面向多金屬結核資源評價的大數據挖掘與融合

摘要： 深海多金屬結核資源的預測評價已走向數據科學范式，急需開展深層次找礦-示礦大數據挖掘與融合。通過分析討論深海礦產資源評價的研究進展，以及大數據分析在礦產資源評價領域的應用，探索了面向多金屬結核資源評價的大數據挖掘與融合技術方法，提出了多金屬結核資源地質模型知識譜系分析、多源異構資源-環境數據特征信息挖掘、基于大數據空間決策分析的融合集成，以及多金屬結核資源評價對比驗證等關鍵技術流程。大數據挖掘與融合技術方法創新性分析常規/非常規資源評價數據及其與礦床的相關關系，構建符合地質約束的大數據空間決策支持推理模型，實現多源異構資源評價信息的特征提取和融合集成，為深海礦產資源評價提供了基于大數據分析的技術解決途徑。大數據挖掘與融合技術研究可提高深海礦產資源評價的精度和效率，對深海資源-環境等數據的高效利用、新多金屬結核礦區的勘探評價以及其他深海礦種的預測評價具有重要的理論價值和實踐意義。

關鍵詞：多金屬結核；資源評價；深海礦產；大數據；數據挖掘；數據融合

doi：10.13278/j.cnki.jjuese.20230166

中圖分類號：P744.3 文獻標志碼：A

收稿日期： 2023-07-12

作者簡介： 李維祿（1987—）， 男， 副研究員， 主要從事海洋礦產資源評價、海洋大數據應用等相關方面的研究， E-mail： qrange@163.com， liweilu@nmdis.org.cn

通信作者： 楊錦坤（1980—）， 男， 正高級工程師， 主要從事海洋大數據應用相關方面的研究， E-mail： yangjinkun@nmdis.org.cn

基金項目： 國家自然科學基金項目（42206226）；國家重點研發計劃項目（2022YFC2806601）

Supported by the National Natural Science Foundation of China （42206226） and the National Key Ramp;D Program of China （2022YFC2806601）

Big Data Mining and Fusion Towards Resources Evaluation of "Polymetallic Nodules

Li Weilu， Gao Siyu， Yang Jinkun， Han Chunhua， Wei Guanghao， Kong Min

National Marine Data and Information Service， Tianjin 300171， China

Abstract： The prediction and evaluation of deep-sea polymetallic nodules have entered into the data science paradigm， and the deep mining and fusion of big data for ore prospecting and ore indication are seriously needed. Through analyzing the research progress of" deep-sea polymetallic nodules evaluation， and discussing the application of big data approaches in mineral resources evaluation， the big data mining and fusion techniques towards resources evaluation of" polymetallic nodules are explored， in which， the major research contents and methods like the knowledge pedigree analysis for polymetallic nodules resources， the metallogenic characteristics mining methods based on data science， the fusion and integration methods based on spatial decision-making model with big data， the comparison and verification of quantitative prediction and evaluation on polymetallic nodules resource， are proposed. It creatively analyzes" conventional/unconventional resources evaluating data and its correlation with ore deposits， and establishes the spatial decision-making model with geological constraint and big data. On this basis，" feature extraction and fusion of the information from multi-source heterogeneous data are achieved to supply the technology solution based on big data for deep-sea mineral resources evaluation. The research on big data mining and fusion techniques could improve the accuracy and efficiency of polymetallic nodules resources evaluating， and has important theoretical value and practical significance to the efficient use of deep-sea resource-environmental data， the exploration and evaluation of new polymetallic nodules mining area， and the prediction and evaluation of other deep-sea minerals.

Key words：polymetallic nodules; resources evaluation; deep-sea minerals; big data; data mining; data fusion

0 引言

深海多金屬結核因其富含銅、鈷、鎳、錳、稀土和鉑族等關鍵金屬元素，是一種具有潛在經濟價值的戰略性礦產資源，其空間分布規律和資源潛力評價一直是海洋地球科學研究中的熱門話題[1-4]，對于維護國際海底資源開發權益、滿足經濟發展和安全需求具有重要意義。我國自20世紀70年代開始針對多金屬結核資源的調查和開發進行研究，取得了重要進展[5-7]，并先后在國際海底區域申請到3塊多金屬結核勘探合同區（位于東太平洋Clarion-Clipperton區（CC區）的中國大洋礦產資源研究開發協會合同區和中國五礦集團有限公司合同區、位于西太平洋的北京先驅高技術開發公司合同區），隨著區域性調查工作的開展和新礦區的獲批，對多金屬結核資源的預測評價有著強烈的現實需求。

