楊明莉 薛林福** 冉祥金 桑學(xué)佳 燕群 戴均豪

1. 吉林大學(xué)地球科學(xué)學(xué)院，長春 1300612. 中國礦業(yè)大學(xué)，徐州 221116

近年來，以人工智能、大數(shù)據(jù)為代表的新一代信息技術(shù)高速發(fā)展，地球科學(xué)的定量化研究開啟了新階段(趙鵬大, 2015; Bariketal., 2019; Zuo and Xiong, 2018; 蔡惠慧等, 2019; 季斌等, 2018; Wu and Zhang, 2020; 吳永亮等, 2017; 張亞光等, 2019)。面對海量多元異構(gòu)的地學(xué)數(shù)據(jù)，傳統(tǒng)數(shù)學(xué)統(tǒng)計分析方法短板凸顯，智能化分析越來越成為研究熱點(李超嶺等, 2015; 周永章等, 2017, 2018; Holdenetal., 2019)。2018年1月5日，趙鵬大院士在接受《中國國土資源報》的采訪中指出，智能化是新時代地質(zhì)工作的新趨勢和新特征。翟明國等(2018)也強(qiáng)調(diào)，大數(shù)據(jù)驅(qū)動下的礦產(chǎn)資源預(yù)測系統(tǒng)，是智慧找礦的重要基礎(chǔ)。礦產(chǎn)地質(zhì)調(diào)查的自動化和智能化，也是礦產(chǎn)地質(zhì)調(diào)查方法、技術(shù)發(fā)展的必然趨勢(劉艷鵬等, 2020)。

礦產(chǎn)地質(zhì)調(diào)查經(jīng)歷了1:20萬礦產(chǎn)普查、成礦帶1:5萬礦產(chǎn)地質(zhì)調(diào)查等一系列發(fā)展階段(薛林福等, 2014)，隨著GIS、空間數(shù)據(jù)庫、地理信息分析技術(shù)在礦產(chǎn)地質(zhì)調(diào)查中的引入，數(shù)字化和自動化的礦產(chǎn)地質(zhì)調(diào)查及找礦預(yù)測取得了較多重要進(jìn)展(Chen, 2015; 李豐丹等, 2015; 劉艷鵬等, 2020; 吳永亮等, 2017; 于萍萍等, 2015; 周永章等, 2017)。

無人機(jī)(UAV)、人工智能、知識圖譜為代表的新技術(shù)、新方法為實現(xiàn)智能礦產(chǎn)地質(zhì)調(diào)查創(chuàng)造了環(huán)境(Lietal., 2020; Wangetal., 2018; 左仁廣, 2019)。已有學(xué)者利用人工智能(向杰等, 2019; 蔡惠慧等, 2019; Xiong and Zuo, 2021)實現(xiàn)了部分區(qū)域礦產(chǎn)資源的智能化預(yù)測評價。知識圖譜也成為了地學(xué)大數(shù)據(jù)應(yīng)用的有效智能工具(周永章等, 2020, 2021; 袁滿等, 2021)。無人機(jī)、機(jī)器人也被越來越多地運用到地質(zhì)信息的智能獲取領(lǐng)域(Funakietal., 2014; Sangetal., 2020)。5G技術(shù)為數(shù)據(jù)傳輸提供了高速通道。傳感器技術(shù)的發(fā)展為獲取高精度、高分辨率的多源礦產(chǎn)地質(zhì)數(shù)據(jù)提供了新的技術(shù)方法(胡杰和張琳, 2016)。集成電路，尤其是近年來手機(jī)等手持設(shè)備的發(fā)展為進(jìn)行礦產(chǎn)地質(zhì)調(diào)查大數(shù)據(jù)處理提供了方便的數(shù)據(jù)采集工具(Leeetal., 2018)。

但當(dāng)前礦產(chǎn)地質(zhì)調(diào)查仍無法克服許多實際困難與挑戰(zhàn)：積累的基礎(chǔ)地質(zhì)和礦產(chǎn)地質(zhì)資料利用率不夠，包括一些斷裂幾何形態(tài)與活動方式、地質(zhì)界面類型與分布等重要信息，對找礦預(yù)測支撐不足；大量基于文字的地質(zhì)數(shù)據(jù)和知識難以提取有效信息；缺乏超高分辨率、高精度的遙感、航磁等地質(zhì)調(diào)查數(shù)據(jù)；尚未構(gòu)建結(jié)構(gòu)功能完備的礦產(chǎn)地質(zhì)調(diào)查平臺及完整的礦產(chǎn)地質(zhì)調(diào)查生態(tài)系統(tǒng)。簡言之，歷史數(shù)據(jù)互聯(lián)的困難限制了找礦理論的普適性，既有數(shù)據(jù)挖掘的困難削弱了預(yù)測過程的健壯性，高精數(shù)據(jù)的匱乏制約了預(yù)測結(jié)果的精確性，地質(zhì)調(diào)查生態(tài)系統(tǒng)的欠缺則加劇了現(xiàn)有數(shù)據(jù)、理論、方法的孤立，導(dǎo)致智能化找礦工作仍然“各自為戰(zhàn)”，難以凝聚合力推動新時代礦產(chǎn)地質(zhì)調(diào)查方法的進(jìn)一步發(fā)展。類似“地球系統(tǒng)-成礦系統(tǒng)-勘查系統(tǒng)-預(yù)測評價系統(tǒng)”的找礦預(yù)測完整生態(tài)鏈已成為未來迫切需要解決的關(guān)鍵科學(xué)技術(shù)問題(周永章等, 2021)。

針對礦產(chǎn)地質(zhì)調(diào)查中面臨的具體問題，本文采用人工智能深度學(xué)習(xí)技術(shù)，提出一種新型礦產(chǎn)地質(zhì)調(diào)查智能化的生態(tài)系統(tǒng)基本框架，硬件上包括基于多種智能設(shè)備進(jìn)行數(shù)據(jù)采集、利用云計算架構(gòu)進(jìn)行數(shù)據(jù)的存儲，軟件上包括基于深度學(xué)習(xí)技術(shù)進(jìn)行多源異構(gòu)數(shù)據(jù)分析、基于知識圖譜和深度學(xué)習(xí)技術(shù)進(jìn)行找礦預(yù)測等，初步實現(xiàn)了“智能礦產(chǎn)地質(zhì)調(diào)查云平臺(簡稱為云平臺)”，提出了數(shù)據(jù)驅(qū)動與知識驅(qū)動相結(jié)合的找礦預(yù)測方法，集成了采用深度學(xué)習(xí)技術(shù)進(jìn)行地質(zhì)空間特征匹配找礦預(yù)測和基于知識圖譜進(jìn)行找礦預(yù)測的方法，并采用空間特征匹配找礦預(yù)測方法在甘肅大橋-崖灣地區(qū)進(jìn)行了找礦預(yù)測試點。

1 智能礦產(chǎn)地質(zhì)調(diào)查與智能礦產(chǎn)地質(zhì)調(diào)查系統(tǒng)

