杨明莉 薛林福** 冉祥金 桑学佳 燕群 戴均豪

1. 吉林大学地球科学学院，长春 1300612. 中国矿业大学，徐州 221116

近年来，以人工智能、大数据为代表的新一代信息技术高速发展，地球科学的定量化研究开启了新阶段(赵鹏大, 2015; Bariketal., 2019; Zuo and Xiong, 2018; 蔡惠慧等, 2019; 季斌等, 2018; Wu and Zhang, 2020; 吴永亮等, 2017; 张亚光等, 2019)。面对海量多元异构的地学数据，传统数学统计分析方法短板凸显，智能化分析越来越成为研究热点(李超岭等, 2015; 周永章等, 2017, 2018; Holdenetal., 2019)。2018年1月5日，赵鹏大院士在接受《中国国土资源报》的采访中指出，智能化是新时代地质工作的新趋势和新特征。翟明国等(2018)也强调，大数据驱动下的矿产资源预测系统，是智慧找矿的重要基础。矿产地质调查的自动化和智能化，也是矿产地质调查方法、技术发展的必然趋势(刘艳鹏等, 2020)。

矿产地质调查经历了1:20万矿产普查、成矿带1:5万矿产地质调查等一系列发展阶段(薛林福等, 2014)，随着GIS、空间数据库、地理信息分析技术在矿产地质调查中的引入，数字化和自动化的矿产地质调查及找矿预测取得了较多重要进展(Chen, 2015; 李丰丹等, 2015; 刘艳鹏等, 2020; 吴永亮等, 2017; 于萍萍等, 2015; 周永章等, 2017)。

无人机(UAV)、人工智能、知识图谱为代表的新技术、新方法为实现智能矿产地质调查创造了环境(Lietal., 2020; Wangetal., 2018; 左仁广, 2019)。已有学者利用人工智能(向杰等, 2019; 蔡惠慧等, 2019; Xiong and Zuo, 2021)实现了部分区域矿产资源的智能化预测评价。知识图谱也成为了地学大数据应用的有效智能工具(周永章等, 2020, 2021; 袁满等, 2021)。无人机、机器人也被越来越多地运用到地质信息的智能获取领域(Funakietal., 2014; Sangetal., 2020)。5G技术为数据传输提供了高速通道。传感器技术的发展为获取高精度、高分辨率的多源矿产地质数据提供了新的技术方法(胡杰和张琳, 2016)。集成电路，尤其是近年来手机等手持设备的发展为进行矿产地质调查大数据处理提供了方便的数据采集工具(Leeetal., 2018)。

但当前矿产地质调查仍无法克服许多实际困难与挑战：积累的基础地质和矿产地质资料利用率不够，包括一些断裂几何形态与活动方式、地质界面类型与分布等重要信息，对找矿预测支撑不足；大量基于文字的地质数据和知识难以提取有效信息；缺乏超高分辨率、高精度的遥感、航磁等地质调查数据；尚未构建结构功能完备的矿产地质调查平台及完整的矿产地质调查生态系统。简言之，历史数据互联的困难限制了找矿理论的普适性，既有数据挖掘的困难削弱了预测过程的健壮性，高精数据的匮乏制约了预测结果的精确性，地质调查生态系统的欠缺则加剧了现有数据、理论、方法的孤立，导致智能化找矿工作仍然“各自为战”，难以凝聚合力推动新时代矿产地质调查方法的进一步发展。类似“地球系统-成矿系统-勘查系统-预测评价系统”的找矿预测完整生态链已成为未来迫切需要解决的关键科学技术问题(周永章等, 2021)。

针对矿产地质调查中面临的具体问题，本文采用人工智能深度学习技术，提出一种新型矿产地质调查智能化的生态系统基本框架，硬件上包括基于多种智能设备进行数据采集、利用云计算架构进行数据的存储，软件上包括基于深度学习技术进行多源异构数据分析、基于知识图谱和深度学习技术进行找矿预测等，初步实现了“智能矿产地质调查云平台(简称为云平台)”，提出了数据驱动与知识驱动相结合的找矿预测方法，集成了采用深度学习技术进行地质空间特征匹配找矿预测和基于知识图谱进行找矿预测的方法，并采用空间特征匹配找矿预测方法在甘肃大桥-崖湾地区进行了找矿预测试点。

