资源评价空间综合分析方法

1、十、资源评价空间综合分析方法(一)证据权法(WOEF)证据权法是加拿大数学地质学家Agterberg提出的一种地学统计 方法，最初是基于二值图像的。它采用一种统计分析模式，通过对一些与矿产形 成相关的地学信息的叠加复合分析来进行矿产远景区的预测。其中的每一种地学信息都被视为成矿远景区预测的一个证据因子，而每一个 证据因子对成矿预测的贡献是由这个因子的权重值来确定的。1前概估算前概估算，即根据已知矿点分布，计算各证据因子单位区域内的成矿概率。假设研究区被划分成总体面积为T个像元单位，其中有D个矿点，则随机选取一 个像元单位是矿点的概率是P(D) =D/T。几率(O)为:对于任一个证据因子二值图像

2、，其存在区的像元数为B，不存在区的像元数为T- B , 则已知矿点图与证据因子图的重叠部分有 ba d Jn D.Bn，其条件概率分别为： TOC o 1-5 h z ，/ 打 I =弓门V f?.；D/2i -F(7V Bi = B F(-1：D/ di - e F也就是说，证据因子的前概估算是计算证据因子存在区域中矿点像元、非矿点像 元所占的百分比。2权重计算对任一个证据因子二值图像权重定义为:|侦一 n： 赋.一尸：总LLl-v - n -1F：投 5式中，W+、W-分别为证据因子存在区和不存在区的权重值，对于原始数据缺失区域权重值为0。3后概计算证据权重法要求各证据因子之间相对于矿点分

3、布满足条件独立。对于n个证 据因子，若它们都关于矿点条件独立，几率对数为:n9/.已匕： _： k?普 4- 111 一口； TOC o 1-5 h z J -1：1 = 1 .2 3 m咫)W1ill据为子-在在时=M证妆为不若在(奇、。数据母失则根据公式(1),后验概率为:P = 0/ : +(11 j)个重要参数，反映矿产图层与某一地质特征图层的相关性: C=W+ - W-C的一个重要用途是在确定断层 BUFFER最佳宽度、物化探异常强 度临界值时作为一个判断标准，即 要求C达到最大值。此外，若C=0, 表明证据层对有矿与无矿无指示意 义;C0表示证据层的出现有利于 成矿,C0表示证据层

4、的出现不利 于成矿.此外，证据权方差可有下式计算:b 2 (W + )=1+ 1-=j B c D B c Db 2(W - ) = + _ 1 j B c D B c D当地质特征状况不明时，可计算多图层叠加后验概率的方差，它代表由证据权的 不确定性引起的方差.证据权法(WOEF)成矿预测计算机实现过程1 )选择矿点图层及同一研究区与成矿作用有关的证据因子专题图层； 2)提取矿点图层，划分网格；3 ）搜索含矿网格单元，生成含矿网格图层；4）3 ）搜索含矿网格单元，生成含矿网格图层；4）对于每一证据因子专题图层，提取有用的地质因素， 生成新图层；5）分别将各证据因子的专题图层与含矿网格图层相叠

5、 加，并进行前概及权重（W+,W-）计算;6）通过前概及权重（W+,W-）值，筛选出最合理的证据因 子专题图层，也就是最后参与计算的证据因子图层进行 后概计算；7）按后概计算的结果确定各级预测靶区。矿点图网格划分因于选择及预处理前概计算、权重计算因子筛选后概计算靶区预测例1 :计算机辅助勘探例2 : Kanmantoo地槽勘探聚焦式矿产勘查例3 :扬子地台西缘金矿资源潜力评价实例矿产资源潜力评价指南，地调局 2001.5附件三（二）人工神经网络方法模式识别（patternrecognition）是50年代以来产生并 得到迅速发展的一门新兴学科，它通过大量信息对复杂过程进行学习、判断和寻 找规律

6、。模式识别的数学方法中最重要的是统计决策方法，其基础是多元统计 学、代数学、运筹学、模糊数学等，其中贝叶斯决策理论是统计模式识别中的经 典理论与方法。近年来，迅速兴起的另一类模式识别方法是人工神经网络方法 （artificialneuralnetwork ），它是由大量类似于人脑 神经元的简单处理单元广泛相互联接而成的复杂的网络系统，是在现代生物神 经研究成果的基础上提出的，反映了人脑功能的若干特征的系统。理论与实践表 明，在信息处理方面，神经网络方法比传统模式识别方法更具有优势.1人工神经网络方法简介1.1反向误差传播网络1 986年，Rumelhart和McClelland提出多层网络的逆

7、 推”（或称反传backpropa gation）学习算法，简称BP算法。BP网络（反向误差传播）由输入层、隐含层和输出层3部分组成。BP算法是一种有监督的模式识别方法，包括 学习和识别两部分，其中学习过程又可分为正向传 播和反向传播两部分。正向传播开始时，对所有的 连接权值置随机数作为初值，选取模式集的任一模 式作为输入，转向隐含层处理，并在输出层得到与 该模式对应的输出值。每一层神经元的状态只影响 下一层神经元的状态。此时，输出值一般与期望值 存在较大的误差，需要通过误差反向传递过程，计 算模式的各层神经元权值的变化量 rWj i。这 个过程不断重复，直至完成对该模式集所有模式的 计算，产

