CN116843884A - 一种伟晶岩型稀有金属矿的识别方法及系统 - Google Patents
一种伟晶岩型稀有金属矿的识别方法及系统 Download PDFInfo
- Publication number
- CN116843884A CN116843884A CN202310822013.6A CN202310822013A CN116843884A CN 116843884 A CN116843884 A CN 116843884A CN 202310822013 A CN202310822013 A CN 202310822013A CN 116843884 A CN116843884 A CN 116843884A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- information
- data
- mining area
- module
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000002184 metal Substances 0.000 title claims abstract description 28
- 229910052751 metal Inorganic materials 0.000 title claims abstract description 28
- 238000005065 mining Methods 0.000 claims abstract description 63
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 22
- 239000011707 mineral Substances 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 44
- 230000002159 abnormal effect Effects 0.000 claims description 38
- 238000012937 correction Methods 0.000 claims description 25
- 235000010755 mineral Nutrition 0.000 claims description 21
- 230000004075 alteration Effects 0.000 claims description 13
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 12
- 238000011835 investigation Methods 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 230000033558 biomineral tissue development Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000013480 data collection Methods 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims description 6
- 229910052742 iron Inorganic materials 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 239000005995 Aluminium silicate Substances 0.000 claims description 3
- KWYUFKZDYYNOTN-UHFFFAOYSA-M Potassium hydroxide Chemical compound [OH-].[K+] KWYUFKZDYYNOTN-UHFFFAOYSA-M 0.000 claims description 3
- 235000012211 aluminium silicate Nutrition 0.000 claims description 3
- 230000003321 amplification Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- NLYAJNPCOHFWQQ-UHFFFAOYSA-N kaolin Chemical compound O.O.O=[Al]O[Si](=O)O[Si](=O)O[Al]=O NLYAJNPCOHFWQQ-UHFFFAOYSA-N 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 229940072033 potash Drugs 0.000 claims description 3
- BWHMMNNQKKPAPP-UHFFFAOYSA-L potassium carbonate Substances [K+].[K+].[O-]C([O-])=O BWHMMNNQKKPAPP-UHFFFAOYSA-L 0.000 claims description 3
- 235000015320 potassium carbonate Nutrition 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 239000004575 stone Substances 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 2
