張俊嶺, 陳華勇, 3*

新型智能礦床勘查指導信息系統(tǒng)構(gòu)建

張俊嶺1, 2, 陳華勇1, 2, 3*

(1. 中國科學院 廣州地球化學研究所 礦物學與成礦學重點實驗室, 廣東 廣州 510640; 2. 中國科學院大學 地球與行星科學學院, 北京 100049; 3. 廣東省礦物物理與材料重點實驗室, 廣東 廣州 510640)

為充分挖掘礦床勘查大數(shù)據(jù)價值, 提升礦床勘查效率, 本文從分析礦床勘查大數(shù)據(jù)、總結(jié)礦床勘查流程出發(fā), 提出了利用人工智能技術(shù)驅(qū)動“勘查活動–勘查大數(shù)據(jù)–勘查標識體系”三元智能循環(huán)的新型智能礦床勘查指導系統(tǒng)研究思路, 設(shè)計了5層系統(tǒng)體系結(jié)構(gòu), 并提出了“人工智能+微服務(wù)+云化部署”的技術(shù)路線, 構(gòu)建了涵蓋數(shù)據(jù)采集處理、標識體系構(gòu)建、預測區(qū)圈定與勘查指導方案生成等在內(nèi)的八大功能模塊, 并對系統(tǒng)的多元應用形態(tài)、應用流程進行了展望。新型智能礦床勘查指導系統(tǒng)是服務(wù)礦床勘查活動的未來形態(tài)的綜合信息系統(tǒng), 探索并構(gòu)建該系統(tǒng)對于推動礦床勘查智能化進程具有現(xiàn)實意義。

礦床勘查; 勘查標識; 人工智能; 信息系統(tǒng)

0 引 言

隨著世界經(jīng)濟社會持續(xù)發(fā)展和人民生活水平的不斷提高, “工業(yè)糧食”礦產(chǎn)資源的需求量不斷提升與“地表礦、淺部礦、已識別礦”日益減少、找礦難度逐漸加大的矛盾日益突出(鄭宗學等, 2021), 礦產(chǎn)資源繼續(xù)向“深部”第二找礦空間發(fā)展(趙鵬大, 2007; 嚴加永等, 2008; 滕吉文等, 2022), 同時也對礦床勘查方法提出了新的要求。當前, 以深部隱伏礦床勘查為主的礦床勘查工作具有典型的“勘查周期長、投資風險高、數(shù)據(jù)量巨大、勘查標識提取難”等特點, 利用人工智能技術(shù)提高深部隱伏礦床勘查效率已成為礦業(yè)界的共識和研究熱點(周永章等, 2021; 李燦鋒等, 2022), 市場上也涌現(xiàn)出一批以GoldSpot、EARTH AI、OreFox等為代表的專注智能勘查解決方案的新興公司, 但以人工智能技術(shù)為核心的智能勘查指導系統(tǒng)卻鮮有問世, 偶見Minerva Intelligence公司的智能礦床勘查軟件 TARGET、OreFox公司的平臺型智能礦床勘查軟件Prospector AI等。總體上現(xiàn)有的礦床勘查指導系統(tǒng)缺少大數(shù)據(jù)思維, 人工智能技術(shù)應用有限、信息挖掘功能不足, 勘查指導能力有待提升。在此背景下, 探索構(gòu)建新的智能礦床勘查指導信息系統(tǒng), 以礦床勘查大數(shù)據(jù)為基礎(chǔ), 將人工智能技術(shù)貫穿勘查數(shù)據(jù)處理分析與應用全過程, 對挖掘深部隱伏礦在內(nèi)的礦床勘查標識, 提升找礦效率, 具有重要現(xiàn)實意義。

1 礦床勘查數(shù)據(jù)與勘查流程

1.1 礦床勘查數(shù)據(jù)

