Mineral Resource Assessment Methods Comparison and Its Development Trend Discussion
-
摘要:
矿产资源潜力评价是预测一个地区矿产资源找矿潜力的评价方法,先后经历3个阶段:探索和应用阶段、快速发展阶段及信息化阶段。笔者梳理了“三步式”、证据权、预测普查组合、成矿系列、地质异常、综合信息预测、地球化学块体和非线性预测等8种矿产资源潜力评价理论或方法,通过相关应用实例阐述其实用性,分析了国内外应用潜力评价方法获取的研究成果,总结其发展趋势。其中,“三步式”和证据权是目前使用较为广泛的方法,成矿系列则是国内研究的热点。随着科学技术的进步以及数学地质的不断发展,矿产资源潜力评价已步入信息化阶段,三维深部预测将是未来潜力评价重点发展方向。
Abstract:The mineral resource assessment is an evaluation method to predict the prospecting potential of mineral resources in a region. It goes through three stages: exploration and application stage, rapid development stage and information stage. This paper sorts out eight theories or methods for mineral resource assessment, including "Three−Part Form", "Weights of Evidence", prospecting prediction complex, metallogenic series, geological anomalies, comprehensive information prediction, geochemical block and nonlinear prediction, illustrates the practicability of the theory or method through relevant application examples, analyzes the research results obtained by the application of potential evaluation methods at home and abroad, and summarizes their development trends. "Three−Part Form" and "Weights of Evidence" are widely used methods, and the metallogenic series is a hot spot in China. With the advancement of technology and the development of mathematical geology, the evaluation of mineral resource assessment has entered the stage of informatization, and 3D deep prediction may be the major development direction of resource assessment in the future.
-
地下水作为水资源和水循环的重要组成部分,其水质的优劣关系到当地经济建设、人民的生产生活、生态平衡等一系列问题(Chen,1994;Adimalla,2020;张俊等,2021;党学亚等,2022;冯嘉兴等,2023)。螺髻山北麓横跨四川省凉山彝族自治州西昌市、德昌县与冕宁县,研究区经济发展滞后,以粗放型农业、畜牧业为主,生态环境脆弱(杨帆等,2018)。因此研究地下水化学特征、形成机制以及评价水质对该区保护和合理利用开发地下水资源,防止和控制地下水污染,促进农牧业绿色生产,保障人民身体健康,加强生态文明建设有着重要研究意义。
地下水化学特征研究是水体化学组成与地下水演化过程研究的基础(Abbas et al.,2021),起到反映地下水的补给、途经区域岩性、气象水文与环境特征、反映水化学演化的控制因素等作用(Li et al.,2015,2021;杨芬等,2021;Wali et al.,2021;杜金龙,2022)。能够有效揭示地下水与环境的相互作用机制以及离子交换过程,对地下水水质差别的原因有一定解释作用,可为合理开发利用水资源,改善水质提供科学依据。
国内外对于地下水水质的研究中,评价方法主要有内梅罗指数法、模糊综合评价法、主成分分析法和多元分析法等(Nemerow et al.,2009;Zhang et al.,2012;李连香等,2015;张志君,2020;周及等,2020;时雯雯等,2021;曾庆铭等,2021)。上述评价方法采用传统统计学方法虽各有其优势,但都不能很好的分析水质等级与评价指标之间复杂的非线性关系,可能存在一定的主观干预(李海涛,2020a)。近年来,随着计算机科学的发展与应用,人工神经网络(Artificial neural network,ANN)模型能够高效拟合非线性关系数据,对其做出分类或预测,ANN模型在非线性数据拟合方面存在优势,能够避免确定性模型处理实际问题时的过度简化问题(陈能汪,2021)。对于利用人工神经网络进行水质评价最常用的网络模型是BP神经网络,虽然该模型有收敛速度慢、结构复杂,且无法反映主要影响因子等缺点(崔永华等,2007),但其优点克服了主观赋权对于评价结果的影响,评价结果客观、合理且精度高,能在处理不同时间和空间水样数据组合时的效能优于其他方法(Kumar et al.,2020)。BP神经网络因此被广泛应用于水质评价,并且通过不同的算法如萤火虫算法(颜建等,2020)、头脑风暴优化算法(李海涛等,2020b)、DPA算法(徐康耀等,2015)等算法能够进一步提高评价的结果。
笔者在前人对研究区水文地质背景总结研究的基础上,研究地下水化学特征。利用Pytorch搭建基于RMSprop梯度下降算法的BP神经网络模型,对研究区地下水水质进行综合客观评价。
1. 研究区概况
1.1 区域自然条件
研究区位于四川省凉山彝族自治州西昌市、德昌县与冕宁县的交界处的螺髻山北麓(E 102°7′~102°30′,N 27°30′~27°46′),北接邛海盆地,南临螺髻山脉,东接马雄梁子,西靠安宁河磨盘山。研究区的总体地势为两山夹一河,山地河流整体为南北向。在气候上,具有年温差小、日温差大、干湿分明、雨量充沛、降水集中、日照充足等特点,属于亚热带高原季风气候。西侧的牦牛山南麓和安宁河河谷分别为构造侵蚀中山和中山宽谷平原,中部螺髻山北麓为构造侵蚀中山地貌,高山与盆地最大高差为500~1 500 m。螺髻山山岭海拔为3000~4 200 m,呈近南北走向,在研究区构成了安宁河和则木河的分水岭。研究区西部为安宁河流域,安宁河从北向南贯穿西昌市,于米易县附近注入雅砻江,最终汇入金沙江,全长为320 km,流域面积为1.1万km2,安宁河的主要支流有18条,其中流域面积大于500 km2的支流主要是孙水河、海河、茨达河、锦川河。主流与支流多以直角交汇,成羽状水系。研究区东南部为则木河流域,则木河发源于普格县特尔果乡阿则木山,属于黑水河右岸一级支流,从特尔果乡一带由北向南流经五道箐乡、特补乡,螺髻山镇等地,最终在普格县的中梁山南端流入黑水河,其流长约为54 km,流域面积为668.2 km2(孟晶晶等,2018)。
1.2 区域地质背景
在大地构造划分上,研究区位于上扬子西缘的康滇断隆带中北段(刘洪等,2020)。研究区出露的地层(图1)主要为震旦系—第四系,震旦系以陆相火山碎屑岩类、陆源碎屑岩类和碳酸盐岩类为主,零碎分布在螺髻山北麓、马雄梁子地区。寒武系在本区出露较少,以碳酸盐岩为主。中生界(三叠系—白垩系)在本区大面积出露,以陆相砂泥质碎屑岩为主。新生界(古近系—第四系),以半固结的碎屑岩为主零星分布在安宁河谷东岸及大箐梁子等地,第四系冲洪积物(Qapl)沿安宁河、则木河河谷以及山谷沟谷分布。岩浆岩在安宁河西岸出露,主要为花岗岩类。研究区构造线复杂,主要的断裂包括安宁河断裂带(南北向)和则木河断裂带(北北西向)。由于地质构造复杂,地质条件多样,现代构造活动强烈,岩石稳定性差、岩面风化强烈、疏松破碎、碎屑物质丰富,形成了易发生地震、崩塌、滑坡、泥石流、水土流失的地质背景(张腾蛟等,2020)。
1.3 区域水文地质背景
根据研究区地层岩性、地下水类型分为6类,分别是松散堆积层孔隙潜水–承压水区(A1型)、松散堆积层孔隙潜水区(A2型)、碎屑岩裂隙层间水区(B1型)、碎屑岩孔隙-裂隙层间水区(B2型)、岩浆岩裂隙水层间水区(C型)和碳酸盐岩裂隙层间水区(D型)。
