基于空间位置的矿产资源关联分析和预测方法:以我国西部地区为例

doi:10.19657/j.geoscience.1000-8527.2019.04.06

现代地质 ›› 2019, Vol. 33 ›› Issue (04): 751-758.DOI: 10.19657/j.geoscience.1000-8527.2019.04.06

• 岩石学、矿物学、矿床学 • 上一篇下一篇

基于空间位置的矿产资源关联分析和预测方法:以我国西部地区为例

刘国¹^,²(), 王懿哲³(), 薛涛⁴, 吴晨垚⁴, 薛博⁴, 唐甜甜⁴, 刘士铭⁴

1.国家地理信息系统工程技术研究中心,湖北武汉 430074
2.中国地质图书馆,北京 100083
3.自然资源部国土卫星遥感应用中心,北京 100048
4.中国地质大学(北京) 信息工程学院,北京 100083

收稿日期:2018-01-22 修回日期:2019-02-20 出版日期:2019-08-20 发布日期:2019-09-05
通讯作者: 王懿哲
作者简介:王懿哲,女,工程师,1986年出生,地理信息专业,主要从事遥感影像处理、地学信息化方面的研究。Email: wangyizhe@lasac.cn。
刘国,男,硕士研究生,工程师,1985年出生,地理信息专业,主要从事地学信息化方面的研究工作。Email: liuguo@cgl.org.cn。
基金资助:
中国地质调查局项目“地学文献数据采集整合与服务”(121201015000150003)

Mineral Resource Spatial Association Analysis and Prediction:A Case Study in Western China

LIU Guo¹^,²(), WANG Yizhe³(), XUE Tao⁴, WU Chenyao⁴, XUE Bo⁴, TANG Tiantian⁴, LIU Shiming⁴

1. National Engineering Research Center for Geographic Information System, Wuhan,Hubei 430074,China
2. National Geological Library of China,Beijing 100083,China
3. Land Satellite Remote Sensing Application Center, Ministry of Natural Resources, Beijing 100048, China
4. Laboratory of Software Engineering, China University of Geosciences,Beijing 100083, China

Received:2018-01-22 Revised:2019-02-20 Online:2019-08-20 Published:2019-09-05
Contact: WANG Yizhe

摘要/Abstract

摘要：

基于矿产资源空间位置的研究方法对勘探找矿具有重要意义。设计开发了基于空间位置关联分析和预测方法,该方法根据隐伏矿体预测的相似-类比理论,通过分析已公开的矿产资源空间分布数据,获取已知矿种的相关性,进一步对隐伏矿体进行分析和预测。以我国西部部分地区的矿产资源空间分布数据为样本,采用Apriori算法分析已知矿种空间位置上的关联关系,通过分析得出该区域矿种的共生和伴生等关联关系,获得隐伏矿体的预测结果。通过与现有成果对比证明该方法的有效性和可行性,利用GoogleEarth等可视化的工具进行预测结果展现,以便更好地进行对比研究。研究的创新点在于设计开发了基于空间位置关联分析和预测方法,利用该方法对已知矿种空间位置进行关联分析,推导出所在区域矿种的共生和伴生等关系,对隐伏矿体进行了分析预测。

关键词: 矿产预测, 网络爬虫, 关联分析, Apriori算法

Abstract:

Based on the similarity-analogy theory of concealed orebody prediction, a method of spatial location correlation analysis and prediction is designed and developed. By analyzing the published spatial distribution data of mineral resources, correlation of known mineral occurrences is performed to analyze and predict the concealed orebodies. Taking some areas of Western China as an example, the Apriori algorithm is used to analyze the relationship between the spatial location of known mineral occurrences, and the relationship between the symbiosis and mineral association in that area. Consequently, prediction is made on the locations of concealed orebodies. Effectiveness and feasibility of this method are proven by comparing with the existing results. Visualization tools, such as GoogleEarth, are used to show the predicted results, and to make a better comparative study. This project has newly designed and developed a method based on spatial location correlation analysis and prediction.

Key words: mineral prediction, web crawl, association analysis, Apriori algorithm

中图分类号:

刘国, 王懿哲, 薛涛, 吴晨垚, 薛博, 唐甜甜, 刘士铭. 基于空间位置的矿产资源关联分析和预测方法:以我国西部地区为例[J]. 现代地质, 2019, 33(04): 751-758.

LIU Guo, WANG Yizhe, XUE Tao, WU Chenyao, XUE Bo, TANG Tiantian, LIU Shiming. Mineral Resource Spatial Association Analysis and Prediction:A Case Study in Western China[J]. Geoscience, 2019, 33(04): 751-758.

