一种基于地质大数据的智能成矿预测方法技术

本发明专利技术涉及一种基于地质大数据的智能成矿预测方法，包括：步骤S1，找矿预测因子的选取；步骤S2，预测单元的划分；步骤S3，预测因子的定量表征与数据融合；步骤S4，样本集的构建；步骤S5，机器学习预测模型的训练和调优；步骤S6，机器学习预测模型的定量评价和优选；步骤S7，研究区成矿概率的计算；步骤S8，成矿靶区的圈定。本发明专利技术所述方法具有性能优、精细化、客观化、定量化、可推广的优点，通过本发明专利技术提供的基于地质大数据的智能成矿预测方法，提高了成矿预测的精准度，有效提高了勘查工作的效率，降低勘探的风险，减少人力物力的投入。减少人力物力的投入。减少人力物力的投入。

【技术实现步骤摘要】
一种基于地质大数据的智能成矿预测方法


[0001]本专利技术涉及智能成矿预测
，尤其涉及一种基于地质大数据的智能成矿预测方法。

技术介绍

[0002]矿产资源作为人类社会生存和发展重要的物质基础，其开发利用状况与经济发展水平密切相关，其中尤其关键的是与国家安全有紧密联系的战略性矿产资源。目前我国经济发展方式将由高速增长向高质量发展转变，对矿产资源仍将保持相当大的需求，因此矿产资源的勘查与开发刻不容缓。然而，经过几十年大规模的地质调查及找矿勘查工作，地表大部分易发现矿床已被发现、开发并利用，因此，如何更高效地探寻隐伏矿便成为我国当前找矿工作的热点和难点。
[0003]阻碍矿产资源的定量预测评价可归结以下主客观因素：
①
可靠和普适性的成矿作用机理、因果关系、成矿动力学等理论模型缺乏；
②
受已有知识模型束缚较多、采样点随机、数据内容主观限定、样品空间狭小、精确数据少；
③
海量的多源多类异质异构数据难以一体化存储、管理和利用；
④
在多数情况下，只能凭借少量观测数据和定本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于地质大数据的智能成矿预测方法，包括：步骤S1，找矿预测因子的选取在对研究区开展地质调查和文献调研的基础上，归纳和总结了区域金找矿的三级预测因子，并以9类第三级因子作为机器学习的特征数据；其中，一级因子因子包括地质类因子、地球化学类因子和地球物理类因子；所述地质类因子对应的二级因子包括地层、构造和岩浆岩，所述地球化学类因子对应的二级因子包括1:5万水系沉积物化探数据，所述地球物理类因子对应的二级因子包括1:5万高精度磁法物探数据；所述地层对应的三级因子包括星红铺组、古道岭组等地层，所述构造对应的三级因子包括NW向脆韧性断裂、NE向脆性断裂、断裂交汇部位和背斜构造，所述岩浆岩对应的三级因子包括与花红树坪岩体的距离，所述1:5万水系沉积物化探数据对应的三级因子包括Au元素地球化学和R型因子分析所得的与Au有关的因子F5，所述1:5万高精度磁法物探数据对应的三级因子包括区域化极磁化率ΔT；步骤S2，预测单元的划分根据对已知矿床(点)的调研，统计得到各金矿床(点)之间最近的距离为170m，同时根据Carranza et al.(2009)的理论，1:5万尺度下预测单元的最小尺度为75m
×
75m，因此，本研究将研究区按照100m
×
100m的标准进行了预测单元的划分，研究区面积共500.83km2，共划分出50083个预测单元；步骤S3，预测因子的定量表征与数据融合通过GIS技术实现了对各预测因子的定量化表征，获得了研究区所有预测单元所对应的各类预测因子的数值型数据，并对数据进行融合以构建数据集；步骤S4，样本集的构建将存在金矿床(点)的预测单元作为正样本，以非金矿床(铅锌矿、铜矿等)所在预测单元作为负样本，正负样本共同组成了样本集，以此保证了建模数据的准确性和代表性，将70％的样本集随机划分为训练集，其余样本作为测试集；步骤S5，机器学习预测模型的训练和调优机器学习是人工智能最重要的分支，本次研究选取了机器学习中的随机森林RF、支持向量机SVM、梯度提升决策树GBDT、朴素贝叶斯NB、逻辑回归LR五种算法进行建模，通过训练集样本对模型进行训练，使用随机搜索、网格搜索等方法对预测模型的超参数进行调优；步骤S6，机器学习预测模型的定量评价和优选以测试集样本对模型性能进行定量评价，评价的指标包括：准确率、精确率、召回率、F1值、AUC值等；通过对以上五种预测模型的定量评估，选取了随机森林模型作为研究区金成矿的预测模型，其中，随机森林模型在训练集和测试集上的准确率都达到了95％以上，表明该模型具有优异的预测能力；步骤S7，研究区成矿概率的计算使用已训练好的随机森林模型，对研究区50083个预测单元的金成矿概率进行了计算，并通过GIS技术对研究区成矿概率进行展示；步骤S8，成矿靶区的圈定由于矿产勘查工作具有资金投入大、勘探风险高的特点，为保证勘探工作的效率，有必要对成矿概率进行分级评价，依据Rodriguez(2015)提出的“成功率曲线”方法，我们将研究
