CN112711646A - 基于地学信息的找矿方法及装置、电子设备、存储介质 - Google Patents
基于地学信息的找矿方法及装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN112711646A CN112711646A CN202110032104.0A CN202110032104A CN112711646A CN 112711646 A CN112711646 A CN 112711646A CN 202110032104 A CN202110032104 A CN 202110032104A CN 112711646 A CN112711646 A CN 112711646A
- Authority
- CN
- China
- Prior art keywords
- ore
- area
- value
- grid
- geological data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000005065 mining Methods 0.000 title claims description 36
- 238000011160 research Methods 0.000 claims abstract description 59
- 238000012937 correction Methods 0.000 claims abstract description 13
- 238000011835 investigation Methods 0.000 claims abstract description 8
- 230000033558 biomineral tissue development Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 19
- 230000001627 detrimental effect Effects 0.000 claims description 11
- 230000002349 favourable effect Effects 0.000 claims description 6
- 239000011435 rock Substances 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 229910052500 inorganic mineral Inorganic materials 0.000 abstract description 10
- 239000011707 mineral Substances 0.000 abstract description 10
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000013480 data collection Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V20/00—Geomodelling in general
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- E—FIXED CONSTRUCTIONS
- E21—EARTH OR ROCK DRILLING; MINING
- E21B—EARTH OR ROCK DRILLING; OBTAINING OIL, GAS, WATER, SOLUBLE OR MELTABLE MATERIALS OR A SLURRY OF MINERALS FROM WELLS
- E21B2200/00—Special features related to earth drilling for obtaining oil, gas or water
- E21B2200/20—Computer models or simulations, e.g. for reservoirs under production, drill bits
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明提供一种基于地学信息的非线性定量找矿方法及装置、电子设备及存储介质，所述方法包括：通过野外地质调查收集研究区内的地质数据，对收集的所述地质数据进行校验；将所述地质数据以栅格图片形式进行存储，对栅格图片的地质数据进行几何校正、矢量化、赋予高程及相应属性值；按图层的游标对栅格图片的所有图层进行遍历处理；计算研究区的先验概率P先验和先验有利度O先验；根据所述研究区内的各个块体单元的后验概率值，生成所述研究区内的预测结果。本发明将分形及多重分形方法应用于确定部分找矿标志的异常下限以及对成矿远景区进行级别划分，使对研究区的矿藏分布更准确。
Description
技术领域
本发明涉及智能找矿技术，尤其涉及一种基于地学信息的非线性定量找矿方法及装置、电子设备和计算机存储介质。
背景技术
近年来，矿产普查与勘探的找矿预测评价趋向于计算机应用，尤其基于地理信息系统(Geographic Information System，GIS)技术一直是国内外定量地学与地学信息者研究的重要技术手段，基于二维(2D)或三维(3D)GIS的多元成矿地学信息(地质、地球物理、地球化学和遥感)提取、集成，成为矿产资源评价的技术方法体系，至今仍是国内外矿产勘查与评价研究的重要内容。该体系对中小比例尺的二维(2D)区域性资源评价具有普适性，但是在50000以上大比例尺三维(3D)空间矿产资源的评价中还存在诸多不足，尤其是在深部隐伏矿的定位预测和金属资源量估算方面明显欠缺，主要是因为受地质体三维可视化的制约，缺乏必要的三维空间分析技术和致矿异常信息提取与集成方法。当前，三维深部找矿是国内国际地学研究的热点和难点，几乎无相关技术可供参考。
发明内容
有鉴于此，本发明的一个方式提供一种基于地学信息的非线性定量找矿方法及装置、电子设备及存储介质。
本发明一方面提供一种基于地学信息的非线性定量找矿方法，包括：
通过野外地质调查收集研究区内的地质数据，对收集的所述地质数据进行校验，将所述地质数据以栅格图片形式进行存储，对栅格图片的地质数据进行几何校正、矢量化、赋予高程及相应属性值；其中，栅格图片的地质数据中以块体单元的方式被存储；所述地质数据包括以下至少之一：所述研究区内的地层组合关系、地层层序、岩性分层特征、地层之间的不整合接触及断裂接触关系、岩体形态和产状的地层信息；
对栅格图片的所有图层按照索引从小到大的顺序遍历所有图层中的所有块体单元，通过游标记录每个图层中当前访问的索引位置，当图层中游标所在块体单元的索引与当前搜索索引一致时，将块体单元的索引堆入栈中，若图层中游标所在的块体单元的索引值大于当前搜索的索引值时，则跳过该图层，使该图层的游标位置保持不变；
