人工智能在礦山測繪數據處理中的應用研究

摘要：采礦業為我國制造業的發展提供了原料準備，而礦產行業產能與生產安全性的提升與工業水平的提升息息相關。在礦山測繪中，測得的數據一般要先經過預處理，再經過特征提取和統計分析，才能揭示礦山相關信息。而在人工智能技術支持下，則可以進一步實現數據預處理流程的自動化。從礦山測繪內容與測繪價值出發，介紹常見的礦山測繪數據處理方法，進而對人工智能在江西省贛南山區礦山測繪數據處理中的應用進行探討。

關鍵詞：礦山測繪"數據處理"人工智能"數據提取

Research"on"the"Application"of"Artificial"Intelligence"in"Mining"Surveying"and"Mapping"Data"Processing

YANG"Cuihua

Ruijin"Natural"Resources"Bureau，"Ganzhou，"Jiangxi"Province，"342500"China

Abstract：The"mining"industry"provides"raw"material"preparation"for"the"development"of"China's"manufacturing"industry，"and"the"improvement"of"production"capacity"and"safety"in"the"mineral"industry"is"closely"related"to"the"improvement"of"industrial"level.In"mining"surveying"and"mapping，"the"measured"data"generally"needs"to"be"preprocessed"before"feature"extraction"and"statistical"analysis，"and"then"can"reveal"mining"related"information."With"the"support"of"artificial"intelligence"technology，"the"automation"of"data"preprocessing"processes"can"be"further"achieved."Starting"from"the"content"and"value"of"mining"surveying"and"mapping，"this"article"introduces"common"methods"for"processing"mining"surveying"and"mapping"data，"and"then"explores"the"application"of"artificial"intelligence"in"mining"surveying"and"mapping"data"processing"in"the"mountainous"areas"of"Gannan，"Jiangxi"Province.

Key"Words：Mining"surveying"and"mapping;"Data"processing;Artificial"intelligence;"Data"extraction

近年來，人工智能技術的發展為采礦業快速、精細化完成礦山測繪任務提供了更多的新工作方法與思路，并提升了其工作效率與效果。以人工智能技術優化礦山測繪的數據處理環節，實現對礦山測繪數據的深度挖掘，有利于采礦業的智慧化、信息化發展。

1礦山測繪內容與測繪價值

礦山測繪一般分為井下測繪和地上部測繪兩類。

井下測繪首先需要繪制整個礦井的地理位置和空間走向，以便后續的測繪工作能夠確定測繪儀器的工作范圍[1]，而后先整體性對整個井下工程的空間布局進行測繪，再具體測繪礦物質在礦井內的分布情況。根據井下測繪獲取的數據，測繪人員可進一步經過數據處理得知礦井內資源分布、厚度與品位，不僅能夠合理確定礦山資源的開采順序和開采方法，實現可持續開采和環保開采，而且能夠預先發現礦產開采過程中可能存在的冒頂、塌陷等安全隱患預先處理，提升礦山開采的安全性[2]。

地上部測繪則主要關注礦山所在區域的地表水文、土地資源、裸露礦產等內容。測繪人員精準測繪礦井地上部的地理條件，可以安排礦山開采時的大型機器與人員進路，并與井下的測繪結果相聯系獲知礦山的整體地質情況。

2"常見的礦山測繪數據處理方法

2.1數據清洗與去噪

處理礦山測繪獲得的數據，要先對數據進行預處理，該預處理環節主要包括數據清洗與去噪兩個部分。

數據清洗的目的在于對所獲得的各數據進行異常篩選，測繪人員通常針對某類數據設置正常值閾值，從而判斷所獲取的數據中是否有數據點顯著遠離其他數據，將這部分異常值清洗掉。

數據去噪的目的在于減少或去除可使用的正常數據中混合的隨機噪聲。以礦山高程測繪為例，如果礦山生產中存在一定的脈沖干擾，就可能使測得的圖像數據中出現一些不反映實際測繪需求的隨機像素點，這些噪聲的存在影響圖像的清晰度。利用中值濾波法對圖像數據進行去噪，將圖像中的像素點采樣組成觀察窗進行排序并取中值，重復這一過程，即可抑制脈沖干擾對礦山測繪的噪聲影響。

