数字勘查与地矿勘查行业数字化转型

吴冲龙，张夏林，周 琦，田宜平，张志庭，李俊杰，李 岩，徐 凯

(1.中国地质大学(武汉)地质信息科技研究所，武汉 430074；2.自然资源部基岩区矿产资源勘查工程技术创新中心，贵阳 550081；3.武汉地大坤迪科技有限公司，武汉 430205)

1 引言

数字化是一种历史潮流。20世纪80年代，人类进入了信息化时代；21世纪10年代，人类进入了大数据时代；21世纪20年代之后，人类将迈向智能化时代。数字化、信息化、智慧化的理念已深入人心，也成为了地矿勘查行业创新和发展的方向。然而，与商业和制造业相比较，地矿勘查行业在业务内容和服务对象上有许多显著的差异。社会上所谓企业“数字化转型”，主要是指企业经营管理和商业运作信息的数字化表达，而地质矿产勘查行业本身是一种特殊的信息行业(吴冲龙 等，2005a)，其业务工作包含专业探测和经营管理两个方面，前者就是指地矿数据的采集、整理、管理、处理和服务，其产品是地矿数据和信息。因此，地矿勘查行业的数字化转型需同时考虑并解决专业探测和经营管理的需求。这两方面的信息系统建设和应用，既有密切联系又是相互独立的。

在《自然资源部信息化建设总体方案》(2019)中提出的“推进智能化地质矿产调查，探索智慧探矿新模式，到2025年要形成对自然资源动态监测和态势感知能力，建成以自然资源‘一张图’为基础的自然资源大数据体系”，实际上是指专业探测方面的信息化，反映了地矿行业数字化转型的国家目标。在本次贵州省重点矿产资源大精查中开展数字勘查，正是对这个“方案”的积极响应。数字勘查的科学目标，是在地质信息科学理论和方法论框架下，运用集成化的地质信息技术，建立完善的数据资源体系，使数据流转顺畅、充分共享，进而打通勘查、设计、开采、选冶和管理、决策等各个环节，为实现探采一体化和智能化奠定基础。显然，数字勘查的目标应是国家目标和科学目标的有机结合。

2 地勘行业信息化转型的设计思路

为了加速推进地矿行业的数字化转型，相关的顶层设计和计划安排，首先应当从实际出发，即从现有的基础和现实需求出发，清理贵州省地矿局经过多年努力已经完成和正在建设的各类数据库，并且总结已研发并采用的软件成果和已实现计算机辅助化的作业流程，加强对年轻的技术骨干的培养，并充分调动他们的积极性。其次，应当从数字勘查在地矿行业数字化-信息化转型的全局定位出发，以数字勘查为基础、以地勘单位为主体，着重研究并解决相关的大数据管理问题、技术研发问题、工作效率问题、经济效益问题、管理体制问题、思想观念问题、作业习惯问题、流程改造问题，等等。

在实际数字化转型的过程中，既要目标高远而又要循序渐进，脚踏实地，经由数字化到信息化，再到智能化；既要顾及方方面面，又要突出重点，统筹兼顾，注重统一的数据中心、数据中台和分布式的边缘数据中心、业务中台建设。地矿勘查信息化的基础在于数字化，因此应当以数据库建设为支点，着重加强大数据资源体系建设，开展数据治理。为了使地矿勘查数据在各个工序和各个环节流转顺畅，充分共享，应当在实施数字勘查过程中开展主流程改造，建立轨道约束体制；同时，还需要同步解决规范、标准体系和数据安全体系的建设问题，以便为地矿勘查行业数字化转型的顺利实现，提供强有力的保障体系。