長期以來，深海多金屬結核資源評價基本遵循陸地礦產資源評價的基本理論和方法，同時，受自身特殊性的影響，存在數據獲取難度大、樣本分布不均等現實差異，傳統的基于多元統計分析、地質統計學等的資源評價方法對整體空間相關性考慮不夠，難以刻畫復雜的非線性空間關聯規律。隨著多來源、多類型、多時段以及多尺度特征常規/非常規資源評價數據的不斷匯集，深海礦產資源預測評價進入了大數據時代[8]，研究難點逐漸聚焦于深層次找礦-示礦信息挖掘與集成。伴隨機器學習和深度學習等大數據分析方法的迅猛發展，且在處理礦產資源時空大數據中表現出極強的分類和預測性能，深海礦產資源預測評價逐步從傳統的知識驅動、數據驅動向基于數據科學的模型混合驅動轉變[9]，如何基于大數據分析方法支撐評價特征提取與信息融合集成成為提高深海礦產資源預測評價成效的關鍵。結合以上現實，有必要聚焦研究程度較高的多金屬結核資源開展大數據挖掘與融合技術探索，一方面對提升深海礦產資源-環境數據的高效利用和深海礦產資源評價的精細化表征水平具有重要意義，另一方面可以滿足新礦區的勘探評價需求，為其他海底資源的勘查和預測評價提供方法支撐和依據。

1 深海礦產資源評價研究進展

礦產資源預測評價是對地球表面具有經濟價值的礦產可能存在的位置和資源潛力進行科學預測，指導國家政府資源政策制定和礦產勘探部署[10-12]。從全球來看，礦產資源評價方法的發展大致可劃分為地質類比、多元統計、3S體系（地質模型系統、決策支撐系統、地理信息系統）三個階段，并進一步向非線性和復雜性理論及模型方面發展[13]。

20世紀60年代以來，國際上對深海礦產資源開展了大規模的調查研究，多金屬結核資源評價成為礦產資源評價的新領域[14-16]。受資源安全以及自身獨特性和開發難度的限制，海洋礦產資源評價方法和理論缺少像陸地礦產資源一樣完善和廣泛的國際交流[17-19]，目前暫未開展大規模開采，多金屬結核資源評價理論和方法也處在由簡單到復雜、由單因素到多因素、從傳統統計學和地質統計學向數據科學的探索應用發展之中[20]。

我國是多金屬結核先驅投資者之一，勘查成果和研究水平在國際大洋礦產資源領域具有廣泛影響。我國學者借鑒陸地礦產資源評價基本概念、理論和方法開展深海礦產資源評價研究。最早應用基礎數學方法開展大洋多金屬結核資源評價與礦區圈定[21]，基于多變量精確分類需求，利用各種定量的數學地質方法，如因子分析、聚類分析、趨勢面分析等多元統計分析進行了大量的實踐和研究[22-23]。在此基礎上，為進一步解決地質變量的隨機性和結構性問題，以區域化變量為核心的地質統計學方法在礦產資源評價中廣泛應用，例如將協同克里格方法以及協同區域化理論應用于CC區我國西開辟區的多金屬結核地質模型建立工作等[24]。但地質統計學方法只能度量二階平穩或本征假設條件下的相關性，難以表征和模擬復雜空間結構和重構復雜空間形態[25]。在此背景下，以分形理論和神經元網絡分析等方法為代表的非線性方法逐漸被應用到該領域中[26-27]。

與此同時，結合礦床模型在陸地礦產中的應用發展以及各類數據的不斷增長，國際海底管理局（2010）發布CC區多金屬結核資源沉積地質模型技術研究報告[18]，為勘探者、合同承包者以及領域專家等提供指導與參考；國內學者構建了東北太平洋多金屬結核礦床地質模型[2]，采用證據權法、邏輯斯蒂回歸、模糊邏輯、人工神經網絡等空間決策方法，對CC區多金屬結核資源分布進行了定量預測研究，創新性發揮了多學科交叉的優勢，大數據預測思維下的深海礦產資源評價方法逐漸發展。

其他礦種方面，早期評價方法主要聚焦于成礦背景和分布規律等先驗知識，基于這些方法的礦區圈定和資源評價途徑以及礦區圈定參數指標逐漸被提出[28-30]。在此基礎上，利用多源數據關聯關系綜合評價海底富鈷結殼資源的方法逐漸發展，如利用多波束背向散射回波強度確定其與不同豐度多金屬結核、富鈷結殼以及深海沉積之間的定性和定量關系[31-32]；利用坡度-距離等多點地質統計學方法定量評價海山富鈷結殼資源[33-34]。近年來，國內學者逐步探索應用大數據分析方法，系統建立了海底多金屬硫化物資源定量評價預測方法體系，并成功運用到大西洋和印度洋多金屬硫化物的成礦預測研究中[35]；以及應用知識驅動和數據驅動的組合預測方法和深度學習算法，解決已知硫化物礦床（點）不足、小樣本、數據缺失、數據耦合、主客觀誤差等問題，提高了預測準確性和效率[36]。

總體上，深海礦產資源預測評價已經從定性走向了定量，從數據稀疏型走向了數據密集型，高維度、高計算復雜度及高不確定性等難題逐漸凸顯，其方法也逐漸由條件概率理論方法向非線性和復雜性理論及模型發展。

