一种基于多源地质关系数据的成矿靶区智能预测方法与流程

本发明涉及矿产资源勘查，尤其涉及一种基于多源地质关系数据的成矿靶区智能预测方法。

背景技术：

1、随着地表露头矿和浅部易识别矿床的日益减少，矿产资源勘查正向深部和覆盖区延伸，通过对地质、地球化学、地球物理、遥感等多源地学数据的综合分析，识别潜在的矿产资源富集区域，为勘查工程部署提供科学依据，随着浅表易识别矿产资源日渐枯竭，矿产勘查工作已全面转向深部隐伏矿体、复杂地质条件区域的找矿突破，传统依赖地质专家经验的人工分析方法，存在主观性强、效率低、多源数据融合能力弱、深部预测精度不足等局限性，已无法满足当前勘查工作的实际需求。

2、随着信息技术与人工智能技术的快速发展，地理信息系统（gis）、机器学习、深度学习、知识图谱等技术已逐步应用于矿产资源预测领域，智能化找矿已成为行业发展的主流方向，针对该方向开展了大量研究，并形成了多项相关技术方案：

3、公开号为cn118194162a的专利申请公开了一种基于多元数据的找矿靶区定位方法，该方法通过处理地质、地球化学、地球物理数据集，提取岩性变量、断层变量、化探聚类变量、降维变量等多种预测变量，融合后输入随机森林、支持向量机、多层感知机等多种机器学习模型，并选择表现最佳的模型输出矿产分布概率图。该方法侧重于多源数据的变量提取和多模型比较，但未对模型输出的概率图进行任何后处理验证或滤波优化。

4、公开号为cn119850863a的专利申请公开了一种基于地质三维建模的找矿靶区预测方法和系统，该方法通过构建三维地质模型，结合深度学习预测深部岩性，筛选成矿因子后采用图卷积网络进行找矿预测。该方法将预测结果直接用于三维靶区圈定，同样缺乏对预测结果可靠性的验证和噪声处理。

5、公开号为cn121706051a的专利申请公开了一种基于多源地质数据的金矿找矿靶区智能圈定方法，该方法通过强化成矿相关特征信息，构建成矿关联网络得到成矿关联参数，再逐点计算成矿概率值生成成矿概率曲面，最后筛选高概率区域并结合典型矿床模型圈定靶区。该方法在生成概率曲面后直接进行阈值筛选，未考虑模型预测可能产生的孤立噪声或过拟合问题。

6、公开号为cn120144957a的专利申请公开了一种基于多源异构地质数据的知识图谱构建与智能找矿预测方法，该方法通过自然语言处理技术构建地质知识图谱，利用深度学习模型进行成矿预测。该方法同样未涉及预测结果的验证和滤波处理。

7、公开号为cn120197969b的发明专利公开了一种基于多尺度大数据融合的找矿预测系统，该系统集成了地质大数据管理、挖掘分析、多要素提取、多尺度网格计算、智能找矿预测、智能评价、辅助决策和调度指挥等多个模块，是一个综合性平台。该系统在找矿预测模块中采用了知识图谱和多种机器学习算法，但未公开对预测结果进行反向验证或自适应滤波的具体技术手段。

8、公开号为cn116611697a的专利申请公开了一种基于机器学习的多源异构信息圈定找矿靶区的方法，该方法通过建立成矿系统概念模型，提取地学多源空间代理矿化指示信息，采用神经网络进行数据集成，再应用机器学习算法进行超参数优化和靶区圈定。该方法将已知矿床点作为训练样本，但未将已知矿床点用于预测结果的后验证。

