CN116699715A - 一种高光谱遥感信息参与的铀成矿有利区预测方法 - Google Patents
一种高光谱遥感信息参与的铀成矿有利区预测方法 Download PDFInfo
- Publication number
- CN116699715A CN116699715A CN202310504516.9A CN202310504516A CN116699715A CN 116699715 A CN116699715 A CN 116699715A CN 202310504516 A CN202310504516 A CN 202310504516A CN 116699715 A CN116699715 A CN 116699715A
- Authority
- CN
- China
- Prior art keywords
- data
- uranium
- shp
- mineralization
- predicted
- 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
- 229910052770 Uranium Inorganic materials 0.000 title claims abstract description 82
- JFALSRSLKYAFGM-UHFFFAOYSA-N uranium(0) Chemical compound [U] JFALSRSLKYAFGM-UHFFFAOYSA-N 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 34
- 230000009286 beneficial effect Effects 0.000 title claims abstract description 17
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 14
- 230000033558 biomineral tissue development Effects 0.000 claims abstract description 66
- 238000010801 machine learning Methods 0.000 claims abstract description 29
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 24
- 239000000126 substance Substances 0.000 claims abstract description 17
- 238000005065 mining Methods 0.000 claims abstract description 15
- 238000002372 labelling Methods 0.000 claims abstract description 8
- 238000011160 research Methods 0.000 claims abstract description 7
- 229910021532 Calcite Inorganic materials 0.000 claims abstract description 4
- 230000005484 gravity Effects 0.000 claims description 33
- 239000004576 sand Substances 0.000 claims description 18
- 238000009933 burial Methods 0.000 claims description 17
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 6
- 239000011229 interlayer Substances 0.000 description 6
- 230000003647 oxidation Effects 0.000 description 6
- 238000007254 oxidation reaction Methods 0.000 description 6
- 239000010410 layer Substances 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 229910052500 inorganic mineral Inorganic materials 0.000 description 3
- 239000011707 mineral Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000005553 drilling Methods 0.000 description 1
