CN115759816A - 一种寻找造山型金矿的方法 - Google Patents
一种寻找造山型金矿的方法 Download PDFInfo
- Publication number
- CN115759816A CN115759816A CN202211375733.4A CN202211375733A CN115759816A CN 115759816 A CN115759816 A CN 115759816A CN 202211375733 A CN202211375733 A CN 202211375733A CN 115759816 A CN115759816 A CN 115759816A
- Authority
- CN
- China
- Prior art keywords
- spectrum
- mountain
- gold
- mineral
- altered
- 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.)
- Pending
Links
Images
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种寻找造山型金矿的方法，本发明主要先选择造山带，再根据选择的造山带进行遥感影像处理和选区，利用FieldSpecProFR光谱仪对已知造山型金矿样品进行波谱测量，并与典型蚀变矿物模型对比分析，总结其矿物组合及蚀变特征，建立已知造山型金矿岩性及围岩的光谱数据集，再利用FieldSpecProFR光谱仪在有利金成矿的地段开展实地光谱测量，识别蚀变矿物，建立蚀变矿物分带光谱数据集，AI机器自动选择造山型金矿找矿靶区，最后利用槽探对找矿靶区光谱进行验证，确定造山型金矿体，通过高光谱遥感结合地表验证，可在1年内快速圈定造山金矿体，大幅缩短找矿勘查工作周期，大幅降低生产成本，节省大量的人力和物力。
Description
技术领域
本发明属于地质勘探技术领域，具体涉及一种寻找造山型金矿的方法。
背景技术
造山型金矿通常以浅成中低温热液型金矿的形式产出，主要由石英脉型和构造蚀变岩型两种类型组成。
石英脉型金矿蚀变矿物组合和分带特征：石英脉型金矿，含金热液主要随石英的结晶而沉淀形成蚀变矿物组合和分带特征。由内到外形成烟灰色石英+明金→烟灰色、灰色石英+浸染状细粒金矿+浸染状细粒黄铁矿+含砷矿物(毒砂、砷铁矿等)→浅灰色石英+细粒浸染状金矿+星点状黄铜矿(蚀变矿物为孔雀石)→乳白色石英。
构造蚀变岩型金矿蚀变矿物组合和分带特征：构造蚀变岩型金矿，含金热液主要沿构造薄弱地带(主要为脆性断裂带或韧性断裂与脆性断裂的转化部位)自地幔向地壳运移，由于温度和压力的降低沉淀形成。蚀变矿物组合和分带特征由深至浅、由内至外表现为，褐色硅化蚀变岩+浸染状细粒金矿+浸染状细粒黄铁矿→褐色硅化蚀变岩+浸染状细粒金矿+绢英岩岩化→褐色硅化蚀变岩+浸染状细粒金矿+绢英岩岩化+含砷矿物(毒砂、砷铁矿等)→褐色硅化蚀变岩+星点状黄铜矿(蚀变矿物为孔雀石)→碳酸盐化(辉锑矿化)+高岭土化。
目前，常规造山型金矿找矿周期和流程：1-2年水系沉积物测量圈定金异常→1年水系沉积物测量异常查证→1年槽探、钻探验证→圈定金矿体，一个找矿周期至少需要3年以上，找矿效率低、效果不明显，因此我们需要提出一种寻找造山型金矿的方法来解决上述存在的问题，使其能达到快速缩小找矿靶区、迅速逼近找矿目标、快速发现造山型金矿床的目的。
发明内容
本发明的目的在于提供一种寻找造山型金矿的方法，以解决上述背景技术中提出的问题，能达到快速缩小找矿靶区、迅速逼近找矿目标、快速发现造山型金矿床的目的。
为实现上述目的，本发明采用了如下技术方案：
一种寻找造山型金矿的方法，包括如下步骤：
S1、选择面积为500-5000Km2的造山带，并开展主要岩石的地球化学测量和年龄测定，确定所选区域为造山带；
S2、开展1：1000-1：50000高分遥感数据，并购买、下载和套合地质图，进行遥感影像处理和选区，取得已知造山型金矿样品；
S3、利用FieldSpec Pro FR光谱仪对已知造山型金矿样品进行波谱测量，并与典型蚀变矿物模型对比分析，总结其矿物组合及蚀变特征；
S4、建立已知造山型金矿岩性及围岩的光谱数据集：利用USGS矿物光谱库作为标准参考光谱库，结合野外调查以及造山带主要的蚀变矿物作为重点对象，完善蚀变矿物标准参考光谱数据集，基于线性和非线性光谱混合理论，AI机器建立造山型金矿典型岩性光谱数据集并保存；
