器学习模型；

基于所述训练数据对所述机器学习模型进行训练，得到训练后的机器学习模型；

基于训练后的机器学习模型进行成矿预测。

2.根据权利要求1所述的基于模糊逻辑和机器学习的成矿预测方法，其特征在于，所述基于所述矿床模型获取与成矿相关的成矿预测要素具体包括：

收集地质、地球物理、地球化学、矿产地数据；所述矿产地数据包括：矿床、矿点及矿化点数据；

以GIS软件为平台，根据收集的地质、地球物理、地球化学、矿产地数据，建立相应图层；

根据所述矿产地数据与所述地质、地球物理、地球化学数据之间的关系，提取与成矿有关的成矿预测要素。

3.根据权利要求1所述的基于模糊逻辑和机器学习的成矿预测方法，其特征在于，对所述成矿预测要素进行预处理具体包括：对地质要素和地球化学数据进行预处理；

其中，所述对地质要素进行预处理包括：

对地球物理数据，进行延拓、方向导数处理，解译地层、构造、岩体信息，生成解译数据；所述地球物理数据包括：区域航磁数据和重力数据；所述解译数据包括：航磁解译地层、航磁解译构造、航磁解译岩体、重力解译构造以及重力解译岩体；

将所述解译数据，与原地质要素数据合并，生成新的地质要素数据，并进行栅格化；

将新生成地质要素数据，采用空间信息查询工具挑选出与成矿有关的地层、构造、岩体数据；

将与成矿有关的地层、构造数据导入GIS，采用GIS软件的线密度功能，生成地层、构造复杂度数据；

将矿产地数据及与成矿有关的地层、构造、岩体数据导入GIS软件，采用GIS软件的邻域分析功能，分别确定矿产地与地层、构造、岩体的距离，生成矿产地到地层、构造、岩体的三个距离数据文件；

所述对地球化学数据进行预处理具体包括：

将地球化学数据导入统计软件，得到多个地球化学变量；

利用因子分析算法和主成分分析算法，将多个地球化学变量组合成少数几个因子变量；

利用插值方法对所述地球化学变量和因子变量进行插值处理，生成单元素地球化学图及单因子地球化学图。

4.根据权利要求3所述的基于模糊逻辑和机器学习的成矿预测方法，其特征在于，所述对预处理后的成矿预测要素进行模糊化处理具体包括：

对所述新的地质要素数据，结合矿床,实际与地层的空间关系，采用专家赋值法进行模糊化处理；

对于矿产地与构造、岩体距离参数，根据矿产地与构造、岩体的空间关系，采用相应的模糊算子进行模糊化；

对生成单元素地球化学图、单因子地球化学图，采用“模糊大”算子进行处理，生成地球化学数据模糊图层；

将模糊化后的新的地质要素数据、矿产地与构造、岩体距离参数以及地球化学数据模糊图层进行数据融合，得到预测变量图层。

5.根据权利要求4所述的基于模糊逻辑和机器学习的成矿预测方法，其特征在于，所述基于模糊化处理后的成矿预测要素确定训练数据具体包括：

获取矿产地数据和非矿产地数据；

将所述矿产地数据和非矿产地数据合并，生成训练数据；

利用融合后的预测变量图层为所述训练数据赋值，得到赋值后的训练数据。

6.一种基于模糊逻辑和机器学习的成矿预测系统，其特征在于，所述系统包括：

矿床模型建立模块，用于建立矿床模型；所述矿床模型包括：成矿地质要素、成矿过程以及成矿作用；

成矿预测要素获取模块，用于基于所述矿床模型获取与成矿相关的成矿预测要素；

预处理模块，用于对所述成矿预测要素进行预处理；

模糊化处理模块，用于对预处理后的成矿预测要素进行模糊化处理；

训练数据确定模块，用于基于模糊化处理后的成矿预测要素确定训练数据；

机器学习模型建立模块，用于建立机器学习模型；

训练模块，用于基于所述训练数据对所述机器学习模型进行训练，得到训练后的机器学习模型；

成矿预测模块，用于基于训练后的机器学习模型进行成矿预测。

7.根据权利要求6所述的基于模糊逻辑和机器学习的成矿预测方法，其特征在于，所述基于所述矿床模型获取与成矿相关的成矿预测要素具体包括：

收集地质、地球物理、地球化学、矿产地数据；所述矿产地数据包括：矿床、矿点及矿化点数据；

以GIS软件为平台，根据收集的地质、地球物理、地球化学、矿产地数据，建立相应图层；

根据所述矿产地数据与所述地质、地球物理、地球化学数据之间的关系，提取与成矿有关的成矿预测要素。

8.根据权利要求6所述的基于模糊逻辑和机器学习的成矿预测系统，其特征在于，对所述成矿预测要素进行预处理具体包括：对地质要素和地球化学数据进行预处理；

其中，所述对地质要素进行预处理包括：

对地球物理数据，进行延拓、方向导数处理，解译地层、构造、岩体信息，生成解译数据；所述地球物理数据包括：区域航磁数据和重力数据；所述解译数据包括：航磁解译地层、航磁解译构造、航磁解译岩体、重力解译构造以及重力解译岩体；

将所述解译数据，与原地质要素数据合并，生成新的地质要素数据，并进行栅格化；

将新生成地质要素数据，采用空间信息查询工具挑选出与成矿有关的地层、构造、岩体数据；

将与成矿有关的地层、构造数据导入GIS，采用GIS软件的线密度功能，生成地层、构造复杂度数据；

将矿产地数据及与成矿有关的地层、构造、岩体数据导入GIS软件，采用GIS软件的邻域分析功能，分别确定矿产地与地层、构造、岩体的距离，生成矿产地到地层、构造、岩体的三个距离数据文件；

所述对地球化学数据进行预处理具体包括：

将地球化学数据导入统计软件，得到多个地球化学变量；

利用因子分析算法和主成分分析算法，将多个地球化学变量组合成少数几个因子变量；

利用插值方法对所述地球化学变量和因子变量进行插值处理，生成单元素地球化学图及单因子地球化学图。

9.根据权利要求8所述的基于模糊逻辑和机器学习的成矿预测系统，其特征在于，所述对预处理后的成矿预测要素进行模糊化处理具体包括：

对所述新的地质要素数据，结合矿床,实际与地层的空间关系，采用专家赋值法进行模糊化处理；

对于矿产地与构造、岩体距离参数，根据矿产地与构造、岩体的空间关系，采用相应的模糊算子进行模糊化；

对生成单元素地球化学图、单因子地球化学图，采用“模糊大”算子进行处理，生成地球化学数据模糊图层；

将模糊化后的新的地质要素数据、矿产地与构造、岩体距离参数以及地球化学数据模糊图层进行数据融合，得到预测变量图层。

10.根据权利要求9所述的基于模糊逻辑和机器学习的成矿预测系统，其特征在于，所述基于模糊化处理后的成矿预测要素确定训练数据具体包括：

获取矿产地数据和非矿产地数据；

将所述矿产地数据和非矿产地数据合并，生成训练数据；

利用融合后的预测变量图层为所述训练数据赋值，得到赋值后的训练数据。

Images