经过多年来的建设和实践，各基层地勘单位已经建立了许多各种类型的数据库，形成了多源多类异质异构的电子化数据资源，并且在若干环节采用了数字化作业和网络作业方式。然而，由于缺乏系统性、整体性和完整性，并未实现勘查工作的整体信息化转型。所谓缺乏系统性，是指各个作业环节的计算机应用并非密切联系、互相依存的，而是各自独立的，缺乏层次支承性和横向协同性，未能形成首尾相接的作业流水线，数据未能在勘查和管理主流程中顺畅流转；所谓缺乏整体性，是指各作业环节的计算机应用缺乏统一规划、部署，相互间不具一致性和协调性，未形成统一的数据标准和数据链，因而出现一系列信息孤岛；所谓缺乏完整性，是未进行地质大数据资源体系建设，大量历史数据还没有入库，更没有建设完整的地质信息系统和统一的数据中心、数据中台、业务中台和数据利用、挖掘的技术体系，而且各个业务环节的计算机应用基础设施和硬软件配置也不齐备。

地矿勘查工作信息化的内涵可归纳为：采用信息系统对传统的地矿勘查工作主流程进行了充分改造，实现了全程计算机辅助化，数据在各道工序间流转顺畅、充分共享(吴冲龙 等，2005a，b)。在地矿勘查工作各环节应用上计算机技术，只是地矿勘查行业数字化-信息化转型的开端，而非地矿勘查行业数字化-信息化转型的完成。这是一项复杂的系统工程，而且地质矿产勘查对象和数据极其复杂，为了迅速赶上历史发展步伐，贵州省地矿局及其所属的各单位，需要在已有基础上，探索并选择正确的途径，从实际出发，整体设计，分步实施，通过本次大精查来推进勘查工作的信息化转型。

3 地勘工作信息化转型的解决方案

根据上述基本认识，地勘单位的勘查工作信息化包含如下三项密切联系且相辅相成的内容(吴冲龙 等，2005b)：①建立以主题式点源地质数据库为基础的共用数据平台，避免系统内出现大量数据冗余，并实现了多源多类异质异构空间数据和属性数据的一体化存储和管理；②采用“多S”技术并进行技术集成、网络集成、数据集成和应用集成，使各种技术方法与应用模型有机地结合起来，形成完整的地质信息系统，数据在其中流转顺畅、充分共享，并且实现三维可视化；③利用地质信息系统对地矿勘查工作主流程进行充分改造，实现从资源预测、靶区选择，到野外数据采集、室内综合整理、编图、三维建模、储量估算、专题研究，再从成果保存、管理、使用到资源评价、决策的全程计算机辅助化。

3.1 从四个方面推进数字化转型

地质矿产勘查工作信息化建设与应用是一个系统工程，需要从多个方面着手进行，同时也需多方面的密切的配合，并努力追求整体的最优化。目前，贵州省地质矿产勘查开发局的勘查工作数字化转型，着重从四个方面强力推进。

(1)开展省域数据资源体系建设 在限期完成全局各单位全部历史勘查报告和成果图件的清理、编目并载入Web3D系统之后，进行扫描存储，然后选择其中的重要者进行矢量化转换。在此基础上，采用集中式与分布式结合的策略，构建局级大数据中心和队院级边缘数据中心，并利用数据湖能以自然格式存放和配置数据的优势(Wikipedia Foundation，2018)对多源多类异质异构数据库和数据文件集群进行管理、调度和服务。

(2)有计划地全面开展数字勘查 在实施的贵州省重点矿产资源大精查项目中，率先在7个矿床开展了数字勘查试点。通过制定统一的数据标准，采用以点源主题式数据库为核心的成熟地质信息系统软件——QuantyPES，并根据源自系统分析的逻辑结构对勘查作业流程进行改造，实现了从岩心编录到图件编绘、矿床三维地质建模和资源储量估算的全过程计算机辅助化和数字化。随后，推广到所有矿产勘查项目中。

(3)构建全省域多尺度玻璃国土 采用具有快速、动态、精细、全息三维地质建模功能的成熟软件——QuantyPES，开展全省域多尺度、多要素的三维地质建模，使之成为地质大数据的最佳载体。在自然资源厅支持下，已经完成了全省域1∶50万玻璃国土建设，实现了海拔-2500m以浅17.6万平方千米国土的透明化。目前正在进行若干片区1∶25万、若干整装勘查区1∶5万和若干超大型矿床1∶5千三维地质模型的构建。