- 239000010438 granite Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 229910052704 radon Inorganic materials 0.000 description 1
- SYUHGPGVQRZVTB-UHFFFAOYSA-N radon atom Chemical compound [Rn] SYUHGPGVQRZVTB-UHFFFAOYSA-N 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V8/00—Prospecting or detecting by optical means
- G01V8/02—Prospecting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/58—Extraction of image or video features relating to hyperspectral data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Remote Sensing (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Geophysics And Detection Of Objects (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
Abstract
本发明属于铀矿预测领域，具体涉及一种高光谱遥感信息参与的铀成矿有利区预测方法，包括：步骤1、对高光谱遥感提取的方解石化和褐铁矿化信息进行样本特征和标签化处理；步骤2、对地质和化探数据进行特征和标签化处理，建立铀成矿信息样本集合；步骤3、对铀成矿样本数据进行模型训练和机器学习，生成机器学习模型；步骤4、生成待预测区等间距规则预测点，计算待预测点的砂岩铀成矿特征值；步骤5、将待预测点输出的特征作为机器学习模型的输入，进行机器学习预测，得到每一个规则预测点的铀成矿概率值；步骤6、针对规则预测点成矿概率值特征进行插值，获取研究区的铀成矿概率图。本发明方法能够有效提高机器学习模型的分类和预测精度。
Description
技术领域
本发明属于铀矿预测领域，具体涉及一种高光谱遥感信息参与的铀成矿有利区预测方法。
背景技术
在铀矿预测领域，大部分使用传统的地质、物探、化探数据进行预测工作，高光谱遥感信息很少参与预测，高光谱遥感信息提取的碳酸盐化、褐铁矿化信息可以对铀矿找矿有指示作用，并且在地质工作程度较低的地区，高光谱信息可以发挥更大的作用。长期的铀矿地质找矿工作积累了大量的地质、物探和化探等资料，它们都从不同的侧面反映了地质体或地质现象的某些特征。将多源综合信息用于成矿预测，更加深入地揭示其本质特征，是当前地质工作面临的一个重要问题。为了实现数据挖掘方法及机器学习预测等智能化应用，需要将试验区的高光谱遥感、地质、物探、化探等与成矿有关的数据与钻孔、矿化数据集合在一起，形成统一的铀矿数据集进行数据挖掘和机器学习。
机器学习算法由大量简单的处理单元连接而成,不需考虑具体的数学模型就可以通过对训练样本的学习来隐性的表达各变量间非线性的关系。在矿产资源评价中由于要求的数据种类多、差异性大和矿床赋存条件复杂等特点,不易用显性的数学模型来表达,利用神经网络等机器学习方法能较好的解决以上问题。
因此，如何将高光谱遥感信息引入到铀成矿预测中，与传统地质、物化探数据结合，建立铀成矿样本的特征和标签，使用机器学习技术建模并预测，是亟待解决的问题。
发明内容
本发明的目的在于提供一种高光谱遥感信息参与的铀成矿有利区预测方法，该方法能够有效提高机器学习模型的分类和预测精度。
实现本发明目的的技术方案：
一种高光谱遥感信息参与的铀成矿有利区预测方法，所述方法包括：
步骤1、对高光谱遥感提取的方解石化和褐铁矿化信息进行样本特征和标签化处理；
步骤2、对地质和化探数据进行特征和标签化处理，建立铀成矿信息样本集合；
步骤3、对铀成矿样本数据进行模型训练和机器学习，生成机器学习模型；
步骤4、生成待预测区等间距规则预测点，计算待预测点的砂岩铀成矿特征值；
步骤5、将待预测点输出的特征作为机器学习模型的输入，进行机器学习预测，得到每一个规则预测点的铀成矿概率值；
步骤6、针对规则预测点成矿概率值特征进行插值，获取研究区的铀成矿概率图。
所述步骤1包括：
步骤1.1、读入不同矿化级别矿化矢量点数据，该数据记为kuang.shp；
步骤1.2、读入碳酸盐化强度栅格数据和褐铁矿化强度栅格数据；
步骤1.3、分别计算kuang.shp文件中各矢量点与碳酸盐化强度栅格数据和褐铁矿化强度栅格数据所在位置的像素值，并将计算结果分别写入drill.shp文件的属性中，计算后的drill.shp文件记为drill_1.shp，计算后的kuang.shp文件记为kuang_1.shp。
所述步骤2包括：
步骤2.1、读入地质、物探、化探类型的栅格数据；
步骤2.2、分别计算kuang1.shp文件中各矢量点与地质、物探、化探类型的栅格数据所在位置的像素值，并将计算结果分别写入kuang1.shp文件的属性中，计算后的kuang_1.shp文件记为kuang_2.shp；
