[0001] 本发明属于地球物理勘探技术领域，具体涉及一种基于激发极化法的地质异常区识别方法及系统。

[0002] 激发极化法(induced polarization method)也叫激电法，是以地壳中不同岩石、矿物(石)以及周围介质的激电效应差异为物质基础，通过观测与研究人工建立的直流(时间域)或交流(频率域)激电场的分布规律进行找矿和解决地质问题的电法勘探方法。其原理是通过人工建立地下直流或交流电场，通过两组或多组电极测量地阻率参数的同时，观测地下因电化学作用引起的随时间缓慢变化的附加电场的二次电场响应信号，根据岩石、矿石的电阻率和地质体激发极化变化规律推断地下介质的电阻率及极化特性，从而推断地下的地质构造、地层性质和水文地质条件。

[0003] 激发极化法是基于介电性质的地球物理勘探方法，其具有探测深度大、分辨率高等优点，在矿产资源勘探、环境地质调查和工程勘察等领域得到了广泛应用。根据激发极化法场源不同，分为时间域(直流)或频率域(交流)激发极化法，用于解释的属性剖面(二维)或者属性体(三维)包括电阻率(ρ)、极化率(η)、充电率(M)、半衰时(St)、偏离度(r)、视相位(φs)等。

[0004] 基于物探数据的异常识别方法是地球物理勘探中的一个重要研究领域，现有技术中，关于激发极化法的异常识别方法的研究仍相对较少。目前，常见的基于激发极化法的地质异常区的识别主要包括以下两种：

[0005] 1.直观判读法：通过直观观察物探数据图像，识别出异常体，一般主要应用于二维剖面、切片异常识别。

[0006] 2.特征提取法：通过提取物探数据的属性特征(如等值包络面)来识别出异常体，一般主要应用于三维数据体的异常识别。

[0007] 上述方法直接依赖电阻率、极化率等物性参数。然而，在实际生产中，由于地形、地质条件、覆盖层不均匀导致勘探分辨率受影响。一些地质构造(如岩溶、矿体、采空等)引起的电阻率、激化率反应极其微弱，在二维剖面、三维数据体上反映不明显，在解释过程中极易被忽略，从而造成解释上的疏忽和遗漏。同时该方法存在主观性且识别效率低下、识别精度不高，也没有充分利用地质与物探数据。因此，现有的技术并不能满足实际的应用需求。

[0032] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

[0033] 参见图1，本发明公开了一种基于激发极化法的地质异常区识别方法，包括：

[0034] S1.根据待勘探区域的地形数据和地质数据构建待勘探区域的面模型和地质块体模型；

[0035] 优选的，所述地形数据包括地形图、遥感图像中至少之一，所述地质数据包括地质图、测井数据、物探数据、地球物理数据中至少之一。

[0036] 根据勘探区域的地形数据并融合勘探区域的地质图，构建勘探区域面模型，面模型是基于地形数据及地质图对勘探区域的表面进行划分所得到的还原模型。优选的，所述面模型包括岩性、地层分界、构造分布等数据。

[0037] 根据勘探区域的地质数据并融合勘探区域的地质调查资料，在面模型的基础上构建勘探区域的地质块体模型，其中勘探区域的地质调查资料包括但不限于地层分界、构造分布、岩性等，地质块体模型是基于地质勘探数据结合三维立体图形构造技术对地质情况的三维形状的还原模型。

[0038] 本发明对地形及地质数据、勘探区域的地质图及地质调查资料等多种数据进行分析，充分利用勘探区域的地形及地质与物探数据，可以使地质异常区识别结果更准确。

[0039] S2.对待勘探区域的面模型和地质块体模型进行权重分析得到待勘探区域的权重分布；

[0040] 示例性的，根据地形数据构建勘探区域面模型，并融合待勘探区域地质图以及待勘探区域相关调查资料得到地层分布特征，结合区域地质资料、地质调查资料等数据，根据勘探目标地层分布特征按照分布范围进行权重分析得到基于待勘探区域的面模型的权重；对勘探区域内的地质块体进行权重分析得到不同地质块体的权重；根据基于待勘探区域的面模型的权重和不同地质块体的权重，确定待勘探区域的权重分布。根据勘探工作的目的结合勘探区域地质数据及地质调查资料，对勘探区域内的地质块体模型根据地层分布特征按照分布范围进行权重分析，得到不同地质块体模型的权重，权重结果可用相应的数据表示，并设定合理的阈值，权重结果大于阈值的地质块体模型可确定为勘探区域的目标靶区。

[0041] S3.基于激发极化反演数据，建立电阻率和极化率属性模型并从中提取电阻率和极化率的异常分布；

[0042] 在一个实施例中，所述S3具体包括：基于激发极化反演数据，利用插值算法建立电阻率和极化率属性模型并从中提取电阻率和极化率的异常分布。

[0043] 在另一个实施例中，所述插值算法包括Kriging插值、反距离权重插值、径向基函数插值中至少之一。

[0044] 示例性的，所述异常分布一般包括高阻异常区、低阻异常区、极化率高异常区、低幅值异常区等等。

[0045] 具体地，根据待勘探区域的地形数据和地质数据确定初始电阻率模型，然后根据对应电流场方程开展正演计算，并得出其对应的理论视电阻率，比较观测值与理论值的差异，根据实测的视电阻率剖面，进行计算和分析，便可获得地层中的电阻率分布情况，从而可以划分地层，判定异常区域分布。