(4)开展基于大数据的资源预测 以黔东北大塘坡式隐伏锰矿床和黔西南卡林型隐伏金矿床为例，基于所获取的全体地物化遥数据，以寻找相关关系为基本目标，把无模型与有模型分析结合起来，采用数据密集型计算方式进行成矿预测实验。通过这项工作，在总结相关地勘单位多年来的工作成果和实践经验的基础上，以“复盘”方式探索并验证了利用大数据和机器学习法进行成矿预测的途径，取得了显著效果。

3.2 支撑数字化转型的QuantyPES架构

本次数字勘查实验的主打软件QuantyPES，具有“多S”结合与集成特征，其中包含有DBS、DWS、GIS、CADS、3dMS、RS、GPS、DPS、MIS、DSS、OAS、ANNS和ES等多个系统的成分，由数据采集、数据管理、图件编绘、三维建模、储量估算、综合评价和成矿预测等7个功能子系统和数百个功能模块组合而成，是一个庞大的地矿信息系统技术平台。其架构为技术方法与应用模型的层叠式复合结构(图1)，由下而上、由里到外为数据采集层、数据管理层、技术方法层和功能应用层。其逻辑结构如图2所示。

图1 以地质大数据资源体系为核心的地质信息系统结构 (据吴冲龙 等，2005a，修改)Fig.1 Structure of Geological Information System with Geological Big Data Resource System as the core(modified by Wu Chong et al.，2005a)

在该应用架构中，由下而上可分为数据采集层、数据管理层、技术方法层和功能应用层等4个层次。其中，数据采集层包括支持地物化遥数据采集的各类台式、手持式、移动式工具；数据管理层由一系列异构数据库和数据文件集群，以及海量的多源多类异质数据构成，采用数据湖的思路、方法和技术来管理、索引和调度；技术方法层由一系列数据分析、数据挖掘、智能计算、三维可视化功能模块，以及各种模型库、方法库和知识库构成；功能应用层以业务中台为依托，包含数据综合整理、资源勘查评价和决策支持3个部分。其中，资源勘查评价部分包括常规勘查工作中的图件编绘、三维建模、储量估算、专题研究和成矿预测等。决策支持部分提供资源预测和勘查开发决策的分析模型。为了实现数据顺畅流转和充分共享，除了数据中台和业务中台之外，还应进行基于微服务架构的云平台研究和建设。

3.3 支撑向勘查智能化过度的数据链构建

为了“推进智能化地质矿产调查，完善并推广地质调查智能化技术，整合一站式地质调查业务管理系统，探索智慧探矿新模式”(自然资源部，2019)，需要在推进省域地矿勘查工作数字化-信息化转型的同时，根据信息系统的逻辑结构，对工作主流程进行改造，同时采用物联网、云技术和5G技术，构建天空地深一体化地矿勘查数据链(图3，4)。只有这样才能沟通各道工序、联结各个环节，形成完整的信息反馈回环，实现地质大数据的高效汇聚、调度、融合、和同化，为未来的智能化和探采一体化奠定基础。

图2 基于多S结合与集成的QuantyPES数字勘查系统集成的层次体系

图3 地矿勘查大数据链和信息回环的形成Fig.3 Formation of big data chain and information loop in geological mine exploration

在这个地矿勘查大数据链和信息回环中(图4)，基于问题驱动的数据采集，是野外工作的主要业务内容；基于模型驱动的数据融合，是资料综合和图件编绘的主要业务内容；基于知识驱动的数据分析，是矿床特征和控矿因素研究的主要业务内容；基于应用驱动的数据同化，是成矿作用和成矿过程模拟的主要业务内容；而基于数据驱动的数据挖掘则是成矿预测和知识创新的主要业务内容。在这样的数据链条中，各作业环节承接有序、相辅相成，将支撑地矿勘查工作的数字化转型及对智慧探矿新模式的探索(吴冲龙 等，2016)。