S5、利用FieldSpec Pro FR光谱仪在有利金成矿的地段开展实地光谱测量；
S6、识别蚀变矿物：通过实地调查采样结合S5中实验室光谱测定，将同一地点的样品光谱与高光谱提取的蚀变矿物光谱对比获得光谱匹配的情况，得到蚀变矿物光谱特征；
S7、对纹理信息丰富而光谱信息相对贫乏的高光谱遥感影像数据采用基于纹理和光谱信息的影像分类方法进行与金密切相关的石英及蚀变矿物的信息识别，得到纹理特征信息；
S8、建立蚀变矿物分带光谱数据集：将S6和S7中建立的单个蚀变矿物光谱特征及纹理特征信息按照造山型金矿体的分带特征，训练AI机器建立蚀变矿物分带光谱数据集；
S9、基于已知典型矿区蚀变特征与成矿作用的关系对造山型金矿找靶区AI机器自动选择；
S10、对AI机器选择的找矿有利区域开展验证，从而圈定造山型金矿体。
优选的，步骤S1中所述造山带在选择时，优先选择已经发现造山型金矿的区域及外围地带，若经AI机器人通过深度学习，掌握了主要造山带造山型金矿的找矿方法后，可扩大工作区面积并推广到目前尚未发现造山型金矿的地区。
优选的，步骤S4中所述造山带主要的蚀变矿物包括碱性长石、绿泥石、绿帘石、赤铁矿、褐铁矿、黄铁矿、石英和云母。
优选的，步骤S5中所述FieldSpec Pro FR光谱仪具有350nm-2500nm的宽谱段，在有利金成矿的地段开展实地光谱测量前，对仪器进行室内光谱标定及仪器性能检查，使波谱测量仪器满足光谱测量工作质量要求。
优选的，步骤S6中同一地点的样品光谱与高光谱提取的蚀变矿物光谱对比采用光谱相关性匹配分析的方法，通过计算光谱之间的相关性系数来获得光谱匹配的情况，使用识别蚀变矿物公式如下：
公式中，n为光谱的一个波长范围，
为高光谱影像光谱曲线在波长n范围处的平均值
为实测样品的光谱曲线在波长n范围处的平均值。相关性系数R越接近1，表明相关性越好，两条光谱越相似，当R>0.6时，两种光谱高度相关，可识别为同一蚀变矿物。
优选的，基于纹理和光谱信息的影像分类方法为对纹理特征图像采用基于灰度共生矩阵的纹理量化方法选取特征样本，对高光谱遥感影像做主成分变换，提取第一主成分，分类器设置，将选取的特征样本和提取的第一主成分进行样本训练，得到初始岩性分类图，再对分类效果和精度分析，选用均值、方差、对比度、熵和角二阶矩的方法来计算图像纹理特征，识别提取与金密切相关的石英和蚀变岩石信息。
优选的，步骤S8中所述造山型金矿体的分带特征为由内到外形成烟灰色石英+明金→烟灰色、灰色石英+浸染状细粒金矿+浸染状细粒黄铁矿+含砷矿物→浅灰色石英+细粒浸染状金矿+星点状黄铜矿→乳白色石英，通过对比研究后可建立不同时代造山型金矿中石英脉型金矿蚀变矿物组合和分带特征。
优选的，所述AI机器建立的蚀变矿物分带光谱数据集是根据高光谱图像、高分遥感数据、实地测量光谱数据建立蚀变矿物分带光谱数据集。
优选的，所述AI机器自动选择是基于已知典型矿区蚀变特征与成矿作用的关系,运用多种蚀变信息算法对造山带开展遥感图像蚀变信息提取研究,并以量化光谱库为基础，训练AI机器学习、深度学习蚀变矿物分带光谱数据，生成推理分带光谱数据库、实际分带光谱数据库，机器自动选取与石英脉型、构造蚀变型金矿蚀变矿物组合和分带特征一致的蚀变矿物分带光谱元，以醒目方式输出并提出报警，实现造山型金矿找矿靶区AI机器自动选择，AI机器引入群体优化方法，可不依赖于人工研究，在使用中对光谱数据判别比对进行批量优化，采用优化后的判别比对元量化结果作为机器学习的输入元，不断地增强机器学习模型的精准性，自动判别比对指标元的调整，提高本发明所述方法的普遍适用性。
优选的，步骤10中验证的方式是对与已知造山型金矿相似或相同蚀变矿物实际分带光谱数据地段开展槽探工程验证，进行化矿物成分化验分析，圈定金矿体。
本发明提出的一种寻找造山型金矿的方法，与现有技术相比，具有以下优点：
本发明主要先选择造山带，再根据选择的造山带进行遥感影像处理和选区，利用FieldSpec Pro FR光谱仪对已知造山型金矿样品进行波谱测量，并与典型蚀变矿物模型对比分析，总结其矿物组合及蚀变特征，建立已知造山型金矿岩性及围岩的光谱数据集，再利用FieldSpec Pro FR光谱仪在有利金成矿的地段开展实地光谱测量，识别蚀变矿物，建立蚀变矿物分带光谱数据集，AI机器自动选择造山型金矿找靶区，最后利用槽探对找靶区光谱进行验证，确定造山型金矿体，通过高光谱遥感结合地表验证，可在1年内快速圈定造山金矿体，大幅缩短找矿勘查工作周期，大幅降低生产成本，节省大量的人力和物力，能达到快速缩小找矿靶区、迅速逼近找矿目标、快速发现造山型金矿床的目的。
