大数据智能预测评价

doi:10.13745/j.esf.sf.2025.4.58

地学前缘 ›› 2025, Vol. 32 ›› Issue (4): 20-37.DOI: 10.13745/j.esf.sf.2025.4.58

大数据智能预测评价

肖克炎¹^,²(), 李程¹^,²^,^*(), 唐瑞¹^,², 王瑶¹^,², 孙莉¹^,², 柳炳利², 樊铭静³

1.中国地质科学院矿产资源研究所, 北京 100037
2.成都理工大学数学地质四川省重点实验室, 四川成都 610059
3.中国地质调查局天津地质调查中心, 天津 300170

收稿日期:2024-11-30 修回日期:2025-04-01 出版日期:2025-07-25 发布日期:2025-08-04
通信作者: *李程(1987—),男,副教授,主要从事地球化学及数学地质方向研究工作。E-mail: leecheng@cdut.edu.cn
作者简介:肖克炎(1963—),男,研究员,长期从事矿产资源潜力评价和深部成矿预测研究工作。E-mail: kyanxiao@sohu.com
基金资助:
河北省战略性关键矿产研究协同创新中心开放基金项目(HGUXT-2024-1);自然资源部深部金矿勘查开采技术创新中心开放课题(LDKF-2023BZX-20);国家重点研发计划项目(2023YFC2906404);国家重点研发计划项目(2023YFC2906605);中国地质调查项目(DD20230366);中国地质调查项目(DD20230040);中国地质调查项目(DD20243222);湖南省地质院科技项目(HNGSTP202302)

Big data intelligent prediction and evaluation

XIAO Keyan¹^,²(), LI Cheng¹^,²^,^*(), TANG Rui¹^,², WANG Yao¹^,², SUN Li¹^,², LIU Bingli², FAN Mingjing³

1. Institute of Mineral Resources, Chinese Academy of Geological Sciences, Beijing 100037, China
2. Geomathematics Key Laboratory of Sichuan Province, Chengdu University of Technology, Chengdu 610059, China
3. Tianjin Center of China Geological Survey, Tianjin 300170, China

Received:2024-11-30 Revised:2025-04-01 Online:2025-07-25 Published:2025-08-04

摘要/Abstract

摘要：

随着大数据时代的到来,大数据技术在矿产勘查中的应用已成为未来发展的趋势。本文系统梳理了大数据找矿和综合信息预测理论的发展历程,探讨了大数据在矿产预测中的关键技术,并结合实际案例,得出以下主要结论:首先,大数据找矿能够有效应对数据量和复杂性增加的问题,提供更准确的数据解读和预测支持;其次,大数据找矿作为一种技术手段,必须依赖于坚实的矿产找矿理论,特别是综合信息预测理论,后者不仅为大数据方法提供理论支撑,还能提高矿产资源预测的精度和效率;最后,基于综合信息预测理论,结合卷积神经网络(CNN)模型对内蒙古白音查干东山-毛登地区进行成矿预测,展示了其在矿产资源预测中的应用潜力。研究成果为大数据找矿的应用和理论发展提供了重要的参考和实践经验。

关键词: 大数据, 矿产资源预测, 机器学习, 综合信息矿产预测, 智能预测

Abstract:

With the arrival of the big data era, the application of big data technology in mineral exploration has become a trend for future development. This study systematically reviews the development of big data-based mineral exploration and integrated information prediction theories, explores the key technologies of big data in mineral prediction, and presents the following main conclusions based on practical case studies: First, big data mineral exploration can effectively address the challenges of increasing data volume and complexity, providing more accurate data interpretation and predictive support. Second, as a technological tool, big data mineral exploration must rely on solid mineral exploration theories, especially integrated information prediction theory. This theory not only provides theoretical support for big data methods but also improves the accuracy and efficiency of mineral resource predictions. Finally, based on integrated information prediction theory and using a convolutional neural network (CNN) model, mineral prediction for the Baiyinchagan Dongshan-Maodeng area in Inner Mongolia was conducted, demonstrating its application potential in mineral resource prediction. The research findings provide valuable references and practical experience for the application and theoretical development of big data in mineral exploration.

Key words: big data, mineral resource prediction, machine learning, integrated information mineral prediction, intelligent prediction

中图分类号:

P612

肖克炎, 李程, 唐瑞, 王瑶, 孙莉, 柳炳利, 樊铭静. 大数据智能预测评价[J]. 地学前缘, 2025, 32(4): 20-37.