隨著礦床勘查方法和手段發(fā)展, 礦床勘查數(shù)據(jù)的種類越來越多、積累速度越來越快, 數(shù)據(jù)量和數(shù)據(jù)價值也越來越大, 呈現(xiàn)“海量、多源、多樣、高維度、高增長”等特點, 已具備大數(shù)據(jù)“5V”(volume、variety、velocity、veracity、value)特征(毛先成等, 2019; 趙鵬大和陳永清, 2021)。在構(gòu)建智能礦床勘查指導系統(tǒng)前, 必須對這些數(shù)據(jù)特征進行總結(jié)分析。

按照勘查方法與手段的不同, 礦床勘查數(shù)據(jù)可分為地質(zhì)數(shù)據(jù)、礦床數(shù)據(jù)、地球化學數(shù)據(jù)、地球物理數(shù)據(jù)、遙感數(shù)據(jù)、工程勘探數(shù)據(jù)等(賈俊乾, 2007; 李鵬, 2013; 白啟星和吳鈺海, 2015); 按數(shù)據(jù)類型, 則可以分為結(jié)構(gòu)化數(shù)據(jù)、空間數(shù)據(jù)、其他非結(jié)構(gòu)化數(shù)據(jù)。

(1) 結(jié)構(gòu)化數(shù)據(jù), 包括: ①礦床地質(zhì)數(shù)據(jù): 礦名、礦種、礦體形態(tài)與產(chǎn)狀、礦石礦物組合、脈石礦物組合、圍巖蝕變類型、礦石結(jié)構(gòu)、礦石構(gòu)造、礦石品位等; ②控礦地質(zhì)條件數(shù)據(jù): 大地構(gòu)造位置、構(gòu)造控制、巖漿巖控制、地層控制、圍巖控制、巖相和建造控制、巖性控制、剝蝕深度控制、礦化蝕變等; ③礦床模型數(shù)據(jù): 成礦系列、礦床多成因、成礦時代等; ④物化探數(shù)據(jù): 異常序號、異常類型、異常形態(tài)、異常數(shù)字、異常說明等; ⑤鉆孔數(shù)據(jù): 孔位、測斜、巖性、品位等。

(2) 空間數(shù)據(jù), 包括: ①地理數(shù)據(jù): 地形地貌、水系、植被、交通、居民地等; ②地質(zhì)數(shù)據(jù): 地層、構(gòu)造、巖體、礦體、蝕變等; ③工程勘探數(shù)據(jù): 礦體、礦段、鉆孔、探槽、坑道等; ④具備空間特征的地球物理、地球化學、遙感等數(shù)據(jù)。

(3) 其他非結(jié)構(gòu)化數(shù)據(jù), 包括: 圖書期刊文獻、地質(zhì)勘查報告和各種圖文聲像數(shù)據(jù)等。

當前, 利用人工智能挖掘礦床勘查大數(shù)據(jù)已成為礦床勘查研究的熱點和前沿領(lǐng)域(肖克炎等, 2015; 成秋明, 2021; Woodhead and Mathieu, 2021), 且較廣泛應用于地球化學異常提取(Zuo and Xiong , 2018; 李蒼柏, 2020)、地球化學元素特征與礦體空間就位的關(guān)系構(gòu)建(Carranza and Laborte, 2015)、地球物理數(shù)據(jù)反演與解釋(Wrona et al., 2018)、遙感地質(zhì)解譯及勘查指示信息提取(Shirmard et al., 2022; Shevyrev and Carranza, 2022)、勘查指示信息集成與三維定量成礦預測模型構(gòu)建(Li et al., 2015; 陳進等, 2020; 鄧浩等, 2021; Zhang et al., 2021)、礦產(chǎn)資源潛力評價(肖克炎等, 2015; McMillan et al., 2019; Li et al., 2020)等研究, 涵蓋不同區(qū)域、不同尺度、不同礦床類型和礦種的礦床勘查數(shù)據(jù)挖掘。