1 智能矿产地质调查与智能矿产地质调查系统

1.1 智能矿产地质调查的概念

智能矿产地质调查是基于人工智能等新一代信息技术的矿产地质调查，在矿产地质调查过程中能够智能化地采集数据、分析数据，进行成矿远景预测及深部找矿(Aknetal., 2010; Appleton and Ridgway, 1993; Bonham-Carteretal., 1988; Bugaetsetal., 1991; Butt, 2016; Casanaetal., 2014; Chen, 2015; Eberleetal., 2015; de Souza Filhoetal., 2007; Friedeletal., 2016; Gholamietal., 2011; Lietal., 2020; Al-Garni, 2010; Markwitzetal., 2016; Pereiraetal., 2015; Qiuetal., 2019; Rodriguez-Galianoetal., 2015; Maetal., 2007; Zuoetal., 2019)。智能矿产地质调查将会推动矿产地质调查与评价理论、方法和技术的重大变革，如：能够优化矿产地质调查与评价流程，实时分析矿产地质调查数据并进行矿产资源动态评价；动态展示矿产地质调查项目进展的详细情况；通过各种便携式数据采集设备在野外采集大量高分辨率、高精度数据，与已有数据资料相结合，分析复杂的成矿地质条件，灵敏地识别重要的找矿标志，大幅增加矿产资源的发现几率。

1.2 智能矿产地质调查生态系统

智能矿产地质调查生态系统是指与智能矿产地质调查相关的智能数据采集设备、应用(APP)、用户、标准、规范、云平台等组成部分及相互关系构成的完整系统(图1)。构建矿产地质调查生态系统对完善矿产地质调查流程，提高矿产地质调查的效率与效果具有十分重要的意义。通过平台数据管理，可以积累数据，数据量越大越有利于提高智能找矿预测的可靠性。不断积累数据、完善找矿预测模型、APP、数据采集工具等，形成系统完备的智能矿产地质调查体系，能够快速、高效、精准地进行矿产地质调查与评价。

图1 智能矿产地质调查生态系统的组成及相互关系Fig.1 Composition and relationship of intelligent mineral geological survey ecosystem

智能矿产地质调查生态系统的核心是云平台。各种智能数据采集设备可以通过网络向云平台传输数据，平台对数据进行智能分析，并向矿产地质调查人员和管理者提供矿产地质信息。智能矿产地质调查是在“地质云”这一云平台的基础上设计开发的，充分利用地质云现有的硬件资源与软件接口，接收并存储各种智能数据采集设备收集的数据资源。用户通过手机或桌面APP与平台交互，如用户拍摄一张蚀变岩的照片上传到平台，平台的智能识别系统可以给出蚀变岩的名称、描述及成矿意义等方面的信息，或用户上传一个地区的地质、物探、化探、遥感等方面的资料，平台的智能找矿预测系统将对研究区进行智能找矿预测，给出预测远景区和勘探靶区。

2 智能矿产地质调查流程

智能矿产地质调查与现有矿产地质调查的流程基本一致，主要包括预研究、野外工作、找矿预测、验证四个阶段，但前者更强调工作流程的自动智能、水平，包括工作流程各阶段与云平台的深度耦合、野外现场的无人机智能数据采集、面向多源异构大数据的智能分析算法等。

预研究阶段的工作步骤为：(1)资料收集与整理，在云平台上建立数据库；(2)通过智能地质分析提取地质、物探、化探、遥感资料中成矿地质要素与找矿标志，发现各种地质要素与已知矿床(点)的相互关系，揭示隐藏的成矿规律；(3)采用智能找矿预测系统圈定重点找矿工作区；(4)部署野外地质、物探、化探工作。

野外工作阶段的主要工作步骤为：(1)采用无人机进行遥感、航磁、能谱等方面的数据采集；(2)地质点观察、实测剖面、大比例尺填图；(3)对新获取的资料进行整理，按照统一的数据格式输入到云平台的数据库。

找矿预测阶段的主要工作步骤为：(1)采用云平台的智能数据分析功能进行成矿要素相关性分析和成矿规律分析；(2)采用平台的智能找矿预测功能进行找矿远景预测和勘探靶区圈定。

验证阶段的主要工作步骤是采用平台的找矿靶区优选功能筛选出最有利的找矿目标区进行验证工作，如对重点地区进行高分辨率物探、化探测量，对可靠的找矿目标进行钻探验证。

3 智能矿产地质调查方法

智能矿产地质调查技术体系主要由智能数据采集子系统、智能数据管理子系统、智能数据分析子系统、智能找矿预测子系统、智能绘图与可视化子系统、矿产地质调查云平台、技术标准等部分组成(图1)。

3.1 智能数据采集与管理方法

矿产地质调查过程中，多种仪器、设备、软件系统被用来获得多元数据。在智能矿产地质调查体系中，利用无人飞机、无人车、无人船等作为运载工具，搭载各种仪器，如微型光谱、磁、能谱等信息采集系统，来获取矿产地质基础大数据，智能采集样品，形成智能化地数据采集体系。