步骤2.3、将kuang_2.shp的属性表导出为Excel表格格式，记为Sample.xlsx，该表格作为铀成矿样本数据。
所述步骤2中地质、物探、化探类型的栅格数据包括地层厚度、砂体厚度、含砂率、底板埋深、航放U、航放U/TH、剩余重力、布格重力。
所述步骤3包括：
步骤3.1、读入铀成矿样本数据Sample.xlsx，选择模型训练的标签数据和模型训练的特征数据；
步骤3.2、设置神经网络模型训练参数；
步骤3.3、开始训练模型，并将训练后的神经网络模型保存为model.xml。
所述步骤3.1中模型训练的标签数据为“矿化级别”，模型训练的特征数据为“高光谱碳酸盐强度”、“高光谱褐铁矿强度”、“地层厚度”、“砂体厚度”、“含砂率”、“底板埋深”、“航放U”、“航放U/TH”、“剩余重力”、“布格重力”。
所述步骤3.2具体为：设置神经网络体系结构，神经网络隐藏层数设置为2层，激活函数设置为双曲正切，优化算法选择梯度下降法，80％的数据作为训练数据，20％的数据作为模型检验数据。
所述步骤4包括：
步骤4.1、生成待预测区等间距规则预测点，等间距规则预测点文件记为yuce.shp；
步骤4.2、读入栅格数据；
步骤4.3、分别计算yuce.shp文件中各待预测点与栅格数据所在位置的像元值，并将计算结果写入yuce.shp文件的属性中，计算后的yuce.shp文件记为yuce_1.shp；
步骤4.4、将坐标值写入文件yuce_1.shp中，其中，经度记为X，纬度记为Y；
步骤4.5、将yuce_1.shp的属性表导出为Excel表格格式，记为yuce.xlsx，该表格作为待预测点的特征值数据。
所述步骤4中栅格数据包括高光谱碳酸盐强度、高光谱褐铁矿强度、地层厚度、砂体厚度、含砂率、底板埋深、航放U、航放U/TH、剩余重力、布格重力。
所述步骤5包括：
步骤5.1、打开步骤3.3获取的神经网络模型model.xml。导入步骤4.5获取的规则待预测点特征表格yuce.xlsx；
步骤5.2、将表yuce.xlsx中的列“高光谱碳酸盐强度”、“高光谱褐铁矿强度”、“地层厚度”、“砂体厚度”、“含砂率”、“底板埋深”、“航放U”、“航放U/TH”、“剩余重力”、“布格重力”选择为神经网络模型model.xml的输入部分，计算获取标签属性列“矿化级别”及列“可信度”，将计算后的表格保存为表yuceL.xlsx；
步骤5.3、将表yuceL.xlsx增加一列属性，属性名为“预测值”，其中，“预测值”＝“矿化级别”ד可信度”，将计算后的表另存为yuceL1.xlsx。
所述步骤6包括：
步骤6.1、据表yuceL1.xlsx中的经纬度坐标值X、Y，生成待预测区预测后的规则矢量点集合，记为yuce.shp；
步骤6.2、利用yuce.shp属性中的“预测值”属性进行插值，获取研究区的砂岩型铀成矿概率图。
本发明的有益技术效果在于：
1、本发明提供的一种高光谱遥感信息参与的铀成矿有利区预测方法，将高光谱遥感信息引入到铀成矿预测中，与传统地质、物化探数据结合，生成铀成矿样本特征和标签，使用机器学习技术建设模型并进行预测，将高光谱遥感提取的褐铁矿化和碳酸盐化信息转换为相应的铀成矿样本特征，结合地质、物化探等信息，生成铀成矿样本库，可用于神经网络建模，并最终实现铀成矿有利区预测。
2、本发明提供的一种高光谱遥感信息参与的铀成矿有利区预测方法，使用高光谱遥感信息参与铀成矿有利区模型建立与预测，有效提高机器学习模型的分类和预测精度。
3、高光谱遥感技术提取的蚀变信息对铀成矿具有指示作用，通过本发明中涉及的技术方法将高光谱信息添加到铀成矿样本特征中，相较于传统的机器学习预测方法，增加了样本特征的丰富性和有效性，通过机器学习模型进行铀成矿预测，可以有效提高预测的精度。
4、传统预测方法往往只是根据特定工作区内的数据进行预测，而本发明中的铀成矿样本库可以不断扩充，将不同工作区内的铀成矿样本数据纳入样本库，通过样本库的不断扩充，提高机器学习模型的适用范围，进而提高预测的准确性。
附图说明
图1为本发明实施例1中本巴图地区褐铁矿化蚀变强度图；
图1中：1-层间氧化带型铀矿点；2-层间氧化带型铀矿化点；3-层间氧化带型铀异常点；4-岩体上覆型铀矿化；5-褐铁矿化强度。
图2为本发明实施例1中本巴图地区基于机器学习模型的砂岩型铀成矿概率分布图；
图2中：1-层间氧化带型铀矿点；2-层间氧化带型铀矿化点；3-层间氧化带型铀异常点；4-花岗岩型铀矿化；5-泥岩型铀矿化；6-岩体上覆型铀矿化；7-铀成矿概率分布；8-城镇。
具体实施方式
下面结合附图和实施例对本发明作进一步详细说明。
实施例1
以本巴图地区为例，本发明提供的一种高光谱遥感信息参与的铀成矿有利区预测方法，具体为：
步骤1、对高光谱遥感提取的方解石化和褐铁矿化信息进行样本特征和标签化处理。该步骤包含以下子步骤：
