矿产资源定期调查中数据挖掘创新应用与知识图谱构建

Geological mineral data mining and knowledge graph construction in national mineral resources survey

摘要

矿产资源定期调查数据库集成了新中国成立以来形成的地质勘查资料,具有海量、多源、多维、多学科和多时空等地质大数据的显著特点。这些超过百万级别的海量数据要素为定期调查数据的知识服务、分析挖掘、质量检查和信息共享带来了巨大的挑战。本文采用了一种自顶向下基于矿床本体的知识图谱构建技术路线,基于知识驱动模式创新建成了“调查全要素多源融合”定期调查数据标准。在数据标准体系基础上,实现矿床知识快速发现、定位和推理及各要素相关关系的数据抽取功能,实现了基于机器学习的矿床知识图谱构建、空间数据质量检查和多源信息一致性校验等定期调查成果数据的智能化服务,在矿产资源定期调查数据库建设工作中发挥了关键作用;同时,通过构建大数据集群管理与云计算平台,服务地质调查信息化、智能矿山等相关工作,动态分析国家矿产资源安全保障能力,推动地球科学、信息科学和数据科学的交叉融合。

Abstract

The National Mineral Resources Survey Database integrates geological exploration data formed since the founding of the People’s Republic of China and has the salient characteristics of geological big data such as massive, multi-source, multi-dimensional, multi-disciplinary and multi-spatial-temporal. These massive data elements, which exceed one million levels, bring huge challenges to knowledge services, analysis and mining, quality inspection and information sharing of national survey data. This article adopts a top-down technical route for constructing knowledge graphs based on mineral deposit ontology, and innovatively builds a “multi-source fusion of all survey elements” national survey data standard based on a knowledge-driven model. Based on the data standard system, it enables rapid discovery, positioning, and extraction of mineral deposit knowledge and the correlations among various elements, and supports intelligent services such as machine learning-based mineral deposit knowledge graph construction, spatial data quality inspection and multi-source information consistency verification. These contributions have played a key role in the construction of the National Mineral Resources Survey Database; and by building a big data cluster management and cloud computing platform, it serves geological survey informatization, smart mining and other work, dynamically analyzes the national mineral resources security capabilities, and promotes interdisciplinary integration across Earth science, information science and data science.

Graphical abstract

关键词

矿产资源国情调查 / 地质大数据 / 数据挖掘 / 矿床知识图谱 / 潜力评价

Key words

national mineral resources survey / geological big data / data mining / mineral deposit knowledge graph / mineral resources potential evaluation

0 引言

随着大数据时代的到来,地质学研究面临更大的挑战,亟需地质大数据和人工智能支撑^[1-4]。地质大数据具有混合性、抽样性、因果性、时空性、多态性和多元性等主要特点^[5-6],矿床学领域关注于应用地质大数据研究矿床形成的规律,指导矿床勘查,提高经济价值^[7]。20世纪80年代,美国为了掌握其国内及全球矿产资源供应安全情况,建设了国家矿产可供性系统 (Mineral Availability System,简称MAS),该系统不是一个简单的数据库系统,而是集基础数据收集整理、信息统计、数据挖掘分析于一体的地质大数据决策支持系统,MAS获取了全球10万余矿山的地质、生产、经济等数据,并利用大数据挖掘技术量化了这些矿山的供应能力。进入 21世纪,美国地质调查局为了全球资源战略的需要,开展了为期8年的全球矿产资源潜力评价计划,目的是建立全球矿产资源潜力信息系统^[1]。周成虎等^[8]提出基于深度解析的多模态地学数据动态知识图谱构建方法,运用机器学习、深度学习等现代技术方法, 从数据感知、实体识别和关系抽取等方面实现从海量文本文献资料中提取并更新地学知识。