设研究区有T个块体单元，每一个块体单元中至多出现一个已知矿点单元，其中，有D个块体单元中含有已知矿点，则得到研究区的先验概率P先验和先验有利度O先验为：
分别计算出条件概率值P(Bi|D)，
以及
其中，P(Bi|D)表示块体单元存在矿床点时，控矿变量Bi存在的概率，其表达式为：
P(Bi|D)表示控矿变量Bi与矿床点同时存在的块体单元数与含矿床点的块体单元总数之比；∩表示取交集运算，N()表示块体单元的数量，
表示非矿体块体单元，Bi代表第i个控矿变量的块体单元，若N表示研究区总的块体单元，则
控矿变量Bi的权重可以表示为：
公式(4)中，Wi +表示控矿变量Bi存在区的权重值，Wi -表示控矿变量Bi不存在区的权重值，数据缺失的区域权重值设为0；控矿变量Bi与矿床点相关程度Ci＝Wi +-Wi -，Ci值大于零，表示控矿变量Bi的存在有利于成矿，Ci值越大，表示对成矿越有利；反之，Ci值小于零，表示控矿变量Bi的存在不利于成矿，Ci值越小，表示对成矿越不利；而Ci值为零则表示控矿变量Bi与成矿与否无关；权值的方差根据下式(5)计算：
对于每一个控矿变量，用Wi +和Wi -分别代替多元线性模型的1和0值，根据下式(6)计算控矿变量的偏回归系数β′i：
其中，xi的取值为Wi +或Wi -；得到每个控矿变量的偏回归系数β′i，再将此偏回归系数作为控矿变量权重的修正系数得到加权后的证据权重：
Wi +*＝β′iWi +
Wi -*＝β′iWi - (7)
研究区任一块体单元的后验有利度O后验通过下式(8)确定：
则对公式(8)等式两边取对数可得：
则任一块体单元的后验概率为：
根据所述研究区内的各个块体单元的后验概率值，生成所述研究区内的预测结果。
优选的，所述方法还包括：
根据所述研究区内的各个块体单元的后验概率值以及预测结果，将所述研究区划分为分离背景值区和成矿远景区，并且对成矿远景区进行进一步划分，得到多级成矿远景区；其中，成矿远景区级别划分采用的分形模型如下式(11)所示：
N(r)＝Cr-D (11)
其中，r为特征尺度，在此表示后验概率，C>0，称为比例系数，D>0，称为分维数，N(r)表示后验概率小于特征尺度r的累计块体单元数；对式(11)取对数，为：
lnN(r)＝lnC-Dlnr (12)
由式(12)可知，log N(r)和log r呈线性关系，而分维数为双对数拟合直线的斜率绝对值；用最小二乘法分段拟合直线，基于拟合直线的不同斜率值确定出背景值区和成矿远景区，不同线段所对应的分界值作为区分背景值区和成矿远景区的临界值，或者作为区分不同级别成矿远景区的临界值。
优选的，所述将所述地质数据以栅格图片形式进行存储，包括：
将存储空间分割成多个网格，每一个网格称为一个栅格像元，将每一地质数据存储于各栅格像元中，根据每个栅格像元赋予与该栅格像元存储的地质数据的属性值；其中，点实体由一个栅格像元来表示；线实体由一定方向上连接成串的相邻栅格像元表示；面实体由具有相同属性的相邻栅格像元的块集合来表示。
本发明的另一方面提供一种基于地学信息的非线性定量找矿装置，包括：
收集单元，用于通过野外地质调查收集研究区内的地质数据，对收集的所述地质数据进行校验；其中，所述地质数据包括以下至少之一：所述研究区内的地层组合关系、地层层序、岩性分层特征、地层之间的不整合接触及断裂接触关系、岩体形态和产状的地层信息；
存储单元，用于将所述地质数据以栅格图片形式进行存储，对栅格图片的地质数据进行几何校正、矢量化、赋予高程及相应属性值；其中，栅格图片的地质数据中以块体单元的方式被存储；
搜索单元，用于对栅格图片的所有图层按照索引从小到大的顺序遍历所有图层中的所有块体单元，通过游标记录每个图层中当前访问的索引位置，当图层中游标所在块体单元的索引与当前搜索索引一致时，将块体单元的索引堆入处理栈中，若图层中游标所在的块体单元的索引值大于当前搜索的索引值时，则跳过该图层，使该图层的游标位置保持不变；
计算单元，用于：设研究区有T个块体单元，每一个块体单元中至多出现一个已知矿点单元，其中，有D个块体单元中含有已知矿点，则得到研究区的先验概率P先验和先验有利度O先验为：
分别计算出条件概率值P(Bi|D)，
以及
其中，P(Bi|D)表示块体单元存在矿床点时，控矿变量Bi存在的概率，其表达式为：
P(Bi|D)表示控矿变量Bi与矿床点同时存在的块体单元数与含矿床点的块体单元总数之比；∩表示取交集运算，N()表示块体单元的数量，
表示非矿体块体单元，Bi代表第i个控矿变量的块体单元，若N表示研究区总的块体单元，则
控矿变量Bi的权重可以表示为：
公式(4)中，Wi +表示控矿变量Bi存在区的权重值，Wi -表示控矿变量Bi不存在区的权重值，数据缺失的区域权重值设为0；控矿变量Bi与矿床点相关程度Ci＝Wi +-Wi -，Ci值大于零，表示控矿变量Bi的存在有利于成矿，Ci值越大，表示对成矿越有利；反之，Ci值小于零，表示控矿变量Bi的存在不利于成矿，Ci值越小，表示对成矿越不利；而Ci值为零则表示控矿变量Bi与成矿与否无关；权值的方差根据下式(5)计算：
对于每一个控矿变量，用Wi +和Wi -分别代替多元线性模型的1和0值，根据下式(6)计算控矿变量的偏回归系数β′：
其中，xi的取值为Wi +或Wi -；得到每个控矿变量的偏回归系数β′i，再将此偏回归系数作为控矿变量权重的修正系数得到加权后的证据权重：
Wi +*＝β′iWi +
Wi -*＝β′iWi - (7)
研究区任一块体单元的后验有利度O后验通过下式(8)确定：
则对公式(8)等式两边取对数可得：
则任一块体单元的后验概率为：
确定单元，用于根据所述研究区内的各个块体单元的后验概率值，生成所述研究区内的预测结果。
优选的，所述装置还包括：
划分单元，用于根据所述研究区内的各个块体单元的后验概率值以及预测结果，将所述研究区划分为分离背景值区和成矿远景区，并且对成矿远景区进行进一步划分，得到多级成矿远景区；其中，成矿远景区级别划分采用的分形模型如下式(11)所示：
N(r)＝Cr-D (11)
其中，r为特征尺度，在此表示后验概率，C>0，称为比例系数，D>0，称为分维数，N(r)表示后验概率小于特征尺度r的累计块体单元数；对式(11)取对数，为：
lnN(r)＝lnC-Dlnr (12)
由式(12)可知，log N(r)和log r呈线性关系，而分维数为双对数拟合直线的斜率绝对值；用最小二乘法分段拟合直线，基于拟合直线的不同斜率值确定出背景值区和成矿远景区，不同线段所对应的分界值作为区分背景值区和成矿远景区的临界值，或者作为区分不同级别成矿远景区的临界值。
优选的，所述存储单元，还用于：
