基于大数据的智慧探矿模式实验研究与进展

doi:10.13745/j.esf.sf.2024.9.10

地学前缘 ›› 2024, Vol. 31 ›› Issue (6): 350-367.DOI: 10.13745/j.esf.sf.2024.9.10

基于大数据的智慧探矿模式实验研究与进展

周琦¹^,²^,³(), 吴冲龙²^,³^,⁴

1.贵州省地质矿产勘查开发局, 贵州贵阳 550004
2.自然资源部基岩区矿产资源勘查工程技术创新工程中心, 贵州贵阳 550081
3.贵州省战略矿产智慧勘查重点实验室, 贵州贵阳 550081
4.中国地质大学(武汉) 计算机学院地质信息科技研究所, 湖北武汉 430074

收稿日期:2024-09-05 修回日期:2024-09-08 出版日期:2024-11-25 发布日期:2024-11-25
作者简介:周琦(1964—),男,研究员,博士生导师,贵州地矿局首席科学家,中国地质学会矿床专业委员会副主任委员,主要从事矿产资源勘查与研究工作。E-mail: 103zq@163.com
基金资助:
中央引导地方科技发展资金项目(黔科中引[2021]4027);贵州省重大科技成果转化项目(黔科合[2022]重点003);贵州省找矿突破战略行动重大协同创新项目(黔科合战略找矿[2022]ZD002);贵州省找矿突破战略行动重大协同创新项目([2022]ZD003);贵州省找矿突破战略行动重大协同创新项目([2022]ZD004);贵州省科技支撑重点项目(黔科合支撑[2017]2951);贵州省科技支撑重点项目([2020]4Y039);贵州省科技支撑重点项目(黔科合平台人才[2018]5618);贵州省地质三维空间战略调查评价项目;贵州省重点矿产资源大精查项目

Experimental research on big data-based intelligent exploration models and advance

ZHOU Qi¹^,²^,³(), WU Chonglong²^,³^,⁴

1. Bureau of Geology and Mineral Exploration and Development Guizhou Province, Guiyang 550004, China
2. Engineering Technology Innovation Center of Mineral Resources Explorations in Bedrock Zones, Ministry of Natural Resources, Guiyang 550081, China
3. Guizhou Key Laboratory for Strategic Mineral Intelligent Exploration, Guiyang 550081, China
4. Institute of Geological Information Science and Technology, School of Computer Science, China University of Geosciences (Wuhan), Wuhan 430074, China

Received:2024-09-05 Revised:2024-09-08 Online:2024-11-25 Published:2024-11-25

摘要/Abstract

摘要：

本文是贵州省锰矿“产学研用”科技创新人才团队近些年来在贵州开展基于大数据的智慧探矿新模式的探索性实验研究与总结。团队通过“产学研用”协同创新体系,对著名的中国南华纪“大塘坡式”锰矿矿集区和多个隐伏超大型锰矿床,进行大数据预测的找矿过程复盘研究,探索深部隐伏矿产资源智能预测和数字勘查方法,努力发展和培育地质矿产勘查领域的新质生产力。团队研发了基于大数据的成矿模式和找矿模型,开展地质大数据资源体系建设,完善并全面推广应用数字勘查技术系统,建成了贵州全省域三维玻璃国土, 研发出多尺度多目标递进式矿产智能预测技术,有效地推进了贵州地质矿产勘查工作的数字化转型,先后发现并提交了一批可供勘查的隐伏锰矿、磷矿、铝土矿、铅锌(锗)矿、重晶石矿和新发现的蚀变泥灰岩型锂矿等找矿靶区,支撑贵州新一轮找矿突破战略行动实现了新突破。取得的主要进展表明,团队实验研究成果既加快了贵州省地质矿产勘查工作的数字化转型,又推进了与大数据深度融合发展,培育和发展了地质矿产勘查领域的新质生产力,支撑了深部隐伏矿找矿实现新突破。为了进一步推进地质矿产勘查工作的数字化转型,发展地质矿产领域的数字经济,还需要进一步开展地质矿产勘查的“上云用数赋智”行动,加强关键技术研发并大力推广应用,在实践中不断探索、不断改进和发展。