长期以来,地质工作者在祖国的大地上勘查宝藏,开展野外踏勘、物化遥、普查和勘探等工作,取得了显著的找矿成果,发现了一大批重要的矿床,形成了支撑国民经济建设的资源基地。2006年以来,定期调查项目汇集了大量地质勘查成果资料,蕴含了每个矿床的地层、构造和岩体等地质特征,成矿时代、赋矿位置等成矿信息,品位、储量、选矿实验等开发利用参数。同时,调查队伍进行了野外调查验证,形成了海量的举证材料。定期调查非常注重调查数据的举证和查错校验,而传统调查工作中举证材料之间的数据自洽、归属关系判别靠人工判读,工作量巨大,人工误差难免,需要采用大数据挖掘的智能化技术来提升质量和效率。

新一轮的人工智能产业变革尤其是知识图谱所引领的科技革命正在改变地学研究范式,蕴含在海量地质勘查资料中的地学知识需要用知识工程的方法生产成为方便易懂的地学知识产品,以定期调查各类报告为数据源,结合矿床本体知识构建方法构建矿床本体模型,同时引入知识工程中的知识抽取、知识表示技术,构建矿床知识图谱,为用户提供智能化服务^[9-15]。

1 大数据应用驱动定期调查工作创新技术路线

1.1 地质大数据应用驱动技术创新

地质大数据促进地质调查工作方式变革,也给定期调查工作带来了新的机遇。因此,转变工作决策模式,特别要重视数据在调查对比核实中的作用,聚合碎片化的调查举证数据,对比多源文档数据,创新开展知识管理和知识服务,发挥地质大数据潜在的知识价值,建立“用数据来说话,用数据来管理,用数据来决策,用数据来创新”的数据环境。基于大数据平台^[15-18],借助信息技术将数据质量检查、知识服务、网络和数据资源进行优化整合,便捷高效地为定期调查提供一体化的服务,最终目的实现信息化与智能化。同时发挥矿床全要素数据链条的优势,健全矿床数字模型,服务成矿规律和预测,实现在定期调查以及找矿行动等重要工作中的创新与变革。

1.2 矿产资源定期调查大数据体系

矿产资源定期调查成果数据是自然资源统一调查监测数据体系的重要组成部分^[19-21],具有典型的地质大数据特征,不仅具有包含时空属性的结构化数据,而且入库了包括矿山实地调查记录、航迹、采样、文本报告、多尺度的图件和三维地质模型等非结构化数据。

定期调查数据是一套多维度、多层级的,看似零散实则有机耦合的数据集,也反映了我们矿产资源管理实际工作中要每天面对的真实数据记录,大数据挖掘就是要抓住从矿体到矿山、从矿区到国家资源安全,从微观到宏观窥探具有多维性和全面性的现实世界, 从很多看似支离破碎的信息中复原我国资源安全的全貌。按照定期调查技术要求和数据库建库技术要求,定期调查数据主要分为以下四大类(图1)。

(1)矿产资源定期调查表格。表格以ACCESS数据库形式存储,抽象出了矿区、矿山、地质条件、矿区/矿体资源储量、矿区/矿体质量、采选环等12个主要要素,是定期调查最小单元到矿体的统计性数据。

(2)矿山实地调查采集数据。这部分数据是定期调查队伍到矿山实地开展调查时采集的数据,有矿山检测点信息、GPS定位点、路线航迹、遥感影像、取证照片、拍摄视频记录、矿山台账、形成的各种调查表格、观察记录、素描图等等,矿山实地调查是调查队伍到野外现场实地观察矿山,根据举证材料进行对照检查分析的最重要的手段。

(3)图件和三维地质模型。矢量图件和三维模型格式主要有MAPGIS、ARCGIS、CAD、OBJ、MTL、DXF、dae、3ds、STL等。栅格格式主要是压缩格式的位图JPG。图件和三维地质模型体现了国家、省级、矿区、矿山到矿体多尺度多层级的地质模型,图件分为查明资源与潜在资源两部分,包含基础地质、地理、探采工程和储量估算等必要要素(表1)。目前国际上已研发出如Hadoop等一些数据库平台,可以将以上述模型进行统一管理^[22-23]。

(4)定期调查文档资料包括矿区调查成果报告、矿山调查报告,以及搜集的年报、核实报告、开发利用方案等,文件格式包括Doc、Docx、Xls、Xlsx、PDF、TXT、JPG等。