XIAO Keyan, LI Cheng, TANG Rui, WANG Yao, SUN Li, LIU Bingli, FAN Mingjing. Big data intelligent prediction and evaluation[J]. Earth Science Frontiers, 2025, 32(4): 20-37.

图/表 11

图1 固体矿产勘查技术的发展历程

Fig.1 The development history of solid mineral exploration technology

图2 大数据智能预测研究路线

Fig.2 Research route of big data intelligent prediction

图3 知识图谱构建流程

Fig.3 Knowledge graph construction process

图4 矿床成矿系列综合信息预测方法工作内容与流程图(据文献[86])

Fig.4 Work content and flow chart of the theoretical method for integrated geological information prediction of metallogenic series. Adapted from [86].

图5 大兴安岭南段地质简图及矿床分布图(据文献[32])

Fig.5 Geological Sketch of the Southern Great Hinggan Mountains and distribution map of ore deposits. Adapted from [32].

图6 研究区区域地质图

Fig.6 Regional geological map of the study area

图7 知识图谱查询结果 a—区域矿床成矿类型;b—区域矿床成矿时代;c—区域矿床赋矿地层;d—区域矿床控矿构造。

Fig.7 The query results of the knowledge graph (a—Types of regional mineral deposits; b—Metallogenic epochs of regional mineral deposits; c—Host strata of regional mineral deposits;d—Ore-controlling structures of regional mineral deposits)

表1 根据知识图谱总结区域找矿模型

Table 1 Summary of regional prospecting models based on knowledge graph

类	实体	实例
成矿地质背景	成矿时代	燕山期
	地层	大石寨组
	构造	断裂裂隙
	岩浆岩	闪长岩、花岗岩、花岗斑岩
	围岩	砾岩、粉砂岩、变质粉砂岩
	蚀变	硅化、黄铁矿化、绿泥石化、绢云母化、高岭土化
	矿物组合	蓝铜矿、孔雀石
	元素异常	铜、银、铅、锌、钨、锡、钼

表2 区域综合信息定量预测模型

Table 2 Regional integrated information quantitative prediction model

控矿地质条件及矿致异常	成矿预测因子	特征变量
地层条件	有利地层	白音高老组、大石寨组、本巴图组
地层条件	地层组合熵	60~79
岩浆岩条件	成矿有利岩性	花岗斑岩、中细粒斑状二长花岗岩、中细粒似斑状花岗岩、中细粒辉石闪长岩、细粒二长花岗岩和中粒辉长闪长岩
构造条件	有利构造发育部位	等密度异常区
	控矿构造	构造600 m缓冲区
	火山构造	9 km缓冲区
地球化学异常	单元素异常	Cu、Sn、Sb和W异常
地球化学异常	综合异常	综合异常
地球物理异常	布尔重力异常	布格重力异常图上,矿区位于平稳的布格重力低异常的边界,异常变化范围(-130.93~-122)×10^-6 m/s;剩余重力异常图上,矿区位于剩余重力负异常L蒙-387的一侧,异常呈北东走向,该负异常最低值为-8.06×10^-6 m/s²
地球物理异常	航磁ΔT化极垂向一阶导数	航磁化极值-50~100 nT的范围
遥感异常	蚀变异常	羟基异常
	蚀变异常	铁染异常
	遥感特征	解译断层及环要素(推测隐伏岩体)

