|
|
|
题名
|
作者
|
年代
|
出处
|
被引量
|
| 1 | 大数据与数学地球科学研究进展——大数据与数学地球科学专题代序显示文摘大数据与数学地球科学的核心应用技术包括高维数据降维、图像数据处理、无限数据流挖掘、机器学习、关联规则算法与推荐系统算法等。人工智能地质学,包括大数据-智能矿床成因模型与找矿模型的构建,是具有重要价值的研究方向。高维数据降维旨在从初始高维特征集合中选出低维特征集合,有效地消除无关和冗余特征,增强学习结果的易理解性。哈希算法、聚类分析、主成分分析等是较常用的数学降维工具。机器学习是人工智能的核心,是使计算机具有智能的根本途径。机器学习与人工智能各种基础问题的统一性观点正在形成。深度学习的训练模型往往需要海量数据作为支撑,因此迁移学习方法日益受到重视。图像模式识别是大数据挖掘的重要技术。网络中的社区结构识别对理解整个网络的结构和功能有重要价值,可帮助分析、预测网络各元素间的交互关系。沉浸式虚拟现实技术是实现大数据可视化的重要方向,对具有多元、异构、时空性、非线性、多尺度地质矿产勘查数据的展示要求有特别的价值。引入VR技术进行矿产地质大数据的可视化,可实现大数据时代矿产勘查数据的新认知。无限数据流在地质、地球化学、地球物理监测中大量存在,甚至可以持续自动产生。对数据流数据的计算包括对点查询、范围查询、内积查询、分位数计算、频繁项计算等。关联规则和推荐系统算法是大数据挖掘中的重要算法,其应用范围越来越广泛。贝叶斯原理在大数据时代有独特的价值,贝叶斯网络是成因建模的一个革命性工具。智能地质学研究刚刚起步,构建大数据-智能矿床成因模型与找矿模型是智能地质学研究的重要内容。矿床模型研究方式的变革,将出现于互联网、云计算技术环境下全球各地的矿床研究团队的共同参与。 | 周永章 陈烁 张旗 肖凡 王树功 刘艳鹏 焦守涛 | 2018 | 岩石学报2018，34，2： | 82 |
| 2 | 基于岩石图像深度学习的岩性自动识别与分类方法显示文摘岩石岩性的识别与分类对于地质分析极为重要,采用机器学习的方法建立识别模型进行自动分类是一条新的途径。基于Inception-v3深度卷积神经网络模型,建立了岩石图像集分析的深度学习迁移模型,运用迁移学习方法实现了岩石岩性的自动识别与分类。采用此方法对所采集的173张花岗岩图像、152张千枚岩图像和246张角砾岩图像进行了学习和识别分类研究,通过训练学习建立岩石图像深度学习迁移模型,并分别采用训练集和测试集中的岩石图像对模型进行了检验分析。对于训练集中的岩石图像,每组岩石分别用3张图像测试,三种岩石的岩性分类均正确,且分类概率值均达到90%以上,显示了模型良好的鲁棒性;对于测试集中的岩石图像,每组岩石分别采用9张图像进行识别分析,三种岩石的岩性分类均正确,并且千枚岩组图像分类概率均高于90%,但是花岗岩组2张图像和角砾岩组的1张图像分类概率值不足70%,概率值较其他岩石图像低,推测其原因是训练集中相同模式的岩石图像较少,导致模型的泛化能力减小。为了提高识别精确度,对准确率较低的岩石图像进行截取,分别取其中的3张图像加入训练集进行再训练,增加与测试图像具有相同模式的训练样本;在新的模型中,对3张图像进行二次检验,测试概率值均达到85%以上,说明在数据足够的状况下模型具有良好的学习能力。与传统的机器学习方法相比,所提出的岩石图像深度学习方法具有以下优点:第一,模型通过搜索图像像素点提取物体特征,不需要手动提取待分类物体特征;第二,对于图像像素大小,成像距离及光照要求低;第三,采用适当的训练集可获得较好的识别分类效果,并具有良好鲁棒性和泛化能力。 | 张野 李明超 韩帅 | 2018 | 岩石学报2018，34，2： | 101 |
