深度挖掘数据潜在价值提高找矿靶区定量优选精度

doi:10.13745/j.esf.sf.2022.2.66

摘要/Abstract

摘要：

找矿效果取决于找矿靶区预测的准确程度,传统的“综合信息成矿预测”(定性研究)已无法深入挖掘现有地质信息的潜在价值。本文应用大数据思想、方法,对甘肃省祁连山—龙首山地区1∶20万区域化探数据做分幅平差,消除了原始数据的系统误差。应用回归分析建立信息修复模型,增强了化探信息与区域Cu矿的相关关系。通过判别分析算法,构建了区域“化探信息Cu找矿靶区定量优选系列模型”,对研究区Cu找矿靶区做出定量预测。经统计,一、二级预测靶区中包含已知铜矿的比率高于22.0%,其面积仅占总研究区的1.72%。大数据找矿靶区定量预测在大幅提高预测精度的同时,很大程度地缩小了预测找矿靶区的面积。在对系列模型预测效果做出定量评价的同时,通过所建系列模型组合元素的特征分析,该研究也为进一步研究区域矿床成因和控矿条件提供了定量依据。

关键词: 化探, 数据挖掘, 系列模型, 找矿靶区, 定量预测

Abstract:

Ore prospecting relies on accurate target prediction. The traditional information-based qualitative metallogenic prognostic method, however, has not been able to perform geodata deep mining. In this paper, Big Data deep mining methodology and leveling technique were applied to 1∶200000 scale stream sediment geochemical survey data collected from the Qilian and Longshou Mountains region, Gansu Province to eliminate systematic errors in the raw data. Through regression analysis an information repair model was established to improve the correlation between survey results and copper ore deposits. Using discriminant analysis algorithm, a series of quantitatively optimized prediction models for copper ore prospecting were developed. These prediction models quantitatively predicted copper prospecting target areas. According to the statistical analysis, the proportion of known copper ore deposits exceeded 22% of the class 1 or class 2 predicted target areas, while the target areas only covered 1.72% of the total studied area. Thus, quantitative prediction of prospecting target area using Big Data has greatly increased prediction accuracy while markedly reduced prediction acreage. By characteristic analysis of model elements, the predictive power of the prediction model series was quantitatively evaluated, which provided a basis for the quantitative evaluation of ore genesis and regional ore control conditions.

Key words: geochemical survey, data mining, series of models, prospecting target areas, quantitative predicting

中图分类号:

P632
P628.1

冯军, 张琪, 罗建民. 深度挖掘数据潜在价值提高找矿靶区定量优选精度[J]. 地学前缘, 2022, 29(4): 403-411.

FENG Jun, ZHANG Qi, LUO Jianmin. Deeply mining the intrinsic value of geodata to improve the accuracy of predicting by quantitatively optimizing method for prospecting target areas[J]. Earth Science Frontiers, 2022, 29(4): 403-411.

图/表 7

图1 甘肃省祁连山西段1:20万水系沉积物测量Au元素调平效果对比示意图插图1-1a:原始数据地球化学图;插图1-1b:调平数据地球化学图。

Fig.1 Sketch map of leveled effectiveness of element Au data in 1:200000 scale of stream sediment geochemical survey in Western Qilian Mountain of Gansu Province Fig.1-1a: Geochemical map based on raw data; Fig.1-1b: Geochemical map based on levelled data

图2 Cu矿频数与异常面积百分比对比柱状图

Fig.2 Comparison bar chart of frequency of copper

表1 甘肃省祁连山—龙首山地区1:20万水系沉积物测量Cu元素逐步回归拟合系列模型

Table 1 Tables of models by stepwise regression fitting for element Cu data in 1:200000 scale of stream sediment geochemical survey in Western Qilian and Longshou Mountains of Gansu Province