1.2 礦床勘查流程

礦床勘查是指運用地質(zhì)填圖、物探、化探、遙感、鉆探等勘查手段完成對某一區(qū)域的勘查, 研究礦床自然特征及礦產(chǎn)勘查開發(fā)的技術(shù)、經(jīng)濟、生態(tài)環(huán)境等因素, 評估礦床生產(chǎn)建設(shè)投資的可能性(戴長國, 2022)。根據(jù)研究區(qū)勘查工作程度, 礦床勘查分為普查、詳查和勘探。礦床勘查方法按大類可分為地質(zhì)法(遙感地質(zhì)法、地質(zhì)填圖法、礦物勘查法等)、化探法(巖石化探法、土壤化探法、生物化探法等)、物探法(重、磁、電物探法, 地震法, 光譜法等)、工程勘查法(鉆探法、坑探法、槽探法等)(王丹, 2022)。隨著現(xiàn)代科學技術(shù)的發(fā)展, 礦床勘查方法分類更加豐富、先進、精確、全面和智能, 如短波紅外光譜勘查方法(許超等, 2017; 陳華勇等, 2019)。

根據(jù)研究區(qū)地質(zhì)、地形地貌、交通等條件的不同, 一個完整的礦床勘查活動周期從數(shù)月到數(shù)年不等。在大數(shù)據(jù)/人工智能輔助前提下, 當前以及未來理想化綜合勘查流程設(shè)計詳見圖1。

圖1 礦床勘查流程

(1) 礦床地質(zhì)資料收集: 根據(jù)研究區(qū)礦床勘查工作需要, 針對性地系統(tǒng)收集多尺度礦床勘查資料, 資料以已有的礦床地質(zhì)勘查數(shù)據(jù)為主, 同時也包括圖書期刊、勘查報告和圖件、開放性地學數(shù)據(jù)庫等可能對礦床勘查工作有幫助的資料。

(2) 礦床勘查數(shù)據(jù)建庫: 對所收集的礦床勘查資料的進行系統(tǒng)整理, 包括但不限于數(shù)據(jù)清洗、數(shù)據(jù)合并、數(shù)據(jù)歸類、數(shù)據(jù)轉(zhuǎn)換、投影變換等, 即將勘查數(shù)據(jù)集成到具有統(tǒng)一坐標系的地質(zhì)空間內(nèi)。

(3) 礦床勘查方案制定: 利用知識驅(qū)動和數(shù)據(jù)驅(qū)動相結(jié)合的方法, 對礦床勘查數(shù)據(jù)的開展全面梳理分析, 根據(jù)不同的地質(zhì)背景、礦床類型、地形地貌、經(jīng)濟效益等因素, 本著經(jīng)濟高效和優(yōu)化原則, 制定勘查方案?？辈榉桨竷?nèi)容包括但不限于工作部署、勘查方法與技術(shù)要求、經(jīng)費預算、預期成果、保障措施等。

(4) 礦床綠色勘查作業(yè): 依據(jù)勘查方案, 應用不同的綠色勘查方法開展實地勘查作業(yè), 確保勘查質(zhì)量, 獲取相應的勘查數(shù)據(jù)。

(5) 勘查標識體系構(gòu)建: 利用統(tǒng)計分析、機器學習等多種方法, 對獲取的勘查數(shù)據(jù)進行處理分析, 包括物探解譯、物化探異常圈定等, 開展不同勘查要素對隱伏礦體的指示關(guān)系研究, 提煉勘查標識(直接標識、間接標識), 構(gòu)建找礦預測勘查標識體系, 形成勘查標識證據(jù)層。

(6) 勘查標識集成融合: 利用綜合信息量法、證據(jù)權(quán)法、人工智能等方法, 將多元勘查標識進行集成融合, 形成跨類型、綜合的多元勘查標識體系。

(7) 預測區(qū)圈定: 通過勘查標識聯(lián)合約束, 圈定找礦預測區(qū), 并對其進行“四定”(定性、定位、定量、定概率)評價。

(8) 預測區(qū)綠色工程驗證: 選擇性地開展預測區(qū)綠色工程鉆探驗證, 并根據(jù)驗證結(jié)果, 進一步完善預測區(qū)。

(9) 勘查報告編寫: 編制勘查成果圖件, 系統(tǒng)總結(jié)整理勘查過程, 提出下一步勘查工作建議, 形成勘查報告。

2 系統(tǒng)體系結(jié)構(gòu)