1.1 智能礦產(chǎn)地質(zhì)調(diào)查的概念

智能礦產(chǎn)地質(zhì)調(diào)查是基于人工智能等新一代信息技術(shù)的礦產(chǎn)地質(zhì)調(diào)查，在礦產(chǎn)地質(zhì)調(diào)查過程中能夠智能化地采集數(shù)據(jù)、分析數(shù)據(jù)，進(jìn)行成礦遠(yuǎn)景預(yù)測及深部找礦(Aknetal., 2010; Appleton and Ridgway, 1993; Bonham-Carteretal., 1988; Bugaetsetal., 1991; Butt, 2016; Casanaetal., 2014; Chen, 2015; Eberleetal., 2015; de Souza Filhoetal., 2007; Friedeletal., 2016; Gholamietal., 2011; Lietal., 2020; Al-Garni, 2010; Markwitzetal., 2016; Pereiraetal., 2015; Qiuetal., 2019; Rodriguez-Galianoetal., 2015; Maetal., 2007; Zuoetal., 2019)。智能礦產(chǎn)地質(zhì)調(diào)查將會推動礦產(chǎn)地質(zhì)調(diào)查與評價理論、方法和技術(shù)的重大變革，如：能夠優(yōu)化礦產(chǎn)地質(zhì)調(diào)查與評價流程，實時分析礦產(chǎn)地質(zhì)調(diào)查數(shù)據(jù)并進(jìn)行礦產(chǎn)資源動態(tài)評價；動態(tài)展示礦產(chǎn)地質(zhì)調(diào)查項目進(jìn)展的詳細(xì)情況；通過各種便攜式數(shù)據(jù)采集設(shè)備在野外采集大量高分辨率、高精度數(shù)據(jù)，與已有數(shù)據(jù)資料相結(jié)合，分析復(fù)雜的成礦地質(zhì)條件，靈敏地識別重要的找礦標(biāo)志，大幅增加礦產(chǎn)資源的發(fā)現(xiàn)幾率。

1.2 智能礦產(chǎn)地質(zhì)調(diào)查生態(tài)系統(tǒng)

智能礦產(chǎn)地質(zhì)調(diào)查生態(tài)系統(tǒng)是指與智能礦產(chǎn)地質(zhì)調(diào)查相關(guān)的智能數(shù)據(jù)采集設(shè)備、應(yīng)用(APP)、用戶、標(biāo)準(zhǔn)、規(guī)范、云平臺等組成部分及相互關(guān)系構(gòu)成的完整系統(tǒng)(圖1)。構(gòu)建礦產(chǎn)地質(zhì)調(diào)查生態(tài)系統(tǒng)對完善礦產(chǎn)地質(zhì)調(diào)查流程，提高礦產(chǎn)地質(zhì)調(diào)查的效率與效果具有十分重要的意義。通過平臺數(shù)據(jù)管理，可以積累數(shù)據(jù)，數(shù)據(jù)量越大越有利于提高智能找礦預(yù)測的可靠性。不斷積累數(shù)據(jù)、完善找礦預(yù)測模型、APP、數(shù)據(jù)采集工具等，形成系統(tǒng)完備的智能礦產(chǎn)地質(zhì)調(diào)查體系，能夠快速、高效、精準(zhǔn)地進(jìn)行礦產(chǎn)地質(zhì)調(diào)查與評價。

圖1 智能礦產(chǎn)地質(zhì)調(diào)查生態(tài)系統(tǒng)的組成及相互關(guān)系Fig.1 Composition and relationship of intelligent mineral geological survey ecosystem

智能礦產(chǎn)地質(zhì)調(diào)查生態(tài)系統(tǒng)的核心是云平臺。各種智能數(shù)據(jù)采集設(shè)備可以通過網(wǎng)絡(luò)向云平臺傳輸數(shù)據(jù)，平臺對數(shù)據(jù)進(jìn)行智能分析，并向礦產(chǎn)地質(zhì)調(diào)查人員和管理者提供礦產(chǎn)地質(zhì)信息。智能礦產(chǎn)地質(zhì)調(diào)查是在“地質(zhì)云”這一云平臺的基礎(chǔ)上設(shè)計開發(fā)的，充分利用地質(zhì)云現(xiàn)有的硬件資源與軟件接口，接收并存儲各種智能數(shù)據(jù)采集設(shè)備收集的數(shù)據(jù)資源。用戶通過手機(jī)或桌面APP與平臺交互，如用戶拍攝一張蝕變巖的照片上傳到平臺，平臺的智能識別系統(tǒng)可以給出蝕變巖的名稱、描述及成礦意義等方面的信息，或用戶上傳一個地區(qū)的地質(zhì)、物探、化探、遙感等方面的資料，平臺的智能找礦預(yù)測系統(tǒng)將對研究區(qū)進(jìn)行智能找礦預(yù)測，給出預(yù)測遠(yuǎn)景區(qū)和勘探靶區(qū)。

2 智能礦產(chǎn)地質(zhì)調(diào)查流程

智能礦產(chǎn)地質(zhì)調(diào)查與現(xiàn)有礦產(chǎn)地質(zhì)調(diào)查的流程基本一致，主要包括預(yù)研究、野外工作、找礦預(yù)測、驗證四個階段，但前者更強(qiáng)調(diào)工作流程的自動智能、水平，包括工作流程各階段與云平臺的深度耦合、野外現(xiàn)場的無人機(jī)智能數(shù)據(jù)采集、面向多源異構(gòu)大數(shù)據(jù)的智能分析算法等。

預(yù)研究階段的工作步驟為：(1)資料收集與整理，在云平臺上建立數(shù)據(jù)庫；(2)通過智能地質(zhì)分析提取地質(zhì)、物探、化探、遙感資料中成礦地質(zhì)要素與找礦標(biāo)志，發(fā)現(xiàn)各種地質(zhì)要素與已知礦床(點)的相互關(guān)系，揭示隱藏的成礦規(guī)律；(3)采用智能找礦預(yù)測系統(tǒng)圈定重點找礦工作區(qū)；(4)部署野外地質(zhì)、物探、化探工作。

野外工作階段的主要工作步驟為：(1)采用無人機(jī)進(jìn)行遙感、航磁、能譜等方面的數(shù)據(jù)采集；(2)地質(zhì)點觀察、實測剖面、大比例尺填圖；(3)對新獲取的資料進(jìn)行整理，按照統(tǒng)一的數(shù)據(jù)格式輸入到云平臺的數(shù)據(jù)庫。

找礦預(yù)測階段的主要工作步驟為：(1)采用云平臺的智能數(shù)據(jù)分析功能進(jìn)行成礦要素相關(guān)性分析和成礦規(guī)律分析；(2)采用平臺的智能找礦預(yù)測功能進(jìn)行找礦遠(yuǎn)景預(yù)測和勘探靶區(qū)圈定。

驗證階段的主要工作步驟是采用平臺的找礦靶區(qū)優(yōu)選功能篩選出最有利的找礦目標(biāo)區(qū)進(jìn)行驗證工作，如對重點地區(qū)進(jìn)行高分辨率物探、化探測量，對可靠的找礦目標(biāo)進(jìn)行鉆探驗證。

3 智能礦產(chǎn)地質(zhì)調(diào)查方法

智能礦產(chǎn)地質(zhì)調(diào)查技術(shù)體系主要由智能數(shù)據(jù)采集子系統(tǒng)、智能數(shù)據(jù)管理子系統(tǒng)、智能數(shù)據(jù)分析子系統(tǒng)、智能找礦預(yù)測子系統(tǒng)、智能繪圖與可視化子系統(tǒng)、礦產(chǎn)地質(zhì)調(diào)查云平臺、技術(shù)標(biāo)準(zhǔn)等部分組成(圖1)。

