1∶ 万遥感成矿预测
发布网友
发布时间：2022-04-26 09:13
共1个回答
热心网友
时间：2022-06-26 12:26
一、成矿预测方法
在现代成矿理论的指导下，利用多元信息综合分析进行成矿预测是现代地质找矿的必然趋势，GIS技术为区域地质多元信息综合找矿预测提供了有利平台。通过计算单元网格内的控矿因素参与成矿和控矿的权重的加权和，生成新的图层及新的数据关系，从而获得更多的成矿信息。
遥感成矿预测在遥感成矿信息基础上进行量化，根据不同类型、不同级别、不同方向的遥感构造信息，含矿岩性地层信息，蚀变异常信息以及遥感线性体密度等信息，分别形成单项图层，进行多元信息成矿预测。
预测中，通常采用网格单元法或地质异常单元法。一般而言，网格单元统计方法可以比较客观地反映预测因子得分情况，以网格的得分高低进行预测，不足的是网格过大会无形扩大因子的影响范围，特别在因子形状不规则时会造成预测的失准，而网格的过密会成倍增加统计的工作量，因此网格大小的选择是关键。本次成矿预测采用了地质异常单元统计预测方法，该方法可以定量表达地质异常的强弱特征，客观地反映矿产产出的地质特征及空间分布趋势，避免了上述因素对预测结果的影响。
统计预测是直接使用地质异常单元本身—预测因子参与统计，统计工作借助计算机和相应的软件系统完成。一般情况下使用各种因子的面积特征进行分析，即在GIS中以区文件表述的因子直接分析，以点或线文件表述的因子要按其影响范围制作成相应的区文件，然后在GIS系统中进行统计分析，这种方法统计结果比较准确，人为因素小，但对图件要求高。预测模型为:
滇东北铅锌银矿床遥感地质与成矿预测
式中:Y为预测结果;xi为各种参加预测的因子;ai为各因子(或二级因子)的系数。
本次遥感成矿预测的主要步骤为:选择方法→确定标准→预测因子的选择→二级因子赋值→软件实现→成图。
二、矿产当量概念
选择预测因子的基础是因子与已知矿产的相关性，已知矿产地规模大小对于预测因子影响范围不同。但在成矿预测中，衡量各预测因子影响范围是以同一级别矿产地为准进行的，因此，需要将不同规模矿产地进行标准化处理，使它们在分析过程处于相同的级别。
研究表明，因子选择是否有利及各因子参数的确定都要从以下两个方面考虑，其一，因素中是否有足够数量的矿点出现;其二，因子参数选择的有效性要从标准化后的矿点数目来考虑。这就要引入矿产当量的概念，可由以下公式计算:
N=K1N1+K2N2+K3N3+N4
式中:N为矿产当量;N1、N2、N3、N4分别为大、中、小型矿床和矿点的个数;K1、K2、K3则是大、中、小型矿床相应的权系数。从上式中可以看出，所谓的矿产当量，实际上就是将不同规模的矿产地，折算成相当于矿点规模的矿产地的个数，单位为个。
工作区内共收集到矿产地127处，其中大型矿床4处、中型6处、小型12处、矿点104处，取K1=20、K2=10、K3=5，即在此视矿点为1，小型矿床为5个矿点量，中型矿床为2个小型矿床或为10个矿点量，而大型矿床为2个中型矿床或4个小型矿床或20个矿点量，按此计算工作区内矿产当量为:N=20×4+10×6+5×12+104=304。
三、预测因子的选择及二级因子得分
如前所述，成矿预测是一个由已知到未知的过程，通过分析已知矿产地的控制因素、异常指示意义，如岩性和构造条件、遥感与地球化学异常与矿产地的对应关系，应用统计的方法选择对成矿作用具有控制和指示意义的因素，加以定量化。我们将定量化后的控制因素称为预测因子，并赋值给每个预测因子15分，当一个区域有多个预测因子叠加时，其得分值累加。
所谓二级因子是指某个预测因子中相互独立的各个部分，它在这个预测因子中所占的比例或许很大、或许很小，并不能代表整个预测因子。如岩性因子中的某一岩性单元、构造因子中的某一方向的构造等均属不同二级因子。统计上根据与矿产当量的相关程度的大小来分配，二级因子得分总和为15分。就一个预测因子而言，区域上其二级因子一般不能重复出现，因此二级因子只能得分一次，不累加。如岩性单元因子中碳酸盐岩作为一个二级因子，对铅锌矿的控制意义明显，则碳酸盐岩作为一个二级因子其得分就高些，不可能出现一个区域既是碳酸盐岩又是碎屑岩，因此就岩性而言某个区域的得分只能计算一次，并且是小于15分的。
(一)遥感岩性单元因子