图8 卷积神经网络ROC曲线图

Fig.8 Convolutional neural network ROC curve

图9 CNN预测远景区图

Fig.9 CNN predicted prospecting area

参考文献 141

[1]	周永章, 陈烁, 张旗, 等. 大数据与数学地球科学研究进展: 大数据与数学地球科学专题代序[J]. 岩石学报, 2018, 34(2): 255-263.
[2]	周永章, 黎培兴, 王树功, 等. 矿床大数据及智能矿床模型研究背景与进展[J]. 矿物岩石地球化学通报, 2017, 36(2): 327-331, 344.
[3]	路英川, 李鹏, 王浩, 等. 大数据时代矿床学研究发展状况综述[J]. 世界核地质科学, 2021, 38(3): 295-310.
[4]	王俊洁, 吕雨璐. 地质大数据与机器学习在成矿预测中的应用[J]. 中国新技术新产品, 2024(20): 108-110.
[5]	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.
[6]	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.
[7]	肖克炎, 孙莉, 李楠, 等. 大数据思维下的矿产资源评价[J]. 地质通报, 2015, 34(7): 1266-1272.
[8]	周永章, 左仁广, 刘刚, 等. 数学地球科学跨越发展的十年: 大数据、人工智能算法正在改变地质学[J]. 矿物岩石地球化学通报, 2021, 40(3): 556-573.
[9]	王登红, 刘新星, 刘丽君. 地质大数据的特点及其在成矿规律、成矿系列研究中的应用[J]. 矿床地质, 2015, 34(6): 1143-1154.
[10]	周永章, 肖凡. 管窥人工智能与大数据地球科学研究新进展[J]. 地学前缘, 2024, 31(4): 1-6. DOI
[11]	姚晓峰, 施俊法, 陈骥, 等. 从“直接找矿” 到“智能找矿”: 脉络与启示[J]. 矿产勘查, 2024, 15(4): 671-679.
[12]	朱训, 陈洲其. 中华人民共和国地质矿产史: 1949—2000[M]. 北京: 地质出版社, 2003.
[13]	叶天竺, 韦昌山, 王玉往, 等. 勘查区找矿预测理论与方法: 各论[M]. 北京: 地质出版社, 2017.
[14]	谢学锦. 勘查地球化学:发展史·现状·展望[J]. 地质与勘探, 2002(6): 1-9.
[15]	施俊法, 吴传璧. 巨型矿床勘查新战略: 信息找矿[J]. 矿床地质, 2000, 19(1): 88-95.
[16]	施俊法, 肖庆辉. 经验勘查与理论勘查的发展趋势[J]. 地质通报, 2004, 23(8): 809-815.
[17]	赵鹏大. 大数据时代数字找矿与定量评价[J]. 地质通报, 2015, 34(7): 1255-1259.
[18]	赵鹏大. 地质大数据特点及其合理开发利用[J]. 地学前缘, 2019, 26(4): 1-5. DOI
[19]	赵鹏大. 数字地质与矿产资源评价[J]. 地质学刊, 2012, 36(3): 225-228.
[20]	赵鹏大, 陈永清. 数字地质与数字矿产勘查[J]. 地学前缘, 2021, 28(3): 1-5, 434-435.
[21]	赵鹏大. 找矿理念: 从定性到定量(代序)[J]. 地质通报, 2011, 30(5): 625-629.
[22]	AGTERBERG F. Geomathematics:theoretical foundations, applications and future developments[M]. Cham: Springer International Publishing, 2014.
[23]	XIAO K Y, LI N, JESSELL M. Quantitative assessment of China’s mineral resources part 2[J]. Ore Geology Reviews, 2020, 120: 103303.
[24]	肖克炎, 陈学工, 李楠, 等. 地质矿产勘探评价三维可视化技术及探矿者软件开发[J]. 矿床地质, 2010, 29(增刊1): 758-760.
[25]	毛先成, 张苗苗, 邓浩, 等. 矿区深部隐伏矿体三维可视化预测方法[J]. 地质学刊, 2016, 40(3): 363-371.
[26]	陈建平, 于淼, 于萍萍, 等. 重点成矿带大中比例尺三维地质建模方法与实践[J]. 地质学报, 2014, 88(6): 1187-1195.
[27]	袁峰, 李晓晖, 张明明, 等. 隐伏矿体三维综合信息成矿预测方法[J]. 地质学报, 2014, 88(4): 630-643.
[28]	奚小环. 大数据科学从信息化、模式化到智能化: 现代地球化学应用研究的新范式[J]. 地学前缘, 2021, 28(1): 308-317. DOI
[29]	左仁广, 王健, 熊义辉, 等. 2011—2020年勘查地球化学数据处理研究进展[J]. 矿物岩石地球化学通报, 2021, 40(1): 81-93, 4.
[30]	ROUET-LEDUC B, HULBERT C, LUBBERS N, et al. Machine learning predicts laboratory earthquakes[J]. Geophysical Research Letters, 2017, 44(18): 9276-9282.
[31]	WU X M, FOMEL S. Automatic fault interpretation with optimal surface voting[J]. Geophysics, 2018, 83(5): O67-O82.
[32]	LI C, XIAO K Y, SUN L, et al. CNN-Transformers for mineral prospectivity mapping in the Maodeng-Baiyinchagan area, Southern Great Xing’an Range[J]. Ore Geology Reviews, 2024, 167: 106007.
[33]	于立红, 张善良, 王国君. 基于多源地学数据的找矿预测应用研究[J]. 矿产勘查, 2023, 14(8): 1432-1439.
[34]	高孝敏, 孙宇佳, 垢元培, 等. 利用新型三维智能模型估算露天矿山的资源储量[J]. 矿产勘查, 2021, 12(12): 2468-2475.
[35]	左仁广, 成秋明, 许莹, 等. 可解释性矿产预测人工智能模型[J]. 中国科学: 地球科学, 2024, 54(9): 2917-2928.
[36]	成秋明. 什么是数学地球科学及其前沿领域?[J]. 地学前缘, 2021, 28(3): 6-25. DOI
[37]	朱裕生. 成矿预测方法[M]. 北京: 地质出版社, 1997.