关键词: 智慧探矿, 数字勘查, 玻璃国土, 数据资源体系, 智能预测

Abstract:

This paper presents a comprehensive summary of exploratory experimental research conducted by the ‘Industry-college-institute Cooperation’ technology innovation talent team in Guizhou Province, focusing on a novel intelligent exploration model leveraging big data. Utilizing a collaborative innovation system integrating industry-college-institute cooperation, the team undertook a retrospective analysis of mineral exploration processes employing big data for the famous ‘Datangpo’ manganese ore concentration area in China, as well as several concealed giant manganese deposits. Their research aimed to explore intelligent predictive methodologies and digital exploration techniques for deep-seated mineral resources, with the goal of cultivating and developing new quality productivity in the field of geological and mineral exploration. The team developed a big data-based metallogenic schema and exploration model, established a comprehensive geological big data resource system. They refined and widely promoted digital exploration technologies system, created a province-wide three-dimensional glass earth in Guizhou Province, and developed multi-scale, multi-objective progressive mineral prediction techniques. These efforts have significantly accelerated the digital transformation of geological and mineral exploration in Guizhou Province. Their efforts led to the discovery of multiple concealed exploration targets, including manganese, phosphate, bauxite, lead-zinc (germanium), barite, and newly identified altered limestone-type lithium deposits, contributing to significant advancements in Guizhou new round of prospecting breakthrough strategic action. The key outcomes indicate that the team’s research not only accelerates the digital transformation of geological mineral exploration but also fosters a deep integration with big data, cultivating and developing new quality productivity in the field of geological and mineral exploration and supporting breakthroughs in the exploration of concealed minerals. To further advance this digital transformation and develop a digital economy in geology, it is crucial to continue initiatives aimed at enhancing ‘Data cloud service, Deep integration of big data, and Enterprise intelligent transformation’ in exploration, strengthen the key technology research and development, and vigorously promote these applications, while continuously exploring, improving, and developing in practice.

Key words: intelligent exploration, digital exploration, Glass Earth in Guizhou Province, Data Resource System, intelligent prediction

中图分类号:

周琦, 吴冲龙. 基于大数据的智慧探矿模式实验研究与进展[J]. 地学前缘, 2024, 31(6): 350-367.

ZHOU Qi, WU Chonglong. Experimental research on big data-based intelligent exploration models and advance[J]. Earth Science Frontiers, 2024, 31(6): 350-367.

图/表 16

图1 贵州省域地质矿产勘查数字化转型的概念模型与整体应用架构

Fig.1 Conceptual model and overall application framework of digital transformation of geological and mineral exploration in Guizhou Province

图2 技术方法与应用模型层叠式复合结构(据文献[2]修改)

Fig.2 Technical method and application model laminated composite structure. Modified after [2].

图3 地矿勘查数据链和信息回环的形成(据文献[7-8]修改)

Fig.3 Formation of data link and information loop in geological exploration. Modified after [7-8].

图4 地质大数据调度管理方法体系与整体架构

Fig.4 Geological big data scheduling management method system and overall framework

图5 贵州省地矿局和所属地勘单位级地质云平台的整体架构

Fig.5 The overall framework of the geological cloud platform of Guizhou Bureau of Geology and Mineral Resources and its geological prospecting unit

图6 贵州数字勘查系统的工作模式

Fig.6 The working mode of Guizhou digital exploration system

图7 贵州三维可视化的结构—属性一体化的部分矿床地质模型

Fig.7 A 3D visualized structure-attribute integrated geological model of some deposits in Guizhou Province

