基于GMS、DSS和GIS的潜在矿产资源评价方法 上PDF电子书下载

上册 1

第一章　矿产资源及资源评价 1

1.1 矿产资源 1

1.1.1　矿产资源的定义 1

1.1.2　矿产资源的条件模式 6

1.1.3　矿产资源的分类 12

1.1.4　不同认识-开发阶段的矿产资源实体形态及其数量表示 29

1.1.5　潜在矿产资源 31

1.2　矿产资源评价 36

1.2.1　矿产资源评价的阶段 37

1.2.2　矿产资源评价的内容 38

1.2.3　矿产资源评价的手段与方法 40

1.2.4　矿产资源评价与矿产资源调查、勘查活动的关系 41

1.2.5　矿产资源评价的规范、标准与技术要求 42

1.3 “3S”潜在矿产资源评价体系 42

第二章　地质模型系统（GMS） 45

2.1　地质模型的框架结构 45

2.1.1　概述 45

2.1.2　关于地质模型的研究历史与现状 47

2.2　石油与天然气矿产地质模型 49

2.2.1　石油与天然气地质省模型 49

2.2.2　全油系统 51

2.2.3　评价单元 56

2.3 固体矿产地质模型 56

2.3.1　固体矿产地质模型系列的结构 56

2.3.2　成矿带模型 57

2.3.3　矿床模型 65

2.3.4　关于地质模型系列的小结 117

第三章 决策支持系统（DSS） 118

3.1 决策支持系统的概念 118

3.2　决策支持系统的发展历史 119

3.3　地质问题决策的低结构化环境 120

3.4　决策支持系统的类型 121

3.5　决策与决策支持 123

3.5.1　决策的定义 123

3.5.2　决策者的属性 123

3.5.3　决策过程 126

3.5.4　决策支持 130

3.5.5　管理决策与技术决策 131

3.5.6　空间决策与数量决策 132

3.6　决策支持模型 133

3.6.1　决策支持模型在DSS中的作用 133

3.6.2　空间决策支持模型 134

3.6.3　数量决策支持模型 136

3.7　专家系统 138

3.7.1　专家系统的发展历史 138

3.7.2　专家系统的类型 139

3.7.3　专家 140

3.7.4　专家系统的结构 141

3.7.5　对专家系统的评估标准 145

3.7.6　专家系统的局限性 145

3.8　知识工程 146

3.8.1　知识 146

3.8.2　知识工程 147

3.9　机器学习 149

3.9.1　机器学习的概念 149

3.9.2　机器学习的类型 149

3.9.3　机器学习的实现 154

3.10　数据仓库 154

3.10.1　数据仓库的概念 155

3.10.2　谁使用数据仓库 156

3.10.3　数据仓库的体系结构 156

3.10.4　面向主题的数据仓库系统设计思想 158

3.10.5　数据仓库技术 158

3.11 知识发现与数据挖掘 159

3.11.1　知识发现 159

3.11.2　数据挖掘 160

第四章　空间决策支持模型（Ⅰ） 176

4.1　引言 176

4.1.1　空间决策支持模型在空间信息分析中的作用 176

4.1.2　地质知识的形式化 177

4.1.3　空间决策的基本对象 180

4.1.4　不确定性与信任度 181

4.1.5　主观赋值 182

4.1.6　软计算 182

4.2　基于句法的空间决策支持模型 183

4.2.1　命题逻辑 183

4.2.2　谓词逻辑 186

4.2.3　产生式规则与决策树 190

4.2.4　语义网络 193

4.2.5　知识的框架表示与推理 199

4.3 基于模糊逻辑的空间决策支持模型 202

4.3.1　模糊集合与模糊逻辑 202

4.3.2　模糊命题 204

4.3.3　模糊命题的合成 209

4.3.4　模糊IF-THEN命题及其模糊关系 211

4.3.5　模糊推理 216

4.3.6　基于扩展原理的推理 221

4.3.7　基于真值的模糊推理 223

第五章　空间决策支持模型（Ⅱ） 230

5.1 不确定性推理与信任度的测度 230

5.2　贝叶斯决策模型 231

5.2.1　信任度测度 231

5.2.2　贝叶斯决策模型 232

5.2.3　贝叶斯决策模型在潜在矿产资源评价中的应用 232

5.3　证据权法模型 234

5.3.1　基本模型 234

5.3.2　证据权法的参数及其检验 235

5.3.3　证据权法潜在矿产资源评价的操作步骤 237

5.3.4　使用证据权法建立地球化学“偏异常”图层 238

5.3.5　证据权的主观赋值 240

5.3.6　基于分形理论的证据权法 242