9、综上所述，现有智能化找矿靶区预测技术虽已实现多源地学数据与人工智能技术的初步融合，但在实际矿产勘查工程应用中存在以下技术问题：

10、第一，模型预测结果缺乏基于已知矿床点的系统性反向验证，现有技术一般将已知矿床点仅作为模型训练的正样本，即便划分了训练集与测试集，也仅在模型训练环节完成内部精度评估；在模型输出成矿有利度概率图后，未利用预留的、未参与模型训练的独立已知矿床点，对预测结果开展系统性的外部反向验证。该缺陷导致无法量化评估预测结果在实际勘查场景中的真实可靠性，也无法有效区分模型过拟合产生的局部虚假高值噪声与真实的致矿异常，最终圈定的找矿靶区易包含大量无效区域，大幅提升了勘查工程验证的风险与成本。

11、第二，现有技术对预测结果中噪声的处理方式单一，针对预测概率图中普遍存在的孤立高值点、斑驳状散点噪声，现有技术主要采用两种处理方式：其一为全局平滑滤波，如中值滤波、高斯滤波等，该方式在滤除离散噪声的同时，会无差别地平滑真实矿化异常区域的概率梯度，造成致矿异常边界模糊、核心高值区概率值被削弱，直接降低靶区圈定的空间精度；其二为直接通过固定阈值筛选靶区，该方式完全无法剔除阈值范围内的孤立噪声点，导致圈定的靶区包含大量虚假异常，无法为勘查工程部署提供精准、有效的指引。

12、第三，现有技术缺乏基于局部空间结构模式的置信度评估方法。根据经典成矿理论与长期勘查实践成果，真实的成矿有利区一般表现为具备一定空间连续性的高概率聚集区，且已知矿床点周边的成矿概率大都呈现以矿床为中心、向外梯度递减的典型空间分布模式；而模型过拟合、数据噪声引发的虚假高值点，多为孤立离散分布，其周边的概率空间分布模式与已知矿床点的典型模式存在本质差异。但现有技术均未挖掘利用这一核心成矿规律，未构建基于局部空间结构模式的异常置信度评估方法，既无法对预测结果的局部可靠性进行量化表征，也无法通过模式识别实现虚假噪声的精准滤除与真实异常的有效增强，最终导致找矿靶区圈定的准确率与精准度无法满足深部、复杂地质条件下的勘查工作需求。

技术实现思路

1、鉴于现有技术问题存在预测结果可靠性验证机制缺失、预测结果噪声处理存在固有缺陷和缺乏基于局部空间结构模式的置信度评估的问题，从而提出了一种基于多源地质关系数据的成矿靶区智能预测方法。

2、其目的在于：通过预留已知矿床点建立标准模式库，采用结构相似度对每个网格单元的局部概率分布模式进行反向验证，计算局部置信度，再对低置信度区域进行自适应加权中值滤波，从而有效抑制模型预测中的孤立噪声，提高靶区圈定的空间连续性和可靠性。

3、本发明的技术方案为一种基于多源地质关系数据的成矿靶区智能预测方法，包括以下步骤：

4、获取目标区域中多个网格单元的成矿有利度概率值，基于多源地质数据计算得到每个网格单元的成矿有利度概率值。

5、执行反向验证：获取目标区域内预留的已知矿床点，以每个已知矿床点为中心提取第一邻域窗口内所有网格单元的成矿有利度概率值，按空间顺序排列成第一模式向量，将所有已知矿床点的第一模式向量汇集为标准模式库。

6、针对每个网格单元，以当前网格单元为中心提取相同大小的第二邻域窗口内所有网格单元的成矿有利度概率值，按相同空间顺序排列成第二模式向量，将第二模式向量与标准模式库中每个第一模式向量逐一比较，取计算得到的最大结构相似度作为当前网格单元的局部置信度。

7、其中，第一邻域窗口和第二邻域窗口的边长设置为5至15之间的奇数，这是因为：若边长小于5（如3×3），窗口内仅包含9个网格单元，信息量过少，无法有效捕获成矿有利区应有的空间连续性和梯度变化特征，容易将孤立噪声点误判为有效异常。

8、若边长大于15（如17×17），窗口内将包含超过289个网格单元，会引入过多远离中心点的背景信息，稀释中心区域的特征权重，计算量呈平方级增长，对于常见的研究区网格规模将导致无法接受的运算时。