2.2數據特征提取

由于儀器直接測得的礦山數據多為圖像形式，難以從中直觀看出礦山地質結構、巖性分布、礦山不同區段礦產含量等礦山特征，要將儀器測得的數據轉化成直觀的、能夠結合起來反映礦山實際情況的特征數據，通常需要對收集的圖像數據進行后處理。利用圖像分割算法，可根據測繪的各重點區域將測繪得到的圖像分割成不同的單元，分割邊界一般以測得的地質結構或巖性變化邊界為準。在分割的不同單元區域中，利用邊緣檢測算法檢測圖像像素的亮度變化，從而提取出圖像中亮度明顯改變的像素位點，這些位點集中反映了圖像特征，一般表現的是地質輪廓或礦體輪廓。

2.3數據統計分析

礦山測繪中所獲得的各項數據在經過特征提取后，還需要經過統計分析，對提取出的特征數據進行描述性統計、空間插值和變異分析，以便更清晰地揭示礦山的資源分布情況和空間變異性。

其中，描述性統計可利用柱形圖、直方圖與餅圖展示礦山的資源儲量、資源類型及所占比例等反映礦山開采價值的信息，該統計分析法多用于礦山資源管理。

空間插值法常用于補充礦山測繪中未能采集或因為數據被清洗而出現的數據空白。利用空間插值法對礦山測繪數據進行統計分析，能夠將間斷的數據補充形成連續的數據，進一步形成連續的空間數據表面，從而揭示特征數據在空間上的分布規律和變化趨勢。

在礦山測繪數據的變異分析中，礦石品位數據的變異性分析可以展現礦體在空間上的富集程度和變化規律；地形地貌數據變異分析可以展現地形起伏、坡度變化等空間變異性特征，有助于評估開采過程中的安全性和穩定性；地質構造數據變異性分析則可以反映礦井下地層結構的空間變化，以便合理安排礦井巷道的走向和加固措施。變異分析一般通過計算全變異、半變異函數實現。根據變異函數的計算結果，可以選擇合適的變異模型來擬合數據的空間變異性特征，得到描述數據空間變異性的參數。

3人工智能在礦山測繪數據處理中的應用

江西定南縣嶺北鎮有一稀土礦區，該礦區內礦產屬離子吸附型稀土礦，主要采用的是露天原地浸出開采方式，原礦生產規模為99"t/a，而富集站生產規模可達500"t/a。因此，采場規劃主要圍繞富集站展開。利用人工智能技術對該礦山測繪數據進行處理，有利于智能化探明富集站分布區域內的稀土資源儲備或開采情況，確定采場開采方案和可持續發展的環境保護標準。人工智能在該項目中的具體應用模式如下。

3.1利用機器學習算法優化數據預處理

利用機器學習算法來優化礦山測繪數據的清洗與去噪等預處理過程，能夠將數據的人工篩選過程轉化為依托孤立森林、距離聚類、奇異值分解等算法的自動化數據清洗與去噪過程，不僅能夠節省人力成本，還能夠提高數據預處理的效率。

該礦區測繪數據的清洗過程先將由無人機傳輸回的該礦區整體遙感圖像數據運用學習，形成關于該礦山測繪數據的正常分布模式并提煉出模式特征。向其中輸入礦山實際測繪應用中需要進行預處理的富集站區域圖像數據后，算法就根據學習結果自動識別出不符合該模式的異常點，而不必再由人干預設定異常閾值。

數據去噪過程采用的是專用處理圖像的奇異值分解法。在測繪所獲得的礦山遙感圖像處理中，奇異值分解法將圖像數據分解為平坦處、地勢落差處等不同的頻率成分，通過去除高頻成分來壓縮和去噪圖像。

3.2基于神經網絡優化數據特征提取

卷積神經網絡在礦山測繪數據特征提取中的主要應用原理為滑動卷積核在輸入數據上進行卷積操作提取出局部特征[3]。神經網絡通過最大池化或平均池化降低特征圖維度以減少計算量，計算完成后通過全連接層將前面卷積層和池化層的輸出映射到目標類別進行分類或回歸等任務，實現對前面各層所提取的高級特征的整合[4]。確定礦場采場范圍時，需要探明礦區富集站范圍內的稀土資源開采情況。測繪人員依據礦場內富集站的分布走勢，從礦場東南方向和西北方向雙向采集圖像，將露天浸出式開采法在地表形成的“亮白色裸地間有淺藍色沉淀池”、園林用地的“成片分布，呈深綠色”等不同類型地塊的遙感圖像特征作為遙感圖像解釋特征來訓練神經網絡。訓練好的滑動卷積核在所采集到的各張遙感圖像上滑動，對整個采場遙感圖像進行特征提取并標注特征值位置。全連接層整合多張圖片的特征值信息，標注特征值出現的位置并對其進行點云加密構建網格，即獲得礦區富集站作用范圍內礦產開采情況全影像。依據該影像確定礦區下一步的開采計劃。

