礦區(qū)深部隱伏礦體三維可視化預測方法

毛先成， 張苗苗， 鄧　浩， 鄒艷紅， 陳　進

(1.有色金屬成礦預測與地質環(huán)境監(jiān)測教育部重點實驗室，湖南長沙410083； 2.中南大學地球科學與信息物理學院，湖南長沙410083)

?

礦區(qū)深部隱伏礦體三維可視化預測方法

毛先成1,2， 張苗苗1,2， 鄧浩1,2， 鄒艷紅1,2， 陳進1,2

(1.有色金屬成礦預測與地質環(huán)境監(jiān)測教育部重點實驗室，湖南長沙410083； 2.中南大學地球科學與信息物理學院，湖南長沙410083)

針對深部隱伏礦定位難題，經多年研究，提出以定位模型-成礦信息-三維預測為主線的隱伏礦體三維可視化預測方法。礦體定位概念模型實現成礦規(guī)律到礦化分布規(guī)律的轉換，獲得礦體空間定位量化指標；采用形態(tài)分析、距離場或緩沖區(qū)分析、蝕變場分析等空間分析方法，分析和定量提取成礦信息指標；采用非線性多元回歸、三維模糊證據權等方法，建立礦體三維預測模型，對深部立體單元的品位、金屬量和含礦性進行預測。以安徽銅陵鳳凰山銅礦和金川銅鎳硫化物礦床為例，展開礦區(qū)深部三維可視化預測研究。結果顯示，該方法能夠適用于不同類型礦床的深部找礦工作，對于深部找礦具有重要意義。

隱伏礦體；定位概念模型；成礦信息；三維可視化預測；安徽銅陵；甘肅金川

0　引　言

隨著經濟和社會的發(fā)展，人類對礦產資源的需求量日益增加，同時易于找尋的露頭礦、近地表礦日趨減少,一批20世紀五六十年代建設投產的大中型礦山保有儲量逐漸枯竭，多數已進入危機礦山行列。通過對國內外礦山的勘探情況和現行探采技術分析，我國大多數礦山深部仍具有巨大的找礦潛力(趙鵬大等，2004)，因此尋找深部第二成礦空間成為促進礦山找礦工作新突破的重要途徑。

礦產資源定量評價始于20世紀50年代(Allais，1957)，經歷了起步、發(fā)展、成熟等階段后，目前已進入科學化、定量化和數字化階段。在起步和發(fā)展階段，各國進行了廣泛、大量的預測評價理論方法研究和應用(Harris,1969；Sinclair et al., 1970；Agterberg, 1971)，礦產資源定量預測與評價逐步趨于完善和實用，突出性代表成果是：國際地科聯(lián)IGCP98專題推出的6種礦產資源定量預測方法，國內外通用的礦床統(tǒng)計預測理論及方法(趙鵬大等，1994；Agterberg，1974；Zhao，1992)，美國地質調查局提倡的“三步式”資源評價法(Singer，1993)，我國學者提出的綜合信息預測(王世稱等，1989，2000)和地質異常致礦理論(趙鵬大等，1991，1993)。

20世紀90年代，隨著GIS相關理論及方法的蓬勃發(fā)展，GIS技術在地學領域的廣泛應用，形成了以空間數據庫和GIS空間分析為技術支撐、以多元地學空間數據集成-多元成礦信息提取與融合-礦產資源潛力制圖為核心流程的礦產資源數字化預測評價體系(肖克炎等，2000；葉天竺等，2007；Agterberg et al.，1993；Bonham-Carter et al.，1995；Harris et al.，2000，2007；Asadi et al.，2001；Kemp et al., 2001；Porwal et al., 2010)，其理論和方法已成為目前開展礦產資源預測與評價的主流方法，廣泛應用于區(qū)域礦產資源遠景預測評價工作中。