附图说明
图1为本发明的寻找造山型金矿的方法流程示意图；
图2为塞巴沟金矿床金矿含矿石英脉光谱特征图；
图3为塞巴沟金矿床绢英岩光谱特征图；
图4为塞巴沟金矿床含金云英岩光谱特征图；
图5为塞巴沟金矿床绿帘石化破碎蚀变含金英云闪长岩光谱特征图；
图6为塞巴沟金矿床绿帘石化英云闪长岩光谱特征图；
图7为初糜棱岩光谱特征图；
图8为绿帘石化黄铁矿化石英闪长岩光谱特征图；
图9为后期石英脉光谱特征图；
图10为建立的含金石英脉光谱曲线分带模型光谱特征图；
图11为建立的含金蚀变岩光谱曲线分带模型光谱特征图；
图12为AI机器比对选取的石英脉分带光谱数据光谱特征图。
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。此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。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。
实施例1
本发明提供了一种寻找造山型金矿的方法，包括如下步骤：
S1、选择面积为500-5000Km2的造山带，并开展主要岩石的地球化学测量和年龄测定，确定所选区域为造山带，造山带在选择时，优先选择已经发现造山型金矿的区域及外围地带，若经AI机器人通过深度学习，掌握了主要造山带造山型金矿的找矿方法后，可扩大工作区面积并推广到目前尚未发现造山型金矿的地区；
S2、开展1：1000-1：50000高分遥感数据，并购买、下载和套合地质图，进行遥感影像处理和选区，取得已知造山型金矿样品；
S3、利用FieldSpec Pro FR光谱仪对已知造山型金矿样品进行波谱测量，并与典型蚀变矿物模型对比分析，总结其矿物组合及蚀变特征，FieldSpec Pro FR光谱仪采用美国ASD公司的FieldSpec Pro FR光谱仪；
S4、建立已知造山型金矿岩性(蚀变矿物)及围岩的光谱数据集：利用USGS矿物光谱库作为标准参考光谱库，结合野外调查以及造山带主要的蚀变矿物作为重点对象，完善蚀变矿物标准参考光谱数据集，基于线性和非线性光谱混合理论，AI机器建立造山型金矿典型岩性光谱数据集并保存，其中造山带主要的蚀变矿物包括碱性长石、绿泥石、绿帘石、赤铁矿、褐铁矿、黄铁矿、石英和云母；
S5、利用FieldSpec Pro FR光谱仪在有利金成矿的地段开展实地光谱测量；FieldSpec Pro FR光谱仪具有350nm-2500nm的宽谱段，在有利金成矿的地段开展实地光谱测量前，对仪器进行室内光谱标定及仪器性能检查，使波谱测量仪器满足光谱测量工作质量要求。
S6、识别蚀变矿物：通过实地调查采样结合S5中实验室光谱测定，将同一地点的样品光谱与高光谱提取的蚀变矿物光谱对比获得光谱匹配的情况，得到蚀变矿物光谱特征；同一地点的样品光谱与高光谱提取的蚀变矿物光谱对比采用光谱相关性匹配分析的方法，通过计算光谱之间的相关性系数来获得光谱匹配的情况，使用识别蚀变矿物公式如下：
公式中，n为光谱的一个波长范围，
为高光谱影像光谱曲线在波长n范围处的平均值
为实测样品的光谱曲线在波长n范围处的平均值。相关性系数R越接近1，表明相关性越好，两条光谱越相似，当R>0.6时，两种光谱高度相关，可识别为同一蚀变矿物。
S7、对纹理信息丰富而光谱信息相对贫乏的高光谱遥感影像数据采用基于纹理和光谱信息的影像分类方法进行与金密切相关的石英及蚀变矿物的信息识别，得到纹理特征信息；如图1所示，基于纹理和光谱信息的影像分类方法为对纹理特征图像采用基于灰度共生矩阵的纹理量化方法选取特征样本，对高光谱遥感影像做主成分变换，提取第一主成分，分类器设置，将选取的特征样本和提取的第一主成分进行样本训练，得到初始岩性分类图，再对分类效果和精度分析，选用均值、方差、对比度、熵和角二阶矩的方法来计算图像纹理特征，识别提取与金密切相关的石英和蚀变岩石信息。
