（计算机软件与理论专业论文）基于gis的nmf算法在矿产资源定量预测中的应用研究.pdf

、 、 f k 。， j 独创性声明 本人郑重声明：所提交的学位论文是本人在导师指导下独立进行研究 工作所取得的成果。据我所知，除了特别加以标注和致谢的地方外，论文 中不包含其他人已经发表或撰写过的研究成果。对本人的研究做出重要贡 献的个人和集体，均已在文中作了明确的说明。本声明的法律结果由本人 承担。 学位论文作者签名：厘叁蜂 日期： 学位论文使用授权书 本学位论文作者完全了解东北师范大学有关保留、使用学位论文的规 定，即：东北师范大学有权保留并向国家有关部门或机构送交学位论文的 复印件和电子版，允许论文被查阅和借阅。本人授权东北师范大学可以将 学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩 印或其它复制手段保存、汇编本学位论文。 ( 保密的学位论文在解密后适用本授权书) 学位论文作者签名：殛蚴 日 i l i - 冱f 乜：驴 学位论文作者毕业后去向： 工作单位： 通讯地址： 指导教师签名： 日期： 电话： 邮编： k v ，妒 摘要 矿产资源定量预测是地质学和数学、信息技术、计算机技术相结合的产物，它建立 矿产资源与地质条件之间的定量关系，从而使矿产资源预测更加客观、更加准确，效率 也大幅提升，同时定量预测也是定性预测的深化和具体化，定量预测更成为资源预测的 发展方向。随着矿产资源发现难度的不断增加和现代科学理论及方法技术的发展与渗 透，g i s 技术的应用形成了新一代的矿产资源评价方法，将其引入地质找矿行业是充分 利用已有数据、提取潜在信息以及提高矿产资源预测水平的重要途径。 非负矩阵分解理论是近年来才提出的一种矩阵分解方法，它增加了非负限制，以保 证分解后矩阵数据的非负特性，非负结果更容易解释。非负矩阵分解算法简单，易于实 现，并且具有降维、收敛和稀疏等特性。因此，该算法已被广泛地应用于多个领域中。 本文主要是论述稀疏非负矩阵分解算法在矿产资源定量预测中的应用研究。在讨论 了非负矩阵分解算法的原理与应用条件下，在基于g i s 的空间信息集成功能，对内蒙古 东部地区1 ：2 0 万地质、物探和化探信息进行集成的基础上，采用稀疏非负矩阵分解算 法对内蒙古东部地区l ：2 0 万银矿产资源进行了定量预测。该算法在预测过程中实现了 对集成变量矩阵的稀疏化，节约了存储空间；利用稀疏非负矩阵分解算法，对集成变量 矩阵中的主要特征向量进行了提取，采用稀疏非负矩阵分解算法进行定量预测处理，取 得了较为符合实际的结果。论文最后通过聚类分析、加权丰度预测模型、稀疏非负矩阵 分解算法所得结果的比较分析，验证了这三种不同预测方法结果的一致性，得出在矿产 预测中使稀疏非负矩阵分解算法，可以得到较为理想的预测结果。 关键词：矿产资源；定量预测；非负矩阵分解；g i s a b s t r a c t q u a n t i t a t i v ep r e d i c t i o no fm i n e r a lr e s o u r c e si st h ep r o d u c to ft h ec o m b i n a t i o no f g e o l o g y , m a t h e m a t i c s ，i n f o r m a t i o na n dc o m p u t e rt e c h n o l o g y i tb u i l d st h eq u a n t i t a t i v e r e l a t i o n s h i pb e t w e e nm i n e r a lr e s o u r c e sa n dg e o l o g i c a lc o n d i t i o n s i no r d e rt om a k et h e p r e d i c t i o no fm i n e r a lr e s o u r c e sm o r eo b i e c t i v ea n da c c u r a t ea n de f f i c i e n c yd r a m a t i c a l l y i n c r e a s e d m e a n w h i l e ，q u a n t i t a t i v ep r e d i c t i o ne x t e n d sa n df u r t h e rs p e c i f i e so fq u a l i t a t i v e p r e d i c t i o n i th a sb e c o m et h et r e n do fp r e d i c t a b l er e s o u r c e s w i t ht h ei n c r e a s i n gd i f f