1.3 矿产资源定期调查知识服务技术路线

矿产资源定期调查大数据知识服务体系采用自顶向下技术路线(图2),包括知识图谱模型层构建、数据层构建和知识计算服务三个层级。

1.3.1 知识图谱模型层构建

首先在模型层构建矿床本体,借助预定义的定期调查矿床本体层次结构,可更有效识别地质矿产领域的概念、实体、关系等知识。本体可以看作一个呈树状结构的知识库模具,是同一领域内不同主体之间进行交流、连通的语义基础^[24]。从定期调查矿床本体结构简图(图3)看矿床本体的核心实体是“矿区”,也就是定期调查的调查基本单元,矿区是管理上的概念,指的是勘查报告的工作范围,一般情况下指向一个矿床。为了与潜力评价衔接,这里用等同于矿床实体,并扩展到以其为中心相关的各类实体,并细化矿床及其关联实体的属性和关系,使之能够精确描述基本信息、矿床地质特征、资源储量和开采技术等关键信息,建立了一套适合定期调查数据的矿床知识体系。通过这种方式,我们既保留了管理上的便利性,也为后续的资源潜力评价和勘查决策提供了必要的翔实数据基础。通过定义矿床的属性(如矿体、矿业权、地理位置、矿床地质和状态等)和矿床之间的关系(如行政区划归属等),以及矿床与其他地质实体之间的联系(如成矿区带、构造单元等),最关键的是基于矿床本体构建了一个全面而详细的数据标准化“全要素多源融合”规范,用于采集建设数据层所需的地质大数据。

这个矿床本体模型不仅有助于理解单个矿床的特性,还能在宏观层面上分析成矿规律,为矿产资源的有效开发和找矿行动计划提供科学依据。矿床本体模型可以形式化表示为一个三元组:

矿床知识模型KG=(E,A,R)

实体集合E:包括矿床实体M和其他相关实体E={M,...}

属性集合A:包括所有实体的属性,A={a1, a2,...}

关系集合R:包括实体之间的关系,R={r1, r2,...}

1.3.2 数据层构建

为彻底核实我国境内全部矿产资源的数量、结构、质量,定期调查数据库入库了大量举证材料,数据类型分为结构化、半结构化和非结构化三种类型。结构化、半结构化数据源自调查工作中搜集的统计数据或者采样记录表格,很多时候不具有严格的模式和固定的数据表结构,存在冗余数据,需要开展数据清洗、空间要素汇聚、统计汇总、聚类分析和主成分分析等数据预处理的工作,这部分是非常重要和关键的一步,关系到数据层建设的质量,预处理好的数据直接进入数据挖掘应用,提供知识查询检索服务、数据质量检查和三维呈现系统服务。

非结构化数据基础是地质勘查报告,在报告中的文本内容包含了丰富的地质知识和信息,比如地质实体(如地层、成矿时代、矿物和地质构造等)以及它们之间的关系(如成因、分布、勘查发现历史等)。这些信息对于地质勘查和分析至关重要,但由于数据的非结构化特性(即文本没有明确的标签和结构),本文采用深度学习方法组合Bert+LSTM+CRF训练模型抽取地质文本中的实体和关系^[25-26],BERT+LSTM+CRF 是一种基于Transformer模型的结合了BERT、长短期记忆网络(Long Shor-Term Memory,简称LSTM)和条件随机场(Conditional Random Fields,简称CRF)的方法。在BERT+LSTM+CRF方法中,BERT用于从原始文本中提取语义表示,提供了文本序列的上下文信息。这些语义表示被输入到LSTM网络中,用于进一步对文本序列进行编码,以捕捉序列中的长期依赖关系。最后,CRF用于对编码后的序列进行标记,以产生最优的标记结果用于命名实体识别(NER)等序列标记任务。基于深度学习的方法对人工构造特征的依赖性大幅降低,解决了特征提取误差传播的问题。选择部分非结构化数据作为深度学习模型的训练语料和测试语料,训练的深度学习模型在知识图谱构建中进行矿产知识抽取、知识融合,抽取矿区举证报告中的矿床相关数据项以扩充数据层。