以无人机为平台的矿产地质数据采集系统是矿产地质数据智能采集的重要发展方向。在地形高差起伏大的地区，无人机可以被用来进行剖面扫描，获取地质信息：

(1)地质露头影像。在勘查区域利用无人机采集地质露头影像数据，于内业环境中分析并识别地质露头的找矿标志信息，如矿化、蚀变等；

(2)剖面扫描数据。根据设定剖面的范围，自动扫描剖面，采集数据(如光学影像、光谱、地磁、伽玛能谱等)；

(3)终端实时智能识别。利用训练好的智能识别模型于数据采集时完成地质对象的异常识别，包括矿化异常、光学异常、光谱异常、地球物理异常，从而辅助数据采集方案决策。

除此之外，智能数据管理能够降低数据管理的复杂性，根据需求自动从数据库中提取数据、自动进行数据格式和坐标系变换等。

3.2 智能矿产地质数据分析方法

智能矿产地质调查数据分析包括：基于地质图或空间数据库提取找矿预测信息；基于矿产地质调查数据和资料的智能集成与分析技术；超高分辨率无人机遥感影像智能分析技术；物探、化探、遥感等资料智能分析技术；智能综合矿产地质分析技术；智能三维建模技术等。

3.2.1 智能矿产地质数据分析方法

区域矿产地质调查成果主要以矿产地质图形式表示。根据地质图每个地质单元的属性信息(时代、岩性描述、含矿性等)和地质报告资料，采用BERT(Bidirectional Encoder Representation from Transformers)等自然语言处理(Natural Language Process, NLP)神经网络架构将文本资料等非结构化数据转换为计算机能够计算的数值数据。

(1)智能成矿地质体分析：分析地质体的成因、岩相古地理背景、构造环境、建造类型等，识别成矿地质体的类型。

(2)智能成矿构造分析：主要包括：①断裂几何形态与断裂之间的相互关系分析，识别有利成矿的部位，识别断裂成矿构造系统。②分析褶皱构造的几何学、规模、运动学特征及其与岩脉、矿体、蚀变作用的关系，分析褶皱与成矿的关系。③进行成矿构造和控岩构造智能分析。

(3)智能成矿地质界面分析：基于研究区的空间数据库，以地质图上的弧段(地质界面)为基本分析单元，根据弧段两侧地质体的岩性描述，用NLP技术识别地质界面类型，判断地质界面是否是成矿地质界面以及成矿地质界面的类型。

(4)智能成矿作用标志筛选：采用NLP、无监督聚类等大数据分析方法，通过对所有疑似成矿作用地质标志与成矿地质体和矿体的关联分析筛选出成矿作用特征标志。

3.2.2 智能物探、化探数据分析方法

智能物探数据分析方法是基于深度学习网络，如卷积神经网络(CNN)、生成对抗网络(GAN)、自动编码解码器网络(AE)，以非震地球物理数据为输入源，智能解释数据中隐含的断裂、隐伏岩体、隐伏地质界面、隐伏成矿地质体信息。

智能化探数据分析算法则是基于CNN、Mate-learning(元学习)的化探智能分析方法。以目前流行的各种不同的深度学习模型，进行改造，适配网格化后的化探数据，识别弱小异常、圈定地球化学异常，分析地球化学异常空间结构，从而圈定找矿远景区。

3.2.3 智能遥感数据分析方法

遥感数据是地质数据中常见的大数据，通过分析遥感异常，可以用来解释地质构造现象、分析地质问题。通过将遥感数据进行切片，建立遥感地质解释数据集，包括断裂构造解释数据集、环形构造解译数据集，利用深度学习算法进行有监督或无监督学习，从而实现智能遥感地质解译。

3.3 智能找矿预测方法

当前基于数据驱动(或科学)的矿产资源定量预测是一种在地质大数据的基础上，结合地质理论和数学模型进行矿产资源的定量预测过程(陈建平等, 2005; 于萍萍等, 2015; 王怀涛等, 2018)。近年来，基于机器学习的矿产资源预测方法也被越来越多的学者所研究，逐渐成为当前矿产资源预测研究的热点(向杰等, 2019; 蔡惠慧等, 2019)。

智能找矿预测包括知识驱动、数据驱动或综合预测三种途径，本文分别采用人工智能深度学习技术(蔡惠慧等, 2019; Xiong and Zuo, 2021)，匹配地质空间特征进行找矿预测，实现了数据驱动的找矿预测方法，采用知识图谱技术(周永章等, 2020, 2021; 袁满等, 2021)，构建了西秦岭典型矿床的知识图谱进行找矿预测，实现了知识驱动的找矿预测方法。