A1型在河谷区第四系冲洪积物区域,地下水量丰富,为孔隙潜水–承压水;A2型在山麓区第四系冲洪积物中地下水量中等–贫乏只有孔隙潜水;B1型地层有开建桥组、列古六组、官沟组、飞天山组、益门组、新村组、牛滚凼组等地层,地下水量中等–贫乏的裂隙层间水;B2型地层有白果湾组、小坝组等碎屑岩地层地下水量丰富的孔隙–裂隙层间水;C型为磨盘山的地区的晚三叠世花岗岩类地下水量贫乏的裂隙层间水;D型分布在螺髻山区的观音崖组、灯影组、龙王庙组、西王庙组和二道水组等碳酸盐岩地层,地下水为溶洞暗河发育的裂隙层间水。安宁河河谷平原、邛海平原地下水资源丰富,为多层含水结构。一级阶地河漫滩砾卵石主要赋存潜水,主要为大气降水和河水补给。周边的山前洪积扇赋存承压水,水量较少。安宁河岸两岸山区的砂岩、粉砂岩、砾岩、泥岩、花岗岩和闪长岩等岩层中主要赋存碎隙岩类孔隙、裂隙水类型。盆地高地地区、台地漫滩地区,主要靠大气降水补给,雨季水位上升,旱季相反。基岩山区由于裂隙发育较少,无地下水位,水流量小,雨季、旱季流量差别大。
2. 采样、分析测试方法
根据研究区地下水分布情况,设置15个地下水露头作为采样点(图1)。水样的采集以及保存方法按照生活地下水标准检验方法(GB/T 14848–2017)。使用1.5 L的聚乙烯瓶的容器采集水样,样品采集前,使用待采水样清洗3~4次,再取样,样品装满不留气泡并密封,阳离子过滤酸化保存,阴离子原样过滤保存,阴阳共取30件样品。样品编号、类型、水体状况、位置、水文地质分组如表1所示。
表 1 水样品概况统计表Table 1. General situation of water samples点号 类型 水体状况 位置 采集时间(日 时) 01-SY 井水 淡水 西昌市黄水乡新塘沟村大庆沟 8.24 9:38 02-SY 井水 淡水 西昌市黄水乡新塘沟村大庆沟 8.24 10:39 03-SY 井水 淡水 西昌市黄水乡洼垴村七组 8.24 11:35 04-SY 井水 淡水 德昌县阿月乡光辉村罗家坪子 8.24 12:33 05-SY 井水 淡水 德昌县阿月乡光辉村西番箐 8.24 13:15 06-SY 井水 淡水 西昌市黄水乡观音岩 8.24 14:45 07-SY 井水 淡水 西昌市黄水乡书夫村二组 8.24 15:15 08-SY 井水 淡水 西昌市中坝乡小浸沟 8.25 9:20 09-SY 井水 淡水 西昌市黄联关镇哈土村四组 8.25 10:25 10-SY 井水 淡水 西昌市西溪乡长板桥村 8.25 12:00 11-SY 井水 淡水 西昌市安哈镇摆摆顶村 8.25 13:21 12-SY 井水 淡水 西昌市安哈镇摆摆顶村 8.25 13:44 13-SY 井水 淡水 普格县五道菁乡黄草坪村五组 8.25 14:41 14-SY 井水 淡水 普格县特尔果乡甲甲沟村 8.25 15:24 15-SY 井水 淡水 普格县特补乡白庙子 8.25 16:35 采样现场使用ISE测定仪检测pH值,重量法检测溶解性总固体。其他样品指标送予四川省地质矿产勘察开发局西昌地矿检测中心检验,检验方法如下:As、Se、Sb、Hg含量使用AFS方法检测;Sr、Cr、Cd、Co、Cu、Pb、Zn、Mn、Ni、Mo含量使用MS方法检测;
$ {\text{K}}^{\text{+}} $ 、${\text{Na}}^{\text{+}}$ 、$ {\text{Ca}}^{\text{2+}} $ 、$ {\text{Mg}}^{\text{2+}} $ 、$ {\text{Al}}^{\text{3+}} $ 含量使用ICP方法检测;$ {\text{Fe}}^{\text{3+}} $ 含量使用离子色谱法检测;$ {\text{NH}}_{\text{4}}^{\text{+}} $ 含量使用纳氏试剂比色法检测;$ {\text{F}}^{{-}} $ 、$ {\text{Cl}}^{{-}} $ 、$ {\text{SO}}_{\text{4}}^{{2-}} $ 、$ {\text{NO}}_{\text{2}}^{{-}} $ 、$ {\text{NO}}_{\text{3}}^{{-}} $ 含量使用离子色谱法检测;偏硅酸含量使用比色法检测;$ {\text{CO}}_{\text{3}}^{{2-}} $ 、$ {\text{HCO}}_{\text{3}}^{{-}} $ 含量使用滴定法检测;总硬度采用EDTA–2Na滴定法。通过阴阳离子电荷平衡法检测地下水样品水化学分析结果可靠性,若无机离子平衡常数(NICB)小于5%,表明阴阳离子平衡数据可信。文中地下水样品的NICB值为−4.7 %~4.9 %,平均值为−1.9%,测试分析数据可靠。
3. 研究方法
3.1 水化学特征研究方法Piper
三线图能区分研究区地下水化学类型。Gibbs图解法(Gibbs,1970)研究水岩作用对水化学成分的影响,将主要离子来源分为蒸发结晶作用、岩石风化作用、大气降水3种类型。运用离子比例系数法不同的岩性对地下水化学成分的影响,结果能进一步反映水化学离子的来源(孙厚云等,2018)。
3.2 BP神经网络
BP(Back Propagation)神经网络是机器学习中模拟生物神经网络进行学习的一种神经元连接模型,是一种单向传播的多层前馈神经网络,其主要特点是信号前向传播,误差反向传播(徐学良等,2017),以此往复拟合,通过一定规则输出结果。在水质评价研究中,水质指标多、差异大且关系复杂,受到多种因素的影响,以此构成一个典型非线性系统。通过训练学习对水质指标种类划分进行非线性拟合,从而凭借水质指标种类划分的内在规律进行评价(Abhijit et al.,2008)。
文中的BP神经网络通过Python的Pytorch库搭建,并完成训练、学习以及评价。使用的激活函数为Sigmoid函数,在特征相差比较复杂或是相差不大时效果比较好,并且函数整体平滑易于求导,通过对神经元加入激活函数能够增加神经网络模型的非线性,从而使模型能够更好的拟合非线性数据。其函数式如公式(1)所示。
$$\begin{split} \\ \text{Sigmoid}\text{(x)}\text{}\text=\text{}\text{σ}\text{(}\text{x}\text{)}\text{}\text=\text{}\frac{1}{1+{\rm{exp}}(-x)} \end{split} $$ (1) 文中运用的损失函数(Loss function)为Pytorch中的交叉熵函数,如公式(2)所示:
$$ \text{CrossEntropyLoss}\text{}\text{(outputs}\text{, targets}\text{) =} $$ $$ -{w}_{{{\rm{targets}}}_{n}}{\rm{log}}\frac{{\rm{exp}}\left({{\rm{outputs}}}_{n,{{\rm{targets}}}_{n}}\right)}{{\displaystyle \sum }_{c=1}^{C}{\rm{exp}}\left({{\rm{outputs}}}_{n,c}\right)} $$ (2) 式中:outputs代表模型计算后的输出结果;targets为样本标签;w为权重;n为张量维度;C为类别的数量。该函数在计算前将数据放入sigmoid函数中使数据中间值更为敏感,体现出更高的不确定性,并且梯度下降时,可以避免均方误差损失函数学习速率下降的问题。在机器学习中通过损失函数对模型正向传播的输出与标签进行对比计算得到两者之间的误差值,从而确定反向传播的误差值,并能反映模型运行效果。
3.3 RMSprop优化算法
BP神经网络中的优化算法采用RMSprop算法代替随机梯度下降算法(SDG),RMSprop优化算法也称为均方根传递算法,其优点是能够加快梯度下降的速度以及有效减缓训练中损失曲线的山谷震荡以及鞍部停滞问题。在梯度下降过程开始,神经网络会从一个随机点开始,以此赋予每个属性的权重和偏置一个随机值,将该随机值计算的预测结果与标签对比,通过损失函数计算两者之间的误差即损失,再通过反向传播更新权重与偏置,直到预测结果接近标签值。这一过程就如同从山顶到山谷,山顶为最高损失,山谷为最低损失,导数为坡度。为到达山谷,每次求导都需要走下坡的道路,对于SDG来说下山的方向是随机的,而RMSprop算法会积累之前下坡的方向来决定下一个迭代下坡方向,从而优化SDG算法。其计算过程为包括以下3步:①计算每个参数在当前位置的梯度;公式(3)中
$ {w}_{i} $ 为权重,$ {b}_{i} $ 为偏置,$ L\left(x\right) $ 为损失函数。②计算更新量,通过对当前梯度计算权重均方根,以及偏置均方根;公式(4)中S为权重均方根,$ \alpha $ 为常数。③更新参数,公式(5)中$ \eta $ 为学习率,计算下一迭代中的权重与偏置,$ \beta $ 为防止$ S{dw}_{i} $ 为0的极小常数。$$ {dw}_{i}\text=\frac{\partial L\left(w\right)}{\partial {w}_{i}} \text{,} {dw}_{i}\text=\frac{\partial L\left(b\right)}{\partial {b}_{i}} $$ (3) $$ S{dw}_{i}\text=\alpha S{dw}_{i}+\left(1-\alpha \right){dw}_{i}^{2} , S{db}_{i}\text=\alpha S{db}_{i}+\left(1-\alpha \right){db}_{i}^{2} $$ (4) $$ {w}_{i}\text={w}_{i}-ŋ\frac{{dw}_{i}}{\sqrt{\beta +S{dw}_{i}}} \text{,} {b}_{i}\text={b}_{i}-ŋ\frac{{db}_{i}}{\sqrt{\beta +S{db}_{i}}} $$ (5) 从RMSprop计算过程中,该算法计算更新量公式比一般梯度下降算法增加了一个常数