图4 地质资源环境时空数据汇聚与大数据链组织

4 数字勘查所涉及的地质信息技术

数字勘查所涉及的地质信息技术，包括数据采集、数据传输、数据管理、数据分析、数据挖掘、图件编绘、三维建模、储量估算、过程模拟、资源预测评价等。限于篇幅，本文仅对数据采集、数据挖掘、图件编绘、三维建模、储量估算和资源预测等做些介绍和探讨。

4.1 地质矿产数据的数字化采集技术

地质数据来源包括：野外露头地质观测、钻探岩心编录、地球物理勘探与遥感、地球化学勘探、室内岩矿分析测试和图形编绘。其采集方式的数字化，是实现地矿勘查数字化转型的关键一步。由于类型繁多、结构复杂，其采集方式不可能划一。

目前，各种数字化采集技术得到快速发展，其中包括数字化的物探技术、化探技术、遥感技术、测井技术、岩矿鉴定技术、化学成分测试技术，以及数字化的素描、摄影、录像、录音等多媒体技术，等等。针对野外地质露头和钻孔岩心编录是本次贵州省重点矿产资源大精查项目的主要地质数据来源，研发并应用集成RDBS、GIS、RS和GPS于一体的平板电脑的数据采集系统(张夏林 等，2020)。这一措施，也是改变野外露头岩心编录手工作业落后面貌的第一步。随着5G时代的来临，人工智能技术和云服务技术将会被逐步应用于智能化的地质数据采集中去，甚至可能成为野外地质数据采集的主流技术(陈根深 等，2019)。由于硬件性能快速增强，传感器趋向多样化，测量精度不断提升，所采集的野外地质数据将会更加丰富、全面。将智能感知和识别技术、时空信息处理技术、SQLite数据库技术和图形图像处理技术，引入野外数据采集设备中，对于提高地质资源和地质环境勘查的信息化水平，有重要的现实意义。

与此同时，需要着力进行数据采集内容的标准化、代码化，提高数据模式的通用性，利用传感器辅助编录、语音识别辅助编录、可定制字典辅助编录、界面自定义、地质分类词库匹配和语音控制记录，以及实时平、剖面图编绘的数据采集方法，能够在人机交互技术支持下，辅助进行野外地质数据的快捷、智能化采集工作，并且实现数据的现场制图及可视化表达，大大提高野外地质数据采集的效率。

4.2 大数据与勘查工作融合技术

地质数据计算机处理的内容，包括物探方法模型的正、反演计算、化探及地质编录数据的统计分析、地质特征的空间分析、矿产储量的估算、工程和水文数据分析、钻孔设计和孔斜校正等。近期，随着大数据方法的兴起，通过数据挖掘直接在大数据中发现知识的方式，成为重要的数据处理新方法(Han et al.，2012)。大数据方法以数据为中心，采用全体数据和多类数据而非抽样数据和单一数据，可突破样本空间狭小、仅凭少量随机抽样观测数据和模式进行判断的限制，更具客观性(吴冲龙 等，2019，2020)。

4.2.1 地质大数据挖掘的任务和内容

地质大数据挖掘的基本任务，是在不同的概念层次中挖掘出各种类型的知识，并用相应的知识模型来表示，然后根据所采用的知识表示方法设计出推理模型，为不同领域、不同层次和不同需求的用户提供行之有效的辅助决策支持(李德仁 等，2013)。常用的知识表示法为：基于规则、基于逻辑、基于关系、基于模型、基于本体、面向过程、面向对象，以及语义网络、脚本和模拟，等等。简言之，就是直接从数据库、数据仓库和数据湖中发现知识，并提供科学认知和决策支持。地质大数据挖掘的主要内容，是可能发现的地质知识类型(吴冲龙 等，2016)，其中包括地质特征关联规则、地质特征分布规则、地质异常规则、地质趋势变化规则、地质时空定位规则、地质时空分类规则、地质时空关联规则、地质时空演化规则等，用于进行矿产资源预测和矿产资源勘查开发决策。