然而，上述礦產資源定量評價方法的形成和發(fā)展主要源于中小比例尺的全球性和區(qū)域性礦產預測評價，工作范圍大多屬于2維或2.5維，因此難以適應和滿足大型礦山可接替資源找礦向深邊部三度空間發(fā)展的要求。為了將礦產資源定量評價理論和方法有效地應用于大型礦山深部找礦預測，需要在上述理論和方法的基礎上，發(fā)展真三維的三維地質建模、空間分析和非線性預測技術，以達到礦山深部的隱伏礦體立體定位定量預測要求。三維地質建模技術的日臻成熟與實用(Houlding，1992，1994)，為礦產資源定量評價的三維化奠定了技術基礎。目前，基于三維地質建模技術的三維成礦預測方法正在逐步發(fā)展成為深部資源的關鍵技術與方法(陳建平等，2007；毛先成等，2010；肖克炎等，2012；袁峰等，2014)。

針對礦山深部隱伏礦體立體定位定量預測的要求，在以往研究積累(毛先成等，1988a，1988b；毛先成，2006)的基礎上，提出基于三維地質建模和三維空間分析的礦區(qū)深部隱伏礦體三維可視化預測方法與技術框架。此方法已在安徽銅陵鳳凰山銅礦、福建丁家山鉛鋅礦床、山東大尹格莊金礦和夏甸金礦、廣西田林—大新錳礦、甘肅金川銅鎳礦深部找礦預測工作中得到了應用，并取得了良好的效果。

1　方法與模型

為實現礦區(qū)深部隱伏礦體三維可視化預測，首先要實現地質數據集成和成礦規(guī)律分析，形成地質數據庫及礦體定位概念模型，分別為預測提供數據和知識驅動。基于已建地質數據庫，利用三維地質建模技術建立三維地質體模型；在成礦概念模型指導下，基于三維地質體模型，采用三維地質體形態(tài)分析、距離場分析等空間分析技術定量提取成礦信息，分析成礦信息和礦化分布間的關聯(lián)關系；最終構建反映找礦變量到礦化變量映射關系的三維預測模型，實現對預測區(qū)三維空間中礦化分布的三維定量預測。

1.1礦體定位概念模型

礦體定位概念模型實現礦床對象的成礦環(huán)境、成礦規(guī)律到礦化分布規(guī)律的轉換，指導三維成礦信息分析和礦體空間定位量化指標提取，為礦區(qū)深部隱伏礦體三維可視化預測提供知識驅動。依據礦床的成礦模式和成礦規(guī)律，分析控礦地質條件和礦化富集規(guī)律，歸納礦體定位規(guī)律，形成礦體定位概念模型。成礦信息包括控制礦床礦體定位與分布的主要地質因素及相關地質體和找礦標志。表1所示概念模型列出了控制礦體空間定位的常見地質體與控礦因素及其分析方法和表達模型。

表1　礦體定位概念模型

1.2礦床三維地質建模

礦床三維地質模型是揭示地質體空間分布規(guī)律、實現成礦信息定量提取的前提和基礎。現有的地質體三維模型構建方法主要是利用鉆孔數據、勘探剖面、地震資料等數據進行三維建模，尤其是在研究程度較高的礦區(qū)，采用鉆孔數據和勘探剖面進行地質體三維建模能實現對地質體表面形態(tài)和內部屬性的精細表達。

三維地質體模型主要包括線框模型和塊體模型，線框模型能直觀地顯示地質體三維形態(tài)，便于數據更新，但無法表示地質體內部屬性，且不便于進行空間分析；塊體模型則支持地質體內部屬性描述和真三維表達。圖1為新屋里巖體的線框模型和塊體模型。

圖1　新屋里巖體線框模型(a)和塊體模型(b)Fig.1　Wireframe model (a) and block model (b) of the Xinwuli rock mass