[38]	ALLAIS M. Method of appraising economic prospects of mining exploration over large territories: Algerian Sahara case study[J]. Management Science, 1957, 3(4): 285-347.
[39]	CARGILL S M, CLARKA L. Report on the activity of IGCP project 98[J]. Journal of the International Association for Mathematical Geology, 1978, 10(5): 411-417.
[40]	SINGER D A. Progress in integrated quantitative mineral resource assessments[J]. Ore Geology Reviews, 2010, 38(3): 242-250.
[41]	赵鹏大, 陈建平, 张寿庭. “三联式” 成矿预测新进展[J]. 地学前缘, 2003, 10(2): 455-463.
[42]	赵鹏大, 池顺都. 初论地质异常[J]. 地球科学: 中国地质大学学报, 1991, 16(3): 241-248.
[43]	王世称, 王於天. 综合信息解译原理与矿产预测图编制方法[M]. 长春: 吉林大学出版社, 1989.
[44]	王世称. 综合信息矿产预测理论与方法[M]. 北京: 科学出版社, 2000.
[45]	CHENG Q M, AGTERBERG F P, BALLANTYNE S B. The separation of geochemical anomalies from background by fractal methods[J]. Journal of Geochemical Exploration, 1994, 51(2): 109-130.
[46]	CHENG Q M. Non-linear theory and power-law models for information integration and mineral resources quantitative assessments[J]. Mathematical Geosciences, 2008, 40(5): 503-532.
[47]	CHENG Q M. Singularity theory and methods for mapping geochemical anomalies caused by buried sources and for predicting undiscovered mineral deposits in covered areas[J]. Journal of Geochemical Exploration, 2012, 122: 55-70.
[48]	叶天竺, 肖克炎, 严光生. 矿床模型综合地质信息预测技术研究[J]. 地学前缘, 2007, 14(5): 11-19.
[49]	XIAO K Y, XING S W, BAGAS L, et al. The China national mineral assessment initiative[J]. Ore Geology Reviews, 2017, 91: 1084-1093.
[50]	成秋明. 非线性成矿预测理论: 多重分形奇异性-广义自相似性-分形谱系模型与方法[J]. 地球科学:中国地质大学学报, 2006, 31(3): 337-348.
[51]	AGTERBERG F. Geomathematics:theoretical foundations, applications and future developments[M]. Geomathematics: Theoretical Foundations, Applications and Future Developments, 2014.
[52]	燕群. 矿床知识图谱构建方法及找矿预测应用: 以甘肃寨上-马坞金矿集区为例[D]. 长春: 吉林大学, 2022.
[53]	谢雪景, 谢忠, 马凯, 等. 结合BERT与BiGRU-Attention-CRF模型的地质命名实体识别[J]. 地质通报, 2023, 42(5): 846-855.
[54]	陈建平, 李靖, 谢帅, 等. 中国地质大数据研究现状[J]. 地质学刊, 2017, 41(3): 353-366.
[55]	WANG D, ZHAO F Y, WANG R, et al. A lightweight convolutional neural network for nicotine prediction in tobacco by near-infrared spectroscopy[J]. Frontiers in Plant Science, 2023, 14: 1138693.
[56]	MA X G, MA C, WANG C B. A new structure for representing and tracking version information in a deep time knowledge graph[J]. Computers and Geosciences, 2020, 145: 104620.
[57]	QIU Q J, XIE Z, WU L, et al. BiLSTM-CRF for geological named entity recognition from the geoscience literature[J]. Earth Science Informatics, 2019, 12(4): 565-579.
[58]	WANG S, ZHU Y Q, QI Y M, et al. A unified framework of temporal information expression in geosciences knowledge system[J]. Geoscience Frontiers, 2023, 14(5): 101465.
[59]	王成彬, 王明果, 王博, 等. 融合知识图谱的矿产资源定量预测[J]. 地学前缘, 2024, 31(4): 26-36. DOI
[60]	陈悦, 陈超美, 刘则渊, 等. CiteSpace知识图谱的方法论功能[J]. 科学学研究, 2015, 33(2): 242-253.
[61]	刘峤, 李杨, 段宏, 等. 知识图谱构建技术综述[J]. 计算机研究与发展, 2016, 53(3): 582-600.
[62]	徐增林, 盛泳潘, 贺丽荣, 等. 知识图谱技术综述[J]. 电子科技大学学报, 2016, 45(4): 589-606.
[63]	钟佳娃, 刘巍, 王思丽, 等. 文本情感分析方法及应用综述[J]. 数据分析与知识发现, 2021, 5(6): 1-13. DOI