9、采用结构相似度而非简单的均值比较，是因为结构相似度分别考察亮度（整体概率水平）、对比度（概率值的反差程度）和空间结构（概率值的高低排列顺序）三个维度，更全面地刻画已知矿床点周边的概率分布形态，而均值比较仅关注整体水平，无法区分中心高四周低和四周高中心等不同空间模式。

10、执行二次滤波：将每个网格单元的局部置信度与预设阈值比较，对局部置信度低于预设阈值的网格单元，以当前网格单元为中心划定滤波窗口，根据滤波窗口内每个邻居网格单元与中心网格单元之间的空间距离计算每个邻居的距离权重，将每个邻居的距离权重乘以该邻居自身的局部置信度得到该邻居的融合权重，将滤波窗口内所有邻居网格单元连同中心网格单元自身的成矿有利度概率值按各自的融合权重升序排列，计算融合权重的累积和，取累积和首次达到总权重一半时对应的概率值作为加权中位数，用该加权中位数替换中心网格单元原来的成矿有利度概率值。

11、加权中位数的具体计算方法为：设滤波窗口内共有 个网格单元（包括中心网格单元及其邻居），每个网格单元对应的成矿有利度概率值为 ，对应的融合权重为 。

12、将所有网格单元按概率值 升序排列，得到序列，对应的融合权重为。

13、计算权重总和。

14、从最小概率值开始依次累加权重，找到最小的下标使得，则加权中位数 。

15、其中，局部置信度的预设阈值取值范围为0.6至0.8，若阈值低于0.6，大量置信度中等偏低的网格单元不会被滤波，噪声残留较多。

16、若阈值高于0.8，只有极少数与已知矿点模式高度相似的网格单元被保留，可能导致过度滤波，削弱真实矿化异常。

17、滤波窗口采用3×3或5×5网格窗口，3×3窗口计算量最小，适用于数据密度高、噪声分布分散的区域。

18、5×5窗口平滑效果更强，适用于噪声连片分布的区域。

19、更大的窗口（如7×7）会导致滤波后结果过于平滑，可能将小规模但真实有效的矿化异常一并抹除。

20、距离权重采用指数衰减函数（以欧氏距离平方的相反数为指数），空间距离对成矿的影响一般服从距离越近关联越强的规律，指数衰减使近距离邻居获得更高的权重，而远距离邻居的权重趋近于零，符合地质学中空间邻近性的基本原理。

21、融合权重同时考虑距离和邻居自身的局部置信度，置信度高的邻居本身与已知矿点模式更接近，在滤波中应当贡献更大，双重加权策略使滤波结果更可靠地逼近真实矿化分布模式。

22、将二次滤波后成矿有利度概率值大于第一预设值的网格单元标记为核心有利单元，将二次滤波后成矿有利度概率值大于第二预设值且小于等于第一预设值的网格单元标记为外围有利单元，对核心有利单元进行空间连通性聚类得到连续的核心靶区，再将每个核心靶区周边邻接的外围有利单元纳入对应靶区范围，得到完整的成矿靶区。

23、第一预设值和第二预设值的取值范围分别为0.6至0.8和0.3至0.5，且第一预设值大于第二预设值。

24、成矿有利度概率值低于0.3的区域一般不具备实际找矿意义，高于0.8的区域为高可靠性矿化异常区，介于两者之间的区域为中等潜力区。

25、通过核心有利单元和外围有利单元的二级划分，既保证了高潜力区域的优先识别，又避免了因阈值过严而遗漏边缘矿化信息。

26、进一步的，获取目标区域中多个网格单元的成矿有利度概率值，包括：

27、从多源地质数据中提取带空间坐标与属性信息的地质实体，包括地层单元、断裂构造、岩浆岩体、化探异常体、物探异常体、遥感蚀变带等具备明确地质意义的空间实体；

28、根据提取的地质实体，分别构建地质实体之间的空间拓扑关系、成因演化关系、成矿耦合关系，以地质实体为节点、以构建的三类地质关系为带权重的边，生成异质地质关系图谱。