Cuh1	元素	K₂O	Fe₂O₃	U	Al₂O₃	Mo	MgO	W	As	V	La
	系数	0.29	0.13	0.10	0.09	0.07	0.06	0.03	0.02	0.02	0.02
	元素	Cu	Th	Be	Pb	Zr	B	常量
	系数	0.01	0.01	0.01	0.01	-0.01	-0.01	1.62
Cuh2	元素	Be	Na₂O	W	Li	La	B	Pb	Y	CaO	Nb
	系数	0.22	0.14	0.08	0.03	0.02	0.02	0.02	0.02	-0.01	-0.01
	元素	Mo	Sn	Al₂O₃	Zn	Th	Bi	V	Fe₂O₃	MgO	常数
	系数	-0.01	-0.01	-0.01	-0.01	-0.01	-0.02	-0.02	-0.04	-0.16	6.52
Cuh3	元素	U	Fe₂O₃	Na₂O	V	Th	Sn	Bi	Al₂O₃	SiO₂	Y
	系数	0.08	0.03	0.03	0.02	0.02	0.02	0.02	0.01	0.01	0.01
	元素	Nb	MgO	Li	Mo	W	Pb	Co	La	Be	常数
	系数	0.01	0.01	0.005	0.004	0.004	0.003	-0.002	-0.05	-0.56	16.05

表2 化探信息异常单元Cu找矿靶区定量优选系列模型

Table 2 Tables of models for quantitatively optimizing copper prospecting target areas based on geochemical anomaly units

分类	模型元素及参数								有效性检验	代表性矿床
模型Ⅰ	元素	常量	Cuh1	Cu	Co	Fe₂O₃	As	Mn	R₀=1.38	白银市小铁山多金属矿床
	系数	-7.10	0.81	0.01	0.03	-0.11	0.02	-0.000 5	F_0.01=3.0
	贡献		50.92	13.05	7.87	5.86	4.13	3.25	F_P=63.1
	累计贡献		50.92	63.98	71.84	77.71	81.84	85.10	有矿正判率85%
	元素		Cuh3	Mo	Th
	系数		0.26	0.15	-0.07
	贡献		2.45	2.08	1.47
	累计贡献		87.54	89.62	91.09
模型Ⅱ	元素	常量	Cuh2	Cu	La	W	Y	Al₂O₃	R₀=0.97	白银市铜厂沟铜矿床
	系数	-5.16	0.61	0.06	0.03	0.13	0.04	0.09	F_0.01=3.0
	贡献		32.26	16.51	8.62	5.16	4.94	4.48	F_P=23.5
	累计贡献		32.26	48.77	57.39	62.56	67.50	71.98	有矿正判率83%
模型Ⅲ	元素	常量	Cuh1	Fe₂O₃	Al₂O₃	Cd	Zn	Cuh3	R₀=0.73	永昌县毛家圈铜矿
	系数	-9.66	0.96	0.35	0.12	0.00	-0.02	0.56	F_0.01=3.0
	贡献		33.73	13.97	6.95	6.39	6.12	6.02	F_P=13.6
	累计贡献		33.73	47.69	54.64	61.03	67.15	73.17	有矿正判率88%

图3 异常单元Cu找矿靶区定量优选(模型Ⅰ)预测结果统计柱状图

Fig.3 Statistics bar chart of predicted results of quantitatively optimizing for copper prospecting target areas by anomaly units

图4 化探信息定量优选模型预测Cu找矿靶区分布示意图

Fig.4 Sketch map of predicted copper prospecting target areas distribution by quantitatively optimizing models based on geochemical survey data