$ \alpha $ 来控制历史信息获取量,在设定全局学习率后,全局学习率在每次迭代中都会随衰减系数控制的历史梯度平方和而改变,从而使迭代方向在参数空间中更加平稳且快速。以上3个函数的关系如图2所示,输入数据先通过Sigmoid函数计算,再进行线性连接,其中乘以权重(w1,w2,w3)加上偏置(b1,b2,b3)输出第一隐层(H1),再通过同样的操作输出第二隐层(H2),通过线性层得到输出。将输出与标签利用损失函数比较得到误差,通过误差计算优化算法,计算结果对权重与偏重进行更新。
4. 结果与讨论
4.1 研究区水化学特征
根据研究区地下水采集样品分析结果,地下水化学指标概况见表2。分析结果显示,pH值平均为7.68,偏中性;TDS值为6.7~230.4 mg/L,均值为85.91 mg/L;水离子阳离子浓度排序为
$ {\text{Ca}}^{\text{2+}} $ >$ {\text{Mg}}^{\text{2+}} $ >$ {\text{Na}}^{\text{+}} $ >$ {\text{K}}^{\text{+}} $ ,阴离子浓度排序为$ {\text{HCO}}_{\text{3}}^{{-}} $ >$ {\text{SO}}_{\text{4}}^{{2-}} $ >$ {\text{Cl}}^{{-}} $ >$ {{\rm{CO}}}_{\text{3}}^{{2-}} $ ,阳离子中$ {\text{Ca}}^{\text{2+}} $ 为优势离子,阴离子中$ {\text{HCO}}_{\text{3}}^{{-}} $ 为优势离子;As含量为1.77~2.58 μg/L;Cr含量为0.1~5.58 μg/L,均值为1.92 μg/L;Pb含量为0.76 μg/L,最大值为10.26 μg/L;Mn含量为0.11~6.33 μg/L,标准偏差为1.95;Ni含量为0.05~9.54 μg/L,标准偏差为3.02,波动较大(表2 )。表 2 地下水化学指标统计表(N=15)Table 2. Index of groundwater chemistry指标 最大值(μg/L) 最小值(μg/L) 平均值(μg/L) 标准差 指标 最大值(μg/L) 最小值(μg/L) 平均值(μg/L) 标准差 pH值 8.08 6.65 7.68 0.35 TDS 230.40 6.70 85.91 67.35 $ {\text{Na}}^{\text{+}} $ 6.57 0.25 3.96 1.98 As 2.58 1.77 2.13 0.27 $ {\text{NH}}_{\text{4}}^{\text{+}} $ 0.24 0.05 0.10 0.06 Sb 0.27 0.10 0.11 0.04 $ {\text{Al}}^{\text{3+}} $ 0.19 0.01 0.07 0.06 Hg 0.19 0.03 0.06 0.04 $ {\text{Fe}}^{\text{3+}} $ 0.10 0.03 0.04 0.02 Cr 5.85 0.10 1.92 1.91 $ {\text{F}}^{{-}} $ 0.30 0.01 0.10 0.10 Co 0.74 0.02 0.24 0.22 $ {\text{Cl}}^{{-}} $ 4.26 0.86 1.52 0.90 Cu 0.59 0.07 0.19 0.19 $ {\text{SO}}_{\text{4}}^{\text{2-}} $ 17.20 0.67 7.36 5.24 Pb 10.26 0.08 0.76 2.63 $ {\text{NO}}_{\text{3}}^{{-}} $ 10.19 0.02 2.39 3.15 Zn 1.84 0.43 0.85 0.34 $ {\text{K}}^{\text{+}} $ 1.30 0.66 0.92 0.17 Mn 6.33 0.11 1.91 1.95 $ {\text{Ca}}^{\text{2+}} $ 64.53 0.59 19.31 19.14 Ni 9.54 0.05 2.66 3.02 $ {\text{Mg}}^{\text{2+}} $ 26.55 0.12 6.57 6.77 Mo 3.25 0.05 0.73 1.02 $ {\text{HCO}}_{\text{3}}^{{-}} $ 268.40 12.00 92.92 81.41 总硬度 221.00 1.90 75.27 71.14 4.2 研究区水化学特征
Piper三线图(图3)显示,研究区水化学类型主要是Mg2+·Ca2+−
$ {\text{HCO}}_{\text{3}}^{{-}} $ 类型,阳离子主要分布在$ {\text{Mg}}^{\text{2+}} $ −$ {\text{Ca}}^{\text{2+}} $ 线上,分布于三角图左下区域,阴离子主要分布在$ {\text{CO}}_{\text{3}}^{{2-}} $ −$ {\text{HCO}}_{\text{3}}^{{-}} $ 线上,主要集中于三角图的左下角。将研究区的水样数据绘制于Gibbs图(Gibbs,1970),研究区水样基本落在Gibbs的回旋镖内(图4),TDS值约为100 mg/L,
$ {\text{Na}}^{\text{+}} $ /($ {\text{Na}}^{\text{+}} $ +$ {\text{Ca}}^{\text{2+}} $ )值小于0.7,$ {\text{Cl}}^{{-}} $ /($ {\text{Cl}}^{{-}} $ +$ {\text{H}\text{C}\text{O}}_{\text{3}}^{{-}} $ )值小于0.2,表明其受到人类活动的影响较少;水样主要分布于左侧以及中部偏下的位置,表明水化学离子组成总体受到岩石风化作用控制,大气降水也对其有一定程度的控制,但是没有岩石风化控制显著,而蒸发结晶作用微弱(王慧玮等,2021)。其阳离子在B2区、D区受到岩石风化作用控制;B2区以碎屑岩类泥岩砂岩为主,其化学离子主要来自于硅酸盐矿物;D区以碳酸盐岩,$ {\text{Ca}}^{\text{2+}} $ 和$ {\text{HCO}}_{\text{3}}^{{-}} $ 会偏多。水量中等的B1区、C区水样在图中向右下角靠近,受到岩石风化作用和大气降水作用的共同控制,其岩石风化作用更显著。C区以岩浆岩为主,C区水样化学离子会来自于硅酸盐矿物的风化作用。阴阳离子的相关性分析显示,
$ {\text{Na}}^{\text{+}} $ 与$ {\text{SO}}_{\text{4}}^{{2-}} $ 相关显著性不高(R2= 0.54),但$ {\text{SO}}_{\text{4}}^{{2-}} $ 比$ {\text{Na}}^{\text{+}} $ 更加富集,推测可能是石膏溶解造成的;$ {\text{Ca}}^{\text{2+}} $ 与$ {\text{HCO}}_{\text{3}}^{{-}} $ 相关程度高(R2= 0.973),表明方解石的风化是$ {\text{Ca}}^{\text{2+}} $ 的来源之一;$ {\text{Ca}}^{\text{2+}} $ 与$ {\text{SO}}_{\text{4}}^{{2-}} $ 的相关性差(R2= −0.22),表明石膏的溶解不能对$ {\text{Ca}}^{\text{2+}} $ 来源起到控制作用;$ {\text{Mg}}^{\text{2+}} $ 与$ {\text{HCO}}_{\text{3}}^{{-}} $ 存在较高相关性(R2= 0.866),说明白云石的风化为地下水提供了$ {\text{Mg}}^{\text{2+}} $ (翟大兴等,2011)。阴阳离子比值进行计算分析,结果能进一步反映水化学离子的来源(Kumer et al.,2020)。研究区样品水化学(