i c u l t yo f t h ed i s c o v e r yo fm i n e r a lr e s o u r c e sa n dt h ed e v e l o p m e n to fm o d e ms c i e n t i f i ct h e o r i e sa n d t e c h n o l o g i c a lm e t h o d s ，g i st e c h n o l o g ya p p l i c a t i o nb e c o m e san e we v a l u a t i o nm e t h o do f m i n e r a lr e s o u r c e i n t r o d u c t i o nt h eg i st og e o l o g i c a lp r o s p e c t i n gi n d u s t r yi sa ni m p o r t a n tw a y t om a k ef u l lu s eo fe x i s t i n gd a t a ，e x t r a c tp o t e n t i a li n f o r m a t i o na n dd e v e l o pt h el e v e lo f m i n e r a lr e s o u r c e sp r e d i c t i o n t h e o r yo fn o n - n e g a t i v em a t r i xf a c t o r i z a t i o n ( n o n n e g a t i v em a t r i xf a c t o r i z a t i o n ，n m f ) i sam a t r i xd e c o m p o s i t i o nm e t h o dp r o p o s e di nr e c e n ty e a r s i ti n c r e a s e st h en o n n e g a t i v e c o n s t r a i n t st oe n s u r et h a tt h ed a t am a t r i xd e c o m p o s i t i o nc h a r a c t e r i s t i c so fn o n n e g a t i v ea n d n o n n e g a t i v er e s u l ta r em o r ee a s i l yt ob ee x p l a i n e d m o r e o v e r ，n m fa l g o r i t h mi ss i m p l ea n d e a s yt oi m p l e m e n ta n di th a sf e a t u r e ss u c ha sd i m e n s i o n - l o w e r i n ga n ds p a r s ec o n v e r g e n c e t h e r e f o r e ，i th a sb e e nw i d e l yu s e di nm a n yf i e l d s i nt h i sa r t i c l e ，t h e s p a r s en o n n e g a t i v em a t r i xf a c t o r i z a t i o na l g o r i t h mi sa p p l i e dt o q u a n t i t a t i v e p r e d i c t t h em i n e r a lr e s o u r c e s t h e p r i n c i p l ea n da p p l i c a t i o ns e d i t i o n so f n o n - n e g a t i v em a t r i xf a c t o r i z a t i o na l g o r i t h ma r ed i s c u s s e d b a s e do nt h ei n t e g r a t e df u n c t i o no f g i ss p a c ei n f o r m a t i o na n d 1 ：2 0 0 ，0 0 0s c a l ei n f o r m a t i o no fg e o l o g y ，g e o p h y s i c a la n d g e o c h e m i c a l i nt h ee a s to fi n n e rm o n g o l i a ，t h es p a r s en o n - n e g a t i v em a t r