一种高光谱遥感信息参与的铀成矿有利区预测方法与流程

1.本发明属于铀矿预测领域，具体涉及一种高光谱遥感信息参与的铀成矿有利区预测方法。


背景技术：

2.在铀矿预测领域，大部分使用传统的地质、物探、化探数据进行预测工作，高光谱遥感信息很少参与预测，高光谱遥感信息提取的碳酸盐化、褐铁矿化信息可以对铀矿找矿有指示作用，并且在地质工作程度较低的地区，高光谱信息可以发挥更大的作用。长期的铀矿地质找矿工作积累了大量的地质、物探和化探等资料，它们都从不同的侧面反映了地质体或地质现象的某些特征。将多源综合信息用于成矿预测，更加深入地揭示其本质特征，是当前地质工作面临的一个重要问题。为了实现数据挖掘方法及机器学习预测等智能化应用，需要将试验区的高光谱遥感、地质、物探、化探等与成矿有关的数据与钻孔、矿化数据集合在一起，形成统一的铀矿数据集进行数据挖掘和机器学习。
3.机器学习算法由大量简单的处理单元连接而成,不需考虑具体的数学模型就可以通过对训练样本的学习来隐性的表达各变量间非线性的关系。在矿产资源评价中由于要求的数据种类多、差异性大和矿床赋存条件复杂等特点,不易用显性的数学模型来表达,利用神经网络等机器学习方法能较好的解决以上问题。
4.因此，如何将高光谱遥感信息引入到铀成矿预测中，与传统地质、物化探数据结合，建立铀成矿样本的特征和标签，使用机器学习技术建模并预测，是亟待解决的问题。


技术实现要素：

5.本发明的目的在于提供一种高光谱遥感信息参与的铀成矿有利区预测方法，该方法能够有效提高机器学习模型的分类和预测精度。
6.实现本发明目的的技术方案：
7.一种高光谱遥感信息参与的铀成矿有利区预测方法，所述方法包括：
8.步骤1、对高光谱遥感提取的方解石化和褐铁矿化信息进行样本特征和标签化处理；
9.步骤2、对地质和化探数据进行特征和标签化处理，建立铀成矿信息样本集合；
10.步骤3、对铀成矿样本数据进行模型训练和机器学习，生成机器学习模型；
11.步骤4、生成待预测区等间距规则预测点，计算待预测点的砂岩铀成矿特征值；
12.步骤5、将待预测点输出的特征作为机器学习模型的输入，进行机器学习预测，得到每一个规则预测点的铀成矿概率值；
13.步骤6、针对规则预测点成矿概率值特征进行插值，获取研究区的铀成矿概率图。
14.所述步骤1包括：
15.步骤1.1、读入不同矿化级别矿化矢量点数据，该数据记为kuang.shp；
16.步骤1.2、读入碳酸盐化强度栅格数据和褐铁矿化强度栅格数据；
17.步骤1.3、分别计算kuang.shp文件中各矢量点与碳酸盐化强度栅格数据和褐铁矿化强度栅格数据所在位置的像素值，并将计算结果分别写入drill.shp文件的属性中，计算后的drill.shp文件记为drill_1.shp，计算后的kuang.shp文件记为kuang_1.shp。
18.所述步骤2包括：
19.步骤2.1、读入地质、物探、化探类型的栅格数据；
20.步骤2.2、分别计算kuang1.shp文件中各矢量点与地质、物探、化探类型的栅格数据所在位置的像素值，并将计算结果分别写入kuang1.shp文件的属性中，计算后的kuang_1.shp文件记为kuang_2.shp；
21.步骤2.3、将kuang_2.shp的属性表导出为excel表格格式，记为sample.xlsx，该表格作为铀成矿样本数据。
22.所述步骤2中地质、物探、化探类型的栅格数据包括地层厚度、砂体厚度、含砂率、底板埋深、航放u、航放u/th、剩余重力、布格重力。
23.所述步骤3包括：