1.3.3 知识计算服务

为充分发挥定期调查数据库的作用,在定期调查中实现“用数据来说话,用数据来管理,用数据来决策,用数据来创新”的目标,数据挖掘有代表性的应用有四项:第一,构建矿床知识图谱和查询检索系统,用知识计算驱动基于语义的矿床知识检索,进一步提高了地质大数据检索的效率和精度,提升了定期调查信息服务的效果;第二,空间数据质量检查,通过缓冲区分析、拓扑检查等技术对不符合质检标准的数据进行提示和打分,不仅提示问题,也指导修改方法;第三,报告、数据表、图件内容一致性检查,采用数据层训练的深度学习模型,对三大类媒介中的关键性数据进行实体属性抽取,主要是资源储量进行提取,判断数据一致性;第四,三维呈现系统目的是汇集全国的三维数据,实现储量的动态、可视化的管理,实现资源利用的监督和动态管理。

2 制定矿产资源定期调查数据标准化规范

为规范化定期调查数据的知识体系,为用户提供科学便捷的知识服务,设计了一套全国统一的定期调查数据“调查全要素多源融合”标准化规范,以技术要求《矿产资源定期调查数据库建设技术要求》^[21]和行业标准的形式下发各省执行,制定了调查数据全要素分类编码,规范定期调查数据库的建设内容、原则、要求、数据库结构、建库方法、质量检查和成果汇交要求等内容,建设国家、省、市、县四级矿产资源定期调查数据库,实现从二-三维一体化视角展示我国矿产资源数量、质量、结构和空间分布情况,支持从多个维度充分挖掘定期调查成果数据。

2.1 调查数据全要素分类与编码

2.1.1 分类编码的原则与结构

要素分类根据分类编码通用原则,依次按大类、小类、一级类、二级类、三级类、四级类划分,分类代码采用十位数字层次码组成(图4)。

2.1.2 要素分类编码

查明矿产资源定期调查数据库要素代码见表1,其中:(1)大类码为专业代码,设定为两位数字码,基础地理专业为10,地质专业为20;(2)小类码为业务代码,设定为两位数字码,查明矿产资源定期调查业务代码为03;(3)一至四级类代码为要素分类代码,其中:一级类和二级类代码分别为二位数字码,三级类和四级类要素代码分别为一位数字码,空位以0补齐;(4)基础地理信息要素的境界与行政区一级类码、二级类码、三级类码和四级类码引用GB/T 13923—2022附录B中的基础地理信息要素代码。

2.1.3 空间要素组织

空间要素采用分层的方法进行组织管理,空间要素描述见表2。

2.2 制定矿产资源定期调查三维建模规范

为提升我国矿山储量的三维化管理水平,定期调查要求大型矿区需要建矿体储量三维模型,使用三维地质建模软件,利用地形地质图和矿区勘探线剖面图,建立矿区三维地表模型和矿体三维实体模型,有条件的矿区采集矿区钻孔数据,包括钻孔位置表、钻孔化验表、钻孔测斜表生成品位块体模型,成果三维数据以矿区为基本单元。定期调查对数据格式做了严格规范,分层提供交换格式OBJ文件,坐标体系采用2000年国家大地坐标系和1985年国家高程基准、地理坐标系,同时提供建模文件的基准点坐标文件。

3 定期调查地质大数据挖掘技术创新应用

3.1 基于机器学习的矿床知识图谱构建

矿床知识图谱是地质知识的一种结构化表达,它是地质认知、地质知识表达和发现、地质大数据的深度挖掘技术的组成部分,其强大的语义处理和互联组织能力,为智能化信息应用提供了基础。定期调查集成了海量的地质勘查资料,在其中蕴含了极为丰富的矿床地质特征、矿床成因、矿床地质环境和构造背景等相关知识,在定期调查数据标准基础上构建了矿床数字模型,也就是矿床本体,明确了矿床的属性、实体、关系;然后根据建立的矿床本体使用深度学习的方式抽取知识、属性、关系,建立矿床知识图谱三元组^[27-28];最后,为了直观表达出实体之间的关系以及矿床本体的属性集合,使用Neo4j图形数据库存储三元组并开发可视化程序,程序可提供矿产资源管理、成矿规律研究、预测要素推理、找矿勘查部署等领域的知识获取、查询、知识可视化等功能(图5)。