在信息大爆炸的時代, 礦床勘查過程中會持續(xù)生成、使用海量的勘查大數(shù)據(jù), 而大數(shù)據(jù)的本質(zhì)決定了必須使用人工智能技術(shù)才能更好的挖掘其價值(李燦鋒等, 2022), 以構(gòu)建礦床勘查標識體系并服務(wù)勘查活動。由于新的勘查活動會持續(xù)產(chǎn)生新的海量勘查數(shù)據(jù), 進一步充實礦床勘查大數(shù)據(jù), 三者之間相互協(xié)作、周而復始, 構(gòu)成能夠自我完善的礦床勘查進程(圖2)。本文所提出的新型智能礦床勘查指導系統(tǒng)即是為驅(qū)動這個進程而設(shè)計。

圖2 新型智能礦床勘查指導系統(tǒng)體系結(jié)構(gòu)

新型智能礦床勘查指導系統(tǒng)以礦床學、數(shù)學、計算機學等學科理論為指導, 以礦床勘查流程為主線, 以勘查資料智能匯聚構(gòu)建的礦床勘查大數(shù)據(jù)為基礎(chǔ), 以提煉勘查標識、構(gòu)建標識體系為核心, 利用大數(shù)據(jù)、人工智能、GIS等現(xiàn)代信息技術(shù), 開發(fā)涵蓋勘查數(shù)據(jù)處理分析、標識提取與體系構(gòu)建、預測區(qū)圈定、勘查指導方案生成等功能模塊, 服務(wù)礦床勘查全過程, 發(fā)揮勘查數(shù)據(jù)價值, 提升礦床勘查效率。

3 系統(tǒng)總體設(shè)計

3.1 系統(tǒng)框架

智能礦床勘查指導系統(tǒng)的總體架構(gòu)共分為五層(圖3), 分別為信息網(wǎng)絡(luò)基礎(chǔ)設(shè)施層、數(shù)據(jù)庫層、技術(shù)支撐層、功能服務(wù)層和用戶層。

圖3 新型智能礦床勘查指導系統(tǒng)框架

(1) 信息網(wǎng)絡(luò)基礎(chǔ)設(shè)施層: 主要包括信息網(wǎng)絡(luò)、服務(wù)器、存儲網(wǎng)絡(luò)、操作系統(tǒng)、中間件、數(shù)據(jù)庫、安全服務(wù)等。

(2) 數(shù)據(jù)庫層: 實現(xiàn)礦床勘查大數(shù)據(jù)的集中存儲。數(shù)據(jù)庫內(nèi)容既包括同一礦床類型(如斑巖型銅礦)的多尺度數(shù)據(jù), 也包括重要礦集區(qū)(如鄂東南礦集區(qū))的數(shù)據(jù), 這也是新型智能信息系統(tǒng)數(shù)據(jù)庫建設(shè)的兩大主要方向。

(3) 技術(shù)支撐層: 支撐系統(tǒng)功能開發(fā)與運行的中間件、軟件開發(fā)工具包等基礎(chǔ)信息平臺, 包括AI引擎、GIS引擎、工作流引擎、統(tǒng)計分析引擎、數(shù)據(jù)訪問與管理引擎、運行監(jiān)控引擎等。

(4) 功能服務(wù)層: 主要是指智能礦床勘查指導系統(tǒng)的各項功能模塊, 包括數(shù)據(jù)采集與管理、數(shù)據(jù)處理分析、勘查標識體系構(gòu)建、預測區(qū)圈定、勘查指導方案生成等。