3.3結合專家系統優化數據統計分析

在傳統的礦山測繪數據統計分析過程中，影響測繪數據處理和數據應用效率的主要原因為描述性統計形成的可視化統計結果仍需要專業人員結合專業知識對數據進行經驗化的決策、空間插值統計中需要反復嘗試最適插值參數形成更符合實際情況的連續空間數據[5]。人工智能技術中的代表性應用——專家系統的構建能夠將上述依賴人力決策的過程進行簡化。

構建礦山測繪數據統計分析專家系統時，首先需要將依據礦山測繪數據了解礦山整體情況、決策礦山開采計劃與方案所需用到的海量采礦行業知識、礦山測繪數據統計分析的常用方法的相關知識錄入到專家系統的知識庫中，作為專家系統輔助數據統計分析并解讀數據統計分析結果的依據。

當進行空間插值分析時，人工智能先對需要分析的數據進行標準化或歸一化處理，消除不同量綱對插值結果的影響。專家系統根據輸入的數據類型、地質條件、預先設定的插值精度等參數自動選擇合適的空間插值方法和插值參數展開分析。應用過往專家系統選擇空間插值分析方法與參數后統計人員對產出數據的反饋信息，專家系統還可以將多種空間插值統計方式組合優化。例如：在礦山地下水位數據的空間插值分析中，專家系統根據輸入的水位監測點數據、地質構造圖等信息自動選擇合適的插值方法，根據知識庫中儲存的地質知識和數據庫中儲存的歷史數據自動調整變差函數參數等關鍵參數，輸出插值結果圖并進行驗證和評估。

在上述稀土礦區在開采過程中，需要按時段監測開采活動對周圍環境的影響，從而為制訂新的開采計劃、重新劃定采場范圍等決策提供參考。卷積神經網絡對該礦區測得遙感圖像的特征提取環節標明了露天浸出法開采稀土資源時采場周圍的土地情況變化，隨著開采活動的進行，呈深棕色的無植被其他用地范圍可能擴大，而呈深綠色的園林用地范圍可能縮小，而其遙感圖像色澤也可能發生改變。該礦區設定卷積神經網絡的特征提取參數后，每月全面采集采場的遙感圖像，在特征提取環節得到不同類型土地的月度變化描述性統計結果。將能夠反映不同類型土地面積及土地質量變化的描述性統計結果輸入礦區環境保護與可持續發展專家系統中，經過空間差值分析補充測繪間隔時的數據變化缺值，即更清晰地反映出采場環境破壞的時間節點，追溯該時間節點的采礦操作進行智能分析，找出問題所在并督促采礦人員嚴格按照礦區生態保護規定開展采礦作業。

4結語

應用人工智能技術高效率完成對礦山測繪數據進行處理，能夠更快更好地展現礦山的礦藏情況和地質空間情況，使礦產生產更快、更安全地展開。未來，應進一步優化用于自動化數據預處理的機器學習算法，使其能夠處理更復雜的測繪條件下獲取的數據，提升清洗效率與去噪效果，開發卷積神經網絡等深度學習模型在數據特征提取中的新應用形式，提高數據特征識別的準確性，豐富專家系統知識庫以優化其解讀數據統計分析結果的功能或人工智能技術應用于礦山測繪數據處理的可能發展方向。

參考文獻

[1]李永新，黃小華，張堂貴，等.工程地質測繪方法在天坑地區工程勘察中的應用[J].工業建筑，2023，53（S2）：562-564.

[2]劉君偉.礦山地質測繪數據的處理與分析方法研究[J].世界有色金屬，2024（4）：149-151.

[3]黃海新，蔡明啟，王鈺瑤.基于圖卷積神經網絡的點云語義分割綜述[J].計算機科學，2024，51（z1）：43-49.

[4]曹衛兵.新形勢下地質測繪中GIS技術的應用分析[J].有色金屬工程，2023，13（9）：182.

[5]張利軍.礦山工程測繪成果的整合與利用研究[J].內蒙古煤炭經濟，2021（4）：30-31.