CN117423013B - 基于地质大数据的成矿潜力预测方法 - Google Patents

基于地质大数据的成矿潜力预测方法 Download PDF

Info

Publication number
CN117423013B
CN117423013B CN202311734721.0A CN202311734721A CN117423013B CN 117423013 B CN117423013 B CN 117423013B CN 202311734721 A CN202311734721 A CN 202311734721A CN 117423013 B CN117423013 B CN 117423013B
Authority
CN
China
Prior art keywords
image information
geological
value
geological image
potential prediction
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.)
Active
Application number
CN202311734721.0A
Other languages
English (en)
Other versions
CN117423013A (zh
Inventor
阳伟
唐晓林
牟文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Energy Geological Survey And Research Institute
Original Assignee
Sichuan Energy Geological Survey And Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan Energy Geological Survey And Research Institute filed Critical Sichuan Energy Geological Survey And Research Institute
Priority to CN202311734721.0A priority Critical patent/CN117423013B/zh
Publication of CN117423013A publication Critical patent/CN117423013A/zh
Application granted granted Critical
Publication of CN117423013B publication Critical patent/CN117423013B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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
    • 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
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06V20/188—Vegetation
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Remote Sensing (AREA)
  • Medical Informatics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Business, Economics & Management (AREA)
  • Animal Husbandry (AREA)
  • Astronomy & Astrophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Data Mining & Analysis (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了基于地质大数据的成矿潜力预测方法，具体涉及成矿预测技术领域，通过使用结构相似性指数进行不同渠道数据的相似度比对，有助于评估不同渠道获取的地质图像信息之间的一致性；综合考虑了自身异常信息和环境影响信息，得到对地质图像信息可信度的综合评估；对多渠道结构相似值、波段一致异常评估值以及紫外影响值进行归一化处理，并计算地质图像可信评估系数，有益于全面评估地质图像信息的可信度，从而在进行成矿潜力预测前，更加准确地判断地质图像信息的质量，进一步提高了可信度评估的综合性和准确性，以确保成矿潜力预测的准确性。