(5) 用戶層: 主要是指智能礦床勘查指導系統(tǒng)的三大類用戶, 一是地質(zhì)勘查單位, 主要利用該系統(tǒng)輔助開展小尺度、大范圍(普查、詳查階段)的礦床勘查工作; 二是礦業(yè)公司, 主要利用系統(tǒng)輔助大尺度、小范圍(勘探階段)的礦床勘查與開發(fā)評估工作; 三是礦床相關(guān)科研院所, 主要利用該系統(tǒng)進行礦床勘查大數(shù)據(jù)分析及進行個性化二次開發(fā)。所有用戶均可通過該系統(tǒng)獨立或組合使用系統(tǒng)微服務(wù), 以及在安全可控的前提下, 獲取礦床勘查數(shù)據(jù)服務(wù)。

3.2 關(guān)鍵技術(shù)

(1) 人工智能技術(shù)

人工智能技術(shù)是智能礦床勘查指導系統(tǒng)的核心技術(shù)。系統(tǒng)收集并分析對比監(jiān)督學習、半監(jiān)督學習、無監(jiān)督學習、增強學習、知識圖譜等大數(shù)據(jù)挖掘方法, 總結(jié)不同方法對不同數(shù)據(jù)類型、數(shù)據(jù)規(guī)模、礦床尺度的礦床勘查大數(shù)據(jù)的適用性、勘查標識的找礦有效性、應用要求等, 遴選出適合礦床勘查大數(shù)據(jù)挖掘方法, 凝練礦床勘查AI算子, 構(gòu)建礦床勘查AI算法庫等。

(2) 微服務(wù)架構(gòu)

微服務(wù)架構(gòu)是一種將單個應用程序構(gòu)建為一系列小服務(wù)的設(shè)計方法。其中每個服務(wù)均按各自的流程運行, 并利用一種輕量級的其他通信機制服務(wù)進行通信。微服務(wù)架構(gòu)支持將礦床勘查指導系統(tǒng)拆分為簡單的獨立項目, 應用程序被拆分為許多單個組件(服務(wù)), 每個服務(wù)限定到單個目的或功能, 這些服務(wù)既可以與其同級服務(wù)相互獨立運行, 也可以與應用程序一起作為整體運行。智能礦床勘查指導系統(tǒng)應盡可能將按功能模塊、功能點開發(fā)成獨立的微服務(wù), 可獨立或協(xié)作運行, 既能保障系統(tǒng)的穩(wěn)定性、實用性和擴展性, 也可以面向不同勘查階段對系統(tǒng)功能的需要, 將微服務(wù)進行組合, 提供定制服務(wù)。

(3) 云化部署

云化部署就是采用云化的方案, 也稱為SaaS模式(software as a service), 是一種軟件部署模型, 是專為網(wǎng)絡(luò)交付而設(shè)計, 便于用戶通過互聯(lián)網(wǎng)托管、部署及接入。云資源可動態(tài)即時調(diào)配, 能夠提供“按需服務(wù)”, 免除支撐系統(tǒng)運行的軟硬件環(huán)境部署運維的麻煩。智能礦床勘查指導系統(tǒng)將采取云化部署。

4 系統(tǒng)功能模塊

以系統(tǒng)架構(gòu)和關(guān)鍵技術(shù)為指導, 以礦床勘查對數(shù)據(jù)的處理分析要求為主線, 按照“高內(nèi)聚、低耦合”的系統(tǒng)功能模塊劃分原則, 設(shè)計了新型智能礦床勘查指導系統(tǒng)的功能模塊(圖4)。

圖4 新型智能礦床勘查指導系統(tǒng)功能結(jié)構(gòu)

(1) 數(shù)據(jù)采集: 包括數(shù)據(jù)的采集、傳輸、上傳、檢查等, 實現(xiàn)礦床勘查資數(shù)據(jù)的采集入庫。

(2) 數(shù)據(jù)挖掘: 包括常規(guī)統(tǒng)計分析、多元統(tǒng)計分析、地統(tǒng)計分析、機器學習、知識圖譜、深度學習等不同的數(shù)據(jù)挖掘方法, 實現(xiàn)對礦床勘查大數(shù)據(jù)的挖掘。