2 大數據分析在礦產資源評價領域的應用

隨著信息技術的迅猛發展，當今社會進入了第四范式時代——大數據挖掘時代[37-39]。面對海量數字化資料的不斷積累，大數據分析技術因其高效的知識發現和分析能力逐漸被應用到地球科學領域[40-41]。國際上均在推動地質大數據的發展，如EarthServer大地球數據分析引擎的研發[42]、美國國家科學基金會于2012年啟動的EarthCube項目[43]等，通過大數據方式，提出了新的復雜地球系統的表述和認識。

國內學者討論了地質大數據的混合性、抽樣性、因果性、時空性、多態性和多元性特征，指出數字地質是地球科學的數據科學，并提出建立和發展適應大數據時代特征的礦產預測評價數據科學十分必要[44]；進一步分析了大數據、深度機器學習與復雜人工智能等數學地球科學前緣在礦產資源和能源定量預測和評價中的應用發展[45]。在此背景下，眾多卓有成效的工作逐漸開展，大數據思維下的礦產預測模型理論、多學科信息相關性分析、預測地質求異理論、礦產區域趨勢分析方法等礦產資源定量預測與評價基本理論和方法初步形成[46-52]。

在具體的評價工作中，對多源空間數據進行特征提取和集成融合成為核心問題和研究熱點，不同學者從多個角度對基于知識、數據、模型混合驅動的機器學習和深度學習等大數據分析方法進行了研究探索。隨機森林等算法逐漸應用于成礦預測領域，其優秀的擬合和泛化性能被驗證[53-54]，針對缺失值和小樣本訓練集處理預測的相關模型不斷迭代優化；基于數據科學的礦產資源定量預測理論與方法以及引入的不確定性分析不斷被討論[55]，基于機器學習、深度學習的深層次礦化信息挖掘與集成逐漸發展起來。

大數據挖掘與集成在陸地礦產資源定量預測評價領域取得了良好的應用效果[56-64]，相較于傳統地質統計學方法，以隨機森林等機器學習、深度學習算法為代表的大數據分析方法，在復雜數據深層次分析挖掘、致礦異常信息關聯轉換、多源數據致礦異常信息綜合集成等方面具有明顯的優勢。

對于深海礦產資源評價來說，科學工作同樣屬于數據密集型范疇，數據獲取難度大、成本高，數據混合性、變異性、穩健性、相關性等隨時間、空間及地質體不同而各異，亟須依據大數據分析方法等數據科學識別、提取與礦床時空分布相關的特征，刻畫特征復雜的空間耦合關系。目前大數據技術理念和方法在該領域的應用仍然處于探索階段。

3 面向多金屬結核資源評價的大數據挖掘與融合

可以發現，多金屬結核資源評價大數據的特征信息挖掘和基于大數據分析的多源異構資源-環境數據的融合集成將成為未來資源評價的關鍵科學問題。基于科學問題分析，本文研究探索了面向多金屬結核資源評價的大數據挖掘與融合技術方法（圖1），具體包括多金屬結核資源地質模型知識譜系分析、多源異構資源-環境數據特征信息挖掘、基于大數據空間決策分析的融合集成，以及多金屬結核資源評價對比驗證等關鍵環節。

3.1 多金屬結核資源地質模型知識譜系分析

知識譜系分析 應用創新多主題、無模式知識

挖掘和發現等技術方法，挖掘半結構化、非結構化數據（科技文獻、研究報告等）資料，分析多金屬結核產出的區域地質特征，總結控制結核形成過程中的能量驅動、物質遷移、富集和保存機制，建立多金屬結核資源地質模型知識譜系（圖2），初選資源評價潛在因素，為信息挖掘和空間決策提供地質先驗知識和約束。

數據資源準備與預處理 面向東太平洋多金屬結核勘探合同區（訓練驗證區）、西太平洋多金屬結核勘探合同區（預測評價區）以及全球背景區域，收集國內外多金屬結核勘探實測數據、研究成果資料以及環境背景數據（表1），包括礦產地質、海洋環境等多源學科要素和結構化、非結構化等異構格式類型，持續補充更新。開展結構化數據的坐標轉換，空間配準，數據拼接，缺失、重復和異常值處理等數據清洗和預處理，構建多金屬結核資源-環境數據資源池，為挖掘分析和決策融合提供多源異構數據基礎。

3.2 多源異構資源-環境數據特征信息挖掘

數據樣本構建與算法優選 基于數據資源和知識譜系，構建面向東太平洋多金屬結核勘探合同區（訓練驗證區）的結構化數據樣本，優選關聯（Apriori算法等）、分類（決策樹、貝葉斯、BP神經網絡等算法）、回歸（邏輯回歸算法等）、聚類（K- medoids算法等）、模式挖掘、深度學習（卷積神經網絡等）和異常檢測等大數據分析方法，對預測要素數據進行分類關聯（圖3），構建基于大數據的地質異常數據模型（訓練集和測試集）。

基于數據科學的特征提取 探索應用大數據分析方法突破參數、模型、模式的限制，對多金屬結核資源評價大數據進行特征提取，包括多波束回波強度分析、斷裂構造緩沖區分析、地形坡度關聯關系、重磁地震異常識別、底層流、海水化學、初級生物生產力分布等擴大化資源評價因素或異常組合，為空間決策提供關系基礎。