S8、建立蚀变矿物分带光谱数据集：将S6和S7中建立的单个蚀变矿物光谱特征及纹理特征信息按照造山型金矿体的分带特征，训练AI机器建立蚀变矿物分带光谱数据集；造山型金矿体的分带特征为由内到外形成烟灰色石英+明金→烟灰色、灰色石英+浸染状细粒金矿+浸染状细粒黄铁矿+含砷矿物→浅灰色石英+细粒浸染状金矿+星点状黄铜矿→乳白色石英，通过对比研究后可建立不同时代造山型金矿中石英脉型金矿蚀变矿物组合和分带特征。
AI机器建立的蚀变矿物分带光谱数据集是根据高光谱图像、高分遥感数据、实地测量光谱数据建立蚀变矿物分带光谱数据集。
S9、基于已知典型矿区蚀变特征与成矿作用的关系对造山型金矿找靶区AI机器自动选择；AI机器自动选择是基于已知典型矿区蚀变特征与成矿作用的关系,运用多种蚀变信息算法对造山带开展遥感图像蚀变信息提取研究,并以量化光谱库为基础，训练AI机器学习、深度学习蚀变矿物分带光谱数据，生成推理分带光谱数据库、实际分带光谱数据库，机器自动选取与石英脉型、构造蚀变型金矿蚀变矿物组合和分带特征一致的蚀变矿物分带光谱元，以醒目方式输出并提出报警，实现造山型金矿找矿靶区AI机器自动选择，AI机器引入群体优化方法，可不依赖于人工研究，在使用中对光谱数据判别比对进行批量优化，采用优化后的判别比对元量化结果作为机器学习的输入元，不断地增强机器学习模型的精准性，自动判别比对指标元的调整，提高本发明方法的普遍适用性。
S10、对AI机器选择的找矿有利区域开展验证，从而圈定造山型金矿体；验证的方式是对与已知造山型金矿相似或相同蚀变矿物实际分带光谱数据地段开展槽探工程验证，进行化矿物成分化验分析，圈定金矿体。
USGS矿物光谱库为美国USGS矿物光谱库，包括如下：
如图2所示为塞巴沟金矿床金矿含矿石英脉光谱特征，从图中可以得出，反射，在800-950nm处见一吸收肩，为少量Fe2+的吸收特征。
如图3所示为塞巴沟金矿床绢英岩光谱特征，从图中可以得出在600～750nm区间有一弱吸收肩，为Fe3+的吸收特征；在900～1200nm区间为一宽缓的吸收带，为Fe2+的吸收峰特征；在1950nm处有一吸收峰，为羟基(-OH)吸收峰特征；在2252nm处有一吸收峰，为铁羟基(Fe-OH)吸收峰特征；在2334nm处有一吸收峰，为镁羟基(Mg-OH)吸收峰特征。
如图4所示为塞巴沟金矿床含金云英岩，从图中得知在900～1150nm处为缓的吸收带，为Fe2+的吸收峰特征；在1400nm、1900nm处有吸收峰，为羟基基团(-OH)吸收峰特征；在2300nm处有一吸收峰，为Mg金属羟基基团(Mg-OH)吸收峰特征。
如图5所示为塞巴沟金矿床绿帘石化破碎蚀变含金英云闪长岩。在600～750nm区间有一弱吸收肩，为Fe3+的吸收特征；在900～1200nm区间为一宽缓的吸收带，为Fe2+的吸收峰特征；在1950nm处有一吸收峰，为羟基(-OH)吸收峰特征；在2252nm处有一吸收峰，为铁羟基(Fe-OH)吸收峰特征；在2334nm处有一吸收峰，为镁羟基(Mg-OH)吸收峰特征。
如图6所示为塞巴沟金矿床绿帘石化英云闪长岩光谱特征，在600～750nm区间有一弱吸收肩，为Fe3+的吸收特征；在900～1200nm区间为一宽缓的吸收带，为Fe2+的吸收峰特征；在1950nm处有一吸收峰，为羟基(-OH)吸收峰特征；在2252nm处有一吸收峰，为铁羟基(Fe-OH)吸收峰特征；在2334nm处有一吸收峰，为镁羟基(Mg-OH)吸收峰特征。
如图7所示为初糜棱岩，在700nm区间为一弱吸收带，为Fe3+的吸收特征；在900～1150nm处为缓的吸收带，为Fe2+的吸收峰特征；在1400nm、1900nm处有吸收峰，为羟基基团(-OH)吸收峰特征；在2300nm处有一吸收峰，为Mg金属羟基基团(Mg-OH)吸收峰特征。
如图8所示为绿帘石化黄铁矿化石英闪长岩，在1150nm处为缓的吸收带，为Fe2+的吸收峰特征；在1400nm、1900nm处有吸收峰，为羟基基团(-OH)吸收峰特征；在2300nm处有一吸收峰，为Mg金属羟基基团(Mg-OH)吸收峰特征。
如图9所示为后期石英脉，在1400nm、1900nm处有吸收峰，为羟基基团(-OH)吸收峰特征；在2300nm处有一吸收峰，为Mg金属羟基基团(Mg-OH)吸收峰特征。
如图10所示为建立的含金石英脉光谱曲线分带模型，一般在800～1000nm为一宽缓的吸收带，为Fe2+的吸收峰特征；在1450nm附近有一弱吸收峰，具羟基(-OH)吸收峰特征；在1935nm附近为一吸收峰，具铁羟基(Fe-OH)吸收峰特征；在2334nm左右有一吸收峰，具镁羟基(Mg-OH)吸收峰特征。