1.3成礦信息三維空間分析

成礦信息三維空間分析的目的是提取可以用于指導找礦的空間信息(即成礦信息)。成礦信息的定量提取是以地質體三維模型為數據基礎，以礦體的空間分布特征和成礦地質條件等地質知識和經驗為指導，將定性的控礦因素進行定量表達，從統(tǒng)計角度分析地質因素對礦化空間分布的影響，從而為成礦預測模型的建立提供數據。

1.3.1地質體三維形態(tài)分析礦化空間分布通常在一定程度上受到相關地質體形態(tài)的影響和控制，本次研究采用空間分析的方法提取形態(tài)控礦指標(毛先成等，2010)。為了實現各類超覆、彎曲等復雜地質體的趨勢、凹凸和起伏程度的定量提取，框架采用一種基于數學形態(tài)學與歐氏距離變換的地質體三維形態(tài)分析方法，具體步驟如下。

(1) 以A代表地質體對象，Bball代表球形結構元素(球體具有各向同性的特點),采用形態(tài)濾波對地質體進行濾波變換，獲取平滑的趨勢形態(tài)(圖2)，變換后的地質體輪廓光滑程度取決于球形結構元素的半徑，形態(tài)濾波變換可表達為：

開閉濾波：

ψ(A)=A°Bball·Bball

(1)

閉開濾波：

ψ(A)=A·Bball°Bball

(2)

圖2　新屋里巖體原始(a)和趨勢形態(tài)(b)柵格模型Fig.2　Raster models of original (a) and trend shape (b) of the Xinwuli rock mass

(2) 通過對原始地質體A和趨勢形態(tài)ψ(A)進行全局集合運算(式3、4)，可得到地質體的外凸部分集合Dpeak(A)和內凹部分集合Dvalley(A)，如圖3所示。

凸部分：

(3)

凹部分：

(4)

圖3　新屋里巖體外凸(a)和內凹(b)柵格模型Fig.3　Raster models for convex part (a) and concave part (b) of the Xinwuli rock mass

(3) 基于趨勢-剩余分析方法的思想，在提取地質體趨勢與凹凸部分的基礎上，借助歐氏距離變換實現地質體表面起伏程度的定量提取。

在此基礎上，為實現多個尺度下的定量分析，可以通過改變球形結構元素的半徑，由上述步驟(1)—(3)完成多級形態(tài)指標的提取(圖4)。

圖4　新屋里巖體形態(tài)因素柵格模型Fig.4　Raster models showing morphological factors of the Xinwuli rock mass(a) first level undulation; (b) second level undulation

1.3.2控礦因素距離場分析地質體之間的距離或地質空間中某點到地質體的距離，可以表示地質體之間的空間臨近性，并反映地質體對成礦空間中某點的影響(毛先成等，2010)。通過距離場分析，建立斷層距離場、巖體熱力場等場模型。將點到地質體的距離定義為兩者之間的最近距離，選擇歐氏距離作為控礦因素距離場的空間度量。

在基于柵格數據的空間分析中，立體單元到地質體的最近距離就是尋求立體單元中心到地質體塊體距離集合的最小值，求取該距離最簡單的方法是對空間中所有點進行距離量算，找出其中距離最小的點。當研究柵格數目十分巨大時，需要大量的距離量算，使得計算查找速度非常緩慢，但是，通過距離變換能夠實現快速的距離量算。利用藺宏偉等(2003)提出的三維帶符號的歐氏距離變換(3-SEDT)算法來實現距離變換，以快速計算出每一個立體單元到地質體的最近距離，圖5給出了安徽銅陵鳳凰山橫向張性斷層因素和巖體熱力場因素的柵格模型。

圖5　鳳凰山礦田控礦因素距離場Fig.5　Distance field of the ore-controlling factors in the Fenghuangshan ore field(a) transverse tensile fault factors; (b) thermal field factors of rock mass