[64]	周雅倩, 郭以昆, 黄萱菁, 等. 基于最大熵方法的中英文基本名词短语识别[J]. 计算机研究与发展, 2003(3): 440-446.
[65]	周永章, 陈川, 张旗, 等. 地质大数据分析的若干工具与应用[J]. 大地构造与成矿学, 2020, 44(2): 173-182.
[66]	王琦. 基于深度学习的金融问答系统的设计与实现[D]. 沈阳: 中国科学院大学(中国科学院沈阳计算技术研究所), 2021.
[67]	LAPPIN S, LEASS H J. An algorithm for pronominal Anaphora resolution[J]. Computational Linguistics, 1994, 20(4): 535-561.
[68]	韩院彬. Web服务网络分析和社区发现研究[D]. 天津: 天津大学, 2015.
[69]	翟裕生. 关于矿床学研究前景的探讨[J]. 矿床地质, 1999, 18(2): 146-152.
[70]	翟裕生. 论成矿系统[J]. 地学前缘, 1999, 6(1): 13-27.
[71]	翟裕生, 邓军, 崔彬, 等. 成矿系统及综合地质异常[J]. 现代地质, 1999, 13(1): 99-104.
[72]	翟裕生, 邓军, 彭润民. 中国区域成矿若干问题探讨[J]. 矿床地质, 1999, 18(4): 323-332.
[73]	陈衍景, PIRAJNO F, 赖勇, 等. 胶东矿集区大规模成矿时间和构造环境[J]. 岩石学报, 2004, 20(4): 907-922.
[74]	毛景文, 李晓峰, 李厚民, 等. 中国造山带内生金属矿床类型、特点和成矿过程探讨[J]. 地质学报, 2005, 79(3): 342-372.
[75]	蒋少涌, 戴宝章, 姜耀辉, 等. 胶东和小秦岭: 两类不同构造环境中的造山型金矿省[J]. 岩石学报, 2009, 25(11): 2727-2738.
[76]	李建威, 隋吉祥, 靳晓野, 等. 西秦岭夏河—合作地区与还原性侵入岩有关的金成矿系统及其动力学背景和勘查意义[J]. 地学前缘, 2019, 26(5): 17-32. DOI
[77]	HWANG J, NAM K W, RYU K H. Designing and implementing a geologic information system using a spatiotemporal ontology model for a geologic map of Korea[J]. Computers and Geosciences, 2012, 48: 173-186.
[78]	MA C, KALEA S, ZHANG J Y, et al. A knowledge graph and service for regional geologic time standards[J]. Geoscience Frontiers, 2023, 14(5): 101453.
[79]	YU C M, ZHANG L M, HOU M C, et al. Climate paleogeography knowledge graph and deep time paleoclimate classifications[J]. Geoscience Frontiers, 2023, 14(5): 101450.
[80]	张雪英, 张春菊, 吴明光, 等. 顾及时空特征的地理知识图谱构建方法[J]. 中国科学: 信息科学, 2020, 50(7): 1019-1032.
[81]	张春菊, 刘文聪, 张雪英, 等. 基于本体的金矿知识图谱构建方法[J]. 地球信息科学学报, 2023, 25(7): 1269-1281. DOI
[82]	MINOLFI G, JARVA J, TARVAINEN T. Humus samples as an indicator of long-term anthropogenic input: a case study from southern Finland[J]. Journal of Geochemical Exploration, 2017, 181: 205-218.
[83]	WÓJCIK S, OSMAN T, ZAWADA P. Semantic approach for prospectivity analysis of mineral deposits[C]// International Conference on Geographical Information Systems Theory. 2016.DOI:10.5220/0005871001800189.
[84]	周永章, 张前龙, 黄永健, 等. 钦杭成矿带斑岩铜矿知识图谱构建及应用展望[J]. 地学前缘, 2021, 28(3): 67-75. DOI
[85]	陈永清, 王世称. 综合信息成矿系列预测的基本原理和方法[J]. 山东地质, 1995, 11(1): 55-62.
[86]	肖克炎, 樊铭静, 孙莉, 等. 矿床成矿系列综合信息预测理论方法及其应用[J]. 地球学报, 2023, 44(5): 769-780.
[87]	王世称. 综合信息矿产预测理论与方法体系新进展[J]. 地质通报, 2010, 29(10): 1399-1403.
[88]	肖克炎, 娄德波, 黄文斌, 等. 区域矿产预测图及综合解释模型[J]. 吉林大学学报(地球科学版), 2012, 42(6): 1966-1975.
[89]	刘春学. 个旧锡矿区高松矿田综合信息成矿预测[D]. 昆明: 昆明理工大学, 2002.
[90]	叶水盛. 综合信息矿产预测系统在内蒙古大兴安岭东南部多金属矿床密集区预测应用研究[D]. 长春: 吉林大学, 2007.
[91]	雷万杉. 内蒙古赤峰南部地区金矿综合信息矿产预测[D]. 长春: 吉林大学, 2009.
[92]	赵震宇, 王世称, 许亚明, 等. 综合信息矿产预测理论在危机矿山资源预测中的应用思考[J]. 世界地质, 2002, 21(3): 283-286, 299.
[93]	王世称, 成秋明, 范继璋. 金矿综合信息找矿模型[J]. 长春地质学院学报, 1989, 19(3): 311-316.
[94]	张原庆, 王世称, 宋炳忠, 等. 地球化学信息在综合信息矿产预测中的应用[J]. 地学前缘, 2005, 12(3): 323-324.
[95]	王世称, 陈永清. 综合信息成矿系列预测图编制的基本原则[J]. 中国地质, 1994, 21(3): 25-27.
[96]	陈凯, 朱钰. 机器学习及其相关算法综述[J]. 统计与信息论坛, 2007, 22(5): 105-112.
[97]	李永国, 徐彩银, 汤璇, 等. 半监督学习方法研究综述[J]. 世界科技研究与发展, 2023, 45(1): 26-40.
[98]	李茹杨, 彭慧民, 李仁刚, 等. 强化学习算法与应用综述[J]. 计算机系统应用, 2020, 29(12): 13-25.