图/表 8

参考文献 12

[1]	李文光. 中国西部地区矿产资源概况[J]. 吉林地质, 2002,21(3):106-112.
[2]	吴剑. 浅谈矿产预测[J]. 城市建设理论研究, 2011(15):1-3.
[3]	吴承栋. 当前国外成矿理论及矿产预测的研究现状和趋势[J]. 地质通报, 1983,2(1):115-122.
[4]	薛涛, 刁明光, 吕志成. 岩石地球化学图解辅助分析软件的关键问题及解决方法[J]. 现代地质, 2013,27(6):1316-1322.
[5]	于萍萍, 陈建平, 柴福山, 等. 基于地质大数据理念的模型驱动矿产资源定量预测[J]. 地质通报, 2015,34(7):1333-1343.
[6]	翟裕生, 彭润民, 邓军, 等. 区域成矿学与找矿新思路[J]. 现代地质, 2001,15(2):151-156.
[7]	吴俊华, 袁承先, 赵赣. 隐伏矿体的预测理论、探测方法及发展现状[J]. 地质找矿论丛, 2010,25(3):188-195.
[8]	陈建平. 矿产资源定量评价中文本数据挖掘研究[M]//中国地质学会数学地质与地学信息专业委员会.第七届全国数学地质与地学信息学术会议论文摘要汇编. 北京: 中国地质学会数学地质与地学信息专业委员会, 2004: 1.
[9]	刘光萍, 王京贵. 关联分析在矿产资源预测中的应用[J]. 地质科技情报, 1991,10(3):75-79.
[10]	颜雪松. 一种基于Apriori的高效关联规则挖掘算法的研究[J]. 计算机工程与应用, 2002,38(10):209-211.
[11]	刘华婷, 郭仁祥, 姜浩. 关联规则挖掘Apriori算法的研究与改进[J]. 计算机应用与软件, 2009,26(1):146-149.
[12]	王洪亮, 吴然, 张冀, 等. 新疆矿产资源勘查开发对策分析[J]. 资源与产业, 2014,16(3):66-72.

矿种组合	支持度/%	置信度/%
{A,C}	50	100.0
{B,C}	50	66.6
{B,E}	75	100.0
{C,E}	50	66.6
{B,C,E}	50	66.6

矿种组合	支持度/%	置信度/%
{A,C}	50	100.0
{B,C}	50	66.6
{B,E}	75	100.0
{C,E}	50	66.6
{B,C,E}	50	66.6

1	from bs4 import BeautifulSoup
2	import urllib.request,http.cookiejar
3	import math
4	import re
5	head=“http://219.142.81.85/arcgis/services/0refield/ MapServer/WMSServer?request=getfeatureinfo&transparent= true&format=xml%2Fhtml&version=1.1.1&layers= 0&query_layers=0&srs=EPSG%3A4326&”
6	tail=“&height=409&width=1366&bbox= 115.11282992829184%2C39.63686022517068% 2C116.9887454556356%2C40.198536250561304”
7	myset=set()
8	for x in range(546,804):
9	for y in range(126,388):
10	url=head+“X=”+str(x)+“&Y=”+str(y)+tail
11	request=urllib.request.Request(url)
12	request.add_header(“Origin”,“ngac.org.cn”)
13	request.add_header(“User-Agent”,“Mozilla/5.0 (Windows NT 10.0; WOW64; rv:49.0) Gecko/20100101 Firefox/49.0”)
14	#用带有cookie的urllib访问网页
15	try:
16	response=urllib.request.urlopen(request,timeout=10)
17	#print (response.getcode())
18	cont=response.read()
19	mycont=cont.decode(“utf8”)
20	if re.search(‘FIELDS’,mycont):myset.add(mycont)
21	time.sleep(0.1)
22	response.close()
23	except urllib.error.URLError as e:
24	print(“错误:”+e)
25	else:
26	print(“OK”)
27	print(myset)
28	print(“爬虫结束”)