- 238000013499 data model Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 11
- 238000004590 computer program Methods 0.000 description 10
- 239000011435 rock Substances 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 239000010438 granite Substances 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 229930002875 chlorophyll Natural products 0.000 description 3
- 235000019804 chlorophyll Nutrition 0.000 description 3
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 241001464837 Viridiplantae Species 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000002734 clay mineral Substances 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- YGANSGVIUGARFR-UHFFFAOYSA-N dipotassium dioxosilane oxo(oxoalumanyloxy)alumane oxygen(2-) Chemical compound [O--].[K+].[K+].O=[Si]=O.O=[Al]O[Al]=O YGANSGVIUGARFR-UHFFFAOYSA-N 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000010433 feldspar Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052627 muscovite Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- -1 vegetation Substances 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- 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
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/70—Labelling scene content, e.g. deriving syntactic or semantic representations
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Computational Linguistics (AREA)
- Astronomy & Astrophysics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及矿产资源开发领域，具体公开了一种伟晶岩型稀有金属矿的识别方法及系统，步骤S1:获取待研究区域地理信息影像数据和第一遥感影像数据，对地理信息影像数据对待研究区域进行分片预处理得到第二遥感影像数据和第三遥感数据，确定远景矿区信息；步骤S2:基于待研究远景矿区的第二遥感影像数据，依据第二遥感影像数据确定线性构造信息；步骤S3:基于待研究远景矿区的第三遥感影像数据等内容；本发明通过对遥感数据详细分析，区分线性构造和环形构造信息，采用大数据模型自动分析，构造区域可在找矿时极大的降低工作强度；同过对成矿预测模型的训练，可构建一个自动分析遥感信息的模型。
Description
技术领域
本发明涉及矿产资源开发领域，具体是一种伟晶岩型稀有金属矿的识别方法及系统。
背景技术
伟晶岩矿床是指由伟晶岩形成过程中有用组分富集达到工业要求而形成的矿床。富含矿石、矿物，有开采价值的伟晶岩岩体。大型深成火成岩体，一般都伴生着脉状伟晶岩体，它们是由晚期的含挥发组分的残余岩浆结晶形成。与花岗岩体伴生的花岗伟晶岩脉，由晶粒很粗的长石、石英和白云母组成。花岗伟晶岩最多，经济价值也最大，一般讲伟晶岩往往是指花岗伟晶岩。
现有技术中伟晶岩型稀有金属矿床(点)的含矿建造、控矿要素及矿体出露特征与一般的侵入岩或火山岩地区不同，若按照常规的土壤测量、瞬变电磁、低分辨率遥感等方法进行勘查，则可能延长勘查周期、找矿效率低及找矿效果不明显等。
综上所述，为了加快伟晶岩金属矿识别效率，我们提出一种伟晶岩型稀有金属矿的识别方法及系统。
发明内容
本发明的目的在于提供一种伟晶岩型稀有金属矿的识别方法及系统，已解决上述问题。
为实现上述目的，本发明提供如下技术方案：一种伟晶岩型稀有金属矿的识别方法，所述方法包括如下步骤：
步骤S1：资料收集与扫描录入系统，收集矿区遥感信息和矿区资料信息，并将遥感信息和矿区资料信息扫描录入系统；
步骤S2：遥感图像处理，对录入系统的遥感图像信息进行预处理；
步骤S3：多种数据配准纠正归一化处理，对预处理后的数据进行校准和归化处理；
步骤S4：重要矿床及矿化点精确定位处理，对已知矿点在图像精确定位，分析确定控矿要素和成矿环境及蚀变特征；
步骤S5：多光谱遥感异常信息提取，对遥感信息的多光谱遥感异常信息提取，并进行分级；