24.步骤3.1、读入铀成矿样本数据sample.xlsx，选择模型训练的标签数据和模型训练的特征数据；
25.步骤3.2、设置神经网络模型训练参数；
26.步骤3.3、开始训练模型，并将训练后的神经网络模型保存为model.xml。
27.所述步骤3.1中模型训练的标签数据为“矿化级别”，模型训练的特征数据为“高光谱碳酸盐强度”、“高光谱褐铁矿强度”、“地层厚度”、“砂体厚度”、“含砂率”、“底板埋深”、“航放u”、“航放u/th”、“剩余重力”、“布格重力”。
28.所述步骤3.2具体为：设置神经网络体系结构，神经网络隐藏层数设置为2层，激活函数设置为双曲正切，优化算法选择梯度下降法，80％的数据作为训练数据，20％的数据作为模型检验数据。
29.所述步骤4包括：
30.步骤4.1、生成待预测区等间距规则预测点，等间距规则预测点文件记为yuce.shp；
31.步骤4.2、读入栅格数据；
32.步骤4.3、分别计算yuce.shp文件中各待预测点与栅格数据所在位置的像元值，并将计算结果写入yuce.shp文件的属性中，计算后的yuce.shp文件记为yuce_1.shp；
33.步骤4.4、将坐标值写入文件yuce_1.shp中，其中，经度记为x，纬度记为y；
34.步骤4.5、将yuce_1.shp的属性表导出为excel表格格式，记为yuce.xlsx，该表格作为待预测点的特征值数据。
35.所述步骤4中栅格数据包括高光谱碳酸盐强度、高光谱褐铁矿强度、地层厚度、砂体厚度、含砂率、底板埋深、航放u、航放u/th、剩余重力、布格重力。
36.所述步骤5包括：
37.步骤5.1、打开步骤3.3获取的神经网络模型model.xml。导入步骤4.5获取的规则待预测点特征表格yuce.xlsx；
38.步骤5.2、将表yuce.xlsx中的列“高光谱碳酸盐强度”、“高光谱褐铁矿强度”、“地层厚度”、“砂体厚度”、“含砂率”、“底板埋深”、“航放u”、“航放u/th”、“剩余重力”、“布格重
力”选择为神经网络模型model.xml的输入部分，计算获取标签属性列“矿化级别”及列“可信度”，将计算后的表格保存为表yucel.xlsx；
39.步骤5.3、将表yucel.xlsx增加一列属性，属性名为“预测值”，其中，“预测值”＝“矿化级别
”ד
可信度”，将计算后的表另存为yucel1.xlsx。
40.所述步骤6包括：
41.步骤6.1、据表yucel1.xlsx中的经纬度坐标值x、y，生成待预测区预测后的规则矢量点集合，记为yuce.shp；
42.步骤6.2、利用yuce.shp属性中的“预测值”属性进行插值，获取研究区的砂岩型铀成矿概率图。
43.本发明的有益技术效果在于：
44.1、本发明提供的一种高光谱遥感信息参与的铀成矿有利区预测方法，将高光谱遥感信息引入到铀成矿预测中，与传统地质、物化探数据结合，生成铀成矿样本特征和标签，使用机器学习技术建设模型并进行预测，将高光谱遥感提取的褐铁矿化和碳酸盐化信息转换为相应的铀成矿样本特征，结合地质、物化探等信息，生成铀成矿样本库，可用于神经网络建模，并最终实现铀成矿有利区预测。
45.2、本发明提供的一种高光谱遥感信息参与的铀成矿有利区预测方法，使用高光谱遥感信息参与铀成矿有利区模型建立与预测，有效提高机器学习模型的分类和预测精度。
46.3、高光谱遥感技术提取的蚀变信息对铀成矿具有指示作用，通过本发明中涉及的技术方法将高光谱信息添加到铀成矿样本特征中，相较于传统的机器学习预测方法，增加了样本特征的丰富性和有效性，通过机器学习模型进行铀成矿预测，可以有效提高预测的精度。