1.3.3圍巖蝕變的蝕變場強分析成礦過程伴隨不同程度的圍巖蝕變，因而蝕變帶可在某種程度上反映礦體的空間分布規(guī)律，蝕變帶場強反映了蝕變對礦化立體單元的影響程度。對于任意一個礦化立體單元Mi，它受到周圍所有蝕變立體單元N的影響，這種影響程度的強弱受二者距離約束，因此可在一定的球形范圍內，采用按距離加權的場來描述礦化立體單元的蝕變場指標。具體來說：設在一定范圍內，有m個蝕變帶立體單元，每個立體單元的蝕變場按照以下方法計算：(1) 礦化立體單元與蝕變立體單元重合，即該礦化立體單元為蝕變立體單元，場強為該立體單元的蝕變強度與周圍加權蝕變場強的累加。(2) 未重合的立體單元直接按距離平方反比法，對其蝕變強度進行加權。

(5)

式(5)中，M1為礦化立體單元與蝕變立體單元重合立體單元，i1為礦化立體單元與蝕變立體單元重合立體單元的蝕變強度，j為緩沖區(qū)內蝕變立體單元編號，m為緩沖區(qū)內蝕變立體單元個數，ij為蝕變帶立體單元的蝕變強度，N為緩沖區(qū)內所有蝕變立體單元集合，dj為礦化立體單元離蝕變帶立體單元的歐氏距離。圖6為大尹格莊金礦蝕變帶場強因素模型。

圖6　大尹格莊金礦蝕變帶場強因素Fig.6　Field intensity factors of alteration zones in the Dayin′gezhuang gold deposit

1.4三維預測建模

預測模型可定量揭示地質空間中找礦指標與成礦信息之間的關聯(lián)關系，另一方面，可以實現對研究區(qū)域內分布的隱伏礦體進行定位定量預測。礦化指標包括立體單元平均品位、金屬量以及含礦性指標，由于含礦性指標在地質意義上是指在單元內找到工業(yè)礦體的概率，與品位及金屬量指標計算方法不同，因此可分別建立不同的預測模型對立體單元的品位、金屬量和含礦性指標進行估值預測。采用非線性多元回歸模型建立品位及金屬量預測模型，利用三維模糊證據權模型計算立體單元含礦性指標。

1.4.1非線性多元回歸模型非線性多元回歸模型通過描述體元的單個成礦信息與品位、金屬量之間的關系，提取出與礦化指標呈線性關聯(lián)關系的找礦信息指標，最后建立找礦指標與礦化指標間的多元線性回歸模型。

成礦信息指標非線性變換方法為：(1) 計算地質空間范圍內已知立體單元的礦化指標和成礦信息指標值，生成單個成礦信息指標與礦化指標關系的散點圖；(2) 以散點圖為依據，構建礦化指標與之間成礦信息指標的非線性變換的數學模型；(3) 根據非線性變換模型對成礦信息指標進行非線性變換，得到與礦化指標線性相關的新的找礦信息指標。

礦化指標與找礦信息指標的關聯(lián)關系，在數學上可以表達為找礦信息變量空間到礦化變量空間的映射，其函數化表達模型為MV=f(GV)，MV為礦化變量空間，GV為找礦信息變量空間。由于找礦信息指標與礦化指標具有顯著的線性相關性，所以該模型MV=f(GV)可以實例化為多元線性回歸模型：

(6)

式(6)中，MVk為MV中的礦化變量，GVj為GV中的找礦信息指標，Bk0，Bk1，…，Bkp為線性函數的待求參數，ε為期望值為零的隨機變量。參數Bk0，Bk1，…，Bkp可通過對GV和MV在地質空間控制區(qū)域中離散化單元的量化數據進行多元線性回歸分析獲得。

1.4.2三維模糊證據權模型三維模糊證據權模型是普通證據權的改進模型，它將傳統(tǒng)二維證據權法擴展到三維空間中，并通過“模糊度”概念將原來二值化的證據因子變?yōu)橐粋€模糊集合，該模型計算得到的后驗概率可作為立體單元的含礦性指標。