i xf a c t o r i z a t i o n a l g o r i t h mi sa d o p tt oq u a n t i t a t i v e l yp r e d i c t1 ：2 0 0 ，0 0 0s c a l es i l v e rm i n e r a lp r e d i c t i o ni nt h e e a s to fi n n e rm o n g o l i a t h ea l g o r i t h mr e a l i z e st h es p a r s eo fo r i g i n a ld a t aa n ds a v e st h e s t o r a g es p a c e m a i nf e a t u r e so ft h em a t r i xv e c t o r s a r ee x t r a c t e db yu s i n gt h es p a r s e n o n - n e g a t i v em a t r i x f a c t o r i z a t i o na l g o r i t h m t h er e s u l t s r e l a t i v e l y c o n f o r mt o r e a l i t y c o m p a r a t i v ea n a l y s i so ft h er e s u l t so fc l u s t e ra n a l y s i s ，t h ew e i g h t e da b u n d a n c ee s t i m a t e a l g o r i t h ma n ds p a r s en o n - n e g a t i v em a t r i xf a c t o r i z a t i o na l g o r i t h mi sg i v e n t h er e s u l t ss h o w t h a tt h ep r e d i c t i o n so ft h et h r e em e t h o d sh a v ec o n s i s t e n c y a p p l y i n gt h es p a r s en o n n e g a t i v e m a t r i xf a c t o r i z a t i o na l g o r i t h mt op r e d i c tt h eg e o l o g ya n dm i n e r a lr e s o u r c e sc a ng e tab e t t e r r e s u l t l ， f t k e yw o r d s ：m i n e r a lr e s o u r c e s ；q u a n t i t a t i v ep r e d i c t i o n ；n o n - n e g a t i v em a t r i xf a c t o r i z a t i o n ； g e o g r a p h i ci n f o r m a t i o ns y s t e m - n 目录 摘要0 0 0000 ”i a b s t r a c t 1 i 目录i i i 第一章引言0 0 00 00 1 1 1 研究背景0 0 0 oq0100 q io oo o 00 00 1 1 2 研究现状0 000oo o0 l 1 3 普遍存在的问题8 000 00000000 00 00 m000 00 2 1 4 论文研究内容和意义2 1 4 1 研究内容2 1 4 2 研究意义”o oo go 3 1 5 论文组织3 第二章矿产资源定量预测5 2 1 矿产资源评价概述5 2 2g i s 在矿产资源评价中的应用6 2 3 矿产资源定量预测方法0 0 00 00 8 2 3 1 聚类分析o oo ooo 8 2 3 2 加权丰度预测模型o oo o0 000 8 第三章非负矩阵分解算法1 2 3 1 非负矩阵分解理论1 2 3 1 1 非负矩阵分解理论的起源与发展1 2 3 1 2 非负矩阵分解理论的应用1 3 3 1 3 非负矩阵分解理论的数学模型1 3 3 1 4 非负矩阵分解理论的特点 o mooq 000ogo 1 4 3 2 传统的非负矩阵分解算法 o d ooo 1 5 3 2 1n m f 目标函数0 0 00 00 1 5 3 2 2n m f 迭代规则1 7 3 2 3n m f 收敛性证明1 8 3 3 改进的非负矩阵分解算法2 1 3 3 1 局部非负矩阵分解算法( l n m f ) 2 l 3 3 2f i s h e r 非负矩阵分解算法( f n m f ) 2 2 3 3 3 加权非负矩阵分解算法( w