步骤S6：分析矿区位置，依据提取异常信息分析确定矿区位置；
步骤S7：实地调查，对预测矿区进行实地采样调查，在依据调查结果确定分析准确性，并录入系统。
作为本发明所述的一种优选实施方案，其中，所述步骤S1:资料收集与扫描录入系统，收集矿区遥感信息和矿区资料信息，并将遥感信息和矿区资料信息扫描录入系统的详细步骤如下：
首先获取矿区的地形图、地质、矿产、物探、化探图件和资料，将图像信息扫描到系统，以供分析使用；
获取改矿区的遥感信息，录入系统供后续分析使用；
其中所述遥感信息采用Landsat卫星TM、ETM数据。
作为本发明所述的一种优选实施方案，其中，所述步骤S3种数据配准纠正归一化处理，对预处理后的数据进行校准和归化处理的详细步骤如下：
先需对卫星遥感数据头文件的角度旋转处理，使其指向正北；根据找矿地区所在范围进行裁切，然后以其为基础，将地质、矿产、物探、化探图件依次执行上述步骤，再对已转正北的卫星遥感影像进行纠正配准。
作为本发明所述的一种优选实施方案，其中，所述步骤S5:多光谱遥感异常信息提取，对遥感信息的多光谱遥感异常信息提取，并进行分级的详细步骤如下：
首先对遥感数据进行掩模处理，去除水体、植被、雪、云雾、山体阴影对蚀变异常提取干扰问题；
接着对进行掩模处理后的高干数据中提取异常信息，其中异常蚀变信息包括硅化、钾化、绢云母化、石英-绢云母化、绿帘石化、绿泥石化、褐铁矿化、针铁矿化、高岭石化；
对上述提取的遥感蚀变异常信息分级处理。
作为本发明所述的一种优选实施方案，其中，所述步骤S5中分级处理采用均值加n倍标准离差的方法确定异常级别，等级从高到低区分为5。
作为本发明所述的一种优选实施方案，其中，所述步骤S6中依据提取异常信息分析确定矿区位置其预测方法采用遥感找矿模型。
作为本发明所述的一种优选实施方案，其中，所述步骤S7中最终的结果数据反馈到遥感找矿模型中，供遥感找矿模型进行数据修正训练。
一种伟晶岩型稀有金属矿的识别系统，所述系统包括：
数据收集模块，所述数据收集模块用于收集矿区的资料数据和遥感数据信息；
数据处理模块，所述数据处理模块用于对矿区的资料数据扫描录入系统，对遥感数据进行预处理；
纠正处理模块，所述纠正处理模块用于对矿区图文资料信息和遥感数据进行角度调整以及剪裁归正处理；
矿床矿点标记模块，所述矿床矿点标记模块用于在遥感图像上标记已知矿床矿点；
异常信息提取模块，所述异常信息提取模块用于提取异常信息；
预测识别模块，所述预测识别模块内置预测模型用于预测识别矿物信息，并将信息标记在遥感图上。
作为本发明所述的一种优选实施方案，其中，所述纠正处理模块包括：
角度矫正模块，所述角度矫正模块用于进行角度矫正；
比例适配模块，所述比例适配模块用于进行比例放大适配；
裁切模块，所述裁切模块用于裁切图像；
融合模块，所述融合模块用于将不同图像进入融合。
作为本发明所述的一种优选实施方案，其中，
所述异常信息提取模块包括：
掩模处理模块，所述掩模处理模块用于对遥感数据进行掩模处理；
信息提取模块，所述信息提取模块用于提取异常信息；
分级模块，所述分级模块用于对异常信息进行分级处理。
与现有技术相比，本发明的有益效果是：
本发明在通过对矿区材料分析，结合遥感数据，进行矫正对齐处理，减少数据分析误差，并采用掩模处理技术，可减少植被大气等信息干扰，最后配合分析模型，分析出矿带点位置，有利于金属矿的预先识别，同时步骤S7所获取数据还可修正分析模型。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述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。
图1为本发明所述一种伟晶岩型稀有金属矿的识别方法流程图；
图2为本发明所述一种伟晶岩型稀有金属矿的识别系统结构图；
图3为本发明所述一种伟晶岩型稀有金属矿的识别系统图；
图4为本发明所述一种伟晶岩型稀有金属矿的识别系统图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，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。
请参阅图1-图4，本发明为实现上述目的对本发明所述技术方案进行详细说明。
本发明提出一种伟晶岩型稀有金属矿的识别方法，所述方法包括如下步骤：
步骤S1：资料收集与扫描录入系统，收集矿区遥感信息和矿区资料信息，并将遥感信息和矿区资料信息扫描录入系统；
步骤S2：遥感图像处理，对录入系统的遥感图像信息进行预处理；
步骤S3：多种数据配准纠正归一化处理，对预处理后的数据进行校准和归化处理；
步骤S4：重要矿床及矿化点精确定位处理，对已知矿点在图像精确定位，分析确定控矿要素和成矿环境及蚀变特征；
步骤S5：多光谱遥感异常信息提取，对遥感信息的多光谱遥感异常信息提取，并进行分级；
步骤S6：分析矿区位置，依据提取异常信息分析确定矿区位置；
步骤S7：实地调查，对预测矿区进行实地采样调查，在依据调查结果确定分析准确性，并录入系统。
作为本发明所述的一种优选实施方案，其中，所述步骤S1:资料收集与扫描录入系统，收集矿区遥感信息和矿区资料信息，并将遥感信息和矿区资料信息扫描录入系统的详细步骤如下：
首先获取矿区的地形图、地质、矿产、物探、化探图件和资料，将图像信息扫描到系统，以供分析使用；
获取改矿区的遥感信息，录入系统供后续分析使用；
其中所述遥感信息采用Landsat卫星TM、ETM数据；其中Landsat4及Landsat5卫星TM数据是目前应用最广的遥感卫星数据。其获取的卫星遥感数据的波谱段范围包括可见光，近红外及热红外，在可见光和近红外波段范围，数据地表分辨率为30m，热红外波段地面分辨率为120m；1999年发射的Landsat7卫星波段范围与Landsat4及Landsat5卫星基本一致，只是热红外波段的TM6的地面分辨率由120m提高到了60m，另外，新增加了一个地面分辨率为15m的全色波段，更增强了实用性。