(3) 標識識別: 實現(xiàn)包括地質(zhì)、地球物理、地球化學、遙感等不同專業(yè)勘查標識以及綜合標識的提取。

(4) 標識體系構(gòu)建: 包括礦床勘查標識體系的生成、更新和評估, 實現(xiàn)礦床勘查標識體系的智能構(gòu)建與管理。

(5) 預測區(qū)圈定: 包括礦區(qū)預測區(qū)圈定和礦田靶區(qū)圈定, 智能實現(xiàn)不同尺度預測區(qū)的圈定與評估。

(6) 勘查方案生成: 包括方案智能生成、方案更新與修訂、方案導出等, 實現(xiàn)勘查方案的智能生成。

(7) 模型管理: 包括算子管理、模型庫管理、模型運行監(jiān)控等, 實現(xiàn)勘查標識提取模型的管理。

(8) 系統(tǒng)管理: 包括用戶管理、權(quán)限管理、日志管理及系統(tǒng)配置等功能, 實現(xiàn)對系統(tǒng)基礎(chǔ)支撐功能的統(tǒng)一管理。

5 勘查應用

利用大數(shù)據(jù)和人工智能技術(shù)所開發(fā)構(gòu)建的新型智能礦床勘查指導信息系統(tǒng), 可應用于礦床勘查全過程。伴隨著勘查活動不斷生成新的勘查數(shù)據(jù), 智能礦床勘查指導系統(tǒng)可以產(chǎn)生可以持續(xù)完善的勘查成果, 構(gòu)建一種新的“即采、即傳、即算、即解”的智能礦床勘查新模式。另外, 由于系統(tǒng)采用微服務(wù)、云化部署等關(guān)鍵技術(shù), 智能礦床勘查指導系統(tǒng)的功能點和功能模塊可獨立使用、也可根據(jù)應用需要自由搭建, 應用形態(tài)呈現(xiàn)多樣化。通過與不同的前端技術(shù)相結(jié)合, 系統(tǒng)形態(tài)可以表現(xiàn)為不同功能組合的PC版、Web版或移動版, 以靈活應用于礦床勘查過程, 提升系統(tǒng)應用效率。

新型智能礦床勘查指導系統(tǒng)的勘查應用流程如圖5所示。

圖5 新型智能礦床勘查指導系統(tǒng)勘查應用流程

6 結(jié) 論

智能礦床勘查指導系統(tǒng)是利用人工智能和大數(shù)據(jù)技術(shù), 挖掘礦床勘查大數(shù)據(jù)價值, 服務(wù)礦床勘查全過程的綜合信息系統(tǒng), 是礦床勘查指導系統(tǒng)的未來形態(tài)。由于智能礦床勘查指導系統(tǒng)涉及礦床學、地質(zhì)學其他分支學科、信息學、計算機等多個學科, 亟待研發(fā)跨學科、兼容多元數(shù)據(jù)且具有自進化能力的礦床勘查專屬性人工智能算法, 但其構(gòu)建與應用依然存在一定的挑戰(zhàn), 包括多元地學數(shù)據(jù)獲取、最新AI技術(shù)融入等許多難點需要攻關(guān), 是一個長期的過程。

致謝:感謝合肥工業(yè)大學袁峰教授和中南大學毛先成教授對論文提出的修改意見和建議。

白啟星, 吳鈺海. 2015. 地質(zhì)礦床勘查數(shù)據(jù)的自動化管理. 科學中國人, (9): 82.

陳華勇, 張世濤, 初高彬, 張宇, 程佳敏, 田京, 韓金生. 2019. 鄂東南礦集區(qū)典型矽卡巖?斑巖礦床蝕變礦物短波紅外(SWIR)光譜研究與勘查應用. 巖石學報, 35(12): 3629–3643.

陳進, 毛先成, 劉占坤, 鄧浩. 2020. 基于隨機森林算法的大尹格莊金礦床三維成礦預測. 大地構(gòu)造與成礦學, 44(2): 231–241.