47.4、传统预测方法往往只是根据特定工作区内的数据进行预测，而本发明中的铀成矿样本库可以不断扩充，将不同工作区内的铀成矿样本数据纳入样本库，通过样本库的不断扩充，提高机器学习模型的适用范围，进而提高预测的准确性。
附图说明
48.图1为本发明实施例1中本巴图地区褐铁矿化蚀变强度图；
49.图1中：1-层间氧化带型铀矿点；2-层间氧化带型铀矿化点；3-层间氧化带型铀异常点；4-岩体上覆型铀矿化；5-褐铁矿化强度。
50.图2为本发明实施例1中本巴图地区基于机器学习模型的砂岩型铀成矿概率分布图；
51.图2中：1-层间氧化带型铀矿点；2-层间氧化带型铀矿化点；3-层间氧化带型铀异常点；4-花岗岩型铀矿化；5-泥岩型铀矿化；6-岩体上覆型铀矿化；7-铀成矿概率分布；8-城镇。
具体实施方式
52.下面结合附图和实施例对本发明作进一步详细说明。
53.实施例1
54.以本巴图地区为例，本发明提供的一种高光谱遥感信息参与的铀成矿有利区预测
方法，具体为：
55.步骤1、对高光谱遥感提取的方解石化和褐铁矿化信息进行样本特征和标签化处理。该步骤包含以下子步骤：
56.步骤1.1、读入不同矿化级别矿化矢量点数据。使用arcmap10.2打开矿化数据kuang.shp，该数据包含“矿化级别”属性，其中“矿化级别”＝3，表示为矿床和矿点；其中“矿化级别”＝2，表示为矿化点；其中“矿化级别”＝1，表示为异常点；其中“矿化级别”＝0，表示为无矿孔，也是样本集合中的负样本标签。
57.步骤1.2、使用arcmap10.2读入高光谱遥感数据获取的碳酸盐化强度栅格数据.tif和褐铁矿化强度栅格数据.tif，如图1所示。
58.步骤1.3、使用arctoolbox工具箱中“空间分析”中的“值提取至点”功能，分别计算kuang.shp文件中各矢量点与碳酸盐化强度栅格数据.tif和褐铁矿化强度栅格数据.tif等栅格数据所在位置的像素值，并将计算结果分别写入drill.shp文件的属性中，计算后的drill.shp文件记为drill_1.shp，计算后的kuang.shp文件记为kuang_1.shp，该文件属性表中包含矿化级别、高光谱碳酸盐强度和高光谱褐铁矿强度等属性字段。
59.步骤2、对地质和化探数据进行特征和标签化处理，建立铀成矿信息样本集合。
60.步骤2.1、使用arcmap10.2读入地层厚度.tif、砂体厚度.tif、含砂率.tif、底板埋深.tif、航放u.tif、航放u/th.tif、剩余重力.tif、布格重力.tif等地质、物探、化探等类型的栅格数据。
61.步骤2.2、使用arctoolbox工具箱中“空间分析”中的“值提取至点”功能，分别计算kuang1.shp文件中各矢量点与地层厚度.tif、砂体厚度.tif、含砂率.tif、底板埋深.tif、航放u.tif、航放u/th.tif、剩余重力.tif、布格重力.tif等栅格数据所在位置的像素值，并将计算结果分别写入kuang1.shp文件的属性中，计算后的kuang_1.shp文件记为kuang_2.shp，该文件属性表中包含矿化级别、高光谱碳酸盐强度、高光谱褐铁矿强度、地层厚度、砂体厚度、含砂率、底板埋深、航放u、航放u/th、剩余重力、布格重力等属性字段。
62.步骤2.3、将kuang_2.shp的属性表导出为excel表格格式，记为sample.xlsx，该表格作为铀成矿样本数据。
63.步骤3、对铀成矿样本数据进行模型训练和机器学习，生成铀成矿有利区预测的神经网络模型。该步骤包含以下子步骤：