图8 贵州省多尺度省域玻璃国土技术路线与工作流程

Fig.8 Technical route and work flow of multi-scale provincial glass earth in Guizhou Province

图9 贵州省多尺度三维构造—地层格架模型

Fig.9 Multi-scale three-dimensional structure-stratigraphic framework model in Guizhou Province

图10 基于1∶500 000结构—属性一体化三维模型进行地温场空间特征可视化分析示意

Fig.10 The spatial characteristics of ground temperature field are visualized based on 1∶500000 structure-attribute integrated 3D model

图11 由致矿地质异常(成矿条件)挖掘到矿致地质异常(控矿因素)挖掘的逻辑过程

Fig.11 The logical process from ore-forming geological anomaly (metallogenic conditions) to ore-indicating geological anomaly (ore-controlling factors)

图12 多尺度多目标递进式矿产资源预测的逻辑关系模型(据文献[40]修改)

Fig.12 Logical relationship model of multi-scale and multi-objective progressive mineral resource prediction. Modified after [40].

图13 针对地物化遥数据进行无模型的区域成矿构造背景条件(1P问题)挖掘

Fig.13 Excavation of regional metallogenic tectonic background conditions without model from geological,geophysical, geochemical and remote sensing data (1P problem).

图14 通过三维建模发现的与武陵次级裂谷交叉的北西向基底早期裂谷和锰矿床空间分布关系图(据文献[44])

Fig.14 The spatial distribution of the early basement rift and manganese deposit intersecting Wuling secondary rift in NW direction discovered by 3D modeling. Modified after [44].

图15 从向上延拓10 km的航磁ΔT异常中提取的两组线性体簇(据文献[44])

Fig.15 Two sets of linear body clusters extracted from aeromagnetic ΔT anomalies extending up 10 km. Modified after [44].

图16 基于多光谱遥感信息的黔东北锰矿集区(上)与黔西南金矿集区(下)的找矿有利地段(3P)预测

Fig.16 Prediction of favorable areas (3P) of manganese ore concentration in Northeast Guizhou (top) and gold deposit concentration in southwest Guizhou (bottom) based on multi-spectral remote sensing information