步骤1.1、读入不同矿化级别矿化矢量点数据。使用arcmap10.2打开矿化数据kuang.shp，该数据包含“矿化级别”属性，其中“矿化级别”＝3，表示为矿床和矿点；其中“矿化级别”＝2，表示为矿化点；其中“矿化级别”＝1，表示为异常点；其中“矿化级别”＝0，表示为无矿孔，也是样本集合中的负样本标签。
步骤1.2、使用arcmap10.2读入高光谱遥感数据获取的碳酸盐化强度栅格数据.GIF和褐铁矿化强度栅格数据.GIF，如图1所示。
步骤1.3、使用arctoolbox工具箱中“空间分析”中的“值提取至点”功能，分别计算kuang.shp文件中各矢量点与碳酸盐化强度栅格数据.GIF和褐铁矿化强度栅格数据.GIF等栅格数据所在位置的像素值，并将计算结果分别写入drill.shp文件的属性中，计算后的drill.shp文件记为drill_1.shp，计算后的kuang.shp文件记为kuang_1.shp，该文件属性表中包含矿化级别、高光谱碳酸盐强度和高光谱褐铁矿强度等属性字段。
步骤2、对地质和化探数据进行特征和标签化处理，建立铀成矿信息样本集合。
步骤2.1、使用arcmap10.2读入地层厚度.GIF、砂体厚度.GIF、含砂率.GIF、底板埋深.GIF、航放U.GIF、航放U/TH.GIF、剩余重力.GIF、布格重力.GIF等地质、物探、化探等类型的栅格数据。
步骤2.2、使用arctoolbox工具箱中“空间分析”中的“值提取至点”功能，分别计算kuang1.shp文件中各矢量点与地层厚度.GIF、砂体厚度.GIF、含砂率.GIF、底板埋深.GIF、航放U.GIF、航放U/TH.GIF、剩余重力.GIF、布格重力.GIF等栅格数据所在位置的像素值，并将计算结果分别写入kuang1.shp文件的属性中，计算后的kuang_1.shp文件记为kuang_2.shp，该文件属性表中包含矿化级别、高光谱碳酸盐强度、高光谱褐铁矿强度、地层厚度、砂体厚度、含砂率、底板埋深、航放U、航放U/TH、剩余重力、布格重力等属性字段。
步骤2.3、将kuang_2.shp的属性表导出为Excel表格格式，记为Sample.xlsx，该表格作为铀成矿样本数据。
步骤3、对铀成矿样本数据进行模型训练和机器学习，生成铀成矿有利区预测的神经网络模型。该步骤包含以下子步骤：
步骤3.1、使用SPSS26读入铀成矿样本数据Sample.xlsx。打开“分析”功能中的“神经网络”，选择“矿化级别”字段数据作为模型训练的标签数据，选择“高光谱碳酸盐强度”、“高光谱褐铁矿强度”、“地层厚度”、“砂体厚度”、“含砂率”、“底板埋深”、“航放U”、“航放U/TH”、“剩余重力”、“布格重力”、“遥感解译断裂”、和“土壤氡气”作为模型训练的特征数据。
步骤3.2、设置神经网络模型训练参数。设置神经网络体系结构，神经网络隐藏层数设置为2层，激活函数设置为双曲正切，优化算法选择梯度下降法，80％的数据作为训练数据，20％的数据作为模型检验数据。
步骤3.3、开始训练模型，并将训练后的神经网络模型保存为model.xml。
步骤4、根据所需要的预测精度，生成待预测区等间距规则预测点，并计算待预测点的砂岩铀成矿特征值。该步骤包含以下子步骤：
步骤4.1、使用arctoolbox工具箱中“数据管理工具”中的“创建渔网”工具，根据所需要的预测精度，生成待预测区等间距规则预测点。按照500米的间隔，生成待预测区的规则点文件，该文件记为yuce.shp.。
步骤4.2、使用arcmap10.2读入高光谱碳酸盐强度.GIF、高光谱褐铁矿强度.GIF、地层厚度.GIF、砂体厚度.GIF、含砂率.GIF、底板埋深.GIF、航放U.GIF、航放U/TH.GIF、剩余重力.GIF、布格重力.GIF等地质、物探、化探等类型的栅格数据。
步骤4.3、使用arctoolbox工具箱中“空间分析”中的“值提取至点”功能，分别计算yuce.shp文件中各待预测点高光谱碳酸盐强度.GIF、高光谱褐铁矿强度.GIF、地层厚度.GIF、砂体厚度.GIF、含砂率.GIF、底板埋深.GIF、航放U.GIF、航放U/TH.GIF、剩余重力.GIF、布格重力.GIF等栅格数据所在位置的像素值，并将计算结果分别写入yuce.shp文件的属性中，计算后的yuce.shp文件记为yuce_1.shp，该文件属性表中包含高光谱碳酸盐强度、高光谱褐铁矿强度、地层厚度、砂体厚度、含砂率、底板埋深、航放U、航放U/TH、剩余重力、布格重力等属性字段。
步骤4.4、使用arctoolbox中“数据管理工具”中的“添加XY坐标”功能将坐标值写入文件yuce_1.shp中，其中，经度记为X，纬度记为Y。
步骤4.5、将yuce_1.shp的属性表导出为Excel表格格式，记为yuce.xlsx，该表格作为待预测点的特征值数据。该表格包含高光谱碳酸盐强度、高光谱褐铁矿强度、地层厚度、砂体厚度、含砂率、底板埋深、航放U、航放U/TH、剩余重力、布格重力、X、Y等属性字段。
步骤5、使用机器学习模型计算规则待预测点的铀成矿概率值。
将待预测点输出的特征表格作为机器学习模型的输入，进行机器学习预测，得到每一个规则预测点的铀成矿概率值。该步骤包含以下子步骤：