4.2.2 地质数据挖掘的基本方法

地质数据挖掘的理论基础涉及：确定集合论、扩展集合论、机器学习、仿生学、可视化和文本挖掘等六类(李德仁 等，2013)。其中，利用机器学习进行地质大数据挖掘，是当前的研究热点。机器学习是一种数据驱动的模型训练过程，是人工智能的核心内容——通常用仿生学的人工神经网络(循环神经网络、递归神经网络和卷积神经网络及其组合)算法来实现深度学习，即通过构建多隐层的机器学习模型和海量的训练数据来进行学习，提升分类或预测的准确性(Hinton et al.，2012；Schmidhuber，2015)。目前，基于机器深度学习的地质大数据挖掘研究和应用，主要集中于岩石、矿物和岩相的识别和分类(张强 等，2015；Adrielle and Irineu，2015)，以及利用地球化学和遥感地球化学数据等进行异常信息提取和成矿预测(刘艳鹏 等，2018；徐凯 等，2020)。此外，常用于机器学习的算法还有主成分分析法(PCA)、决策树(DT)、支持向量机(SVM)、联合/集成分类器(CC)、随机森林法(PRF)、蚁群算法(ACA)、遗传算法(GA)等。实践结果表明，基于大数据的地质知识发现是个复杂的过程，单靠数学方法和挖掘算法难以解决地质体、地质现象和地质过程认知和矿产资源预测问题，关键在于如何在认知规律的导引下进行算法建模和数据组织(吴冲龙 等，2020)。

4.2.3 地质大数据挖掘的算法建模问题

通过大数据挖掘进行知识发现，是一个多源多类异质异构跨界数据广度聚联和深度挖掘的复杂过程，即融合地利用地物化遥数据的地质认知过程。一般认为，实现知识发现的数据挖掘是一种无模型挖掘(Mayer-Svh nberger and CuKier，2013)。实际上，无模型挖掘是指不给定目标知识模型和先验评判模型，但有两种模型是必要的，即研究领域长期以来形成的背景知识模型和数据挖掘的算法模型。前者是数据挖掘的必要知识基础，后者是数据挖掘必要的方法基础。由此而论，在开展地质大数据挖掘和知识发现之前，首先要准备背景知识模型并进行系列算法模型构建，即无模型与有模型相结合。

研究领域的背景知识模型是指由基础地质理论模型、矿床学一般理论模型、矿床基本成因模型和矿床基本预测模型；系列算法模型包括：地质对象认知模型、地质数据感知模型、地质数据挖掘模型，以及矿产资源和勘查决策计算模型，等等。其中，地质数据挖掘的算法模型，通常以研究主题为导向，按一定工作流程进行构建。以固体矿产勘查开发大数据挖掘为例，其无模型与有模型结合的工作流程如图5所示。

4.3 地矿勘查图件的机助编绘技术

应用计算机辅助设计技术来编制地质图件，既能保证质量，减少编图、制图和修编的工序和时间，还有利于图形的存贮、保管和使用，保证实现图形数据共享。国内、外在这方面都进行了许多研究和开发并取得进展，所涌现的许多应用软件进入了地矿勘查工作的主流程。在这次大精查中采用的QuantyPES软件，所含有的主要编图模块有：钻孔(井)综合柱状图、实测地质剖面图、勘探剖面图、储量估算图、资源预测评价图、构造纲要图及各种综合地质图。在本次贵州省重点矿产资源大精查中，所采用的地矿图件计算机辅助编绘子系统，着力在若干技术的发展方面进行了研发。其一，是分专业、分矿种构建多种完善的标准图式、图例、花纹库和色标库，以满足不同专业、不同矿种的编图需求；其二，是以数据中台和业务中台为依托，提高了数据和软件的共享性；其三，是与三维图示技术结合，特别是图切剖面的制作，实现了与三维矿床地质模型的构建一体化；其四是与智能计算和机器学习技术相结合，提高地矿信息提取、转换和成图的自动化、智能化程度。