Description

基于地质大数据的成矿潜力预测方法
技术领域
本发明涉及成矿预测技术领域，更具体地说，本发明涉及基于地质大数据的成矿潜力预测方法。
背景技术
成矿潜力预测是通过分析和评估地质信息、地球化学信息、地球物理信息等多种地学数据，以及运用地学模型和机器学习算法，来确定某一地区或地质体内是否存在可能富含矿产资源的潜在条件和概率的过程。成矿潜力预测旨在识别可能存在矿产资源的区域，帮助矿产勘探和开发方向的决策。由于计算机技术和机器学习模型的快速发展，在进行成矿潜力预测时，可以基于相关训练模型对获取的大量的地质数据（包括卫星遥感数据、地面勘探数据、地球化学数据等）进行训练并得出成矿潜力的评估，将训练模型得出的成矿潜力的评估提供给决策者，以帮助决策者更好的对成矿潜力预测区域的开发进行决策。
但是成矿潜力预测其中是否准确的一个关键是地质数据的准确性，特别是地质图像信息的可信度将直接影响到训练模型的对成矿潜力预测的训练结果，目前训练模型对地质图像信息进行训练时，通常缺乏了对地质图像信息的可信度的分析，当地质图像信息的可信度较低时，会对训练模型和成矿潜力预测产生负面影响，导致成矿潜力预测的不准确性，从而导致资源开发和勘探的方向不准确，使得公司或投资者可能错误地投资于没有潜在矿产的区域，造成浪费资源和资金。
为了解决上述问题，现提供一种技术方案。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供基于地质大数据的成矿潜力预测方法以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
基于地质大数据的成矿潜力预测方法，包括如下步骤：
步骤S1：通过地理坐标系统获取目标成矿潜力预测区域；
步骤S2：对目标成矿潜力预测区域进行地质图像信息的采集，对多渠道的地质图像信息的相似度进行分析，判断是否重新对地质图像信息进行采集；
步骤S3：对地质图像信息的生成过程的异常信息进行分析；
步骤S4：在不需要重新对地质图像信息进行采集时，根据对多渠道的地质图像信息的相似度的分析结果和对地质图像信息的生成过程的异常信息的分析结果，判断地质图像信息的可信度；
步骤S5：在地质图像信息的可信度高时，基于地质大数据通过训练模型对目标成矿潜力预测区域进行成矿潜力预测。
在一个优选的实施方式中，步骤S1具体通过以下步骤实现：
步骤S101：使用地理信息系统工具，获取需要进行成矿潜力预测区域的关键点的经度和纬度信息；
步骤S102：确认成矿潜力预测区域的地理坐标系统；
步骤S103：根据成矿潜力预测区域的地理坐标信息，明确定义研究区域的边界和范围，获取目标成矿潜力预测区域。
在一个优选的实施方式中，步骤S2具体通过以下步骤实现：
步骤S201：从多个渠道采集目标成矿潜力预测区域的地质图像信息；
使用卫星遥感技术获取目标成矿潜力预测区域的地质图像信息，从无人机、地面测量同样获取目标成矿潜力预测区域的地质图像信息；
步骤S202：评估基于卫星遥感获取的地质图像信息与其他渠道采集的地质图像信息的相似程度：基于结构相似性指数计算遥无结构相似值和遥地结构相似值；
步骤S203：根据卫星遥感获取的地质图像信息与其他渠道采集的地质图像信息的相似程度，判断是否重新对地质图像信息进行采集，具体为：
将遥无结构相似值和遥地结构相似值分别与设定的相似度阈值进行比较：只要遥无结构相似值和遥地结构相似值的其中之一存在小于相似度阈值的情况，生成地质图像信息重新采集信号；当遥无结构相似值和遥地结构相似值均大于等于相似度阈值，生成相似度可接受信号；
当生成相似度可接受信号时，计算遥无结构相似值和遥地结构相似值的平均值，将遥无结构相似值和遥地结构相似值的平均值标记为多渠道结构相似值。
在一个优选的实施方式中，在步骤S3中，地质图像信息的生成过程的异常信息包括自身异常信息和环境影响信息；自身异常信息包括波段一致异常评估值，波段一致异常评估值的具体获取逻辑为：
在卫星遥感获取的地质图像信息的过程的时间区间内，
收集多个波段的反射值，将收集到的波段数据构建成一个矩阵，对数据矩阵进行相关性系数计算，根据相关性系数得到一个相关性系数矩阵，使用皮尔逊相关系数计算波段的相关性系数，计算相关性系数矩阵中的值，将相关性系数矩阵中的值的绝对值标记为波段一致异常评估值。
在一个优选的实施方式中，环境影响信息包括紫外影响值，紫外影响值的具体获取逻辑为：