此外，本文结合数据和知识驱动进行综合预测，通过深度学习技术识别矿产地质调查大数据的特征，结合矿床模型知识图谱研究推理引擎，提出了知识驱动与数据驱动相结合的找矿预测方法实现方案。

3.3.1 地质空间特征匹配找矿预测方法

地质空间特征匹配找矿预测方法是一种基于地质类比思想开发的数据驱动的智能找矿预测方法。可以采用多种方法实现地质特征匹配找矿预测，其中一种实现方法是：(1)采用相同范围、相同网格单元大小对研究区的地质、物探、化探、遥感数据进行网格化；(2)采用深度自编码神经网络(AE)进行特征提取；(3)根据第(2)步所提取的特征，采用高斯混合模型(GMM)进行空间聚类；(4)根据已知矿床(点)所在位置，确定其所属类别；(5)在矿床(点)所在类别中，选取一定比例(如30%)的数据点作为训练数据和验证数据，优先选择靠近已知矿床(点)的数据；(6)用选取的数据作为训练数据和验证数据，训练和验证最近邻网络(KNN)模型，选择最优的K值；(7)用训练好的模型对研究区每个网格单元进行预测，得到预测结果(图2)。

图2 地质特征匹配找矿预测方法Fig.2 Prospecting prediction method based on geological feature matching

图3 基于知识图谱的智能找矿预测方法Fig.3 Intelligent prospecting prediction method based on Knowledge Graph

3.3.2 基于知识图谱的智能找矿预测方法

知识图谱是Google公司2012年提出的，最初应用于其搜索业务，后逐渐推广应用到社交网络、医疗、金融等其他领域，在地质领域的研究处于起步阶段。知识图谱能够以语义网络的方式表示矿产地质领域知识和区域矿产地质知识，通常基于地质报告、研究报告、论文等半结构化或非结构化资料，构建矿产地质知识图谱(周永章等, 2020, 2021; 袁满等, 2021)。矿产地质领域知识是长期研究总结得出的一般性规律和知识，如成矿理论、找矿模型等。区域矿产地质知识是指在具体研究区所获取的知识，如大桥-崖湾地区的金矿(点)主要产于三叠系滑石关组，金矿与硅化角砾岩密切相关等知识。

基于知识图谱的找矿预测方法是以矿产地质知识图谱及区域矿产地质知识图谱为基础，采用链路预测、中心性计算、社区发现、相似度计算等知识图谱分析方法进行知识推理，发现地质要素与成矿作用的关联关系，挖掘隐藏的成矿地质规律与模式，发现有利的成矿空间位置、成矿时间、成矿物质和成矿能量供给条件，预测可能的成矿位置，确定有利找矿区或找矿靶区(图3)。

图4 数据驱动与知识驱动相结合的智能找矿预测方法Fig.4 Intelligent prospecting prediction method based on data and knowledge

基于知识图谱的找矿预测主要通过知识匹配和路径推理进行预测总结，该方法的实质是比较已知矿床和矿床模型的知识图谱与拟预测位置的知识图谱的相似性。如果拟预测位置的知识图谱与已知矿床模型的知识图谱的节点、节点属性、关系具有一致性，则该拟预测位置的成矿条件越好，成矿和找矿的可能性越大。根据地质图、研究报告、论文、实测物探和化探数据获取拟预测位置的矿产地质信息，形成拟预测位置的知识图谱，并与矿床模型的知识图谱的属性与关系进行匹配。属性匹配是指如果矿床模型与拟预测位置的知识图谱具有相同类型的节点(如蚀变类型)，且蚀变类型是相同的(如均为黄铁矿化)，则表明矿床模型的知识图谱的节点与拟预测位置的节点是匹配的。关系匹配是指矿床模型与拟预测位置之间具有相同的节点与节点的关系，如矿床与断裂的关系及拟预测位置与断裂的关系均为位于断裂交汇部位。基于知识图谱的找矿预测方法的最大优势是能够比较矿床模型和拟预测位置相关地质要素之间的复杂相互关系。

基于知识图谱找矿预测的流程为：通过相同标签筛选节点，采用中心性算法计算中心节点；通过链路预测算法预测中心节点的路径，并结合随机游走算法增加路径的多样性，以增强预测路径样本多样性；通过社区发现算法计算各路径基于关系复杂度的聚类，筛选含多向传递性和定向性的节点；通过相似度算法计算路径的相似度，筛选最佳路径，配比优选路径各节点的属性信息，预测有利找矿位置(图3)。

