矿产资源定量预测思路与方法流程.pdf

全国重要矿产资源潜力预测评价及综合项目全国重要矿产资源潜力预测评价及综合项目 矿产资源定量预测思路矿产资源定量预测思路 与方法流程与方法流程 成秋明成秋明成秋明成秋明 矿产资源定量预测新方法项目组矿产资源定量预测新方法项目组矿产资源定量预测新方法项目组矿产资源定量预测新方法项目组 地质过程与矿产资源国家重点实验室地质过程与矿产资源国家重点实验室 中国地质大学中国地质大学 第二章第二章第二章第二章“ “矿产资源定量预测思路与矿产资源定量预测思路与矿产资源定量预测思路与矿产资源定量预测思路与 方法流程方法流程方法流程方法流程” ” 本项目预测方法的创新点本项目预测方法的创新点本项目预测方法的创新点本项目预测方法的创新点 方法的完善和改进方面的最新成果方法的完善和改进方面的最新成果方法的完善和改进方面的最新成果方法的完善和改进方面的最新成果 软件演示与实例介绍软件演示与实例介绍 交流提纲交流提纲交流提纲交流提纲 Agterberg 院士院士76年获得 克伦宾奖章 年获得 克伦宾奖章 94年获得 克伦宾奖章 年获得 克伦宾奖章 赵鹏大院士赵鹏大院士92年获得 克伦宾奖章 年获得 克伦宾奖章 成秋明成秋明1996年获得主 席奖， 年获得主 席奖，2008年获得 克伦宾奖章 年获得 克伦宾奖章 1988年在加拿大渥太华加拿大地质调查局召开 了国际数学地质会议，专门讨论“在GIS环境下开展综合信 息矿产资源定量预测与评价”研讨会（参加人员200多 人），标志了GIS综合信息和矿产资源预测领域的里程 碑。89年正式出版了论文集（Agterberg Bonham-Carter） 1994年加拿大地质调查局资深研究员 Graeme Bonham- Carter 出版了“GIS在地学模型建立和资源潜力评价中的应 用”专著。成为在资源评价领域而且在GIS空间决策中应用 的经典著作。 1990-1997年先后领导开发了基于SPANS, ArcView, ArcGIS 等GIS平台的资源评价软件包，免费提供全球使用。 98年获得 克伦宾奖章 年获得 克伦宾奖章 最近几年的文献 2005年年会后主办了NRR“资源评价专集” 2007年部分论文正在JCUG上主版 2008年由表及里SPRINGER出版反映“国际数学地球科 学学会”（IAMG）成立以来40年发展丛书（主编 Bonham-Carter Cheng），地质大会期间发行 同时在MG和NRR杂志上分别发表“非线性地 学”和“矿产资源评价”专集 包括Don Singer, Gary Rainse, Larry Draw, Fabbri and Chung-Jo Chung etc. 矿产资源定量预测与传统地质调查与储量勘探 是不同的,具有很强的技术含量和学术含量技术含量和学术含量。 必须以现代成矿学及矿产资源勘查与评价理论成矿学及矿产资源勘查与评价理论 作指导，以坚实的地质背景和成矿规律研究地质背景和成矿规律研究为基 础，广泛采用各种先进的地球探测和信息处理技 术 先进的地球探测和信息处理技 术，以及预测模型与方法预测模型与方法，并充分发挥专业人员专业人员的 聪明才智和实践经验。 “矿床模型综合地质信息预测技术”的总体思 路、项目管理、项目规模、基础研究精细程度、 数据水平等均体现了在GIS环境下开展矿产资源 预测的特点,具有时代性、实用性和创新性。 如何在如此全面和系统的基础研究和海量数 据基础上开展相应的定量预测，使得整个项目达 到预期水平是非常具有挑战性的，定量预测方法 组本着非常负责的科学态度对待本次研究任务。 编写“矿产预测思路与方法流程”是 为指导思想 先进性、实用性、 可操作性和示范性 先进性、实用性、 可操作性和示范性 预测变量取值、变换与筛选 最小预测区圈定 各预测单元成矿有利度计算 阈值确定 预测远景区边界确定 预测区优选、分类、评价与查证 A 级 B 级 C 级 确定矿床预测类型及预测比例尺 编制矿产预测类型分布图／矿产预测工作区 建立找矿模型 预测结果不确定性及风险性评价 资料整理、分析与数据库更新维护 预测资源量估算、未发现矿床个数估计 334-1 334-2 334-3 区域成矿要素图及区域成矿模式图区域矿产预测要素图及预测模型图 典型矿床地质要素分布图与成矿模式典型矿床预测要素分布图 编制勘查工作部署建议图 未来矿产勘查成果预测与未来矿产开发预测 