4.4 矿床三维精细全息建模技术

深埋于地下的地质体和地质现象，不同程度地存在着结构信息不全、参数信息不全、关系信息不全和演化信息不全的情况。地质学本质上是一种三维科学(Diepolder，2011)，开展多源数据融合，实施精细、全息的三维可视化建模，可以在三维虚拟地质环境中，让地质技术人员直观地理解复杂的地质结构，提高洞察力和分析判断力，深入进行矿床地质分析和成矿系统分析，有助于直观地感知和理解成矿机理和过程，构建成矿预测模型(图6)。从而可在新的高度上支撑矿产勘查信息化，有助于感知和发现隐伏矿床。

显然，开展矿床三维地质建模不是为了好看，而是为了好用，应使它成为三维可视化地质信息系统和地质大数据的最佳载体。换言之，矿床三维地质模型不仅要表达研究区精细的构造-地层格架建模，还要凝聚海量的多源多类多主题多要素属性信息，反映地质对象精细的非连续、非均质特征。它必须具备支持三维可视化表达、三维可视化分析、三维可视化设计、三维可视化仿真和三维可视化决策的能力(吴冲龙 等，2011；田宜平 等，2020)。这也正是开展快速、动态、精细、全息的矿床三维地质建模，被列为本次重点矿产资源大精查重要内容的原因。所谓快速，是指能够在较短时间内完成；所谓动态，是指能够随时进行局部更新而不必推到重来；所谓精细，是指能够描述地层细节及其非均质性；所谓全息，是指能够凝聚和赋存所获取的全部空间和属性特征(吴冲龙 等，2019)。

图6 三维可视化的矿床地质模型示意

在这次重点矿产资源大精查中，矿床三维地质建模采用1∶0.5万的比例尺和精度进行构建。它是多尺度多要素多层级的省域“玻璃国土”的基本组分。具体构建时，采用了基于数据仓库(集市)的地下-地上、地质-地理、结构-属性一体化建模方式(吴冲龙 等，2019；张夏林 等，2020b)。在所采用的QuantyPES中，精细的构造-地层格架建模，采用基于地质知识驱动和系列勘查剖面拓扑推理相结合方法(何珍文，2008)；而精细的非连续、非均质特征建模，采用多点克里格随机模拟方法(陈麒玉，2018)。

4.5 资源储量多方法动态估算技术

采用多方法资源储量动态估算技术，是数字勘查的重要组成部分。针对传统几何法资源储量动态估算存在的可视化及分析程度和精度较低的问题，运用三维可视化技术对其实现方式、方法进行改造，以真实的三维地质几何模型取代抽象的规则几何体，开发出符合中国资源勘查及储量分类特点的三维可视化动态估算子系统。主要模块包括：二维传统几何法储量估算、三维传统几何法储量估算和三维多种克里格储量估算。在利用各种方法进行储量估算时，均要求实现计算和编图一体化，实现各种底图绘制、岩性花纹填充、样品自动组合与标注、矿体边界交互圈定、面积及平均品位自动计算、储量自动汇总输出、储量计算相关图件及报表快速编制输出等功能。

其中，二维传统几何法储量估算模块，要实现地质块段法和剖面法两种传统估算方法，可输出符合规范的成果图件及报表；三维传统法储量估算模块，可在三维可视化环境中集地质图件编制、三维地质建模、动态储量估算于一体，又以真实的三维地质模型取代抽象的规则几何模型，提高资源储量的估算精度和可靠性，并解决在勘查和开采进程中的储量动态估算问题(李章林 等，2020)。三维地质统计学储量估算模块，要针对不同矿床和矿体形态及空间分布特征，提供普通克里格、泛克里格、对数克里格、指示克里格等多种克里格储量估算模块，以供选择使用。对比结果表明：本储量估算子系统各个模块的储量估算结果，与传统的手工计算误差在1%以下，具有较高的精确性和可靠性，而且做到了方便、快捷和可视化。

本储量估算子系统的一个特色功能，是能够实现基于规则的通用型多金属矿产资源储量估算(图7)，能很好地解决多金属矿床的多矿石类型、变体重计算、夹石及采空区扣除等问题(陈国旭 等，2012)，对支持复杂多金属矿床的资源储量估算有重要的现实意义。