3.3.3 数据驱动与知识驱动相结合的智能找矿预测方法

综合数据驱动与知识驱动进行找矿预测。该方法结合特征匹配、特征分析、知识图谱、推理预测，融合多种类型数据进行找矿预测。在知识图谱的基础上，采用推理引擎智能分析矿床特征、成矿规律、矿床成因，并在此基础上进行找矿预测(图4)。

4 智能矿产地质调查云平台

在已有找矿预测理论和方法的基础上，采用云计算架构，集成大数据和人工智能找矿预测方法，建立智能矿产地质调查云平台，提供一个以人工智能技术为核心的，具有感知-分析-预测-决策强大功能、简单易用及高度灵活和可扩展的系统平台，实现精准和高效的矿产资源调查与评价，实现勘查过程精细管理、智能数据分析、多尺度智能矿产资源预测、社会化信息服务等功能，为实现智能矿产地质调查搭建基础平台。

智能矿产地质调查云平台是智能矿产地质调查生态系统的核心组件，主要提供数据存储、数据分析、找矿预测、可视化等核心功能。该平台能够利用矿产地质调查所获得的数据，集成新一代基于大数据和人工智能的找矿预测方法进行找矿预测，形成智能矿产地质调查与找矿预测产品服务体系(图5)。

图5 智能矿产地质调查云平台架构图短虚线部分为近期即将上线的功能，点虚线为平台远景规划的功能Fig.5 Architecture of intelligent mineral geological survey cloud platform

图5描述了智能矿产地质调查云平台的整体架构，涵盖了智能矿产地质调查的多个方面。主要提供的服务与功能包含：基于深度学习技术分析物探数据，实现了智能物探解释；应用深度自编码神经网络结合高斯混合模型实现了化探异常智能圈定；通过对地质要素矢量化实现了智能地质分析等智能数据分析功能；通过改造后的KNN、孪生网络等深度学习模型，实现了远景预测和靶区圈定等智能矿产资源发现服务；基于NLP实现了自然资源知识问答功能等；基于Hadoop、深度学习、知识图谱等技术已经实现了智能数据分析、智能矿产资源发现、知识问答等服务层，以及三维建模、深部找矿预测、搜索与查询、智能矿产地质分析、二维可视化、三维可视化等应用层功能。

不同于地质云平台现有的功能，智能矿产地质调查云平台不仅提供数据的智能采集功能，而且实现了基于矿产地质调查大数据的多种数据分析功能，并提供了智能的找矿预测服务，为智能矿产地质调查生态提供了基础的环境及智能化平台。

智能矿产地质调查云平台以CentOS操作系统为基础，基于微服务架构，采用ArcGIS地图服务器对地理底图、地质图、成矿规律图、建造构造图等图件进行展示，以JavaScript、Node.js、JSON、XML、HTML为前端开发语言，以Java、Python为服务器端开发语言，使用Oracle、PostGIS等进行空间数据库管理，用MongoDB进行半结构化和非结构化数据管理。整体来说，云平台由大数据分布式存储子系统、数据接入子系统、数据分析子系统、找矿预测子系统4个部分组成(图5)。

(1)大数据分布式存储子系统

平台将存储海量的全国矿产地质调查异构数据，不仅包括物探、化探、遥感、钻孔等结构化数据，还包括地质报告、专著、论文等非结构化和半结构化数据，也包括地质图、勘探线剖面图、实测剖面图、野外照片等图形图像数据，数据格式和内容都非常复杂。为了满足所有数据的存储、管理以及对外共享的要求，平台针对结构化数据采用传统的SQL型数据库，针对非结构化数据采用基于Hadoop分布式文件系统(HDFS)架构的分布式文档数据库来进行数据的高效存储。本子系统主要提供信息查询与统计分析功能，包含矿产地质信息查询、勘查区及项目查询、矿产勘查工作量查询、统计查询与可视化等。

(2)数据接入子系统

主要包括离线采集、实时采集、网络采集三种数据采集方式。离线采集主要实现从分布式数据库采集矿产资源信息的功能。实时采集主要实现对各种类型的实时数据的采集，例如野外地质路线观察点信息(如照片、视频、描述、产状测量、物性测量等)、物探采样点位置、化探采样点位置、无人机影像、光谱测量、能谱测量等。网络采集则是采用网络爬虫技术从网络资源中获取矿产资源相关信息。