步骤5.1、使用SPSS26“实用程序”下的“评分向导”功能打开步骤3.3获取的神经网络模型model.xml。导入步骤4.5获取的规则待预测点特征表格yuce.xlsx。
步骤5.2、将表yuce.xlsx中的列“高光谱碳酸盐强度”、“高光谱褐铁矿强度”、“地层厚度”、“砂体厚度”、“含砂率”、“底板埋深”、“航放U”、“航放U/TH”、“剩余重力”、“布格重力”选择为神经网络模型model.xml的输入部分，计算获取标签属性列“矿化级别”及列“可信度”。
将计算后的表格保存为表yuceL.xlsx。
步骤5.3、将表yuceL.xlsx增加一列属性，属性名为“预测值”，其中，“预测值”＝“矿化级别”ד可信度”，将计算后的表另存为yuceL1.xlsx。
步骤6、针对规则预测点成矿概率值特征进行插值，获取研究区的铀成矿概率图。该步骤包含以下子步骤：
步骤6.1、使用arcgis10.2中的“添加XY数据”功能，根据表yuceL1.xlsx中的经纬度坐标值X、Y，生成待预测区预测后的规则矢量点集合，记为yuce.shp。
步骤6.2、使用arctoolbox中“空间分析”中的“插值分析”功能，使用“反距离权重法”利用yuce.shp属性中的“预测值”属性进行插值，并进行色彩分类，获取研究区的砂岩型铀成矿概率图，如图2所示。
上面结合附图和实施例对本发明作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。本发明中未作详细描述的内容均可以采用现有技术。
Claims (11)
1.一种高光谱遥感信息参与的铀成矿有利区预测方法，其特征在于，所述方法包括：
步骤1、对高光谱遥感提取的方解石化和褐铁矿化信息进行样本特征和标签化处理；
步骤2、对地质和化探数据进行特征和标签化处理，建立铀成矿信息样本集合；
步骤3、对铀成矿样本数据进行模型训练和机器学习，生成机器学习模型；
步骤4、生成待预测区等间距规则预测点，计算待预测点的砂岩铀成矿特征值；
步骤5、将待预测点输出的特征作为机器学习模型的输入，进行机器学习预测，得到每一个规则预测点的铀成矿概率值；
步骤6、针对规则预测点成矿概率值特征进行插值，获取研究区的铀成矿概率图。
2.根据权利要求1所述的一种高光谱遥感信息参与的铀成矿有利区预测方法，其特征在于，所述步骤1包括：
步骤1.1、读入不同矿化级别矿化矢量点数据，该数据记为kuang.shp；
步骤1.2、读入碳酸盐化强度栅格数据和褐铁矿化强度栅格数据；
步骤1.3、分别计算kuang.shp文件中各矢量点与碳酸盐化强度栅格数据和褐铁矿化强度栅格数据所在位置的像素值，并将计算结果分别写入drill.shp文件的属性中，计算后的drill.shp文件记为drill_1.shp，计算后的kuang.shp文件记为kuang_1.shp。
3.根据权利要求2所述的一种高光谱遥感信息参与的铀成矿有利区预测方法，其特征在于，所述步骤2包括：
步骤2.1、读入地质、物探、化探类型的栅格数据；
步骤2.2、分别计算kuang1.shp文件中各矢量点与地质、物探、化探类型的栅格数据所在位置的像素值，并将计算结果分别写入kuang1.shp文件的属性中，计算后的kuang_1.shp文件记为kuang_2.shp；
步骤2.3、将kuang_2.shp的属性表导出为Excel表格格式，记为Sample.xlsx，该表格作为铀成矿样本数据。
4.根据权利要求3所述的一种高光谱遥感信息参与的铀成矿有利区预测方法，其特征在于，所述步骤2中地质、物探、化探类型的栅格数据包括地层厚度、砂体厚度、含砂率、底板埋深、航放U、航放U/TH、剩余重力、布格重力。
5.根据权利要求3所述的一种高光谱遥感信息参与的铀成矿有利区预测方法，其特征在于，所述步骤3包括：
步骤3.1、读入铀成矿样本数据Sample.xlsx，选择模型训练的标签数据和模型训练的特征数据；
步骤3.2、设置神经网络模型训练参数；
步骤3.3、开始训练模型，并将训练后的神经网络模型保存为model.xml。
6.根据权利要求5所述的一种高光谱遥感信息参与的铀成矿有利区预测方法，其特征在于，所述步骤3.1中模型训练的标签数据为“矿化级别”，模型训练的特征数据为“高光谱碳酸盐强度”、“高光谱褐铁矿强度”、“地层厚度”、“砂体厚度”、“含砂率”、“底板埋深”、“航放U”、“航放U/TH”、“剩余重力”、“布格重力”。
7.根据权利要求5所述的一种高光谱遥感信息参与的铀成矿有利区预测方法，其特征在于，所述步骤3.2具体为：设置神经网络体系结构，神经网络隐藏层数设置为2层，激活函数设置为双曲正切，优化算法选择梯度下降法，80％的数据作为训练数据，20％的数据作为模型检验数据。
8.根据权利要求5所述的一种高光谱遥感信息参与的铀成矿有利区预测方法，其特征在于，所述步骤4包括：
步骤4.1、生成待预测区等间距规则预测点，等间距规则预测点文件记为yuce.shp；
步骤4.2、读入栅格数据；
步骤4.3、分别计算yuce.shp文件中各待预测点与栅格数据所在位置的像元值，并将计算结果写入yuce.shp文件的属性中，计算后的yuce.shp文件记为yuce_1.shp；