将矿床知识图谱可视化,可以使人能以更加直观的方式认识各矿床节点的关键特征属性,揭示各地质实体节点之间的隐藏关系。由于是专业领域知识图谱,不能直接使用开源的基于BERT的自然语言语料训练的模型,需要根据地质矿产报告的特殊性构建训练集,进行训练。本文以定期调查报告中的金矿报告为例,首先抽取定期调查金矿矿床成果报告中的矿床地质语句作为训练语料,利用doccano标注平台,依据矿产本体模型,进行实体、属性、矿产语义关系标注,构建金矿矿产知识的标注语料库,采用Bert+LSTM+CRF深度学习方法开展多批次的模型训练,直到模型收敛为止。在知识图谱可视化服务中,第一步应用训练完成的模型开展金矿实体、属性、关系抽取;第二步,知识融合,从概念方面消除歧义, 去掉多余和不正确的概念,保证知识的质量水平。实现方法有利用构造特征向量作为实体链接进行相似度比较,实现一般的实体消歧算法(实体对齐);三是知识加工, 包括对知识进行质量评估或推理扩展, 得到结构化、网络化的知识体系。

建成的定期调查矿床知识图谱主要功能体现在以下三个方面:

3.1.1 清晰、准确的矿床知识的表达

矿床知识图谱包含对矿区/矿床、矿业权、矿体信息及相互之间的关系完整、清楚、明确的描述,这样对地学知识及其相互关系进行的表达,具有规范性、科学性和通用性,可以用于大语言模型消除大模型容易产生幻觉的弊病^[29]。知识图谱的架构具有开放性的特点,便于修改和扩充,能够在不同层面上满足对地球科学知识的需求,是进行科普、教学和科研的知识库,是领域科学家进行学术交流的通用语言和基石,更是计算机可理解的数字化、结构化的知识体系。

3.1.2 丰富多样的语义表达能力

矿床知识图谱可以充分表达矿床成因之间的复杂关系,如同等关系(同义词)、从属关系、实例关系和属性归属关系等丰富的语义信息,可非常方便地将单一矿床的知识转化为网状的立体化的知识结构体系。

3.1.3 语义的推理能力

知识图谱除了能够表达各个知识点之间的原生的语义关联外,它还具有一定的推理能力,从已有的知识关系中通过一定逻辑的推理,产生新的知识关系,从而将知识关系由隐性变为显性,为数据挖掘等提供推理服务。

3.2 定期调查数据文-图-表一致性智能检查

3.2.1 空间数据质量智能检查

全国矿产资源储量数据是一个国家关键的定期国力数据,其数据质量尤其是空间数据质量将可能影响决策的精准性,为修正矿产资源储量数据存在的重复上表、矿区矿山归属关系不清、坐标缺失偏移飞点、数据项漏填、数据不自洽等数据质量问题,特别是空间坐标的纠偏和补漏。空间数据具有复杂的拓扑关系、方位关系和度量关系等空间特征,通过数据采集自检与空间分析质检等质量管控技术,建立了一套矿产资源多维时空数据采集入库、汇交、数据质量检查、集成管理、动态更新的技术体系(图6)。制定了295项质检规则体系,基于大数据、GIS、人工智能技术开发一键式全程自动质量检查程序,降低了数据库专家的工作强度,任务流程首先从质检规则库中读取任务,根据CPU数量开启多线程,每个线程分配相应的质检任务,按矿区编号汇聚空间要素拓扑质检,拓扑检查完成后返回存疑的数据项,指导建库人员进行修改(图7)。

定期调查数据库质量检查工作从流程上强调自检、互检、院检、省检四级质量控制体制,计算机与人工结合的工作方式,从质量检查与汇总结果看,数据库质量总体较好,数据库质量控制体系起到了非常关键的监督和辅助完善作用,同时由于效率的提高,也促进了定期调查全矿种全覆盖目标的实现。