| 3 | 大数据正在引发地球科学领域一场深刻的革命——《地质科学》2017年大数据专题代序显示文摘摘要本文针对目前国内大数据研究的现状,着重分析了在地球科学领域大数据研究落后的原因,指出大数据正在引发地球科学领域一场深刻的革命,大数据的关键不在于数据的大,而且在于思维的新;从数据出发,让数据说话,依靠人工智能方法,让机器学习、深度学习、可视分析等大数据技术逐步成为必需。利用大数据方法研究玄武岩构造环境判别图以及中新世岩浆事件的意义所取得的成果即是极佳的研究范例。文中指出,面向未来,大数据对于地球科学界来说,决不是可有可无的,它将创造奇迹。大数据作为第四科学范式的研究领域十分宽广,它将改变地球科学家的思维方式,从逻辑思维方式转变为由数据驱动的关联思维方式,文中呼吁科学界对大数据给予更多的关注和支持。 | 张旗 周永章 | 2017 | 地质科学2017，52，3： | 64 |
| 4 | 基于深度学习的镜下矿石矿物的智能识别实验研究显示文摘矿石矿物鉴定的智能化是智能地质学和智能矿床学的基础技术之一。计算机视觉技术和深度学习理论使矿石矿物鉴定的智能化成为可能。本研究基于深度学习系统Tensor Flow,以吉林夹皮沟金矿和河北石湖金矿的黄铁矿、黄铜矿、方铅矿、闪锌矿等硫化物矿物为例,设计有针对性的Unet卷积神经网络模型,有效自动提取矿相显微镜下矿石矿物的深层特征信息,实现镜下矿石矿物智能识别与分类。实验显示,模型在训练过程中,随着训练次数的增加,模型精度在不断增大,损失函数不断减小;经过3000个批处理之后,模型精度和损失函数基本趋于稳定。训练出的模型对测试集中的显微镜镜下矿石矿物照片的识别成功率均高于90%,说明实验所建立的模型,具有很好的图像特征提取能力,能完成镜下矿石矿物智能识别的任务。 | 徐述腾 周永章 | 2018 | 岩石学报2018，34，11： | 57 |
| 5 | 大数据时代:地质学的挑战与机遇显示文摘大数据正在影响着人类生活,改变着人类认识和研究世界的思维方式。作为典型数据密集型学科的地质学,正面临着前所未有的挑战与机遇。为了应对这一挑战,地质学家不仅需要改进传统的研究方法,更重要的是要改变传统思维模式,拥抱大数据时代的到来。地质学与大数据的结合不仅极大拓展了地质学的认知空间,提升了获取地质学新知识的能力,同时为地质学支撑的能源矿产调查、环境资源合理利用以及防灾减灾等社会生产和公共服务提供了创新活力。在分析国内地质学大数据研究现状的基础上,文章阐述了我国地质学大数据研究的前沿科学问题,提出了地质学大数据发展战略目标,探讨了地质学大数据发展面临的主要问题和解决途径。大数据将改变地质学家的思维方式,数据驱动的科学发现模式将为地质学的发展带来全新的面貌,文章呼吁地质学界对大数据给予更多的关注和支持。 | 翟明国 杨树锋 陈宁华 陈汉林 | 2018 | 中国科学院院刊2018，33，8： | 44 |
