CN110264016A - 一种矿产探测方法及装置 - Google Patents
一种矿产探测方法及装置 Download PDFInfo
- Publication number
- CN110264016A CN110264016A CN201910580023.7A CN201910580023A CN110264016A CN 110264016 A CN110264016 A CN 110264016A CN 201910580023 A CN201910580023 A CN 201910580023A CN 110264016 A CN110264016 A CN 110264016A
- Authority
- CN
- China
- Prior art keywords
- mine
- characteristic information
- model
- information
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 31
- 239000011707 mineral Substances 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 title claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 44
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims description 32
- 238000012706 support-vector machine Methods 0.000 claims description 21
- 238000005457 optimization Methods 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000004393 prognosis Methods 0.000 abstract description 7
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 229910052737 gold Inorganic materials 0.000 description 37
- 239000010931 gold Substances 0.000 description 37
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 35
- 230000006870 function Effects 0.000 description 23
- 239000011435 rock Substances 0.000 description 18
- 238000009826 distribution Methods 0.000 description 13
- 238000012549 training Methods 0.000 description 13
- 238000011160 research Methods 0.000 description 9
- 210000003462 vein Anatomy 0.000 description 8
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 7
- 238000010276 construction Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 241000219780 Pueraria Species 0.000 description 6
- 235000012239 silicon dioxide Nutrition 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 5
- 239000010453 quartz Substances 0.000 description 5
- 229910052785 arsenic Inorganic materials 0.000 description 4
- 210000001367 artery Anatomy 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000012886 linear function Methods 0.000 description 4
- 241000132092 Aster Species 0.000 description 3
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 3
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 229910052802 copper Inorganic materials 0.000 description 3
- 239000010949 copper Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000001089 mineralizing effect Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 229910052709 silver Inorganic materials 0.000 description 3
- 240000000249 Morus alba Species 0.000 description 2
- 235000008708 Morus alba Nutrition 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000013398 bayesian method Methods 0.000 description 2
- 230000033558 biomineral tissue development Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- NOTVAPJNGZMVSD-UHFFFAOYSA-N potassium monoxide Inorganic materials [K]O[K] NOTVAPJNGZMVSD-UHFFFAOYSA-N 0.000 description 2