3.1 智能數(shù)據(jù)采集與管理方法

礦產(chǎn)地質(zhì)調(diào)查過程中，多種儀器、設(shè)備、軟件系統(tǒng)被用來獲得多元數(shù)據(jù)。在智能礦產(chǎn)地質(zhì)調(diào)查體系中，利用無人飛機(jī)、無人車、無人船等作為運載工具，搭載各種儀器，如微型光譜、磁、能譜等信息采集系統(tǒng)，來獲取礦產(chǎn)地質(zhì)基礎(chǔ)大數(shù)據(jù)，智能采集樣品，形成智能化地數(shù)據(jù)采集體系。

以無人機(jī)為平臺的礦產(chǎn)地質(zhì)數(shù)據(jù)采集系統(tǒng)是礦產(chǎn)地質(zhì)數(shù)據(jù)智能采集的重要發(fā)展方向。在地形高差起伏大的地區(qū)，無人機(jī)可以被用來進(jìn)行剖面掃描，獲取地質(zhì)信息：

(1)地質(zhì)露頭影像。在勘查區(qū)域利用無人機(jī)采集地質(zhì)露頭影像數(shù)據(jù)，于內(nèi)業(yè)環(huán)境中分析并識別地質(zhì)露頭的找礦標(biāo)志信息，如礦化、蝕變等；

(2)剖面掃描數(shù)據(jù)。根據(jù)設(shè)定剖面的范圍，自動掃描剖面，采集數(shù)據(jù)(如光學(xué)影像、光譜、地磁、伽瑪能譜等)；

(3)終端實時智能識別。利用訓(xùn)練好的智能識別模型于數(shù)據(jù)采集時完成地質(zhì)對象的異常識別，包括礦化異常、光學(xué)異常、光譜異常、地球物理異常，從而輔助數(shù)據(jù)采集方案決策。

除此之外，智能數(shù)據(jù)管理能夠降低數(shù)據(jù)管理的復(fù)雜性，根據(jù)需求自動從數(shù)據(jù)庫中提取數(shù)據(jù)、自動進(jìn)行數(shù)據(jù)格式和坐標(biāo)系變換等。

3.2 智能礦產(chǎn)地質(zhì)數(shù)據(jù)分析方法

智能礦產(chǎn)地質(zhì)調(diào)查數(shù)據(jù)分析包括：基于地質(zhì)圖或空間數(shù)據(jù)庫提取找礦預(yù)測信息；基于礦產(chǎn)地質(zhì)調(diào)查數(shù)據(jù)和資料的智能集成與分析技術(shù)；超高分辨率無人機(jī)遙感影像智能分析技術(shù)；物探、化探、遙感等資料智能分析技術(shù)；智能綜合礦產(chǎn)地質(zhì)分析技術(shù)；智能三維建模技術(shù)等。

3.2.1 智能礦產(chǎn)地質(zhì)數(shù)據(jù)分析方法

區(qū)域礦產(chǎn)地質(zhì)調(diào)查成果主要以礦產(chǎn)地質(zhì)圖形式表示。根據(jù)地質(zhì)圖每個地質(zhì)單元的屬性信息(時代、巖性描述、含礦性等)和地質(zhì)報告資料，采用BERT(Bidirectional Encoder Representation from Transformers)等自然語言處理(Natural Language Process, NLP)神經(jīng)網(wǎng)絡(luò)架構(gòu)將文本資料等非結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)換為計算機(jī)能夠計算的數(shù)值數(shù)據(jù)。

(1)智能成礦地質(zhì)體分析：分析地質(zhì)體的成因、巖相古地理背景、構(gòu)造環(huán)境、建造類型等，識別成礦地質(zhì)體的類型。

(2)智能成礦構(gòu)造分析：主要包括：①斷裂幾何形態(tài)與斷裂之間的相互關(guān)系分析，識別有利成礦的部位，識別斷裂成礦構(gòu)造系統(tǒng)。②分析褶皺構(gòu)造的幾何學(xué)、規(guī)模、運動學(xué)特征及其與巖脈、礦體、蝕變作用的關(guān)系，分析褶皺與成礦的關(guān)系。③進(jìn)行成礦構(gòu)造和控巖構(gòu)造智能分析。

(3)智能成礦地質(zhì)界面分析：基于研究區(qū)的空間數(shù)據(jù)庫，以地質(zhì)圖上的弧段(地質(zhì)界面)為基本分析單元，根據(jù)弧段兩側(cè)地質(zhì)體的巖性描述，用NLP技術(shù)識別地質(zhì)界面類型，判斷地質(zhì)界面是否是成礦地質(zhì)界面以及成礦地質(zhì)界面的類型。

(4)智能成礦作用標(biāo)志篩選：采用NLP、無監(jiān)督聚類等大數(shù)據(jù)分析方法，通過對所有疑似成礦作用地質(zhì)標(biāo)志與成礦地質(zhì)體和礦體的關(guān)聯(lián)分析篩選出成礦作用特征標(biāo)志。

3.2.2 智能物探、化探數(shù)據(jù)分析方法

智能物探數(shù)據(jù)分析方法是基于深度學(xué)習(xí)網(wǎng)絡(luò)，如卷積神經(jīng)網(wǎng)絡(luò)(CNN)、生成對抗網(wǎng)絡(luò)(GAN)、自動編碼解碼器網(wǎng)絡(luò)(AE)，以非震地球物理數(shù)據(jù)為輸入源，智能解釋數(shù)據(jù)中隱含的斷裂、隱伏巖體、隱伏地質(zhì)界面、隱伏成礦地質(zhì)體信息。

智能化探數(shù)據(jù)分析算法則是基于CNN、Mate-learning(元學(xué)習(xí))的化探智能分析方法。以目前流行的各種不同的深度學(xué)習(xí)模型，進(jìn)行改造，適配網(wǎng)格化后的化探數(shù)據(jù)，識別弱小異常、圈定地球化學(xué)異常，分析地球化學(xué)異常空間結(jié)構(gòu)，從而圈定找礦遠(yuǎn)景區(qū)。

3.2.3 智能遙感數(shù)據(jù)分析方法

遙感數(shù)據(jù)是地質(zhì)數(shù)據(jù)中常見的大數(shù)據(jù)，通過分析遙感異常，可以用來解釋地質(zhì)構(gòu)造現(xiàn)象、分析地質(zhì)問題。通過將遙感數(shù)據(jù)進(jìn)行切片，建立遙感地質(zhì)解釋數(shù)據(jù)集，包括斷裂構(gòu)造解釋數(shù)據(jù)集、環(huán)形構(gòu)造解譯數(shù)據(jù)集，利用深度學(xué)習(xí)算法進(jìn)行有監(jiān)督或無監(jiān)督學(xué)習(xí)，從而實現(xiàn)智能遙感地質(zhì)解譯。