遥感岩性单元解译共有五种类型，即碳酸盐岩、碎屑岩、玄武岩、变质岩及第四系。表5-1统计了已知矿产地在解译的不同岩性单元中所占数量，其中碳酸盐岩中有各种矿床、矿点共87个，计算成矿产当量为248，占总矿产当量的81.6%，反映了碳酸盐岩对铅锌矿产控制的特点。另有一些矿产分布于碎屑岩、玄武岩中，可能是由于矿产的产出岩性的不同或由于区域岩性单元小面积的分布不能准确解译而造成的，因此将不同的岩性作为岩性单元因子的二级因子，根据各二级因子的矿产当量及得分如表5-2。
表5-1 遥感解译岩性因子矿产当量表
表5-2 遥感解译岩性因子得分表
(二)遥感断裂-线性构造因子
滇东北地区遥感构造解译结果表明，铅锌矿产受断裂-线性构造控制作用十分明显。
首先，在解译过程中已经将断裂-线性构造按照在影像上的特征划分为三个级别:一级线性构造延伸长、宽度大，迹清楚，往往是影像单元或地质单元的分界;二级线性构造延伸连续或断续、有一定规模者，标志清楚，通常发育在一级构造的旁侧，共同构成较大规模的断裂带;*线性构造规模短小，成群出现。研究线性构造与矿产的关系及分析已知资料可以看出，一级线性构造控制区域上矿化带的形成，二级线性构造往往是矿体形成的导矿构造，而*线性构造往往是成矿的容矿构造，三个级别的线性构造对矿产形成的控制及预测的指示意义是不同的，因此，在预测因子的选择上将三个级别的构造按照三个预测因子对待，它们各自得分为15分。
其次，在每个级别的构造中将线性构造按照其走向归纳为四个方向，即EW向、SN向、NE向、NW向。野外调研和资料研究表明，区域中矿产的分布及形成往往与某个方位的构造具有密切的关系，同时，构造交汇部位对矿体的形成具有更为重要的意义，如五星厂、火德红、金沙厂等矿床，矿体的分布均与NW向构造有关，因此，有必要将构造中不同的方位分别对待，这就是线性构造中的二级因子。值得指出的是，当某个区域为两方位的线性构造同时通过时，在二级因子的得分中将会重复加分，这正是对构造交汇区域重要性的突出显示。
第三，解译出的线性构造信息在GIS中均是以线文件进行表述的，因此，在分析过程中要求出其影响的范围(即线的缓冲区)。不同级别的构造对矿产的控制作用是不同的，在统计预测中其缓冲区也将是不同的。我们以构造影响的范围(即线的缓冲区)能够包括多数矿产当量为标准，即包含工作区总矿产当量的75%为准来确定不同级别构造的影响范围大小。这个影响范围在同一级别不同方位的构造(即二级因子)中将统一使用。而二级因子的得分将按照其影响范围内矿产当量在总矿产当量中的比例确定。
1.一级线性构造因子
依据点线叠加分析，可以看出一级构造与已知矿产的距离关系，如图5-2。
图5-2 矿产当量与一级构造距离关系示意图
随着与构造的距离增加，矿产当量累积数据呈减少趋势，矿产当量主要分布在84.8mm(度量用图比例尺为1∶5万，实际距离为4.24km，下同)以内，当距离超过84.8mm以后矿产当量锐减。计算84.8mm以内的矿产当量总和为231，占总矿产当量的75.99%。因此，选择84.8mm为一级线性构造的缓冲区(影响范围)边界。按EW、SN、NE、NW四方位计算其影响范围内所控制矿产当量的数目及得分，见表5-3。
表5-3 一级线性构造得分表
2.二级线性构造因子
构造与矿产之间的距离关系如图5-3，当距离大于30.55mm(实际距离1.53km)时，构造所控制的矿产当量数目增加不明显，计算此范围内的矿产当量为237，占区域内总矿产当量的77.96%。因此，选择30.55mm为二级线性构造缓冲区(影响范围)的边界。
图5-3 矿产当量与二级构造距离关系示意图
分别计算不同方向二级线性构造影响范围内的矿产当量数，并计算得分，见表5-4。
表5-4 二级线性构造得分表
3.*线性构造因子
*线性构造与矿产之间的距离关系如图5-4，由于*线性构造数量多，当距离增大时，构造所控制的矿产当量数目呈减少态势，但没有明显的“跳阶”，经计算，满足控制75%矿产当量的距离为15.2mm(实际距离0.76km)，此时矿产当量总数为229，占区域内总矿产当量的75.3%。因此，选择15.2mm为*线性构造的缓冲区(影响范围)边界。
同样，按上面确定的影响范围，分别计算不同方向*线性构造影响范围内的矿产当量数，并计算得分，如表5-5所示。