- 238000003325 tomography Methods 0.000 description 2
- 235000007926 Craterellus fallax Nutrition 0.000 description 1
- 240000007175 Datura inoxia Species 0.000 description 1
- 208000035126 Facies Diseases 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- KKCBUQHMOMHUOY-UHFFFAOYSA-N Na2O Inorganic materials [O-2].[Na+].[Na+] KKCBUQHMOMHUOY-UHFFFAOYSA-N 0.000 description 1
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 description 1
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 description 1
- 241001486234 Sciota Species 0.000 description 1
- 229910052776 Thorium Inorganic materials 0.000 description 1
- 229910052770 Uranium Inorganic materials 0.000 description 1
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 229910052787 antimony Inorganic materials 0.000 description 1
- RQNWIZPPADIBDY-UHFFFAOYSA-N arsenic atom Chemical compound [As] RQNWIZPPADIBDY-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 229910052788 barium Inorganic materials 0.000 description 1
- 229910052790 beryllium Inorganic materials 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 229910052804 chromium Inorganic materials 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 229910052681 coesite Inorganic materials 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 229910052593 corundum Inorganic materials 0.000 description 1
- 229910052906 cristobalite Inorganic materials 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013501 data transformation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 229910052746 lanthanum Inorganic materials 0.000 description 1
- 229910052745 lead Inorganic materials 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- CPLXHLVBOLITMK-UHFFFAOYSA-N magnesium oxide Inorganic materials [Mg]=O CPLXHLVBOLITMK-UHFFFAOYSA-N 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 229910052758 niobium Inorganic materials 0.000 description 1
- 210000000299 nuclear matrix Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 239000011044 quartzite Substances 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 229910052682 stishovite Inorganic materials 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 229910052718 tin Inorganic materials 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 229910052905 tridymite Inorganic materials 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 229910001845 yogo sapphire Inorganic materials 0.000 description 1
- 229910052727 yttrium Inorganic materials 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
- 229910052726 zirconium Inorganic materials 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V9/00—Prospecting or detecting by methods not provided for in groups G01V1/00 - G01V8/00
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Animal Husbandry (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- General Health & Medical Sciences (AREA)