划分预测单元， 预测要素数字化 划分预测区级别（Ⅰ、Ⅱ、Ⅲ） 编制预测成果图 预测变量取值、变换与筛选 最小预测区圈定 各预测单元成矿有利度计算 阈值确定 预测远景区边界确定 预测区优选、分类、评价与查证 A 级 B 级 C 级 建立找矿模型 预测结果不确定性及风险性评价 预测资源量估算、未发现矿床个数估计 334-1 334-2 334-3 区域成矿要素图及区域成矿模式图区域矿产预测要素图及预测模型图 典型矿床地质要素分布图与成矿模式典型矿床预测要素分布图 划分预测单元， 预测要素数字化 划分预测区级别（Ⅰ、Ⅱ、Ⅲ） 编制预测成果图 矿产定量预测流程矿产定量预测流程 1 划分矿产预测类型与确定预测工作区划分矿产预测类型与确定预测工作区 1、沉积型矿产 2、侵入岩型矿产 3、火山岩型矿产 4、变质岩型矿产 5、复合内生型矿产 6、层控内生型矿产 2 数据准备、处理与信息提取数据准备、处理与信息提取 1、数据准备与质量评 估 2、数据处理与信息提 取 W-Sn-U矿床与矿点 Au 矿床与矿点 花冈杂岩体 板岩 石英岩 其它岩石 W-Sn-U矿床与矿点 Au 矿床与矿点 花冈杂岩体 板岩 石英岩 其它岩石 图2.1.2 研究区地质矿产图图2.1.2 研究区地质矿产图 W-Sn-U矿床与矿点 Au 矿床与矿点 花冈杂岩体 板岩 石英岩 其它岩石 W-Sn-U矿床与矿点 Au 矿床与矿点 花冈杂岩体 板岩 石英岩 其它岩石 图图2.2.2 航磁图航磁图图图2.2.3 重力异常图重力异常图 金矿分布图，背景为航磁图金矿分布图，背景为航磁图 湖泊沉积物地球化学取样图湖泊沉积物地球化学取样图 湖泊沉积物地球化学数据表湖泊沉积物地球化学数据表 1、地质预测要素的信息提取 1） 构造信息提取 2）岩体控矿信息提取 3）地层信息提取 4） 矿化信息提取 2、地球物理、地球化学、遥感信息获取 构造信息提取实例构造与地层交汇点提取 岩性界面图和背斜轴交汇点岩性界面图和背斜轴交汇点 确定背斜构造控矿宽度 围绕褶皱轴形成间距为500米的缓 冲区，黄点为矿床和矿点 确定背斜构造控矿宽度 证据权法计算褶皱轴缓冲区于矿床空间分布 相关系数图，2.5公里以内为最佳相关距离。 确定背斜构造控矿宽度 PD 0.00258 20/7779.9 PD|A 15.5/3065 0.0050 PD|notA 4.5/47140.000963 最佳缓冲区控矿要素图层 采用奇异指数确定最优成矿预测要素采用奇异指数确定最优成矿预测要素 log/ |log log/ |log APDAPA APDAPA α α 背斜轴距离 相关系数 背斜轴距离 相关系数 Cheng，，2007）） 地球物理信息提取实例 航磁解疑背斜轴分布航磁解疑背斜轴分布 从左到右图反映了航磁向上延拓并求垂向二阶导数图 与矿床空间分布相关关系图。 其中H代表上延高度， t为相关系数统计指数。 园点表示矿床（点）分布 第三空间加权主成分第三空间加权主成分 重力剖面异常重力剖面异常 加权主成分分析、加权主成分分析、N-λ异常分解多重分形方法 用于常量元素与重磁混合模型识别岩体 λ异常分解多重分形方法 用于常量元素与重磁混合模型识别岩体 （据成秋明，2006） 地球化学异常信息提取实例 第三主成份元素组合第三主成份元素组合 Cu Pb Zn Sn Sn Au As Sb 地球化学异常信息提取实例 第三主成份第三主成份得分图第三主成份第三主成份得分图 地球化学异常分解 S-A方法 分解异常图分解异常图 主成分的分图 分解背景异常 主成分的分图 分解背景异常 第三主成分元素组合第三主成分元素组合 Sb Au As W Sn Cu Pb Zn 第三成矿因子第三成矿因子 Sn Au As W - Cu – Pb - Zn 第一主成份元素组合 第一主成份得分图 第一主成份元素组合 第一主成份得分图 S-A多重分形异常分解图多重分形异常分解图 分解异常图分解异常图 黄色园点代表金矿床和矿点黄色园点代表金矿床和矿点 3 成矿规律研究与评价模型建立成矿规律研究与评价模型建立 1、成矿规律和概念模型的建立（地质） 2、找矿模型与建模技术 建模技术 A B D 岩性界面与构造交汇点与金矿分布关系模型岩性界面与构造交汇点与金矿分布关系模型 C 构造与地层交汇点与控矿范围信息提 取 4 