如图11所示为建立的含金蚀变岩光谱曲线分带模型，在850～950nm区间为一宽缓的吸收带，为Fe2+的吸收峰特征；在1430nm附近有一吸收峰，具羟基(-OH)吸收峰特征；在2250nm处有一吸收峰，具铁羟基(Fe-OH)吸收峰特征；在1900nm以及2350nm处各有一吸收峰，具碳酸基团(CO3 2-)吸收峰特征及镁金属羟基(Mg-OH)吸收峰特征。
综上，通过高光谱遥感结合地表验证，可在1年内快速圈定造山金矿体，大幅缩短找矿勘查工作周期，大幅降低生产成本，节省大量的人力和物力，能达到快速缩小找矿靶区、迅速逼近找矿目标、快速发现造山型金矿床的目的，该方法具有流程简单、操作简便、勘查周期短、找矿成功率高的特点。
实施例2
使用实施例1提供的方法进行具体造山型金矿的寻找，步骤如下：
(1)选取柴达木盆地北缘造山带(祁连造山带南缘)中成矿有利地段阿哈大洼地区(其中产出赛巴沟造山型金矿床)，面积约600Km2。
阿哈大洼位于柴达木盆地北缘造山带北缘与欧龙布鲁克断隆交界处，经地球化学测量和年龄测试确定，该区经历了南华纪－泥盆纪原特提斯洋的演化(裂谷→俯冲消减→碰撞→碰撞后)，志留纪柴达木地块与欧龙布鲁克地块发生陆陆碰撞，碰撞后伸展阶段形成了赛巴沟造山型金矿；此后，在石炭纪－三叠纪经历了古特提斯洋演化(裂谷→俯冲→碰撞→碰撞后)，此阶段形成阿哈大洼多金属矿床。
从区域地质背景及构造环境方面确定所选区域造山型金矿的产出特征，为在该区进一步寻找造山型金矿型金矿提供了地质依据。
(2)基于遥感影像处理结果，完成了1：2.5万遥感地质初步解译工作，结合现有标准光谱库，完成研究区蚀变矿物提取工作，并制作了1：2.5万遥感地质解译综合图以及1:2.5万遥感蚀变矿物分布图。
(3)开展遥感地质野外调查与光谱测量，对研究区主要含矿岩层、围岩、构造进行调查验证，采取典型的岩矿石开展波谱测量工作，完成野外地质调查、光谱剖面测量、主要岩、矿物野外光谱测量等工作内容。完成工作量情况如下表所示：
(4)基于研究区影像特征、野外调查和以往地质资料，构建了岩性-构造地质解译标志，结合高分辨率遥感影像完成了研究区1:2.5万遥感地质解译工作；基于野外调查中测量的典型岩、矿石以及剖面样品光谱，开展了典型岩、矿物光谱分析工作，完善了调查区蚀变矿物标准参考光谱数据集，提取研究区含矿石英、石英、含矿蚀变岩、绿帘石等多种蚀变矿物蚀变信息，建立了塞巴沟造山型金矿床的蚀变信息库、光谱库和光谱分带库；根据研究区资料研究、蚀变矿物与金多金属矿化的关系，综合成矿地质条件、控矿要素，开展了遥感光谱解译分析，综合遥感蚀变矿物信息建立了遥感综合找矿模型。
(5)引入AI机器，深度学习蚀变矿物分带光谱数据，生成推理分带光谱数据库、实际分带光谱数据库，AI机器自动选取与石英脉型、蚀变岩型金矿相同或相似的分带光谱元，引入了深度学习方法，大大增强测探数据关联性分析，大幅提高测探分析和矿体定位效率。
(6)按上述方法，对AI机器比对选取的石英脉分带光谱数据开展验证，施工了槽探对该光谱带如图12所示，进行了地表揭露，在托莫日特地区发现了金矿点1处。含矿石英脉地表出露长约200米，出露宽1.2米，走向110-290°，石英脉产状：220°∠60°，石英脉呈灰色、褐色、白色，具孔雀石、黄铁矿、方铅矿、黄铜矿，围岩为绿片岩，采集了刻槽样品，样长1.2m，Pb含量为0.46％、Ag含量为16.5g/t、Au含量为9.25g/t。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种寻找造山型金矿的方法，其特征在于：包括如下步骤：
S1、选择面积为500-5000Km2的造山带，并开展主要岩石的地球化学测量和年龄测定，确定所选区域为造山带；
S2、开展1：1000-1：50000高分遥感数据，并购买、下载和套合地质图，进行遥感影像处理和选区，取得已知造山型金矿样品；
S3、利用FieldSpec Pro FR光谱仪对已知造山型金矿样品进行波谱测量，并与典型蚀变矿物模型对比分析，总结其矿物组合及蚀变特征；
S4、建立已知造山型金矿岩性及围岩的光谱数据集：利用USGS矿物光谱库作为标准参考光谱库，结合野外调查以及造山带主要的蚀变矿物作为重点对象，完善蚀变矿物标准参考光谱数据集，基于线性和非线性光谱混合理论，AI机器建立造山型金矿典型岩性光谱数据集并保存；