假設地質空間包含n個等體積的立方體單元，其中有D個含礦單元，含礦單元賦值為1，不含礦單元賦值為0。假設共有n個證據因子，將證據因子Aj(j=1,2,3,…,n)的屬性值分為mj個區(qū)間類，立體單元k的后驗概率計算過程如下。

(1) 計算正、負權重值及差值C:

(7)

(8)

(2) 計算模糊權重值:

(9)

式中，j=1,2,3,…,n;t=1,2,3,…,mj;Ujt(x)通過對每一個證據因子的Cjt歸一化求得。

(3) 計算后驗概率。對于n個證據因子，研究區(qū)任一單元k為含礦單元的可能性優(yōu)劣比的對數表示：

(10)

式(10)中，j=1,2,3,…,n;t=1,2,3,…,mj;k=1,2,3，…,n。立體單元k的后驗概率P為：

(11)

2　應用實例

基于礦區(qū)深部隱伏礦體三維預測可視化方法，以安徽銅陵鳳凰山銅礦和金川銅鎳硫化物礦床為例，開展礦區(qū)深部三維可視化成礦預測研究。

2.1安徽銅陵鳳凰山銅礦三維預測

安徽銅陵鳳凰山銅礦是長江中下游多金屬成礦帶中典型的矽卡巖型銅礦礦床，位于新屋里巖體西部，礦區(qū)主礦體呈似板狀和不規(guī)則透鏡狀產出于新屋里巖體與三疊系灰?guī)r的接觸帶。眾所周知，巖漿巖是矽卡巖型礦床中的重要成礦地質條件，新屋里巖體既是鳳凰山銅礦的成礦母巖，又為成礦熱液的運移提供持久的動力，還影響了局部應力場。構造條件上，礦區(qū)成礦作用受區(qū)域和局部應力場共同控制，尤其是巖漿上侵時形成的相關構造。接觸帶構造被認為是礦區(qū)最主要的控礦因素(劉亮明等，2008；瞿泓瀅等，2010；彭省臨等，2012)，但礦體就位也間接受到新屋里向斜、巖體侵位擠壓形成的擠壓褶皺構造和橫向張性斷層的控制。

基于安徽銅陵鳳凰山礦田的礦體定位預測概念模型，以新屋里巖體三維模型作為分析的對象模型，利用上述三維成礦信息空間分析技術，定量提取成礦信息，描述這些控礦因素三維分布的場變量為：(1) 巖體熱力場因素；(2) 巖體形態(tài)因素，即一級起伏和二級起伏；(3) 接觸面構造因素，即原始接觸面與趨勢接觸面的夾角；(4) 橫向張性斷層因素；(5) 擠壓遠應力場因素；(6) 褶皺構造因素。根據礦化指標和成礦信息的關聯(lián)關系，建立該地區(qū)的三維預測模型。預測結果如圖7，根據預測結果在鳳凰山新屋里巖體西緣圈定深部找礦立體靶區(qū)。

圖7　安徽銅陵鳳凰山礦田預測結果柵格模型Fig.7　Raster models showing prediction results of the Fenghuangshan ore field in Tongling, Anhui(a) copper grade; (b) copper metal quantity

2.2金川銅鎳硫化物礦床三維預測

金川銅鎳硫化物礦床位于華北板塊龍首山隆起帶，礦體產于基性—超基性巖墻中，屬于古大陸內的小侵入體礦床(湯中立等，2007)。目前，金川礦床的成礦模式多被解釋為巖漿通道系統(tǒng)成礦(田毓龍等，2009；蘇尚國等，2010，2014；曾認宇等，2013a；Chen et al.,2013)，但巖漿通道系統(tǒng)成礦十分復雜，巖體侵位時，巖墻產狀較緩，而巖體中存在的硫化物密度較大，在上升過程中受到重力分異的影響，故會向下富集，礦體尤其是富礦多集中在巖體的中下部，因此成礦不僅受到了巖漿本身影響，而且還與通道產狀、形態(tài)、巖漿流速、重力分異等因素密切相關。另外，金川礦體最主要的控制因素是構造(曾認宇等，2013b)，特別是斷裂，不僅控制了成礦作用，為礦體形成提供場所，還對已形成的巖體、礦體進行了改造。