参考文献 50

[1]	周琦, 袁良军, 吴冲龙, 等. 贵州新元古代锰、重晶石等矿床成矿系列及找矿突破[J]. 地球学报, 2023, 44(5): 943-954.
[2]	吴冲龙, 刘刚, 田宜平, 等. 地矿勘查工作信息化的理论与方法问题[J]. 地球科学: 中国地质大学学报, 2005, 30(3): 359-365.
[3]	吴冲龙, 刘刚, 田宜平, 等. 论地质信息科学[J]. 地质科技情报, 2005, 24(3): 1-8.
[4]	吴冲龙, 刘刚, 田宜平, 等. 地质信息科学与技术概论[M]. 北京: 科学出版社, 2014.
[5]	吴冲龙, 刘刚, 周琦, 等. 地质科学大数据统合应用的基本问题[J]. 地质科技通报, 2020, 39(4): 1-11.
[6]	吴冲龙, 张夏林, 周琦, 等. 数字勘查与地质矿产勘查行业数字化转型[J]. 贵州地质, 2021, 38(2): 119-128.
[7]	吴冲龙, 张夏林, 李章林, 等. 固体矿产勘查信息系统[M]. 北京: 科学出版社, 2019.
[8]	吴冲龙, 刘刚, 张夏林, 等. 地质科学大数据及其利用的若干问题探讨[J]. 科学通报, 2016, 61(16): 1797-1807.
[9]	WALKER C. Personal data lake with data gravity pull[C]//2015 IEEE Fifth International Conference on Big Data and Cloud Computing (BdCloud 2015):Dalian Ch. Piscataway, N.J. : IEEE Computer Society, 2015, 160-173.
[10]	MUNSHI A A, MOHAMED Y A R I. Data lake lambda architecture for smart grids big data analytics[J]. IEEE Access, 2018, 6: 40463-40471.
[11]	孙卡. 海量地质空间数据的动态调度技术研究[D]. 武汉: 中国地质大学(武汉), 2010.
[12]	彭诗杰. 基于微服务体系结构和面向多地质主题的数据云服务关键技术研究[D]. 武汉: 中国地质大学(武汉), 2017.
[13]	何文娜, 王永志. 地质云计算原型系统[J]. 地球物理学进展, 2014, 29(6): 2886-2896.
[14]	陈建平, 李婧, 崔宁, 等. 大数据背景下地质云的构建与应用[J]. 地质通报, 2015, 34(7): 1260-1265.
[15]	谭永杰. 地质大数据与信息服务工程技术框架[J]. 地理信息世界, 2016, 23(1): 1-9.
[16]	谭永杰. 地质大数据体系建设的总体框架研究[J]. 中国地质调查, 2016, 3(3): 1-6.
[17]	陈根深, 刘军旗, 何忆, 等. 基于World Wind移动端的地质数据野外采集系统[J]. 计算机系统应用, 2019, 28(4): 96-104.
[18]	张夏林, 师志龙, 吴冲龙, 等. 基于移动设备的野外地质大数据智能采集和可视化技术[J]. 地质科技通报, 2020, 39(4): 21-28.
[19]	李章林, 吴冲龙, 张夏林, 等. 基于三维块体模型的矿体动态构模方法[J]. 矿业研究与开发, 2011, 31(1): 60-63.
[20]	李章林, 吴冲龙, 张夏林, 等. 地质科学大数据背景下的矿体动态建模方法探讨[J]. 地质科技通报, 2020, 39(4): 59-68.
[21]	张夏林, 吴冲龙, 周琦, 等. 基于勘查大数据和数据集市的锰矿床三维地质建模[J]. 地质科技通报, 2020, 39(4): 12-20.
[22]	HE Z W, WU C L, TIAN Y P, et al. Three-dimensional reconstruction of geological solids based on section topology reasoning[J]. Geo-spatial Information Science, 2008, 11(3): 201-208.
[23]	何珍文, 吴冲龙, 刘刚, 等. 地质空间认知与多维动态建模结构研究[J]. 地质科技情报, 2012, 31(6): 46-51.
[24]	田宜平, 吴冲龙, 翁正平, 等. 地质大数据可视化关键技术探讨[J]. 地质科技通报, 2020, 39(4): 29-36.
[25]	陈麒玉. 基于多点地质统计学的三维地质体随机建模方法研究: 以闽江口地区第四纪沉积体系建模为例[D]. 武汉: 中国地质大学, 2018.
[26]	HAN J W, KAMBER M, PEI J. Data mining: concepts and techniques[M]. 3rd ed. Amsterdam: Elsevier/Morgan Kaufmann, 2012.
[27]	陈国旭, 吴冲龙, 张夏林, 等. 支持多金属的矿产资源储量估算方法研究[J]. 中国矿业, 2009, 18(4): 99-101.
[28]	李章林, 王平, 李冬梅. 实验变差函数计算方法的研究与运用[J]. 国土资源信息化, 2008(2): 10-14.