图5 化探信息定量模型优选Cu找矿靶区效果统计柱状图

Fig.5 Statistics bar chart on predicted effects of quantitatively optimizing

参考文献 49

[1]	张旗, 周永章. 大数据正在引发地球科学领域一场深刻的革命[J]. 地质科学, 2017, 52(3): 637-648.
[2]	张旗, 葛粲, 焦守涛, 等. 在大数据背景下看TAS分类的不足及可能的解决方案[J]. 大地构造与成矿, 2020, 44(2): 1943.
[3]	EMC. Big Data: big opportunities to create business value[R]. Hopkinton: EMC Corporation, 2011.
[4]	RANDAL E B, RANDY H K, EDWARD D L. Big-data computing:creating revolutionary breakthroughs in commerce, science, and society[R]. Washington:Computing Research Initiatives for the 21st Century, Computing Research Association, 2008.
[5]	WIGAN M R, CLARKE R. Big data’s big unintended consequences[J]. IEEE Computer, 2013, 46: 46-53.
[6]	FRANKEL F, REID R. Big data: distilling meaning from data[J]. Nature, 2008, 455: 30.
[7]	GANTZ J, REINSEL D. The digital universe IN 2020:big data, bigger digital shadows, and biggest growth in the far East[R]. Framingham: IDC Analyze the Future, 2012.
[8]	孟小峰, 慈祥. 大数据管理: 概念、技术与挑战[J]. 计算机研究与发展, 2013, 50(1): 146-169.
[9]	维克托·迈尔·舍恩伯格, 周涛. 大数据时代生活、工作与思维的大变革[M]. 杭州: 浙江人民出版社, 2012.
[10]	赵鹏大. 地学大数据特点及其合理开发利用[J]. 地学前缘, 2019, 26(4): 1-5. DOI
[11]	郭华东. 科学大数据驱动地学学科发展[J]. 科技导报, 2018, 36(5): 1.
[12]	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): 515-539.
[13]	HEY T, TANSLEY S, TOLLE K. The fourth paradigm: data-intensive scientific discovery[M]//KURBANOGLU S, Al U, LEPONERDOGAN P, et al. E-Science and information management. Berlin: Springer, 2012.
[14]	GUO H D. China’s Earth observing satellites for building a Digital Earth[J]. International Journal of Digital Earth, 2012, 5: 185-188.
[15]	GORE A. Earth in the balance: ecology and the human spirit[M]. Boston: Plume, 1992.
[16]	郭华东, 王长林. 数字地球15年发展与前瞻[J]. 中国科学院院刊, 2013, 28(增刊): 59-66.
[17]	罗建民, 张旗. 大数据开创地学研究新途径: 查明相关关系, 增强研究可行性[J]. 地学前缘, 2019, 26(4): 6-12. DOI
[18]	罗建民, 王晓伟, 张琪, 等. 地质大数据方法在区域找矿靶区定量优选中的应用[J]. 地学前缘, 2019, 26(4)76-83. DOI
[19]	张旗, 朱月琴, 焦守涛. 论传统研究与大数据研究的关系(代序)[J]. 地质通报, 2019, 38(12): 1939.
[20]	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.
[21]	李国杰, 程学旗. 大数据研究: 未来科技及经济社会发展的重大战略领域[J]. 中国科学院院刊, 2012, 27: 647-657.
[22]	罗建民, 王晓伟, 宋秉田, 等. 岩浆岩定量分类方法探讨: 甘肃省西秦岭地区为例[J]. 岩石学报, 2018, 34(2): 326-332.
[23]	罗建民, 张琪, 宋秉田, 等. 物化探信息综合处理在找矿靶区定量优选中的应用[J]. 岩石矿物学通报, 2017, 36(6): 886-890.
[24]	张旗, 周永章. 大数据时代对科学研究方法的反思[J]. 矿物岩石地球化学通报, 2017, 52(3): 1-12.