在卫星遥感获取的地质图像信息的过程的时间区间内，获取时间区间内的目标成矿潜力预测区域的紫外线辐射强度值；获取在卫星遥感获取的地质图像信息的过程的时间区间内紫外线辐射强度值的平均值，将在卫星遥感获取的地质图像信息的过程的时间区间内紫外线辐射强度值的平均值与预设紫外线辐射强度值的比值标记为紫外强度比；
获取在卫星遥感获取的地质图像信息的过程的时间区间内紫外线辐射强度值大于等于预设紫外线辐射强度值对应的时间长度，将在卫星遥感获取的地质图像信息的过程的时间区间内紫外线辐射强度值大于等于预设紫外线辐射强度值对应的时间长度与在卫星遥感获取的地质图像信息的过程的时间区间对应的时间长度标记为紫外强度正常比；
将紫外强度比和紫外强度正常比进行去单位处理，将去单位处理后的紫外强度比和紫外强度正常比进行加权求和，计算紫外影响值。
在一个优选的实施方式中，在步骤S4中，当生成相似度可接受信号时，将多渠道结构相似值、波段一致异常评估值以及紫外影响值进行归一化处理，通过归一化处理后的多渠道结构相似值、波段一致异常评估值以及紫外影响值，计算得到地质图像可信评估系数；
将地质图像可信评估系数与地质图像可信评估阈值进行比较：
当地质图像可信评估系数小于地质图像可信评估阈值，生成地质图像可信程度低信号；
当地质图像可信评估系数大于等于地质图像可信评估阈值，生成地质图像可信程度高信号。
在一个优选的实施方式中，当生成地质图像可信程度高信号，收集地质大数据，使用已整理的地质大数据对模型进行训练；使用训练好的模型对目标区域进行成矿潜力预测。
本发明基于地质大数据的成矿潜力预测方法的技术效果和优点：
1、通过多渠道采集地质图像信息，包括卫星遥感、无人机、地面测量等，有助于更全面地理解目标成矿潜力预测区域。再通过使用结构相似性指数进行不同渠道数据的相似度比对，有助于评估不同渠道获取的地质图像信息之间的一致性，从而对地质图像信息的可信度进行评估。
2、通过评估遥感传感器的波段一致性，进而判断传感器在某些波段的性能是否正常，定量地表示不同波段之间的一致性，通过获取目标成矿潜力预测区域的紫外线辐射强度值，分析紫外线对卫星遥感获取的地质图像信息的影响，综合考虑了自身异常信息和环境影响信息，通过计算波段一致异常评估值和紫外影响值，得到对地质图像信息可信度的综合评估。这有助于更全面地了解地质图像信息的生成过程中可能存在的问题。
3、对多渠道结构相似值、波段一致异常评估值以及紫外影响值进行归一化处理，并计算地质图像可信评估系数，有益于全面评估地质图像信息的可信度，从而在进行成矿潜力预测前，更加准确地判断地质图像信息的质量，进一步提高了可信度评估的综合性和准确性，以确保成矿潜力预测的准确性，有助于在数据分析和模型训练阶段准确判断地质图像信息的质量，从而提高后续成矿潜力预测的可靠性。
附图说明
图1为本发明基于地质大数据的成矿潜力预测方法示意图。
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、完整的描述，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。
实施例
图1给出了本发明基于地质大数据的成矿潜力预测方法，其包括如下步骤：
步骤S1：通过地理坐标系统获取目标成矿潜力预测区域。
步骤S2：对目标成矿潜力预测区域进行地质图像信息的采集，对多渠道的地质图像信息的相似度进行分析，判断是否重新对地质图像信息进行采集。
步骤S3：对地质图像信息的生成过程的异常信息进行分析。
步骤S4：在不需要重新对地质图像信息进行采集时，根据对多渠道的地质图像信息的相似度的分析结果和对地质图像信息的生成过程的异常信息的分析结果，判断地质图像信息的可信度。
步骤S5：在地质图像信息的可信度高时，基于地质大数据通过训练模型对目标成矿潜力预测区域进行成矿潜力预测。
步骤S1具体通过以下步骤实现：
步骤S101：使用地理信息系统（GIS）工具，获取需要进行成矿潜力预测区域的关键点的经度和纬度信息。
步骤S102：确认成矿潜力预测区域的地理坐标系统，并校准到特定的坐标系统；其中涉及将地图坐标与真实地球表面坐标对齐，以确保后续分析的准确性。
步骤S103：根据成矿潜力预测区域的地理坐标信息，明确定义研究区域的边界和范围，获取目标成矿潜力预测区域；具体为：使用GIS软件中的多边形绘制工具，根据获取的关键点经纬度信息绘制研究区域的边界，例如可以采用多边形、矩形或其他几何形状来表示研究成矿潜力预测区域的范围。
步骤S2具体通过以下步骤实现：
步骤S201：从多个渠道采集目标成矿潜力预测区域的地质图像信息。具体为：