n m f ) 2 3 3 3 4 稀疏非负矩阵分解算法( s n m f ) 2 3 3 3 5 受限非负矩阵分解算法( c n m f ) 2 3 3 3 6 非平滑非负矩阵分解算法( n s n m f ) 2 4 3 3 7 稀疏受限非负矩阵分解算法( n m f s c ) 2 5 第四章定量预测结果及比较分析2 6 4 1 聚类分析定量预测2 6 4 2 加权丰度预测模型定量预测2 9 4 2 1 数据自动读取2 9 4 2 2 预测模型的设计与实现3 0 4 2 3 加权丰度预测模型定量预测结果3 2 4 3 改进的n m f 与模糊c 均值分类器定量预测3 3 4 3 1 稀疏因子确定3 3 4 3 2 改进的n m f 与模糊c 均值分类器预测流程3 4 4 3 3 改进的n m f 与模糊c 均值分类器预测结果3 5 4 4 三种评价方法预测结果及综合比较分析3 6 第五章结束语3 8 参考文献3 9 l 村录4 2 致谢4 6 l v 东北师范大学硕士学位论文 第一章引言 1 1 研究背景 矿产资源是保证社会与经济可持续发展的重要因素之一，2 1 世纪对矿产资源的需 求将是有增无减，资源形势十分严峻：一方面，矿产资源是不可再生的，已知和传统的 矿产资源历经多年的开发利用渐趋枯竭；另一方面，新兴产业的崛起又对矿产资源提出 了更多、更高的新要求，随着社会经济结构的调整和优化，新型矿物原料的需求将变的 极为迫切。 矿产资源是我国经济快速增长的重要物质条件，我国经济的快速增长，随其而来的 是矿产资源供不应求的紧张局面。为缓解矿产资源短缺的现状，减少找矿的盲目性和风 险性，如何使矿产预测理论和预测方法的更加科学和完善受到了我国的极大重视。目前， 较完善的矿产预测方法减少了矿产预测结果的主观性和不确定性，例如：证据权法、特 征分析法、信息量法、b p 神经网络、多重分形法、主成分空间分析等，而专家系统、 模糊逻辑系统、遗传算法、非线性空间信息统计分析、小波、空间独立成分分析、成分 数据分析，粗糙集理论等方法在地质中的应用也大大丰富了成矿预测的理论与实践。综 合地质矿产、遥感、地球物理和地球化学等多种信息的综合信息矿产预测方法是目前较 好的矿产预测方法。非负矩阵分解方法在处理综合地质矿产数据时，非负性和稀疏性 更加符合数据特征，降维性也可以去掉海量信息中的冗余信息，从而得到较好的处理结 果。同时，非负矩阵分解算法没有信源统计独立和信源非高斯分布的限制，满足地球化 学数据中不同的矿产元素之间存在相关性和不是完全统计独立的特性，与具有多解性的 传统方法相比，在对最后结果的解释和验证上具有显著优势。因此，研究将非负矩阵分 解方法应用于矿产预测领域具有重要的研究意义。 1 2 发展现状 二十世纪九十年代以来，美国提出了第二代矿产资源评价的信息化内容，矿产资源 的空间数据库、评价方法的计算机化、信息共享的网络化成为矿产评价的主要内容。采 用的评价主体方法是s i n g e r 倡导的以矿床模型为基础的“三步式 ( t h r e e p a r t ) 矿产 资源评价方法( w a r r e nj n o k l e b e r g ，2 0 0 2 ) ，该定量方法集成了众多的北美矿产资源评 价专家的研究成果，成为美国地质调查局的标准评价方法。最近美困的资源评价专家麦 卡门、d p 哈罩斯在h t t p ：p u b s u s g s g o v i n f o _ h a n d o u t r e v i s i o n 上公丌了这些计 划的部分成果，并提出了目f j i 修j 下的矿产资源评价方法体系。现在g i s 已是资源评价的 基本工具，同时也发展引进了诸如数字矿床专家系统、神经网络模型、分形等非线性科 学方法心1 。 1 东北师范大学硕士学位论文 我国的科学家在矿产资源预测与评价领域也做出了相当的贡献，成矿预测理论、方 法日趋成熟，由单一信息预测逐步转变为多源信息综合预测，由经验类比预测逐步转变 为模式类比多元统计方法预测及可视化预测。具体体现为：赵鹏大院士的基于将地质异 常、成矿多样性和矿床谱系三方面结合起来的“三联 五步式矿产资源评价方法口4 1 ， 王世称教授的基于地、物、化、遥和重砂的综合信息矿产预测理论与方法伊7 1 ，陈毓 川院士的基于“特定四维时间、空间域中，由特定地质成矿作用形成的有成因联系的矿 床的自然组合”的矿床成矿系列理论阳1 、谢学锦院士的区域化探扫面、侯景儒教授的( 多 元) 线性空间信息统计分析( 地质统计学) 归1 0 1 ，基于“全位和缺位的矿床类型的量化理 论n k1 2 1 以及基于g m s ( 地质模型系统) 、d s s ( 决策支持系统) g i s ( 地理信息系统) 的潜在矿 产资源评价方法n3 1 。