将存储空间分割成多个网格，每一个网格称为一个栅格像元，将每一地质数据存储于各栅格像元中，根据每个栅格像元赋予与该栅格像元存储的地质数据的属性值；其中，点实体由一个栅格像元来表示；线实体由一定方向上连接成串的相邻栅格像元表示；面实体由具有相同属性的相邻栅格像元的块集合来表示。
本发明的另一方面提供一种电子设备，包括：处理器和用于存储处理器可执行指令的存储器，其中，所述处理器被配置为在调用存储器中的可执行指令时，能够执行所述的基于地学信息的非线性定量找矿方法的步骤。
本发明的另一方面提供一种计算机可读存储介质，其上存取有计算机指令，其特征在于，所述指令被处理器执行时实现所述的基于地学信息的非线性定量找矿方法的步骤。
本发明实施例的基于地学信息的非线性定量找矿方法及装置、电子设备和计算机存储介质，基于三维空间数据定量计算，从数据输入输出到数据处理分析完全基于三维栅格数据，并针对三维数据的数据结构特点，对数据组织、读取和分析计算进行了定制和优化；将分形及多重分形方法应用于确定部分找矿标志的异常下限以及对成矿远景区进行级别划分，使对研究区的矿藏分布更准确。
附图说明
图1为本发明的基于地学信息的非线性定量找矿方法的流程示意图；
图2为本发明的基于地学信息的非线性定量找矿装置的组成结构示意图。
具体实施方式
以下结合附图，详细阐明本发明技术方案的实质。
图1为本发明的基于地学信息的非线性定量找矿方法的流程示意图，如图1所示，本发明实施例的基于地学信息的非线性定量找矿方法包括以下处理步骤：
步骤101，通过野外地质调查收集研究区内的地质数据，对收集的所述地质数据进行校验。
所述地质数据包括以下至少之一：所述研究区内的地层组合关系、地层层序、岩性分层特征、地层之间的不整合接触及断裂接触关系、岩体形态和产状的地层信息。
本发明实施例中，地质调查可以通过勘探、扫描、卫星遥感检测等手段获取所述地质数据。
步骤102，将所述地质数据以栅格图片形式进行存储，对栅格图片的地质数据进行几何校正、矢量化、赋予高程及相应属性值。
其中，栅格图片的地质数据中以块体单元的方式被存储。具体地，将存储空间分割成多个网格，每一个网格称为一个栅格像元，将每一地质数据存储于各栅格像元中，根据每个栅格像元赋予与该栅格像元存储的地质数据的属性值；其中，点实体由一个栅格像元来表示；线实体由一定方向上连接成串的相邻栅格像元表示；面实体由具有相同属性的相邻栅格像元的块集合来表示。
作为一种示例，在栅格数据集中，每个像元都有一个值，用来表达是所描绘的现象，如类别、高度、量级等。其中的类别则可以是草地、森林或道路等土地利用类；高度(距离)则可表示平均海平面以上的表面高程，可以用来派生出坡度、坡向和流域属性；量级可以表示重力或降雨百分比等。每个像元值可正可负，可以是整型也可以是浮点型。整型适合表达类别(离散)数据；浮点型则适合表达连续表面。另外，在像元值中，还可以使用NoData值来表示数据缺失。每个像元所表示的区域(或表面)的高和宽都相等。例如，表示高程的一个栅格(即，数字高程模型)可能会覆盖100平方千米的区域，如果这份栅格数据包含了100个像元，那么每个像元的高和宽都是1方千米，也就是还说每个像元覆盖的面积是1平方千米。像元的尺寸可大可小，具体可根据栅格数据集所描述的表面的精细度来确定。像元的大小可以是平方千米、平方英尺，甚至是平方厘米，它的大小决定了栅格中要素呈现的粗细程度。像元越小，那么栅格所表达的数据就越平滑或越详细。相应的，像元越小，数量也就越多，所需的处理时间会越长，占据的存储空间也越大。但是，如果像元过大，也可能会出现信息丢失或图样模糊的情况。
各像元的位置由其所在的栅格矩阵中的行和列来定义。矩阵实质上是使用直角坐标系来表示的，矩阵的行与笛卡尔平面的x轴平行，列与y轴平行。行和列的值均从0开始。
步骤103，按图层的游标对栅格图片的所有图层进行遍历处理。
对栅格图片的所有图层按照索引从小到大的顺序遍历所有图层中的所有块体单元，通过游标记录每个图层中当前访问的索引位置，当图层中游标所在块体单元的索引与当前搜索索引一致时，将块体单元的索引堆入栈中，若图层中游标所在的块体单元的索引值大于当前搜索的索引值时，则跳过该图层，使该图层的游标位置保持不变。
在三维空间数据处理过程中，由于引入了深度信息，因此往往会带来数据量的迅速攀升，本发明实施例的研究区总的块体单元数为研究区内X、Y和Z方向上块体单元数的乘积，尤其在一些矿集区尺度的三维定量预测与评价过程中，由实体模型向块体模型转换时往往会产生巨大的数据量(通常矿床尺度的定量预测需要处理105～107个块体单元，而矿集区尺度则需要处理107～109个块体单元)。如此庞大的数据量不仅给数据存储带来不便，也对图层渲染显示以及数据的定量分析和计算带来巨大的负担。因此，需要对地质数据进行相关处理，能够使基于地质数据的处理更迅捷，也能节省计算资源。
通过对栅格图片的处理，每一次搜索均可以将各个图层中具有该索引的块体单元全部提取出来，仅需要一次遍历便可将所有数据读取完成，同时遍历的过程全部通过对文件进行直接的流读取和写入，无需将文件读入内存中，从而减小了计算处理的资源占用，提升了处理效率。
步骤104，计算研究区的先验概率P先验和先验有利度O先验。
矿产资源潜力映射旨在对来自地、物、化、遥在内的多元地学数据的信息进行集成和分析，进而确定成矿远景区域，为决策者提供空间决策支持。本发明实施例将逻辑斯蒂回归系数作为加权证据权的权重因子，得到加权后的权重并以此计算后验概率。而使用逻辑斯蒂回归系数作为权重因子，可以得到后验概率的无偏估计，从而克服控矿变量独立性问题对预测结果的影响。
具体地，设研究区有T个块体单元，每一个块体单元中至多出现一个已知矿点单元，其中，有D个块体单元中含有已知矿点，则得到研究区的先验概率P先验和先验有利度O先验为：
分别计算出条件概率值P(Bi|D)，
以及
其中，P(Bi|D)表示块体单元存在矿床点时，控矿变量Bi存在的概率，其表达式为：
P(Bi|D)表示控矿变量Bi与矿床点同时存在的块体单元数与含矿床点的块体单元总数之比；∩表示取交集运算，N()表示块体单元的数量，
表示非矿体块体单元，Bi代表第i个控矿变量的块体单元，若N表示研究区总的块体单元，则
控矿变量Bi的权重可以表示为：
公式(4)中，Wi +表示控矿变量Bi存在区的权重值，Wi -表示控矿变量Bi不存在区的权重值，数据缺失的区域权重值设为0；控矿变量Bi与矿床点相关程度Ci＝Wi +-Wi -，Ci值大于零，表示控矿变量Bi的存在有利于成矿，Ci值越大，表示对成矿越有利；反之，Ci值小于零，表示控矿变量Bi的存在不利于成矿，Ci值越小，表示对成矿越不利；而Ci值为零则表示控矿变量Bi与成矿与否无关；权值的方差根据下式(5)计算：
对于每一个控矿变量，用Wi +和Wi -分别代替多元线性模型的1和0值，根据下式(6)计算控矿变量的偏回归系数β′：
其中，xi的取值为Wi +或Wi -；得到每个控矿变量的偏回归系数β′i，再将此偏回归系数作为控矿变量权重的修正系数得到加权后的证据权重：