根據金川銅鎳硫化物礦床的成礦規(guī)律可知，礦體的空間分布主要受超基性巖體底板形態(tài)、頂底板相對距離、巖漿通道、斷層等地質因素影響。在此基礎上定量提取成礦信息，包括指標：(1) 巖漿通道中心線距離場；(2) 斷層距離場；(3) 頂底板相對距離；(4) 底板趨勢面距離場。利用多元線性回歸模型和三維模糊證據權模型建立金川礦區(qū)預測模型，并對預測結果進行分析和可視化表達。預測結果如圖8所示，根據預測結果并結合地質經驗在金川礦區(qū)深部圈定有利找礦靶區(qū)。

3　結　論

(1) 針對深部隱伏礦定位難題，提出以定位模型-成礦信息-三維預測為主線的隱伏礦體三維可視化預測方法。

(2) 礦體定位概念模型實現成礦規(guī)律到礦化分布規(guī)律的轉換，三維空間分析獲得成礦信息定量指標，礦體三維預測模型對深部體元的含礦性、品位和金屬量進行預測。

(3) 安徽銅陵鳳凰山銅礦和金川銅鎳硫化物礦床三維可視化預測實例研究表明，礦體三維可視化預測方法適用于不同類型礦床的隱伏礦體三維定位定量預測，為深部找礦提供三維可視化定位定量指導。

陳建平，呂鵬，吳文，等，2007. 基于三維可視化技術的隱伏礦體預測[J]. 地學前緣，14(5):54-62.

藺宏偉，王國瑾，2003. 三維帶符號的歐氏距離變換及其應用[J]. 計算機學報，26(12):1645-1651.

劉亮明，舒志明，趙崇斌，等，2008. 矽卡巖礦床的匯流擴容空間控礦機制及其對深部找礦的意義：以銅陵—安慶地區(qū)為例[J]. 巖石學報，24(8):1848-1856.

毛先成，陳國珖，1988a. 香花嶺錫礦田隱伏礦床的立體定量預測[J]. 桂林冶金地質學院學報，8(1):15-22.

毛先成,陳國珖,1988b. 香花嶺錫礦床數學模型及立體定量預測初探[J]. 地質與勘探,24(10):25-31.

毛先成,2006. 三維數字礦床與隱伏礦體立體定量預測研究[D]. 長沙：中南大學.

毛先成,鄒艷紅,陳進,等,2010. 危機礦山深部、邊部隱伏礦體的三維可視化預測：以安徽銅陵鳳凰山礦田為例[J]. 地質通報,29(2/3):401-413.毛先成,唐艷華,鄧浩,2012. 地質體的三維形態(tài)分析方法與應用[J]. 中南大學學報(自然科學版),43(2):588-595.彭省臨,賴健清,毛先成,等,2012. 危機礦山深部隱伏礦大比例尺定位定量預測技術研究[M]. 北京:地質出版社.

瞿泓瀅,裴榮富,王永磊,等,2010. 安徽銅陵鳳凰山矽卡巖型銅礦床中輝鉬礦Re-Os同位素年齡及其地質意義[J]. 巖石學報,26(3):785-796.

蘇尚國,湯中立,周岱,2010. 金川含礦超鎂鐵巖侵入體侵位序列[J]. 地學前緣,17(2):118-126.

蘇尚國,湯中立,羅照華,等,2014. 巖漿通道成礦系統(tǒng)[J]. 巖石學報,30(11):3120-3130.

湯中立,閆海卿,焦建剛,等,2007. 中國小巖體鎳銅(鉑族)礦床的區(qū)域成礦規(guī)律[J]. 地學前緣,14(5)：92-103.