成秋明. 2021. 什么是數(shù)學地球科學及其前沿領(lǐng)域? 地學前緣, 28(3): 6–25.

戴長國. 2022. 淺談地質(zhì)找礦勘查技術(shù)原則與方法創(chuàng)新. 世界有色金屬, (3), 46–48.

鄧浩, 魏運鳳, 陳進, 劉占坤, 喻姝研, 毛先成. 2021. 基于注意力卷積神經(jīng)網(wǎng)絡(luò)的焦家金礦帶三維成礦預測及構(gòu)造控礦因素定量分析. 中南大學學報: 自然科學版, 52(9): 3003–3014.

賈俊乾. 2007. 基于MO的金屬礦床找礦勘查信息管理系統(tǒng)設(shè)計與開發(fā). 長春: 吉林大學博士學位論文: 7–11.

李燦鋒, 劉達, 周德坤, 楊克好. 2022. 人工智能在地質(zhì)領(lǐng)域的應用與展望. 礦物巖石地球化學通報, 41(3): 668–677.

李蒼柏. 2020. 支持向量機、隨機森林和人工神經(jīng)網(wǎng)絡(luò)機器學習算法在地球化學異常信息提取中的對比研究. 地球?qū)W報, 41(2): 309–319.

李鵬. 2013. 面向地質(zhì)勘查的多源異構(gòu)數(shù)據(jù)集成關(guān)鍵技術(shù)研究. 武漢: 中國地質(zhì)大學博士學位論文: 28–29.

毛先成, 王迷軍, 劉占坤, 陳進, 鄧浩. 2019. 基于勘查數(shù)據(jù)的膠東大尹格莊金礦床控礦地質(zhì)因素定量分析. 地學前緣, 26(4): 84–93.

滕吉文, 薛國強, 宋明春. 2022. 第二深度空間礦產(chǎn)資源探查理念與電磁法找礦實踐. 地球物理學報, 65(10): 3975–3985.

王丹. 2022. 地質(zhì)礦產(chǎn)勘查工作手段及方法. 中國金屬通報, (7): 104–106.

肖克炎, 孫莉, 李楠, 王琨, 范建福, 丁建華. 2015. 大數(shù)據(jù)思維下的礦產(chǎn)資源評價. 地質(zhì)通報, 34(7): 1266– 1272.

許超, 陳華勇, WHITE N, 祁進平, 張樂駿, 張爽, 段甘. 2017. 福建紫金山礦田西南銅鉬礦段蝕變礦化特征及SWIR勘查應用研究. 礦床地質(zhì), 36(5): 1013–1038.

嚴加永, 滕吉文, 呂慶田. 2008. 深部金屬礦產(chǎn)資源地球物理勘查與應用. 地球物理學進展, 23(3): 871–891.

趙鵬大. 2007. 成礦定量預測與深部找礦. 地學前緣, 14(5): 1–10.

趙鵬大, 陳永清. 2021. 數(shù)字地質(zhì)與數(shù)字礦床勘查. 地學前緣, 28(3): 1–5, 434–435.

鄭宗學, 張元松, 韓繼磊. 2021. 當前地質(zhì)礦床勘查及找礦技術(shù)研究. 世界有色金屬, (21): 65–66.

周永章, 左仁廣, 劉剛, 袁峰, 毛先成, 郭艷軍, 肖凡, 廖杰, 劉艷鵬. 2021. 數(shù)學地球科學跨越發(fā)展的十年: 大數(shù)據(jù)、人工智能算法正在改變地質(zhì)學. 礦物巖石地球化學通報, 40(3): 556–573, 777.

Carranza E J M, Laborte A G. 2015. Data-driven predictive mapping of gold prospectivity, Baguio district, Philippines: Application of random forests algorithm., 71: 777–787.