Wi +*＝β′iWi +
Wi -*＝β′iWi - (7)
研究区任一块体单元的后验有利度O后验通过下式(8)确定：
则对公式(8)等式两边取对数可得：
则任一块体单元的后验概率为：
步骤105，根据所述研究区内的各个块体单元的后验概率值，生成所述研究区内的预测结果。
在本发明实施例中，在前述实施例的处理步骤的基础上，所述方法还可以包括：根据所述研究区内的各个块体单元的后验概率值以及预测结果，将所述研究区划分为分离背景值区和成矿远景区，并且对成矿远景区进行进一步划分，得到多级成矿远景区。
其中，成矿远景区级别划分采用的分形模型如下式(11)所示：
N(r)＝Cr-D (11)
其中，r为特征尺度，在此表示后验概率，C>0，称为比例系数，D>0，称为分维数，N(r)表示后验概率小于特征尺度r的累计块体单元数；对式(11)取对数，为：
lnN(r)＝ln C-D ln r (12)
由式(12)可知，log N(r)和logr呈线性关系，而分维数为双对数拟合直线的斜率绝对值；用最小二乘法分段拟合直线，基于拟合直线的不同斜率值确定出背景值区和成矿远景区，不同线段所对应的分界值作为区分背景值区和成矿远景区的临界值，或者作为区分不同级别成矿远景区的临界值。
本发明实施例在三维环境系统开展多元地学信息的非线性方法(分形)构建、优化变量信息；利用基于逻辑斯蒂回归的加权证据权法进行信息提取与集成；利用C-V分形分类以便于减少多元信息多解性和找矿不确定性，开展矿集区-矿田尺度的三维块体单元地学信息(地质、地球物理、地球化学)的定量化、非线性(分形)提取与集成，为深部找矿定位、定量研究提供科学依据。
远景区级别划分采用分形方法进行级别划分的实质就是在后验概率双对数曲线上进行分段直线拟合，确定分段直线拟合方法(如最小二乘拟合法等)、数据分组数、分类数，数据排序以及每个分类下最少点数等参数，然后即可进行拟合，得到多段分段线，根据分界点信息确定每一类的数据范围、拟合度以及分维数。
本发明实施例的基于地学信息的非线性定量找矿方法及装置、电子设备和计算机存储介质，基于三维空间数据定量计算，从数据输入输出到数据处理分析完全基于三维栅格数据，并针对三维数据的数据结构特点，对数据组织、读取和分析计算进行了定制和优化；将分形及多重分形方法应用于确定部分找矿标志的异常下限以及对成矿远景区进行级别划分，使对研究区的矿藏分布更准确。
图2为本发明的基于地学信息的非线性定量找矿装置的组成结构示意图，如图2所示，本发明实施例的基于地学信息的非线性定量找矿装置包括：
收集单元20，用于通过野外地质调查收集研究区内的地质数据，对收集的所述地质数据进行校验；其中，所述地质数据包括以下至少之一：所述研究区内的地层组合关系、地层层序、岩性分层特征、地层之间的不整合接触及断裂接触关系、岩体形态和产状的地层信息；
存储单元21，用于将所述地质数据以栅格图片形式进行存储，对栅格图片的地质数据进行几何校正、矢量化、赋予高程及相应属性值；其中，栅格图片的地质数据中以块体单元的方式被存储；
搜索单元22，用于对栅格图片的所有图层按照索引从小到大的顺序遍历所有图层中的所有块体单元，通过游标记录每个图层中当前访问的索引位置，当图层中游标所在块体单元的索引与当前搜索索引一致时，将块体单元的索引堆入处理栈中，若图层中游标所在的块体单元的索引值大于当前搜索的索引值时，则跳过该图层，使该图层的游标位置保持不变；
计算单元23，用于：设研究区有T个块体单元，每一个块体单元中至多出现一个已知矿点单元，其中，有D个块体单元中含有已知矿点，则得到研究区的先验概率P先验和先验有利度O先验为：
分别计算出条件概率值P(Bi|D)，
以及
其中，P(Bi|D)表示块体单元存在矿床点时，控矿变量Bi存在的概率，其表达式为：
P(Bi|D)表示控矿变量Bi与矿床点同时存在的块体单元数与含矿床点的块体单元总数之比；∩表示取交集运算，N()表示块体单元的数量，
表示非矿体块体单元，Bi代表第i个控矿变量的块体单元，若N表示研究区总的块体单元，则
控矿变量Bi的权重可以表示为：
公式(4)中，Wi +表示控矿变量Bi存在区的权重值，Wi -表示控矿变量Bi不存在区的权重值，数据缺失的区域权重值设为0；控矿变量Bi与矿床点相关程度Ci＝Wi +-Wi -，Ci值大于零，表示控矿变量Bi的存在有利于成矿，Ci值越大，表示对成矿越有利；反之，Ci值小于零，表示控矿变量Bi的存在不利于成矿，Ci值越小，表示对成矿越不利；而Ci值为零则表示控矿变量Bi与成矿与否无关；权值的方差根据下式(5)计算：
对于每一个控矿变量，用Wi +和Wi -分别代替多元线性模型的1和0值，根据下式(6)计算控矿变量的偏回归系数β′i：
其中，xi的取值为Wi +或Wi -；得到每个控矿变量的偏回归系数β′i，再将此偏回归系数作为控矿变量权重的修正系数得到加权后的证据权重：
Wi +*＝β′iWi +
Wi -*＝β′iWi - (7)
研究区任一块体单元的后验有利度O后验通过下式(8)确定：
则对公式(8)等式两边取对数可得：
则任一块体单元的后验概率为：
确定单元24，用于根据所述研究区内的各个块体单元的后验概率值，生成所述研究区内的预测结果。
在图2所示的基于地学信息的非线性定量找矿装置的基础上，本发明实施例的基于地学信息的非线性定量找矿装置还包括：
划分单元(图2中未示出)，用于根据所述研究区内的各个块体单元的后验概率值以及预测结果，将所述研究区划分为分离背景值区和成矿远景区，并且对成矿远景区进行进一步划分，得到多级成矿远景区；其中，成矿远景区级别划分采用的分形模型如下式(11)所示：
N(r)＝Cr-D (11)
其中，r为特征尺度，在此表示后验概率，C>0，称为比例系数，D>0，称为分维数，N(r)表示后验概率小于特征尺度r的累计块体单元数；对式(11)取对数，为：
lnN(r)＝ln C-D ln r (12)
由式(12)可知，log N(r)和log r呈线性关系，而分维数为双对数拟合直线的斜率绝对值；用最小二乘法分段拟合直线，基于拟合直线的不同斜率值确定出背景值区和成矿远景区，不同线段所对应的分界值作为区分背景值区和成矿远景区的临界值，或者作为区分不同级别成矿远景区的临界值。
在本发明实施例中，所述存储单元21，还用于：
将存储空间分割成多个网格，每一个网格称为一个栅格像元，将每一地质数据存储于各栅格像元中，根据每个栅格像元赋予与该栅格像元存储的地质数据的属性值；其中，点实体由一个栅格像元来表示；线实体由一定方向上连接成串的相邻栅格像元表示；面实体由具有相同属性的相邻栅格像元的块集合来表示。