图7 基于规则的支持多金属的矿产资源储量估算系统实现方法(陈国旭 等，2012)Fig.7 Implementation Method of Multi-Metal Mineral Resource Reserve Estimation System Based on Rules(Chen Guoxu et al.，2012)

4.6 矿产资源人工智能预测评价技术

这是地矿勘查数字化转型的高级形态之一。由于地质对象的极端复杂性，对地质现象的识别、地质资料的分析和地质过程的认知，在很大程度上依赖专家的知识和经验。人工智能技术可以充分发挥专家的作用，能使一般地质人员象专家那样进行工作，从而提高找矿和勘探效果。因此，这个领域的研究一直十分活跃。经过多年的研发，涌现了一批基于已有成矿理论和成矿模式建立智能预测评价软件系统。

然而，已有成矿理论和成矿模式本身并不完善，基于这些理论和模式建立的成矿预测系统的有效性和命中率有限。大数据思路与方法的引进，使得我们有可能采用数据密集型工作方式，对所获取的全部地物化遥勘查数据进行挖掘。但仅依靠简单的数据挖掘方法，并不能完成矿产资源的智能预测，还需要借鉴地质异常分析(赵鹏大，1999)的思路，探索并解决如何从致矿地质异常→专属地质异常→综合地质异常→矿床地质异常→矿体地质异常逐步深入；以及如何从成矿可能地段→找矿可行地段→找矿有利地段→潜在资源地段→远景矿体地段逐步聚焦。也就是在大数据和第四范式支配下，如何把数据挖掘技术与地质学、矿床学、勘查学、物化探技术和数据仓库技术等紧密结合起来，采用“广度聚联”和“深度挖掘”的策略和方法，从区域到点位、从浅层到深层，从单态到多态的系统挖掘过程，再由单一参数的挖掘，转向多源多类异质异构数据的聚合、融合与挖掘。

在本次重点矿产资源大精查中，研发团队以黔东北“大塘坡式”锰矿整装勘查区为例，采用数据驱动方式把无模型和有模型结合起来，成功地进行成矿预测过程的“复盘”和深部控矿条件的追索，证明了基于大数据的成矿预测是可行的(吴冲龙 等，2020)。

5 总结与展望

综上所述，贵州省数字勘查取得的初步成功，证明所采用的设计思路和解决方案切实可行，所研发的多项关键技术应用价值显著。数字勘查与全省域玻璃国土工程、历史勘查数据抢救工程和大数据成矿预测研究，既是实现地矿勘查行业数字化转型及其与大数据深度融合的四项基础，也是地质信息科技的重要组成(吴冲龙 等，2014)。

未来发展除了不断完善、优化和升级应用软件系统外，还需要进一步加强大数据资源体系建设并考虑智能化转型问题，即采用5G技术赋能，实现露头观测、岩心编录、剖面实测和矿区填图的智能化。其中包括构建矿物、岩性、岩相、沉积相、岩浆相、变质相、古生物化石、生物痕迹、结构、构造的庞大知识图谱和知识库，以及采用智能算法和机器学习方法，进行系统训练和自动计算、识别，实现野外地质现象观测、识别和测量的智慧化。

数字勘查的进一步发展，还将涉及实现信息感知的横向数据融合和纵向层次协同，因此应当兼顾探测业务与经营管理的信息化转型。前者需要建立跨领域数据与多学科知识的同层面横向融合机制，实现针对同一研究主题的数据能在多学科分析中快速流转，促进理论认识不断迭代升华。后者需要解决跨层次数据与多目标管理的协同机制，实现针对同一研究对象的数据能在多目标决策中实时流转，促进实际效益持续增量优化。因此，经营管理信息化也应当是地矿勘查数字化转型需要关注的重要内容。

在产学研结合的体制下，只要勇于实践并认真总结，定能探索并建立一套切合实际情况和需要的省域地勘工作数字化转型的理论、方法和技术体系。