地质科学
     首页 | 过刊浏览 |  本刊介绍 |  编委会 |  投稿指南 |  期刊征订 |  留言板 |  批评建议 |  联系我们 |  English
地质科学  2018, Vol. 53 Issue (4): 1314-1326    DOI: 10.12017/dzkx.2018.076
论文 最新目录 | 下期目录 | 过刊浏览 | 高级检索  |   
基于CART算法的三维成矿预测研究——以安徽白象山矿区为例
李志辉1,2,3,4    赵    萍1,2,3,4    李晓晖1,2,3,4    袁    峰1,2,3    周宇章5
  1. 合肥工业大学资源与环境工程学院  合肥    230009
  2. 安徽省矿产资源与矿山环境工程技术中心,合肥工业大学  合肥    230009
  3. 矿床成因与勘查技术研究中心,合肥工业大学  合肥    230009
  4. 空间信息智能分析与应用研究所,合肥工业大学  合肥    230009
  5. 安徽省公益性地质调查管理中心  合肥    230001
3D metallogenic prognosis based on CART algorithm: A case study of Baixiangshan mining area in Anhui Province
Li Zhihui1, 2, 3, 4    Zhao Ping1, 2, 3, 4    Li Xiaohui1, 2, 3, 4    Yuan Feng1, 2, 3    Zhou Yuzhang5
  1. School of Resources and Environmental Engineering, Hefei University of Technology, Hefei  230009
  2. Anhui Province Engineering Research Center for Mineral Resources and Mine Environments, Hefei University of Technology, Hefei  230009
  3. Ore Deposit and Exploration Center, Hefei University of Technology, Hefei  230009
  4. Institute for Intelligent Analysis and Application of Spatial Information, Hefei  230009
  5. Public Geological Survey Center of Anhui Province, Hefei  230001
 全文: PDF (2413 KB)   HTML( )   输出: BibTeX | EndNote (RIS)      背景资料
摘要 

把地质大数据和人工智能技术引入矿产资源定量评价及成矿预测体系中,提高了海量地质数据的有效信息挖掘,弥补了传统方法的不足。本文基于白象山矿区基础地质资料和物化探成果资料,利用三维地质体建模技术和三维空间分析技术,量化三维控矿因素,建立了一种基于CART 算法的三维成矿预测模型。通过在白象山矿区的实验表明:该模型能较好的定位已知矿体,并且预测出在已知矿体北部、东部、东北部、西部、南部和东南部具有较高的成矿概率,可圈定找矿靶区。该模型将地质大数据应用于找矿勘探工作,具有纯数据驱动、预测精度高、预测结果可靠等优点。研究发现,该模型的预测效果与训练数据集的数量、矿控因素提取、决策树深度等有关。

 

服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
李志辉 赵 萍 李晓晖 袁 峰 周宇章
关键词大数据   机器学习   CART算法   三维建模   成矿预测     
Abstract

Applying the geology big data and artificial intelligence technology to the quantitative evaluation of mineral resources and metallogenic prediction systems has improved the effective information mining of massive geological data and made up for the deficiencies of traditional methods. Based on the basic geological data and geophysical and geochemical prospecting data of the Baixiangshan mining area, this paper used the three-dimensional geological modeling techniques and three-dimensional spatial analysis techniques to build a 3D geological body model and quantify three-dimensional ore-controlling factors, establishing a three-dimensional mineralization prediction model based on the CART algorithm. The experiments in the Baixiangshan mining area show that the model can better localize known orebodies and predict a higher probability of mineralization in the northern, eastern, northeastern, western, southern and southeastern regions of the known orebodies. Those areas can be used to define the prospecting targets. This model that applying the geology data to prospecting and the exploration work has the advantages of pure data drive, high prediction accuracy, and reliable prediction results. At the same time the study has found that the prediction effect of the model is related to the number of training data sets, extraction of mining control factors, and decision tree depth.