S5、利用FieldSpec Pro FR光谱仪在有利金成矿的地段开展实地光谱测量；
S6、识别蚀变矿物：通过实地调查采样结合S5中实验室光谱测定，将同一地点的样品光谱与高光谱提取的蚀变矿物光谱对比获得光谱匹配的情况，得到蚀变矿物光谱特征；
S7、对纹理信息丰富而光谱信息相对贫乏的高光谱遥感影像数据采用基于纹理和光谱信息的影像分类方法进行与金密切相关的石英及蚀变矿物的信息识别，得到纹理特征信息；
S8、建立蚀变矿物分带光谱数据集：将S6和S7中建立的单个蚀变矿物光谱特征及纹理特征信息按照造山型金矿体的分带特征，训练AI机器建立蚀变矿物分带光谱数据集；
S9、基于已知典型矿区蚀变特征与成矿作用的关系对造山型金矿找靶区AI机器自动选择；
S10、对AI机器选择的找矿有利区域开展验证，从而圈定造山型金矿体。
2.根据权利要求1所述的一种寻找造山型金矿的方法，其特征在于：步骤S1中所述造山带在选择时，优先选择已经发现造山型金矿的区域及外围地带，若经AI机器人通过深度学习，掌握了主要造山带造山型金矿的找矿方法后，可扩大工作区面积并推广到目前尚未发现造山型金矿的地区。
3.根据权利要求1所述的一种寻找造山型金矿的方法，其特征在于：步骤S4中所述造山带主要的蚀变矿物包括碱性长石、绿泥石、绿帘石、赤铁矿、褐铁矿、黄铁矿、石英和云母。
4.根据权利要求1所述的一种寻找造山型金矿的方法，其特征在于：步骤S5中所述FieldSpec Pro FR光谱仪具有350nm-2500nm的宽谱段，在有利金成矿的地段开展实地光谱测量前，对仪器进行室内光谱标定及仪器性能检查，使波谱测量仪器满足光谱测量工作质量要求。
5.根据权利要求4所述的一种寻找造山型金矿的方法，其特征在于：步骤S6中同一地点的样品光谱与高光谱提取的蚀变矿物光谱对比采用光谱相关性匹配分析的方法，通过计算光谱之间的相关性系数来获得光谱匹配的情况，使用识别蚀变矿物公式如下：
公式中，n为光谱的一个波长范围，
为高光谱影像光谱曲线在波长n范围处的平均值
为实测样品的光谱曲线在波长n范围处的平均值，相关性系数R越接近1，表明相关性越好，两条光谱越相似，当R>0.6时，两种光谱高度相关，可识别为同一蚀变矿物。
6.根据权利要求5所述的一种寻找造山型金矿的方法，其特征在于：基于纹理和光谱信息的影像分类方法为对纹理特征图像采用基于灰度共生矩阵的纹理量化方法选取特征样本，对高光谱遥感影像做主成分变换，提取第一主成分，分类器设置，将选取的特征样本和提取的第一主成分进行样本训练，得到初始岩性分类图，再对分类效果和精度分析，选用均值、方差、对比度、熵和角二阶矩的方法来计算图像纹理特征，识别提取与金密切相关的石英和蚀变岩石信息。
7.根据权利要求1所述的一种寻找造山型金矿的方法，其特征在于：步骤S8中所述造山型金矿体的分带特征为由内到外形成烟灰色石英+明金→烟灰色、灰色石英+浸染状细粒金矿+浸染状细粒黄铁矿+含砷矿物→浅灰色石英+细粒浸染状金矿+星点状黄铜矿→乳白色石英，通过对比研究后可建立不同时代造山型金矿中石英脉型金矿蚀变矿物组合和分带特征。
8.根据权利要求7所述的一种寻找造山型金矿的方法，其特征在于：所述AI机器建立的蚀变矿物分带光谱数据集是根据高光谱图像、高分遥感数据、实地测量光谱数据建立蚀变矿物分带光谱数据集。
9.根据权利要求1所述的一种寻找造山型金矿的方法，其特征在于：所述AI机器自动选择是基于已知典型矿区蚀变特征与成矿作用的关系,运用多种蚀变信息算法对造山带开展遥感图像蚀变信息提取研究,并以量化光谱库为基础，训练AI机器学习、深度学习蚀变矿物分带光谱数据，生成推理分带光谱数据库、实际分带光谱数据库，机器自动选取与石英脉型、构造蚀变型金矿蚀变矿物组合和分带特征一致的蚀变矿物分带光谱元，以醒目方式输出并提出报警，实现造山型金矿找矿靶区AI机器自动选择，AI机器引入群体优化方法，可不依赖于人工研究，在使用中对光谱数据判别比对进行批量优化，采用优化后的判别比对元量化结果作为机器学习的输入元，不断地增强机器学习模型的精准性，自动判别比对指标元的调整。