区划分为了金成矿极高潜力区、高潜力区和一般潜力区，其中，极高潜力区和高潜力区可作为该区金矿勘查工作的靶区。2.根据权利要求1所述的基于地质大数据的智能成矿预测方法，其特征在于，在数据处理中心对成矿潜力值计算的过程中，针对一个待预测单元，通过该预测单元中各一级地质因子数量求得一个相对应的预测值，所述数据处理中心根据各一级地质因子求得的相对应的预测值计算单个待测区域的潜力值；所述数据处理中心将地质类因子数据量记为A，将地球化学类因子数据量记为B，将地球物理类因子数据量记为C，数据处理中心根据A求得一个预测值Sa，根据B求得一个预测值Sb，根据C求得一个预测值Sc，数据处理中心通过积分制判定单个待测区域的潜力值，设定实际潜力值S＝α
×
Sa+β
×
Sb+γ
×
Sc，其中α为地质类因子的权重系数，β为地球化学类因子的权重系数，γ为地球物理类因子的权重系数。3.根据权利要求2所述的基于地质大数据的智能成矿预测方法，其特征在于，在所述数据处理中心计算单个待测区域的潜力值时，各一级地质因子对应的权重系数根据各一级地质因子的数据量进行选取；所述数据处理中心设有地质类因子数据量预设值A0、地球化学类因子数据量预设值B0以及地球物理类因子数据量预设值C0，针对地质类因子若A≤A0，对应的权重系数选取α0；若A＞A0，对应的权重系数选取α1，并根据对应的二级因子种类选取对应的权重调节系数调节α1；针对地球化学类因子若B≤B0，对应的权重系数选取β0；若B＞B0，对应的权重系数选取β1，并根据对应的三级因子种类选取对应的权重调节系数调节β1；针对地球物理类因子若C≤C0，对应的权重系数选取γ0；若C＞C0，对应的权重系数选取γ1。4.根据权利要求3所述的基于地质大数据的智能成矿预测方法，其特征在于，当地质类因子权重系数选取α1时，所述数据处理中心根据地质类因子对应的二级因子种类选取对应的权重调节系数调节权重值；所述数据处理中心将地层数据量记为A1、将构造数据量记为A2、将岩浆岩数据量记为A3，当A1最大时，所述数据处理中心选用e1调节α1，调节后记为α1
’
，α1
’
＝α1
×
e1；当A2最大时，所述数据处理中心采集构造因子相对应的各三级因子数据量并根据三级因子中各种类因子的数据量计算调节系数e2并将α1调节至对应值，调节后记为α1
’
，α1
’
＝α1
×
e2；当A3最大时，所述数据处理中心选用e3调节α1，调节后记为α1
’
，α1
’
＝α1
×
e3。5.根据权利要求4所述的基于地质大数据的智能成矿预测方法，其特征在于，当地质类因子对应的二级因子中构造数据量A2最大时，所述数据处理中心统计构造因子相对应的各三级因子的数据量，采用加权求和的方式确定e2；所述数据处理中心将NW向脆韧性断裂数据量记为a，将NE向脆性断裂数据量记为b，将断裂交汇部位数据量记为c，将背斜构造数据量记为d，数据处理中心根据各三级因子的数据量计算e2，设定e2＝fa
×
a+fb
×
b+fc
×
c+fd
×
d,其中fa、fb、fc、fd分别为NW向脆韧性断裂因子、NE向脆性断裂因子、断裂交汇部位因子、背斜构造因子的权重系数。6.根据权利要求5所述的基于地质大数据的智能成矿预测方法，其特征在于，在所述数据处理中心根据各三级因子的数据量计算e2时，各三级因子的权重系数根据各三级因子的数据量进行选取；所述数据处理中心设有NW向脆韧性断裂因子数据量预设值a0、NE向脆性断裂因子数据量预设值b0、断裂交汇部位因子数据量预设值c0以及背斜构造因...

【专利技术属性】
技术研发人员：付垒，张振凯，张文龙，杜彪，王晓瑶，张晨，段琛，武宇娟，张锌蕾，张敏，
申请(专利权)人：自然资源陕西省卫星应用技术中心，
类型：发明
国别省市：