为了更全面多角度的对目标成矿潜力预测区域的成矿潜力进行预测，通常会多渠道的对地质图像信息进行采集，包括无人机数据采集和地面测量数据采集等。
使用卫星遥感技术获取目标成矿潜力预测区域的高分辨率的地质图像信息，从其他渠道，其他渠道包括无人机、地面测量等同样获取目标成矿潜力预测区域的高分辨率的地质图像信息。
无人机数据采集：使用无人机进行低空飞行，采集目标成矿潜力预测区域的地质图像信息（无人机具有灵活性，可实现更高空间分辨率的数据采集）。
地面测量数据采集：在地面设置测量仪器，如摄像机或激光雷达，采集地质图像信息（地面测量提供了更接近地表的视角，有助于捕捉地质细节）。
对每个渠道的地质图像信息进行预处理，确保地质图像信息对应的图像具有一致的格式、分辨率，并进行校正以排除大气、照明等影响。
通过特征点匹配、变换模型将不同渠道获取的地质图像信息进行配准，以确保它们在相同的地理坐标系统下对齐。
步骤S202：将从多个渠道采集的地质图像信息进行相似度比对：基于结构相似性指数评估基于卫星遥感获取的地质图像信息与其他渠道采集的地质图像信息的相似程度，具体为：
基于结构相似性指数对不同图片进行相似度的计算现有技术已较为成熟，为了更 好地进行理解，以下给出一种基于结构相似性指数分别计算基于卫星遥感获取的地质图像 信息与无人机采集的地质图像信息的相似程度的具体方法：，其中SSIM（x,y）为遥无结构相似值， x、y分别代表基于卫星遥感获取的地质图像信息与无人机采集的地质图像信息，μx、μy分别 是基于卫星遥感获取的地质图像信息的平均亮度与无人机采集的地质图像信息的平均亮 度；σx 2、σy 2分别是基于卫星遥感获取的地质图像信息的平均亮度与无人机采集的地质图像 信息的方差；σxy是这两个地质图像信息的协方差；c1、c2是为了防止分母为零而加入的常 数。
基于卫星遥感获取的地质图像信息与地面测量采集的地质图像信息的相似程度的具体方法与基于卫星遥感获取的地质图像信息与无人机采集的地质图像信息的相似程度的具体方法同理，同理，获得遥地结构相似值。此处不再赘述。
遥无结构相似值反映的是基于卫星遥感获取的地质图像信息与无人机采集的地质图像信息的相似程度。
遥地结构相似值反映的是基于卫星遥感获取的地质图像信息与地面测量采集的地质图像信息的相似程度。
遥无结构相似值和遥地结构相似值越小，基于卫星遥感获取的地质图像信息与其他渠道采集的地质图像信息的相似程度越低，基于卫星遥感获取的地质图像信息的可信度越低。
在步骤S203中：根据卫星遥感获取的地质图像信息与其他渠道采集的地质图像信息的相似程度，判断是否重新对地质图像信息进行采集，具体为：
将遥无结构相似值和遥地结构相似值分别与设定的相似度阈值进行比较：只要遥无结构相似值和遥地结构相似值的其中之一存在小于相似度阈值的情况，生成地质图像信息重新采集信号；当遥无结构相似值和遥地结构相似值均大于等于相似度阈值，生成相似度可接受信号。
根据生成的地质图像信息重新采集信号，需要对重新对目标成矿潜力预测区域的地质图像信息进行重新采集。
当生成相似度可接受信号时，计算遥无结构相似值和遥地结构相似值的平均值，将遥无结构相似值和遥地结构相似值的平均值标记为多渠道结构相似值。
相似度阈值是根据对不同渠道获取的地质图像信息之间的比对的要求标准进行设定的，此处不再赘述。
其中，渠道不仅限于包括无人机和地面测量，此处只是列举两种常用的渠道，渠道的数量根据实际的情况进行设置。
值得注意的是，在进行不同渠道获取的地质图像信息进行相似度分析时，不同渠道的地质图像信息对应的区域是相同的。地质图像信息为图像。其中，地质大数据包括地质图像信息。
在步骤S3中，对地质图像信息的生成过程的异常信息进行分析，地质图像信息的生成过程的异常信息包括自身异常信息和环境影响信息。
自身异常信息反映的是基于卫星遥感获取的地质图像信息的过程中，通过分析遥感传感器的波段是否一致性来评估地质图像信息的质量，以及可能存在的地质图像信息的可信隐患。在卫星遥感中，波段指的是电磁波谱中的不同频段或波长范围，遥感传感器通常能够观测或记录多个不同波段的辐射信息，每个波段对应于电磁波谱中的特定波长范围，不同波段的选择取决于遥感任务的需求，不同波段的辐射信息可提供不同地学、气象学或环境学的信息，波段一致性是指不同波段之间的辐射强度关系在正常情况下应该是一致的，波段一致性异常可能表明传感器在某些波段的性能出现问题或者传感器需要进行重新校准。这种异常可能导致数据解释和应用的困难。