- Marine Sciences & Fisheries (AREA)
- Geophysics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明实施例公开了一种矿产探测方法，其特征在于，包括如下步骤：分析待探测区域的矿床类型，获得所述区域的成矿模型；将地质信息、遥感信息及地球化学信息输入至所述成矿模型，得到特征信息；采用插值算法、因子分析算法对所述特征信息进行优化，得到证据图层。采用预先训练的支持向量机模型，对所述特征信息进行分类预测，得到成矿探测图。本发明采用证据图层的计算，使得预测所需样本少，符合成矿预测时已知矿点少的实际地质情况；结合核函数，可进行数据维度转换，简化高维空间问题的求解难度以及加快计算速率；基于结构风险最小化原则，避免了过学习问题，泛化能力强。
Description
技术领域
本发明实施例涉及矿产探测技术领域，具体涉及一种矿产探测方法及装置。
背景技术
现代化建设中，资源供给不足已成为国家可持续发展的一大瓶颈，而金矿资源又是重中之重。黄金不仅是衡量一个国家经济实力和支付能力的象征，同时也在工业上有广泛的用途。金矿资源是发展黄金生产的基础，世界各国都十分重视金矿的勘查和开采。华北地台北缘金矿资源较为丰富，矿点约达900个，储量约为900吨，占我国黄金储量的20％左右。集宁浅覆盖区位于华北陆块北缘的乌拉山-大青山东段，具有历史演化久、建造齐全、岩浆构造活动极为复杂的特点,是进行金矿勘探的理想地区。但由于集宁地区覆盖层的存在，这会导致找矿信息在获取时存在信息的“弱缓”、“复合和叠加”、“缺失和不完整”等问题，传统的线性理论矿产探测方法在解决上述问题具有明显不足。而且随着矿产勘查工作由浅部矿向深部、隐伏矿转变，传统线性理论愈加凸显局限性。人工神经网络等非线性理论已被引入成矿探测模型研究中，并在成矿探测中取得一定成果，提高了探测水平，但在建模过程中普遍存在需求样本量大、过学习的问题。支持向量机是近些年来在统计学习理论的基础上发展起来的一种新的模式识别方法，在解决高维度、非线性、小样本等问题上具有独特优势，因此开展基于支持向量机的成矿探测是十分必要的。
支持向量机是一类按监督分类方式对数据进行二元分类的广义线性分类器。1964年，Vapnik和AlexeyY.Chervonenkis对广义肖像算法进行了进一步讨论并建立了硬边距的线性SVM。此后在二十世纪70-80年代，随着模式识别中最大边距决策边界的理论研究、基于松弛变量的规划问题求解技术的出现，和VC维(Vapnik–Chervonenkis,VC dimension)的提出，SVM被逐步理论化并成为统计学习理论的重要部分。1992年，Bernhard E.Boser、Isabelle
M.Guyon和Vapnik通过创建核函数首次得到了非线性SVM。1995年，CorinnaCortes和Vapnik提出了软边距的非线性SVM并将其应用于手写数字识别问题。SVM使用越来越广泛，基于上述原理出现了很多变种。除了传统的硬间隔、软间隔支持向量机外，又有概率SVM、LSSVM、SVR、多分类、多核、聚类、半监督支持向量机等。
近十年来，利用SVM进行成矿预测的文章主要发表在Computers&Geosciences(C&G),Natural Resources Research(NRR),Ore Geology eviews(OGR)等期刊上。Zuo和Carranza利用硬间隔支持向量机对加拿大Nova Scotia省西南部地区进行金矿预测，并把结果与模糊证据权模型进行比较。结果表明，SVM具有5％-9％更低的整体误差，13-14％更高的FPR，25-30％更低的FNR，这说明SVM是一种有效的成矿预测方法。Maysam等利用多分类支持向量机对伊朗克尔曼省进行斑岩铜矿预测，并将预测结果分为5类，根据分类结果进一步圈定成矿有利区，确定打钻地点。Twarakavi等使用少量数据创建SVR和Robust LS-SVM两种支持向量机模型，预测金矿周围水系沉积物中砷的含量，并将最终结果与ANN、IDW方法进行比较。最终结果表明SVR模型对训练样本拟合情况较好，对测试样本的拟合情况较差,SVR易受异常值影响，LS-SVM更稳定，且不论哪种SVM，效果均明显优于ANN、IDW。Rodriguez-Galiano等利用ANN、RF、RT、SVM对西班牙Rodalquilar区进行浅成热液金矿床预测。经过对比发现，在预测准确性方面，RF和SVM表现最好，ANN和RT较差。在ROC曲线中，RF、SVM的AUC可达到0.999、0.998；在对参数的敏感性中，SVM的均方误差最大，RF最稳定；对数据的依赖性中，RT下降最快，且程度最大；在可解释性方面，ANN、SVM类似于“黑箱”，不具有可解释性，而在上述三种标准表现最差的RT，可解释性最强。综合来说，RF在上述地区是表现最好。Hezarkhani和Shabankareh[38]利用SVC(本文为硬间隔支持向量机)模型并结合伊朗南部科曼铜矿带的区域尺度勘探据，进行了铜矿定量预测。Geranian等采用判别分析、支持向量机两种方法，结合地表土壤地球化学数据及钻孔数据绘制伊朗西北部萨利-谷奈金矿区域金矿潜力图。结果表明，nu-SVM最好，C-SVM次之，LDA、QDA表现相对较差。
但是，目前SVM算法还存在空间消耗较大，需要较大的计算机内存去存储训练样本和核矩阵；时间消耗多，时间消耗取决于样本量和支持向量机中的参数，参数包括不同核函数中的参数及惩罚因子；当样本量较大且所选核函数参数较多时，进行参数优化极为耗费时间；核函数及参数的选择具有主观经验性较强等问题。
发明内容
为此，本发明实施例提供一种矿产探测方法及装置，以解决现有技术中由于非线性SVM算法存在的空间消耗大、时间消耗多及核函数及参数的选择主观性强而导致的探测效率低、准确度不高等问题。
为了能够很好的解决上述技术问题，本发明实施例在利用SVM进行矿产资源定量预测时，需从研究区的矿床类型出发，建立特定类型成矿***，将主要的成矿过程用各种地物化遥特征呈现出来，在此基础上，选择适当类型的SVM模型，采用数学评价方法或与其他模型对比分析，进行综合评价，最终确定成矿远景区。此外，为提高计算效率，蚁群算法、模拟退火算法、进化算法、粒子群算法等已经用于参数选择。其具体技术方案如下：
根据本发明实施例的第一方面提供一种矿产探测方法，其特征在于，包括如下步骤：
分析待探测区域的矿床类型，获得所述区域的成矿模型；