[0046] S4.针对不同的异常分布，分别采用不同的异常系数对地质块体物性异常特征进行量化；当勘探目标为低电阻率高极化率时，选择MF异常系数；当勘探目标为高电阻率高极化率，选择GI异常系数；

[0047] MF异常系数(良导充电异常系数)：低电阻率高极化率异常系数，主要用于突出低电阻率(或高电导率)和高极化率的异常区域，适合用于确定良导充电区(比如:破碎带、构造带相关的散射性硫化物、半散射性或块状硫化物或者富水充填型岩溶发育区)。

[0048] GI异常系数(不良导体充电异常系数)：高电阻率高极化率异常系数，主要用于突出高电阻率(或低电导率)和高极化率的异常区域，适合用于确定不良导体充电区(比如：硅化或者碳酸盐化蚀变带相关的散布式硫化)。

[0049] 一方面，所述MF异常系数为：

[0050] 具体地，MF异常系数计算适用于激电法数据异常系数计算，可以但不权限于针对电阻率、电导率异常系数计算，还可以选用电阻率、电导率与极化率、充电率、半衰时、偏离度、相位两两组合进行异常系数计算。

[0051] 另一方面，所述GI异常系数为：

[0052] 具体地，GI异常系数计算适用于激电法数据异常系数计算，可以但不权限于针对电阻率、电导率异常系数计算，还可以选用电阻率、电导率与极化率、充电率、半衰时、偏离度、相位两两组合进行异常系数计算。

[0053] 优选的，所述MF异常系数和所述GI异常系数的计算公式中的计划参数为极化率(单位为无量纲％)、充电率(单位为毫秒ms、毫伏·秒/伏mV·S/V、毫伏/伏mV/V)、半衰时(单位为毫秒ms、秒S)、偏离度(单位为无量纲％)、相位(单位为毫弧度mrad)中的至少之一。

[0054] 进一步地，所述电性参数为电阻率、电导率、自然电场中至少之一。具体地，电阻率的单位为欧姆米(Ω·m)。

[0055] 值得注意的是，在勘探目标物性特征明确时，异常系数可以选择一个或者多个进行计算；勘探目标物性特征不明确时，可以选择所有异常系数进行计算。一般条件下，勘探目标存在极化特征时，可以选择MF异常系数和GI异常系数计算，特别地，当勘探目标为低电阻率高极化率，应选择MF异常系数计算，当勘探目标为高电阻率高极化率，应选择GI异常系数计算。通过MF异常系数、GI异常系数计算对地质体物性异常特征进行量化，以达到增强微弱地质异常的幅度的目的，同时可以提高异常识别的准确率。

[0056] S5.对所述电阻率和极化率属性模型以及量化后的物性异常特征分别进行聚类分析得到各个聚类异常簇；

[0057] 优选的，用于聚类分析的算法包括K‑均值、随机森林、DBSCAN中至少之一。

[0058] 具体地，本发明利用无监督学习聚类算法分别对电阻率和极化率属性模型以及量化后的物性异常特征进行聚类分析，优选的，聚类分析数据可以为单一属性数据，也可以为多个属性数据的组合，聚类分析算法根据数据组合以及数据分布特点进行合理选用，可以包括但不仅K‑均值、随机森林、DBSCAN等多种聚类算法，还可以根据物性(电阻率、极化率)、异常分布特征以及勘探目标的需求选择合适的聚类分析算法。

[0059] 优选的，所述S5具体包括：对所述电阻率和极化率属性模型以及量化后的物性异常特征分别进行聚类分析得到属性聚类模型、异常特征聚类模型，从属性聚类模型、异常特征聚类模型中分别提取异常类簇以得到各个聚类异常簇。

[0060] S6.对S2中待勘探区域的权重分布、S3中电阻率和极化率的异常分布以及S5中各个聚类异常簇进行融合分析与交叉对比以识别地质异常区。

[0061] 示例性的，如图2所示，采用K‑均值针对异常系数与属性进行聚类分析。还可采用不同聚类分析算法，根据数据类型进行多种组合的聚类分析，并通过对比分析识别异常簇，最终通过权重与异常簇融合对比分析获得地质异常区空间分析模型。所述融合对比分析除了采用常规方式实现，还可采用神经网络模型进行机器学习以提高精确度。