[99]	李航. 统计学习方法[M]. 2版. 北京: 清华大学出版社, 2019.
[100]	LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature, 2015, 521(7553): 436-444.
[101]	周飞燕, 金林鹏, 董军. 卷积神经网络研究综述[J]. 计算机学报, 2017, 40(6): 1229-1251.
[102]	HEBB D O. The organization of behavior a neuropsychological theory[M]. London: Psychology Press, 2013.
[103]	ROSENBLATT F. The perceptron: a probabilistic model for information storage and organization in the brain[J]. Psychological Review, 1958, 65(6): 386-408. DOI PMID
[104]	MARVIN M, SEYMOUR A P. Perceptrons[M]. Cambridge, MA: MIT Press, 1969.
[105]	RUMELHART D E, HINTON G E, WILLIAMS R J. Learning representations by back-propagating errors[J]. Nature, 1986, 323(6088): 533-536.
[106]	HINTON G E, SALAKHUTDINOV R R. Reducing the dimensionality of data with neural networks[J]. Science, 2006, 313(5786): 504-507. DOI PMID
[107]	张振杰, 成秋明, 杨玠, 等. 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. DOI
[108]	张士红. 基于深度学习的四川会理“拉拉式” 铜矿找矿预测研究[D]. 北京: 中国地质大学(北京), 2020.
[109]	BROWN W M, GEDEON T D, GROVES D I, et al. Artificial neural networks: a new method for mineral prospectivity mapping[J]. Australian Journal of Earth Sciences, 2000, 47(4): 757-770.
[110]	HARRIS D, ZURCHER L, STANLEY M, et al. A comparative analysis of favorability mappings by weights of evidence, probabilistic neural networks, discriminant analysis, and logistic regression[J]. Natural Resources Research, 2003, 12(4): 241-255.
[111]	PORWAL A, CARRANZA E J M, HALE M. Artificial neural networks for mineral-potential mapping: a case study from Aravalli Province, Western India[J]. Natural Resources Research, 2003, 12(3): 155-171.
[112]	麻土华, 李长江. 基于GIS的ANN型矿产资源评价系统[J]. 地质论评, 2000, 46(增刊1): 182-188.
[113]	ABEDI M, NOROUZI G H, BAHROUDI A. Support vector machine for multi-classification of mineral prospectivity areas[J]. Computers and Geosciences, 2012, 46: 272-283.
[114]	ZUO R G, CARRANZA E J M. Support vector machine: a tool for mapping mineral prospectivity[J]. Computers and Geosciences, 2011, 37(12): 1967-1975.
[115]	GERANIAN H, TABATABAEI S H, ASADI H H, et al. Application of discriminant analysis and support vector machine in mapping gold potential areas for further drilling in thesari-gunay gold deposit, NW Iran[J]. Natural Resources Research, 2016, 25(2): 145-159.
[116]	戴黎明, 陈永良, 周永刚, 等. 基于决策树的矿产资源潜力制图模型[J]. 地球物理学进展, 2009, 24(3): 1081-1087.
[117]	BREIMAN L. Bagging predictors[J]. Machine Learning, 1996, 24(2): 123-140.
[118]	BREIMAN L. Random forests[J]. Machine Learning, 2001, 45: 5-32.
[119]	WASKE B, BRAUN M. Classifier ensembles for land cover mapping using multitemporal SAR imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2009, 64(5): 450-457.
[120]	VINCENZI S, ZUCCHETTA M, FRANZOI P, et al. Application of a Random Forest algorithm to predict spatial distribution of the potential yield of Ruditapes philippinarum in the Venice lagoon, Italy[J]. Ecological Modelling, 2011, 222(8): 1471-1478.
[121]	RODRIGUES M, DE LA RIVA J, FOTHERINGHAM S. Modeling the spatial variation of the explanatory factors of human-caused wildfires in Spain using geographically weighted logistic regression[J]. Applied Geography, 2014, 48: 52-63.