自上世纪七十年代以来，矿产预测理论也不断的引入一些用来进行 矿产资源潜力评价的数学模型，例如用于定位预测的特征分析法、证据权法、模糊证据 权法、逻辑信息法、神经网络法等；用于资源定量预测的数量化理论i 、品位一吨位模 型法、地球化学块体法、体积法等，随着研究的不断深入，这些方法也正在不断地得以 改进。 目前公认最佳的预测方法是利用地质、矿产、遥感、地球物理和地球化学等多种信 息进行资源评价的综合信息矿产资源定量预测。( 稳健) 多元统计分析、( 多元) 线性空间 信息统计分析( 地质统计学) 、人工神经网络、专家系统、模糊逻辑系统、证据加权、遗 传算法、粗糙集理论、非线性空间信息统计分析、空间独立成分分析、多重分形、小波、 成分数据分析等方法在地质中的应用大大丰富了成矿预测的理论与实践。 1 3 普遍存在的问题 矿产地质数据是基于g i s 的矿产资源预测的基础，地矿行业矿产地质数据不仅是多 来源、多学科的，而且还依各个部门的任务、内容不同而不同，包括地质、构造、地层、 岩石、矿体、钻孔、物探、化探等数据以及与地质矿产有关的各项研究成果数据，因此 如何高效地组织和管理及处理这些数据使之适于g i s 矿产资源预测是急待解决的问题 n 4 l 。一些传统的多元统计分析处理方法由于其局限性而不能较好的处理规模巨大而又复 杂的地质空间数据，数据挖掘效果较差，如p c a 方法降维效果较好，但限制过多，如： 对源数据的高斯分布设定、要求分析的特征向量是正交的等，但现实世界中的大部分数 据不符合此条件，而且，处理后产生的负值数据也难于解释。将n m f 应用于矿产数据， 可克服以上缺点。采用改进n m f 方法，不仅保证了数据的非负性，而且实现了数据稀疏 化，有效提取出数据中的矿致异常信息，获取较好的矿产预测效果。 1 4 论文研究内容和意义 1 4 1 研究内容 首先对基于g i s 的矿产资源定量预测的相关理论方法及国内外发展现状进行介绍。 2 东北师范大学硕士学位论文 论述了矿产资源定量预测中常用的聚类分析、加权丰度预测模型方法原理；然后论述改 进的非负矩阵分解s n m f 算法。 本文重点是论述s n m f 算法在矿产资源定量预测中的应用研究。在讨论了非负矩阵 分解算法的原理与应用条件下，在基于g i s 的空间信息集成功能，对内蒙古东部地区 l ：2 0 万地质、物探、化探信息进行集成的基础上，采用s n m f 算法对内蒙古东部地区1 ：2 0 万银矿产资源进行了定量预测。该算法在预测过程中实现了对集成变量矩阵的稀疏化， 节约了存储空间；利用s n m f 算法，对集成变量矩阵中的主要特征向量进行了提取，采 用s n m f 算法进行定量预测处理，取得了较为符合实际的结果。论文最后通过聚类分析、 加权丰度预测模型、s n m f 算法所得结果的比较分析，验证了这三种不同预测方法结果 的一致性，得出在矿产预测中使s n m f 算法，可以得到较为理想的预测结果。 1 4 2 研究意义 矿产资源的可持续开发是我国经济可持续发展的决定性因素之一。当前经济的迅速 发展对矿产资源的需求有增无减，但我国面临着矿产资源难发现、难识别以及难开发的 问题，形势十分严峻。为了有效提高地质找矿效果，以满足国家对矿产资源的需求，我 国已将矿产资源的高效开发列为国家中长期( 2 0 0 6 - - 2 0 2 0 ) 科学和技术发展规划纲要中 的重点领域和优先主题射，国家8 6 3 计划和科技攻关计划也将大幅度增加能源、资源和 环境的投入力度u 引。 在矿产资源预测过程中，如何准确高效地提取出地质矿产数据中的有效信息是关键 环节，也是研究重点对象之一。目前，一些传统的多元统计分析处理方法由于其局限性 而不能较好的处理规模巨大而又复杂的地质空间数据，数据挖掘效果较差，如p c a 方法 降维效果较好，但限制过多( 如对源数据的高斯分布设定) ，其分析的特征向量是正交 的，但现实世界中的大部分数据不符合此条件，而且，从计算的观点看，分解结果中存 在负值是正确的，从应用领域角度看，负值元素往往没有意义，并且是难于解释的。 非负矩阵分解( n o n - n e g a t i r em a t r i xf a c t o r i z a t i o n ，n m f ) ，这种基于基向量组 合的表示形式具有很直观的解释，并且非负矩阵分解可以划为优化问题用迭代方法交替 求解缈和h 。非负矩阵分解算法提供了基于简单迭代的求解、h 的方法，求解方法 具有收敛速度快、稀疏性、非负性、降维等特性，非负性的条件限制符合许多实际问题 的要求。由于在地质矿产数据的分析处理上国内外目前尚未见到n m f 方面的研究报道， 地质矿产数据是反映地质成矿作用的长期性和多阶段性的综合结果，不但内容复杂而且 数据量很大。因此，在矿产预测中探索矩阵的非负矩阵分解方法是很有实际意义的研究 问题。 本文依托于国家自然基金项目( 4 0 6 7 2 1 9 5 ，基于空| 日j 非负矩阵分解的矿产预测研究) 的研究成果，将其用于矿产资源定量预测的应用研究。 