Li H, Li X H, Yuan F, Jowitt S M, Zhang M M, Zhou J, Zhou T F, Li X L, Ge C, Wu B C. 2020. Convolutional neural network and transfer learning based mineral prospectivitymodeling for geochemical exploration of Au mineralization within the Guandian-Zhangbaling area, Anhui Province, China., 122(1), 104747.

Li X H, Yuan F, Zhang M M, Jia C, Jowitt S M, Ord A, Zheng T K, Hu X Y, Li Y. 2015. Three-dimensional mineral prospectivity modeling for targeting of concealedmineralization within the Zhonggu iron orefield, Ningwu Basin, China., 71(5): 633–654.

McMillan M, Fohring J, Haber E, Granek J. 2019. Orogenic gold prospectivity mapping using machine learning. ASEG Extended Abstracts, 1: 1–4.

Shevyrev S, Carranza E J M. 2022. Application of maximum entropy for mineral prospectivity mapping in heavily vegetated areas of Greater Kurile chain with Landsat 8 data., 142(5), 104758.

Shirmard H, Farahbakhsh E, Müller R D, Chandra R. 2022. A review of machine learning in processing remote sensing data for mineral exploration., 268(2–3), 112750.

Woodhead J, Mathieu L. 2021. Harnessing the power of artificial intelligence machine learning in mineral exploration — Opportunities cautionary notes.,127: 19–31.

Wrona T, Pan I, Gawthorpe R L, Fossen H. 2018. Seismic facies analysis using machine learning., 83(5): 1–34.

Zhang Z Q, Wang G W, Liu C, Cheng L Z, Sha D M. 2021. Bagging-based positive-unlabeled learning algorithm with Bayesian hyperparameter optimization for three- dimensional mineral potential mapping., 154, 104817.

Zuo R G, Xiong Y H. 2018. Big data analytics of identifying geochemical anomalies supported by machine learning methods., 27(1): 5–13.

Construction of a New Intelligent Ore Deposit Exploration Guidance Information System

ZHANG Junling1, 2, CHEN Huayong1, 2, 3*

(1. CAS Key Laboratory of Mineralogy and Metallogeny, Guangzhou Institute of Geochemistry, Chinese Academy of Sciences, Guangzhou 510640, Guangdong, China; 2. College of Earth and Planetary Sciences, University of Chinese Academy of Sciences, Beijing 100049, China; 3. Guangdong Provincial Key Laboratory of Mineral Physics and Materials, Guangzhou 510640, Guangdong, China)

To fully tap the value of mineral exploration big data and improve the efficiency of mineral exploration, this paper starts from analyzing the big data and summarizing the process of mineral exploration, and proposes the research direction for a new intelligent mineral exploration guidance system that uses artificial intelligence technology to drive the ternary intelligence cycle of “exploration activities-exploration big data-exploration indicator system”. The system is designed with a five-layer system architecture and a technical route of “artificial intelligence + micro-service + cloud deployment”, and includes eight major functional modules covering data collection and indicator system construction, prospect prediction, and exploration plan generation. This paper also looks forward to the system’s diverse application forms and application processes. The proposed new intelligent mineral exploration guidance system is a future informationsystem for mineral exploration, and the research and construction of such system has practical significance for promoting the intelligentization of mineral exploration.

mineral exploration; exploration indicators; artificial intelligence; information system

2022-11-09;

2023-01-09;

2023-05-29

國家自然科學基金項目(42230810)、廣州市科技計劃項目(202102080318)和山東省深部金礦探測大數(shù)據(jù)應用開發(fā)工程實驗室開放課題(SDK202201)聯(lián)合資助。

張俊嶺(1979–), 男, 助理研究員, 主要從事智能找礦勘查與礦產(chǎn)開發(fā)評估等方面的研究。E-mail: zjl@gig.ac.cn

陳華勇(1976–), 男, 研究員, 博士生導師, 主要從事金屬礦床成因及勘查方法研究。E-mail: huayongchen@gig.ac.cn

P628

A

1001-1552(2023)06-1323-007

10.16539/j.ddgzyckx.2023.01.202