自身异常信息包括波段一致异常评估值，波段一致异常评估值的具体获取逻辑为：
在卫星遥感获取的地质图像信息的过程的时间区间内，获取到多个波段，计算波段之间的相关性系数来评估波段一致性，以下是计算多个波段之间相关性系数的步骤：
收集波段数据：收集多个波段的反射值，确保数据对应的像素在相同的位置。
构建数据矩阵：将收集到的波段数据构建成一个矩阵，其中每一列代表一个波段，每一行代表一个像素的反射值。
计算相关性系数矩阵：对数据矩阵进行相关性系数计算，根据相关性系数得到一个相关性系数矩阵；该矩阵的大小是N×N，其中N是波段的数量。对角线上的值通常是1，因为每个波段与自身的相关性为1。
其中，使用皮尔逊相关系数计算波段的相关性系数为现有技术，且较为成熟，此处不再赘述。
解读相关性系数矩阵：相关性系数矩阵中的值表示对应波段之间的线性关系，高相关性系数意味着两个波段之间存在较强的线性关系，低相关性系数则表示较弱的或无线性关系。
由于相关性系数矩阵中的值的范围从-1到1，其中-1表示完全负相关，1表示完全正相关，0表示没有相关性。
为了更便利的进行数学分析，将相关性系数矩阵中的值的绝对值标记为波段一致异常评估值，波段一致异常评估值越小，在卫星遥感获取的地质图像信息的过程中不同波段之间的相关性较低，表明这些波段捕捉到的地质特征变化较为独立，或者存在一些干扰因素导致它们之间的关系不明显，因此，较小的波段一致异常评估值可能暗示着在卫星遥感获取的地质图像信息的过程中采集的地质图像信息的质量较差。
环境影响信息是基于卫星遥感获取的地质图像信息的过程中，环境因素对遥感传感器采集地质图像信息的准确性的影响。
通常大气中的云层、雾霾、空气湿度等因素会影响卫星传感器接收地面反射的光谱信号；天气条件可能导致地质图像信息的不同质量，例如，在阴天或多云天气下，光照条件可能较差，影响遥感图像的清晰度。太阳的位置（天顶角和方位角）会影响地面反射的光谱特征。不同的太阳角度可能导致同一地物在不同时间的遥感图像中呈现不同的外观。
但是在进行基于卫星遥感获取的地质图像信息的过程中，通常是分析天气条件、大气中的云层、雾霾、空气湿度以及太阳的位置，一般在天气条件不好、大气中的云层遮挡、雾霾严重、太阳的位置不佳时，可能就不会基于卫星遥感对地质图像信息进行采集，但是对于紫外线对卫星遥感获取的地质图像信息的准确性的影响却较为忽略。
紫外线能够突显地表上的一些特殊地质成分，如矿物、矿床和岩石类型，因为这些物质在紫外线波段具有独特的光谱特征。较高的紫外线强度有助于更清晰地识别这些地质特征，提高图像信息的准确性。紫外线对植被和水体的反射响应较强，因此能够帮助区分不同的地表覆盖类型。对于地质图像信息的准确性，特别是在涉及植被或水体的地区，紫外线强度的增加有助于更好地区分不同的地物。
所以在紫外线较弱时，会影响卫星遥感获取的地质图像信息的质量，从而影响地质图像信息的可信度。
环境影响信息包括紫外影响值，紫外影响值的具体获取逻辑为：
在卫星遥感获取的地质图像信息的过程的时间区间内，获取时间区间内的目标成矿潜力预测区域的紫外线辐射强度值，紫外线辐射强度值越小，可能导致图像的对比度降低，细节不够清晰。较小的紫外线辐射强度可能降低传感器测量的精度。
其中，紫外线辐射强度值是通过紫外线辐射测量仪器测量的。
获取在卫星遥感获取的地质图像信息的过程的时间区间内紫外线辐射强度值的平均值，将在卫星遥感获取的地质图像信息的过程的时间区间内紫外线辐射强度值的平均值与预设紫外线辐射强度值的比值标记为紫外强度比。
预设紫外线辐射强度值是根据实际情况进行设定的，当紫外线辐射强度值小于预设紫外线辐射强度值，说明会对地质图像信息的可信度造成影响。
获取在卫星遥感获取的地质图像信息的过程的时间区间内紫外线辐射强度值大于等于预设紫外线辐射强度值对应的时间长度，将在卫星遥感获取的地质图像信息的过程的时间区间内紫外线辐射强度值大于等于预设紫外线辐射强度值对应的时间长度与在卫星遥感获取的地质图像信息的过程的时间区间对应的时间长度标记为紫外强度正常比。
将紫外强度比和紫外强度正常比进行去单位处理，将去单位处理后的紫外强度比 和紫外强度正常比进行加权求和，计算紫外影响值，其表达式为：，其中，wwy、wwb、wwv分别为紫外影响值、紫外强度比和紫 外强度正常比；a、b分别为紫外强度比和紫外强度正常比的权重系数，a、b均大于0。
紫外影响值越大，在卫星遥感获取的地质图像信息的过程的时间区间内获取的地质图像信息的可信度越高。