10.根据权利要求1所述的一种寻找造山型金矿的方法，其特征在于：步骤10中验证的方式是对与已知造山型金矿相似或相同蚀变矿物实际分带光谱数据地段开展槽探工程验证，进行化矿物成分化验分析，圈定金矿体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211375733.4A CN115759816A (zh) | 2022-11-04 | 2022-11-04 | 一种寻找造山型金矿的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211375733.4A CN115759816A (zh) | 2022-11-04 | 2022-11-04 | 一种寻找造山型金矿的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115759816A true CN115759816A (zh) | 2023-03-07 |
Family
ID=85356291
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211375733.4A Pending CN115759816A (zh) | 2022-11-04 | 2022-11-04 | 一种寻找造山型金矿的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115759816A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116593407A (zh) * | 2023-07-17 | 2023-08-15 | 山东省鲁南地质工程勘察院(山东省地质矿产勘查开发局第二地质大队) | 一种稀土金属矿产快速勘查装置及方法 |
| CN117092040A (zh) * | 2023-08-22 | 2023-11-21 | 云南大学 | 一种蚀变矿物遥感定量识别方法、系统及电子设备 |
-
2022
- 2022-11-04 CN CN202211375733.4A patent/CN115759816A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116593407A (zh) * | 2023-07-17 | 2023-08-15 | 山东省鲁南地质工程勘察院(山东省地质矿产勘查开发局第二地质大队) | 一种稀土金属矿产快速勘查装置及方法 |
| CN116593407B (zh) * | 2023-07-17 | 2023-09-29 | 山东省鲁南地质工程勘察院(山东省地质矿产勘查开发局第二地质大队) | 一种稀土金属矿产快速勘查装置及方法 |
| CN117092040A (zh) * | 2023-08-22 | 2023-11-21 | 云南大学 | 一种蚀变矿物遥感定量识别方法、系统及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115759816A (zh) | 一种寻找造山型金矿的方法 | |
| CN113946950B (zh) | 一种快速圈定金矿找矿靶区的方法 | |
| Valentín et al. | A deep residual convolutional neural network for automatic lithological facies identification in Brazilian pre-salt oilfield wellbore image logs | |
| CN102071928B (zh) | 一种三维空间火山岩岩性识别方法 | |
| Behrens et al. | Multiscale contextual spatial modelling with the Gaussian scale space | |
| CN110967311B (zh) | 基于红外光谱和磁化率测量的斑岩矿床蚀变分带识别方法 | |
| CN111141698A (zh) | 一种基于热红外比辐射率的岩性分类方法 | |
| CN115019171B (zh) | 非接触式围岩快速分区分级方法 | |
| CN114646682A (zh) | 一种基于绿帘石微量元素的找矿方法 | |
| Guerra Prado et al. | Ore-Grade Estimation from Hyperspectral Data Using Convolutional Neural Networks: A Case Study at the Olympic Dam Iron Oxide Copper-Gold Deposit, Australia | |