田毓龍,包國忠,湯中立,等,2009. 金川銅鎳硫化物礦床巖漿通道型礦體地質地球化學特征[J]. 地質學報, 83(10):1515-1525.

王世稱,成秋明,范繼璋,1989. 金礦綜合信息找礦模型[J]. 吉林大學學報(地球科學版),19(3):311-316.

王世稱,2000. 綜合信息礦產預測理論與方法[M]. 北京：科學出版社.

肖克炎,朱裕生,宋國耀,2000. 礦產資源GIS定量評價[J]. 中國地質,27(7):29-32.

肖克炎,李楠,孫莉,等,2012. 基于三維信息技術大比例尺三維立體礦產預測方法及途徑[J]. 地質學刊，36(3):229-236.

葉天竺,肖克炎,嚴光生,2007. 礦床模型綜合地質信息預測技術研究[J]. 地學前緣,14(5):11-19.

袁峰,李曉暉,張明明,等,2014. 隱伏礦體三維綜合信息成礦預測方法[J]. 地質學報,88(4):630-643.

趙鵬大,池順都,1991. 初論地質異常[J]. 地球科學：中國地質大學學報,16(3):241-248.

趙鵬大,孟憲國,1993. 地質異常與礦產預測[J]. 地球科學:中國地質大學學報,18(1):39-47.

趙鵬大,胡旺亮,李紫金,1994. 礦床統(tǒng)計預測[M]. 北京：地質出版社.

趙鵬大,張壽庭,陳建平,2004. 危機礦山可接替資源預測評價若干問題探討[J]. 成都理工大學學報(自然科學版),31(2):111-117.

曾認宇,賴建清,毛先成,2013a. 金川銅鎳硫化物礦床巖漿通道系統(tǒng)的成礦模式[J]. 礦產與地質,27(4):276-282.

曾認宇,賴健清,毛先成,等,2013b. 金川銅鎳礦床中斷裂系統(tǒng)的形成演化及對礦體的控制[J]. 中國有色金屬學報,23(9):2574-2583.

ALLAIS M, 1957. Method of appraising economic prospects of mining exploration over large territories: Algerian Sahara case study[J]. Management Science, 3(4): 285-347.

AGTERBERG F P, 1971. A probability index for detecting favourable geological environments[J]. Canadian Institute of Mining and Metallurgy, Special Volume 12: 82-91.

AGTERBERG F P, 1974. Geomathematics: Mathematical Background and Geo-science Applications[M]. Amsterdam: Elsevier Scientific Publishing Company.

AGTERBERG F P, BONHAM-CARTER G F, CHENG Q M, et al., 1993. Weights of evidence modeling and weighted logistic regression for mineral potential mapping[C]//DAVIS J C, HERZFECD U C. Computers in Geology: 25 Years of Progress. New York: Oxford University Press, 13-32.ASADI H H, HALE M, 2001. A predictive GIS model for mapping potential gold and base metal mineralization in Takab area, Iran[J]. Computers & Geosciences, 27(8): 901-912.BONHAM-CARTER G F, 1995. Geographic Information Systems for Geoscientists: Modeling with GIS: Computer Methods in the Geoscientists, Volume 13[M]. Oxford: Pergamon Press Ltd., 398.

CHEN L M, SONG X Y, KEAYS R R, et al., 2013. Segregation and Fractionation of Magmatic Ni-Cu-PGE Sulfides in the Western Jinchuan Intrusion, Northwestern China: Insights from Platinum Group Element Geochemistry[J]. Economic Geology, 108(8): 1793-1811.

HARRIS D P, 1969. Alaska′s base and precious metals resources: a probabilistic regional appraisal[J]. Quarterly of the Colorado School of Mines, 64(3): 295-327.

HOULDING S W, 1992. The application of new 3D computer modeling techniques to mining[C]//TURNER A K. Three-dimensional Modeling with Geoscientific Information Systems, NATO ASI Series 354. Dordrecht: Kluwer Academic Publishers, 303-325.