在步骤S4中，当生成相似度可接受信号时，将多渠道结构相似值、波段一致异常评估值以及紫外影响值进行归一化处理，通过归一化处理后的多渠道结构相似值、波段一致异常评估值以及紫外影响值，计算得到地质图像可信评估系数。通过地质图像可信评估系数，对地质图像信息的可信度的影响程度进行评估。
例如，本发明可采用如下公式进行地质图像可信评估系数的计算，其表达式为：；其中，Dtkp、dqx、byy、wwy分别为地质图像可 信评估系数、多渠道结构相似值、波段一致异常评估值以及紫外影响值；α1、α2、α3分别为地 质图像可信评估系数、多渠道结构相似值、波段一致异常评估值以及紫外影响值的预设比 例系数，且α1、α2、α3均大于0。
地质图像可信评估系数越大，地质图像信息的可信度越高，反之，地质图像信息的可信度越低。
将地质图像可信评估系数与地质图像可信评估阈值进行比较：
当地质图像可信评估系数小于地质图像可信评估阈值，生成地质图像可信程度低信号。此时地质图像信息的可信程度较低，若投入到对成矿潜力进行预测的训练模型中，会导致输出结果的不准确。根据生成的地质图像可信程度低信号，需要对目标成矿潜力预测区域的地质图像信息进行重新采集。
当地质图像可信评估系数大于等于地质图像可信评估阈值，生成地质图像可信程度高信号。此时地质图像信息的可信程度较高，可以将地质图像信息投入到成矿潜力预测中。
地质图像可信评估阈值是根据地质图像可信评估系数的大小，以及实际中对地质图像信息的准确性的要求标准等实际情况进行设定的，此处不再赘述。
步骤S5的具体步骤为：当生成地质图像可信程度高信号后：
a.数据预处理：
收集地质大数据，包括地质图像信息、地质勘查、矿产资源、地球物理、遥感、地球化学等多种数据。整理和清洗采集到的地质大数据，确保数据质量。
b.模型训练：
选择合适的机器学习或深度学习模型，如支持向量机、随机森林、深度神经网络等。
使用已整理的地质大数据对模型进行训练。
c.成矿潜力预测：
使用训练好的模型对目标区域进行成矿潜力预测。
输出预测结果，包括成矿潜力的概率图、矿化体分布图等。
可以通过制作可视化图表，例如将成矿潜力图叠加在地图上，使得用户可以直观地理解预测结果。还可以使用地理信息系统（GIS）软件进行结果的可视化和交互。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数以及阈值选取由本领域的技术人员根据实际情况进行设置。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络，或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD），或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的模块及算法步骤，能够以电子硬件，或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其他的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，既可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(read-only memory，ROM)、随机存取存储器(random access memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
最后：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，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.基于地质大数据的成矿潜力预测方法，其特征在于，包括如下步骤：
步骤S1：通过地理坐标系统获取目标成矿潜力预测区域；
步骤S2：对目标成矿潜力预测区域进行地质图像信息的采集，对多渠道的地质图像信息的相似度进行分析，判断是否重新对地质图像信息进行采集；
具体地，步骤S201：从多个渠道采集目标成矿潜力预测区域的地质图像信息；
使用卫星遥感技术获取目标成矿潜力预测区域的地质图像信息，从无人机、地面测量同样获取目标成矿潜力预测区域的地质图像信息；
步骤S202：评估基于卫星遥感获取的地质图像信息与其他渠道采集的地质图像信息的相似程度：基于结构相似性指数计算遥无结构相似值和遥地结构相似值；