| Agus | Mapping white mica in milled porphyry copper pebbles using hyperspectral imagery: an exploratory study | |
| CN116863217A (zh) | 一种野外露头岩石图像岩性识别方法 | |
| CN115046941A (zh) | 一种多尺度光谱测量的热液铀矿床蚀变分带识别方法 | |
| Dong et al. | Progress and prospectives on engineering application of hyperspectral remote sensing for geology and mineral resources | |
| CN114386498A (zh) | 一种利用WorldView-3遥感数据提取铁染信息的方法 | |
| Schneider et al. | Autonomous mapping of mine face geology using hyperspectral data | |
| Magendran et al. | Hyperspectral radiometry to estimate the grades of iron ores of Noamundi, India—a preliminary study | |
| Shahi et al. | The application of subspace clustering algorithms in drill-core hyperspectral domaining | |
| CN107590824A (zh) | 基于三维图像处理技术的岩石颗粒识别及位移跟踪方法 | |
| Zhao et al. | Machine learning model for deep exploration: Utilizing short wavelength infrared (SWIR) of hydrothermal alteration minerals in the Qianchen gold deposit, Jiaodong Peninsula, Eastern China | |
| Mao et al. | Multigrades classification model of magnesite ore based on SAE and ELM | |
| Utke et al. | Geomathematical optimization of Landsat-TM satellite data for geological mapping in an island arc/ophiolite environment of the Red Sea Hills, Sudan | |
| Littlefield et al. | Reflectance spectroscopy as a drill core logging technique: An example using core from the Akutan | |
| LUAN et al. | Extraction of altered minerals from Aster remote sensing data in Gongchangling iron deposit of Liaoning, China | |
| Saljoughi et al. | Delineation of Alteration Zones Based on Wavelet Neural Network (WNN) and Concentration–Volume (CV) Fractal Methods in the Hypogene Zone of Porphyry Copper Deposit, Shahr-e-Babak District, SE Iran |
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 |