基于大数据的深部找矿靶区定量成矿预测——以大桥地区金矿为例

doi:10.11872/j.issn.1005-2518.2021.06.114

摘要/Abstract

摘要：

常规的地球化学采样介质和遥感信息难以鉴别深部矿信息，地球物理信息可以反映深部矿的信息，但传统地球物理信息解释的多解性，影响了深部找矿靶区预测的精度和效果。为了消除物探信息的多解性，提高深部找矿靶区预测精准度，本文应用大数据思想和方法对甘肃省西秦岭大桥地区航磁数据进行深度挖掘，构建基于航磁信息的金找矿靶区定量预测系列模型，结合地质矿产信息，圈定并优选出金找矿靶区31处，其中Ⅰ级靶区6处（见矿率为16.9%），Ⅱ级矿靶区10处（见矿率为31.32%），Ⅲ级Au找矿靶区15处（见矿率为20%）。覆盖区的圈定找矿靶区，经验证发现了金工业矿体；靶区累积面积占研究区面积的2.4%，极大程度地缩小了找矿范围。研究认为基于航磁信息建立的找矿靶区定量预测系列模型，对研究区大桥式金矿找矿靶区的确定有着很高的准确性。

关键词: 航磁信息, 大数据, 定量预测模型, 深部找矿靶区, 大桥金矿, 西秦岭

Abstract:

Conventional geochemical sampling medium does not contain deep deposit information，and the remote sensing information is only the characteristics of surface images，which is difficult to identify deep deposit information.Geophysical information can well reflect the information of deep deposit and it is the best information choice for deep metallogenic prediction.However，the interpretation of geophysical information are multi-resolution，which has always seriously affected the accuracy and accuracy of deep prospecting target prediction.Big data is triggering a profound revolution in the field of Geoscience.New methods and technologies such as big data and artificial intelligence represented by statistical analysis methods and machine learning algorithms have been gradually applied to metallogenic prediction and achieved good prediction results.The Western Qinling area of Gansu Province is an important polymetallic metallogenic accumulation area in China，which has accumulated rich geological data.It is of great significance to carry out quantitative prediction of gold prospecting target by deep mining geological data with big data method for gold exploration and expansion of gold reserves in Western Qinling area of Gansu Province.In order to eliminate the multi solution of geophysical information and improve the prediction accuracy of deep prospecting target，big data ideas and methods were applied to deep mining of aeromagnetic data from Daqiao area in west Qinling of Gansu Province，and established the aeromagnetic database，the aeromagnetic information research unit database and the known ore unit database respectively.Through the discriminant analysis of aeromagnetic database and known ore unit database，a series of quantitative prediction models of prospecting target were constructed，and deep prospecting targets were delineated，combined with geological and mineral information to optimize the grade prospecting targets.A total of 31 gold prospecting targets have been delineated in the study area，including 6 Class Ⅰ targets （seeing ore rate 16.9%），10 Class Ⅱ ore targets （seeing mine rate 31.32%） and 15 Class Ⅲ targets （seeing ore rate 20%）.Gold industrial ore bodies have been found in the prospecting target in the overburden area.The cumulative area of the target accounts for 2.4% of the area of the study area，which greatly reduces the scope of prospecting.The study believes that the series of quantitative prediction models for prospecting targets established based on aeromagnetic information have high accuracy in determining prospecting targets for Daqiao-type gold deposits in the study area.It provides a new idea and method for the metallogenic prediction of deep and concealed deposit.

Key words: aeromagnetic information, big data, quantitative prediction model, deep prospecting target, Daqiao gold deposit, Western Qinling

中图分类号:

P618.51

王怀涛,王晓伟,罗云之,宋秉田,罗建民,徐磊. 基于大数据的深部找矿靶区定量成矿预测——以大桥地区金矿为例[J]. 黄金科学技术, 2021, 29(6): 771-780.

Huaitao WANG,Xiaowei WANG,Yunzhi LUO,Bingtian SONG,Jianmin LUO,Lei XU. Quantitative Metallogenic Prediction of Deep Prospecting Target Based on Big Data：Taking Gold Deposit in Daqiao Area as an Example[J]. Gold Science and Technology, 2021, 29(6): 771-780.