[25]	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.
[26]	张新虎, 刘建宏, 梁明宏, 等. 甘肃省区域成矿及找矿[M]. 北京: 北京出版社, 2013.
[27]	LI N, DENG J, YANG L Q, et al. Constraints on depositional conditions and ore-fluid source for orogenic gold districts in the West Qinling Orogen, China: implications from sulfide assemblages and their trace-element geochemistry[J]. Ore Geology Reviews, 2018, 102(11): 204-219.
[28]	WU G L, MENG Q R, DUAN L, et al. Early Mesozoic structural evolution of the eastern West Qinling, northwest China.[J]. Tectonophysics, 2014, 630(3): 9-20.
[29]	LI L, MENG Q R, PULLEN A, et al. Late permian-early middle triassic back arc basin development in West Qinling, China[J]. Journal of Asian Earth Sciences, 2014, 87: 116-129.
[30]	SUI J X, LI J W, WEN G, et al. The Dewulu reduced Au-Cu skarn deposit in the Xiahe-Hezuo district, West Qinling orogen, China: implications for an intrusion-related gold system[J]. Ore Geology Reviews, 2017, 80: 1230-1244.
[31]	侯云生, 张新虎, 彭德启. 甘肃省黄金资源及可持续发展[M]. 兰州: 甘肃科学技术出版社, 2004.
[32]	韩海涛, 刘继顺, 董新, 等. 西秦岭温泉斑岩型钼矿床地质特征及成因浅析[J]. 地质与勘探, 2008, 44(4): 1-7.
[33]	金维浚, 张旗, 何登发, 等. 西秦岭埃达克岩的 SHRIMP 定年及其构造意义[J]. 岩石学报, 2005, 21(3): 959-966.
[34]	梁亚忠. 甘肃武山温泉钼矿床地质特征[J]. 甘肃地质, 2008, 17(2): 40-49.
[35]	邱庆伦, 龚全胜, 卢书伟, 等. 甘肃夏河地区印支期埃达克岩的厘定及其意义[J]. 甘肃地质, 2008, 17(3): 6-12.
[36]	殷勇, 赵彦庆. 甘肃西秦岭金矿富集区花岗岩与金成矿作用的关系[J]. 甘肃地质, 2006, 15(1): 36-41.
[37]	张宏飞, 靳兰兰, 张利, 等. 西秦岭花岗岩类地球化学和Pb-Sr-Nd同位素组成对基底性质及其构造属性的限制[J]. 中国科学: D辑, 2005, 35(10): 914-926.
[38]	罗建民, 侯云山, 张新虎, 等. 甘肃省岩金资源预测及祁连评价模型[J]. 矿床地质, 2005, 25(7): 53-59.
[39]	罗建民, 张新虎, 彭德启. 甘肃省岩金矿品位储量分布模型[J]. 地质与勘探, 2005, 41(5): 62-65.
[40]	张旗, 殷先明, 殷勇, 等. 西秦岭与埃达克岩和喜马拉雅型花岗岩有关的金铜成矿及找矿问题[J]. 岩石学报, 2009, 31(2): 3103-3122.
[41]	池顺都. 矿产勘查学简明教程[M]. 北京: 地质出版社, 2012.
[42]	李景春. 金在热液流体中存在形式的讨论: “纳米效应”在成矿理论中的应用[J]. 地质与资源, 1995, 4(4): 307-311.
[43]	任文秀, 罗建民, 孙柏年, 等. 化探数据挖掘在金矿找矿及靶区优选中的应用: 以甘肃玉石山为例[J]. 岩石学报, 2018, 34(11): 3225-3234.
[44]	罗云之, 罗建民, 王孝通. 加密水系沉积物测量在快速缩小找矿靶区中的应用[J]. 甘肃地质, 2018, 27(1): 37-42.
[45]	赵鹏大, 胡旺亮, 李紫金. 矿床统计预测[M]. 北京: 地质出版社, 1994: 144-161.
[46]	刘艳. 关于黄金分割法的几点讨论[J]. 机电技术, 2006(1): 13-14, 59.
[47]	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.
[48]	朱月琴, 谭永杰, 张建通, 等. 基于Hadoop的地质大数据融合与挖掘技术框架[J]. 测绘学报, 2015, 44(增刊): 152-159.
[49]	谭永杰, 文敏, 朱月琴, 等. 地质数据的大数据特性研究[J]. 中国矿业, 2017, 26(9): 67-84.