1	from bs4 import BeautifulSoup
2	import urllib.request,http.cookiejar
3	import math
4	import re
5	head=“http://219.142.81.85/arcgis/services/0refield/ MapServer/WMSServer?request=getfeatureinfo&transparent= true&format=xml%2Fhtml&version=1.1.1&layers= 0&query_layers=0&srs=EPSG%3A4326&”
6	tail=“&height=409&width=1366&bbox= 115.11282992829184%2C39.63686022517068% 2C116.9887454556356%2C40.198536250561304”
7	myset=set()
8	for x in range(546,804):
9	for y in range(126,388):
10	url=head+“X=”+str(x)+“&Y=”+str(y)+tail
11	request=urllib.request.Request(url)
12	request.add_header(“Origin”,“ngac.org.cn”)
13	request.add_header(“User-Agent”,“Mozilla/5.0 (Windows NT 10.0; WOW64; rv:49.0) Gecko/20100101 Firefox/49.0”)
14	#用带有cookie的urllib访问网页
15	try:
16	response=urllib.request.urlopen(request,timeout=10)
17	#print (response.getcode())
18	cont=response.read()
19	mycont=cont.decode(“utf8”)
20	if re.search(‘FIELDS’,mycont):myset.add(mycont)
21	time.sleep(0.1)
22	response.close()
23	except urllib.error.URLError as e:
24	print(“错误:”+e)
25	else:
26	print(“OK”)
27	print(myset)
28	print(“爬虫结束”)

选择项	推荐	选择项数目	关联项数目	支持度 /%	置信度
云母	金矿	10	10	100.00	0.47
盐矿	铜矿	19	15	78.95	0.30
盐矿	铁矿	19	14	73.68	0.22
盐矿	煤	19	13	68.42	0.16
盐矿	金矿	19	11	57.89	0.23
铜矿	铁矿	42	28	66.67	0.27
铜矿	煤	42	27	64.29	0.21
铜矿	金矿	42	24	57.14	0.38
铜矿	水泥用灰岩	42	17	40.48	0.24
铁矿	煤	45	31	68.89	0.31
铁矿	铜矿	45	28	62.22	0.30
铁矿	金矿	45	26	57.78	0.44
铁矿	水泥用灰岩	45	18	40.00	0.25
水泥用灰岩	煤	28	22	78.57	0.30
水泥用灰岩	铁矿	28	18	64.29	0.17
水泥用灰岩	铜矿	28	17	60.71	0.18
水泥用灰岩	金矿	28	14	50.00	0.17
石灰岩	煤	23	16	69.57	0.19
石灰岩	金矿	23	14	60.87	0.28
石灰岩	铜矿	23	14	60.87	0.16
石灰岩	铁矿	23	13	56.52	0.07
石灰岩	水泥用灰岩	23	11	47.83	0.27
石膏(含泥膏矿)	铜矿	13	10	76.92	0.25
石膏(含泥膏矿)	铁矿	13	10	76.92	0.21
铅矿	铜矿	14	10	71.43	0.22
煤	铁矿	46	31	67.39	0.32
煤	铜矿	46	27	58.70	0.23
煤	金矿	46	24	52.17	0.31
煤	水泥用灰岩	46	22	47.83	0.51
芒硝	铁矿	19	15	78.95	0.26
芒硝	煤	19	14	73.68	0.20
芒硝	金矿	19	12	63.16	0.28
芒硝	铜矿	19	12	63.16	0.17
芒硝	水泥用灰岩	19	10	52.63	0.31
硫铁矿	铜矿	13	12	92.31	0.35
硫铁矿	铁矿	13	12	92.31	0.31
硫铁矿	煤	13	11	84.62	0.25
金矿	铁矿	35	26	74.29	0.33
金矿	铜矿	35	24	68.57	0.31
金矿	煤	35	24	68.57	0.23
金矿	石灰岩	35	14	40.00	0.37
金矿	水泥用灰岩	35	14	40.00	0.20
铬矿	铁矿	13	13	100.00	0.35
铬矿	煤	13	11	84.62	0.25
铬矿	金矿	13	10	76.92	0.35

基于空间位置的矿产资源关联分析和预测方法:以我国西部地区为例

Mineral Resource Spatial Association Analysis and Prediction:A Case Study in Western China

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 12

相关文章 1

编辑推荐

Metrics

本文评价

矿产地县市级编号	矿种	预测结果
652824	铁矿	金矿
652824	铜矿	金矿
652824	盐矿	金矿
652824	铜矿	煤
652824	铁矿	煤
652824	金矿	煤
652824	盐矿	煤
652824	金矿	石灰岩
652824	铁矿	水泥用灰岩
652824	铜矿	水泥用灰岩
652824	金矿	水泥用灰岩
652824	金矿	铁矿
652824	铜矿	铁矿
652824	盐矿	铁矿
652824	盐矿	铜矿
652824	金矿	铜矿
652824	铁矿	铜矿