图/表 12

图1

表1

表2

图2

表3

图3

表4

图4

表5

图5

表6

图6

参考文献

null	Carranza E J M，2009.Controls on mineral deposit occurrence inferred from analysis of their spatital pattern and spatial association with geological features［J］.Ore Geology Reviews，35（3）：383-400.
null	Carranza E J M，2011.Geocomputation of mineral exploration targets［J］.Computers & Geosciences，37（12）：1907-1916.
null	Frankel F， Reid R，2008.Big data：Distilling meaning from data［J］.Nature，455：30.
null	Luo Jianmin， Zhang Qi， Song Bingtian， al et，2017.Application of integrated geophysical and geochemical data processing to metallogenic target zone quantitative prediction and optimization［J］.Bulletin of Mineralogy，Petrology and Geochemistry，36（6）：886-890.
null	Luo Jianmin， Wang Xiaowei， Song Bingtian， al et，2018.Discussion on the method for quantitative classification of magmatic rocks：Taking it’s application in West Qinling of Gansu Province for example［J］. Acta Petrologica Sinica，34（2）：326-332.
null	Luo Jianmin， Zhang Qi，2019a.Big data pioneers new ways of geoscience research：Identifying relecant relationships to enhance research feasibility［J］.Earth Science Frontiers，26（4）：6-12.
null	Luo Jianmin， Wang Xiaowei， Zhang Qi， al et，2019b.Application of geological big data to quantitative target area optimization for regional mineral prospeting in China［J］.Earth Science Frontiers，26（4）：76-83.
null	Liu Yanpeng， Zhu Lixin， Zhou Yongzhang，2018.Application of convolutional neural network in prospecting prediction of ore deposits：Taking the Zhaojikou Pb-Zn ore deposit in Anhui Province as a case［J］.Acta Petrologica Sinica，34（11）：3217-3224.
null	Liu Yanpeng， Zhu Lixin， Zhou Yongzhang，2020.Experimental research on big data mining and intelligent prediction of prospecting target area-application of convolutional neural network model［J］.Geotectonica et Metallogenia，44（2）：192-202.
null	Ren Wenxiu， Luo Jianmin， Sun Bainian， al et，2018.Application of geochemical data in gold prospecting and target selecting：Taking the Yushishan area in Gansu Province as a case［J］.Acta Petrologica Sinica，34（11）：3225-3234.
null	Silver D， Schrittwieser J， Simonyan K， al et，2017.ing the game of go without human knowledge［J］.Nature，550：354-359.
null	Wigan M R， Clarke R，2013.Big data’s big unintended consequences［J］.IEEE Computer，46：36-53.
null	Wang Huaitao， Luo Jianmin， Wang Jinrong， al et，2018.Quantitative classification and metallogenic prognosis of basic-ultrabasic rocks based on big data：Taking the Beishan area as an example［J］.Acta Petrologica Sinica，34（11）：3195-3206.
null	Wang Huaitao， Yang Jing， Du Jun， al et，2019.Comparison of the ultrabasic rocks associated with the Cu-Ni deposits in Beishan and Jinchuan，Gansu province and those associated within-plate environment：preliminary results of big data research［J］.Earth Science Fromtiers，26（4）：94-108.
null	Wang Yuxi， Luo Jianmin， Wang Jinrong， al et，2018.The gold prospecting targets quantitative optimization based on information of the magmatic rocks （oxide） in Dunhuang block，Gansu Province［J］.Acta Petrologica Sinica，34（2）：319-325.
null	Wang Yu， Zhou Yongzhang， Xiao Fan， al et，2020.Numerical metallogenic modelling and support vector machine methodsapplied to predict deep mineralization：A case study from the Fankou Pb-Zn ore deposit in northern Guangdong［J］.Geotectonica et Metallogenia，44（2）：222-230.
null	Zuo R G， Xiong Y H， Wang J， al et，2019.Deep learning and its application in geochemical mapping［J］.Earth-Science Reviews，192：1-14.
null	Zhang Qi， Zhou Yongzhang，2018.Big data helps geology de-velop rapidly［J］.Acta Petrologica Sinica，34（11）：3167-3172.
null	Zhao C B， Hobbs B E， Ord A，2009.Fundamentals of Computational Geoscience［J］.Berlin：Springer.
null	Zhou Yongzhang， Chen Shuo， Zhang Qi， al et，2018.Advances and prospects of big data and mathematical geoscience［J］.Acta Petrologica Sinica，34（2）：255-263.
null	Zhang Zhongping， Wu Yafei， Li Jianwei，2018.Characteristics and genesis of the silicified breccias in the Dqiao gold deposit，West Qinling orogeny［J］.Geological Science and Technology Information，37（2）：79-88.
null	罗建民，张琪，宋秉田，等，2017.物化探信息综合处理在找矿靶区定量优选中的应用［J］.矿物岩石地球化学通报，36（6）：886-890.
null	罗建民，王晓伟，宋秉田，等，2018.岩浆岩定量分类方法探讨—以甘肃省西秦岭地区为例［J］.岩石学报，34（2）：326-332.
null	罗建民，张旗，2019a.大数据开创地学研究新途径：查明相关关系，增强研究可行性［J］.地学前缘，26（4）：6-12.
null	罗建民，王晓伟，张琪，等，2019b.地质大数据方法在区域找矿靶区定量优选中的应用［J］.地学前缘，26（4）：76-83.
null	刘艳鹏，朱立新，周永章，2018.卷积神经网络及其在矿床找矿预测中的应用——以安徽省兆吉口铅锌矿床为例［J］.岩石学报，34（11）：3217-3224.
null	刘艳鹏，朱立新，周永章，2020.大数据挖掘与智能预测找矿靶区实验研究——卷积神经网络模型的应用［J］.大地构造与成矿学，44（2）：192-202.
null	任文秀，罗建民，孙柏年，等，2018.化探数据挖掘在金矿找矿及靶区优选中的应用—以甘肃玉石山地区为例［J］.岩石学报，34（11）：3225-3234.
null	王怀涛，罗建民，王金荣，等，2018.基于大数据的基性—超基性岩定量分类及成矿预测研究——以北山地区为例［J］.岩石学报，34（11）：3195-3206.
null	王怀涛，杨婧，杜君，等，2019.甘肃北山和金川与铜镍矿床有关的超基性岩与全球板内环境超基性岩的对比：大数据研究的初步结果［J］.地学前缘，26（4）：94-108.
null	王玉玺，罗建民，王金荣，等，2018.甘肃敦煌地块基于岩浆岩（氧化物）信息的金找矿靶区定量优选［J］.岩石学报，34（2）：319-325.
null	王语，周永章，肖凡，等，2020.基于成矿条件数值模拟和支持向量机算法的深部成矿预测——以粤北凡口铅锌矿为例［J］.大地构造与成矿学，44（2）：222-230.
null	张旗，周永章，2018.大数据助地质腾飞：岩石学报2018第11期大数据专题“序”［J］.岩石学报，34（11）：3167-3172.
null	周永章，陈烁，张旗，等，2018.大数据与数学地球科学研究进展——大数据与数学地球科学专题代序［J］.岩石学报，34（2）：255-263.
null	张忠平，吴亚飞，李建威，2018.西秦岭地区大桥金矿床规划角砾岩的特征及成因［J］.地质科技情报，37（2）：79-88.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