步骤4.4、将坐标值写入文件yuce_1.shp中，其中，经度记为X，纬度记为Y；
步骤4.5、将yuce_1.shp的属性表导出为Excel表格格式，记为yuce.xlsx，该表格作为待预测点的特征值数据。
9.根据权利要求8所述的一种高光谱遥感信息参与的铀成矿有利区预测方法，其特征在于，所述步骤4中栅格数据包括高光谱碳酸盐强度、高光谱褐铁矿强度、地层厚度、砂体厚度、含砂率、底板埋深、航放U、航放U/TH、剩余重力、布格重力。
10.根据权利要求8所述的一种高光谱遥感信息参与的铀成矿有利区预测方法，其特征在于，所述步骤5包括：
步骤5.1、打开步骤3.3获取的神经网络模型model.xml，导入步骤4.5获取的规则待预测点特征表格yuce.xlsx；
步骤5.2、将表yuce.xlsx中的列“高光谱碳酸盐强度”、“高光谱褐铁矿强度”、“地层厚度”、“砂体厚度”、“含砂率”、“底板埋深”、“航放U”、“航放U/TH”、“剩余重力”、“布格重力”选择为神经网络模型model.xml的输入部分，计算获取标签属性列“矿化级别”及列“可信度”，将计算后的表格保存为表yuceL.xlsx；
步骤5.3、将表yuceL.xlsx增加一列属性，属性名为“预测值”，其中，“预测值”＝“矿化级别”ד可信度”，将计算后的表另存为yuceL1.xlsx。
11.根据权利要求10所述的一种高光谱遥感信息参与的铀成矿有利区预测方法，其特征在于，所述步骤6包括：
步骤6.1、据表yuceL1.xlsx中的经纬度坐标值X、Y，生成待预测区预测后的规则矢量点集合，记为yuce.shp；
步骤6.2、利用yuce.shp属性中的“预测值”属性进行插值，获取研究区的砂岩型铀成矿概率图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310504516.9A CN116699715A (zh) | 2023-05-06 | 2023-05-06 | 一种高光谱遥感信息参与的铀成矿有利区预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310504516.9A CN116699715A (zh) | 2023-05-06 | 2023-05-06 | 一种高光谱遥感信息参与的铀成矿有利区预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116699715A true CN116699715A (zh) | 2023-09-05 |
Family
ID=87824740
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310504516.9A Pending CN116699715A (zh) | 2023-05-06 | 2023-05-06 | 一种高光谱遥感信息参与的铀成矿有利区预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116699715A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117313550A (zh) * | 2023-11-25 | 2023-12-29 | 核工业北京地质研究院 | 基于模型的铀资源潜力预测方法 |
-
2023
- 2023-05-06 CN CN202310504516.9A patent/CN116699715A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117313550A (zh) * | 2023-11-25 | 2023-12-29 | 核工业北京地质研究院 | 基于模型的铀资源潜力预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Singer et al. | Quantitative mineral resource assessments: An integrated approach | |
| Gocht et al. | International mineral economics: mineral exploration, mine valuation, mineral markets, international mineral policies | |
| Paithankar et al. | Grade and tonnage uncertainty analysis of an African copper deposit using multiple-point geostatistics and sequential Gaussian simulation | |
| Osterholt et al. | Simulation of orebody geology with multiple-point geostatistics—application at Yandi channel iron ore deposit, WA, and implications for resource uncertainty | |