在示例性实施例中，收集单元20、存储单元21、搜索单元22、计算单元23和确定单元24可以被一个或多个中央处理器(CPU，Central Processing Unit)、图形处理器(GPU，Graphics Processing Unit)、基带处理器(BP，base processor)、应用专用集成电路(ASIC，Application Specific Integrated Circuit)、DSP、可编程逻辑器件(PLD，Programmable Logic Device)、复杂可编程逻辑器件(CPLD，Complex Programmable LogicDevice)、现场可编程门阵列(FPGA，Field-Programmable Gate Array)、通用处理器、控制器、微控制器(MCU，Micro Controller Unit)、微处理器(Microprocessor)、或其他电子元件实现，也可以结合一个或多个射频(RF，radio frequency)天线实现，用于执行前述实施例的网络数据收集方法的步骤。
在本公开实施例中，图2示出的基于地学信息的非线性定量找矿装置中各个单元执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本发明的另一方面提供一种电子设备，包括：处理器和用于存储处理器可执行指令的存储器，其中，所述处理器被配置为在调用存储器中的可执行指令时，能够执行前述实施例的基于地学信息的非线性定量找矿方法的步骤。
本发明的另一方面提供一种计算机可读存储介质，其上存取有计算机指令，其特征在于，所述指令被处理器执行时实现前述实施例的基于地学信息的非线性定量找矿方法的步骤。
在本实施例中，至少一个处理器可以构成具有对一个或多个输入执行逻辑运算的电路的任何物理设备。例如，至少一个处理器可以包括一个或多个集成电路(IC)，包括专用集成电路(ASIC)、微芯片、微控制器、微处理器、中央处理单元(CPU)的全部或部分、图形处理单元(GPU)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)或者适于执行指令或执行逻辑运算的其它电路。由至少一个处理器执行的指令可以例如被预加载到与控制器集成的或嵌入在控制器中的存储器中，或者可以存储在分离的存储器中。存储器可以包括随机存取存储器(RAM)、只读存储器(ROM)、硬盘、光盘、磁介质、闪存，其它永久、固定或易失性存储器，或者能够存储指令的任何其它机制。可选的是，至少一个处理器可以包括多于一个处理器。每个处理器可以具有相似的结构，或者处理器可以具有彼此电连接或断开的不同构造。例如，处理器可以是分离的电路或集成在单个电路中。当使用多于一个处理器时，处理器可以被配置为独立地或协作地操作。处理器可以以电、磁、光学、声学、机械或通过允许它们交互的其它手段来耦合。
在本实施例中，非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
此外，本发明的特征和益处通过参考示例性实施例进行说明。相应地，本发明明确地不应局限于这些说明一些可能的非限制性特征的组合的示例性的实施例，这些特征可单独或者以特征的其它组合的形式存在。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神以权利要求书为准。
Claims (8)
1.一种基于地学信息的非线性定量找矿方法，其特征在于，所述方法包括：
通过野外地质调查收集研究区内的地质数据，对收集的所述地质数据进行校验，将所述地质数据以栅格图片形式进行存储，对栅格图片的地质数据进行几何校正、矢量化、赋予高程及相应属性值；其中，栅格图片的地质数据中以块体单元的方式被存储；所述地质数据包括以下至少之一：所述研究区内的地层组合关系、地层层序、岩性分层特征、地层之间的不整合接触及断裂接触关系、岩体形态和产状的地层信息；
对栅格图片的所有图层按照索引从小到大的顺序遍历所有图层中的所有块体单元，通过游标记录每个图层中当前访问的索引位置，当图层中游标所在块体单元的索引与当前搜索索引一致时，将块体单元的索引堆入栈中，若图层中游标所在的块体单元的索引值大于当前搜索的索引值时，则跳过该图层，使该图层的游标位置保持不变；
设研究区有T个块体单元，每一个块体单元中至多出现一个已知矿点单元，其中，有D个块体单元中含有已知矿点，则得到研究区的先验概率P先验和先验有利度O先验为：
分别计算出条件概率值P(Bi|D)，
以及
其中，P(Bi|D)表示块体单元存在矿床点时，控矿变量Bi存在的概率，其表达式为：
P(Bi|D)表示控矿变量Bi与矿床点同时存在的块体单元数与含矿床点的块体单元总数之比；∩表示取交集运算，N()表示块体单元的数量，
表示非矿体块体单元，Bi代表第i个控矿变量的块体单元，若N表示研究区总的块体单元，则
控矿变量Bi的权重可以表示为：
公式(4)中，Wi +表示控矿变量Bi存在区的权重值，Wi -表示控矿变量Bi不存在区的权重值，数据缺失的区域权重值设为0；控矿变量Bi与矿床点相关程度Ci＝Wi +-Wi -，Ci值大于零，表示控矿变量Bi的存在有利于成矿，Ci值越大，表示对成矿越有利；反之，Ci值小于零，表示控矿变量Bi的存在不利于成矿，Ci值越小，表示对成矿越不利；而Ci值为零则表示控矿变量Bi与成矿与否无关；权值的方差根据下式(5)计算：
对于每一个控矿变量，用Wi +和Wi -分别代替多元线性模型的1和0值，根据下式(6)计算控矿变量的偏回归系数β′i：
其中，xi的取值为Wi +或Wi -；得到每个控矿变量的偏回归系数β′i，再将此偏回归系数作为控矿变量权重的修正系数得到加权后的证据权重：
研究区任一块体单元的后验有利度O后验通过下式(8)确定：
则对公式(8)等式两边取对数可得：
则任一块体单元的后验概率为：
根据所述研究区内的各个块体单元的后验概率值，生成所述研究区内的预测结果。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
根据所述研究区内的各个块体单元的后验概率值以及预测结果，将所述研究区划分为分离背景值区和成矿远景区，并且对成矿远景区进行进一步划分，得到多级成矿远景区；其中，成矿远景区级别划分采用的分形模型如下式(11)所示：
N(r)＝Cr-D (11)
其中，r为特征尺度，在此表示后验概率，C＞0，称为比例系数，D＞0，称为分维数，N(r)表示后验概率小于特征尺度r的累计块体单元数；对式(11)取对数，为：
ln N(r)＝ln C-D ln r (12)
由式(12)可知，log N(r)和log r呈线性关系，而分维数为双对数拟合直线的斜率绝对值；用最小二乘法分段拟合直线，基于拟合直线的不同斜率值确定出背景值区和成矿远景区，不同线段所对应的分界值作为区分背景值区和成矿远景区的临界值，或者作为区分不同级别成矿远景区的临界值。
3.根据权利要求1所述的方法，其特征在于，所述将所述地质数据以栅格图片形式进行存储，包括：