模型分类	参数	变化系数	贡献	累计贡献	有效性检验
模型1.1	（常量）	-1.437			R₀=1.62 F_0.01=2.32 F_p=30.18 有矿正判率：98.8% 无矿正判率：92%
	ΔT1	1.68	26.37	26.37
	ΔT2	0.02	22.25	48.61
	ΔT3	-0.01	17.86	66.47
	ΔT4	1.19	15.7	82.17
	ΔT5	1.12	14.63	96.8
	ΔT6	-1.63	1.58	98.38
	ΔT7	-0.01	0.93	99.31
	ΔT8	1.35	0.21	99.91
	ΔT9	-0.78	0.09	100
模型1.2	（常量）	-10.659			R₀=0.66 F_0.01=3.02 F_p=-14.54 有矿正判率：95.5% 无矿正判率：94.2%
	ΔT9	10.49	57.81	57.81
	ΔT10	-5.47	19.56	77.36
	ΔT11	5.34	17.04	94.4
	ΔT12	0	2.88	97.28
	ΔT6	1.58	2.72	100
模型2.1	（常量）	21.295
	ΔT13	305.17	44.71	44.71
	ΔT14	-178.95	26.2	70.91
	ΔT15	-57.81	7.8	78.71	R₀=0.70 F_0.01=2.32 F_p=-11.58 有矿正判率：97.1% 无矿正判率：80.5%
	ΔT16	0.01	7.49	86.21
	ΔT17	-47.62	6.28	92.48
	ΔT18	-1.46	4.13	96.61
	ΔT19	-24.35	1.2	97.81
	ΔT4	0.81	1.1	98.91
	ΔT20	24.58	0.71	99.62
	ΔT21	3.68	0.38	100
模型2.2	（常量）	-4.179			R₀=0.69 F_0.01=1.47 F_p=0.93 有矿正判率：95% 无矿正判率：76.6%
	ΔT12	-0.05	31.37	31.37
	ΔT3	0.04	26.6	57.98
	ΔT7	0.14	4.83	62.81
	ΔT11	56.23	4.49	67.3
	ΔT22	-0.13	3.17	70.47
	ΔT18	-0.67	2.38	72.85
	ΔT23	5 116.34	2.35	75.2
	ΔT24	-42.07	1.89	77.09
	ΔT25	-57.96	1.69	78.78
	ΔT26	-0.04	1.53	80.31