TM图像7个波段主要功能如下：TM1对水体穿透力强，对叶绿素与叶绿素浓度反映敏感；TM2对健康茂盛绿色植物反射敏感，对水的穿透力较强；TM3为叶绿素的主要吸收波段，可广泛的用于地貌、岩性、土壤、植被、水中泥沙流等方面：TM4更集中地反映植物的近红外波段的强反射，对绿色类别差异最敏感，为植物通用波段；TM5处于水的吸收带内，对含水量反映敏感，用于土壤湿度调查、植物含水量调查、水分状况研究、作物长势分析等；TM6对热异常敏感：TM7处于水的强吸收带，水体在图像上呈黑色，可用于区分主要岩石类型、岩石的水热蚀变、探测分析岩石有关的黏土矿物。从Landsat卫星数据波段分布范围与后面涉及的各类岩石矿物识别的反射波谱曲线对比可见，TM数据对研究地质构造及找矿信息具有非常重要的意义。
作为本发明所述的一种优选实施方案，其中，所述步骤S3种数据配准纠正归一化处理，对预处理后的数据进行校准和归化处理的详细步骤如下：
先需对卫星遥感数据头文件的角度旋转处理，使其指向正北；根据找矿地区所在范围进行裁切，然后以其为基础，将地质、矿产、物探、化探图件依次执行上述步骤，再对已转正北的卫星遥感影像进行纠正配准；
其中，遥感找矿一般以卫星遥感为主，考虑到图像处理前既不破坏卫星遥感数据原始光谱信息，又要考虑处理得到的结果具有区域上的代表性。因此，首先需对TM卫星遥感数据头文件作简单的角度旋转处理，使其指向正北，根据找矿地区所在范围进行裁切，然后以其为基础，将地质图、物探、化探及其他所需的成果资料进行数字化，再对已转正北的卫星遥感影像进行纠正配准。有时对航空摄影数据，也通过扫描数字化后，与TM卫星影像做配准纠正处理。配准纠正前，首先按航空摄影相片位置对TM卫星遥感影像进行子区剪裁工作，将数字化航空相片影像经重采样，并与TM卫星影像做纠正配准处理。这样，各种数据都能统一到相同分辨率和比例尺的标准底图上。
作为本发明所述的一种优选实施方案，其中，所述步骤S5:多光谱遥感异常信息提取，对遥感信息的多光谱遥感异常信息提取，并进行分级的详细步骤如下：
首先对遥感数据进行掩模处理，去除水体、植被、雪、云雾、山体阴影对蚀变异常提取干扰问题；
接着对进行掩模处理后的高干数据中提取异常信息，其中异常蚀变信息包括硅化、钾化、绢云母化、石英-绢云母化、绿帘石化、绿泥石化、褐铁矿化、针铁矿化、高岭石化；
对上述提取的遥感蚀变异常信息分级处理。
作为本发明所述的一种优选实施方案，其中，所述步骤S5中分级处理采用均值加n倍标准离差的方法确定异常级别，等级从高到低区分为5。
作为本发明所述的一种优选实施方案，其中，所述步骤S6中依据提取异常信息分析确定矿区位置其预测方法采用遥感找矿模型。
作为本发明所述的一种优选实施方案，其中，所述步骤S7中最终的结果数据反馈到遥感找矿模型中，供遥感找矿模型进行数据修正训练。
一种伟晶岩型稀有金属矿的识别系统，所述系统包括：
数据收集模块，所述数据收集模块用于收集矿区的资料数据和遥感数据信息；
数据处理模块，所述数据处理模块用于对矿区的资料数据扫描录入系统，对遥感数据进行预处理；
纠正处理模块，所述纠正处理模块用于对矿区图文资料信息和遥感数据进行角度调整以及剪裁归正处理；
矿床矿点标记模块，所述矿床矿点标记模块用于在遥感图像上标记已知矿床矿点；
异常信息提取模块，所述异常信息提取模块用于提取异常信息；
预测识别模块，所述预测识别模块内置预测模型用于预测识别矿物信息，并将信息标记在遥感图上。
作为本发明所述的一种优选实施方案，其中，所述纠正处理模块包括：
角度矫正模块，所述角度矫正模块用于进行角度矫正；
比例适配模块，所述比例适配模块用于进行比例放大适配；
裁切模块，所述裁切模块用于裁切图像；
融合模块，所述融合模块用于将不同图像进入融合。
作为本发明所述的一种优选实施方案，其中，
所述异常信息提取模块包括：
掩模处理模块，所述掩模处理模块用于对遥感数据进行掩模处理；
信息提取模块，所述信息提取模块用于提取异常信息；
分级模块，所述分级模块用于对异常信息进行分级处理。
综上所述，本发明通过对矿区材料分析，结合遥感数据，进行矫正对齐处理，减少数据分析误差，并采用掩模处理技术，可减少植被大气等信息干扰，最后配合分析模型，分析出矿带点位置，有利于金属矿的预先识别，同时步骤S7所获取数据还可修正分析模型。
处理器从存储器中逐条取出指令、分析指令，然后根据指令要求完成相应操作，产生一系列控制命令，使计算机各部分自动、连续并协调动作，成为一个有机的整体，实现程序的输入、数据的输入以及运算并输出结果，这一过程中产生的算术运算或逻辑运算均由运算器完成；所述存储器包括只读存储器(Read-Only Memory，ROM)，所述只读存储器用于存储计算机程序，所述存储器外部设有保护装置。
示例性的，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在终端设备中的执行过程。
本领域技术人员可以理解，上述服务设备的描述仅仅是示例，并不构成对终端设备的限定，可以包括比上述描述更多或更少的部件，或者组合某些部件，或者不同的部件，例如可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，上述处理器是上述终端设备的控制中心，利用各种接口和线路连接整个用户终端的各个部分。