3.3 基于大數據空間決策分析的融合集成

空間決策支撐模型構建 分析對比證據權、邏輯回歸、人工神經網絡等經典資源評價原理和方法流程，基于特征信息挖掘提取，應用隨機森林等多種機器學習方法，融合分析各類控制因素、異常組合與多金屬結核資源的空間耦合關系，構建訓練區空間決策支撐模型。

模型性能評價驗證 應用驗證區數據開展模型性能評價，分析模型性能和ROC（receiver operating characteristic）曲線等相關參數指標，進一步調優，改進基于多種大數據分析方法的空間決策支持模型，減少評價的不確定性。同時，根據性能評價結果，進一步反饋豐富知識譜系。

3.4 多金屬結核資源評價對比驗證

多金屬結核資源評價應用 基于訓練驗證區空間決策支撐模型訓練構建和驗證成果，面向預測評價區開展多金屬結核資源空間分布估計、富礦區圈定、潛力等級劃分等成礦潛力預測評價分析。

模型迭代改進 與多金屬結核知識譜系（預測評價區）相關研究成果開展對比分析，根據對比分析結果迭代改進基于多種大數據分析方法的空間決策支持模型，形成最優參數設計圖版，實現大數據空

間決策分析，指導多金屬結核資源預測評價。

4 相關思考

目前我國新申請的西太平洋多金屬結核勘探合同區評價需求較大，考慮到深海礦產資源數據獲取難度大、成本高，如何高效利用已有資源-環境數據和研究成果，實現多來源、多類型學科要素未知、潛在知識發現，應用較為經濟的方式開展預測評價，合理有效地指導、支撐多金屬結核等深海戰略性礦產資源調查和開發研究，是亟待解決的關鍵問題。

近幾十年的調查和研究表明，全球深海海域還有很多涉及到具體區域的新資源調查工作有待開展，傳統評價技術方法嚴重受限于實測數據稀少、分布不均以及難以刻畫復雜非線性空間分布模式等現實問題，整體空間相關性考慮不夠。如何應用基于數據科學的大數據分析方法融合多源異構資源-環境數據，刻畫深海礦產資源復雜的非線性空間耦合關系，實現高效預測評價，豐富相關理論和實踐，亟待深入研究。

基于以上考慮，圍繞深海多金屬結核資源評價大數據挖掘分析與融合集成等關鍵科學問題，利用基于數據科學的大數據分析方法，深入分析挖掘常規/非常規資源評價數據及其與礦床的相關關系，構建符合知識譜系約束的大數據空間決策支持推理模型，探索多源異構資源-環境數據的挖掘分析和集成融合技術方法，可為提高深海多金屬結核資源預測和評價的精度和效率，提供基于大數據的技術解決途徑。

5 結論

1）深海礦產資源評價逐漸轉向數據科學范式，深層次找礦-示礦大數據的挖掘與融合逐漸成為多金屬結核資源評價的關鍵技術手段，也是制約深海礦產資源-環境數據高效利用和精細化表征水平的主要問題。

2）探索了面向多金屬結核資源評價的大數據挖掘與融合技術方法，包括多金屬結核資源地質模型知識譜系分析、多源異構資源-環境數據特征信息挖掘、基于大數據空間決策分析的融合集成，以及多金屬結核資源評價對比驗證等內容。

3）聚焦多金屬結核，探索性開展深海礦產資源評價大數據挖掘與融合技術研究，創新基于數據科學的深海礦產資源預測評價相關特征提取和數據集成融合方法，提高資源評價精度和效率，對于新多金屬結核礦區的勘探評價以及其他深海礦種的預測評價具有重要的理論價值和實踐意義。

參考文獻（References）：

[1] 張富元， 章偉艷， 王英， 等. 大洋多金屬結核資源評價原理和礦區圈定方法[M]. 北京： 海洋出版社， 2001.

Zhang Fuyuan， Zhang Weiyan， Wang Ying， et al. The Principle of Resource Estimation and Method of Delineating Mining Area of Polymetallic Nodules in Ocean[M]. Beijing： Ocean Press， 2001.

[2] 周懷陽， 呂文正， 周寧， 等. 東北太平洋多金屬結核礦床地質模型[M]. 北京： 地質出版社， 2016.

Zhou Huaiyang， Lü Wenzheng， Zhou Ning， et al. The Ore Geological Model of Polymetallic Nodules in Northeast Pacific Ocean[M]. Beijing： Geological Publishing House， 2016.

[3] Hein J R， Spinardi F， Okamoto N， et al. Critical Metals in Manganese Nodules from the Cook Islands EEZ， Abundances and Distributions[J]. Ore Geology Reviews， 2015， 68： 97-116.

[4] Hein J R， Koschinsky A， Kuhn T. Deep-Ocean Polymetallic Nodules as a Resource for Critical Materials[J]. Nature Reviews （Earth and Environment）， 2020， 1： 158-169.