5.4　主观贝叶斯推理模型 247

5.4.1　基本思路 247

5.4.2　基本模型 248

5.4.3　证据的合成 250

5.4.4　不确定性证据 250

5.4.5　子集／超集关系 251

5.4.6　定量规则 252

5.4.7　主观贝叶斯推理的例示 253

5.5 基于确信因子的贝叶斯推理模型 254

5.5.1　确信因子 254

5.5.2　证据的合成 255

5.5.3　基于确信因子的规则与推理 255

5.6　基于证据理论的推理模型 257

5.6.1　信任函数的基本模型 257

5.6.2　证据的合成 260

5.6.3　证据理论推理模型在潜在矿产资源评价中的应用前景 261

5.6.4　证据理论在潜在矿产资源评价操作中的若干技术处理 263

5.7　基于可能性理论的模糊推理 264

5.7.1　可能性分布 264

5.7.2　可能性测度与必然性测度 265

5.7.3　命题真值的评价 266

5.7.4　演绎推理 267

5.8　基于粗理论的知识表达和推理 268

5.8.1　信息系统与决策系统 269

5.8.2　不可辨识性 270

5.8.3　集合的近似表示 271

5.8.4　属性的约减 273

5.8.5　粗录属函数 275

5.8.6　属性的相关性和显著性 275

5.8.7　熵分析 276

5.8.8　连续型属性的离散化 278

5.8.9　推理规则 279

5.8.10　粗集与模糊集 280

5.8.11　粗集合与D-S证据理论 281

5.9　基于罗吉斯蒂回归的推理模型 282

5.9.1　罗吉斯蒂回归模型 282

5.9.2　多元罗吉斯蒂回归模型 284

5.9.3　应用罗吉斯蒂回归解决潜在矿产资源评价问题的若干技术处理 285

5.10　集合的包含及不确定性测度 286

5.11 不确定性空间决策模型小结 288

5.11.1　不确定性推理的基本模式 288

5.11.2　各种不确定性推理方法的对比 290

第六章 空间决策支持模型（Ⅲ） 291

6.1　人工神经网络模型 291

6.1.1　生物神经元和生物神经系统 291

6.1.2　人工神经元模型 292

6.1.3　人工神经网络模型 294

6.1.4　学习算法 302

6.1.5　基本逻辑处理感知器 308

6.1.6　基本模糊逻辑神经网络 313

6.1.7　基于规则的前向模糊神经网络 315

6.1.8　应用于潜在矿产资源评价的人工神经网络模型 319

6.1.9　人工神经网络模型应用于潜在矿产资源评价中的若干技术特点 327

6.2　人工生命模型 328

6.2.1　遗传算法 329

6.2.2　关于遗传算法的数学讨论 334

6.2.3　遗传规划 337

6.2.4　进化计算 339

6.2.5　遗传算法在知识学习中的应用 345

6.2.6　关于遗传算法和进化计算的小结 357

下册 359

第七章　数量决策支持模型（Ⅰ） 359

7.1　概述 359

7.2　基本空间评价指标的潜在资源量估计 360

7.2.1　回归分析法 361

7.2.2　逻辑信息法 362

7.3 丰度估计 376

7.3.1　矿产资源同元素地壳丰度的相关关系 376

7.3.2　简单的丰度估计模型 379

7.3.3　DeWijs丰度估计模型 380

7.3.4　Brink丰度估计模型 389

7.3.5　Agterberg丰度估计模型（一元丰度估计） 394

7.3.6　PAU丰度估计模型（二元丰度估计） 398

7.3.7　品位与吨位相关条件下的二元丰度估计 405

7.3.8　关于未知程度的调整系数 415

7.3.9　关于丰度估计的小结 416

第八章　数量决策支持模型（Ⅱ） 418

8.1 主观估计 418

8.1.1　德尔菲法 418

8.1.2　主观概率法 422

8.2　矿床模拟法 432

8.2.1　矿床模型 432

8.2.2　矿床数的分布 438

8.2.3　潜在可采资源量分布的蒙特卡罗模拟 442

8.2.4　潜在可采矿产资源量的“三部法”估计 454

8.2.5　关于矿床模拟法的小结 454

8.3 石油和天然气潜在资源量的估计方法 455

8.3.1 国内外石油和天然气资源量估计方法概述 455

8.3.2　石油与天然气评价空间实体的定义 457

8.3.3　石油和天然气资源量估计模型 463

8.3.4　石油与天然气潜在资源量估计模型小结 504

第九章　数量决策支持模型（Ⅲ） 505

9.1 资源量估计的分形学方法 505

9.1.1　分形学的基本概念 505

9.1.2　基于分形的帕瑞托分布 510