64.步骤3.1、使用spss26读入铀成矿样本数据sample.xlsx。打开“分析”功能中的“神经网络”，选择“矿化级别”字段数据作为模型训练的标签数据，选择“高光谱碳酸盐强度”、“高光谱褐铁矿强度”、“地层厚度”、“砂体厚度”、“含砂率”、“底板埋深”、“航放u”、“航放u/th”、“剩余重力”、“布格重力”、“遥感解译断裂”、和“土壤氡气”作为模型训练的特征数据。
65.步骤3.2、设置神经网络模型训练参数。设置神经网络体系结构，神经网络隐藏层数设置为2层，激活函数设置为双曲正切，优化算法选择梯度下降法，80％的数据作为训练数据，20％的数据作为模型检验数据。
66.步骤3.3、开始训练模型，并将训练后的神经网络模型保存为model.xml。
67.步骤4、根据所需要的预测精度，生成待预测区等间距规则预测点，并计算待预测点的砂岩铀成矿特征值。该步骤包含以下子步骤：
68.步骤4.1、使用arctoolbox工具箱中“数据管理工具”中的“创建渔网”工具，根据所
需要的预测精度，生成待预测区等间距规则预测点。按照500米的间隔，生成待预测区的规则点文件，该文件记为yuce.shp.。
69.步骤4.2、使用arcmap10.2读入高光谱碳酸盐强度.tif、高光谱褐铁矿强度.tif、地层厚度.tif、砂体厚度.tif、含砂率.tif、底板埋深.tif、航放u.tif、航放u/th.tif、剩余重力.tif、布格重力.tif等地质、物探、化探等类型的栅格数据。
70.步骤4.3、使用arctoolbox工具箱中“空间分析”中的“值提取至点”功能，分别计算yuce.shp文件中各待预测点高光谱碳酸盐强度.tif、高光谱褐铁矿强度.tif、地层厚度.tif、砂体厚度.tif、含砂率.tif、底板埋深.tif、航放u.tif、航放u/th.tif、剩余重力.tif、布格重力.tif等栅格数据所在位置的像素值，并将计算结果分别写入yuce.shp文件的属性中，计算后的yuce.shp文件记为yuce_1.shp，该文件属性表中包含高光谱碳酸盐强度、高光谱褐铁矿强度、地层厚度、砂体厚度、含砂率、底板埋深、航放u、航放u/th、剩余重力、布格重力等属性字段。
71.步骤4.4、使用arctoolbox中“数据管理工具”中的“添加xy坐标”功能将坐标值写入文件yuce_1.shp中，其中，经度记为x，纬度记为y。
72.步骤4.5、将yuce_1.shp的属性表导出为excel表格格式，记为yuce.xlsx，该表格作为待预测点的特征值数据。该表格包含高光谱碳酸盐强度、高光谱褐铁矿强度、地层厚度、砂体厚度、含砂率、底板埋深、航放u、航放u/th、剩余重力、布格重力、x、y等属性字段。
73.步骤5、使用机器学习模型计算规则待预测点的铀成矿概率值。
74.将待预测点输出的特征表格作为机器学习模型的输入，进行机器学习预测，得到每一个规则预测点的铀成矿概率值。该步骤包含以下子步骤：
75.步骤5.1、使用spss26“实用程序”下的“评分向导”功能打开步骤3.3获取的神经网络模型model.xml。导入步骤4.5获取的规则待预测点特征表格yuce.xlsx。
76.步骤5.2、将表yuce.xlsx中的列“高光谱碳酸盐强度”、“高光谱褐铁矿强度”、“地层厚度”、“砂体厚度”、“含砂率”、“底板埋深”、“航放u”、“航放u/th”、“剩余重力”、“布格重力”选择为神经网络模型model.xml的输入部分，计算获取标签属性列“矿化级别”及列“可信度”。
77.将计算后的表格保存为表yucel.xlsx。
78.步骤5.3、将表yucel.xlsx增加一列属性，属性名为“预测值”，其中，“预测值”＝“矿化级别