[5] 初鳳友， 姜靜， 劉禹維， 等. 我國深海多金屬結核資源的勘探進展與思考[J]. 中國有色金屬學報， 2021， 31（10）： 2638-2648.

Chu Fengyou， Jiang Jing， Liu Yuwei， et al. Advance and Implication for Polymetallic Nodules Resources Exploration in Deep-Sea[J]. The Chinese Journal of Nonferrous Metals， 2021， 31（10）： 2638-2648.

[6] 劉峰， 劉予， 宋成兵， 等. 中國深海大洋事業跨越發展的三十年[J]. 中國有色金屬學報， 2021， 31（10）： 2613-2623.

Liu Feng， Liu Yu， Song Chengbing， et al. Three Decades’ Development of China in Deep-Sea Field[J]. The Chinese Journal of Nonferrous Metals， 2021， 31（10）： 2613-2623.

[7] 石學法， 符亞洲， 李兵， 等. 我國深海礦產研究： 進展與發現（2011—2020年）[J]. 礦物巖石地球化學通報， 2021， 40（2）： 305-318， 517.

Shi Xuefa， Fu Yazhou， Li Bing， et al.Research on Deep-Sea Minerals in China： Progress and Discovery （2011-2020） [J]. Bulletin of Mineralogy， Petrology and Geochemistry， 2021， 40（2）： 305-318， 517.

[8] Hein J R， Koschinsky A. Deep-Ocean Ferromanganese Crusts and Nodules[J]. Treatise on Geochemistry， 2014， 13： 273-291.

[9] 左仁廣. 基于數據科學的礦產資源定量預測的理論與方法探索[J]. 地學前緣， 2021， 28（3）： 49-55.

Zuo Renguang. Data Science-Based Theory and Method of Quantitative Prediction of Mineral Resources[J]. Earth Science Frontiers， 2021， 28（3）： 49-55.

[10] Cox D P， Singer D A. Mineral Deposit Models[M]. Washington： United States Government Printing Office， 1986.

[11] Roberts R G， Sheahan P A. Ore Deposit Models[M]. Winnipeg： Canada Geosciences， 1988.

[12] Singer D A. Basic Concepts in Three-Part Quantitative Assessments of Undiscovered Mineral Resources[J]. Nonrenewable Resources， 1993， 2（2）： 69-81.

[13] 李裕偉， 趙精滿， 李晨陽. 基于GMS、DSS和GIS的潛在礦產資源評價方法[M]. 北京： 地震出版社， 2007.

Li Yuwei， Zhao Jingman， Li Chenyang.The Potential Mineral Evaluating Methods Based on GMS， DSS and GIS[M]. Beijing： Seismological Press， 2007.

[14] Hein J R， Mizell K， Koschinsky A， et， al. Deep-Ocean Mineral Deposits as a Source of Critical Metals for High- and Green-Technology Applications： Comparison with Land-Based Resources[J]. Ore Geology Reviews， 2013， 51： 1-14.

[15] Sharma R. Deep-Sea Mining[M]. Amsterdam： Elsevier， 2017.

[16] Koschinsky A， Hein J R. Marine Ferromanganese Encrustations： Archives of Changing Oceans[J]. Elements， 2017， 13： 177-182.

[17] Bau M， Schmidt K， Koschinsky A， et al. Discriminating Between Different Genetic Types of Marine Ferro-Manganese Crusts and Nodules Based on Rare Earth Elements and Yttrium[J]. Chemical Geology， 2014， 381： 1-9.

[18] ISA （International Seabed Authority）. A Geologic Model for Polymetallic Nodule Deposits in the Clarion-Clipperton Fracture Zone[R]. Kingston： ISA， 2010： 211.

[19] Parianos J， Lipton I， Nimmo M. Aspects of Estimation and Reporting of Mineral Resources of Seabed Polymetallic Nodules： A Contemporaneous Case Study[J]. Minerals， 2021， 11（2）： 200.

[20] Ellefmo S L， Kuhn T. Application of Soft Data in Nodule Resources Estimation[J]. Natural Resources Research， 2021， 30： 1069-1091.

[21] 張富元， 章偉艷， 王英， 等. 大洋多金屬結核資源評價的基本理論與方法[J]. 沉積學報， 2001， 19（2）： 169-176.

Zhang Fuyuan， Zhang Weiyan， Wang Ying， et al.Theory and Method of Polymetallic Nodule Resources Evaluation[J]. Acta Sedimentologica Sinica， 2001， 19（2）： 169-176.

[22] Wasilewska M， Mucha J. Possibilities and Limitations of the Use of Seafloor Photographs for Estimating Polymetallic Nodule Resources： Case Study from IOM Area， Pacific Ocean[J]. Minerals， 2020， 10： 1123.

[23] Fu Y， Wen H. Variabilities and Enrichment Mechanisms of the Dispersed Elements in Marine Fe-Mn Deposits from the Pacific Ocean[J]. Ore Geology Reviews， 2020， 121： 103470.