8、生这一轮训练的权值改变量Wij。修正网络中各神经元的权值后， 网络重新按照正向传播方式得到输出，实际输出值与期望值之间的误差又导致 新一轮的权值修正。正向传播与反向传播过程循环往复，直到网络收敛，得到收 敛后的互联权值和阈值。在BP神经网络进行资源预测与评价时，输出神经元组代表预测单元含矿性 类型或资源量，输入神经元是一系列地质变量。地质变量的构置，通常依据研究 区内成矿环境、成矿规律、成矿系列和成矿模式的理论认识，既要考虑成矿的有 利因素和标志，也要考虑成矿的不利因素和标志；因此，在条件许可下，应尽可 能多地构置有明确独立地质含义、具有代表性和可比性的地质变量.但大量的变 量中也可能存在与成

9、矿无关的变量，若不剔除，会干扰其他变量的有效性，也会 增加网络运算负担.另外，初构置的变量组合显然不是较优组合，需进行优化筛 选.传统概率统计学的变量筛选方法大多以变量与矿床之间关系密切程度将变 量排序，选取与矿床关系呈较大正相关关系的变量，剔除与矿床呈负相关或不相 关的变量.这种把地质变量与矿床之间的关系看成了简单的线性正相关关系的 做法往往不符合地质事实。.BP网络法的地质变量优选方法与此有根本不同， 它与模型训练过程是同步进行的.具体方法可有2种：逐步增加法和逐步减少 法.逐步增加法是对于数量一定的初始变量组（设为P个变量），先用传统方法 选取若干个与成矿关系最密切的变量作为网络初始输入

10、层节点，并用训练集样 本训练模型.在变量较少时，网络误差往往不收敛.接着增加1个变量，继续训 练网络，看网络是否有明显收敛.如此逐步增加输入层节点个数，直至网络误差 明显收敛为止.此时所选取的变量为较优组合.逐步减少法与此相反，是先用所 有构置的变量构成输入向量，然后逐步减少变量，若网络收敛，则说明减少变量可行；否则停止减少变量，以前一次训练时的变量组合为所选择的较优组合.由 于BP -MRP具有很强的容错性，即使选取变量组合中有个别对网络误差收敛 不利或无关的变量，也不会影响网络的识别能力关于隐含层及其节点数的选择，BP模型的映射能力与隐含层的神经元数目 有关。目前，对BP网络模型隐含层层数

11、及其节点数的选择并没有严格数学方 法，只能根据应用目的和要求，由试验确定。根据Kolomogorov定量, 通过试验证实，若输入节点数m1 0个，可选2个隐含层，每个隐含层可有 m个或略少于m的节点数。关于训练集和检验集：训练集和检验集分别用于模型的训练和检验，二者的 构置，必须在综合分析已知单元的地质条件、矿化程度、含矿性类型及勘探研究 程度的基础上进行.样本包括已知有矿的和无矿的各类样本，必须具有典型性、 代表性和完备性.在BP训练和检验之前，需要确定模型的学习控制参数.这些 参数决定了模型性能，主要参数有3个：学习率p、冲量因子a和最终输出误 差允许限度 .在确定了网络模型的结构和学习控

12、制参数后，即可用构置的训练 集对其进行训练.训练完成后，应将训练集和检验集分别输入训练好的网络模 型，以检验网络模型对训练集样本的回忆准确率和对检验集的预测准确率.若达 到要求精度，则模型成功，可用于未知异常单元的预测.预测结果应结合具体地 质条件进行评价.应用实例一：以黎彤、饶纪龙等人（1962 ）测定的中国四种岩浆岩类11种常 量化学成分平均值（%）为专家知识模型（也可以采用世界岩浆岩均值），给定BP网络的知识是通过11种常量化学成分认识四种岩浆岩，希望网络认识后的输 出值分别为：超基性岩（1 0 0 0）、基性岩（0 1 0 0）、中性岩（0 0 1 0）、酸性岩（0 0 0 1 ）。要

13、求系统误差小于0.0001 ,网络学习2000次。实际训练学习1500次以后，误差已达到要求而自动收敛，网络实际认知输出如下表 中前四项。表1 BP神经网络专家知识模型及数据挖掘输出网络训练输出岩性与时代BP神经网络数据挖掘输入模式网络训练输出岩性与时代SiO2 I TiO2 I A.O3 I Fe2O3 I FeO I MnO I MgO I CaO I Na2O 10超基性43.670.904.534.227.770.2525.348.252.0814.904.177.610.216.9358.050.7917.403.233.570.153.2470.400.3114.501.381.7

14、70.080.948.978.275.771.930.902.303.573.770.411.722.363.790.970.010.000.000.010.980.010.000.000.020.970.020.000.000.010.9965.580.3914.611.873.640.071.7868.9376.8044.070.310.082.0713.0812.374.831.211.064.623.490.977.650.090.050.291.700.2325.134.142.740.388.572.332.311.141.7643.670.904.534.227.770.2525