”ד
可信度”，将计算后的表另存为yucel1.xlsx。
79.步骤6、针对规则预测点成矿概率值特征进行插值，获取研究区的铀成矿概率图。该步骤包含以下子步骤：
80.步骤6.1、使用arcgis10.2中的“添加xy数据”功能，根据表yucel1.xlsx中的经纬度坐标值x、y，生成待预测区预测后的规则矢量点集合，记为yuce.shp。
81.步骤6.2、使用arctoolbox中“空间分析”中的“插值分析”功能，使用“反距离权重法”利用yuce.shp属性中的“预测值”属性进行插值，并进行色彩分类，获取研究区的砂岩型铀成矿概率图，如图2所示。
82.上面结合附图和实施例对本发明作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。本发明中未作详细描述的内容均可以采用现有技术。

技术特征：
1.一种高光谱遥感信息参与的铀成矿有利区预测方法，其特征在于，所述方法包括：步骤1、对高光谱遥感提取的方解石化和褐铁矿化信息进行样本特征和标签化处理；步骤2、对地质和化探数据进行特征和标签化处理，建立铀成矿信息样本集合；步骤3、对铀成矿样本数据进行模型训练和机器学习，生成机器学习模型；步骤4、生成待预测区等间距规则预测点，计算待预测点的砂岩铀成矿特征值；步骤5、将待预测点输出的特征作为机器学习模型的输入，进行机器学习预测，得到每一个规则预测点的铀成矿概率值；步骤6、针对规则预测点成矿概率值特征进行插值，获取研究区的铀成矿概率图。2.根据权利要求1所述的一种高光谱遥感信息参与的铀成矿有利区预测方法，其特征在于，所述步骤1包括：步骤1.1、读入不同矿化级别矿化矢量点数据，该数据记为kuang.shp；步骤1.2、读入碳酸盐化强度栅格数据和褐铁矿化强度栅格数据；步骤1.3、分别计算kuang.shp文件中各矢量点与碳酸盐化强度栅格数据和褐铁矿化强度栅格数据所在位置的像素值，并将计算结果分别写入drill.shp文件的属性中，计算后的drill.shp文件记为drill_1.shp，计算后的kuang.shp文件记为kuang_1.shp。3.根据权利要求2所述的一种高光谱遥感信息参与的铀成矿有利区预测方法，其特征在于，所述步骤2包括：步骤2.1、读入地质、物探、化探类型的栅格数据；步骤2.2、分别计算kuang1.shp文件中各矢量点与地质、物探、化探类型的栅格数据所在位置的像素值，并将计算结果分别写入kuang1.shp文件的属性中，计算后的kuang_1.shp文件记为kuang_2.shp；步骤2.3、将kuang_2.shp的属性表导出为excel表格格式，记为sample.xlsx，该表格作为铀成矿样本数据。4.根据权利要求3所述的一种高光谱遥感信息参与的铀成矿有利区预测方法，其特征在于，所述步骤2中地质、物探、化探类型的栅格数据包括地层厚度、砂体厚度、含砂率、底板埋深、航放u、航放u/th、剩余重力、布格重力。5.根据权利要求3所述的一种高光谱遥感信息参与的铀成矿有利区预测方法，其特征在于，所述步骤3包括：步骤3.1、读入铀成矿样本数据sample.xlsx，选择模型训练的标签数据和模型训练的特征数据；步骤3.2、设置神经网络模型训练参数；步骤3.3、开始训练模型，并将训练后的神经网络模型保存为model.xml。6.根据权利要求5所述的一种高光谱遥感信息参与的铀成矿有利区预测方法，其特征在于，所述步骤3.1中模型训练的标签数据为“矿化级别”，模型训练的特征数据为“高光谱碳酸盐强度”、“高光谱褐铁矿强度”、“地层厚度”、“砂体厚度”、“含砂率”、“底板埋深”、“航放u”、“航放u/th”、“剩余重力”、“布格重力”。7.根据权利要求5所述的一种高光谱遥感信息参与的铀成矿有利区预测方法，其特征在于，所述步骤3.2具体为：设置神经网络体系结构，神经网络隐藏层数设置为2层，激活函数设置为双曲正切，优化算法选择梯度下降法，80％的数据作为训练数据，20％的数据作为