预测要素与要素组合的数字化、定量化预测要素与要素组合的数字化、定量化 5 预测单元划分预测单元划分 不规则地质单元划分模型 预测要素叠加模型与预测单元形成预测要素叠加模型与预测单元形成 背斜轴最佳距离背斜轴最佳距离 地球化学背景异常地球化学背景异常 地球化学局部异常地球化学局部异常 岩层界面最佳距离岩层界面最佳距离 6 预测变量的构置、优化预测变量的构置、优化 1、数据变换方法、数据变换方法 2、预测变量的分类、组合与优化、预测变量的分类、组合与优化 采用 GIS中的逻辑查询语言可以自动的实现地质人 员常常感兴趣的要素组合任务，如地质人员提出 的“岩体外接触带1公里范围A、与构造带交汇C、 出现高钾异常K和低钙异常Ca”的部位， 就可以通过组合变量的方法实现 “A and C and K not Ca”。 7 成矿有利度计算与预测区圈定成矿有利度计算与预测区圈定 1、单元成矿有利度的计算、单元成矿有利度的计算 2、有利度计算方法基本原理和方法选择原则、有利度计算方法基本原理和方法选择原则 3、预测区的圈定和评价、预测区的圈定和评价 Spatial Decision Support System SDSSSpatial Decision Support System SDSS GIS Data Integration for PredictionGIS Data Integration for Prediction GIS Data Sources Remote Sensing Geological Geochemical Geophysical . . Potential Evidential Layers X Modeling F Output Data S Processing Data Preprocessing Interpreting Ination Extraction Integration DBMS DBMS DBMS DBMS Geographical A A A W − A W A A WW WW e e ADP 0 0 1 | − − A A WW WW e e ADP 0 0 1 | 空间决策模型空间决策模型-空间信息综合空间信息综合-成矿概率图绘制成矿概率图绘制 5 . 0|DABP B B B W − B W B B WW WW e e BDP 0 0 1 | − − B B WW WW e e BDP 0 0 1 | 5 . 0|DABP BA BA AB BA BA BA WWW WWW e e ABDP 0 0 1 | − − BA BA WWW WWW e e BADP 0 0 1 | −− −− BA BA WWW WWW e e BADP 0 0 1 | − − BA BA WWW WWW e e BADP 0 0 1 | 空间决策逻辑模型空间决策逻辑模型空间决策逻辑模型空间决策逻辑模型 （（（（Logistic Model for SDSSLogistic Model for SDSS）））） ...|ABDP 后验概率后验概率后验概率后验概率 （（（（Posterior ProbabilityPosterior Probability）））） ......}|{ 0 BA WWWABDLogit 空间决策信息综合一般模型空间决策信息综合一般模型空间决策信息综合一般模型空间决策信息综合一般模型 General Data Integration ModelGeneral Data Integration Model for SDSSfor SDSS S Fx1, x2,, xn S S – – 输出输出输出输出 有利度指数（有利度指数（有利度指数（有利度指数（FavorabilityFavorability）））） 后验概率（后验概率（后验概率（后验概率（ProbabilityProbability）））） 模糊度（模糊度（模糊度（模糊度（Fuzziness Fuzziness 适合度（适合度（适合度（适合度（SuitabilitySuitability）））） x x i i - - maps or evidences maps or evidences 输入或者证据图层输入或者证据图层输入或者证据图层输入或者证据图层 w w i i - - weights weights 权重权重权重权重 简单模型简单模型简单模型简单模型Simple Linear ModelSimple Linear Model nn xwxwxwS ... 