将地质信息、遥感信息及所述地球化学信息输入至所述成矿模型，得到特征信息；
采用插值算法、因子分析算法对所述特征信息进行优化，得到证据图层。
采用预先训练的支持向量机模型，对所述特征信息进行分类预测，得到成矿探测图。
进一步地，所述支持向量机模型包括分别以线性函数、高斯函数、双曲正切函数以及朴素贝叶斯模型、逻辑回归模型为核函数的支持向量机模型。
进一步地，还包括，采用参数优化算法对所述支持向量机的参数进行优化。
进一步地，采用克里金插值算法、主成分分析算法对所述特征信息进行优化。
进一步地，所述方法还包括构建缓冲区。
根据本发明实施例的第二方面还提供一种矿产探测装置，其特征在于，包括矿床分析模块、特征信息获得模块、证据图层获得模块、成矿探测图获得模块；其中，所述矿床分析模块用于分析待探测区域的矿床类型，获得所述区域的成矿模型；所述特征信息获得模块用于将地质信息、遥感信息及所述地球化学信息输入至所述成矿模型，得到特征信息；所述证据图层获得模块用于采用插值算法、因子分析算法对所述特征信息进行优化，得到证据图层；所述成矿探测图获得模块用于采用预先训练的支持向量机模型，对所述特征信息进行分类预测，得到成矿探测图。
进一步地，所述支持向量机模型包括分别以线性函数、高斯函数、双曲正切函数以及朴素贝叶斯模型、逻辑回归模型为核函数的支持向量机模型。
进一步地，还包括，采用参数优化算法对所述支持向量机的参数进行优化。
进一步地，采用克里金插值算法、主成分分析算法对所述特征信息进行优化。
进一步地，所述方法还包括构建缓冲区。
本发明实施例具有如下优点：
本发明采用证据图层的计算，使得预测所需样本少，符合成矿预测时已知矿点少的实际地质情况；结合核函数，可进行数据维度转换，简化高维空间问题的求解难度以及加快计算速率；基于结构风险最小化原则，避免了过学习问题，泛化能力强，支持向量机比神经网络具有较好的泛化推广能力，它是一个凸优化问题，因此局部最优解一定是全局最优解的优点。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容能涵盖的范围内。
图1为本发明实施例1提供的一种矿产探测方法流程框图。
图2为本发明实施例1提供的一种矿产探测方法得到的矿产资源分布图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1是为本发明实施例1提供的一种矿产探测方法流程框图，包括如下步骤：
分析待探测区域的矿床类型，获得所述区域的成矿模型；
将地质信息、遥感信息及所述地球化学信息输入至所述成矿模型，得到特征信息；
采用插值算法、因子分析算法对所述特征信息进行优化，得到证据图层。
采用预先训练的支持向量机模型，对所述特征信息进行分类预测，得到成矿探测图。
上述分析待探测区域的矿床类型，获得所述区域的成矿模型包括如下步骤：
获取待探测区的地层信息、地质构造信息、岩浆岩特征、区域变质岩信息
综合对地层信息、地质构造信息、区域变质岩信息、赋矿地层、控矿构造、岩浆岩及其控矿进行分析，得到控矿因素；
对控矿因素进行分析，得到成矿过程与成矿模型。
上述成矿模型的获得属于本领域现有技术，在此不再赘述。
上述地质信息，包括构造、地层、矿物蚀变等；地球化学信息，包括元素异常分布等；遥感信息，包括地形地貌、蚀变提取等。对上述地质信息、遥感信息、地球化学信息进行有效提取，得到特征标志。，该过程为本领域现有技术，在此不再赘述。
采用插值算法、因子分析算法对所述特征信息进行优化，得到证据图层。具体包括：
(一)区域化探数据-异常元素组合
研究区化探数据由除东南部少量厚层沉积物覆盖地区未采样外，绝大多数地区均有涉及，共有1671个地化采样点，每个采样点包含了Ag、As、Au、B、Ba、Be、Bi、Cd、Co、Cr、Cu、F、Hg、La、Li、Mn、Mo、Nb、Ni、P、Pb、Sb、Sn、Sr、Th、Ti、U、V、W、Y、Zn、Zr、Al2O3、CaO、Fe2O3、K2O、MgO、Na2O、SiO2等39种微量元素及化合物的含量。选取Au、Ag、As、K2O四种异常元素组合，数据经检验后做IDW插值(反距离权重法)，插值栅格大小为0.5km×0.5km,栅格数据行列数分别为304×345。上述过程均在ArcGIS 10.4中完成。将元素数据栅格化后，使用GeoDAS的多重分形滤波技术(S-A)[17]，分别计算4种元素的异常及背景图解。不同地质过程会导致地球化学数据产生不同的广义自相似性，S-A滤波技术基于此，将异常元素数据通过傅里叶变换转到频率域，并在双对数图上以纵坐标为能谱密度，横坐标为累计面积绘制两者关系曲线，并基于斜率的变换将其分成背景及异常。
(二)断裂构造分析
为了更好的对该区构造信息进行提取，选取分辨率为30m的陆地卫星系列(Landsat-7、8)和ASTER数据进行大中尺度的线性构造信息解译，选取分辨率为10m的Sentinel-2、8m的GF-1、7.5m的WorldView-3 SWIR数据、2m的Google Earth数据进行小尺度线性构造信息解译。断裂构造解译结果共分为四级：
一级断裂构造展布方向主要为近北东向及北东东向，控制该区地层、矿点分布。
二级断裂构造展布方向主要为西北向及东北向，多分布于地形起伏较大的山区，可见断裂将山脊、岩层错断现象，控制该区矿点分布。
三级断裂、四级断裂广泛分布于除新生界之外的其余岩层中，延伸较短，走向变化大。总之，该区域断裂构造极为发育，区域性的断裂构造及派生断裂为成矿过程提供了良好的运输及容矿空间，且矿点的分布严格受断裂方向的控制。
大中型尺度断裂构造解译：利用中低分辨率的Landsat系列数据及ASTER对研究区整体构造体系进行构造解译。本区大尺度断裂构造主要有以下解译特征：断裂两侧影像色彩差异较大；断裂两侧地形起伏较大；河流受断裂控制，与断裂交汇处流向改变；断裂展布方向主要为近北东向及北东东向；断裂出现典型的断层标志，如断层陡崖、断层三角面等；
小尺度断裂构造解译：结合分辨率为10m的Sentinel-2、8m的GF-1、7.5m的WorldView-3 SWIR及2m的Google Earth数据对研究区内小尺度断裂构造进行了解译。高分辨率遥感影像能够显示微小地物的形态、纹理等细节，对于小尺度的遥感地质解译具有十分重要的作用。利用分辨率高达2m的Google Earth影像(真彩色影像)可以目视解译出ASTER等中低分辨率无法体现的矿脉破碎带等细节信息。