模型检验数据。8.根据权利要求5所述的一种高光谱遥感信息参与的铀成矿有利区预测方法，其特征在于，所述步骤4包括：步骤4.1、生成待预测区等间距规则预测点，等间距规则预测点文件记为yuce.shp；步骤4.2、读入栅格数据；步骤4.3、分别计算yuce.shp文件中各待预测点与栅格数据所在位置的像元值，并将计算结果写入yuce.shp文件的属性中，计算后的yuce.shp文件记为yuce_1.shp；步骤4.4、将坐标值写入文件yuce_1.shp中，其中，经度记为x，纬度记为y；步骤4.5、将yuce_1.shp的属性表导出为excel表格格式，记为yuce.xlsx，该表格作为待预测点的特征值数据。9.根据权利要求8所述的一种高光谱遥感信息参与的铀成矿有利区预测方法，其特征在于，所述步骤4中栅格数据包括高光谱碳酸盐强度、高光谱褐铁矿强度、地层厚度、砂体厚度、含砂率、底板埋深、航放u、航放u/th、剩余重力、布格重力。10.根据权利要求8所述的一种高光谱遥感信息参与的铀成矿有利区预测方法，其特征在于，所述步骤5包括：步骤5.1、打开步骤3.3获取的神经网络模型model.xml，导入步骤4.5获取的规则待预测点特征表格yuce.xlsx；步骤5.2、将表yuce.xlsx中的列“高光谱碳酸盐强度”、“高光谱褐铁矿强度”、“地层厚度”、“砂体厚度”、“含砂率”、“底板埋深”、“航放u”、“航放u/th”、“剩余重力”、“布格重力”选择为神经网络模型model.xml的输入部分，计算获取标签属性列“矿化级别”及列“可信度”，将计算后的表格保存为表yucel.xlsx；步骤5.3、将表yucel.xlsx增加一列属性，属性名为“预测值”，其中，“预测值”＝“矿化级别
”ד
可信度”，将计算后的表另存为yucel1.xlsx。11.根据权利要求10所述的一种高光谱遥感信息参与的铀成矿有利区预测方法，其特征在于，所述步骤6包括：步骤6.1、据表yucel1.xlsx中的经纬度坐标值x、y，生成待预测区预测后的规则矢量点集合，记为yuce.shp；步骤6.2、利用yuce.shp属性中的“预测值”属性进行插值，获取研究区的砂岩型铀成矿概率图。

技术总结
本发明属于铀矿预测领域，具体涉及一种高光谱遥感信息参与的铀成矿有利区预测方法，包括：步骤1、对高光谱遥感提取的方解石化和褐铁矿化信息进行样本特征和标签化处理；步骤2、对地质和化探数据进行特征和标签化处理，建立铀成矿信息样本集合；步骤3、对铀成矿样本数据进行模型训练和机器学习，生成机器学习模型；步骤4、生成待预测区等间距规则预测点，计算待预测点的砂岩铀成矿特征值；步骤5、将待预测点输出的特征作为机器学习模型的输入，进行机器学习预测，得到每一个规则预测点的铀成矿概率值；步骤6、针对规则预测点成矿概率值特征进行插值，获取研究区的铀成矿概率图。本发明方法能够有效提高机器学习模型的分类和预测精度。能够有效提高机器学习模型的分类和预测精度。能够有效提高机器学习模型的分类和预测精度。


技术研发人员：李瀚波 叶发旺
受保护的技术使用者：核工业北京地质研究院
技术研发日：2023.05.06
技术公布日：2023/9/7