[122]	RODRIGUEZ-GALIANO V F, CHICA-OLMO M, CHICA-RIVAS M. Predictive modelling of gold potential with the integration of multisource information based on random forest: a case study on the Rodalquilar area, Southern Spain[J]. International Journal of Geographical Information Science, 2014, 28(7): 1336-1354.
[123]	CARRANZA E J M, LABORTE A G. Random forest predictive modeling of mineral prospectivity with small number of prospects and data with missing values in Abra (Philippines)[J]. Computers and Geosciences, 2015, 74: 60-70.
[124]	CHEN Y L, WU W. Mapping mineral prospectivity using an extreme learning machine regression[J]. Ore Geology Reviews, 2017, 80: 200-213.
[125]	陈永良, 周斌, 李学斌. 基于Boltzmann机的矿产靶区预测[J]. 地球物理学进展, 2012, 27(1): 179-185.
[126]	杨中宝, 彭省临, 李朝艳. 基于GIS的人工神经网络矿产预测系统设计及应用[J]. 地球科学与环境学报, 2005, 27(1): 30-33.
[127]	邵拥军, 贺辉, 张贻舟, 等. 基于BP神经网络的湘西金矿成矿预测[J]. 中南大学学报(自然科学版), 2007, 38(6): 1192-1198.
[128]	柏坚, 俞乐. 径向基神经网络模型在滇东南金矿潜力预测中的应用[J]. 浙江大学学报(理学版), 2011, 38(3): 354-361.
[129]	阴江宁, 肖克炎. Hopfield神经网络在矿产资源评价中的应用: 以新疆东天山铜镍硫化物矿床为例[J]. 地球物理学进展, 2012, 27(4): 1708-1716.
[130]	王档. 基于SVM模型和空间推理的矿产资源潜力评价方法及应用[D]. 成都: 电子科技大学, 2014.
[131]	CHEN Y L, AN A J. Application of ant colony algorithm to geochemical anomaly detection[J]. Journal of Geochemical Exploration, 2016, 164: 75-85.
[132]	RODRIGUEZ-GALIANO V, SANCHEZ-CASTILLO M, CHICA-OLMOM, et al. Machine learning predictive models for mineral prospectivity: an evaluation of neural networks, random forest, regression trees and support vector machines[J]. Ore Geology Reviews, 2015, 71: 804-818.
[133]	LI T F, XIA Q L, ZHAO M Y, et al. Prospectivity mapping for tungsten polymetallic mineral resources, Nanling metallogenic belt, South China: use of random forest algorithm from a perspective of data imbalance[J]. Natural Resources Research, 2020, 29(1): 203-227.
[134]	YU H, WANG L, WANG Z M, et al. Using landsat OLI and random forest to assess grassland degradation with aboveground net primary production and electrical conductivity data[J]. ISPRS International Journal of Geo-Information, 2019, 8(11): 511.
[135]	李苍柏, 肖克炎, 李楠, 等. 支持向量机、随机森林和人工神经网络机器学习算法在地球化学异常信息提取中的对比研究[J]. 地球学报, 2020, 41(2): 309-319.
[136]	DAVIRAN M, MAGHSOUDI A, GHEZELBASH R, et al. A new strategy for spatial predictive mapping of mineral prospectivity: automated hyperparameter tuning of random forest approach[J]. Computers and Geosciences, 2021, 148: 104688.
[137]	吴春明, 吕新彪. 基于GIS的K-近邻法在成矿预测中的应用: 以新疆东天山地区铁矿预测为例[J]. 地质科技情报, 2012, 31(6): 147-150.
[138]	张洪雨. 基于KNN与ISOMAP的地球化学数据处理与应用研究[D]. 成都: 成都理工大学, 2015.
[139]	曹赛男, 张乾荣, 刘斌, 等. KNN改进算法在圈定地球化学元素异常区域上的应用[J]. 中国科技论文, 2016, 11(15): 1782-1785.
[140]	OUYANG H G, MAO J W, SANTOSH M, et al. The Early Cretaceous Weilasituo Zn-Cu-Ag vein deposit in the southern Great Xing’an Range, NorthEast China: fluid inclusions, H, O, S, Pb isotope geochemistry and genetic implications[J]. Ore Geology Reviews, 2014, 56: 503-515.
[141]	周振华, 毛景文. 大兴安岭南段锡多金属矿床成矿规律与矿床模型[J]. 地学前缘, 2022, 29(1): 176-199. DOI