3.3 智能找礦預(yù)測方法

當(dāng)前基于數(shù)據(jù)驅(qū)動(或科學(xué))的礦產(chǎn)資源定量預(yù)測是一種在地質(zhì)大數(shù)據(jù)的基礎(chǔ)上，結(jié)合地質(zhì)理論和數(shù)學(xué)模型進(jìn)行礦產(chǎn)資源的定量預(yù)測過程(陳建平等, 2005; 于萍萍等, 2015; 王懷濤等, 2018)。近年來，基于機(jī)器學(xué)習(xí)的礦產(chǎn)資源預(yù)測方法也被越來越多的學(xué)者所研究，逐漸成為當(dāng)前礦產(chǎn)資源預(yù)測研究的熱點(向杰等, 2019; 蔡惠慧等, 2019)。

智能找礦預(yù)測包括知識驅(qū)動、數(shù)據(jù)驅(qū)動或綜合預(yù)測三種途徑，本文分別采用人工智能深度學(xué)習(xí)技術(shù)(蔡惠慧等, 2019; Xiong and Zuo, 2021)，匹配地質(zhì)空間特征進(jìn)行找礦預(yù)測，實現(xiàn)了數(shù)據(jù)驅(qū)動的找礦預(yù)測方法，采用知識圖譜技術(shù)(周永章等, 2020, 2021; 袁滿等, 2021)，構(gòu)建了西秦嶺典型礦床的知識圖譜進(jìn)行找礦預(yù)測，實現(xiàn)了知識驅(qū)動的找礦預(yù)測方法。

此外，本文結(jié)合數(shù)據(jù)和知識驅(qū)動進(jìn)行綜合預(yù)測，通過深度學(xué)習(xí)技術(shù)識別礦產(chǎn)地質(zhì)調(diào)查大數(shù)據(jù)的特征，結(jié)合礦床模型知識圖譜研究推理引擎，提出了知識驅(qū)動與數(shù)據(jù)驅(qū)動相結(jié)合的找礦預(yù)測方法實現(xiàn)方案。

3.3.1 地質(zhì)空間特征匹配找礦預(yù)測方法

地質(zhì)空間特征匹配找礦預(yù)測方法是一種基于地質(zhì)類比思想開發(fā)的數(shù)據(jù)驅(qū)動的智能找礦預(yù)測方法?？梢圆捎枚喾N方法實現(xiàn)地質(zhì)特征匹配找礦預(yù)測，其中一種實現(xiàn)方法是：(1)采用相同范圍、相同網(wǎng)格單元大小對研究區(qū)的地質(zhì)、物探、化探、遙感數(shù)據(jù)進(jìn)行網(wǎng)格化；(2)采用深度自編碼神經(jīng)網(wǎng)絡(luò)(AE)進(jìn)行特征提取；(3)根據(jù)第(2)步所提取的特征，采用高斯混合模型(GMM)進(jìn)行空間聚類；(4)根據(jù)已知礦床(點)所在位置，確定其所屬類別；(5)在礦床(點)所在類別中，選取一定比例(如30%)的數(shù)據(jù)點作為訓(xùn)練數(shù)據(jù)和驗證數(shù)據(jù)，優(yōu)先選擇靠近已知礦床(點)的數(shù)據(jù)；(6)用選取的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)和驗證數(shù)據(jù)，訓(xùn)練和驗證最近鄰網(wǎng)絡(luò)(KNN)模型，選擇最優(yōu)的K值；(7)用訓(xùn)練好的模型對研究區(qū)每個網(wǎng)格單元進(jìn)行預(yù)測，得到預(yù)測結(jié)果(圖2)。

圖2 地質(zhì)特征匹配找礦預(yù)測方法Fig.2 Prospecting prediction method based on geological feature matching

圖3 基于知識圖譜的智能找礦預(yù)測方法Fig.3 Intelligent prospecting prediction method based on Knowledge Graph

3.3.2 基于知識圖譜的智能找礦預(yù)測方法

知識圖譜是Google公司2012年提出的，最初應(yīng)用于其搜索業(yè)務(wù)，后逐漸推廣應(yīng)用到社交網(wǎng)絡(luò)、醫(yī)療、金融等其他領(lǐng)域，在地質(zhì)領(lǐng)域的研究處于起步階段。知識圖譜能夠以語義網(wǎng)絡(luò)的方式表示礦產(chǎn)地質(zhì)領(lǐng)域知識和區(qū)域礦產(chǎn)地質(zhì)知識，通?；诘刭|(zhì)報告、研究報告、論文等半結(jié)構(gòu)化或非結(jié)構(gòu)化資料，構(gòu)建礦產(chǎn)地質(zhì)知識圖譜(周永章等, 2020, 2021; 袁滿等, 2021)。礦產(chǎn)地質(zhì)領(lǐng)域知識是長期研究總結(jié)得出的一般性規(guī)律和知識，如成礦理論、找礦模型等。區(qū)域礦產(chǎn)地質(zhì)知識是指在具體研究區(qū)所獲取的知識，如大橋-崖灣地區(qū)的金礦(點)主要產(chǎn)于三疊系滑石關(guān)組，金礦與硅化角礫巖密切相關(guān)等知識。

基于知識圖譜的找礦預(yù)測方法是以礦產(chǎn)地質(zhì)知識圖譜及區(qū)域礦產(chǎn)地質(zhì)知識圖譜為基礎(chǔ)，采用鏈路預(yù)測、中心性計算、社區(qū)發(fā)現(xiàn)、相似度計算等知識圖譜分析方法進(jìn)行知識推理，發(fā)現(xiàn)地質(zhì)要素與成礦作用的關(guān)聯(lián)關(guān)系，挖掘隱藏的成礦地質(zhì)規(guī)律與模式，發(fā)現(xiàn)有利的成礦空間位置、成礦時間、成礦物質(zhì)和成礦能量供給條件，預(yù)測可能的成礦位置，確定有利找礦區(qū)或找礦靶區(qū)(圖3)。

圖4 數(shù)據(jù)驅(qū)動與知識驅(qū)動相結(jié)合的智能找礦預(yù)測方法Fig.4 Intelligent prospecting prediction method based on data and knowledge

基于知識圖譜的找礦預(yù)測主要通過知識匹配和路徑推理進(jìn)行預(yù)測總結(jié)，該方法的實質(zhì)是比較已知礦床和礦床模型的知識圖譜與擬預(yù)測位置的知識圖譜的相似性。如果擬預(yù)測位置的知識圖譜與已知礦床模型的知識圖譜的節(jié)點、節(jié)點屬性、關(guān)系具有一致性，則該擬預(yù)測位置的成礦條件越好，成礦和找礦的可能性越大。根據(jù)地質(zhì)圖、研究報告、論文、實測物探和化探數(shù)據(jù)獲取擬預(yù)測位置的礦產(chǎn)地質(zhì)信息，形成擬預(yù)測位置的知識圖譜，并與礦床模型的知識圖譜的屬性與關(guān)系進(jìn)行匹配。屬性匹配是指如果礦床模型與擬預(yù)測位置的知識圖譜具有相同類型的節(jié)點(如蝕變類型)，且蝕變類型是相同的(如均為黃鐵礦化)，則表明礦床模型的知識圖譜的節(jié)點與擬預(yù)測位置的節(jié)點是匹配的。關(guān)系匹配是指礦床模型與擬預(yù)測位置之間具有相同的節(jié)點與節(jié)點的關(guān)系，如礦床與斷裂的關(guān)系及擬預(yù)測位置與斷裂的關(guān)系均為位于斷裂交匯部位。基于知識圖譜的找礦預(yù)測方法的最大優(yōu)勢是能夠比較礦床模型和擬預(yù)測位置相關(guān)地質(zhì)要素之間的復(fù)雜相互關(guān)系。