图6 甘肃大桥-崖湾矿集区重点研究区地质简图(a)大地构造分区；(b)主要地质体；(c)研究区地质图. 1-第四系砂砾石层、残坡积以及风成黄土；2-新近纪甘肃群红色泥岩夹砂砾岩；3-白垩系鸡山组紫红色砾岩；4-侏罗系龙家沟组钙质砾岩；5-三叠系大河坝组砂板岩；6-三叠系滑石关组二段灰岩；7-三叠系滑石关组一段角砾状灰岩；8-石炭系岷河组灰岩；9-泥盆系黄家沟组一段钙质板岩；10-泥盆系黄家沟组二段灰岩；11-泥盆系黄家沟组三段千枚岩；12-泥盆系红岭山组灰岩千枚岩互层；13-志留系白龙江群灰板岩；14-岩体；15-矿床；16-断裂Fig.6 Geological maps of key research area in Daqiao-Yawan ore concentration area, Gansu Province

(3)数据分析子系统

数据分析子系统主要提供矿产地质数据处理与分析服务。利用多种分析引擎，如数据挖掘、机器学习、深度学习等，对多源数据进行处理与分析。主要包含：①区域地质图智能分析功能，可以挖掘地质图中所包含的矿产地质信息。②重磁数据找矿信息智能提取功能，可以对控矿断裂、硅钙面、地质体接触界面、隐伏岩体等成矿地质信息提取；揭示重要地质界面三维空间展布、含矿地质体的深部发育状况。③地球化学异常智能提取。④遥感找矿信息智能提取，包括断裂构造、蚀变带等信息提取。⑤基于高分辨率无人机影像的成矿地质要素分析和找矿标志识别，主要包括蚀变带识别(位置、色调、蚀变类型、蚀变带分布等)；在无人机三维模型的基础上，提取主要地质界面(层面、断裂)的产状要素，进行精细控矿构造解析。

(4)找矿预测子系统

系统集成一系列找矿预测方法，主要包括：地质特征匹配找矿预测方法、基于知识图谱的智能找矿预测方法、数据驱动与知识驱动相结合的智能找矿预测方法、基于三维地质模型的深部找矿预测方法。通过多源矿产地质调查数据，利用最适合的找矿预测方法进行找矿预测分析，绘制预测区的找矿远景区，为后续的矿产地质详查提供依据。

智能矿产地质调查云平台采用云计算架构，可伸缩性强，可随数据的增加弹性增加存储、计算等资源。同时，由于大量的原始数据存储在地质云空间中，数据的安全性及保密性可得到保障。智能矿产地质调查云平台在数据分析和找矿预测方面充分利用了人工智能技术，大量减轻了人工作业的负担，同时找矿预测技术所圈定的找矿异常区可大幅减少野外工作量，将有限的资金用于更有效的找矿工作中，不仅加快了找矿进程，而且减少了找矿成本，能够为当前的找矿突破战略提供技术方法和手段。

5 智能矿产地质调查方法在甘肃大桥-崖湾地区的应用

5.1 甘肃大桥-崖湾地区区域地质背景

甘肃大桥-崖湾地区横跨中秦岭陆缘盆地和泽库前陆盆地、南秦岭陆缘裂谷三个Ⅲ级构造单元(图6b)。

甘肃大桥-崖湾地区地层以合作-岷县-江洛区域性断裂为界，北部地层属华北地层大区秦祁昆地层区东昆仑-中秦岭地层分区中秦岭地层小区，位于研究区西北部；南部地层隶属于华南地层大区南秦岭-大别山地层区迭部-旬阳地层分区南秦岭地层小区，为区内的主体。研究区中秦岭地层小区仅出露晚古生界泥盆系西汉水群，南秦岭地层小区地层出露较完整，古生界、中生界、新生界均有出露。

研究区侵入岩出露较少，且出露规模较小。研究区西部主要见有小金厂印支期角闪石英闪长岩体和庙转子印支期花岗闪长岩。研究区东北部出露牛儿坪细粒二长花岗岩岩株，呈北东-南西向的葫芦状展布，侵位于三叠纪滑石关组灰岩、板岩及砂岩中，出露长约1070m，宽约60～250m，面积0.13km2，该岩株南东局部被新近纪砂砾岩覆盖。大桥金矿区花岗闪长岩脉较发育，一般长约20～280m，宽4～30m，走向以NE向为主，呈透镜状产出。岩脉多沿三叠系顺层侵入，有多条岩脉沿着硅化岩层侵入，岩石致密，被强烈硅化，局部可见有含有硫化物的硅化细脉穿插其中。花岗闪长(斑)岩脉的LA-ICP-MS锆石U-Pb测年结果在207.0±1.5Ma～215.0±1.2Ma之间(陕亮等, 2016)，为印支期晚期岩浆活动的产物。区内岩浆活动与金矿成矿关系密切，为金矿的成矿地质体。