步骤S203：根据卫星遥感获取的地质图像信息与其他渠道采集的地质图像信息的相似程度，判断是否重新对地质图像信息进行采集，具体为：
将遥无结构相似值和遥地结构相似值分别与设定的相似度阈值进行比较：只要遥无结构相似值和遥地结构相似值的其中之一存在小于相似度阈值的情况，生成地质图像信息重新采集信号；当遥无结构相似值和遥地结构相似值均大于等于相似度阈值，生成相似度可接受信号；
当生成相似度可接受信号时，计算遥无结构相似值和遥地结构相似值的平均值，将遥无结构相似值和遥地结构相似值的平均值标记为多渠道结构相似值；
步骤S3：对地质图像信息的生成过程的异常信息进行分析；
地质图像信息的生成过程的异常信息包括自身异常信息和环境影响信息；自身异常信息包括波段一致异常评估值，环境影响信息包括紫外影响值；
步骤S4：在不需要重新对地质图像信息进行采集时，根据对多渠道的地质图像信息的相似度的分析结果和对地质图像信息的生成过程的异常信息的分析结果，判断地质图像信息的可信度；
当生成相似度可接受信号时，将多渠道结构相似值、波段一致异常评估值以及紫外影响值进行归一化处理，通过归一化处理后的多渠道结构相似值、波段一致异常评估值以及紫外影响值，计算得到地质图像可信评估系数；
将地质图像可信评估系数与地质图像可信评估阈值进行比较：
当地质图像可信评估系数小于地质图像可信评估阈值，生成地质图像可信程度低信号；
当地质图像可信评估系数大于等于地质图像可信评估阈值，生成地质图像可信程度高信号；步骤S5：在地质图像信息的可信度高时，基于地质大数据通过训练模型对目标成矿潜力预测区域进行成矿潜力预测。
2.根据权利要求1所述的基于地质大数据的成矿潜力预测方法，其特征在于：步骤S1具体通过以下步骤实现：
步骤S101：使用地理信息系统工具，获取需要进行成矿潜力预测区域的关键点的经度和纬度信息；
步骤S102：确认成矿潜力预测区域的地理坐标系统；
步骤S103：根据成矿潜力预测区域的地理坐标信息，明确定义研究区域的边界和范围，获取目标成矿潜力预测区域。
3.根据权利要求1所述的基于地质大数据的成矿潜力预测方法，其特征在于：在步骤S3中，波段一致异常评估值的具体获取逻辑为：
在卫星遥感获取的地质图像信息的过程的时间区间内，
收集多个波段的反射值，将收集到的波段数据构建成一个矩阵，对数据矩阵进行相关性系数计算，根据相关性系数得到一个相关性系数矩阵，使用皮尔逊相关系数计算波段的相关性系数，计算相关性系数矩阵中的值，将相关性系数矩阵中的值的绝对值标记为波段一致异常评估值。
4.根据权利要求1所述的基于地质大数据的成矿潜力预测方法，其特征在于：在步骤S3中，紫外影响值的具体获取逻辑为：
在卫星遥感获取的地质图像信息的过程的时间区间内，获取时间区间内的目标成矿潜力预测区域的紫外线辐射强度值；获取在卫星遥感获取的地质图像信息的过程的时间区间内紫外线辐射强度值的平均值，将在卫星遥感获取的地质图像信息的过程的时间区间内紫外线辐射强度值的平均值与预设紫外线辐射强度值的比值标记为紫外强度比；
获取在卫星遥感获取的地质图像信息的过程的时间区间内紫外线辐射强度值大于等于预设紫外线辐射强度值对应的时间长度，将在卫星遥感获取的地质图像信息的过程的时间区间内紫外线辐射强度值大于等于预设紫外线辐射强度值对应的时间长度与在卫星遥感获取的地质图像信息的过程的时间区间对应的时间长度标记为紫外强度正常比；
将紫外强度比和紫外强度正常比进行去单位处理，将去单位处理后的紫外强度比和紫外强度正常比进行加权求和，计算紫外影响值。
5.根据权利要求1所述的基于地质大数据的成矿潜力预测方法，其特征在于：在步骤4中，当生成地质图像可信程度高信号，
收集地质大数据，使用已整理的地质大数据对模型进行训练；使用训练好的模型对目标区域进行成矿潜力预测。
CN202311734721.0A 2023-12-18 2023-12-18 基于地质大数据的成矿潜力预测方法 Active CN117423013B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311734721.0A CN117423013B (zh) 2023-12-18 2023-12-18 基于地质大数据的成矿潜力预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311734721.0A CN117423013B (zh) 2023-12-18 2023-12-18 基于地质大数据的成矿潜力预测方法