基于知識圖譜找礦預(yù)測的流程為：通過相同標(biāo)簽篩選節(jié)點，采用中心性算法計算中心節(jié)點；通過鏈路預(yù)測算法預(yù)測中心節(jié)點的路徑，并結(jié)合隨機(jī)游走算法增加路徑的多樣性，以增強(qiáng)預(yù)測路徑樣本多樣性；通過社區(qū)發(fā)現(xiàn)算法計算各路徑基于關(guān)系復(fù)雜度的聚類，篩選含多向傳遞性和定向性的節(jié)點；通過相似度算法計算路徑的相似度，篩選最佳路徑，配比優(yōu)選路徑各節(jié)點的屬性信息，預(yù)測有利找礦位置(圖3)。

3.3.3 數(shù)據(jù)驅(qū)動與知識驅(qū)動相結(jié)合的智能找礦預(yù)測方法

綜合數(shù)據(jù)驅(qū)動與知識驅(qū)動進(jìn)行找礦預(yù)測。該方法結(jié)合特征匹配、特征分析、知識圖譜、推理預(yù)測，融合多種類型數(shù)據(jù)進(jìn)行找礦預(yù)測。在知識圖譜的基礎(chǔ)上，采用推理引擎智能分析礦床特征、成礦規(guī)律、礦床成因，并在此基礎(chǔ)上進(jìn)行找礦預(yù)測(圖4)。

4 智能礦產(chǎn)地質(zhì)調(diào)查云平臺

在已有找礦預(yù)測理論和方法的基礎(chǔ)上，采用云計算架構(gòu)，集成大數(shù)據(jù)和人工智能找礦預(yù)測方法，建立智能礦產(chǎn)地質(zhì)調(diào)查云平臺，提供一個以人工智能技術(shù)為核心的，具有感知-分析-預(yù)測-決策強(qiáng)大功能、簡單易用及高度靈活和可擴(kuò)展的系統(tǒng)平臺，實現(xiàn)精準(zhǔn)和高效的礦產(chǎn)資源調(diào)查與評價，實現(xiàn)勘查過程精細(xì)管理、智能數(shù)據(jù)分析、多尺度智能礦產(chǎn)資源預(yù)測、社會化信息服務(wù)等功能，為實現(xiàn)智能礦產(chǎn)地質(zhì)調(diào)查搭建基礎(chǔ)平臺。

智能礦產(chǎn)地質(zhì)調(diào)查云平臺是智能礦產(chǎn)地質(zhì)調(diào)查生態(tài)系統(tǒng)的核心組件，主要提供數(shù)據(jù)存儲、數(shù)據(jù)分析、找礦預(yù)測、可視化等核心功能。該平臺能夠利用礦產(chǎn)地質(zhì)調(diào)查所獲得的數(shù)據(jù)，集成新一代基于大數(shù)據(jù)和人工智能的找礦預(yù)測方法進(jìn)行找礦預(yù)測，形成智能礦產(chǎn)地質(zhì)調(diào)查與找礦預(yù)測產(chǎn)品服務(wù)體系(圖5)。

圖5 智能礦產(chǎn)地質(zhì)調(diào)查云平臺架構(gòu)圖短虛線部分為近期即將上線的功能，點虛線為平臺遠(yuǎn)景規(guī)劃的功能Fig.5 Architecture of intelligent mineral geological survey cloud platform

圖5描述了智能礦產(chǎn)地質(zhì)調(diào)查云平臺的整體架構(gòu)，涵蓋了智能礦產(chǎn)地質(zhì)調(diào)查的多個方面。主要提供的服務(wù)與功能包含：基于深度學(xué)習(xí)技術(shù)分析物探數(shù)據(jù)，實現(xiàn)了智能物探解釋；應(yīng)用深度自編碼神經(jīng)網(wǎng)絡(luò)結(jié)合高斯混合模型實現(xiàn)了化探異常智能圈定；通過對地質(zhì)要素矢量化實現(xiàn)了智能地質(zhì)分析等智能數(shù)據(jù)分析功能；通過改造后的KNN、孿生網(wǎng)絡(luò)等深度學(xué)習(xí)模型，實現(xiàn)了遠(yuǎn)景預(yù)測和靶區(qū)圈定等智能礦產(chǎn)資源發(fā)現(xiàn)服務(wù)；基于NLP實現(xiàn)了自然資源知識問答功能等；基于Hadoop、深度學(xué)習(xí)、知識圖譜等技術(shù)已經(jīng)實現(xiàn)了智能數(shù)據(jù)分析、智能礦產(chǎn)資源發(fā)現(xiàn)、知識問答等服務(wù)層，以及三維建模、深部找礦預(yù)測、搜索與查詢、智能礦產(chǎn)地質(zhì)分析、二維可視化、三維可視化等應(yīng)用層功能。

不同于地質(zhì)云平臺現(xiàn)有的功能，智能礦產(chǎn)地質(zhì)調(diào)查云平臺不僅提供數(shù)據(jù)的智能采集功能，而且實現(xiàn)了基于礦產(chǎn)地質(zhì)調(diào)查大數(shù)據(jù)的多種數(shù)據(jù)分析功能，并提供了智能的找礦預(yù)測服務(wù)，為智能礦產(chǎn)地質(zhì)調(diào)查生態(tài)提供了基礎(chǔ)的環(huán)境及智能化平臺。

智能礦產(chǎn)地質(zhì)調(diào)查云平臺以CentOS操作系統(tǒng)為基礎(chǔ)，基于微服務(wù)架構(gòu)，采用ArcGIS地圖服務(wù)器對地理底圖、地質(zhì)圖、成礦規(guī)律圖、建造構(gòu)造圖等圖件進(jìn)行展示，以JavaScript、Node.js、JSON、XML、HTML為前端開發(fā)語言，以Java、Python為服務(wù)器端開發(fā)語言，使用Oracle、PostGIS等進(jìn)行空間數(shù)據(jù)庫管理，用MongoDB進(jìn)行半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)管理。整體來說，云平臺由大數(shù)據(jù)分布式存儲子系統(tǒng)、數(shù)據(jù)接入子系統(tǒng)、數(shù)據(jù)分析子系統(tǒng)、找礦預(yù)測子系統(tǒng)4個部分組成(圖5)。

(1)大數(shù)據(jù)分布式存儲子系統(tǒng)

平臺將存儲海量的全國礦產(chǎn)地質(zhì)調(diào)查異構(gòu)數(shù)據(jù)，不僅包括物探、化探、遙感、鉆孔等結(jié)構(gòu)化數(shù)據(jù)，還包括地質(zhì)報告、專著、論文等非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)，也包括地質(zhì)圖、勘探線剖面圖、實測剖面圖、野外照片等圖形圖像數(shù)據(jù)，數(shù)據(jù)格式和內(nèi)容都非常復(fù)雜。為了滿足所有數(shù)據(jù)的存儲、管理以及對外共享的要求，平臺針對結(jié)構(gòu)化數(shù)據(jù)采用傳統(tǒng)的SQL型數(shù)據(jù)庫，針對非結(jié)構(gòu)化數(shù)據(jù)采用基于Hadoop分布式文件系統(tǒng)(HDFS)架構(gòu)的分布式文檔數(shù)據(jù)庫來進(jìn)行數(shù)據(jù)的高效存儲。本子系統(tǒng)主要提供信息查詢與統(tǒng)計分析功能，包含礦產(chǎn)地質(zhì)信息查詢、勘查區(qū)及項目查詢、礦產(chǎn)勘查工作量查詢、統(tǒng)計查詢與可視化等。