将存储空间分割成多个网格，每一个网格称为一个栅格像元，将每一地质数据存储于各栅格像元中，根据每个栅格像元赋予与该栅格像元存储的地质数据的属性值；其中，点实体由一个栅格像元来表示；线实体由一定方向上连接成串的相邻栅格像元表示；面实体由具有相同属性的相邻栅格像元的块集合来表示。
4.一种基于地学信息的非线性定量找矿装置，其特征在于，所述装置包括：
收集单元，用于通过野外地质调查收集研究区内的地质数据，对收集的所述地质数据进行校验；其中，所述地质数据包括以下至少之一：所述研究区内的地层组合关系、地层层序、岩性分层特征、地层之间的不整合接触及断裂接触关系、岩体形态和产状的地层信息；
存储单元，用于将所述地质数据以栅格图片形式进行存储，对栅格图片的地质数据进行几何校正、矢量化、赋予高程及相应属性值；其中，栅格图片的地质数据中以块体单元的方式被存储；
搜索单元，用于对栅格图片的所有图层按照索引从小到大的顺序遍历所有图层中的所有块体单元，通过游标记录每个图层中当前访问的索引位置，当图层中游标所在块体单元的索引与当前搜索索引一致时，将块体单元的索引堆入处理栈中，若图层中游标所在的块体单元的索引值大于当前搜索的索引值时，则跳过该图层，使该图层的游标位置保持不变；
计算单元，用于：设研究区有T个块体单元，每一个块体单元中至多出现一个已知矿点单元，其中，有D个块体单元中含有已知矿点，则得到研究区的先验概率P先验和先验有利度O先验为：
分别计算出条件概率值P(Bi|D)，
以及
其中，P(Bi|D)表示块体单元存在矿床点时，控矿变量Bi存在的概率，其表达式为：
P(Bi|D)表示控矿变量Bi与矿床点同时存在的块体单元数与含矿床点的块体单元总数之比；∩表示取交集运算，N()表示块体单元的数量，
表示非矿体块体单元，Bi代表第i个控矿变量的块体单元，若N表示研究区总的块体单元，则
控矿变量Bi的权重可以表示为：
公式(4)中，Wi +表示控矿变量Bi存在区的权重值，Wi -表示控矿变量Bi不存在区的权重值，数据缺失的区域权重值设为0；控矿变量Bi与矿床点相关程度Ci＝Wi +-Wi -，Ci值大于零，表示控矿变量Bi的存在有利于成矿，Ci值越大，表示对成矿越有利；反之，Ci值小于零，表示控矿变量Bi的存在不利于成矿，Ci值越小，表示对成矿越不利；而Ci值为零则表示控矿变量Bi与成矿与否无关；权值的方差根据下式(5)计算：
对于每一个控矿变量，用Wi +和Wi -分别代替多元线性模型的1和0值，根据下式(6)计算控矿变量的偏回归系数β′i：
其中，xi的取值为Wi +或Wi -；得到每个控矿变量的偏回归系数β′i，再将此偏回归系数作为控矿变量权重的修正系数得到加权后的证据权重：
研究区任一块体单元的后验有利度O后验通过下式(8)确定：
则对公式(8)等式两边取对数可得：
则任一块体单元的后验概率为：
确定单元，用于根据所述研究区内的各个块体单元的后验概率值，生成所述研究区内的预测结果。
5.根据权利要求4所述的装置，其特征在于，所述装置还包括：
划分单元，用于根据所述研究区内的各个块体单元的后验概率值以及预测结果，将所述研究区划分为分离背景值区和成矿远景区，并且对成矿远景区进行进一步划分，得到多级成矿远景区；其中，成矿远景区级别划分采用的分形模型如下式(11)所示：
N(r)＝Cr-D (11)
其中，r为特征尺度，在此表示后验概率，C＞0，称为比例系数，D＞0，称为分维数，N(r)表示后验概率小于特征尺度r的累计块体单元数；对式(11)取对数，为：
ln N(r)＝ln C-D ln r (12)
由式(12)可知，log N(r)和log r呈线性关系，而分维数为双对数拟合直线的斜率绝对值；用最小二乘法分段拟合直线，基于拟合直线的不同斜率值确定出背景值区和成矿远景区，不同线段所对应的分界值作为区分背景值区和成矿远景区的临界值，或者作为区分不同级别成矿远景区的临界值。
6.根据权利要求4所述的装置，其特征在于，所述存储单元，还用于：
将存储空间分割成多个网格，每一个网格称为一个栅格像元，将每一地质数据存储于各栅格像元中，根据每个栅格像元赋予与该栅格像元存储的地质数据的属性值；其中，点实体由一个栅格像元来表示；线实体由一定方向上连接成串的相邻栅格像元表示；面实体由具有相同属性的相邻栅格像元的块集合来表示。
7.一种电子设备，其特征在于，包括：处理器和用于存储处理器可执行指令的存储器，其中，所述处理器被配置为在调用存储器中的可执行指令时，能够执行权利要求1至3任一项所述的基于地学信息的非线性定量找矿方法的步骤。
8.一种计算机可读存储介质，其上存取有计算机指令，其特征在于，所述指令被处理器执行时实现如权利要求1至3中任一项所述的基于地学信息的非线性定量找矿方法的步骤。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110032104.0A CN112711646B (zh) | 2021-01-11 | 2021-01-11 | 基于地学信息的找矿方法及装置、电子设备、存储介质 |
| NL2030476A NL2030476B1 (en) | 2021-01-11 | 2022-01-08 | Prospecting Method Based on Geological Information and Device, Electronic Equipment and Storage Medium Thereof |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110032104.0A CN112711646B (zh) | 2021-01-11 | 2021-01-11 | 基于地学信息的找矿方法及装置、电子设备、存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112711646A true CN112711646A (zh) | 2021-04-27 |
| CN112711646B CN112711646B (zh) | 2023-05-16 |
Family
ID=75548716
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110032104.0A Active CN112711646B (zh) | 2021-01-11 | 2021-01-11 | 基于地学信息的找矿方法及装置、电子设备、存储介质 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN112711646B (zh) |
| NL (1) | NL2030476B1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113239779A (zh) * | 2021-05-10 | 2021-08-10 | 中国人民武装警察部队黄金第五支队 | 一种基于孔雀石多波段逻辑运算模型的找矿方法及系统 |