3.2.2 多源数据挖掘技术实现核心调查数据一致性检验

定期调查数据质量问题还涉及报告和图件中的数据错漏、更新不及时的长期弊病,由于地质数据资料包含大量地质描述、地质图表、地质认识,其价值极其巨大。报告、数据表、图件三方数据一致性检查是发现此类数据质量问题的一个重要抓手。传统质检一般采取人工方式对比检查。由于定期调查报告数量巨大基本上是无法大范围开展的,为了保证数据质量,研发了基于深度学习的地质多源数据一致性的质检方法。首先抽取地质文本报告,充分利用数据层训练的深度学习模型对地质文本中矿体、矿山、矿区实体进行实体和实体属性抽取,然后与数据表或者图件中的同一个矿区或者矿体对象查询出的资源储量数据进行一致性对比,储量数据精确到小数点后两位,提取属性为8类“保有资源量”“探明”“控制”“推断”“证实”“可信”“矿石量”“金属量”,并对实体进行对齐消歧,最终得到一致性检查的结论。

3.3 矿产资源定期调查大数据云存储平台和三维呈现系统支撑矿证管理

3.3.1 矿产资源定期时空大数据集成云存储平台建设

3.3.1.1 虚拟化云平台搭建

搭建云平台环境是利用虚拟化技术对存储设备进行虚拟化,就是将存储设备进行抽象化,屏蔽其硬件信息,只保留其统一的逻辑特性,进而实现存储资源的统一调控和集中管理,有效解决物理设备存储空间利用率过低的问题。

选用虚拟化软件VMware vSphere进行云平台的设计与实现,VMware vSphere的核心组件ESXi Server可直接部署在服务器硬件之上形成ESXi主机,同时集中管理存储、计算资源。当多台ESXi主机作为整体统一管理时,就形成了一个服务器群集,而多个服务器群集组合在一起,就构建成了一个虚拟的数据中心^[30]。

3.3.1.2 定期数据库云存储技术设计

将查明和潜力成果数据整合到云存储中,主要以数据库和文件两种方式进行组织,数据库分为关系对象数据库和空间数据库,空间数据库中存储查明矿区图件和潜力评价图件的图元实体,关系对象数据库则用于存储定期调查结构化数据和元数据信息,这有助于对数据的管理^[31]。数据文件是将成果数据所有文件采用Hadoop的HDFS实现对文件的分布式存储。

定期数据库云存储平台基于Oracle和ArcSDE,采用客户/服务器(即 Client/Server)体系结构,ArcSDE的主要功能是在关系数据库管理系统(RDBM S)和地理信息系统(GIS)之间充当一个应用接口,可以将空间数据和属性数据充分地集成在目前绝大多数的商用RDBMS中,实现空间数据和属性数据的无缝连接。

3.3.1.3 定期数据库云存储技术设计

三维呈现系统目的是汇集全国的三维数据,实现储量的动态、可视化的管理,快速核算矿山储量消耗、保有资源数据,而进一步优化设计、生产计划编制,实现资源利用的监督和动态管理。

定期调查数据库管理信息系统中实现了三维呈现系统的功能,实现在BS客户端展示多年度矿区\矿山归属关系、数量结构变化、矿区、矿山空间位置定位查询、与其他自然资源空间关系分析(图8)。

4 总结与展望

4.1 总结

(1)数据标准化夯实矿产资源调查成果数据共享服务基础。本文通过自顶向下基于矿床本体的知识工程技术路线,将矿产资源定期调查数据库结构化、非结构化、半结构化三类数据整合集成,不仅推动了数据库标准的建立,提高了数据质量,还在矿产资源调查知识图谱构建方面取得了积极成果,为大规模矿产资源数据的整合提供了基础支撑。

(2)定期调查知识服务体系提升国家矿产资源战略决策的智能化和信息化。知识驱动的决策模式对于地质调查工作至关重要。通过对碎片化数据的聚合、对多源文档数据的对比,创新性地构建了一个定期调查知识服务体系,推动了地质调查领域的知识管理与利用。这种以数据为核心的管理模式,有助于快速响应变化的需求,提高决策效率,并为资源管理提供了更加精确的依据。此外,通过信息技术和大数据平台的应用,优化了数据质量、知识服务和网络整合,进一步实现了智能化和信息化的目标。