[24] 杜德文， 孟憲偉， 石學法， 等. CC西區多金屬資源評價的協同區域化理論和方法[J]. 海洋學報， 2005， 27（2）： 98-105.

Du Dewen， Meng Xianwei， Shi Xuefa， et al.Co-Kriging Model of Manganese Nucleus Mineral Resource Evoluation in the CC Region of the Pacific Ocean[J]. Acta Oceanologica Sinica， 2005， 27（2）： 98-105.

[25] 王愷其， 肖凡. 多點地質統計學的理論、方法、應用及其發展現狀[J]. 地質科技情報， 2019， 38（6）： 256-268.

Wang Kaiqi， Xiao Fan. Multi-Points Geostatistics： A Review of Theories， Methods and Applications[J]. Geological Science and Technology Information， 2019， 38（6）： 256-268.

[26] 韓喜球， 李家彪， 王英， 等. 分形理論在太平洋多金屬結核分布研究中的應用[J]. 海洋學報， 2001， 23（3）： 142-146.

Han Xiqiu， Li Jiabiao， Wang Ying， et al. Application of Fractal Theory to Distribution of Polymetallic Nodules from the Pacific Ocean[J]. Acta Oceanologica Sinica， 2001， 23（3）： 142-146.

[27] 劉永剛， 杜德文， 曲鏡如， 等. 基于Fuzzy ARTMAP的CC區多金屬結核資源定量評價[J]. 海洋地質與第四紀地質， 2013， 33（2）： 169-179.

Liu Yonggang， Du Dewen， Qu Jingru， et al.Quantitative Assessment of Polymetallic Nodules Resource of CC Zone Based on Fuzzy ARTMAP[J]. Marine Geology amp; Quaternary Geology， 2013， 33（2）： 169-179.

[28] 何高文， 趙祖斌， 朱克超， 等. 西太平洋富鈷結殼資源[M]. 北京： 地質出版社， 2001.

He Gaowen， Zhao Zubin， Zhu Kechao， et al.The Co-Rich Crust Resources in West Pacific Ocean[M]. Beijing： Geology Press， 2001.

[29] 張富元， 章偉艷， 朱克超， 等. 鈷結殼礦區圈定和資源評價的參數指標[J]. 地球科學， 2008， 33（2）： 251-258.

Zhang Fuyuan， Zhang Weiyan， Zhu Kechao， et al. Parameter and Index for Delineation and Evaluation of Co-Rich Crust Resources[J]. Earth Science， 2008， 33（2）： 251-258.

[30] 馬維林， 初鳳友， 金翔龍. 富鈷結殼資源評價和圈礦方法探討[J]. 海洋學報， 2007， 29（2）： 67-73.

Ma Weilin， Chu Fengyou， Jin Xianglong.Method Approach of Resource Assessment and Ore Delineation for Cobalt-Rich Crust[J]. Acta Oceanologica Sinica， 2007， 29（2）： 67-73.

[31] Yang Y， He G， Ma J， et al. Acoustic Quantitative Analysis of Ferromanganese Nodules and Cobalt-Rich Crusts Distribution Areas Using EM122 Multibeam Backscatter Data from Deep-Sea Basin to Seamount in Western Pacific Ocean[J]. Deep-Sea Research Part I， 2020， 161： 103281.

[32] 馬金鳳， 楊永， 鄧希光， 等. 西太平洋海底多金屬結核空間分布與多波束回波強度的關系[J]. 地質通報， 2021， 40（2/3）： 392-400.

Ma Jinfeng， Yang Yong， Deng Xiguang， et al.Relation of the Distribution of Bottom Polymetallic Manganese Nodules to Multibeam Backscatter in West Pacific[J]. Geological Bulletin of China， 2021， 40（2/3）： 392-400.

[33] Du D， Wang C， Du X， et al. Distance-Gradient-Based Variogram and Kriging to Evaluate Cobalt-Rich Crust Deposits on Seamounts[J]. Ore Geology Reviews， 2017， 84： 218-227.

[34] Du D， Ren X， Yan S， et al. An Integrated Method for the Quantitative Evaluation of Mineral Resources of Cobalt-Rich Crusts on Seamounts[J]. Ore Geology Reviews， 2020， 84： 174-184.

[35] 陳建平， 李婧， 崔寧， 等. 大數據背景下地質云的構建與應用[J]. 地質通報， 2015， 34（7）： 1260-1265.

Chen Jianping， Li Jing， Cui Ning， et al. The Construction and Application of Geological Cloud Under the Big Data Background[J]. Geological Bulletin of China， 2015， 34（7）： 1260-1265.

[36] 沈芳， 韓喜球， 李洪林， 等. 海底多金屬硫化物資源預測：方法與思考[J]. 中國有色金屬學報， 2021， 31（10）： 2682-2695.

Shen Fang， Han Xiqiu， Li Honglin， et al. Prediction of Seafloor Polymetallic Sulfide Resources： Methods and Consideration[J]. The Chinese Journal of Nonferrous Metals， 2021， 31（10）： 2682-2695.