(2)數(shù)據(jù)接入子系統(tǒng)

主要包括離線采集、實時采集、網(wǎng)絡(luò)采集三種數(shù)據(jù)采集方式。離線采集主要實現(xiàn)從分布式數(shù)據(jù)庫采集礦產(chǎn)資源信息的功能。實時采集主要實現(xiàn)對各種類型的實時數(shù)據(jù)的采集，例如野外地質(zhì)路線觀察點信息(如照片、視頻、描述、產(chǎn)狀測量、物性測量等)、物探采樣點位置、化探采樣點位置、無人機(jī)影像、光譜測量、能譜測量等。網(wǎng)絡(luò)采集則是采用網(wǎng)絡(luò)爬蟲技術(shù)從網(wǎng)絡(luò)資源中獲取礦產(chǎn)資源相關(guān)信息。

圖6 甘肅大橋-崖灣礦集區(qū)重點研究區(qū)地質(zhì)簡圖(a)大地構(gòu)造分區(qū)；(b)主要地質(zhì)體；(c)研究區(qū)地質(zhì)圖. 1-第四系砂礫石層、殘坡積以及風(fēng)成黃土；2-新近紀(jì)甘肅群紅色泥巖夾砂礫巖；3-白堊系雞山組紫紅色礫巖；4-侏羅系龍家溝組鈣質(zhì)礫巖；5-三疊系大河壩組砂板巖；6-三疊系滑石關(guān)組二段灰?guī)r；7-三疊系滑石關(guān)組一段角礫狀灰?guī)r；8-石炭系岷河組灰?guī)r；9-泥盆系黃家溝組一段鈣質(zhì)板巖；10-泥盆系黃家溝組二段灰?guī)r；11-泥盆系黃家溝組三段千枚巖；12-泥盆系紅嶺山組灰?guī)r千枚巖互層；13-志留系白龍江群灰板巖；14-巖體；15-礦床；16-斷裂Fig.6 Geological maps of key research area in Daqiao-Yawan ore concentration area, Gansu Province

(3)數(shù)據(jù)分析子系統(tǒng)

數(shù)據(jù)分析子系統(tǒng)主要提供礦產(chǎn)地質(zhì)數(shù)據(jù)處理與分析服務(wù)。利用多種分析引擎，如數(shù)據(jù)挖掘、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等，對多源數(shù)據(jù)進(jìn)行處理與分析。主要包含：①區(qū)域地質(zhì)圖智能分析功能，可以挖掘地質(zhì)圖中所包含的礦產(chǎn)地質(zhì)信息。②重磁數(shù)據(jù)找礦信息智能提取功能，可以對控礦斷裂、硅鈣面、地質(zhì)體接觸界面、隱伏巖體等成礦地質(zhì)信息提取；揭示重要地質(zhì)界面三維空間展布、含礦地質(zhì)體的深部發(fā)育狀況。③地球化學(xué)異常智能提取。④遙感找礦信息智能提取，包括斷裂構(gòu)造、蝕變帶等信息提取。⑤基于高分辨率無人機(jī)影像的成礦地質(zhì)要素分析和找礦標(biāo)志識別，主要包括蝕變帶識別(位置、色調(diào)、蝕變類型、蝕變帶分布等)；在無人機(jī)三維模型的基礎(chǔ)上，提取主要地質(zhì)界面(層面、斷裂)的產(chǎn)狀要素，進(jìn)行精細(xì)控礦構(gòu)造解析。

(4)找礦預(yù)測子系統(tǒng)

系統(tǒng)集成一系列找礦預(yù)測方法，主要包括：地質(zhì)特征匹配找礦預(yù)測方法、基于知識圖譜的智能找礦預(yù)測方法、數(shù)據(jù)驅(qū)動與知識驅(qū)動相結(jié)合的智能找礦預(yù)測方法、基于三維地質(zhì)模型的深部找礦預(yù)測方法。通過多源礦產(chǎn)地質(zhì)調(diào)查數(shù)據(jù)，利用最適合的找礦預(yù)測方法進(jìn)行找礦預(yù)測分析，繪制預(yù)測區(qū)的找礦遠(yuǎn)景區(qū)，為后續(xù)的礦產(chǎn)地質(zhì)詳查提供依據(jù)。

智能礦產(chǎn)地質(zhì)調(diào)查云平臺采用云計算架構(gòu)，可伸縮性強(qiáng)，可隨數(shù)據(jù)的增加彈性增加存儲、計算等資源。同時，由于大量的原始數(shù)據(jù)存儲在地質(zhì)云空間中，數(shù)據(jù)的安全性及保密性可得到保障。智能礦產(chǎn)地質(zhì)調(diào)查云平臺在數(shù)據(jù)分析和找礦預(yù)測方面充分利用了人工智能技術(shù)，大量減輕了人工作業(yè)的負(fù)擔(dān)，同時找礦預(yù)測技術(shù)所圈定的找礦異常區(qū)可大幅減少野外工作量，將有限的資金用于更有效的找礦工作中，不僅加快了找礦進(jìn)程，而且減少了找礦成本，能夠為當(dāng)前的找礦突破戰(zhàn)略提供技術(shù)方法和手段。

5 智能礦產(chǎn)地質(zhì)調(diào)查方法在甘肅大橋-崖灣地區(qū)的應(yīng)用

5.1 甘肅大橋-崖灣地區(qū)區(qū)域地質(zhì)背景

甘肅大橋-崖灣地區(qū)橫跨中秦嶺陸緣盆地和澤庫前陸盆地、南秦嶺陸緣裂谷三個Ⅲ級構(gòu)造單元(圖6b)。

甘肅大橋-崖灣地區(qū)地層以合作-岷縣-江洛區(qū)域性斷裂為界，北部地層屬華北地層大區(qū)秦祁昆地層區(qū)東昆侖-中秦嶺地層分區(qū)中秦嶺地層小區(qū)，位于研究區(qū)西北部；南部地層隸屬于華南地層大區(qū)南秦嶺-大別山地層區(qū)迭部-旬陽地層分區(qū)南秦嶺地層小區(qū)，為區(qū)內(nèi)的主體。研究區(qū)中秦嶺地層小區(qū)僅出露晚古生界泥盆系西漢水群，南秦嶺地層小區(qū)地層出露較完整，古生界、中生界、新生界均有出露。