小尺度断裂主要位于地形起伏较大的山区，沿NE、NW向展布，影像主要表现为线状色调异常、直线状陡坎、山脊错断、河谷异常、岩层错断、岩层异常等特点。由控矿因素分析可知，金矿的形成和分布严格受断裂方向的限制，各级断裂方向各异，很难确定在不同级别的断裂中，金矿与哪个方向断裂关系最为密切，所以需要将不同级别断裂划分为不同方向。首先，根据遥感解译图像，将不同级别断裂区分开，进而利用各条断裂始末坐标求其斜率，依次将不同级别断裂分为WN、NW、NE、EN四个方向，该部分由笔者编写的Python脚本在PyCharm中完成。(注：本应分为六个方向，还应包括EW、NS方向，但实际计算过程中不存在该方向斜率)。
无论是一级断裂还是二级断裂，金矿点分布与EN向断裂关系最为密切，且研究区右侧金矿点本身具有EN向分布的趋势。通过对比EN向一、二级断裂，即可发现每个金矿点附近都发育EN向二级断裂，而EN向一级断裂仅出露在右侧矿点周围，因此提取EN向二级断裂作为构造控制的证据图层。
(三)各年代火成岩与前寒武纪地层接触带
该区含金建造地层均为前寒武纪地层，主要包括太古界桑干群长石石英岩组、太古界桑干群片麻岩组、太古界葛胡窑组、太古界黄土窑组，还包括少量的太古界集宁群片麻岩组。所有金矿均分布在前寒武纪地层中，且大多分布在地层边部，少量分布在地层内部，即便在地层内部，其周围也有大量岩脉侵入。葛胡窑组地层出露面积最大，分布最为广泛。
研究区侵入到前寒武纪地层的火成岩种类多、分布广、多时代、多期次。因此若以种类为分组依据将每种岩浆岩都提取出来，则十分繁琐，且不同类别岩浆岩含量不同，部分仅出露极小部分，与成矿关系不大。所以按照年代划分不同期次的岩浆岩，共提取早古生代、二叠纪、侏罗纪、白垩纪等4个不同时间段的岩浆岩。金矿床(点)大多分布在葛胡窑组与岩浆岩接触带附近，因此提取葛胡窑组与各年代岩浆岩接触线作为地层-岩浆控制的证据图层。
(四)岩脉的提取及方向的划分
研究区内中生代的石英斑岩脉金矿床(点)在空间关系极为密切，如下图所示。绝大多数金矿床(点)周围均有石英斑岩脉，而且严格受脉体的走向控制，且主要与NW向有关。因此提取石英斑岩脉体NW向作为证据图层。
在对证据图层进行分类之前，本发明可选实施例还包括矿点的选择、缓冲区的建立和分析、数据变换。具体内容如下：
1、矿点的选择
选取研究区已存的19个矿点作为金矿点。金矿点间最远距离约70km,这表明以金矿点位中心，70km为半径做缓冲区，则一定有另一个金矿点在该缓冲区内。然而仅仅极少量区域在该缓冲区外。通过计算金矿点对间的距离，发现90％金矿点对间的距离在13km内，所以以该距离为半径做缓冲区，这样能保证在缓冲区内有90％概率有另一金矿点。在缓冲区外的区域选择非矿点时需要遵循以下四个原则：1)非矿点在研究区内是随机分布的，而且不同于金矿点的集中分布，非矿点要分散开；2)非矿点距离矿点应足够远(通过上述距离分析，则可保证足够远)；3)非矿点尽量含有较多类型的特征值；4)金矿点和非矿点的数量需相等。
2、缓冲区分析
上述提取的断裂构造、岩体与地层接触带、岩脉均为线性构造，需要进行缓冲区分析。通常做法是逐步增大缓冲区距离，查看距离增大到何值时可包含绝大多数矿点，并将该值作为最佳缓冲区距离。另一种思路是根据所采用的模型来选择出最佳缓冲距离，例如证据权法。无论是哪种方法，在确定好最佳距离后，例如距离为10km,>10km的所有区域均为0，<10km的所有区域均为1，但线性构造对10km及20km的影响程度显然是不同的，会丢失部分信息，而且上述提取的元素奇异性值是连续变量，将其卡一阈值划分为0或1也是十分困难的，若线性构造均为0或1，而奇异性值为连续变量，这样数据结构显然是有问题的。因此本文采用类似“多重缓冲区”的方法，利用ArcGIs10.4的空间分析工具箱中距离模块的欧式距离工具，计算栅格数据中各个栅格到线性构造的最短距离。下图展示了东北向二级断裂、葛胡窑组与岩浆岩接触线、北西向石英斑岩脉经欧式距离工具处理后的效果。
3、数据变换
通过上述操作，我们已提取各个特征。在进行栅格化操作后，得到的是未经处理的特征，存在不属于同一量纲的问题，即特征的数量级不同，比如地球化学元素的奇异性值，在0左右上下浮动，而距离线性构造的距离最大可达上万。所以各个特征间数量级差异巨大，若直接将未处理的特征带入模型训练，会产生元素证据图层对最终结果影响极小的问题。常见的无量纲化有区间放缩法和标准化法。通过计算各特征的标准差和均值可将数据标准化。区间放缩法变种较多，常见的利用两端最值。Python开源库sklearn中preproccessing库可实现上述两种方法。SVM常用标准化法，通过变化使各特征均值为0，标准差为1，在后续矩阵相乘时可加快计算速度。
标准化法：
u为均值，s为标准差
区间缩放法：
需要说明的是本申请上述支持向量机模型包括分别以线性函数、高斯函数、双曲正切函数以及朴素贝叶斯模型、逻辑回归模型为核函数的支持向量机模型。采用克里金插值算法、主成分分析算法对所述特征信息进行优化。采用蚁群算法、模拟退火算法、进化算法、粒子群算法等算法对所述支持向量机的参数进行优化。
支持向量机基本原理，在矿产资源定量预测领域，应用最多的为-SVM(软间隔)，SVR、概率SVM、LSSVM、多分类、多核、聚类、半监督支持向量机等，优选的，本申请采用软间隔SVM，并结合核函数进行金矿预测。
成矿探测图的获得包括如下内容：
矿点与非矿点各有19个，首先，将样本点按照7：3的比例分成训练集和测试集，在此过程中也保证训练集和测试集内矿点与非矿点数均相等。然后选取Au、Ag、As、K2O四种元素各自经多重分形滤波(S-A)产生的背景和异常以及EN向二级断裂、葛胡窑组与岩浆岩接触线、NW向石英斑岩脉共11个证据图层，将训练样本依次带入线性、高斯、双曲正切SVM以及朴素贝叶斯模型、逻辑回归模型。除朴素贝叶斯模型外，其余模型均采用网格搜索和5折交叉验证优化参数，然后将测试集带入各个模型，检验模型准确率。
检验模型准确率包括如下内容：
(一)朴素贝叶斯法
朴素贝叶斯法是基于条件独立性假设和贝叶斯定理与的分类方法。其包含以下三个基本
公式：
条件独立公式：若A、B相互独立，则
P(A,B)＝P(A)P(B) (1)
条件概率公式：P(AB)＝P(A|B)P(B)＝P(B|A)P(A) (2)
全概率公式：
由上述公式易得贝叶斯公式。本文样本特征为连续值，因此采用先验为高斯分布的朴素贝叶斯算法。
(三)逻辑回归
逻辑回归是一种广义线性回归的分类算法。公式如下：
Y是决策值，e为自然对数，x为特征值，θ为权重。Y(x)为近似S形曲线，两侧较缓，中心变陡。将各特征带入公式，带入训练样本基于最大似然概率即可求出权重值。通过确定一阈值Y，将预测点带入公式即可用于分类。
(四)参数优化
在使用网格搜索过程中，将参数C范围设置为0.01-10，以0.01为间隔不断枚举，每个参数有1000个值，即0.01、0.02、0.03、0.04……