[0062] 优选的，可以通过多种可视化方式展示识别地质异常区的分析结果，展示方式包括但不限于二维剖面、三维数据体、等值线图、异常簇特征图等。

[0063] 优选的，本发明识别得到的地质异常区可以采用地质异常区的空间分布图、异常区别的发育范围图、异常簇的特征描述等形式进行展示。

[0064] 本发明基于地质数据融合，通过地质建模与目标权重分析实现靶区定位，通过电阻率、极化率属性建模、激发极化法异常系数计算达到增强物性异常的幅度的目的，通过物性与异常系数聚类分析与异常簇提取达到精确识别地质异常，通过地质异常靶区权重分布与多属性融合分析与对比达到精确识别地质异常的目的。本发明通过数据融合、权重分析、物性参数建模、异常系数计算、聚类分析和多属性融合分析等关键技术，综合利用多种数据信息，提高了勘探精度和效率，可以更加准确地识别地质异常区。本发明通过激极化法异常特征计算，对微弱物性异常进行了增强，提高了异常识别的准确性。本发明将地质数据、地形数据、地质调查资料和物探数据等多种数据进行融合，充分利用了地质与物探数据，提高了勘探精度和效率。本发明运用机器学习对物探多属性数据进行分类和聚类异常簇提取，通过勘探目标权重与异常系数聚类异常簇、物性聚类异常簇进行融合分析和交叉对比，可以更加高效、准确地识别地质异常体。相较于现有技术，本发明通过属性建模、聚类分析与多属性融合分析以及交叉对比，可以显著提高异常区识别的精度与准确性。本发明方法适用于地下电阻率、极化率等差异较大的地质体(如矿床、岩溶、暗河、采空区、地下水等)的探测，在矿产资源勘探、环境地质调查、水资源勘探和工程勘察等领域得到了广泛应用。

[0065] 基于同一发明思路，本发明还公开了一种基于激发极化法的地质异常区识别系统，包括：

[0066] 采集模块，用于采集各项数据以用于地质异常区识别；

[0067] 识别模块，用于根据上述任一所述方法进行地质异常区识别。

[0068] 所述系统实施例可以与前述方法实施例一一对应实现，在此不再赘述。

[0069] 基于同一发明思路，本发明还公开了一种电子设备，该电子设备可以包括：处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信。处理器可以调用存储器中的逻辑指令，以执行一种基于激发极化法的地质异常区识别方法，包括：

[0070] S1.根据待勘探区域的地形数据和地质数据构建待勘探区域的面模型和地质块体模型；

[0071] S2.对待勘探区域的面模型和地质块体模型进行权重分析得到待勘探区域的权重分布；

[0072] S3.基于激发极化反演数据，建立电阻率和极化率属性模型并从中提取电阻率和极化率的异常分布；

[0073] S4.针对不同的异常分布，分别采用不同的异常系数对地质块体物性异常特征进行量化；当勘探目标为低电阻率高极化率时，选择MF异常系数；当勘探目标为高电阻率高极化率，选择GI异常系数；

[0074] S5.对所述电阻率和极化率属性模型以及量化后的物性异常特征分别进行聚类分析得到各个聚类异常簇；

[0075] S6.对S2中待勘探区域的权重分布、S3中电阻率和极化率的异常分布以及S5中各个聚类异常簇进行融合分析与交叉对比以识别地质异常区。

[0076] 此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read‑Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

[0077] 另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的一种基于激发极化法的地质异常区识别方法，包括：

[0078] S1.根据待勘探区域的地形数据和地质数据构建待勘探区域的面模型和地质块体模型；

[0079] S2.对待勘探区域的面模型和地质块体模型进行权重分析得到待勘探区域的权重分布；

[0080] S3.基于激发极化反演数据，建立电阻率和极化率属性模型并从中提取电阻率和极化率的异常分布；

[0081] S4.针对不同的异常分布，分别采用不同的异常系数对地质块体物性异常特征进行量化；当勘探目标为低电阻率高极化率时，选择MF异常系数；当勘探目标为高电阻率高极化率，选择GI异常系数；

[0082] S5.对所述电阻率和极化率属性模型以及量化后的物性异常特征分别进行聚类分析得到各个聚类异常簇；

[0083] S6.对S2中待勘探区域的权重分布、S3中电阻率和极化率的异常分布以及S5中各个聚类异常簇进行融合分析与交叉对比以识别地质异常区。

[0084] 又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的一种基于激发极化法的地质异常区识别方法，包括：

[0085] S1.根据待勘探区域的地形数据和地质数据构建待勘探区域的面模型和地质块体模型；

[0086] S2.对待勘探区域的面模型和地质块体模型进行权重分析得到待勘探区域的权重分布；

[0087] S3.基于激发极化反演数据，建立电阻率和极化率属性模型并从中提取电阻率和极化率的异常分布；

[0088] S4.针对不同的异常分布，分别采用不同的异常系数对地质块体物性异常特征进行量化；当勘探目标为低电阻率高极化率时，选择MF异常系数；当勘探目标为高电阻率高极化率，选择GI异常系数；

[0089] S5.对所述电阻率和极化率属性模型以及量化后的物性异常特征分别进行聚类分析得到各个聚类异常簇；

[0090] S6.对S2中待勘探区域的权重分布、S3中电阻率和极化率的异常分布以及S5中各个聚类异常簇进行融合分析与交叉对比以识别地质异常区。

[0091] 应该理解的是，虽然附图的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，其可以以其他的顺序执行。而且，附图的流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，其执行顺序也不必然是依次进行，而是可以与其他步骤或者其他步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。

[0092] 以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。