上述存储器可用于存储计算机程序和/或模块，上述处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现上述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如信息采集模板展示功能、产品信息发布功能等)等；存储数据区可存储根据泊位状态显示系统的使用所创建的数据(比如不同产品种类对应的产品信息采集模板、不同产品提供方需要发布的产品信息等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例系统中的全部或部分模块/单元，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储于计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个系统实施例的功能。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上所述为本发明的较佳实施例，并不用于限制本发明。在本发明原理及实施范围内所作的任何修改、等同替换及改进等均应包含在本发明的保护范围内。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种伟晶岩型稀有金属矿的识别方法，其特征在于，所述方法包括如下步骤：
步骤S1：资料收集与扫描录入系统，收集矿区遥感信息和矿区资料信息，并将遥感信息和矿区资料信息扫描录入系统；
步骤S2：遥感图像处理，对录入系统的遥感图像信息进行预处理；
步骤S3：多种数据配准纠正归一化处理，对预处理后的数据进行校准和归化处理；
步骤S4：重要矿床及矿化点精确定位处理，对已知矿点在图像精确定位，分析确定控矿要素和成矿环境及蚀变特征；
步骤S5：多光谱遥感异常信息提取，对遥感信息的多光谱遥感异常信息提取，并进行分级；
步骤S6：分析矿区位置，依据提取异常信息分析确定矿区位置；
步骤S7：实地调查，对预测矿区进行实地采样调查，在依据调查结果确定分析准确性，并录入系统。
2.根据权利要求1所述的一种伟晶岩型稀有金属矿的识别方法，其特征在于，所述步骤S1:资料收集与扫描录入系统，收集矿区遥感信息和矿区资料信息，并将遥感信息和矿区资料信息扫描录入系统的详细步骤如下：
首先获取矿区的地形图、地质、矿产、物探、化探图件和资料，将图像信息扫描到系统，以供分析使用；
获取改矿区的遥感信息，录入系统供后续分析使用；
其中所述遥感信息采用Landsat卫星TM、ETM数据。
3.根据权利要求2所述的一种伟晶岩型稀有金属矿的识别方法，其特征在于，所述步骤S3种数据配准纠正归一化处理，对预处理后的数据进行校准和归化处理的详细步骤如下：
先需对卫星遥感数据头文件的角度旋转处理，使其指向正北；根据找矿地区所在范围进行裁切，然后以其为基础，将地质、矿产、物探、化探图件依次执行上述步骤，再对已转正北的卫星遥感影像进行纠正配准。
4.根据权利要求3所述的一种伟晶岩型稀有金属矿的识别方法，其特征在于，所述步骤S5:多光谱遥感异常信息提取，对遥感信息的多光谱遥感异常信息提取，并进行分级的详细步骤如下：
首先对遥感数据进行掩模处理，去除水体、植被、雪、云雾、山体阴影对蚀变异常提取干扰问题；
接着对进行掩模处理后的高干数据中提取异常信息，其中异常蚀变信息包括硅化、钾化、绢云母化、石英-绢云母化、绿帘石化、绿泥石化、褐铁矿化、针铁矿化、高岭石化；
对上述提取的遥感蚀变异常信息分级处理。
5.根据权利要求4所述的一种伟晶岩型稀有金属矿的识别方法，其特征在于，所述步骤S5中分级处理采用均值加n倍标准离差的方法确定异常级别，等级从高到低区分为5。
6.根据权利要求5所述的一种伟晶岩型稀有金属矿的识别方法，其特征在于，所述步骤S6中依据提取异常信息分析确定矿区位置其预测方法采用遥感找矿模型。
7.根据权利要求7所述的一种伟晶岩型稀有金属矿的识别方法，其特征在于，所述步骤S7中最终的结果数据反馈到遥感找矿模型中，供遥感找矿模型进行数据修正训练。
8.一种伟晶岩型稀有金属矿的识别系统，其特征在于，所述系统用于执行权利要求1-7所述方法的任意一项，所述系统包括：
数据收集模块，所述数据收集模块用于收集矿区的资料数据和遥感数据信息；
数据处理模块，所述数据处理模块用于对矿区的资料数据扫描录入系统，对遥感数据进行预处理；
纠正处理模块，所述纠正处理模块用于对矿区图文资料信息和遥感数据进行角度调整以及剪裁归正处理；
矿床矿点标记模块，所述矿床矿点标记模块用于在遥感图像上标记已知矿床矿点；
异常信息提取模块，所述异常信息提取模块用于提取异常信息；
预测识别模块，所述预测识别模块内置预测模型用于预测识别矿物信息，并将信息标记在遥感图上。
9.根据权利要求8所述的一种伟晶岩型稀有金属矿的识别系统，其特征在于，所述纠正处理模块包括：
角度矫正模块，所述角度矫正模块用于进行角度矫正；
比例适配模块，所述比例适配模块用于进行比例放大适配；
裁切模块，所述裁切模块用于裁切图像；
融合模块，所述融合模块用于将不同图像进入融合。
10.根据权利要求9所述的一种伟晶岩型稀有金属矿的识别系统，其特征在于，所述异常信息提取模块包括：掩模处理模块，所述掩模处理模块用于对遥感数据进行掩模处理；
信息提取模块，所述信息提取模块用于提取异常信息；
分级模块，所述分级模块用于对异常信息进行分级处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310822013.6A CN116843884A (zh) | 2023-07-05 | 2023-07-05 | 一种伟晶岩型稀有金属矿的识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310822013.6A CN116843884A (zh) | 2023-07-05 | 2023-07-05 | 一种伟晶岩型稀有金属矿的识别方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116843884A true CN116843884A (zh) | 2023-10-03 |