29、通过多关系异质图注意力网络完成节点特征与边特征的融合，得到每个节点的融合特征向量；将目标区域划分为多个规则网格单元，根据每个网格单元内包含的节点融合特征向量，计算得到对应网格单元的成矿有利度概率值。

30、进一步的，构建空间拓扑关系时，计算任意两个地质实体之间的空间距离，根据空间距离按指数衰减函数计算空间拓扑关系权重。

31、指数衰减函数公式为：

32、

33、其中，为地质实体与的空间拓扑关系权重，为两实体的空间最短距离，为距离衰减系数，为自然常数。

34、空间距离对成矿关联的影响通常服从距离越近关联越强的规律，且这种关联强度随距离增加而非线性衰减，指数衰减函数很好地拟合这一地质规律。

35、相比之下，线性衰减会高估远距离实体的关联性，而阶跃函数（如距离小于阈值权重为1否则为0）过于粗糙，无法区分不同距离区间内的关联差异。

36、进一步的，构建成因演化关系时，获取每个地质实体的形成年龄，根据两个地质实体的形成年龄之差计算成因演化关系权重，采用年龄差归一化后取补数（即1减去归一化年龄差）的方式计算权重，计算公式为：

37、

38、其中，为地质实体与的成因演化关系权重，、分别为两实体的形成年龄，为研究区内所有地质实体的最大形成年龄差；计算结果小于0时，权重强制取0。

39、两个地质实体的形成年龄越接近，表明两个地质实体在时间上越接近，它们之间存在成因联系的可能性越大，因此权重应当越高；反之，年龄相差越大，权重应当越小。

40、线性归一化方式保持了年龄差的物理可比性，且计算结果始终落在0到1之间，便于后续与其它关系权重进行融合计算。

41、进一步的，构建成矿耦合关系时，统计任意两个地质实体在已知矿床点周边预设缓冲范围内共同出现的频次，根据共同出现频次计算成矿耦合关系权重。采用共同出现频次与总矿床点数的比值作为权重，计算公式为：

42、

43、其中，为地质实体与的成矿耦合关系权重，为两实体在预设缓冲区内的共同出现频次，为研究区内参与模型训练的已知矿床点总数量。

44、两个地质实体在已知矿床点周边共同出现的频率越高，说明它们对成矿的耦合贡献越大，这种统计关系直接反映了地质组合与成矿之间的相关性。

45、将频次归一化到0到1区间，可以使三类地质关系的权重具有可比性，便于后续注意力机制的统一处理。

46、进一步的，对异质地质关系图谱进行节点特征与边特征的融合时，采用多关系异质图注意力网络，为空间拓扑关系、成因演化关系、成矿耦合关系分别设置独立的注意力权重计算分支。

47、三类地质关系具有不同的物理意义和数据分布特征：

48、空间拓扑关系反映的是实体间的空间邻近程度，其权重分布通常较为连续。

49、成因演化关系反映的是时间上的接近程度，其权重分布可能呈现双峰或多峰特征。

50、成矿耦合关系反映的是统计上的共现频率，其权重分布通常较为稀疏。

51、若为三类关系设置共享的注意力参数，模型无法针对不同类型关系的分布特性进行适配，会降低特征融合的效果。

52、独立分支允许每类关系学习各自的注意力权重矩阵和参数，更好地捕捉各类关系对成矿贡献的差异性。

53、进一步的，计算结构相似度时，分别比较第二模式向量与第一模式向量之间的亮度均值、对比度方差和空间结构相关系数，将三者相乘得到结构相似度。

54、结构相似度（ssim）按以下公式计算：

55、

56、其中，为第二模式向量与第一模式向量的结构相似度，、分别为两个向量的算术平均值，、分别为两个向量的方差，为两个向量的协方差，、为避免计算失稳的常数项。

57、亮度均值反映窗口内概率值的整体水平，对比度方差反映概率值的高低反差程度，空间结构相关系数反映概率值的空间排列顺序是否一致。

58、三个维度分别从不同角度刻画了概率分布模式的特性，任何一个维度存在差异都会导致结构相似度降低。

59、有效识别均值相同但空间结构不同的情况，例如：一个已知矿点周边的概率分布是中心高四周低，而一个孤立噪声点可能是中心高但四周也高或中心高但一侧高另一侧低，即使两者的均值相同，结构相似度也能将噪声点识别出来。