大数据智能预测评价

Big data intelligent prediction and evaluation

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 11

参考文献 141

相关文章 15

编辑推荐

Metrics

本文评价

[1]	成秋明. 面向人类智能与人工智能融合的矿产资源预测新范式[J]. 地学前缘, 2025, 32(4): 1-19.
[2]	叶舒婉, 侯卫生, 杨玠, 汪海城, 白芸, 王永志. 三维地质智能建模研究进展[J]. 地学前缘, 2025, 32(4): 182-198.
[3]	肖凡, 杨华清, 唐奥, 黄旋财, 王翠翠. 基于机器学习与多源数据融合的东天山戈壁沙漠覆盖区中-酸性侵入岩岩性填图[J]. 地学前缘, 2025, 32(4): 199-212.
[4]	张雨飞, 张杨, 吉俊杰, 成秋明. 基于机器学习方法的南海洋壳大地热流预测[J]. 地学前缘, 2025, 32(4): 235-249.
[5]	王永志, 温世博, 李博文, 陈星宇, 董宇浩, 田江涛, 王斌, Muhammed Atif BILAL, 纪政, 孙丰月. 大模型驱动的矿产资源智能预测超级智能体构建方法探索[J]. 地学前缘, 2025, 32(4): 38-45.
[6]	简富源, 张子鸣, 董岳霖, 张文璟, 郝风云, 王一鸣, 王宇, 张振杰. 基于多重分形与随机森林的新疆哈巴河金矿成矿预测[J]. 地学前缘, 2025, 32(4): 78-94.
[7]	李金明, 张杨, 成秋明. 基于机器学习与垂向分层建模联合驱动的华北克拉通地温梯度空间分布预测[J]. 地学前缘, 2025, 32(4): 291-302.
[8]	褚宴佳, 何宝南, 陈珍, 何江涛. 基于随机森林模型识别浅层地下水TDS异常的方法研究[J]. 地学前缘, 2025, 32(2): 456-468.
[9]	张必敏, 王学求, 周建, 王玮, 刘汉粮, 刘东盛, Sounthone LAOLO, Phomsylalai SOUKSAN, 谢淼, 董春放, 柳青青, 鲁岳鑫, 王浩楠, 贺彬. 老挝铜资源成矿规律与基于机器学习的远景预测[J]. 地学前缘, 2025, 32(1): 61-77.
[10]	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.
[11]	周永章, 肖凡. 管窥人工智能与大数据地球科学研究新进展[J]. 地学前缘, 2024, 31(4): 1-6.
[12]	马建华, 刘金锋, 周永章, 郑益军, 陆可飞, 林星雨, 王汉雨, 张灿. 面向地质封存及其泄漏风险评价的CO₂物联网在线监测[J]. 地学前缘, 2024, 31(4): 139-146.
[13]	叶育鑫, 刘家文, 曾婉馨, 叶水盛. 基于本体指导的矿产预测知识图谱构建研究[J]. 地学前缘, 2024, 31(4): 16-25.
[14]	王汉雨, 周永章, 许娅婷, 王维曦, 曹伟, 刘永强, 贺炬翔, 陆可飞. 基于微服务架构的城市土壤污染物联网监测及可视化系统研发[J]. 地学前缘, 2024, 31(4): 165-182.
[15]	王成彬, 王明果, 王博, 陈建国, 马小刚, 蒋恕. 融合知识图谱的矿产资源定量预测[J]. 地学前缘, 2024, 31(4): 26-36.