最终参数优化结果：
线性SVM：C＝0.1，P(训练集)＝93％P(验证集)＝92％
高斯径向基函数(RBF)：C＝1,γ＝0.03，P(训练集)＝100％P(验证集)＝92％
双曲正切核函数(Sigmoid)：C＝1，γ＝0.01，P(训练集)＝100％P(验证集)＝92％
逻辑回归模型(Logistic):C＝3,P(训练集)＝99％P(验证集)＝92％
朴素贝叶斯模型(WofE)：无参数优化，P(训练集)＝96％P(验证集)＝93％
最终将研究区所有数据集带入模型进行成矿预测，生成矿产资源分布图2所示：
需要注意的是：SVM本身为一分类模型，不具备计算概率的功能，下图SVM模型计算结果为各个点到超平面的距离，由第四章第二节SVM原理易知，正值越高，反映其成矿几率越大，负值越低，反映其成矿几率越小。
(四)模型分析
从预测概率角度来看，五种模型的P(训练集)、P(测试集)相差无几。由矿产资源潜力分布图与区内已知金矿点叠加效果可知，无论是哪种方法生成的潜力图，大多数金矿点都分布在高值或其附近，但在朴素贝叶斯模型中，存在高值地区面积太大，难以精确圈定靶区的问题。由累计预测矿床数与累计预测面积比例可知，证据权模型亦相对较差，其余四种模型结果比较接近。高斯核SVM结果相对最好，在初期曲线接近笔直，说明其用较小的面积即可涵盖大多数金矿点。上述对比结果表明，无论从概率还是预测面积角度，线性、高斯、双曲正切核函数的SVM模型逻辑回归模型相差无几，且均优于证据权模型。这表明支持向量机这表明支持向量机是一种良好的成矿预测方法，具有广泛的应用前景。
本发明实施例具有如下优点：
本发明采用证据图层的计算，使得预测所需样本少，符合成矿预测时已知矿点少的实际地质情况；结合核函数，可进行数据维度转换，简化高维空间问题的求解难度以及加快计算速率；基于结构风险最小化原则，避免了过学习问题，泛化能力强，支持向量机比神经网络具有较好的泛化推广能力，它是一个凸优化问题，因此局部最优解一定是全局最优解的优点。
根据本发明实施例的第二方面还提供一种矿产探测装置，其特征在于，包括矿床分析模块、特征信息获得模块、证据图层获得模块、成矿探测图获得模块；其中，所述矿床分析模块用于分析待探测区域的矿床类型，获得所述区域的成矿模型；所述特征信息获得模块用于将地质信息、遥感信息及所述地球化学信息输入至所述成矿模型，得到特征信息；所述证据图层获得模块用于采用插值算法、因子分析算法对所述特征信息进行优化，得到证据图层；所述成矿探测图获得模块用于采用预先训练的支持向量机模型，对所述特征信息进行分类预测，得到成矿探测图。
进一步地，所述支持向量机模型包括分别以线性函数、高斯函数、双曲正切函数以及朴素贝叶斯模型、逻辑回归模型为核函数的支持向量机模型。
进一步地，还包括，采用参数优化算法对所述支持向量机的参数进行优化。
进一步地，采用克里金插值算法、主成分分析算法对所述特征信息进行优化。
进一步地，所述方法还包括构建缓冲区。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
Claims (10)
1.一种矿产探测方法，其特征在于，包括如下步骤：
分析待探测区域的矿床类型，获得所述区域的成矿模型；
将地质信息、遥感信息及地球化学信息输入至所述成矿模型，得到特征信息；
采用插值算法、因子分析算法对所述特征信息进行优化，得到证据图层；
采用预先训练的支持向量机模型，对所述特征信息进行分类预测，得到成矿探测图。
2.根据权利要求1所述的方法，其特征在于，所述支持向量机模型包括分别以线性函数、高斯函数、双曲正切函数以及朴素贝叶斯模型、逻辑回归模型为核函数的支持向量机模型。
3.根据权利要求1所述的方法，其特征在于，还包括，采用参数优化算法对所述支持向量机的参数进行优化。
4.根据权利要求1所述的方法，其特征在于，采用克里金插值算法、主成分分析算法对所述特征信息进行优化。
5.根据权利要求1所述的方法，其特征在于，所述方法还包括构建缓冲区。
6.一种矿产探测装置，其特征在于，包括矿床分析模块、特征信息获得模块、证据图层获得模块、成矿探测图获得模块；其中，所述矿床分析模块用于分析待探测区域的矿床类型，获得所述区域的成矿模型；所述特征信息获得模块用于将地质信息、遥感信息及地球化学信息输入至所述成矿模型，得到特征信息；所述证据图层获得模块用于采用插值算法、因子分析算法对所述特征信息进行优化，得到证据图层；所述成矿探测图获得模块用于采用预先训练的支持向量机模型，对所述特征信息进行分类预测，得到成矿探测图。
7.根据权利要求6所述的装置，其特征在于，所述支持向量机模型包括分别以线性函数、高斯函数、双曲正切函数以及朴素贝叶斯模型、逻辑回归模型为核函数的支持向量机模型。
8.根据权利要求6所述的装置，其特征在于，还包括，采用参数优化算法对所述支持向量机的参数进行优化。
9.根据权利要求6所述的装置，其特征在于，采用克里金插值算法、主成分分析算法对所述特征信息进行优化。
10.根据权利要求6所述的装置，其特征在于，还包括构建缓冲区。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910580023.7A CN110264016A (zh) | 2019-06-28 | 2019-06-28 | 一种矿产探测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910580023.7A CN110264016A (zh) | 2019-06-28 | 2019-06-28 | 一种矿产探测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110264016A true CN110264016A (zh) | 2019-09-20 |
Family
ID=67923191
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910580023.7A Withdrawn CN110264016A (zh) | 2019-06-28 | 2019-06-28 | 一种矿产探测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110264016A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111753467A (zh) * | 2020-06-23 | 2020-10-09 | 中山大学 | 矿产结果预测方法、装置、计算机设备及存储介质 |