60、进一步的，第一邻域窗口和第二邻域窗口的大小相同，窗口边长的网格数量为奇数。

61、确保窗口具有明确的中心网格单元，便于将中心网格与窗口内其他网格的位置关系进行统一的空间排序。

62、若采用偶数边长，没有唯一中心网格，会导致模式向量中元素与空间位置的对应关系不唯一，影响模式匹配的准确性和一致性。

63、进一步的，滤波窗口为预设大小的网格窗口，根据空间距离计算距离权重时，计算邻居网格单元中心点与中心网格单元中心点之间的欧氏距离，以该距离的平方的相反数为指数计算指数函数值，得到距离衰减因子。

64、所述距离权重计算公式为：

65、

66、其中，为邻居网格单元相对于中心网格单元的距离权重，为两网格单元中心点的欧氏距离，为高斯核带宽参数。

67、所述融合权重计算公式为：

68、

69、其中，为邻居网格单元的融合权重，为邻居网格单元的局部置信度。

70、空间距离对成矿关联的影响随着距离增加而快速衰减，平方指数衰减使近距离邻居获得更高的权重，而中远距离邻居的权重迅速趋近于零，更符合地质学中近邻效应的实际规律。

71、进一步的，预留的已知矿床点是从全部已知矿床点中随机抽取且不参与异质地质关系图谱构建、特征融合、成矿有利度概率值计算过程的矿床点。

72、预留已知矿床点的比例设置为10%至30%。

73、若预留比例低于10%，标准模式库中的样本量过少，无法涵盖研究区内多样化的矿化空间模式，导致反向验证的置信度评估可靠性不足，若预留比例高于30%，用于模型训练的正样本数量减少，可能影响成矿有利度概率值本身的预测精度。

74、进一步的，本发明还提供一种基于多源地质关系数据的成矿靶区智能预测系统，用于执行上述方法，包括：

75、概率获取模块，用于获取目标区域中多个网格单元的成矿有利度概率值，将前端预测模型输出的概率数据作为本系统的输入，使系统独立于具体的预测方法运行，提高了系统的兼容性和适用范围，概率获取模块可以采用数据接口形式，从外部存储或上游预测模型直接读取网格化概率数据，无需重复计算。

76、反向验证模块，与概率获取模块连接，用于获取目标区域内预留的已知矿床点，以每个已知矿床点为中心提取第一邻域窗口内所有网格单元的成矿有利度概率值并排列成第一模式向量，将所有已知矿床点的第一模式向量汇集为标准模式库，以及用于以每个网格单元为中心提取第二邻域窗口内所有网格单元的成矿有利度概率值并排列成第二模式向量，将第二模式向量与标准模式库中每个第一模式向量逐一比较，取最大结构相似度作为当前网格单元的局部置信度，概率获取模块输出的概率值是反向验证模块的唯一数据输入，两者之间不存在中间处理环节，直接连接可以最小化数据传输延迟，提高处理效率。

77、模块内部划分为标准模式库构建单元和局部置信度计算单元两个子单元，这种划分是因为标准模式库仅需构建一次，之后可被所有网格单元重复使用，将两者分离可以避免重复计算，降低系统开销。

78、二次滤波模块，与反向验证模块连接，用于将每个网格单元的局部置信度与预设阈值比较，对局部置信度低于预设阈值的网格单元划定滤波窗口，根据滤波窗口内每个邻居网格单元的空间距离计算距离权重，将距离权重乘以邻居自身的局部置信度得到融合权重，将滤波窗口内所有邻居网格单元连同中心网格单元自身的成矿有利度概率值按融合权重升序排列后取加权中位数，用加权中位数替换中心网格单元原来的成矿有利度概率值，反向验证模块输出的局部置信度是二次滤波模块的核心输入，两者之间数据流向单一，直接连接可以保证滤波决策的实时性。