Family
ID=88163039
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310822013.6A Pending CN116843884A (zh) | 2023-07-05 | 2023-07-05 | 一种伟晶岩型稀有金属矿的识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116843884A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104991287A (zh) * | 2015-07-27 | 2015-10-21 | 中国地质调查局武汉地质调查中心 | 中南半岛成矿带典型区铜金矿遥感找矿模型建立方法 |
| CN108171210A (zh) * | 2018-01-18 | 2018-06-15 | 中国地质科学院矿产资源研究所 | 一种植被覆盖区蚀变遥感异常信息的提取方法及系统 |
| CN113762098A (zh) * | 2021-08-19 | 2021-12-07 | 北京和德宇航技术有限公司 | 一种卫星遥感影像匹配方法 |
| CN114612779A (zh) * | 2022-03-14 | 2022-06-10 | 中科海慧（北京）科技有限公司 | 一种基于时空大数据分析的地质矿产勘察方法 |
-
2023
- 2023-07-05 CN CN202310822013.6A patent/CN116843884A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104991287A (zh) * | 2015-07-27 | 2015-10-21 | 中国地质调查局武汉地质调查中心 | 中南半岛成矿带典型区铜金矿遥感找矿模型建立方法 |
| CN108171210A (zh) * | 2018-01-18 | 2018-06-15 | 中国地质科学院矿产资源研究所 | 一种植被覆盖区蚀变遥感异常信息的提取方法及系统 |
| CN113762098A (zh) * | 2021-08-19 | 2021-12-07 | 北京和德宇航技术有限公司 | 一种卫星遥感影像匹配方法 |
| CN114612779A (zh) * | 2022-03-14 | 2022-06-10 | 中科海慧（北京）科技有限公司 | 一种基于时空大数据分析的地质矿产勘察方法 |
Non-Patent Citations (1)
| Title |
|---|
| 吴明刚等: ""基于Landsat8 OLI数据的遥感蚀变信息提取与成矿远景区圈定———以青海乌兰哈莉哈德山地区为例"", 《矿产与地质》, vol. 37, no. 1, pages 197 - 202 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Bern et al. | Improved enrichment factor calculations through principal component analysis: Examples from soils near breccia pipe uranium mines, Arizona, USA | |
| Coulter et al. | Classification and assessment of land cover and land use change in southern Ghana using dense stacks of Landsat 7 ETM+ imagery | |
| AU2020101520A4 (en) | Method for identifying exposed and buried fault structures in granite-type uranium province | |
| Barton et al. | Extending geometallurgy to the mine scale with hyperspectral imaging: A pilot study using drone-and ground-based scanning | |
| Carranza et al. | Mineral imaging with Landsat Thematic Mapper data for hydrothermal alteration mapping in heavily vegetated terrane | |
| Tangestani et al. | Evaluating Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) data for alteration zone enhancement in a semi‐arid area, northern Shahr‐e‐Babak, SE Iran | |
| Sarp | Lineament analysis from satellite images, north-west of Ankara | |