HOULDING S W, 1994. 3D Geoscience Modeling: Computer Techniques for Geological Characterization[M]. Berlin: Springer-Verlag.

HARRIS J R, WILKINSON L, GRUNSKY E C, 2000. Effective use and interpretation of lithogeochemical data in regional mineral exploration programs: application of geographic information systems (GIS) technology[J]. Ore Geology Reviews, 16(3/4): 107-143.

HARRIS J, SANBORN-BARRIE M, PANAGAPKO D A, et al., 2007. Gold prospectivity maps of the Red Lake greenstone belt: application of GIS technology[J]. Canadian Journal of Earth Sciences, 43(7): 865-893.

KEMP L D, BONHAM-CARTER G F, RAINES G L, et al., 2001[2016-06-18]. Arc-SDM: ArcView extension for spatial data modelling using weights of evidence, logistic regression, fuzzy logic and neural network analysis[CP/OL]. http://www.ige.unicamp.br/sdm. PORWAL A K, KREUZER O P, 2010. Introduction to the Special Issue: Mineral prospectivity analysis and quantitative resource estimation[J]. Ore Geology Reviews, 38(3): 121-127.SINCLAIR A J, WOODSWORTH G J, 1970. Multiple regression as a method of estimating exploration potential in an area near Terrace, B.C.[J]. Economic Geology, 65(8): 998-1003.

SINGER D A, 1993. Basic concepts in three-part quantitative assessments of undiscovered mineral resources[J]. Natural Resources Research, 2(2): 69-81.

ZHAO P D, 1992. Theories, principles, and methods for the statistical prediction of mineral deposits[J]. Mathematical Geology, 24(6): 589-595.

Three-dimensional visualization prediction method for concealed ore bodies in deep mining areas

MAO Xiancheng1,2, ZHANG Miaomiao1,2, DENG Hao1,2, ZOU Yanhong1,2, CHEN Jin1,2

(1. Key Laboratory of Metallogenic Prediction of Nonferrous Metals and Geological Environment Monitoring, Ministry of Education, Changsha 410083, Hunan, China; 2. School of Geosciences and Info-Physics, Central South University, Changsha 410083, Hunan, China)

With the decreasing number of shallow deposits, exploration has gradually moved to deep mining areas. As a result, searching for a new deep metallogenic space is regarded as a new way to make breakthrough in ore prospecting. In order to solve the problem of locating concealed ore bodies, this work proposed a 3D visualization prediction method for concealed ore bodies based on previous research. The key of the method is ″location model-metallogenic information-3D prediction″. This conceptual model for ore body location realizes the transformation of metallogenic regularity to mineralization distribution regularity, and obtains the quantitative index of orebody space localization. We used morphological analysis, distance field or buffer analysis, alteration field analysis methods to analyze and quantitatively extract the metallogenic information index. Using nonlinear regression analysis and 3D fuzzy weights of evidence method, we established a 3D prediction model to predict the ore grade, metal quantity and ore-bearing property for the deep stereo-units. This work took the Fenghuangshan copper mine in Tongling of Anhui and Jinchuan Cu-Ni (PGE) sulfide deposit as examples to conduct 3D visualization prediction in deep mining areas. The results show that this method can be applied to the deep prospecting work of different types of ore deposits, and that the predicted results are true and reliable and have great significance for deep ore prospecting.

concealed ore body; conceptual model for location; metallogenic information; 3D visualization prediction; Tongling in Anhui; Jinchuan in Gansu

10.3969/j.issn.1674-3636.2016.03.363

2016-06-21；編輯：詹庚申

國家自然科學基金項目(41472301), 中南大學“創(chuàng)新驅動計劃”項目(2015CX008), 新疆維吾爾自治區(qū)高層次人才工程項目

毛先成(1963—), 男, 教授, 博士, 主要從事隱伏礦三維預測與地學信息技術研究工作, E-mail: xcmao@126.com

P612

A

1674-3636(2016)03-0363-09