$ {\text{Ca}}^{\text{2+}} $ +$ {\text{Mg}}^{\text{2+}} $ )/($ {\text{HCO}}_{\text{3}}^{{-}} $ +$ {\text{SO}}_{\text{4}}^{{2-}} $ )为1.076,接近1,表明$ {\text{Ca}}^{\text{2+}} $ 与$ {\text{Mg}}^{\text{2+}} $ 主要受到斜长石、辉石风化控制(图5a)。水化学($ {\text{SO}}_{\text{4}}^{{2-}} $ +$ {\text{Cl}}^{{-}} $ )/($ {\text{HCO}}_{\text{3}}^{{-}} $ )值远小于1,分布在直线y=x的下方(图5b),表明$ {\text{SO}}_{\text{4}}^{{2-}} $ 与$ {\text{Cl}}^{{-}} $ 少部分都来自于碳酸盐矿物溶解,蒸发盐矿物(石膏、芒硝)较少(孙厚云等,2018)。偏硅酸高值点($ {\text{Ca}}^{\text{2+}} $ +$ {\text{Mg}}^{\text{2+}} $ )/$ {\text{HCO}}_{\text{3}}^{{-}} $ 值总体略小于1(图5c),显示硫酸与碳酸共同参与碳酸盐岩溶解。大部分水样位于右上角区,少量位于左上角区(图5d),表明硫化物氧化参与硅酸盐氧化产生Na+、K+和$ {\text{SO}}_{\text{4}}^{{2-}} $ ,且能够识别硫酸和碳酸参与岩石矿物溶解的贡献程度。结合三大类造岩矿物(碳酸盐矿物、硅酸盐矿物、蒸发盐矿物)风化溶滤作用特征与离子比例关系图(图6)分析(刘永林等,2016;高旭波等,2020;杨芬等,2021),可以看出研究区的水样品大多都分布在硅酸盐矿物到碳酸盐矿物之间,相比离硅酸盐矿物区域更近,表明研究区水化学离子同时受到了硅酸盐矿物和碳酸盐矿物的风化溶滤作用的控制。在B1型地下水区和B2型地下水受硅酸盐矿物风化溶滤作用主要控制的同时,受到一定碳酸盐矿物风化溶滤作用控制,其中硅酸盐岩矿物来源于砂岩以及泥质岩;C型地下水区主要受硅酸盐矿物风化溶滤作用控制,其来源于火山碎屑岩和花岗岩;溶洞暗河发育的D型地下水区则主要受由碳酸盐矿物风化溶滤作用控制,其碳酸盐岩矿物主要来自石灰岩和白云岩。
4.3 神经网络水质评价过程
4.3.1 神经网络搭建
笔者基于Python语言使用Pytorch开源库搭建BP神经网络架构,搭建的BP神经网络模型分4层结构,分别为输入层,两层隐层以及输出层(图7)。隐层激活函数为Sigmoid函数,输入输出神经元结构为:输入神经单元18个,分别为水样品的18个指标依次是As、Cr、Co、Cu、Pb、Zn、Mn、Ni、Mo、
$ {\text{Na}}^{\text{+}} $ 、$ {\text{NH}}_{\text{4}}^{\text{+}} $ 、$ {\text{Al}}^{\text{3+}} $ 、$ {\text{F}}^{{-}} $ 、$ {\text{Cl}}^{{-}} $ 、$ {\text{SO}}_{\text{4}}^{{2-}} $ 、$ {\text{NO}}_{\text{3}}^{{-}} $ 、TDS、总硬度,其他指标由于分异性不大或者低于检测下限,因此剔除;输出层采用线性链接5个神经元的输出层结果用0、1表示,水质分五级,Ⅰ类水为 [1,0,0,0,0],Ⅱ类水为 [0,1,0,0,0],Ⅲ类水为 [0,0,1,0,0],Ⅳ类水为 [0,0,0,1,0],Ⅴ类水为 [0,0,0,0,1]输出,输出表的5个单元表分别代表Ⅰ-Ⅴ级,若满足则为1,不满足则为0。4.3.2 训练样本设计
训练样本数据依据国家地下水水质标准(GB/T 14848–2017)中各类水质的指标在其各范围内使用计算机插值生成并添加标签(邓大鹏等,2007;袁瑞强等,2021),样本按平均每种类型的样本占总样本的20%分布,共5000个训练样本,将样本数据取95%作为训练集,剩余5%作为测试集,以供模型训练过程中对损失函数与预测正确率进行测试。
4.3.3 神经网络训练
训练开始首先读取生成的训练样本为Numpy格式后进行数据标准化处理,接着将处理后的数据转换成张量(Tensor)数据格式,初始化神经网络后设定基本参数,隐层个数设定在17~9之间,学习率(lr)设定为0.001~0.0001,训练轮数(Epochs)为500轮以保证监测最后训练结果的稳定性,每轮模型迭代次数(Step)为5000次,期望误差为1×10−2。在训练过程中通过训练集和测试集的损失函数以及测试集正确率图像监测网络模型训练效果。通过代码自动循环参数比较测试结果,最终确定最优的网络模型。参数为第一隐层14个神经元,第二隐层9个神经元,学习率0.0008,图8为该参数下训练效果图。在训练结束保存训练好的训练模型,在进行研究区水样评价时调用。
图中训练集损失在1×10−2收敛,收敛过程平滑,测试集损失低于训练集损失,在2×10−2收敛,测试集正确率稳定在0.988。表明此时的网络模型拟合良好并且泛化能力强,没有出现过拟合现象,在训练过程中学习充足,能够对正常水质样品进行准确且客观的预测。模型整体以及张量数据运算采用GPU运算,GPU型号为RTX3080Ti,整体训练时间大幅减少共费时21.7分钟。
4.4 研究区水质评价结果
调用训练完成后的神经网络模型,将研究区水样品数据进行标准化后导入得到水质评价结果(表3),Ⅰ类水质点2个占13.3%分别为5-SY、12-SY;Ⅱ类水质点6个占40%分别为2-SY、4-SY、6-SY、10-SY、11-SY、13-SY;Ⅲ类水质点为7个占46.6%分别为1-SY、3-SY、7-SY、8-SY、9-SY、14-SY、15-SY。Ⅱ、Ⅲ类水质占多数从研究区数据来看As含量大多数达到了Ⅲ类标准,
$ {\text{NH}}_{\text{4}}^{\text{+}} $ 含量达到了第Ⅲ类或第Ⅱ类标准。从神经网络训练的权值来看,数据网络的评价主要考虑As、Cr、Mo、$ {\text{NH}}_{\text{4}}^{\text{+}} $ 、$ {\text{Al}}^{\text{3+}} $ 、$ {\text{F}}^{{-}} $ 、$ {\text{NO}}_{\text{3}}^{{-}} $ 以及总硬度等8个水质指标,表明As、$ {\text{NH}}_{\text{4}}^{\text{+}} $ 为造成该地区地下水质达到Ⅲ类的指标的重要原因之一。BP神经网络具有很强的自主学习、自组织、自适应能力,充分学习了训练样本的水质特征,建立起水质指标与水质等级的非线性对应关系。并且权重与偏置都是通过学习得到而非人为给定,很大程度上避免了主观因素影响,从而使其评价结果更加客观合理,然而美中不足之处是缺少真实的训练样本以供模型学习,使预测结果更加贴近现实,并且神经网络评价很难确定主要影响因子。表 3 研究区水质综合排名表Table 3. Comprehensive ranking of water quality in the study area排名 点号 类型 1 5-SY Ⅰ类 2 12-SY Ⅰ类 3 2-SY Ⅱ类 4 4-SY Ⅱ类 5 6-SY Ⅱ类 6 10-SY Ⅱ类 7 11-SY Ⅱ类 8 13-SY Ⅱ类 9 1-SY Ⅲ类 10 3-SY Ⅲ类 11 7-SY Ⅲ类 12 8-SY Ⅲ类 13 9-SY Ⅲ类 14 14-SY Ⅲ类 15 15-SY Ⅲ类 结合水样品数据的水文地质背景,以及样品指标在国标中超标部分确定影响因子,对研究区各点水质进行综合评价并由好到坏进行排名。
4.5 地下水安全建议
对于分布在德昌县阿月乡光辉村西番箐、罗家坪子;西昌市安哈镇摆摆顶村、黄水乡观音岩、西溪乡长板桥村;普格县五道菁乡黄坪村五组的Ⅰ类和Ⅱ类地下水地区,水质良好污染少,饲养牲畜能够正常饮用,居民应该经简单处理后饮用,并建议当地政府部门在此建立自来水饮水站。
对于分布在西昌市黄水乡新塘村大庆沟、洼垴村七组、书夫村二组、中坝乡小浸沟、黄联关镇哈土村四组;普格县特尔果乡甲甲沟村、普格县特补乡白庙子等Ⅲ类地下水地区,水质差又受到一定程度污染,牲畜饮用该水需经处理,不建议当地人直接或简单处理后饮用。尤其是As、Pb、Cr超标的地下水,长期大量饮用会对人体造成伤害,建议:①地方政府及相关部门在Ⅲ类水质地区应该高度重视地下水质是否存在危害人体的元素超标问题。②相关部门以及居民应该加强井水和地下水保护,隔绝农业活动对井水带来的污染,如As、
$ {\text{NH}}_{\text{4}}^{\text{+}} $ 等是大部分农药化肥中带有的元素,应当探明农药化肥是否已对当地地下水造成污染。③建议当地政府及相关部门加强对研究区大气、汇水区及地下水水质监测,查明Ⅲ类地下水污染来源并阻断以保障当地居民的安全生活生产。5. 结论
(1)螺髻山北麓地区地下水水化学结构主要是Mg2+·Ca2+ −HCO−3类型,TDS较低受人类活动干扰较少,岩石风化作用对水化学离子组成控制显著,其次是大气降水。阴阳离子主要是来自于硅酸盐矿物与碳酸盐矿物共同风化溶滤作用。其中硅酸盐矿物主要有花岗岩、长岩、灰岩、砂岩、页岩、泥岩等岩石;碳酸盐矿物主要有泥灰岩、白云岩、泥质灰岩等岩石。
(2)阴阳离子相关性分析和比值分析结果表明,方解石的风化是
$ {\text{Ca}}^{\text{2+}} $ 的来源之一,$ {\text{Mg}}^{\text{2+}} $ 主要受到硅酸盐矿物溶解控制,$ {\text{SO}}_{\text{4}}^{{2-}} $ 与$ {\text{Cl}}^{{-}} $ 大部分都来自于碳酸盐矿物溶解。(3)利用BP神经网络对研究区水质样本进行评价,水质评价结果可为研究区水质分类资源化利用,人民生活生产用水保障提供参考。评价结果表明总体水质较好,其中Ⅰ类水质点占13.3%,Ⅱ类水质点占40%,Ⅲ类水质点为7个占46.6%。