| Beygi et al. | Alteration and structural features mapping in Kacho-Mesqal zone, Central Iran using ASTER remote sensing data for porphyry copper exploration | |
| Honarmand et al. | Combined use of ASTER and ALI data for hydrothermal alteration mapping in the northwestern part of the Kerman magmatic arc, Iran | |
| Vorovencii | Changes detected in the extent of surface mining and reclamation using multitemporal Landsat imagery: a case study of Jiu Valley, Romania | |
| Scharf et al. | AnalyZr: A Python application for zircon grain image segmentation and shape analysis | |
| CN108107481A (zh) | 铀矿勘探有利远景区的确定方法和装置 | |
| Hosseinjani Zadeh et al. | A remote sensing-based discrimination of high-and low-potential mineralization for porphyry copper deposits; a case study from Dehaj–Sarduiyeh copper belt, SE Iran | |
| Hegab et al. | Mineral-bearing alteration zones at Gebel Monqul area, North Eastern Desert, Egypt, using remote sensing and gamma-ray spectrometry data | |
| Khudhur et al. | Comparison of the accuracies of different spectral indices for mapping the vegetation covers in Al-Hawija district, Iraq | |
| Rani et al. | Performance of image classification on hyperspectral imagery for lithological mapping | |
| CN116843884A (zh) | 一种伟晶岩型稀有金属矿的识别方法及系统 | |
| Maryam et al. | Mapping and analysis of structural lineaments using SRTM radar data and Landsat-8 OLI image: an example from the Telouet–Tighza area, Marrakech High Atlas, Morocco | |
| Allou et al. | THE LANDSAT 7 ETM+ REMOTE SENSING IMAGERY FOR LITHOLOGICAL AND STRUCTURAL MAPPING IN THE CENTRAL CÔTE D'IVOIRE (WEST AFRICA): CASE OF DABAKALA AREA | |
| Warner et al. | Rule-based geobotanical classification of topographic, aeromagnetic, and remotely sensed vegetation community data | |
| Safaee et al. | Towards global mapping of salt pans and salt playas using Landsat imagery: A case study of western United States | |
| Zhang et al. | Assessment of the application of copper stress vegetation index on Hyperion image in Dexing Copper Mine, China | |
| Maghsoudi Moud et al. | An approach to accuracy assessment of ASTER derived mineral maps | |
| Anaperta et al. | Remote sensing application to monitoring mine landuse changing in limestone/dolomite | |
| Ghoneim et al. | Integrating remote sensing and geophysical data for mapping potential gold mineralization localities at Abu Marawat area, central Eastern Desert, Egypt |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20231003 |