研究區(qū)侵入巖出露較少，且出露規(guī)模較小。研究區(qū)西部主要見有小金廠印支期角閃石英閃長巖體和廟轉(zhuǎn)子印支期花崗閃長巖。研究區(qū)東北部出露牛兒坪細(xì)粒二長花崗巖巖株，呈北東-南西向的葫蘆狀展布，侵位于三疊紀(jì)滑石關(guān)組灰?guī)r、板巖及砂巖中，出露長約1070m，寬約60～250m，面積0.13km2，該巖株南東局部被新近紀(jì)砂礫巖覆蓋。大橋金礦區(qū)花崗閃長巖脈較發(fā)育，一般長約20～280m，寬4～30m，走向以NE向為主，呈透鏡狀產(chǎn)出。巖脈多沿三疊系順層侵入，有多條巖脈沿著硅化巖層侵入，巖石致密，被強(qiáng)烈硅化，局部可見有含有硫化物的硅化細(xì)脈穿插其中。花崗閃長(斑)巖脈的LA-ICP-MS鋯石U-Pb測年結(jié)果在207.0±1.5Ma～215.0±1.2Ma之間(陜亮等, 2016)，為印支期晚期巖漿活動的產(chǎn)物。區(qū)內(nèi)巖漿活動與金礦成礦關(guān)系密切，為金礦的成礦地質(zhì)體。

研究區(qū)處于秦嶺褶皺系西段，褶皺構(gòu)造較為發(fā)育。北部中秦嶺構(gòu)造帶褶皺規(guī)模較大，并發(fā)育次級背、向斜及小規(guī)模的層間褶曲，軸面劈理、板(層)劈理較發(fā)育，大部分板劈理面與層面平行。在空間分布上，東南部南秦嶺構(gòu)造帶，由于所處構(gòu)造單元不同，褶皺構(gòu)造發(fā)育程度、組合面貌等不盡一致。

研究區(qū)斷裂構(gòu)造較發(fā)育，發(fā)育大小不等的斷層共有664條，其中規(guī)模較大的斷裂有2條。斷裂走向以北東向為主，其次為近東西向。其中北東向斷裂發(fā)育，且規(guī)模大、延伸遠(yuǎn)，并向北東方向收斂，在平面上具帚狀構(gòu)造特征。

甘肅大橋-崖灣地區(qū)是重要的金礦成礦區(qū)，主要有大橋超大型金礦、安房壩中型金礦、飲馬河小型金礦等3個巖漿熱液型金礦床及20處金礦點，金礦床及部分金礦點如表1所示。大橋金礦為研究區(qū)的典型礦床，其發(fā)育與三疊系滑石關(guān)組硅化角礫巖密切相關(guān)。

5.2 智能找礦預(yù)測方法與結(jié)果

按照智能礦產(chǎn)地質(zhì)調(diào)查流程(見章節(jié)2)，對大橋-崖灣地區(qū)分別進(jìn)行了預(yù)研究、野外工作、找礦預(yù)測和驗證工作，以圈定預(yù)測區(qū)。

5.2.1 預(yù)研究

在收集整理大橋-崖灣地區(qū)1:5萬礦產(chǎn)地質(zhì)調(diào)查、1:5萬化探和1:5萬航磁資料的基礎(chǔ)上，建立了多源數(shù)據(jù)空間數(shù)據(jù)庫。大橋-崖灣地區(qū)的找礦預(yù)測主要基于1:5萬礦產(chǎn)地質(zhì)資料，及Ag、As、Au、Ba、Bi、Cu、Hg、Mn、Mo、Pb、Sb、Sn、W、Zn等14種元素的1:5萬化探數(shù)據(jù)。

為了把地質(zhì)界線、斷裂構(gòu)造信息融入到找礦預(yù)測過程中，根據(jù)地質(zhì)圖資料采用如下方式進(jìn)行了地質(zhì)信息的網(wǎng)格化處理：(1)按一定的網(wǎng)格單元大小，如100m×100m，把研究區(qū)劃分為一系列的網(wǎng)格；(2)對應(yīng)每段地質(zhì)界線或斷裂線(相當(dāng)于地質(zhì)圖的弧段或線段)，生成一個網(wǎng)格層，每個網(wǎng)格單元值為該網(wǎng)格單元到弧段或斷裂的最短距離的倒數(shù)；(3)生成所有地質(zhì)界線和斷裂的網(wǎng)格層。采用這種地質(zhì)信息的網(wǎng)格化方法，能夠表示空間位置與地質(zhì)界線或斷裂的空間相關(guān)性。每個網(wǎng)格單元的值越大，表明該網(wǎng)格單元與地質(zhì)界線或斷裂的關(guān)系越密切。這一過程通過云平臺的數(shù)據(jù)處理子系統(tǒng)來完成。大橋-崖灣地區(qū)有地質(zhì)界線弧段2105個，共生成2105個地質(zhì)界線網(wǎng)格化層；有斷裂664個，生成了664個斷裂網(wǎng)格化層。把這些網(wǎng)格單元層疊加起來，對應(yīng)每個網(wǎng)格單元有2769個數(shù)據(jù)，相當(dāng)于用2769維的數(shù)據(jù)表示該網(wǎng)格單元的特征。

表1 甘肅大橋-崖灣礦集區(qū)重點研究區(qū)的主要礦床(點)

化探數(shù)據(jù)的每種元素以及航磁數(shù)據(jù)采用克里金插值法進(jìn)行網(wǎng)格化，網(wǎng)格范圍與網(wǎng)格單元大小與地質(zhì)資料網(wǎng)格化的范圍和大小一致。

5.2.2 野外工作

在傳統(tǒng)的野外地質(zhì)勘查基礎(chǔ)上，增加了無人機(jī)礦產(chǎn)地質(zhì)勘查的工作。利用無人機(jī)對大橋-崖灣地區(qū)的已知礦區(qū)進(jìn)行了高分辨率影像采集，采集到的數(shù)據(jù)通過移動網(wǎng)絡(luò)傳輸至智能礦產(chǎn)地質(zhì)調(diào)查云平臺，利用遙感融合技術(shù)形成了高分辨率無人機(jī)遙感數(shù)據(jù)，分辨率可達(dá)到0.1m，部分區(qū)域的分辨率可達(dá)到1cm。利用智能遙感分析方法，對無人機(jī)高分辨率影像進(jìn)行切片處理，分析并識別出露地質(zhì)體的礦化和蝕變情況等找礦標(biāo)志。

5.2.3 找礦預(yù)測

采用上述特征匹配找礦預(yù)測方法(見章節(jié)3.3.1)對大橋-崖灣地區(qū)進(jìn)行了找礦預(yù)測，網(wǎng)格單元的大小為200m×200m，研究區(qū)共劃分為186×349=66774個網(wǎng)格單元。

不同的網(wǎng)絡(luò)結(jié)構(gòu)對預(yù)測的結(jié)果影響較大，模型的初始學(xué)習(xí)率、衰減率也會影響模型分類的準(zhǔn)確性。因此，本文開展了大量的試驗來選擇最佳的網(wǎng)絡(luò)結(jié)構(gòu)并優(yōu)化深度學(xué)習(xí)參數(shù)，通過兩種不同的指標(biāo)來決定模型的優(yōu)劣，一個指標(biāo)是回判率R，即模型預(yù)測的區(qū)域中包含已知金礦床(點)的個數(shù)占總金礦床(點)的百分比。另一個是預(yù)測面積占有率S，即預(yù)測區(qū)面積占工作區(qū)面積的百分比?；嘏新蔙越高，預(yù)測面積占有率S越低，則模型表現(xiàn)越優(yōu)秀。