| CN114776304A (zh) * | 2022-05-30 | 2022-07-22 | 广州海洋地质调查局 | 一种深海矿产异常区识别的方法、装置、设备及介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7353114B1 (en) * | 2005-06-27 | 2008-04-01 | Google Inc. | Markup language for an interactive geographic information system |
| CN102609982A (zh) * | 2012-01-20 | 2012-07-25 | 北京石油化工学院 | 空间地质数据非结构化模式的拓扑发现方法 |
| CN106780667A (zh) * | 2016-12-12 | 2017-05-31 | 湖北金拓维信息技术有限公司 | 一种多图层的混合索引方法 |
| CN106971008A (zh) * | 2017-05-10 | 2017-07-21 | 中国地质大学（武汉） | 一种洪涝风险专题图的自动生成系统及其并行处理方法 |
| CN107038505A (zh) * | 2017-04-25 | 2017-08-11 | 中国地质大学（北京） | 基于机器学习的找矿模型预测方法 |
| CN110264016A (zh) * | 2019-06-28 | 2019-09-20 | 中国地质大学（北京） | 一种矿产探测方法及装置 |
| CN110334882A (zh) * | 2019-07-17 | 2019-10-15 | 中国地质大学（北京） | 一种隐伏矿体定量预测方法及装置 |
| CN110928901A (zh) * | 2019-10-28 | 2020-03-27 | 武大吉奥信息技术有限公司 | 基于MapServer服务协议的图层联合查询方法、设备及存储设备 |
| CN112100296A (zh) * | 2020-07-24 | 2020-12-18 | 广州南方卫星导航仪器有限公司 | 一种便于进行gis矢量数据编辑的gis系统 |
-
2021
- 2021-01-11 CN CN202110032104.0A patent/CN112711646B/zh active Active
-
2022
- 2022-01-08 NL NL2030476A patent/NL2030476B1/en active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7353114B1 (en) * | 2005-06-27 | 2008-04-01 | Google Inc. | Markup language for an interactive geographic information system |
| CN102609982A (zh) * | 2012-01-20 | 2012-07-25 | 北京石油化工学院 | 空间地质数据非结构化模式的拓扑发现方法 |
| CN106780667A (zh) * | 2016-12-12 | 2017-05-31 | 湖北金拓维信息技术有限公司 | 一种多图层的混合索引方法 |
| CN107038505A (zh) * | 2017-04-25 | 2017-08-11 | 中国地质大学（北京） | 基于机器学习的找矿模型预测方法 |
| CN106971008A (zh) * | 2017-05-10 | 2017-07-21 | 中国地质大学（武汉） | 一种洪涝风险专题图的自动生成系统及其并行处理方法 |
| CN110264016A (zh) * | 2019-06-28 | 2019-09-20 | 中国地质大学（北京） | 一种矿产探测方法及装置 |
| CN110334882A (zh) * | 2019-07-17 | 2019-10-15 | 中国地质大学（北京） | 一种隐伏矿体定量预测方法及装置 |
| CN110928901A (zh) * | 2019-10-28 | 2020-03-27 | 武大吉奥信息技术有限公司 | 基于MapServer服务协议的图层联合查询方法、设备及存储设备 |
| CN112100296A (zh) * | 2020-07-24 | 2020-12-18 | 广州南方卫星导航仪器有限公司 | 一种便于进行gis矢量数据编辑的gis系统 |
Non-Patent Citations (4)
| Title |
|---|
| G WANG 等: "3D geological modeling for prediction of subsurface Mo targets in the Luanchuan district,China", 《ORE GEOLOGY REVIEWS》 * |
| 尚敏: "基于GIS的三峡库区忠县岸段塌岸研究", 《中国博士学位论文全文数据库（工程科技II辑）》 * |
| 李瑞喜 等: "地学信息三维定量化提取与集成", 《地质通报》 * |
| 王功文 等: "基于GIS技术的三江北段铜多金属成矿预测与评价", 《地学前缘》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113239779A (zh) * | 2021-05-10 | 2021-08-10 | 中国人民武装警察部队黄金第五支队 | 一种基于孔雀石多波段逻辑运算模型的找矿方法及系统 |
| CN114776304A (zh) * | 2022-05-30 | 2022-07-22 | 广州海洋地质调查局 | 一种深海矿产异常区识别的方法、装置、设备及介质 |
| CN114776304B (zh) * | 2022-05-30 | 2022-11-04 | 广州海洋地质调查局 | 一种深海矿产异常区识别的方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| NL2030476B1 (en) | 2022-12-30 |
| NL2030476A (en) | 2022-07-25 |
| CN112711646B (zh) | 2023-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chen et al. | Machine learning-based classification of rock discontinuity trace: SMOTE oversampling integrated with GBT ensemble learning | |