1 5 论文组织 东北师范大学硕士学位论文 第一章为引言部分，说明本文的国内外研究现状，发展趋势，普遍存在的问题，研 究背景和研究内容以及论文组织。 第二章介绍了矿产资源定量预测的基本理论，其中包括矿产资源定量预测的基本理 论、g i s 在矿产资源评价中的应用，同时介绍了矿产资源定量预测的常用方法。 第三章为非负矩阵分解理论与应用介绍。主要介绍非负矩阵分解理论的起源、发展、 应用、其基本模型以及非负矩阵分解理论的特点；重点研究非负矩阵分解算法和改进的 非负矩阵分解算法。 第四章为不同的矿产预测方法计算结果比较分析。基于内蒙古东部地区的地质矿产 及化探资料，采用聚类分析、加权丰度模型以及基于改进非负矩阵分解算法，对该研究 区进行1 ：2 0 万银矿产资源进行定量预测。通过上述不同方法、不同计算结果的分析比 较，验证非负矩阵分解理论应用于矿产定量预测可取得较好的预测结果。 第五章结论与展望。对论文的工作进行了总结，并给出该项研究今后需要改进的地 方。 4 东北师范大学硕士学位论文 第二章矿产资源定量预测 2 1 矿产资源评价概述 矿产预测，亦称矿产资源潜力评价，是使用统计学的方法对一定地理空间范围内存 在或可能存在的某种或某几种矿产资源的数量、质量和区位进行合理评估n 。矿产资源 评价根据某些理论认识规律或模型所推断的某矿种可能存在的潜在储量，资源评价工作 是研究基础上而产生的推断，是区域发展规划和布置找矿勘查的关键内容和重要依据。 矿产资源评价是对地壳内各种矿产蕴藏量进行估算并对其实用价值做出推测，属地 质调查工作的发展战略内容的组成部分n 引。该项工作是在研究和认识地质规律的基础上 用地质理论和可能的技术方法指出现在还没有发现而将来可能或应当发现的矿产蕴藏 量或矿床，并对它的质和相应的量做出评价，还要对该蕴藏量在当前和未来的社会政治 和经济发展趋势中的地位做出推测n 町 从找矿实践中可以总结出，对地壳的某一指定区域内的矿产资源进行评价的目的有 以下几点：估算该区域资源总量，分析该地区的资源潜在能力，为经济政策的制定提 供矿产资源的参考依据；研究矿产资源的空间分布规律，指明成矿活动的有利区段或 具体确定矿产资源的可能位置，为普查找矿工作部署提供靶区；论证矿产资源的现行 和潜在的经济价值。 作为矿产资源勘查中一项前瞻性和战略性工作n 巩矧，矿产预测的主要任务是尽可能 的搜集预测区的信息( 包括地质、地球物理、地球化学、重砂和遥感等) ，在现代地质成 矿理论指导下，根据各个学科自身的特点，对各种成矿信息进行提取解译，并使用先进 的多元统计方法和计算机技术进行综合，从而确定成矿有利地段和靶区，并最终估算其 矿床数和资源量n 矾2 。 矿产资源评价就是要建立矿产资源与地质条件之间的定量关系。目前，矿产资源预 测数据不仅是多来源、多学科的，而且还依各个部门的任务、内容不同而不同，其计算 工作量是相当大的。这就必须在评价工作引入计算机技术，充分发挥电子计算机容量大、 运算速度快的特点，高效地组织和管理这些数据使之适于g i s 矿产资源预测。电子计算 机在评价工作中的应用包括：建立地质数据库和矿产资源数据库，实现资料的存储和提 取自动化；地质概念模型的电子计算机模拟；建立矿产资源评价模型；评价成果输出输 入的自动化形式。 随着成矿新技术、新理论、新方法的不断发展，尤其是计算机技术的广泛运用，地 质科技工作者将成矿预测、矿产统计预测作为数学地质研究领域的一个重要研究方向， 丌展各种科研工作。矿产资源定量预测的发展过程就是数学模型和预测方法不断丰富与 发展的过程，这个进步的过程与数学的发展和计算机的发展是同步的，刚时，它也是与 5 东北师范大学硕士学位论文 地质工作者的认知水平的发展同步。矿产资源评价是数学地质领域一个发展迅速、有着 广泛应用前途的分支，随着时间的推移、工作的开展和不断深化，这一分支将日趋完善， 它必将在矿产资源工作中发挥愈来愈大的作用。 2 2gls 在矿产资源评价中的应用 地理信息系统( g e o g r a p h i ci n f o r m a t i o ns y s t e m ，简称g i s ) 作为对地球空问数据 进行采集、存储、检索、建模、分析和表示的计算机系统，它对地学数据具有强大的空 问分析能力，是地质找矿综合分析和提取多源地学信息深层内涵、建立综合信息找矿模 式有力的技术手段，是矿产资源评价中新生而又有效的工具。g i s 采用各种空间分析方 法，参考经验与模型对与成矿有关的各种空间信息进行综合分析解释，确定成矿的有利 耙区。通过大量实际工作证明，把g i s 技术引入地质找矿行业能够充分利用的已有数据、 提取潜在信息，这一应用形成了新一代的矿产资源评价方法，成为提高矿产资源预测水 平的重要渠道。 g i s 技术提供了在计算机辅助下充分调动其强大的空间信息处理和分析功能，对地 质、物探、化探、遥感等多源地学信息进行集成管理，从而进行有效的综合分析。