 

 

Key wordsBig data   Machine learning   CART algorithm   3D modeling   Metallogenic prediction   
收稿日期: 2018-02-10;
基金资助:

国家重点研发计划项目(编号:2016YFC0600209)、国家自然科学基金项目(编号:41672069,41702353)、中央高校基本科研业务费专项资金项目(编号:JZ2018HGTB0249)和安徽省国土资源科技项目(编号:2016-K-4)资助。

通讯作者: 赵 萍, 女, 1975年10月生, 博士, 副教授, 地图学与地理信息系统专业。     E-mail: njuzhp@sina.com
作者简介: 李志辉, 男, 1993年10月生, 硕士研究生, 地质工程专业。E-mail: lizhihuistu@163.com
引用本文:   
李志辉 赵 萍 李晓晖 袁 峰 周宇章. 2018, 基于CART算法的三维成矿预测研究——以安徽白象山矿区为例. 地质科学, 53(4): 1314-1326.
Li Zhihui Zhao Ping Li Xiaohui Yuan Feng Zhou Yuzhang. 3D metallogenic prognosis based on CART algorithm: A case study of Baixiangshan mining area in Anhui Province[J]. Chinese Journal of Geology, 2018, 53(4): 1314-1326.
 
没有本文参考文献
[1] 罗建民 张 旗. 大数据开创地学研究新途径:全数据挖掘提高研究精度——《地质科学》2018“纪念孙枢先生地质大数据专题”代序[J]. 地质科学, 2018, 53(4): 1207-1214.
[2] 葛 粲 顾海欧 汪方跃 李修钰 周宇章 袁 峰. 基于数据密度确定分布区域的方法:以TAS图解分析为例[J]. 地质科学, 2018, 53(4): 1240-1253.
[3] 张昌振 张 旗 金维浚 刘学龙 刘欣雨. 太古宙TTG 能否与埃达克岩对比?——全球数据给出的结果[J]. 地质科学, 2018, 53(4): 1254-1266.
[4] 洪 瑾 甘成势 刘 洁. 基于机器学习的岩石微量元素与主量元素关系初探:以洋岛玄武岩中锆元素为例[J]. 地质科学, 2018, 53(4): 1285-1299.
[5] 张明明 沈 乐 廖宝胜 李晓晖 袁 峰 周宇章. 基于空间数据挖掘的三维成矿预测定量指标体系建立方法研究——以宁芜盆地钟姑矿田为例[J]. 地质科学, 2018, 53(4): 1300-1313.
[6] 贾 蔡 袁 峰 李晓晖 胡训宇 廖宝胜 孙维安 . 基于多源数据约束的成矿动力学模拟——以宁芜盆地钟姑矿田典型矿床为例[J]. 地质科学, 2018, 53(4): 1327-1346.
[7] 季 斌 周涛发 张达玉 李晓晖 袁 峰. 大数据环境下内蒙古浩布高地区铅锌多金属矿智能矿产预测研究[J]. 地质科学, 2018, 53(4): 1347-1360.
[8] 赵 萍 李志辉 肖 瑶 袁 峰 李晓晖. 基于高分二号卫星数据的煤矿区地质灾害信息提取研究[J]. 地质科学, 2018, 53(4): 1361-1374.
[9] 袁方林 杨婧 张旗 刘欣雨 张成立. 后弧(rear arc)岩浆作用的特征及其意义[J]. 地质科学, 2017, 52(4): 1388-1410.
[10] 刘欣雨 张 旗 张成立 . 全球新生代安山岩构造环境有关问题探讨[J]. 地质科学, 2017, 52(3): 649-667.
[11] 李玉琼 张 旗 王金荣 刘欣雨 陈万峰 . 全球大陆弧玄武岩(CAB)的特征——与岛弧玄武岩(IAB)和弧后玄武岩(BAB)的对比[J]. 地质科学, 2017, 52(3): 693-713.
[12] 葛 粲 李修钰 李晓辉 李加好 李永东 袁 峰 . 基于重力大数据的中国大陆区域地质构造解析[J]. 地质科学, 2017, 52(3): 714-726.
[13] 安 屹 杨 婧 陈万峰 王金荣 张 旗 潘振杰 焦守涛 . N-MORB、E-MORB 和OIB 的区别及其可能的原因:大数据的启示[J]. 地质科学, 2017, 52(3): 727-742.
[14] 张明明 李晓晖 唐敏慧 马 良 贾 蔡 胡训宇 廖宝胜 袁 峰 . 三维成矿预测多源地学空间数据库建设——以宁芜盆地钟姑矿田为例[J]. 地质科学, 2017, 52(3): 743-754.
[15] 李晓晖 袁 峰 马 良 唐敏慧 张明明 周涛发 贾 蔡 胡训宇 . 三维成矿定量预测系统设计与应用实例研究[J]. 地质科学, 2017, 52(3): 755-770.
 
版权所有 © 2009-2017 《地质科学》编辑部
地址:北京9825信箱  邮政编码:100029
电话:010-82998109  010-82998115