9.1.3　利用帕瑞托分形关系进行潜在矿产资源量估计 516

9.1.4　质量分形及其在潜在矿产资源量估计中的应用 521

9.2　未来探明矿产资源量的预测 533

9.2.1　探明资源量与未探明资源量 533

9.2.2　预测模型 534

9.2.3　勘查难度指标 535

9.2.4　剩余未探明的资源量 535

9.2.5　预测实例 536

9.3 行政区域潜在矿产资源量的评价与对比模型 538

9.3.1　单位区域价值 538

9.3.2　地质图信息的标准化 540

9.3.3　计算机文件系统 546

9.3.4　岩石类型划分的地质学准则 552

9.3.5　碎屑岩的分类实例 556

9.3.6　Q分析模型 560

9.3.7　矿产资源与地质图特征的多样性分析模型 572

9.3.8　行政区矿产资源潜力的评价与对比 576

9.3.9　评价实例 578

9.3.10　几点评述 594

第十章　地理信息系统（GIS） 596

10.1　地理信息系统的概念 596

10.1.1　地理信息系统的定义 596

10.1.2　地理信息系统的产生和发展 597

10.1.3　地理信息系统的构成 600

10.2 图件 602

10.2.1　图件的概念 602

10.2.2　地球的地理坐标系统 602

10.2.3　地图投影 603

10.2.4　椭球体和地球体模型 604

10.2.5　大地基准面和垂直基准面 606

10.2.6　地理图件 606

10.2.7　专题图件 606

10.3 空间图形的数字表示 607

10.3.1　空间对象和空间现象 607

10.3.2　空间对象、实体、特征与属性 608

10.3.3　矢量图形的表示 612

10.3.4　栅格图形的表示 618

10.4　属性 620

10.5　数据模型 623

10.5.1　地理-关系数据模型 623

10.5.2　面向对象的数据模型 625

10.6　GIS标准 631

10.6.1　GIS标准的概念 631

10.6.2　GIS数据标准 633

10.7 空间数据基础设施（NSDI） 635

10.7.1　空间数据基础设施的概念 635

10.7.2　空间数据基础设施的内容 636

10.7.3　国家空间数据基础设施的组织实施 638

10.8 空间数据库 640

10.8.1　矢量型空间数据库 640

10.8.2　栅格型空间数据库 650

10.9 INTERNET GIS 660

10.9.1　INTERNET GIS的概念 660

10.9.2　INTERNET GIS的基本配置 662

10.9.3　Open GIS 663

10.9.4　Web GIS的体系结构 665

10.9.5　INTERNET GIS的应用 666

第十一章　潜在矿产资源评价的实施 667

11.1 系统建设 667

11.1.1　潜在矿产资源评价系统的构成 667

11.1.2　硬件系统 668

11.1.3　软件系统 668

11.1.4　数据库系统 676

11.1.5　模型系统 678

11.1.6　专家组 680

11.2　资料收集 682

11.3 图层划分与原始空间数据建设 682

11.3.1　图层与属性命名规则 683

11.3.2　图层划分及其属性表定义 684

11.3.3　空间数据库建库工作流程 688

11.4　数据处理与空间模式制作 690

11.4.1　指示矿化的属性印记与空间模式 690

11.4.2　数据处理 692

11.4.3　建立针对目标的空间模式（SPM） 694

11.4.4　评价图层的选择 698

11.5　地质研究 700

11.5.1　区域地质研究 700

11.5.2　矿床模型研究 700

11.5.3　估计矿床数的地质研究 702

11.5.4　评价结果的地质研究 703

11.6　评价工作方案 704

11.7　评价单元 707

11.8 主观空间决策与主观概率赋值 708

11.9　潜在矿产资源评价流程 710

11.10　建议的评价报告编写提纲 712

第十二章　应用实例 716

12.1 实例1：北非伊利济地质省塔内祖夫特-伊利济全油系统潜在石油与天然气资源评价 716

12.1.1　地理位置及评价空间实体划分 716

12.1.2　地质省区域地质特征 716

12.1.3　全油系统 717

12.1.4　评价单元 718

12.1.5　评价有效年限 730

12.1.6　评价结果 730

12.1.7　对评价方法的评述 731

12.2　实例2：科罗拉多柔特国家森林区和阿拉巴荷国家森林区的中部公园区矿产资源潜力评价 731

12.2.1　评价的矿产资源目标 731