图5-4 矿产当量与*构造距离关系示意图
表5-5 *线性构造得分表
以上构造与矿产的关系分析可以看出，在一级构造中矿产与NE向构造关系密切，其影响范围内的矿产当量为220，占所有矿产当量的72%;在二级构造及*构造中矿产与NW向构造关系密切，其影响范围内的矿产当量分别为145与148，占所有矿产当量的47.7%与48.7%，这表明在区域上矿产的分布是NE向带状展布的，与区域应力场作用下的构造展布是一致的，NE向构造是区内主要的控矿构造;二、*构造中矿产与NW向构造关系密切，表明区内发育的规模不大、数量较多的成群出现的NW向线性构造或节理带是铅锌矿矿体或矿床形成的主要构造，是铅锌矿形成的导矿或容矿构造，也是铅锌元素矿化富集的主要部位。已知矿床资料研究也表明上述规律的存在，如火德红矿区，控矿构造为NE向背斜-逆断层属巧家-鲁甸-昭通-大关-威信褶断带，而NW向断裂控制矿床或矿体，NW向的层间裂隙、波状挠曲控制着矿化富集及铅锌的分布，老矿山、锌山海子、雀落海子等矿段实际上都受控于NW向断层。
(三)遥感面状构造因子
遥感面状构造包括褶皱构造和环形构造。区内共解译出褶皱构造30个及不同类型的环形构造107个，从表3-18及3-19中面状构造与矿产关系的分析可以看出，面状构造对矿产的控制有一定的作用，因此有必要将面状构造作为一个预测因子对待，其得分为15分。
分析面状构造的分布可以看出，除少数面状构造有重叠部位(如H97与Z29、H35、H36与Z12、H81与Z21等)外，大多数面状构造的分布是不相关的，而从面状构造的类型对矿产的控制作用来看，尚没有明显的特征，因此将褶皱构造、环形构造中的穹隆、蚀变、火山、溶塌、断陷及不明类型的环形构造作为7个二级因子，其得分平均分配，除褶皱构造为3分外，其余均为2分。
(四)遥感线性密度因子
遥感线性体统计结果表明，并非所有方向的线性体都对矿产预测具有指示意义。通过对每个方向的线性体密度的不同区间所控制的矿产当量统计(表5-6，图5-5)，可以看出，单区间矿产当量大于80，而且具有较好的正态曲线特征的为30°～60°、300°～330°及60°～90°三个方位区间的线性体，而其他方位线性体密度与矿产的相关特征不十分明显。因此，遥感线性体密度因子选择了30°～60°(NE向)、300°～330°(NW向)及60°～90°(NEE向)三个方位作为三个预测因子参与预测，其各自得分为15分。
表5-6 各方位线性体密度矿产当量表
图5-5各方位线性体密度矿产当量示意图
在各个方位的线性体密度预测因子中，矿产当量的分布规律是由不同线性体密度所控制的，在图上表现为不同的密度区间，因此，依不同的密度区间作为各方位的二级因子，其得分按照各区间所控制的矿产当量的比例进行分配。
根据上述三个方位所控制矿产当量的数目，分别计算出各方位十个密度区间的得分值(表5-7)。
表5-7 三个方位线性体密度得分表
(五)遥感蚀变异常因子
遥感蚀变异常的提取是在对岩性光谱分析的基础上进行的，蚀变异常中的高—低值分带，基本可以代表光谱反映岩石蚀变的强、弱特征。工作过程中提取了两中不同类型的蚀变异常，即铁化异常和泥化异常，并将其作为两个预测因子参与，其得分分别为15分。
在每种类型的异常中，以异常的强、中等、弱为三个二级因子，其得分按强异常7分，中等异常5分，弱异常3分的标准分配。
(六)地球化学异常因子
地球化学异常在成矿预测中具有重要的指导意义，选择了1∶20万Pb、Zn分散流异常、重砂异常及土壤金属量异常为预测因子，四种异常总共得分为15分。
归纳上述预测因子及得分情况为表5-8。
表5-8 成矿预测因子及得分一览表
续表
四、预测方法的实现及表现方式
以上统计及分析在GIS软件中应用空间分析的功能实现，因子得分的叠加分析通过矢量到栅格的转换后在PCI软件中进行。结果图件经平滑滤波进行分类。
图5-6 预测因子叠加图像直方图
从预测因子叠加图像直方图(图5-6)可以看出，直方图总体形态呈正态分布，表明各因子的得分是随机分布的，表明统计的有效性。在最高频率左侧的低值坡上有两个小的尖峰，表明低分值区域受个别因子的影响较大;最高频率右侧高值坡比较平滑，正是信息逐步累积的结果，表明高值区域能够代表最佳预测区域。