| Akbar | Reserve estimation of central part of Choghart north anomaly iron ore deposit through ordinary kriging method | |
| Li et al. | Part II: A demonstration of integrating multiple-scale 3D modelling into GIS-based prospectivity analysis: A case study of the Huayuan-Malichang district, China | |
| CN114138923B (zh) | 一种构建地质图知识图谱的方法 | |
| CN116699715A (zh) | 一种高光谱遥感信息参与的铀成矿有利区预测方法 | |
| CN113627657A (zh) | 一种使用机器学习模型的砂岩型铀成矿有利区预测方法 | |
| Ferrer et al. | Modeling the uncertainty in the layout of geological units by implicit boundary simulation accounting for a preexisting interpretive geological model | |
| CN114325828A (zh) | 一种砂岩型铀矿数字地质图编制方法 | |
| Li et al. | A GIS-based tool for the China National Mineral Resource Assessment Initiative: a case study of gold deposits in the Bayan Obo Group, Inner Mongolia, China | |
| CN115879647B (zh) | 一种基于领域知识与深度学习结合的地层岩性预测方法 | |
| Zhao et al. | Controls on and prospectivity mapping of volcanic-type uranium mineralization in the Pucheng district, NW Fujian, China | |
| CN113534283B (zh) | 一种砂岩型铀矿成矿要素特征的定量评价方法 | |
| CN105488729B (zh) | 一种浮选型多金属尾矿库二次开发利用的资源量调查方法 | |
| CN112818603B (zh) | 自适应选择最优成矿预测要素的方法、终端及存储介质 | |
| van der Grijp et al. | Modelling a complex gold deposit with multiple-point statistics | |
| CN112800158B (zh) | 一种地质图的向量化表示方法 | |
| Zhao et al. | Investigating the spatial distribution of antimony geochemical anomalies located in the Yunnan-Guizhou-Guangxi region, China | |
| CN118297219A (zh) | 一种不同类别样本模型的铀成矿有利区预测方法 | |
| Kazemi et al. | Application of genetic and K-means algorithms in clustering Babakoohi Anticline joints north of Shiraz, Iran | |
| Liu et al. | Study of a high-precision complex 3D geological modelling method based on a fine KNN and kriging coupling algorithm: a case study for Jiangsu, China | |
| Mbah et al. | Implementation of Statistical Analysis to Determine Optimum Ultimate Pit | |
| Abedini et al. | Big Data analytics for mining geochemistry of gold mineralization: The Gandy Gold Deposit, the Toroud-Chah Shirin (TCS) belt, north 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 |