Publications (2)

Publication Number Publication Date
CN117423013A CN117423013A (zh) 2024-01-19
CN117423013B true CN117423013B (zh) 2024-02-23

Family

ID=89523395

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311734721.0A Active CN117423013B (zh) 2023-12-18 2023-12-18 基于地质大数据的成矿潜力预测方法

Country Status (1)

Country Link
CN (1) CN117423013B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117935061B (zh) * 2024-03-21 2024-05-31 四川省能源地质调查研究所 基于数据分析的地质区域环境综合评价系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107765323A (zh) * 2017-09-25 2018-03-06 成都理工大学 一种基于aster卫星数据的成矿预测方法
CN111260187A (zh) * 2020-01-08 2020-06-09 长春工程学院 一种智能矿山地质环境信息评价系统及评价方法
EP3959544A1 (en) * 2019-04-25 2022-03-02 Services Pétroliers Schlumberger Joint sensor orientation and velocity model calibration
CN115205718A (zh) * 2022-09-19 2022-10-18 西安恒歌数码科技有限责任公司 一种地理信息测量系统及其测量方法
CN115879648A (zh) * 2023-02-21 2023-03-31 中国地质科学院 一种基于机器学习的三元深部成矿预测方法及系统
CN116625354A (zh) * 2023-07-21 2023-08-22 山东省国土测绘院 一种基于多源测绘数据的高精度地形图生成方法及系统
CN116844050A (zh) * 2023-07-05 2023-10-03 青海省地质调查院(青海省地质矿产研究院、青海省地质遥感中心) 一种基于多源遥感数据的伟晶岩型锂矿找矿方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107765323A (zh) * 2017-09-25 2018-03-06 成都理工大学 一种基于aster卫星数据的成矿预测方法
EP3959544A1 (en) * 2019-04-25 2022-03-02 Services Pétroliers Schlumberger Joint sensor orientation and velocity model calibration
CN111260187A (zh) * 2020-01-08 2020-06-09 长春工程学院 一种智能矿山地质环境信息评价系统及评价方法
CN115205718A (zh) * 2022-09-19 2022-10-18 西安恒歌数码科技有限责任公司 一种地理信息测量系统及其测量方法
CN115879648A (zh) * 2023-02-21 2023-03-31 中国地质科学院 一种基于机器学习的三元深部成矿预测方法及系统
CN116844050A (zh) * 2023-07-05 2023-10-03 青海省地质调查院(青海省地质矿产研究院、青海省地质遥感中心) 一种基于多源遥感数据的伟晶岩型锂矿找矿方法
CN116625354A (zh) * 2023-07-21 2023-08-22 山东省国土测绘院 一种基于多源测绘数据的高精度地形图生成方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"空天"高分辨率遥感技术及其在铀资源勘查中的应用进展与发展建议;叶发旺等;铀矿地质;20210510;第37卷(第03期);313-328 *
Application of Domestic High-Resolution Satellite Data in Remote Sensing Geological Survey of the Metallogenic Belt in Zhejiang Province;Jie Wang等;Sustainability;20220407;第14卷(第8期);1-20 *
复杂地形区矿山地质矿产勘查找矿技术探析;赵麒寓等;中国金属通报;20230915;第09卷;19-21 *

Also Published As

Publication number Publication date
CN117423013A (zh) 2024-01-19

Similar Documents

Publication Publication Date Title
CN100547438C (zh) 一种油气勘探方法及系统
CN117423013B (zh) 基于地质大数据的成矿潜力预测方法
CN107895136B (zh) 一种煤矿区域识别方法及系统
Erdmann et al. Concurrent satellite and ground-based lightning observations from the Optical Lightning Imaging Sensor (ISS-LIS), the low-frequency network Meteorage and the SAETTA Lightning Mapping Array (LMA) in the northwestern Mediterranean region
CN113866102A (zh) 一种基于光谱的土壤健康调查监测方法
Propastin et al. Reducing uncertainty in modeling the NDVI-precipitation relationship: a comparative study using global and local regression techniques
CN115561181A (zh) 一种基于无人机多光谱数据的水质反演方法
CN111582387A (zh) 一种岩石光谱特征融合分类方法及系统
CN113408111A (zh) 大气可降水量反演方法及系统、电子设备和存储介质
CN112668613A (zh) 基于气象预报和机器学习的卫星红外成像效果预测方法
Agar et al. Remote sensing for mineral exploration–A decade perspective 1997-2007
Salehi et al. Mapping ultramafic complexes using airborne imaging spectroscopy and spaceborne data in Arctic regions with abundant lichen cover, a case study from the Niaqornarssuit complex in South West Greenland
CN111259771A (zh) 基于图像特征分解的高空间分辨率遥感图像找矿方法
Weifeng et al. Multi-source DEM accuracy evaluation based on ICESat-2 in Qinghai-Tibet Plateau, China
CN112378864A (zh) 一种机载高光谱土壤信息反演方法
Wolfe et al. Hyperspectral analytics in envi target detection and spectral mapping methods
CN116773516A (zh) 一种基于遥感数据的土壤碳含量分析系统
CN113096129B (zh) 高光谱卫星影像中的云量检测方法和装置
Shao et al. An explicit index for assessing the accuracy of cover-class areas
Kawishwar Atmospheric correction models for retrievals of calibrated spectral profiles from hyperion EO-1 data
Wolfe et al. Hyperspectral analytics in ENVI
CN113240340A (zh) 基于模糊分类的大豆种植区分析方法、装置、设备和介质
Attanasi et al. Random forest
Bilal et al. Reduced major axis regression
Sanderson et al. The effect of flight line spacing on radioactivity inventory and spatial feature characteristics of airborne gamma‐ray spectrometry data

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