[29]	李章林, 张夏林, 翁正平. 指示克里格法在矿体储量计算方面的研究与应用[J]. 矿业快报, 2008, 24(1): 11-15.
[30]	CARR G R, ANDREW A S, DENTON G J, et al. The “Glass Earth”: Geochemical frontiers in exploration through cover[J]. Australian Institute of Geoscientists Bulletin, 1999, 28: 33-40.
[31]	吴冲龙, 翁正平, 刘刚, 等. 论中国“玻璃国土” 建设[J]. 地质科技情报, 2012, 31(6): 1-8.
[32]	吴冲龙, 何珍文, 翁正平, 等. 地质数据三维可视化的属性、分类和关键技术[J]. 地质通报, 2011, 30(5): 642-649.
[33]	吴冲龙, 刘刚. “玻璃地球” 建设的现状、问题、趋势与对策[J]. 地质通报, 2015, 34(7): 1280-1287.
[34]	唐丙寅, 吴冲龙, 李新川. 一种基于TIN-CPG混合空间数据模型的精细三维地质模型构建方法[J]. 岩土力学, 2017, 38(4): 1218-1225.
[35]	MAYER-SCHÖNBERGER V, CUKIER K. Big data: a revolution that will transform how we live, work, and think[M]. Boston: Houghton Mifflin Harcourt, 2013.
[36]	吴冲龙, 周琦, 徐凯, 等. 用于大数据预测的大塘坡式锰矿找矿过程复盘研究[J]. 贵州地质, 2022, 39(3): 189-204.
[37]	徐凯, 袁良军, 杨炳南, 等. 黔东北伴生—次生矿物遥感数据组合式挖掘与隐伏锰矿信息提取[J]. 地质科技通报, 2020, 39(4): 37-43.
[38]	XU K, WANG X F, KONG C F, et al. Identification of hydrothermal alteration minerals for exploring gold deposits based on SVM and PCA using ASTER data: a case study of gulong[J]. Remote Sensing, 2019, 11(24): 3003.
[39]	XU K, ZHAO S Y, WU C L, et al. Manganese mineral prospectivity based on deep convolutional neural networks in Songtao of northeastern Guizhou[J]. Earth Science Informatics, 2024, 17(2): 1681-1697.
[40]	赵鹏大. “三联式”资源定量预测与评价: 数字找矿理论与实践探讨[J]. 地球科学: 中国地质大学学报, 2002, 27(5): 482-489.
[41]	赵鹏大. 大数据时代呼唤各科学领域的数据科学[J]. 中国科技奖励, 2014(9): 29-30.
[42]	陈毓川. 当代矿产资源勘查评价的理论与方法[M]. 北京: 地震出版社, 1999.
[43]	黄智龙, 陈进, 刘丛强, 等. 峨眉山玄武岩与铅锌矿床成矿关系初探: 以云南会泽铅锌矿床为例[J]. 矿物学报, 2001, 21(4): 681-688.
[44]	ZHOU Q, WU C L, HU X Y, et al. A new metallogenic model for the giant manganese deposits in northeastern Guizhou, China[J]. Ore Geology Reviews, 2022, 149: 105070.
[45]	周琦, 杜远生, 袁良军, 等. 黔湘渝毗邻区南华纪武陵裂谷盆地结构及其对锰矿的控制作用[J]. 地球科学, 2016, 41(2): 177-188.
[46]	朱介寿, 蔡学林, 曹家敏, 等. 中国华南及东海地区岩石圈三维结构及演化[M]. 北京: 地质出版社, 2005.
[47]	邸凯昌, 李德毅, 李德仁. 云理论及其在空间数据发掘和知识发现中的应用[J]. 中国图象图形学报, 1999, 4(11): 32-37.
[48]	李德仁, 王树良, 李德毅. 空间数据挖掘理论与应用[M]. 2版. 北京: 科学出版社, 2013.
[49]	SCHMIDHUBER J. Deep learning in neural networks: an overview[J]. Neural Networks, 2015, 61: 85-117. PMID
[50]	SILVA A A, LIMA NETO I A, MISSÁGIA R M, et al. Artificial neural networks to support petrographic classification of carbonate-siliciclastic rocks using well logs and textural information[J]. Journal of Applied Geophysics, 2015, 117: 118-125.