大量的試驗表明，采用由5個全連接層組成的編碼器和5個全連接層組成的解碼器構(gòu)成的深度自編碼神經(jīng)網(wǎng)絡(luò)對地質(zhì)、化探數(shù)據(jù)進(jìn)行壓縮降維，在保持原始數(shù)據(jù)特征的情況下，減少了計算量。降維后每個網(wǎng)格單元所獲取到的特征向量為64維。采用高斯混合聚類方法對降維后的網(wǎng)格單元進(jìn)行特征分類。根據(jù)已知的23個金礦床(點)(圖6和表1)，以金礦床(點)所在類別的30%的網(wǎng)格單元特征數(shù)據(jù)構(gòu)建訓(xùn)練數(shù)據(jù)集和驗證數(shù)據(jù)集，并對KNN網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練和驗證。

最終，采用上述模型獲得的回判率R最高，達(dá)到83.35%，同時，預(yù)測面積占有率S最小，達(dá)到9.42%。最后，利用訓(xùn)練好的KNN模型，對大橋-崖灣地區(qū)的所有網(wǎng)格單元進(jìn)行了預(yù)測(圖7)。

圖7中，預(yù)測區(qū)的顏色代表了該區(qū)域的特征類型，如果兩個區(qū)顏色相同表明這兩個區(qū)具有相同的成礦和找礦地質(zhì)條件，如大橋金礦位于C9區(qū)，該區(qū)的顏色是獨特的，表明大橋金礦的成礦條件在全區(qū)是獨特的，B2與C6的顏色相同，表明其具有相同的成礦條件。

智能找礦預(yù)測結(jié)果表明，研究區(qū)可劃分為A、B、C、D、E等5個主要找礦遠(yuǎn)景區(qū)(圖7)，各預(yù)測區(qū)的主要地質(zhì)特征為：

預(yù)測區(qū)A：位于研究區(qū)北部的關(guān)壩地區(qū)。該區(qū)地表主要出露泥盆系黃家溝組和紅嶺山組，被EW向斷裂切割，區(qū)內(nèi)已發(fā)現(xiàn)兩處金礦點。

預(yù)測區(qū)B：位于研究區(qū)西部草坪鄉(xiāng)-馬場里一帶。該區(qū)主要出露三疊系滑石關(guān)組和大河壩組，部分出露新近系甘肅群。該預(yù)測區(qū)的南部和北部具有不同特征，進(jìn)一步可分為B1、B2兩個區(qū)，其中B1區(qū)主要出露三疊系滑石關(guān)組和新近系甘肅群，B2區(qū)主要出露三疊系大河壩組與滑石關(guān)組。區(qū)內(nèi)地層主要被EW向和NE向斷裂切割，已知B2區(qū)馬場里附近發(fā)現(xiàn)一處金礦點，B1區(qū)目前未發(fā)現(xiàn)金礦床(點)，找礦遠(yuǎn)景較好，重點尋找斷裂帶型金礦。

預(yù)測區(qū)C：位于研究區(qū)中部庫裕塘-石峽鄉(xiāng)一帶，整體呈NE向展布，是重要的找礦目標(biāo)區(qū)，該區(qū)已有大橋超大型金礦、飲馬河小型金礦，并發(fā)現(xiàn)13處金礦點。該區(qū)地表出露三疊系滑石關(guān)組、石炭系岷河組、新近系甘肅群，發(fā)育NE、NEE、近南北等多組斷裂，處于構(gòu)造方向轉(zhuǎn)折變化區(qū)，存在隱伏的環(huán)形構(gòu)造，化探組合異常明顯，具有很好的成礦條件?；诘刭|(zhì)、地化資料的特征分類結(jié)果表明，該預(yù)測區(qū)可以分為C1～C9共9個子區(qū)(圖7)，其中C3子區(qū)包含六處金礦化點，C5與C7子區(qū)目前未發(fā)現(xiàn)金礦化點，C5與C7子區(qū)可以作為下一步找礦勘探的重點區(qū)域。C2、C7、C8的東北區(qū)，目前工作程度較低，經(jīng)野外地質(zhì)研究和綜合分析，具有良好成礦條件。

預(yù)測區(qū)D：位于研究區(qū)左下部楊家地灣南側(cè)。該預(yù)測區(qū)主要出露志留系卓烏闊組、泥盆系下吾那組，部分志留系卓烏闊組被第四系更新世風(fēng)成黃土覆蓋。區(qū)內(nèi)已發(fā)現(xiàn)一處金礦化點。

預(yù)測區(qū)E：位于研究區(qū)中下部田家河周邊。該預(yù)測區(qū)主要出露志留系卓烏闊組、泥盆系鐵山組、石炭系溢瓦溝、三疊系滑石關(guān)組、新近系甘肅群；近EW向斷裂被NE向斷裂切割，斷裂走向有一定變化，化探異常明顯，有1個已知中型金礦床(安房壩金礦)。

5.2.4 驗證

針對上文得到的預(yù)測區(qū)，重點對C8預(yù)測子區(qū)進(jìn)行了高精度磁測工作，布置了一條高精度磁測剖面貫穿C8子區(qū)，以驗證預(yù)測結(jié)果。在野外獲取數(shù)據(jù)的基礎(chǔ)上，針對本次工作干擾較大的特點，首先對高精度磁測數(shù)據(jù)進(jìn)行了預(yù)處理，然后進(jìn)行了化極、求導(dǎo)、延拓等多項數(shù)據(jù)處理，最后，在MAGS軟件下進(jìn)行了反演。

通過反演，驗證了C8預(yù)測子區(qū)含有較高磁性的硅化角礫巖，并且位置相對準(zhǔn)確，且礦脈延伸更加確定。同時，測定結(jié)果也顯示，硅化角礫巖型金礦石與其他巖類相比有較明顯的磁性差異，為通過磁法驗證金礦預(yù)測區(qū)提供了較好的地球物理手段。

6 結(jié)論

(1)新一代人工智能技術(shù)可以融合結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)進(jìn)行找礦預(yù)測，能夠有效地提高找礦預(yù)測效果，使找礦預(yù)測走向精準(zhǔn)化和智能化?；谏疃葘W(xué)習(xí)的空間礦產(chǎn)地質(zhì)特征匹配找礦預(yù)測方法能夠高效智能地確定找礦遠(yuǎn)景區(qū)或找礦靶區(qū)。

(2)智能找礦預(yù)測方法具有高效、快速的特點，采用該方法在甘肅大橋-崖灣地區(qū)圈定了5個有利找礦區(qū)，為該區(qū)的找礦勘探提供了科學(xué)依據(jù)。

(3)智能礦產(chǎn)地質(zhì)調(diào)查方法是一種與現(xiàn)代信息技術(shù)高度融合的高效、綠色、智能化的地質(zhì)調(diào)查方法，人工智能貫穿于礦產(chǎn)地質(zhì)調(diào)查的各個階段，是礦產(chǎn)地質(zhì)調(diào)查的重要發(fā)展方向。建立礦產(chǎn)地質(zhì)調(diào)查生態(tài)系統(tǒng)對變革礦產(chǎn)地質(zhì)調(diào)查方法具有重要意義，不僅可以促進(jìn)礦產(chǎn)地質(zhì)調(diào)查流程、數(shù)據(jù)、管理的標(biāo)準(zhǔn)化，其對礦產(chǎn)地質(zhì)調(diào)查方法的變革亦具有重要意義。