4.2 展望

(1)推动全要素数据链条与深度知识图谱应用。在未来的研究中,可以进一步深入挖掘矿业全产业链条的潜力。通过对成矿规律、预测模型的应用,可以提供更精确的矿产资源潜力评估,优化地质勘探与开采方案,从而更高效地推动矿产资源的可持续开发。结合多源数据管理能力提升,能够加强国家资源安全与管理能力,进一步提升风险预判和风险控制能力。

(2)技术瓶颈与优化空间。尽管当前技术已经取得初步成果,知识图谱在抽取实体和关系的准确性方面仍然面临挑战。特别是在大规模数据处理与分析过程中,算力和数据质量对结果的影响较大。因此,未来在提升数据质量、算力支持和算法优化方面仍有较大的提升空间。对数据的深度挖掘与精准建模将是未来改进的关键。

(3)跨学科合作与技术融合。未来,矿产资源调查将更加依赖跨学科的合作,尤其是在地质学、计算机科学、人工智能与大数据分析等领域的融合应用。通过多学科合作,可以更全面地理解和利用地质大数据,为矿产资源的高效管理与可持续发展提供更多创新思路和技术支持。

参考文献

[1] 成秋明. 面向人类智能与人工智能融合的矿产资源预测新范式[J]. 地学前缘, 2025, 32(4): 1-19.

[2] CHENG Q M, YANG Y L, ZHOU Y Z, et al. Earth science in the era of foundation models: how AlphaEarth is reshaping quantitative geoscience[J]. Earth Science Frontiers, 2025, 32(6): 396-410.

[3] 肖克炎, 孙莉, 李楠, 等. 大数据思维下的矿产资源评价[J]. 地质通报, 2015, 34(7): 1266-1272.

[4] 周永章, 肖凡. 管窥人工智能与大数据地球科学研究新进展[J]. 地学前缘, 2024, 31(4): 1-6.

[5] 赵鹏大. 地质大数据特点及其合理开发利用[J]. 地学前缘, 2019, 26(4): 1-5.

[6] 谭永杰, 刘荣梅, 朱月琴, 等. 论地质大数据的特点与发展方向[J]. 时空信息学报, 2023, 30(3): 313-320.

[7] 刘超, 赵汀, 王安建, 等. 基于时空大数据的矿产资源产业链平台构建与智能分析研究[J]. 地学前缘, 2025, 32(5): 484-492.

[8] 周成虎, 王华, 王成善, 等. 大数据时代的地学知识图谱研究[J]. 中国科学: 地球科学, 2021, 51(7): 1070-1079.

[9] 王登红, 刘新星, 刘丽君. 地质大数据的特点及其在成矿规律、成矿系列研究中的应用[J]. 矿床地质, 2015, 34(6): 1143-1154.

[10] 彭忠益, 宋羽婷, 刘芳, 等. 大数据驱动下的国家矿产资源管理: 赋能机理与模式创新[J]. 中南大学学报(社会科学版), 2024, 30(5): 151-159.

[11] 周仲礼, 柳炳利, 龚成杰, 等. 矿产勘查知识图谱: 研究进展、关键问题与未来展望[J]. 成都理工大学学报(自然科学版), 2025, 52(5): 827-843.

[12] 季晓慧, 董雨航, 杨中基, 等. 基于知识图谱多跳推理的中文矿物知识问答方法与系统[J]. 地学前缘, 2024, 31(4): 37-46.

[13] QIU Q J, WANG B, MA K, et al. A practical approach to constructing a geological knowledge graph: a case study of mineral exploration data[J]. Journal of Earth Science, 2023, 34(5): 1374-1389.

[14] 周永章, 张前龙, 黄永健, 等. 钦杭成矿带斑岩铜矿知识图谱构建及应用展望[J]. 地学前缘, 2021, 28(3): 67-75.

[15] 冯秋睿, 赵汀, 刘超. 基于本体的三稀矿产知识图谱构建[J]. 中国矿业, 2024, 33(4): 79-88.