-
图 1 印度尼西亚苏门答腊岛斑岩铜(钼)成矿远景区(据胡鹏等,2020修改)
1. 大中型铜钼矿床;2. 小型铜钼矿床;3. Cu化探异常;4. Au化探异常;5. Mo化探异常;6. 成矿远景区以及编号
Figure 1. Porphyry copper (molybdenum) metallogenic prospective area in Sumatra, Indonesia
图 2 厄立特里亚金矿床预测图(据刘江涛等,2021修改)
Figure 2. Prediction map of gold deposits in Eritrea
图 3 辽宁省金矿成矿系列(据袁和等,2022修改)
Ⅲ-51-①. 通辽科尔沁盆地煤油气Ⅳ级成矿亚带;Ⅲ-51-②. 库里吐–汤家仗子Ⅳ级成矿亚带;Ⅲ-55-①. 山门–乐山成矿亚带;Ⅲ-55-②. 吉中成矿亚带;Ⅲ-56-①. 铁岭–靖宇成矿亚带;Ⅲ-56-②. 营口–长白山成矿亚带;Ⅲ-56-③. 瓦房店成矿亚带;Ⅲ-57-①. 内蒙隆起东段成矿亚带;Ⅲ-57-②. 燕辽成矿亚带;Ⅲ-57-③. 北镇成矿亚带;Ⅲ-57-④. 马兰峪-绥中成矿亚带;Ⅲ-62-①. 法库Au煤硅灰石Ⅳ级成矿亚带;Ⅲ-62-②. 辽河石油、天然气Ⅳ级成矿亚带
Figure 3. Metallogenic series of gold deposits in Liaoning Province
图 4 基于SMOTE数据集的随机森林方法提取的综合地质异常(据夏庆霖等,2021修改)
Figure 4. Comprehensive geological anomalies extracted by random forest method based on SMOTE dataset
图 5 塔吉克斯坦Au地球化学块体分布图(据范堡程等,2020修改)
Au-1.卡拉马扎尔东金地球化学块体;Au-2.卡拉马扎尔西金地球化学块体;Au-3.泽拉夫尚西金地球化学块体;Au-4.泽拉夫尚东金地球化学块体;Au-5.穆克苏伊金地球化学块体;Au-6.卡拉库里北金地球化学块体;Au-7.中帕米尔金地球化学块体;Au-8.东南帕米尔金地球化学块体
Figure 5. Distribution map of Au geochemical blocks in Tajikistan
图 6 采用局部奇异性方法圈定的As 异常区(据成秋明,2009修改)
Figure 6. As anomalous area delineated by local singularity method
-
柏坚. 非线性数学地质模型研究及在滇东南金矿成矿预测中的应用[D]. 北京: 中国地质大学(北京), 2010 BAI Jian. Application of Nonlinear Geomathematical Geology Models to Mineral Resources Prospectivity Mapping for Gold Deposits in Southeast YunNan, China[D]. Beijing: China University of Geosciences(Beijing), 2010.
毕明丽. 多金属矿产综合信息区域深部成矿预测——以临江市东港地区靶区预测为例[J]. 科学技术与工程, 2020, 20(15): 5942-5947 doi: 10.3969/j.issn.1671-1815.2020.15.008 BI Mingli. Deep metallogenic prediction of polymetallic mineral comprehensive information area: taking target area prediction of Donggang district in Linjiang City as an example [J]. Science Technology and Engineering, 2020, 20( 15): 5942-5947 doi: 10.3969/j.issn.1671-1815.2020.15.008
陈永清, 陈建国, 汪新庆, 等. 基于GIS矿产资源综合定量评价技术 [M]. 北京: 地质出版社, 2008 CHEN Yongqing, CHEN Jianguo, WANG Xinqing, et al. Quantitatively Integrated Assessment Techniques for Mineral Resources Based on GIS[M]. Beijing: Geological Publishing House, 2008
陈毓川, 裴荣富, 王登红. 三论矿床的成矿系列问题[J]. 地质学报, 2006(10): 1501-1508 doi: 10.3321/j.issn:0001-5717.2006.10.003 CHEN Yuchuan, PEI Rongfu, WANG Denghong. On Minerogenetic (Metal logenetic) Series: Third Discussion[J]. Acta Geologica Sinica, 2006(10): 1501-1508. doi: 10.3321/j.issn:0001-5717.2006.10.003
陈毓川, 裴荣富, 王登红等. 八论矿床的成矿系列[J]. 地质学报, 2022, 96(01): 123-130 doi: 10.3969/j.issn.0001-5717.2022.01.011 CHEN Yuchuan, PEI Rongfu, WANG Denghong, et al. A discussion on minerogenetic series of mineral deposits(Ⅷ) [J]. Acta Geologica Sinica, 2022, 96(01): 123-130. doi: 10.3969/j.issn.0001-5717.2022.01.011
陈毓川, 裴荣富, 王登红等. 矿床成矿系列——五论矿床的成矿系列问题[J]. 地球学报, 2016, 37(05): 519-527 doi: 10.3975/cagsb.2016.05.02 CHEN Yuchuan, PEI Rongfu, WANG Denghong, et al. Minerogenetic Series for Mineral Deposits: Discussion on Minerogenetic Series (V)[J]. Acta Geoscientica Sinica, 2016, 37(05): 519-527. doi: 10.3975/cagsb.2016.05.02
陈毓川, 裴荣富, 王登红等. 论地球系统四维成矿及矿床学研究趋向——七论矿床的成矿系列[J]. 矿床地质, 2020, 39(05): 745-753 CHEN Yuchuan, PEI Rongfu, WANG Denghong, et al. Four-dimensional metallogeny in earth system and study trends of mineral deposits: A discussion on minerogenetic series (Ⅶ)[J]. Mineral Deposits, 2020, 39(05): 745-753.
陈毓川, 裴荣富, 王登红等. 论矿床的自然分类——四论矿床的成矿系列问题[J]. 矿床地质, 2015, 34(06): 1092-1106 doi: 10.16111/j.0258-7106.2015.06.001 CHEN Yuchuan, PEI Rongfu, WANG Denghong, et al. Natural classification of mineral deposits: Discussion on minerogenetic series of mineral deposits (Ⅳ)[J]. Mineral Deposits, 2015, 34(06): 1092-1106. doi: 10.16111/j.0258-7106.2015.06.001
成秋明, 李文昌, 夏庆霖, 等. 非线性矿产预测理论方法创立与应用[Z]. 湖北: 中国地质大学(武汉), 2016-01-01 CHENG Qiuming, LI Wenchang, XIA Qinglin, et al. Establishment and application of nonlinear mineral prediction theory and method[Z]. Hubei: China University of Geosciences (Wuhan), 2016-01-01.