研究区处于秦岭褶皱系西段，褶皱构造较为发育。北部中秦岭构造带褶皱规模较大，并发育次级背、向斜及小规模的层间褶曲，轴面劈理、板(层)劈理较发育，大部分板劈理面与层面平行。在空间分布上，东南部南秦岭构造带，由于所处构造单元不同，褶皱构造发育程度、组合面貌等不尽一致。

研究区断裂构造较发育，发育大小不等的断层共有664条，其中规模较大的断裂有2条。断裂走向以北东向为主，其次为近东西向。其中北东向断裂发育，且规模大、延伸远，并向北东方向收敛，在平面上具帚状构造特征。

甘肃大桥-崖湾地区是重要的金矿成矿区，主要有大桥超大型金矿、安房坝中型金矿、饮马河小型金矿等3个岩浆热液型金矿床及20处金矿点，金矿床及部分金矿点如表1所示。大桥金矿为研究区的典型矿床，其发育与三叠系滑石关组硅化角砾岩密切相关。

5.2 智能找矿预测方法与结果

按照智能矿产地质调查流程(见章节2)，对大桥-崖湾地区分别进行了预研究、野外工作、找矿预测和验证工作，以圈定预测区。

5.2.1 预研究

在收集整理大桥-崖湾地区1:5万矿产地质调查、1:5万化探和1:5万航磁资料的基础上，建立了多源数据空间数据库。大桥-崖湾地区的找矿预测主要基于1:5万矿产地质资料，及Ag、As、Au、Ba、Bi、Cu、Hg、Mn、Mo、Pb、Sb、Sn、W、Zn等14种元素的1:5万化探数据。

为了把地质界线、断裂构造信息融入到找矿预测过程中，根据地质图资料采用如下方式进行了地质信息的网格化处理：(1)按一定的网格单元大小，如100m×100m，把研究区划分为一系列的网格；(2)对应每段地质界线或断裂线(相当于地质图的弧段或线段)，生成一个网格层，每个网格单元值为该网格单元到弧段或断裂的最短距离的倒数；(3)生成所有地质界线和断裂的网格层。采用这种地质信息的网格化方法，能够表示空间位置与地质界线或断裂的空间相关性。每个网格单元的值越大，表明该网格单元与地质界线或断裂的关系越密切。这一过程通过云平台的数据处理子系统来完成。大桥-崖湾地区有地质界线弧段2105个，共生成2105个地质界线网格化层；有断裂664个，生成了664个断裂网格化层。把这些网格单元层叠加起来，对应每个网格单元有2769个数据，相当于用2769维的数据表示该网格单元的特征。

表1 甘肃大桥-崖湾矿集区重点研究区的主要矿床(点)

化探数据的每种元素以及航磁数据采用克里金插值法进行网格化，网格范围与网格单元大小与地质资料网格化的范围和大小一致。

5.2.2 野外工作

在传统的野外地质勘查基础上，增加了无人机矿产地质勘查的工作。利用无人机对大桥-崖湾地区的已知矿区进行了高分辨率影像采集，采集到的数据通过移动网络传输至智能矿产地质调查云平台，利用遥感融合技术形成了高分辨率无人机遥感数据，分辨率可达到0.1m，部分区域的分辨率可达到1cm。利用智能遥感分析方法，对无人机高分辨率影像进行切片处理，分析并识别出露地质体的矿化和蚀变情况等找矿标志。

5.2.3 找矿预测

采用上述特征匹配找矿预测方法(见章节3.3.1)对大桥-崖湾地区进行了找矿预测，网格单元的大小为200m×200m，研究区共划分为186×349=66774个网格单元。

不同的网络结构对预测的结果影响较大，模型的初始学习率、衰减率也会影响模型分类的准确性。因此，本文开展了大量的试验来选择最佳的网络结构并优化深度学习参数，通过两种不同的指标来决定模型的优劣，一个指标是回判率R，即模型预测的区域中包含已知金矿床(点)的个数占总金矿床(点)的百分比。另一个是预测面积占有率S，即预测区面积占工作区面积的百分比。回判率R越高，预测面积占有率S越低，则模型表现越优秀。

大量的试验表明，采用由5个全连接层组成的编码器和5个全连接层组成的解码器构成的深度自编码神经网络对地质、化探数据进行压缩降维，在保持原始数据特征的情况下，减少了计算量。降维后每个网格单元所获取到的特征向量为64维。采用高斯混合聚类方法对降维后的网格单元进行特征分类。根据已知的23个金矿床(点)(图6和表1)，以金矿床(点)所在类别的30%的网格单元特征数据构建训练数据集和验证数据集，并对KNN网络模型进行训练和验证。