[16] DENG C, JIA Y T, XU H, et al. GAKG: a multimodal geoscience academic knowledge graph[C]// Proceedings of the 30th ACM International Conference on Information & Knowledge Management. November 1-5, 2021, Virtual Event, Queensland.

[17] BERNERS-LEE T, HENDLER J, LASSILA O. The semantic web[J]. Scientific American, 2001, 284(5): 34-43.

[18] ALZAIDY R, CARAGEA C, GILES C L. Bi-LSTM-CRF sequence labeling for keyphrase extraction from scholarly documents[C]// The World Wide Web Conference. Association for Computing Machinery, 2019: 2551-2557. https://doi.org/10.1145/3308558.3313642.

[19] 李厚民, 高辉. 矿产资源储量核查与评估[M]. 北京: 地质出版社, 2013.

[20] 鞠建华, 黄学雄, 薛亚洲, 等. 新时代我国矿产资源节约与综合利用的几点思考[J]. 中国矿业, 2018, 27(1): 1-5.

[21] 赵汀, 邓颂平, 刘超, 等. 矿产资源定期调查数据库建设技术要求与软件开发[M]. 北京: 地质出版社, 2022.

[22] 王功文, 张智强, 李瑞喜, 等. 华北重点矿集区大数据三维/四维建模与深层次集成的资源预测评价[J]. 中国科学: 地球科学, 2021, 51(9): 1594-1610.

[23] 王功文, 张寿庭, 燕长海, 等. 栾川矿集区地学大数据挖掘和三维/四维建模的资源环境联合预测与定量评价[J]. 地学前缘, 2021, 28(3): 139-155

[24] 叶育鑫, 刘家文, 曾婉馨, 等. 基于本体指导的矿产预测知识图谱构建研究[J]. 地学前缘, 2024, 31(4): 16-25.

[25] 左仁广, 成秋明, 许莹, 等. 可解释性矿产预测人工智能模型[J]. 中国科学: 地球科学, 2024, 54(9): 2917-2928.

[26] 左仁广, 彭勇, 李童, 等. 基于深度学习的地质找矿大数据挖掘与集成的挑战[J]. 地球科学, 2021, 46(1): 350-358.

[27] 张前龙, 周永章, 郭兰萱, 等. 找矿知识图谱的智能化应用: 以钦杭成矿带斑岩铜矿为例[J]. 地学前缘, 2024, 31(4): 7-15.

[28] FAN R Y, WANG L Z, YAN J N, et al. Deep learning-based named entity recognition and knowledge graph construction for geological hazards[J]. ISPRS International Journal of Geo-Information, 2019, 9(1): 15. https://doi.org/10.3390/ijgi9010015.

[29] 王永志, 金樑, 朱月琴, 等. 基于大数据技术的地学文档关键词提取算法研发[J]. 地球物理学进展, 2018, 33(3): 1274-1281.

[30] 赵汀, 王安建, 刘超. 基于国情调查大数据的矿产资源保障程度动态分析系统设计与实现[J]. 地质通报, 2020, 39(增刊1): 400-405.

[31] 宋越, 左群超, 牛海波, 等. 国家基础地质数据库整合与集成基本技术框架[J]. 中国矿业, 2016, 25(6): 154-159.

基金资助

地球深部探测与矿产资源勘查国家科技重大专项(2025ZD1007005)

地球深部探测与矿产资源勘查国家科技重大专项(2025ZD1007000)

地球深部探测与矿产资源勘查国家科技重大专项(2025ZD1007904)

地球深部探测与矿产资源勘查国家科技重大专项(2025ZD1007900)

中国地质调查局地质调查项目“资源安全数字沙盘分析与会商决策平台建设(DD20230565)”

中国地质调查局地质矿产调查评价项目“矿产资源国情调查数据集成与动态更新(DD20190613)”

中国地质调查局地质调查项目“全球矿产资源供需格局与调查布局研究(DD20230123)”

国家自然科学基金基础科学中心项目“数字经济时代的资源环境管理理论与应用(72088101)”

国家自然科学基金重大研究计划集成项目“中国关键金属矿产清单厘定与风险评估(92162321)”

中国地质调查局地质调查项目“全球矿产资源储量动态评估(DD20230564)”