基于大数据的智慧探矿模式实验研究与进展

Experimental research on big data-based intelligent exploration models and advance

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 16

参考文献 50

相关文章 15

编辑推荐

Metrics

本文评价

[1]	李方兰, 刘学龙, 周云满, 赵成峰, 李守奎, 王基元, 陆波德, 李庆锐, 张卫文, 王海, 曹振梁, 周杰虎. 滇西保山地块陡崖铁铜多金属矿床石榴子石年代学及其地球化学特征[J]. 地学前缘, 2024, 31(3): 113-132.
[2]	徐志豪, 闫国英, 杨宗锋, 王昭静, 申俊峰, 张萌萌, 李培培, 徐渴鑫. 白云鄂博矿床磁铁矿成分标型与深部富铁矿体预测[J]. 地学前缘, 2023, 30(2): 426-439.
[3]	杨誉博, 苏尚国, 霍延安, 宁亚格, 顾大鹏. 邯邢式铁矿形成机制:来自河北武安斑状二长岩中“含铁熔体-流体”的证据[J]. 地学前缘, 2022, 29(3): 304-318.
[4]	邓淼, 韦春婉, 许成, 石爱国, 李卓骐, 范朝熙, 匡光喜. 白云鄂博超大型稀土矿床成因评述[J]. 地学前缘, 2022, 29(1): 14-28.
[5]	张振杰, 成秋明, 杨玠, 武国朋, 葛云钊. 机器学习与成矿预测:以闽西南铁多金属矿预测为例[J]. 地学前缘, 2021, 28(3): 221-235.
[6]	陈辉, 林鲁军, 庞振山, 程志中, 薛建玲, 陶文, 马一行, 龚灵明, 申红涛. 四川会理拉拉铜矿找矿预测模型构建与找矿示范[J]. 地学前缘, 2021, 28(3): 309-327.
[7]	李季霖, 陈正乐, 周涛发, 韩凤彬, 张文高, 霍海龙, 刘博, 赵同阳, 韩琼, 李平, 郑加行, 陈贵民. 新疆尾亚—天湖地区花岗岩类剥蚀程度估算及对区域找矿的启示[J]. 地学前缘, 2021, 28(3): 355-378.
[8]	赵新福, 曾丽平, 廖旺, 李婉婷, 胡浩, 李建威. 长江中下游成矿带玢岩铁矿研究新进展及对矿床成因的启示[J]. 地学前缘, 2020, 27(2): 197-217.
[9]	吕庆田, 孟贵祥, 严加永, 张昆, 龚雪婧, 高凤霞. 长江中下游成矿带铁-铜成矿系统结构的地球物理探测: 综合分析[J]. 地学前缘, 2020, 27(2): 232-253.
[10]	侯晓阳，苏尚国，杨跃跃. 河北武安玉石洼铁矿中磁铁矿特征及其对铁矿床成因指示意义 [J]. 地学前缘, 2019, 26(6): 244-256.
[11]	金润成, 李国武, 尹京武, 金炳成, 金哲秀. 磁铁石英岩铁运输沉淀的pH值条件约束:以朝鲜半岛龙渊铁矿床为例 [J]. 地学前缘, 2019, 26(2): 304-311.
[12]	于文佳，罗照华，刘永顺，孙君一，李重，王峥，唐泽勋. 拉拉铁铜矿床成因：来自细碧角斑岩岩相学和地球化学的证据[J]. 地学前缘, 2019, 26(1): 300-312.
[13]	孙君一，于文佳，唐泽勋，李重，罗照华. 川西拉拉Fe-Cu矿区含矿镁铁质层状岩席的首次发现及其成岩成矿意义[J]. 地学前缘, 2019, 26(1): 313-325.
[14]	温利刚，曾普胜，詹秀春，范晨子，孙冬阳，王广，袁继海，费晓杰. 迤纳厂矿床：一个“白云鄂博式”铁铜稀土矿床[J]. 地学前缘, 2018, 25(6): 308-329.
[15]	梁培，陈华勇，吴超，刘振江. 东准噶尔北缘老山口铁铜金矿床古生代岩浆岩锆石U-Pb年代学、氧逸度特征及地质意义[J]. 地学前缘, 2018, 25(5): 96-118.