| 6 | 数学地球科学跨越发展的十年:大数据、人工智能算法正在改变地质学显示文摘近十年是科学研究从问题驱动向数据驱动转变的转折时期,科学研究的第四范式—数据密集型科学发现应势而生。这期间,大数据与人工智能算法的引入使数学地球科学实现跨越式发展,并正在改变地质学。机器学习是使计算机具有智能的根本途径。深度学习,即多层神经网络的方法,是一种实现机器学习的技术,是过去几年大数据与数学地球科学研究的最重要的热点。贝叶斯网络是贝叶斯公式和图论结合的产物,可用来建立矿床地质的成因网络,进而理解矿床成因。地质大图形问题可以转化为大型的复杂网络空间问题和社区结构问题,社区分析技术可用于地震预报、地质网络分析、特殊地质现象识别、矿床预测。关联规则和推荐系统算法在地质研究中已有成功的应用实例。化探数据及其异常经常包含复杂和非线性模式,深度学习在智能识别与提取复杂地质条件下地球化学异常具有优异的能力,卷积神经网络、堆叠自编码机等是较为常用和有效的方法。非线性矿产资源预测、基于GIS和三维地质建模的三维成矿预测及相应的软件系统得到持续改进。三维虚拟仿真建模技术的应用实现了多模态、跨尺度地学虚拟现实与多维交互,地质过程数值模拟等已有创新性进展。区块链技术以及OneGeology、玻璃地球、深时数字地球等大地质科学计划,将在整合全球地质大数据、共享全球地学知识、推动数学地球科学学科发展方面起到重大的推动作用。 | 周永章 左仁广 刘刚 袁峰 毛先成 郭艳军 肖凡 廖杰 刘艳鹏 | 2021 | 矿物岩石地球化学通报2021，40，3： | 41 |
| 7 | 卷积神经网络及其在矿床找矿预测中的应用——以安徽省兆吉口铅锌矿床为例显示文摘大数据人工智能地质学刚刚起步,基于大数据智能算法的地质研究是非常有意义的探索性实验。利用大数据和机器学习解决矿产预测问题,有助于人们克服不能全面考虑地质变量的困难及评估当前模型在已有数据中的可靠性。元素地表分布特征量主要受原岩成分、成矿作用影响和地表过程的影响,它们携带某些指示矿体就位的信息,即矿体在地下空间就位时在地表的响应,且未在地表过程中消失。以往的地球化学勘查工作仅仅识别异常,但未能发现矿体在地表响应的成矿特征量。本文以安徽省兆吉口铅锌矿床为例,通过机器学习,利用卷积神经网络算法,不断挖掘元素Pb分布特征与矿体地下就位空间的耦合相关性。经过1000次训练后,可以得到准确率0. 93,损失率0. 28的卷积神经网络模型。这种神经网络模型就是矿体在地下就位时元素在地表分布的响应,可以用来进行矿产资源预测。应用该模型对未知区进行预测,结果显示第53号区域具有很大概率存在尚未发现的矿体。 | 刘艳鹏 朱立新 周永章 | 2018 | 岩石学报2018，34，11： | 38 |
| 8 | 基于深度信念网络的地质实体识别方法显示文摘地质实体作为地质信息表达的核心要素,对其准确识别是地质文本数据挖掘和应用的重要基础。本文通过分析各种类型文本数据中地质实体信息的描述特点,构建了地质实体信息的标注规范和语料库,设计了基于深度信念网络(Deep Belief Networks)的地质实体识别模型,解决了文本数据中地质实体信息的结构化、规范化处理问题。以矿产资源地质调查报告为实验数据,对本文的地质实体识别方法性能进行了评估分析。结果表明,深度学习模型能够在较小规模语料库的基础上,达到较好的地质实体识别性能。 | 张雪英 叶鹏 王曙 杜咪 | 2018 | 岩石学报2018，34，2： | 31 |