12.2.2　评价区的地质工作程度 731

12.2.3　地质背景 732

12.2.4　科罗拉多成矿带 734

12.2.5　矿床模型简述 734

12.2.6　地球物理与地球化学数据解释 736

12.2.7　矿化靶区的圈定 747

12.2.8　靶区分类 752

12.2.9　潜在资源量估计 752

12.2.10　对评价方法的评述 753

12.3 实例3：安徽东部地区金矿资源评价 753

12.3.1　区域地质背景 753

12.3.2　区域成矿模式 755

12.3.3　矿床模型 756

12.3.4　地球物理与地球化学特征 760

12.3.5　找矿标志与评价图层 764

12.3.6　证据权法空间决策 766

12.3.7　对评价方法的评述 769

12.4　实例4：菲律宾斑吉奥地区金矿资源评价 770

12.4.1　地质背景 770

12.4.2　证据权法空间决策 771

12.4.3　模糊逻辑空间决策 776

12.5　实例5：扬子地台西缘金矿潜在资源评价 780

12.5.1　地质模型 780

12.5.2　证据权法空间决策作业定义 792

12.5.3　证据权法参数计算 793

12.5.4　矿化靶区圈定与潜在剪切构造的识别 796

12.5.5　空间评价结论 800

12.5.6　对评价方法的评述 801

12.6 实例6：美国西部大盆地低温热液型金矿床的证据权法空间评价 801

12.6.1　矿床模型、培训数据集与目标图层 801

12.6.2　评价变量与评价图层 802

12.6.3　评价结果 805

12.6.4　对评价方法的评述 808

12.7 实例7：加拿大安大略省斯崴兹绿岩带中温热液型金矿资源证据权法空间评价 808

12.7.1　地质背景 808

12.7.2　绿岩带中温热液型金矿床的找矿准则 808

12.7.3　建立图层的数据准备 810

12.7.4　评价图层 813

12.7.5　证据权参数计算 816

12.7.6　空间评价结果 817

12.7.7　对评价方法的评述 818

12.8 实例8：加拿大奇色尔湖-安德逊湖海相火山岩型块状硫化物矿床区域成矿有利性空间评价 818

12.8.1　区域地质背景 819

12.8.2　控矿特征 820

12.8.3　勘查模型 820

12.8.4　空间数据及其处理 820

12.8.5　空间决策支持模型及空间评价 822

12.8.6　勘查靶区分析 830

12.8.7　对评价方法的评述 832

12.9 实例9：应用人工神经网络法对日本北陆黑矿型矿床的找矿评价 832

12.9.1　地质背景 832

12.9.2　人工神经网络模型 832

12.9.3　网络的输入与输出 833

12.9.4　空间评价结果 833

12.9.5　对评价方法的评述 834

12.10　实例10：东太平洋海底喷口热液硫化物矿床潜在资源的证据权法和罗吉斯蒂回归评价 834

12.10.1　地质背景 834

12.10.2　输入空间模式 834

12.10.3　唯一条件组数据模型与推理规则 834

12.10.4　加权证据权法与加权逻辑信息回归 835

12.10.5　模型参数 835

12.10.6　网格系统设置 836

12.10.7　空间评价结果 836

12.10.8　对评价方法的评述 837

12.11 实例11：专家系统方法在阿尔泰山南缘海相同火山-沉积型多金属矿床区域靶区选择与评价中的应用 837

12.11.1　地质背景 837

12.11.2　矿山阿尔泰-克兰成矿带 838

12.11.3　预选靶区 839

12.11.4　成矿系统的基本地质过程 840

12.11.5　找矿标志模型 840

12.11.6　推理网络 841

12.11.7　产生式系统 851

12.11.8　不确定性推理计算 854

12.11.9　专家主观输入 859

12.11.10　推理网络顶点成矿有利性指标 859

12.11.11　靶区排队结果 859

12.11.12　对评价方法的评述 861

附录 863

附录1 全球地质省及全油系统、评价单元划分 863

附录2 中国Ⅰ、Ⅱ级成矿带划分 877

附录3 中国Ⅰ、Ⅱ、Ⅲ级成矿带划分 878

附录4　全球矿床描述模型（按岩性-构造环境分类） 881

附录5　数字矿床模型属性分类标准 887

附录6 中国矿床模式（按构造背景-成矿环境-主岩岩石组合划分） 906

附录7　全球413个行政子区时代-岩性代码 909

附录8　加拿大奇色尔湖-安德逊湖海相火山岩型块状硫化物矿床潜在矿产资源评价原始数据集 926

参考文献 936