g i s 的应用彻底改变了传统成矿预测的方法体系，极大地提高了预测效率，精确了预测过程。 无论从理论、技术还是效果来看，以g i s 为主要工具的矿产资源预测方法展示了广阔的 应用前景，至少可以看出g i s 在矿产资源预测中有以下优点： 1 先进的数据库和图库管理使得各种地学图件和地质数据的长期保存及修改变得 更加容易； 2 能够提供集成管理多源地学数据( 地、物、化、探、遥的属性信息和空问信息) ， 具有方便建立模型及进行空间模拟分析的能力，使数据的分析更有效和定量化； 3 提供多元信息快速准确叠加功能利用g i s 的专题图层管理功能可以方便地完成 多学科、多层次、多来源的图形叠加，从而大大减少图纸人工绘制繁重劳动，而且研究 者可以根据自己的思路反复进行多次叠加自由组合； 4 快捷地完成空间信息查询、检索，既可以根据专题属性，如地质图层中检索岩浆 岩地质体，又可以完成不同专题数据空间交互条件查询，如检索出某含矿地层中的矿床 数等； 5 可以精确地统计各种地质体空间几何属性，如面积、周长等，这样可以定量地研 究诸如地质体规模与矿产的关系等问题，这在以前定量预测中是难以实现的； 6 可以自动实现不同专题数据空间叠加分析，这样便可以解决既有地球化学异常， 又处于成矿构造带的区域圈定问题； 7 利用d e m ，t i n 模型完成各种空间测量科学数据的可视化问题，可以方便地将成 矿信息数据处理与g i s 可视化结合起来。同时，g i s 能够保证成矿预测的过程町视化， 能够保证成矿预测工作是“透明的”、可检验的； 8 提供高质量的、高分辨率预测成果图件。 6 东北师范大学硕士学位论文 目前，基于g i s 的矿产资源预测主要是利用g i s 的基本空间分析功能，研究地质 矿产实体的空间关系，对未知地段找矿远景作直观评价，如通过控矿因素的叠置分析可 以圈出找矿有利地段，或是与数学预测模型相结合进行预测。g i s 为矿产资源评价提供 了理想工具，它综合了多学科地学数据，有利于任何区域地质矿产资源评价预测，所以 g i s 能够在矿产资源评价中广泛应用。应用g i s 进行矿产资源评价的思路和方法可以概 括为以下几个步骤：收集地质、矿产、构造、地球化学( 包括重砂) 、航磁、重力及遥感 等多源矿产地质数据资料，对数据进行单位、比例尺统一等预处理工作并建库，然后利 用g i s 对数据做相应的分析和处理，建立多元信息找矿模型：将图件进行数字化、分层、 统一坐标系统等处理后存入图形库中，将属性数据分类、编码，并与图形特征数据连接， 建立多源地学信息空间数据库；利用g i s 的可视化空间分析功能，研究分析“找矿标志 的分布规律和空间关系，进行矿产资源综合分析与评价并圈定预测靶区，最终就是资源 评价预测成果的输出及解释，组织地学专家对成果应用的有效性进行分析，修改或重构 基本证据和模型参数，从而绘制出新的矿产资源预测图。 上述几步概括起来是建立预测区资料数据库，根据模型建立预测标志组合，进行预 测区圈定。其中，应特别强调在多元地学信息资料分析的基础上，对矿床模型的深入研 究。基于g i s 的矿产资源评价工作流程，如图2 1 唿喇】。 图2 1 基于g i s 的矿产资源评价工作流程图 东北师范大学硕士学位论文 2 3 矿产资源定量预测方法 2 3 1 聚类分析 由于在地质领域应用矩阵时，大量的分类问题常常令研究者们困扰，主要体现在三 个方面：要想揭示客观事物内部的本质差别和相互之间的联系，用定性标志进行分类 或者用少数的定量标志进行分类在很多时候是办不到的，因为地质对象具有较高的复杂 度；在进行分类时，人的主观臆断和判断的任意性占据了主导地位，这样的分类在反 应答观的实际情况时是不能用来当做依据的；目前现有的分类并不全面，很多对象没 有被包含进去。鉴于以上传统的地质分类方法的诸多缺点，越来越多的地质工作者在进 行地质分类时丌始探求新的方法。于是，聚类分析法作为多元统计分析中的经典算法， 现在已经越来越广泛地应用于地质研究的分类中。 作为一种多元的统计分析方法，聚类分析法的实质就是根据多个不同的指标对现有 的数字进行分类。在岩石分类、地层划分、含矿的异常评价和古生物分群等方面，聚类 分析发都有较为成功的应用。聚类分析法主要分为两大类： 1 q 型聚类分析法在分类时把变量作为分类的根据，变量包括指标、地质特征 等。 2 r 型聚类分析法一在分类时把变量在各个标本上的观测值作为分类的根据。 在本文的矿床预测中，使用的聚类分析方法主要是q 型聚类分析法。对研究区进行 划分，划分所得的单元即为样品，原始数据集即为以不同地质特征标志为内容的变量， 这些标志由各个单元分别进行集成。各个单元内有利地质的成矿因素和矿化标志的发育 程度以及成矿因素和发育程度的组合情况，决定了每个单元成矿远景的优劣。从根本上 来说，这是一种基于地质环境的分类。在对每一个未知单元成矿远景的评价阶段，研究 者们按照已知的有矿单元和无矿单元进行归组操作，在对其分析时以地质条件作为分析 的理论基础。