成秋明, 赵鹏大, 陈建国等. 奇异性理论在个旧锡铜矿产资源预测中的应用: 成矿弱信息提取和复合信息分解[J]. 地球科学(中国地质大学学报), 2009, 34(02): 232-242 doi: 10.3799/dqkx.2009.021 CHENG Qiuming, ZHAO Pengda, CHEN Jianguo. Application of Singularity Theory in Prediction of Tin and Copper Mineral Deposits in Gejiu District, Yunnan, China: Weak Information Extraction and Mixing Information Decomposition[J]. Earth Science(Journal of China University of Geosciences), 2009, 34(02): 232-242. doi: 10.3799/dqkx.2009.021
成秋明. 成矿过程奇异性与矿产预测定量化的新理论与新方法[J]. 地学前缘, 2007(05): 42-53. CHENG Qiuming. Singular mineralization processes and mineral resources quantitative prediction: new theories and methods[J]. Earth Science Frontiers, 2007, 14(5): 042-053
成秋明. 非线性成矿预测理论: 多重分形奇异性-广义自相似性-分形谱系模型与方法[J]. 地球科学, 2006, 31(03): 337-348 CHENG Qiuming. Singularity-Generalized Self-Similarity-Fractal Spectrum(3S) Models[J]. Earth Science(Journal of China University of Geosciences), 2006, 31(03): 337-348.
成秋明. 非线性矿床模型与非常规矿产资源评价[J]. 地球科学, 2003, 28(04): 445-454 CHENG Qiuming. Non-Linear Mineralization Model and Information Processing Methods for Prediction of Unconventional Mineral Resources[J]. Earth Science, 2003, 28(04): 445-454.
成秋明. 增强证据权(BoostWofE)新方法在矿产资源定量评价中的应用[J]. 吉林大学学报(地球科学版), 2012, 42(06): 1976-1984 CHENG Qiuming. Application of a Newly Developed Boost Weights of Evidence Model (BoostWofE) for Mineral Resources Quantitative Assessments[J]. Journal of Jilin University(Earth Science Edition), 2012, 42(06): 1976-1984.
程裕淇, 陈毓川, 赵一鸣. 初论矿床的成矿系列问题[J]. 中国地质科学院院报, 1979(00): 32-58 CHENG Yuqi, CHEN Yuchuan, ZHAO Yiming. Preliminary Discussion on the Problems of Minerogenetic Series of Mineral Deposits[J]. Bulletin Chinese Acad. Geo. Sci. , 1979(00): 32-58.
程裕淇, 陈毓川, 赵一鸣等. 再论矿床的成矿系列问题[J]. 中国地质科学院院报, 1983(02): 1-64+134-135 CHENG Yuqi, CHEN Yuchuan, ZHAO Yiming, et al. Further Discussion on the Problems of Minerogenetic Series of Mineral Deposits[J]. Bulletin Chinese Acad. Geo. Sci. , 1983(02): 1-64+134-135.
邓军, 战明国, 周伟金等. 基于模糊证据权法的广西典型金矿矿产定量预测[J]. 地质力学学报, 2021, 27(03): 374-390 doi: 10.12090/j.issn.1006-6616.2021.27.03.034 DENG Jun, ZHAN Mingguo, ZHOU Weijin, et al. Quantitative prediction of mineral resources in typical gold deposits in Gusngxi, China using a fuzzy weights of evidence method[J]. Journal of Geomechanics, 2021, 27(03): 374-390. doi: 10.12090/j.issn.1006-6616.2021.27.03.034
范堡程, 张晶, 孟广路等. 地球化学块体理论在塔吉克斯坦金资源潜力预测中的应用[J]. 西北地质, 2020, 53(01): 138-145 doi: 10.19751/j.cnki.61-1149/p.2020.01.012 FAN Chengbao, ZHANG Jing, MENG Guanglu, et al. Application of Geochemical Blocks Theory in the Prediction of Gold Resource Potential in Tajikistan[J]. Northwestern Geology, 2020, 53(01): 138-145. doi: 10.19751/j.cnki.61-1149/p.2020.01.012
何友宇, 南小龙, 覃金宁等. 衡阳盆地及周缘铜多金属矿成矿系列与找矿新突破[J]. 科学技术与工程, 2022, 22(05): 1775-1785 doi: 10.3969/j.issn.1671-1815.2022.05.007 HE Youyu, NAN Xiaolong, QIN Jinning, et al. Metallogenic series and prospecting breakthough of copper-polymetallic deposits in the Hengyang Basin and its periphery[J]. Science Technology and Engineering, 2022, 22(05): 1775-1785. doi: 10.3969/j.issn.1671-1815.2022.05.007
何庆先等. 苏联矿产预测与预测普查组合[M]. 地质矿产部情报研究所,1988 HE Qingxian, et al. Combination of mineral prediction and prediction census in the Soviet Union[M]. Institute of information, Ministry of Geology and mineral resources,1988
侯翠霞, 刘向冲, 张文斌等. 成矿预测理论与方法新进展[J]. 地质通报, 2010, 29(06): 953-960 doi: 10.3969/j.issn.1671-2552.2010.06.018 HOU Cuixia, LIU Xiangchong, ZHANG Wenbin, et al. New method and theory of metallogenic prediction[J]. Geological Bulletin of China, 2010, 29(6): 953-960 doi: 10.3969/j.issn.1671-2552.2010.06.018
胡鹏, 张海坤, 曹亮等. 印度尼西亚苏门答腊岛斑岩型铜(钼)矿产资源定量评价[J]. 矿床地质, 2020, 39(05): 867-878 doi: 10.16111/j.0258-7106.2020.05.007 HU Peng, ZHANG Haikun, CAO Liang, et al. Quantitative assessment of porphyry copper(molybdenum)mineral resourcesin Sumatra, Indonesia[J]. Mineral Deposits, 2020, 39(05): 867-878. doi: 10.16111/j.0258-7106.2020.05.007
李新中, 赵鹏大, 胡光道. 基于规则知识表示的模型单元选择专家系统的实现[J]. 地球科学, 1995, 20(02): 173-178 LI Xinzhong, ZHAO Pengda, HU Guangdao. Expert system for model until selection based on rule knowledge presentation[J]. Earth Science, 1995, 20(02): 173-178.
刘同, 刘传朋, 康鹏宇等. 基于GIS的格尔木市分水岭北地区铜金矿综合信息找矿预测[J]. 西北地质, 2020, 53(03): 295-307 doi: 10.19751/j.cnki.61-1149/p.2020.03.027 LIU Tong, LIU Chuanpeng, KANG Pengyu, et al. GIS-based comprehensive information prospecting prediction of Cu-Au deposit in Fenshuilingbei area, Gulmud City[J]. Northwestern Geology, 2020, 53(03): 295-307. doi: 10.19751/j.cnki.61-1149/p.2020.03.027
刘江涛, 吴发富, 李福林等. 基于证据权模型的厄立特里亚金矿资源潜力评价[J]. 地质学报, 2021, 95(04): 1292-1305 doi: 10.3969/j.issn.0001-5717.2021.04.024 LIU Jiangtao, WU Fafu, LI Fuling, et al. Quantitative evaluation of Eritrea gold resources potential based on the weighe of evidence model[J]. Acta Geoscientica Sinica, 2021, 95(04): 1292-1305. doi: 10.3969/j.issn.0001-5717.2021.04.024
刘俊, 李文昌, 周清等. 藏东类乌齐-左贡成矿带构造演化与成矿作用[J]. 沉积与特提斯地质, 2022, 42(01): 88-104 doi: 10.19826/j.cnki.1009-3850.2022.01004 LIU Jun, LI Wenchang, ZHOU Qing, et al. Tectonic evolution and mineralization of the eiwuqi-Zogang metallogenic belt [J]. Sedimentary Geology and Tethyan Geology, 2022, 42(01): 88-104. doi: 10.19826/j.cnki.1009-3850.2022.01004
秦锦华, 王登红, 陈毓川等. 矿田尺度成矿规律与成矿系列研究——以湖南水口山为例[J]. 地质学报, 2020, 94(01): 255-269 QIN Jinhua, WANG Denghong, CHEN Yuchan, et al. Research on metallogenetic regularity and metallogenic series in ore fields— a case study from the Shuikoushan ore field, Hunan Province[J]. Acta Geoscientica Sinica, 2020, 94(01): 255-269.
宋明春, 周明岭, 鲍中义, 等. 胶东深部金矿三维成矿预测及巨大的资源潜力[J/OL]. 金属矿山, 2021: 1−18 SONG Mingchun, ZHOU Mingling, BAO Zhongyi, et al. 3D Metallogenic Prediction of Deep Gold Deposits for Jiaodong Penninsula and Its Huge Resource Potential[J/OL]. Metal Mine,2021, 1−18.