| CN111859811A (zh) * | 2020-07-30 | 2020-10-30 | 中国地质科学院矿产资源研究所 | 一种基于模糊逻辑和机器学习的成矿预测方法及*** |
| CN112364303A (zh) * | 2020-11-12 | 2021-02-12 | 中国地质科学院矿产资源研究所 | 一种基于地球化学数据的找矿靶区圈定方法及*** |
| CN112382349A (zh) * | 2020-11-10 | 2021-02-19 | 中国石油大学(华东) | 一种判别玄武岩起源于emⅰ型或emⅱ型地幔的方法 |
| CN112711646A (zh) * | 2021-01-11 | 2021-04-27 | 中国地质大学（北京） | 基于地学信息的找矿方法及装置、电子设备、存储介质 |
| CN112818603A (zh) * | 2021-02-06 | 2021-05-18 | 中国科学院新疆生态与地理研究所 | 自适应选择最优成矿预测要素的方法、终端及存储介质 |
| CN113627657A (zh) * | 2021-07-23 | 2021-11-09 | 核工业北京地质研究院 | 一种使用机器学习模型的砂岩型铀成矿有利区预测方法 |
| CN116665067A (zh) * | 2023-08-01 | 2023-08-29 | 吉林大学 | 基于图神经网络的找矿靶区优选***及其方法 |
-
2019
- 2019-06-28 CN CN201910580023.7A patent/CN110264016A/zh not_active Withdrawn
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111753467B (zh) * | 2020-06-23 | 2023-08-22 | 中山大学 | 矿产结果预测方法、装置、计算机设备及存储介质 |
| CN111753467A (zh) * | 2020-06-23 | 2020-10-09 | 中山大学 | 矿产结果预测方法、装置、计算机设备及存储介质 |
| CN111859811B (zh) * | 2020-07-30 | 2021-03-16 | 中国地质科学院矿产资源研究所 | 一种基于模糊逻辑和机器学习的成矿预测方法及*** |
| CN111859811A (zh) * | 2020-07-30 | 2020-10-30 | 中国地质科学院矿产资源研究所 | 一种基于模糊逻辑和机器学习的成矿预测方法及*** |
| CN112382349B (zh) * | 2020-11-10 | 2022-03-25 | 中国石油大学(华东) | 一种判别玄武岩起源于emⅰ型或emⅱ型地幔的方法 |
| CN112382349A (zh) * | 2020-11-10 | 2021-02-19 | 中国石油大学(华东) | 一种判别玄武岩起源于emⅰ型或emⅱ型地幔的方法 |
| CN112364303B (zh) * | 2020-11-12 | 2021-07-06 | 中国地质科学院矿产资源研究所 | 一种基于地球化学数据的找矿靶区圈定方法及*** |
| CN112364303A (zh) * | 2020-11-12 | 2021-02-12 | 中国地质科学院矿产资源研究所 | 一种基于地球化学数据的找矿靶区圈定方法及*** |
| CN112711646A (zh) * | 2021-01-11 | 2021-04-27 | 中国地质大学（北京） | 基于地学信息的找矿方法及装置、电子设备、存储介质 |
| CN112711646B (zh) * | 2021-01-11 | 2023-05-16 | 中国地质大学（北京） | 基于地学信息的找矿方法及装置、电子设备、存储介质 |
| CN112818603A (zh) * | 2021-02-06 | 2021-05-18 | 中国科学院新疆生态与地理研究所 | 自适应选择最优成矿预测要素的方法、终端及存储介质 |
| CN112818603B (zh) * | 2021-02-06 | 2023-11-24 | 中国科学院新疆生态与地理研究所 | 自适应选择最优成矿预测要素的方法、终端及存储介质 |
| CN113627657A (zh) * | 2021-07-23 | 2021-11-09 | 核工业北京地质研究院 | 一种使用机器学习模型的砂岩型铀成矿有利区预测方法 |
| CN116665067A (zh) * | 2023-08-01 | 2023-08-29 | 吉林大学 | 基于图神经网络的找矿靶区优选***及其方法 |
| CN116665067B (zh) * | 2023-08-01 | 2023-10-03 | 吉林大学 | 基于图神经网络的找矿靶区优选***及其方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110264016A (zh) | 一种矿产探测方法及装置 | |
| Chen et al. | Landslide spatial modeling: Introducing new ensembles of ANN, MaxEnt, and SVM machine learning techniques | |
| Chen et al. | Landslide susceptibility modeling based on ANFIS with teaching-learning-based optimization and Satin bowerbird optimizer | |
| Carranza et al. | Selection of coherent deposit-type locations and their application in data-driven mineral prospectivity mapping | |
| He et al. | Application of kernel-based Fisher discriminant analysis to map landslide susceptibility in the Qinggan River delta, Three Gorges, China | |
| CN108416686A (zh) | 一种基于煤炭资源开发的生态地质环境类型划分方法 | |