15、.348.252.0814.904.177.610.216.9358.050.7917.403.233.570.153.2470.400.3114.501.381.770.080.948.978.275.771.930.902.303.573.770.411.722.363.790.970.010.000.000.010.980.010.000.000.020.970.020.000.000.010.9965.580.3914.611.873.640.071.7868.9376.8044.070.310.082.0713.0812.374.831.211.064.623.490.977.650

16、.090.050.291.700.2325.134.142.740.388.572.332.311.141.763.053.745.020.390.000.000.360.61U-l,有基性岩中性岩酸性岩0.000.000.870.000.000.230.020.060.000.990.960.00燕山早 期 印支期 喜山期 岩脉利用BP神经网络对专家知识的训练记忆，自动对中甸一维西地区主要侵入岩各 岩体化学成分数据进行分类挖掘，并给出岩性识别的输出值，结果见上表。从数 据开采中所获得的知识是：在中甸一维西地区主要分布的火成岩中，燕山早期主 要为中偏基性岩，印支、喜山期为酸性岩，并有超基性岩脉

17、出露。应用实例二：定量成矿预测的人工神经网络模型（略）1.2 ART网络Carpenter 与Grossberg 分别于 1 985 年和 1 987 年按 照自适应谐振（adaptiveresonance ）理论构成了自组织神经 网络模型，通常称为ART网络。ART网络是一个无监督的分类器，其基本过程是：选取第一个样品作为第 类的样本，然后把第二个样品与第一个样本作比较，即计算距离，若距离小于 阈值，则将它归为第一类，否则就另立中心”作为第二类的样本。对全部后续 输入重复这一过程。类别数的增长与阈值有关，也与计算距离所用的公式有关。 可以看出，只有当新的输入矢量与已存入记忆中的某个老的矢量足

18、够相似时，两 者才能互相融合，即对有关的权重系数进行调整，从而使长期记忆得以改变。它 造成一种自适应谐振状态，这就是ART这个名称的来源。例如，针对湖北省某地区部分构造单元体中的主要成矿及伴生元素信息库， 采用ART竞争网络模型进行自适应共振知识发现（下表）。通过调节ART算法的欧几里德距离系数，可以发掘不同层次或不同细节的知识表达。当欧几里德距离系数较大时，29个构造单元体粗分为两类，其中，0类 20个多元素相对低含量样本，均来源于该区北西向断裂构造系，1类的9个多元素 高含量样本中，12号样本为已知金矿体，28号样本为已知金的矿化体，来源于近东西向主干断裂构造带。当欧几里德距离系数较小时，

19、29个构造单元体细分为7类，0类样本Au、Ag、Cu、Pb、Zn、As、Sb、Bi元素含量相对较低，与二分法相同；所不同的是 把二分法中的第1类9个样本，按高含量元素组合不同进一步表述为6类，其中 第1类的两个样品Au、Ag、Cu、Pb、Zn、As、Sb、Bi元素均为高含量，第2 类样本为 Au、Cu、Zn、As、Bi 组合，第 3 类为 Ag、Cu、Pb、Zn、As、Sb、 Bi 组合；第 4 类为 Au、Ag、Cu、Zn、As、Sb、Bi 组合；第 5 类为 Au、Cu、 Zn、As、Sb、Bi组合和第6类为Au、Cu、Zn、Sb组合，反映了同一含矿构造 带、不同空间位置、不同围岩环境的元

20、素组合区别。另外，我们还可以从中得到 如下知识：(1)研究区近东西向断裂构造是主要含矿构造，北西向断裂构造束含矿性较差，对找矿不利；(2 )依据12号样本为已知金矿体，28号样来自于已知金的矿化体，从数 据挖掘获得的知识，13、20、23、24、25、26、27号样本所对应的构造单元体 对找金有利。表2:湖北某地某些构造单元体地球化学微量元素(单位：10-6, Au X10-9)数据库及ART网络知识发现样本序号ART神经网络数据挖掘输入参数构造方向挖掘1挖 掘2AuAg_Cu_PbZnAs_Sb_Bi15.000.4759.664.8546.56.7782.07.4北西向0025.800.4

21、052.810.41453.59.70212.08.9北西向00312.502.2360.268.7655.123.03244.06.1北西向00412.500.31102.724.1276.313.2782.08.8北西向0056.600.7034.23.6702.821.41520.013.9北西向0065.000.18149.1118.4259.611.64127.06.8北西向0074.601.62327.7498.71208.418.67334.028.5北西向00818.600.97310.6410.9835.446.51127.245.4北西向00930.001.31588.7587.01191.972.25130.067.5北西向001084.906.4821321140.02004.321.501070.098.0北西向0011115.07.8331501268.02658.527.471250.079.0北西向0012364040.7041603820.06000.0500.02100.0490.0近东西向111318501.8350001045.05000.0452.6650.093.0近东西向12147.401.71162.349