[37] Mattmann C A. A Vision for Data Science[J]. Nature， 2013， 493： 473-475.

[38] Wouter L， John W. Dealing with Big Data[J]. Science， 2011， 331： 639-806.

[39] Hand D J， Mannila H， Smyth P. Principles of Data Mining[M]. Cambridge： MIT Press， 2011.

[40] 趙鵬大. 大數據時代數字找礦與定量評價[J]. 地質通報， 2015， 34（7）： 1255-1259.

Zhao Pengda. Digital Mineral Exploration and Quantitative Evaluation in the Big Data Age[J]. Geological Bulletin of China， 2015， 34（7）： 1255-1259.

[41] Silver D， Schrittwieser J， Simonyan K， et al. Mastering the Game of Go Without Human Knowledge[J]. Nature， 2017， 550： 334-359.

[42] Baumann P， Mazzetti P， Ungar J， et al. Big Data Analytics for Earth Science： The Earth Server Approach[J]. International Journal of Digital Earth， 2016， 9（1）： 3-29.

[43] Li Shi， Chen Jianping， Liu Chang. Overview on the Development of Intelligent Methods for Mineral Resource Prediction Under the Background of Geological Big Data[J]. Minerals， 2022， 12（5）： 616.

[44] 趙鵬大. 地質大數據特點及其合理開發利用[J]. 地學前緣， 2019， 26（4）： 1-5.

Zhao Pengda. Characteristics and Rational Utilization of Geological Big Data[J]. Earth Science Frontiers， 2019， 26（4）： 1-5.

[45] 成秋明. 什么是數字地球科學及其前沿領域？[J]. 地學前緣， 2021， 28（3）： 6-25.

Cheng Qiuming. What are Mathematical Geosciences and Its Frontiers？[J]. Earth Science Frontiers， 2021， 28（3）： 6-25.

[46] 肖克炎， 孫莉， 李楠， 等. 大數據思維下的礦產資源評價[J]. 地質通報， 2015， 34（7）： 1266-1272.

Xiao Keyan， Sun Li， Li Nan， et al. Mineral Resources Assessment Under the Thought of Big Data[J]. Geological Bulletin of China， 2015， 34（7）： 1266-1272.

[47] 王登紅， 劉新星， 劉麗君. 地質大數據的特點及其在成礦規律、成礦系列研究中的應用[J]. 礦床地質， 2015， 34（6）： 1143-1154.

Wang Denghong， Liu Xinxing， Liu Lijun.Characteristics of Big Geodata and Its Application to Study of Minerogenetic Regularity and Minerogenetic Series [J]. Mineral Deposits， 2015， 34（6）： 1143-1154.

[48] 陳建平， 任夢依， 方捷， 等. 洋中脊多金屬硫化物成礦定量預測[M]. 北京： 科學出版社， 2017.

Chen Jianping， Ren Mengyi， Fang Jie， et al.The Quantitative Prediction of Polymetallic Sulfide in Mid-Oceanic Ridges [M]. Beijing： Science Press， 2017.

[49] 周永章， 王俊， 左仁廣， 等. 地質領域機器學習、深度學習及實現語言[J]. 巖石學報， 2018， 34（11）： 3173-3178.

Zhou Yongzhang， Wang Jun， Zuo Renguang， et al. Machine Learning， Deep Learning and Python Language in Field of Geology[J]. Acta Petrologica Sinica， 2018， 34（11）： 3173-3178.

[50] 羅建民， 張旗. 大數據開創地學研究新途徑： 查明相關關系， 增強研究可行性[J]. 地學前緣， 2019， 26（4）： 6-12.

Luo Jianmin， Zhang Qi. Big Data Pioneers New Ways of Geoscience Research： Identifying Relevant Relationships to Enhance Research Feasibility[J]. Earth Science Frontiers， 2019， 26（4）： 6-12.

[51] 吳沖龍， 劉剛， 周琦， 等. 地質科學大數據統合應用的基本問題[J]. 地質科技通報， 2020， 39（4）： 1-11.

Wu Chonglong， Liu Gang， Zhou Qi， et al.Fundamental Problems of Integrated Application of Big Data in Geoscience[J]. Bulletin of Geological Science and Technology， 2020， 39（4）： 1-11.

[52] 周永章， 左仁廣， 劉剛， 等. 數學地球科學跨越發展的十年： 大數據、人工智能算法正在改變地質學[J]. 礦物巖石地球化學通報， 2021， 40（3）： 556-573.

Zhou Yongzhang， Zuo Renguang， Liu Gang， et al.The Great-Leap-Forward Development of Mathematical Geoscience During 2010-2019： Big Data and Artificial Intelligence Algorithm are Changing Mathematical Geoscience[J]. Bulletin of Mineralogy， Petrology and Geochemistry， 2021， 40（3）： 556-573.

[53] Carranza E J M， Laborte A G. Data-Driven Predictive Mapping of Gold Prospectivity， Baguio District， Philippines： Application of Random Forests Algorithm[J]. Ore Geology Reviews， 2015， 71： 777-787.