在将聚类分析法用在预测类的项目上时要格外谨慎乜引，因为作为一种数字 分析法，数字的相似并不能代表地质环境上的相似。举个例子来说：两个单元，他们闪 长岩的出露面积相同，灰岩的出露面积也相同。但不同的是，在其中一个单元中两种岩 类发生直接的接触，而在另一个单元内两种岩类是没有任何接触的。显而易见的是，对 矽卡岩型矿床的成矿来说，这两个单元不同的情况对其的意义是截然不同的。但是在聚 类时，要是依据出露面积进行分类，两个地质环境有很大差异的单元就会被错误地分在 同一组中。如此看来，只有在选择合适的变量、对变量进行合适的取值上多加研究，使 所选的变量能够正确的反应地质环境的特征，才能尽可能地避免上述问题的发生。 2 3 2 加权丰度预测模型 一、加权丰度预测模型建立的条件 要建立加权丰度预测模型并用其进行定量计算须具备以下五个条件： 1 要建立加权丰度预测模型，前提条件就是必须具备异常丰度，并且该异常丰度可 以确保研究区内的矿化元素的地层等因素是富集成矿的。为了把成矿模型的异常丰度扩 8 东北师范大学硕士学位论文 展到被预测的单元上的异常丰度，其在模型区和预测区的相似度必须较高才可以。 2 成矿元素须具备以下特点：成矿地质条件丰富；地球化学( 物理学) 的异常面积具 有可统计性；异常丰度面积存在于模型预测单元内；物性异常面积存在于模型预测单 元内； 3 要想在预测矿产资源量的模型中使用丰度估算法，须具备两个条件：已知的矿床 数目足以完成模型的建立；预测靶区可统计的特性。这两个条件也是使用丰度估算法预 测矿产资源量的主要来源。 4 在同一个找矿模型中，以矿化系列的成矿组合元素为主要依据，建立异常丰度估 算模型，并将其用于对多矿种的总合矿产资源的预测。在建立综合预测模型时，要把异 常丰度分布在不同矿种的分布规模和异常值的大小作为主要的建模依据。 5 在找矿模型中，对一种( 多种) 的成矿元素分别建立两个模型：基于地球化学理论 的异常丰度预测模型和基于地球物理理论的物性异常预测模型。 在具体建模过程中，预测模型的相关参数和对精度的具体估算也会因为预测方法的 差异而不同，至今为止，研究者们还在不断探索对综合预测模型的合理建立。 二、加权丰度预测模型实施的步骤 建立加权丰度预测模型的具体步骤如下： 1 综合信息找矿模型的建立：在建立综合找矿模型时，以研究区内的信息图系编制 和解释为主要依据。 2 统计单元的划分：首先进行矿化异常和非矿化异常的划分，然后在建立统计预测 模型时使用矿化异常。 3 异常丰度单元面积的确定：根据已知的矿床上的矿化丰度的值与未知的异常区的 异常丰度的值作类比，即得到异常面积，并将其作为靶区丰度潜在的矿化异常丰度值。 靶区矿体的异常丰度则是指靶区单元中的含有矿化异常丰度值的面积大小。 4 确定矿化异常丰度的统计参数，如：矿石的比重、异常的面积大小、矿化的异常 丰度、勘探储量、勘探深度等。 5 异常丰度预测模型的建立。 6 资源总量的计算和矿产储量的估算。 7 评价异常丰度综合预测模拟模型和使用该模型后估算出的具体结果。 三、加权丰度预测模型 加权丰度( 即异常丰度) 预测模型汹的建立，是针对大比例尺矿床( 体) 靶区定量预测 及资源评价的需要，根据地壳元素在局部地区形成异常或富集成矿，首先根据已知矿床 的规模，品位变化规律及其相应异常规模及密度，确定有利矿化和富集系数，并外推到 矿区成矿异常的统计单元上。利用矿床模型法，相应预测未知靶区的矿产资源量。设在 已知找矿模型中，选取n 个统计单元，在每个单元内确定尸组矿化异常丰度，胁个预测 矿种。 在已知模型单元中分别确定各种计算参数，最后建立异常预测模型。具体步骤为： 1 计算已知矿床( 体) 单元的各矿种的勘探储量( 表内或表内加表外) 9 东北师范大学硕士学位论文 乃2 善荟耻，( 2 - 1 ) o 一1 ，2 ，3 ，厅) 任一1 2 ，3 ，p ) ( j 一1 z3 ，m ) 在上式中，乃表示第_ 矿种的储量； t i k 表示第f 模型异常单元中，第七矿种，第，矿体的储量。 弓一 t l lt 1 2t 1 3 t 2 lt 2 2t 2 3 t 3 l t 3 2t 3 3 t lt 2t 3 ( 2 - 2 ) 在上式中，岛表示第f 单元中，第，矿种的储量； 2 计算异常面积忸) ( 1 ) 确定异常下限，即c 可一弓+ 仅 一1 5 ，2 ，2 5 ) ( 2 3 ) 在上式中，弓表示第歹个元素的平均值，盯，表示第j 个变量的均方差 o i ( 2 ) 确定模型异常单元的元素异常面积( s ) ( 2 - 4 ) 卟善& q 在上式中，s ，表示第j 个元素的异常面积。 3 确定勘探深度( h ) 在己知模型单元中，根据矿体勘探深度，不同矿种和同种矿种的不同成因类型，结 合研究区的地质条件，合理的确定矿体埋藏的深度和侵蚀深度，作为预测靶区资源量的 深度。 4 计算矿化异