2211 模型约束条件模型约束条件模型约束条件模型约束条件Model Constraints Model Constraints 正规化正规化正规化正规化 Normalization Normalization 1. 1. 变换变换变换变换Convert maps into comparable unitConvert maps into comparable unit ⎩ ⎨ ⎧ ⎩ ⎨ ⎧ no yes xi , 0 , 1 2. 2. 相对权重相对权重相对权重相对权重Weights showing relative Weights showing relative importance of mapsimportance of maps 10 1... 21 ≤≤≤≤ i n w www ⎪ ⎩ ⎪ ⎨ ⎧ ⎪ ⎩ ⎪ ⎨ ⎧ no unknown yes xi , 0 , 5 . 0 , 1 10...,, 2, 1 i x s for Calculating Weights for Data s for Calculating Weights for Data IntegrationIntegration方法分类方法分类 Data Driven sData Driven s数据驱动数据驱动数据驱动数据驱动 Weights of evidenceWeights of evidence Logistic regressionLogistic regression Artificial Neural networkArtificial Neural network Knowledge driven sKnowledge driven s知识驱动知识驱动知识驱动知识驱动 Fuzzy logicFuzzy logic Hybrid sHybrid s混合混合混合混合 Fuzzy weights of evidenceFuzzy weights of evidence Model TypesModel Types模型类型模型类型模型类型模型类型 1. Probabilistic 1. Probabilistic 概率模型概率模型概率模型概率模型 2. Deterministic 2. Deterministic 确定模型确定模型确定模型确定模型 S S – – random variable showing random variable showing probability 0 probability 0 ≤ ≤ ≤ ≤ S S ≤ ≤ ≤ ≤ 1 with uncertainty1 with uncertainty S S – – Score 0 Score 0 ≤ ≤ ≤ ≤ S S ≤ ≤ ≤ ≤ 1 1 Relationships Between Different Models Simple Overlay Model Union, Intersect, Identity Linear Model adding weights Logistic Model Weights of Evidence, Logistic Regression Fuzzy Logic model various operators Spatial Data Modeler Extension Arc-SDM and GeoDAS Weights of Evidence Fuzzy Weights of Evidence Logistic Regression Fuzzy Logic Neural Network 成矿要素叠加模型与成矿后验概率计算成矿要素叠加模型与成矿后验概率计算 （（1） （ ） （2） （ ） （3） （ ） （4） （ ） （5） （ ） （6） （ ） （7） 圈定预测区 ） 圈定预测区 y -0.53 x 2.26 R2 0.97 y -4.04 x - 2.54 R2 0.91 2.0 2.5 3.0 3.5 4.0 -2.5-2.0-1.5-1.0 Log 后验概率 Log 单元个数 Log 后验概率 Log 单元个数 成矿后验概率图成矿后验概率图 后验概率服从分形分布后验概率服从分形分布