| 9 | 基于大数据的地质云监控平台建设与应用显示文摘'地质云1.0'是我国地质调查领域第一个云端的综合性集成应用平台,于2017年11月上线服务,实现了地学数据集成、地质业务集成、产品应用集成的服务效果.为了保证'地质云'能够稳定健康地运行,持续地为用户提供高质量的服务,需要对'地质云'中近400台各种类型的服务器、上万个软硬件指标进行实时监测.本文透彻分析了地质云中软硬件资源的相互关系,提出并确定了地质云中各种资源的量化监测参数,首次提出了在云中监测'地质云'的'全云化'监控的新模式,开创了一种云端资源监控的新思路;基于大数据技术设计了一个透明化的地质云监控平台,采用Hadoop、HDFS、HBase等研发了一种生于'地质云'中、存在于'地质云'内、全部使命为监测'地质云'的崭新的监控软件与分析系统,可完成地质云监控数据的一站式采集、解析、存储、展示、查询、分析、挖掘与服务.经在线运行结果表明,地质云监控平台将监控工作量缩减为原来的四分之一,能够自动地完成业务服务情况分析、稳定性评价、故障和错误诊断、问题点快速定位等功能,为'地质云'稳定运行提供了重要保障. | 王永志 包晓栋 缪谨励 金樑 王亮 | 2018 | 地球物理学进展2018，33，2： | 27 |
| 10 | 基于GEOROC数据库的全球辉长岩大数据的大地构造环境智能判别研究显示文摘辉长岩是化学成分与玄武岩类似的侵入岩,前人认为它的形成过程太复杂,对应的岩浆可能经过了分离结晶作用、混染作用等,不能用Pearce判别图来判断岩浆岩形成的构造环境。本文利用GEOROC数据库的资料对辉长岩进行大数据挖掘。首先根据前人成果,将GEOROC数据库的辉长岩形成的大地构造环境分为大陆玄武岩环境、汇聚边界环境、板内火山岩环境和大洋岛弧玄武岩环境等4类;然后在数据清洗基础上,利用Python语言,依托sklearn库,实现支持向量机、K近邻和随机森林等3种机器学习算法,获得3种对应的分类器结果输出。对辉长岩的构造环境进行智能判别结果显示,随机森林方法效果最好,判断准确率可达97%,利用辉长岩的地球化学大数据来判断岩浆岩的构造环境是完全可行的。 | 焦守涛 周永章 张旗 金维浚 刘艳鹏 王俊 | 2018 | 岩石学报2018，34，11： | 25 |
| 11 | 基于VR技术的多尺度地质数据3D沉浸式可视化与交互方法显示文摘随着科技的飞速发展,地质大数据正在呈爆炸式增长,地质大数据可视化与交互方法成为研究的新方向。如何通过可视化方法将巨大的、复杂的、潜逻辑的地质数据展现与交互是需要进一步探索的。本文提出基于VR技术的多尺度地质数据3D沉浸式可视化与交互方法,该方法既符合计算思维又符合地质专业理论。首先,从理论上提出多尺度地质数据可视化理论模型;其次,基于VR技术实现多尺度、多分辨率地质数据的可视化;最后,构建了3D沉浸式虚拟现实平台,采用实际数据验证方法的有效性。该方法适用于地质数据的可视化与交互,为科学的定量评价、分析和教学提供新思路,是未来的必然发展趋势。 | 郭艳军 张进江 陈斌 崔莹 熊文涛 李梅 张志诚 秦善 | 2019 | 地学前缘2019，26，4： | 25 |