| Xiong et al. | Effects of misclassification costs on mapping mineral prospectivity | |
| Li et al. | Prospectivity mapping for tungsten polymetallic mineral resources, Nanling metallogenic belt, south China: Use of random forest algorithm from a perspective of data imbalance | |
| Saljoughi et al. | A comparative analysis of artificial neural network (ANN), wavelet neural network (WNN), and support vector machine (SVM) data-driven models to mineral potential mapping for copper mineralizations in the Shahr-e-Babak region, Kerman, Iran | |
| Saha et al. | Modeling gully erosion susceptibility in Phuentsholing, Bhutan using deep learning and basic machine learning algorithms | |
| CN112652066B (zh) | 一种基于三维地质模型的地质表征情况的评价方法及*** | |
| Adel et al. | Geochemical behavior investigation based on k-means and artificial neural network prediction for titanium and zinc, Kivi region, Iran | |
| Xiongyan et al. | Computational intelligent methods for predicting complex ithologies and multiphase fluids | |
| Liu et al. | Developments in quantitative assessment and modeling of mineral resource potential: an overview | |
| Cao et al. | Detection of geochemical anomalies related to mineralization using the Random Forest model optimized by the Competitive Mechanism and Beetle Antennae Search | |
| Chen et al. | Global oceanic eddy identification: A deep learning method from argo profiles and altimetry data | |
| Chudasama et al. | Target-scale prospectivity modeling for gold mineralization within the rajapalot Au-Co project area in northern Fennoscandian Shield, Finland. Part 1: application of knowledge-driven-and machine learning-based-hybrid-expert systems for exploration targeting and addressing model-based uncertainties | |
| CN113902861A (zh) | 一种基于机器学习的三维地质建模方法 | |
| Zhao et al. | Hydrogeochemical characterization and suitability assessment of groundwater in a typical coal mining subsidence area in China using self-organizing feature map | |
| Ding et al. | Siamese network based prospecting prediction method: A case study from the Au deposit in the Chongli mineral concentrate area in Zhangjiakou, Hebei Province, China | |
| CN105005649A (zh) | 一种进行潜在地下水分布制图的方法 | |
| Zhao et al. | Application of AdaBoost algorithms in Fe mineral prospectivity prediction: A case study in Hongyuntan–Chilongfeng mineral district, Xinjiang Province, China | |
| Chen et al. | A high-performance voting-based ensemble model of graph convolutional extreme learning machines for identifying geochemical anomalies related to mineralization | |
| Liu et al. | Mineral prospectivity mapping using machine learning techniques for gold exploration in the Larder Lake area, Ontario, Canada | |
| Mishra et al. | Rainfall prediction using gaussian process regression classifier |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20190920 |