最终，采用上述模型获得的回判率R最高，达到83.35%，同时，预测面积占有率S最小，达到9.42%。最后，利用训练好的KNN模型，对大桥-崖湾地区的所有网格单元进行了预测(图7)。

图7中，预测区的颜色代表了该区域的特征类型，如果两个区颜色相同表明这两个区具有相同的成矿和找矿地质条件，如大桥金矿位于C9区，该区的颜色是独特的，表明大桥金矿的成矿条件在全区是独特的，B2与C6的颜色相同，表明其具有相同的成矿条件。

智能找矿预测结果表明，研究区可划分为A、B、C、D、E等5个主要找矿远景区(图7)，各预测区的主要地质特征为：

预测区A：位于研究区北部的关坝地区。该区地表主要出露泥盆系黄家沟组和红岭山组，被EW向断裂切割，区内已发现两处金矿点。

预测区B：位于研究区西部草坪乡-马场里一带。该区主要出露三叠系滑石关组和大河坝组，部分出露新近系甘肃群。该预测区的南部和北部具有不同特征，进一步可分为B1、B2两个区，其中B1区主要出露三叠系滑石关组和新近系甘肃群，B2区主要出露三叠系大河坝组与滑石关组。区内地层主要被EW向和NE向断裂切割，已知B2区马场里附近发现一处金矿点，B1区目前未发现金矿床(点)，找矿远景较好，重点寻找断裂带型金矿。

预测区C：位于研究区中部库裕塘-石峡乡一带，整体呈NE向展布，是重要的找矿目标区，该区已有大桥超大型金矿、饮马河小型金矿，并发现13处金矿点。该区地表出露三叠系滑石关组、石炭系岷河组、新近系甘肃群，发育NE、NEE、近南北等多组断裂，处于构造方向转折变化区，存在隐伏的环形构造，化探组合异常明显，具有很好的成矿条件。基于地质、地化资料的特征分类结果表明，该预测区可以分为C1～C9共9个子区(图7)，其中C3子区包含六处金矿化点，C5与C7子区目前未发现金矿化点，C5与C7子区可以作为下一步找矿勘探的重点区域。C2、C7、C8的东北区，目前工作程度较低，经野外地质研究和综合分析，具有良好成矿条件。

预测区D：位于研究区左下部杨家地湾南侧。该预测区主要出露志留系卓乌阔组、泥盆系下吾那组，部分志留系卓乌阔组被第四系更新世风成黄土覆盖。区内已发现一处金矿化点。

预测区E：位于研究区中下部田家河周边。该预测区主要出露志留系卓乌阔组、泥盆系铁山组、石炭系溢瓦沟、三叠系滑石关组、新近系甘肃群；近EW向断裂被NE向断裂切割，断裂走向有一定变化，化探异常明显，有1个已知中型金矿床(安房坝金矿)。

5.2.4 验证

针对上文得到的预测区，重点对C8预测子区进行了高精度磁测工作，布置了一条高精度磁测剖面贯穿C8子区，以验证预测结果。在野外获取数据的基础上，针对本次工作干扰较大的特点，首先对高精度磁测数据进行了预处理，然后进行了化极、求导、延拓等多项数据处理，最后，在MAGS软件下进行了反演。

通过反演，验证了C8预测子区含有较高磁性的硅化角砾岩，并且位置相对准确，且矿脉延伸更加确定。同时，测定结果也显示，硅化角砾岩型金矿石与其他岩类相比有较明显的磁性差异，为通过磁法验证金矿预测区提供了较好的地球物理手段。

6 结论

(1)新一代人工智能技术可以融合结构化、半结构化和非结构化数据进行找矿预测，能够有效地提高找矿预测效果，使找矿预测走向精准化和智能化。基于深度学习的空间矿产地质特征匹配找矿预测方法能够高效智能地确定找矿远景区或找矿靶区。

(2)智能找矿预测方法具有高效、快速的特点，采用该方法在甘肃大桥-崖湾地区圈定了5个有利找矿区，为该区的找矿勘探提供了科学依据。

(3)智能矿产地质调查方法是一种与现代信息技术高度融合的高效、绿色、智能化的地质调查方法，人工智能贯穿于矿产地质调查的各个阶段，是矿产地质调查的重要发展方向。建立矿产地质调查生态系统对变革矿产地质调查方法具有重要意义，不仅可以促进矿产地质调查流程、数据、管理的标准化，其对矿产地质调查方法的变革亦具有重要意义。