| 12 | 勘查地球化学数据挖掘与弱异常识别显示文摘我国积累的大量高质量、多元素、多尺度的地球化学数据,为矿产勘查与环境评价提供了有效的数据支撑。如何对这些数据进行二次开发和再利用,提取有价值的地球化学异常信息并带动找矿突破,是缓解当前矿产资源短缺的重要途径之一。在覆盖区和深部的找矿实践中,由于矿体埋深和覆盖层的影响,往往在表生介质中形成弱小的地球化学异常,识别和评价弱小地球化学异常是当前勘查地球化学数据处理的重要方向之一。本文围绕地球化学异常信息的提取和评价,主要从以下几个方面讨论了相关的国内外研究进展和发展趋势:勘查地球化学数据处理与异常识别方法和模型,勘查地球化学数据闭合效应的影响及其解决方案,基于大数据和机器学习的勘查地球化学数据处理以及弱小地球化学异常的识别和评价。研究发现,在地质环境的约束下,基于大数据思维和机器学习相结合的方法,注重地球化学空间分布模式与已发现矿床的相关关系,同时使用所有地球化学变量能有效刻画具有非线性特征的地球化学空间分布模式,可识别出传统方法无法识别的异常,为开展地球化学空间模式识别与异常提取提供了新的途径。 | 左仁广 | 2019 | 地学前缘2019，26，4： | 21 |
| 13 | 面向地质时空大数据表达与存储管理的数据模型研究显示文摘随着传感器实时监测等高新技术在地质勘查或生产开发中的应用,形成了动态与静态并存、多源异构的地质时空大数据.然而,目前地质信息系统在地质数据组织管理方面,主要是静态地存储和表达出地质矿产勘查或生产开发在某个特定时期的状态,尚不能满足对勘查或生产开发过程中实时信息的存储管理,进而支持对地质过程的分析和研判.针对性开展了地质时空大数据表达与存储管理的数据模型研究,目标是能够融合数据多源与时空多维性,又能够支持时间关联与时间多粒性.针对地质大数据、地质过程的静态与动态数据紧密结合的特点,采用面向对象和基于事件的思想,提出了基于事件多因素驱动的地质时空大数据概念模型,并开展了相应的地质大数据存储管理逻辑模型、基于系统工程库的管理结构和地质时空对象管理模型设计.基于地质时空大数据逻辑组织管理模型和时空过程的非关系型分布式数据库架构,设计了地质大数据存储模型.融合三维地质建模技术、动态监测信息实时可视化等技术,构建了所需模型过程模拟的三维环境,通过绑定观测数据源,设计实现了基于OPC接口的模拟数据产生事件、作用对象响应的矿山动态开采流程.在王家岭煤矿首采区地质数据支持下开展了应用研究,实现地质时空事件条件下的矿山动态开采过程表达与数据管理,验证了本文模型的可行性和有效性. | 刘刚 吴冲龙 何珍文 翁正平 阙翔 田善君 李旸 | 2020 | 地质科技通报2020，39，1： | 21 |
| 14 | 基于深度学习的深层次矿化信息挖掘与集成显示文摘矿产预测的核心是对地学空间数据进行特征提取与集成融合,当前的研究热点和前沿聚焦于深层次矿化信息特征提取与集成。进入大数据时代,如何基于机器学习开展深层次矿化信息挖掘与集成是当前矿产预测的前沿领域。本文介绍了基于机器学习的矿产预测与评价研究的主要内容,深度学习的基本原理,以及深度学习在地球化学异常识别和多源找矿信息集成融合中的应用。研究结果表明,深度学习可有效识别和提取地球化学异常,并能对地质、地球物理、地球化学等多源地学数据进行特征提取、集成融合及找矿远景区圈定。尽管如此,如何把深度学习与地质约束有机结合,使其既能有效挖掘与集成深层次矿化信息,又符合地质认知,还需要更加深入的研究。 | 左仁广 | 2019 | 矿物岩石地球化学通报2019，38，1： | 18 |