79、模块内部包含阈值比较单元、权重计算单元和中位数滤波单元三个子单元，分别负责置信度筛选、融合权重计算和概率值替换，这种功能分解使模块结构清晰，便于单独调试和优化。阈值比较单元中预设阈值的取值范围为0.6至0.8。

80、靶区圈定模块，与二次滤波模块连接，用于将二次滤波后成矿有利度概率值大于第一预设值的网格单元标记为核心有利单元，将二次滤波后成矿有利度概率值大于第二预设值且小于等于第一预设值的网格单元标记为外围有利单元，对核心有利单元进行空间连通性聚类得到连续的核心靶区，再将每个核心靶区周边邻接的外围有利单元纳入对应靶区范围，得到完整的成矿靶区，成矿有利区具有核心高潜力区和外围中潜力区的空间分带特征，二级分类更精细地刻画靶区的内部结构，为后续勘查部署提供优先级依据。

81、聚类分析单元采用dbscan空间密度聚类算法，dbscan不需要预先指定聚类数量，自动识别任意形状的连通区域，且对噪声点具有鲁棒性，适用于成矿靶区这种空间形态不规则、存在孤立噪声的应用场景。靶区合并单元将外围有利单元纳入核心靶区范围，其依据是：成矿系统的矿化晕通常围绕核心矿体向外逐渐减弱，将空间邻接的外围有利单元纳入靶区可以避免遗漏边缘矿化信息，使圈定的靶区更加完整。

82、上述四个模块按照数据流方向依次连接：概率获取模块、反向验证模块、二次滤波模块、靶区圈定模块。

83、先有概率值才能进行反向验证，必须先有局部置信度才能进行二次滤波，必须先有修正后的概率值才能圈定靶区，串行连接符合数据依赖关系，避免了模块间的循环调用和资源冲突，各模块之间的连接采用标准数据接口定义，包括输入数据格式（网格坐标数组、概率值数组、置信度数组等）和输出数据格式，便于模块替换和系统扩展。

84、本发明的反向验证步骤与二次滤波步骤相互配合：反向验证输出的局部置信度作为二次滤波中邻居单元的融合权重乘数，使得低置信度区域由高置信度邻居主导修正，高置信度区域保留不变，从而实现自适应滤波。

85、与现有技术相比，本发明具有以下有益效果：

86、1.本发明通过反向验证实现对预测结果可靠性的量化评估，以预留已知矿床点邻域内的局部概率分布模式作为标准，采用结构相似度对每个网格单元进行反向验证，有效识别模型预测结果中与已知矿化模式不一致的异常区域，结构相似度分别从亮度均值、对比度方差和空间结构相关系数三个维度进行综合评估，区分均值相同但空间结构不同的情况，弥补了现有技术仅依赖概率值大小或均值比较的不足。

87、2.本发明通过自适应加权中值滤波实现保真与去噪的协同优化，采用基于局部置信度的自适应加权中值滤波，仅对置信度低于预设阈值的网格单元进行滤波处理，而保留高置信度区域的原值，避免了全局平滑对真实矿化异常信息的削弱，滤波过程中，邻居网格单元的融合权重同时取决于其与中心网格单元的空间距离以及其自身的局部置信度，使得低置信度区域由高置信度邻居主导修正，而高置信度区域保持不变，形成了验证指导滤波的反馈闭环，在滤除孤立噪声的同时，有效保持真实矿化异常的边界清晰度和概率值强度。

88、3.将反向验证和二次滤波作为成矿预测的后处理步骤，与前端预测模型形成完整的预测、验证、修正闭环，预留已知矿床点不参与前端模型的训练，仅用于反向验证，保证了验证数据的独立性，避免了使用同一批数据既训练又验证导致的过拟合评估偏差。