[54] Mckay G， Harris J R. Comparison of the Data-Driven Random Forests Model and a Knowledge-Driven Method for Mineral Prospectivity Mapping： A Case Study for Gold Deposits around the Huritz Group and Nueltin Suite， Nunavut， Canada[J]. Natural Resources Research， 2016， 25（2）： 125-143.

[55] 左仁廣， 彭勇， 李童， 等. 基于深度學習的地質找礦大數據挖掘與集成的挑戰[J]. 地球科學， 2021， 46（1）： 350-358.

Zuo Renguang， Peng Yong， Li Tong， et al. Challenges of Geological Prospecting Big Data Mining and Integration Using Deep Learning Algorithms [J]. Earth Science， 2021， 46（1）： 350-358.

[56] 向杰， 陳建平， 肖克炎， 等. 基于機器學習的三維礦產定量預測：以四川拉拉銅礦為例[J]. 地質通報， 2019， 38（12）： 2010-2021.

Xiang Jie， Chen Jianping， Xiao Keyan， et al. 3D Metallogenic Prediction Based on Machine Learning： A Case Study of the Lala Copper Deposit in Sichuan Province[J]. Geological Bulletin of China， 2019， 38（12）： 2010-2021.

[57] 張夏林， 吳沖龍， 周琦， 等. 基于勘查大數據和數據集市的錳礦床三維地質建模[J]. 地質科技通報， 2020， 39（4）： 12-20.

Zhang Xialin， Wu Chonglong， Zhou Qi， et al.Three-Dimensional Geological Modeling of Manganese Deposits Based on Exploration Big Data and Data Market[J]. Bulletin of Geological Science and Technology， 2020， 39（4）： 12-20.

[58] 陳進， 毛先成， 劉占坤， 等. 基于隨機森林算法的大尹格莊金礦床三維成礦預測[J]. 大地構造與成礦學， 2020， 44（2）： 231-241.

Chen Jin， Mao Xiancheng， Liu Zhankun， et al.Three-Dimensional Matallogenic Prediction Based on Random Forest Classification Algorithm for the Dayingezhuang Gold Deposit[J]. Geotectonica et Metallogenia， 2020， 44（2）： 231-241.

[59] 劉艷鵬， 朱立新， 周永章. 大數據挖掘與智能預測找礦靶區實驗研究[J].大地構造與成礦學， 2020， 44（2）： 192-202.

Liu Yanpeng， Zhu Lixin， Zhou Yongzhang. Experimental Research on Big Data Mining and Intelligent Prediction of Prospecting Target Area[J]. Geotectonica et Metallogenia， 2020， 44（2）： 192-202.

[60] 張士紅. 基于深度學習的四川會理“拉拉式”銅礦找礦預測研究[D]. 北京：中國地質大學（北京）， 2020.

Zhang Shihong. Deep Learning for Mineral Prospectivity Mapping of Lala-Type Copper Deposit in the Huili Region， Sichuan[D]. Beijing： China University of Geosciences （Beijing）， 2020.

[61] 李蒼柏， 肖克炎， 李楠， 等. 支持向量機、隨機森林和人工神經網絡機器學習算法在地球化學異常信息提取中的對比研究[J]. 地球學報， 2020， 41（1）： 309-319.

Li Cangbai， Xiao Keyan， Li Nan， et al.A Comparative Study of Support Vector Machine， Random Forest and Artificial Neural Network Machine Learning Algorithms in Geochemical Anomaly Information Extraction[J]. Acta Geoscientica Sinica， 2020， 41（1）： 309-319.

[62] 馬瑤， 趙江南. 機器學習方法在礦產資源定量預測應用研究進展[J]. 地質科技通報， 2021， 40（1）： 132-141.

Ma Yao， Zhao Jiangnan. Advances in the Application of Machine Learning Methods in Mineral Prospectivity Mapping[J]. Bulletin of Geological Science and Technology， 2021， 40（1）： 132-141.

[63] 李忠潭， 薛林福， 冉祥金， 等. 基于卷積神經網絡的智能找礦預測方法： 以甘肅龍首山地區銅礦為例[J]. 吉林大學學報（地球科學版）， 2022， 52（2）： 418-433.

Li Zhongtan， Xue Linfu， Ran Xiangjin， et al.Intelligent Prospect Prediction Method Based on Convolutional Neural Network： A Case Study of Copper Deposits in Longshoushan Area， Gansu Province[J]. Journal of Jilin University （Earth Science Edition）， 2022， 52（2）： 418-433.

[64] 張永哲， 成山林， 李躍東， 等. 多源信息找礦預測技術研究及其應用： 以吉林省砂金溝金礦床為例[J]. 吉林大學學報（地球科學版）， 2022， 52（6）： 1855-1866.

Zhang Yongzhe， Cheng Shanlin， Li Yuedong， et al. Research and Application of Multi-Source Information for Ore Prospecting and Prediction： Taking Jilin Shajingou Gold Deposit as an Example[J]. Journal of Jilin University （Earth Science Edition）， 2022， 52（6）： 1855-1866.