孙凯, 张航, 卢宜冠等. 中非铜钴成矿带地质特征与找矿前景分析[J]. 中国地质, 2022, 49(1): 103-120 Sun Kai, Zhang Hang, Lu Yiguan, et al. Analysis on geological characteristics and prospecting potential of the Central African Cu-Co metallogenic belt[J]. Geology in China, 2022, 49(1): 103-120.
孙莉, 肖克炎, 娄德波. 中国铝土矿资源潜力预测评价[J]. 地学前缘, 2018, 25(03): 82-94 doi: 10.13745/j.esf.2018.03.007 SUN Li, XIAO Keyan, LOU Debo. Mineral prospectivity of bauxite resources in China[J]. Earth Science Frontiers, 2018, 25(03): 82-94. doi: 10.13745/j.esf.2018.03.007
滕菲, 彭丽娜, 孟庆龙等. 证据权法在河北丰宁地区银铅锌多金属矿成矿预测中的应用[J]. 华北地质, 2021, 44(01): 21-26 TENG Fei, PENG Lina, MENG Qinglong, et al. Applying weight of evidence to predict Ag-Pb-Zn potentiality in Fengning region, Hebei[J]. North China Geology, 2021, 44(01): 21-26.
王登红, 陈毓川, 徐志刚等. 矿床成矿系列组——六论矿床的成矿系列问题[J]. 地质学报, 2020, 94(01): 18-35 doi: 10.19762/j.cnki.dizhixuebao.2020103 WANG Denghong, CHEN Yuchuan, XU Zhigang, et al. Minerogenetic series group: discussion on minerogenetic series(Ⅵ) [J]. Acta Geoscientica Sinica, 2020, 94(01): 18-35. doi: 10.19762/j.cnki.dizhixuebao.2020103
王海芹, 陈莉, 刘继梅等. 山东胶东金矿综合信息矿产预测[J]. 上海国土资源, 2018, 39(04): 107-111 doi: 10.3969/j.issn.2095-1329.2018.04.023 WANG Haiqin, CHEN Li, LIU Jimei, et al. Comprehensive data regarding mineral prediction for gold mining in the Jiaodong area, Shandong province[J]. Shanghai Land & Resources, 2018, 39(04): 107-111. doi: 10.3969/j.issn.2095-1329.2018.04.023
王佳营, 张晓军, 姚春亮等. 非线性理论和模糊证据权方法在内蒙古达来庙草原覆盖区钼多金属矿产预测中的应用[J]. 地质调查与研究, 2019, 42(03): 174-184 doi: 10.3969/j.issn.1672-4135.2019.03.003 WANG Jiaying, ZHANG Xiaojun, YAO Chunling, et al. Application of nonlinear theory and fuzzy weights of evidence methodin metallogenic prediction for Mo polymetalic deposits in the Dalaimiao grassland-covered area, Inner Mongolia[J]. Geological Survey and Researh, 2019, 42(03): 174-184. doi: 10.3969/j.issn.1672-4135.2019.03.003
王利功, 黄昊, 施亮亮等. 崤山地区金多金属矿综合信息成矿预测[J]. 中国矿业, 2017, 26(S2): 170-175 WANG Ligong, HUANG Hao, SHI Liangliang, et al. Gold poly-metall multipurpose information metallogenic prognosis in Xiaoshan region[J]. China Mining Magazine2017, 26(S2): 170-175.
王世称, 陈永良. 夏立显. 综合信息矿产预测理论与方法[M]. 北京: 科学出版社, 2000 WANG Shicheng, CHEN Yongliang, XIA Lixia. Theory and method of comprehensive information mineral prediction[M]. Beijing: Science Press, 2000
王世称. 综合信息矿产预测理论与方法体系新进展[J]. 地质通报, 2010, 29(10): 1399-1403 doi: 10.3969/j.issn.1671-2552.2010.10.002 WANG Shicheng. The new development of theory and method of synthetic information mineral resources prognosis[J]. Geological Bulletin of China, 2010, 29(10): 1399-1403 doi: 10.3969/j.issn.1671-2552.2010.10.002
王银宏, 严光生, 翟裕生. 三部式潜在矿产资源定量评价与蒙特卡罗模拟[J]. 中国矿业, 2006, 15(06): 14-17 doi: 10.3969/j.issn.1004-4051.2006.06.005 WANG Yinhong, YAN Guangsheng, ZHAI Yusheng. Three-part quantitative assessments of undiscovered mineral resources and Monte Carlo mulation[J]. China Mining Magazine, 2006, 15(06): 14-17. doi: 10.3969/j.issn.1004-4051.2006.06.005
夏庆霖, 赵梦余, 王孝臣等. 基于地质异常的内蒙古新达来草原覆盖区钼铜多金属矿产定量预测[J]. 地学前缘, 2021, 28(03): 56-66. XIA Qinglin, ZHAO Mengyu, WANG Xiaochen, et al. Quantitative prediction of molybdenum-copper polymetallic mineralresources in the Xindalai grassland-covered area of Inner Mongolia based on geological anomalies. Earth Science Frontiers , 2021 , 28(3): 056-066
向文帅, 姜军胜, 赵凯. 应用地球化学块体法评价厄立特里亚金矿资源潜力[J]. 中国矿业, 2019, 28(12): 176-182 doi: 10.12075/j.issn.1004-4051.2019.12.003 XIANG Wenshuai, JIANG Junsheng, ZHAO Kai. The application of geochemical blocksmethods to gold resource assessment in Eritrea[J]. China Mining Magazine, 2019, 28(12): 176-182. doi: 10.12075/j.issn.1004-4051.2019.12.003
肖克炎, 丁建华, 刘锐. 美国“三步式”固体矿产资源潜力评价方法评述[J]. 地质论评, 2006, 52(06): 793-798 doi: 10.3321/j.issn:0371-5736.2006.06.010 XIAO Keyan, DING Jianhua, LIU Rui. The Discussion of Three-Part Form of non-fuel Mineral Resource Assessment[J]. Geological Review, 2006, 52(06): 793-798. doi: 10.3321/j.issn:0371-5736.2006.06.010
肖克炎, 张晓华, 王四龙, 等. 矿产资源GIS评价系统[M]. 北京: 地质出版社, 2000 XIAO Keyan, ZHANG Xiaohua, WANG Silong, et al. GIS evaluation system of mineral resources[M]. Beijing: Geological Publishing House, 2000
肖克炎. “深部综合信息矿产资源预测评价”专辑特邀主编寄语[J]. 地球学报, 2020, 41(02): 130-134 XIAO Keyan. Guest Editor’s Preface to the “Prediction and Assessment of Deep Mineral Resources Based on Integrated Geoinformation” [J]. Acta Geoscientica Sinica, 2020, 41(02): 130-134.
肖文进, 张忠义, 侯朝勇等. 新疆哈密黑山金矿物化探异常特征及找矿预测[J]. 矿产勘查, 2021, 12(07): 1587-1594. doi: 10.3969/j.issn.1674-7801.2021.07.012 XIAO Wenjin, ZHANG Zhongyi, HOU Chaoyong, et al. Geophysical and geochemical anomaly characteristics and prospecting prediction of Heishan gold deposit in Hami, Xinjiang, China[J]. Mineral Exploration, 2021, 12(07): 1587-1594. doi: 10.3969/j.issn.1674-7801.2021.07.012
肖志坚. 基于空间信息网格的长江中下游矿产资源评价方法[D]. 武汉: 中国地质大学(武汉), 2010 XIAO Zhijiang. The appraise method of mineral resources in middle-lower reaches Changjiang River based on Spatial Information Grid[D]. Wuhan: China University of Geoscience (Wuhan), 2010
谢学锦, 刘大文, 向运川等. 地球化学块体——概念和方法学的发展[J]. 中国地质, 2002, 29(03): 225-233 doi: 10.3969/j.issn.1000-3657.2002.03.001 XIE Xuejin, LIU Dawen, XIANG Yunchuan, et al. Geochemical blocks – Development of concept and methodology[J]. Geology in China, 2002, 29(03): 225-233. doi: 10.3969/j.issn.1000-3657.2002.03.001
徐善法, 王学求, 张必敏等. 中国铀地球化学块体与远景区划分[J]. 地球学报, 2020, 41(06): 785-796 doi: 10.3975/cagsb.2020.082502 XU Shanfa, WANG Xueqiu, ZHANG Bimin, et al. China’s Uranium Geochemical Blocks: Implications for Delineation of Uranium Prospective Areas[J]. Acta Geoscientica Sinica, 2020, 41(06): 785-796. doi: 10.3975/cagsb.2020.082502
许逢明, 吴大天, 周永恒, 等. 基于地球化学块体概念的马达加斯加全岛铬资源潜力评价[A]. 中国矿物岩石地球化学学会第17届学术年会论文摘要集[C], 2019: 736−738 XU Fengming, WU Datian, ZHOU Yongheng, et al. Evaluation of chromium resource potential in Madagascar based on the concept of geochemical blocks[A]. Abstracts of the 17th Annual Meeting of the Chinese Society of Mineral and Rock Geochemistry[C], 2019: 736−738.