| 15 | 大数据挖掘与智能预测找矿靶区实验研究——卷积神经网络模型的应用显示文摘成矿预测需要通过一定的规则集合将专家观点、地质背景、成矿类型等因素进行综合考虑。但由于受到人类实际计算能力的生物条件限制,影响找矿预测成果的最大因素是找矿者的经验知识。随着大数据时代的到来,成矿预测可充分利用数学计算,即以特定规则对成矿系统进行计算,以概率表示成矿前景。依靠计算机的超级运算能力,结合机器学习的方法技术,可以对地质大数据进行成矿预测特征学习,实现对众多地质变量与矿体相关性之间的验证,从而进行预测。本文以安徽东至兆吉口铅锌矿床为例,示范如何通过机器学习的卷积神经网络方法,学习元素Zn在地表的分布特征与矿体在地下空间就位的耦合关系,并圈定靶区。经过450次训练后,得到了准确率95%,损失率14%的CNN模型,并成功实现智能圈定3块找矿靶区。这种神经网络模型可能表达了矿体在地下就位时元素在地表分布的响应,可以用来进行找矿勘查并圈定靶区。 | 刘艳鹏 朱立新 周永章 | 2020 | 大地构造与成矿学2020，44，2： | 18 |
| 16 | 基于勘查数据的胶东大尹格庄金矿床控矿地质因素定量分析显示文摘胶东金矿床集中产于伸展构造系统内,常常显示出明显的构造控矿特征,但前人提出的阶梯式成矿模式难以回答哪些构造特征真正控制了金矿床的形成。大数据时代的到来为地质勘查数据的挖掘、成矿规律的探索提供了新的途径。选择胶东地区的大尹格庄金矿床为研究对象,在系统收集勘查资料的基础上,通过空间分析技术对控矿因素的不同特征进行定量表达,进而分析其与金矿化的相关关系。分析结果显示招平断裂带的距离场因素与金品位和金属量均呈双峰分布特征,与大尹格庄金矿床存在的两类矿化相对应,直观反映了不同类型矿石的相对空间位置。断层的坡度与金品位近似呈高斯分布,品位峰值区累积了大量的金属量,暗示了成矿流体更多地在某一特定的坡度范围内汇聚、停留。断裂面的陡缓变化和起伏程度显著地影响了金的富集程度,能够清晰地区分出经济品位的矿石和矿化体并确定矿体的最有利部位。在蚀变带中最强烈的蚀变部位,金的沉淀量急剧增加,暗示蚀变带内相同的部位可能叠加了持续的热液交代或多次成矿作用。控矿因素大数据分析表明,招平断裂面的形态特征是控制大尹格庄形成的关键因素,这种规律可被推广到整个胶东地区的金矿床。 | 毛先成 王迷军 刘占坤 陈进 邓浩 | 2019 | 地学前缘2019，26，4： | 15 |
| 17 | 基于成矿条件数值模拟和支持向量机算法的深部成矿预测——以粤北凡口铅锌矿为例显示文摘随着计算机科学和地质大数据技术的迅猛发展,数值模拟和机器学习已成为当今地学领域定量发展的重要前沿方向。数值模拟综合运用了研究区地质、构造、地球物理、地球化学等多源信息,将成矿条件与过程进行量化模拟分析,对研究成矿动力学演化过程及成矿响应有重要意义,可对已有成矿要素/信息在时空上进行扩展/外推,扩大了成矿预测信息的广度和深度,为解决深部成矿预测中获取深部信息难题提供了一种可能的有效途径。支持向量机是一种重要的机器学习分类算法,它具有简洁、方便、高效和计算结果较稳定等特点,在众多领域中得以成功应用,是成矿预测中多源信息提取与融合的一种可靠的技术手段。为了充分利用数值模拟与机器学习的优势,本文提出将计算机数值模拟方法和机器学习(即支持向量机算法)相结合来进行深部成矿预测的新方法。以粤北凡口超大型铅锌矿为例,首先,对凡口矿区勘探线剖面进行构造应力场模拟;进而,以已知钻孔数据作为训练集和测试集,运用支持向量机算法对模拟结果中的不同参量(也即模拟所得的成矿条件)进行训练学习;最后,建立相应的定量找矿预测模型对研究区(或剖面)外围和深部找矿进行预测评价。研究结果表明,本文所建立的预测模型精确度和召回率都较好,预测结果显示出了三个成矿可能较大的区域,说明数值模拟技术和机器学习算法结合应用的效果较好。这种新的成矿预测方法为深部找矿预测提供了一种可行的新思路和新途径,可以有效地拓展运用到其他矿区、其他类型矿床的深部找矿预测工作中。 | 王语 周永章 肖凡 王俊 王恺其 余晓彤 | 2020 | 大地构造与成矿学2020，44，2： | 15 |