预测单元分级	预测有矿单元/个	预测有矿单元占比/%	有矿单元/个	有矿单元占比/%	有矿单元 /有矿单元总数	较有矿单元平均值提高倍数
单元总数/个	48 157		有矿单元总数/个		106
Ⅰ级单元	382	0.79	49	12.83	0.46	58.34
Ⅱ级单元	618	1.28	15	2.43	0.14	11.04
Ⅲ级单元	999	2.08	28	2.80	0.26	12.73
预测总数	1 999	4.15	92	4.60	0.86	20.92

预测单元分级	预测有矿单元/个	预测有矿单元占比/%	有矿单元/个	有矿单元占比/%	有矿单元 /有矿单元总数	较有矿单位平均值提高倍数
单元总数/个	48 157		有矿单元总数/个		106
Ⅰ级单元	247	0.51	11	4.45	0.10	20.23
Ⅱ级单元	400	0.83	1	0.25	0.09	1.14
Ⅲ级单元	647	1.34	9	1.39	0.85	6.32
预测总数	1 294	2.69	21	1.62	0.19	7.38

预测单元分级	预测有矿单元/个	预测有矿单元占比/%	有矿单元/个	有矿单元占比/%	有矿单元 /有矿单元总数	较有矿单元平均值提高倍数
单元总数/个	48 157		有矿单元总数/个		106
Ⅰ级单元	197	0.41	34	17.22	0.32	78.26
Ⅱ级单元	320	0.66	23	7.20	0.22	32.72
Ⅲ级单元	517	1.07	11	2.13	0.10	9.67
预测总数	1 034	2.15	68	6.58	0.64	29.89

预测单元分级	预测有矿单元/个	预测有矿单元占比/%	有矿单元/个	有矿单元占比/%	有矿单元 /有矿单元总数	较有矿单元平均值提高倍数
单元总数/个	48 157		有矿单元总数/个		106
Ⅰ级单元	186	0.39	13	6.99	12.26	31.77
Ⅱ级单元	301	0.63	13	4.32	12.26	19.63
Ⅲ级单元	487	1.01	12	2.46	11.32	11.20
预测总数	974	2.02	38	3.90	35.85	17.73