薛顺荣, 胡光道, 丁俊. 成矿预测研究现状及发展趋势[J]. 云南地质, 2001, 20(04): 411-416 doi: 10.3969/j.issn.1004-1885.2001.04.010 XIU Shongrong, HU Guangdao, DING Jun. The current situation and development trend of metallogenetic prognosis [J]. Yunnan Geology, 2001, 20(04): 411-416. doi: 10.3969/j.issn.1004-1885.2001.04.010
叶天竺, 肖克炎, 成秋明, 等. 矿产定量预测方法 [M]. 北京: 地质出版社, 2010 YE Tianzhu, XIAO Keyan, CHENG Qiuming, et al. Quantitative prediction method of mineral resources[M]. Beijing: Geological Publishing House, 2010
袁峰, 张明明, 李晓晖等. 成矿预测: 从二维到三维[J]. 岩石学报, 2019, 35(12): 3863-3874 doi: 10.18654/1000-0569/2019.12.18 YUAN Feng, ZHANG Mingming, Li Xiaohui, et al. Prospectivity modeling: From twodimension to three-dimension[J]. Acta Petrologica Sinica, 2019, 35(12): 3863-3874. doi: 10.18654/1000-0569/2019.12.18
袁和, 王登红. 辽宁省金矿成矿规律及成矿系列[J]. 中国地质调查, 2022, 9(02): 73-82 doi: 10.19388/j.zgdzdc.2022.02.07 YUAN He, WANG Denghong. Metallogenic regularity and series of gold deposits in Liaoning Province [J]. Geological Survey of China, 2022, 9(02): 73-82. doi: 10.19388/j.zgdzdc.2022.02.07
张生元, 成秋明, 张素萍等. 加权证据权模型和逐步证据权模型及其在个旧锡铜矿产资源预测中的应用[J]. 地球科学(中国地质大学学报), 2009, 34(02): 281-286 doi: 10.3799/dqkx.2009.028 ZHANG Shengyuan, CHENG Qiuming, ZHANG Suping, et al. Weighted Weights of Evidence and Stepwise Weights of Evidence and their Applications in Sn-Cu Mineral Potential Mapping in Gejiu, Yunnan Province, China[J]. Earth Science(Journal of China University of Geosciences), 2009, 34(02): 281-286. doi: 10.3799/dqkx.2009.028
赵鹏大, 陈永清, 刘吉平, 地质异常成矿预测理论与实践[M]. 武汉: 中国地质大学出版社, 1999 ZHAO Pengda, CHEN Yongqing, LIU Jiping, Theory and practice of geoanomaly in mineral exploration[M]. Wuhan: China University of Geosciences Press, 1999.
赵鹏大, 池顺都. 初论地质异常[J]. 地球科学, 1991, 16(03): 241-248 ZHAO Pengda, CHI Shundu. A Preliminary view on Geological Anomaly[J]. Earth Science, 1991, 16(03): 241-248.
赵鹏大, 孟宪国. 地质异常与矿产预测[J]. 地球科学, 1993, 18(01): 39-47+127 ZHAO Pengda, MENG Xianguo. Geological Anomaly and Mineral Prediction[J]. Earth Science, 1993, 18(01): 39-47+127.
赵鹏大. “三联式”资源定量预测与评价——数字找矿理论与实践探讨[J]. 地球科学, 2002, 27(05): 482-489 ZHAO Pengda. “Three-Component” Quantitative Resource Prediction and Assessments: Theory and Practice of Digital Mineral Prospecting[J]. Earth Science, 2002, 27(05): 482-489.
赵震宇, 王世称, 孟令顺等. 陕南地区金矿床综合信息预测[J]. 吉林大学学报(地球科学版), 2004, 34 02): 287-291 doi: 10.13278/j.cnki.jjuese.2004.02.025 ZHAO Zhenyu, WANG Shicheng, MENG Lingshun, et al. Synthetic information prediction of the gold mineral resources in southern Shaanxi Province[J]. Journal of Jilin University( Earth Science Edition), 2004, 34(02): 287-291. doi: 10.13278/j.cnki.jjuese.2004.02.025
郑有业, 次琼, 高顺宝等. 西藏冈底斯西段银锡铜多金属成矿系列与找矿方向[J]. 地学前缘, 2021, 28(03): 379-402 doi: 10.13745/j.esf.sf.2021.1.19 ZHENG Youye, CI Qiong, GAO Shunbao, et al. The Ag-Sn-Cu polymetallic minerogenetic series and prospecting direction in the western Gangdese belt, Tibet[J]. Earth Science Frontiers, 2021, 28(03): 379-402. doi: 10.13745/j.esf.sf.2021.1.19
朱裕生. 矿产资源评价方法学导论[M]. 北京: 地质出版社, 1984 ZHU Yusheng. Introduction to mineral resources evaluation methodology[M]. Beijing: Geological Publishing House, 1984
朱裕生. 矿产资源潜力评价在我国的发展[J]. 中国地质, 1999,(11): 31-33+23 ZHU Yusheng, Development of mineral resources assessment in China[J]. Geology in China, 1999,(11): 31-33+23.
Agterberg F P , Gradstein F M . Recent developments in quantitative stratigraphy[J]. Earth Science Reviews, 1988, 25(1):1-73.
Qiuming Cheng, F. P. Agterberg. Fuzzy Weights of Evidence Method and Its Application in Mineral Potential Mapping[J]. Natural Resources Research, 1999, 8(1).
Fu Changliang, Chen Kaixu, Yang Qinghua, et al. Mapping gold mineral prospectivity based on weights of evidence method in southeast Asmara, Eritrea[J]. Journal of African Earth Sciences, 2021, 176: 104143.
Liu, J. , Cheng, Q. A Modified Weights-of-Evidence Method for Mineral Potential Prediction Based on Structural Equation Modeling[J] . Nat Resour Res 28, 1037–1053(2019).
Singer D A. Basic concepts in three-part quantitative assessments of undiscovered mineral resources [J]. Nonre-newable Resources, 1993, 2(2): 69–81.
Singer D A, Menzie W D, Sutphin D M, et al. Mineral deposit density−An update[A]. In. Schulz K J, ed. Contributions to global mineral resource assessment research[M]. U. S. Geological Survey Professional Paper, 2001, 1640: A1–A13.
Tao, J. , Yuan, F. , Zhang, N. , et al. Three-Dimensional Prospectivity Modeling of Honghai Volcanogenic Massive Sulfide Cu–Zn Deposit, Eastern Tianshan, Northwestern China Using Weights of Evidence and Fuzzy Logic[J]. Math Geosci 53, 131–162 (2021).
WANG Xueqiu, SHEN Wujun, ZHANG Bimin, et al. Relationship of Geochemical Blocks and Ore Districts: Examples from the Eastern Tianshan Metallogenic Belt, Xinjiang, China[J]. Earth Science Frontiers, 2007, 14(5): 116–123. doi: 10.1016/S1872-5791(07)60040-2
Zientek M L, Bliss J D, Broughton D W, et al. Sediment-Hosted stratabound copper assessment of the Neoproterozoic Roan Group, Central African Copperbelt, Katanga Basin, Democratic Republic of the Congo and Zambia[M]: U. S. Geological Survey Scientific Investigations Report 2010–5090–T, 2014: 162.
-
期刊类型引用(4)
1. 李状,周训,方斌,沈晔,徐艳秋,陈柄桦,拓明明,隋丽嫒. 安徽省大别山区温泉水化学特征与演化机制分析. 地质通报. 2025(01): 158-172 . 百度学术
2. 刘海,黄健敏,宋阳,赵国红,王旭东,魏伟. 太湖县花凉亭水库流域地下水水化学特征及水质评价. 环境科学. 2025(02): 809-820 . 百度学术
3. 陈陆望,武明辉,侯晓伟,胡永胜,张苗,蔡欣悦,殷晓曦,施小平. 帷幕墙影响下侏罗系砾岩含水层地下水化学时空演化规律. 煤田地质与勘探. 2025(01): 174-183 . 百度学术
4. 刘芳. 区域地下水污染因子定量识别研究——以辽西地区为例. 水利科学与寒区工程. 2024(03): 111-113 . 百度学术
其他类型引用(2)