| 18 | 成矿预测:从二维到三维显示文摘随着矿产资源勘探方法以及计算机科学技术的不断发展,成矿预测的理论和方法已从定性发展至定量,从二维拓展到三维。近十年来,随着深部矿产资源勘探工作的推进,三维成矿预测研究得到了迅猛发展,相关理论与方法也已逐步走向成熟。本文总结了国内外二维成矿预测研究的现状,同时对近十年来国内外学者在三维地质建模技术、三维成矿预测方法等方面的主要成果和进展做了系统总结和分析。目前,国内外多个地区已相继开展了三维成矿预测工作,并成功圈定多个深部找矿靶区,相关成果为深部找矿勘探工作提供了新的方法和方向。在此基础上,本文对未来三维成矿预测的发展趋势进行展望,相较于传统的二维成矿预测,三维成矿预测往往受限于三维预测信息的缺乏。如何更好的挖掘二维数据在深度方向的指示能力,将二维数据推演至三维环境,利用数值模拟、机器学习等方法开展数据挖掘、充分发挥已有数据的内蕴信息将在未来推动三维成矿预测理论的深入发展,提高三维成矿预测的理论方法及应用实践水平。 | 袁峰 张明明 李晓晖 葛粲 陆三明 李建设 周宇章 兰学毅 | 2019 | 岩石学报2019，35，12： | 14 |
| 19 | 玄武岩构造环境判别图评估-全体数据研究的启示显示文摘玄武岩作为一种大洋和大陆广泛分布的基性岩,其成因理论主要是在对大火成岩省研究的基础上奠定的,其构造环境判别的理论则主要是在板块构造理论的基础上创建的。本文利用GEOROC和Pet DB数据库对全球大洋中脊玄武岩(MORB)、洋岛玄武岩(OIB)和岛弧玄武岩(IAB)进行了数据挖掘研究,发现早先的判别图判别效率不尽相同。部分判别图判别效率偏低的原因可能是早先的研究大多是以典型案例的研究为基础展开的,没有考虑到大数据给出的结果,说明典型和抽样的代表性可能不足。通过对判别图解的研究和比较,并对部分判别图进行了改进,发现许多图解可以把IAB与MORB、OIB分开,但MORB和OIB之间仍然有一些重叠不易区分,并借此推测MORB与OIB源区具有一定的相似性。所以,利用大数据研究可以使玄武岩构造环境判别的研究上升到一个新的层面。 | 第鹏飞 王金荣 张旗 杨婧 陈万峰 潘振杰 杜学亮 焦守涛 | 2017 | 矿物岩石地球化学通报2017，36，6： | 13 |
| 20 | 面向地质大数据的语义检索模型研究显示文摘随着物联网、互联网、大数据、云计算等新一代信息技术的发展和在地学领域的应用,如何更全、更准的从海量地质数据中检索到用户所需要的信息,并以一种智能的方式推荐给用户,成了亟待解决的问题。本文从地质大数据语义模型定义和基于知识图谱技术的地质大数据语义模型构建入手,提出了一套面向地质大数据的语义检索和聚类分析方法,并完成了面向地质大数据语义检索系统平台的开发、实施及实验验证。验证结果表明此方法在查准率和查全率方面较其他方法更具优越性。 | 朱月琴 谭永杰 吴永亮 张林兵 李杨 赵亚楠 | 2017 | 中国矿业2017，26，12： | 12 |
您所在的机构暂未开通此部分的功能，请联系管理员