| CN109801293B (zh) | 遥感影像分割方法、装置及存储介质、服务器 | |
| Li et al. | A review of remote sensing image classification techniques: The role of spatio-contextual information | |
| Huang et al. | Road centreline extraction from high‐resolution imagery based on multiscale structural features and support vector machines | |
| Cracknell et al. | The upside of uncertainty: Identification of lithology contact zones from airborne geophysics and satellite data using random forests and support vector machines | |
| Carneiro et al. | Semiautomated geologic mapping using self-organizing maps and airborne geophysics in the Brazilian Amazon | |
| Lechner et al. | Remote sensing of small and linear features: Quantifying the effects of patch size and length, grid position and detectability on land cover mapping | |
| CN103268358B (zh) | 多源控制点影像数据库构建及更新方法 | |
| CN106846322B (zh) | 基于曲线波滤波器和卷积结构学习的sar图像分割方法 | |
| Ahmadirouhani et al. | Integration of SPOT-5 and ASTER satellite data for structural tracing and hydrothermal alteration mineral mapping: Implications for Cu–Au prospecting | |
| CN112711646B (zh) | 基于地学信息的找矿方法及装置、电子设备、存储介质 | |
| Yue et al. | Texture extraction for object-oriented classification of high spatial resolution remotely sensed images using a semivariogram | |
| EP2914984B1 (en) | Analyzing seismic data | |
| Eichkitz et al. | Mapping directional variations in seismic character using gray-level co-occurrence matrix-based attributes | |
| Yuan et al. | An enhanced fault-detection method based on adaptive spectral decomposition and super-resolution deep learning | |
| Verbovšek et al. | GIS-assisted classification of litho-geomorphological units using Maximum Likelihood Classification, Vipava Valley, SW Slovenia | |
| Zhang et al. | SaltISCG: Interactive salt segmentation method based on CNN and graph cut | |
| CN115578212A (zh) | 一种地质勘查内外业一体化的信息化系统 | |
| Miky et al. | A combined contour lines iteration algorithm and Delaunay triangulation for terrain modeling enhancement | |
| Paasche et al. | Rapid integration of large airborne geophysical data suites using a fuzzy partitioning cluster algorithm: a tool for geological mapping and mineral exploration targeting | |
| Martinez-Sanchez et al. | Skyline variations allow estimating distance to trees on landscape photos using semantic segmentation | |
| Qiu et al. | Lithostratigraphic classification method combining optimal texture window size selection and test sample purification using landsat 8 OLI data | |
| US20050240348A1 (en) | System and method for determining oil or mineral deposits | |
| Malakhov et al. | Remote sensing applied to paleontology: exploration of Upper Cretaceous sediments in Kazakhstan for potential fossil sites | |
| Aitken et al. | Semiautomated quantification of the influence of data richness on confidence in the geologic interpretation of aeromagnetic maps |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |