一种土壤地球化学在深部矿体的勘探方法与流程

本发明涉及土壤地球化学勘探，具体来说，涉及一种土壤地球化学在深部矿体的勘探方法。背景技术：1、矿物元素在地球固体内部并非是固定不变的，而是时刻处于高速运动状态之中，部分元素的迁移速率极高，远超过利用扩散模式所计算出来的速度；此外，除了成矿作用和地质作用会造成地球化学异常外，已成矿体的元素迁移也会造成地球化学异常，这种成矿元素的迁移通常表现为垂向运移，这种垂向运移与其成矿环境的空间结构有着极大的关系；在深部矿体勘探中，由于深部矿体处于地下水中，受地下水酸碱度、氧化还原性、有机无机物质等的影响，矿体会受到物理化学、电化学、生物化学等的作用，形成大量金属离子；随着这些金属离子在矿体周围不断聚集，最终造成地下水中金属离子的浓度差，因此而发生扩散作用发生垂向运移。同时，矿体在氧化还原作用下会释放热量，并产生气体，使地下水溶液形成温度差、密度差、压力差、电位差等，造成水溶液产生大规模环流使金属离子发生垂向运移。2、对开发难度大的深部矿体进行勘探和开发；而土壤地球化学是矿体勘探中较为有效、实用方法，对深部矿体的开采具有重要作用，现有的技术中受到许多因素的限制，对采样的土壤中包含的各种元素的数据分析不准确，导致降低了勘探数据的准确性，不能深入了解不同类型的矿床之间的差异和相似性，为矿床勘探提供指导，降低了研究人员对数据的理解和分析能力，传统的矿体勘探需要人工选择和提取特征，这往往需要专业知识和经验，从而增加了人工成本和时间。3、针对相关技术中的问题，目前尚未提出有效的解决方案。技术实现思路1、针对相关技术中的问题，本发明提出一种土壤地球化学在深部矿体的勘探方法，以克服现有相关技术所存在的上述技术问题。2、为此，本发明采用的具体技术方案如下：3、一种土壤地球化学在深部矿体的勘探方法，该方法包括以下步骤：4、s1、根据地质条件和矿产资源分布情况，选择具有深部矿体的勘探区域；5、s2、对勘探区域进行采样，采集不同深度及不同性质的土壤样品；6、s3、对采集到的土壤样品进行化学分析，测定其中各种元素的含量和比例；7、s4、将测定的各种元素数据进行预处理；8、s5、将预处理后的结果通过聚类分析法分析土壤地球化学特征；9、s6、采用神经网络算法，对预处理后的各种元素数据进行训练，并构建深度学习模型；10、s7、将分析出的土壤地球化学特征数据与测定的各种元素数据进行比对，并将比对结果输入深度学习模型进行分析处理；11、s8、基于因子分析模型分析处理结果，并结合综合评价确定是否存在深部矿体。12、可选地，所述将测定的各种元素数据进行预处理包括以下步骤：13、s41、获取各种元素数据相对应的重复数据、缺失值和异常值，并对重复数、缺失值和异常值据进行去噪、滤波及平滑处理；14、s42、将各种元素数据中未处理的数据行进行联结，生成一个新的数据表，通过外部键值将不同的数据表进行关联，生成一个完整的数据表，并得到准确数据集；15、s43、对准确数据集进行特征提取，并得到各种元素数据的特征参数。16、可选地，所述将各种元素数据中未处理的数据行进行联结，生成一个新的数据表，通过外部键值将不同的数据表进行关联，生成一个完整的数据表，并得到准确数据集包括以下步骤：17、s421、确定需要联结的数据表和外部键值；18、s422、根据需要联结的数据表和外部键值，创建一个新的数据表；19、s423、使用sql语句数据库管理工具，将需要联结的数据表连接在一起；20、s424、在进行联结时，确保数据的完整性约束得到满足；21、s425、完成联结后，插入测试数据检查联结结果是否正确，确保能够正确地被识别和关联。22、可选地，所述将预处理后的结果通过聚类分析法分析土壤地球化学特征包括以下步骤：23、s51、预设聚类参数组合列表；24、s52、以待提取对象当前各种元素数据特征点作为聚类的数据集进行聚类初始化；25、s53、通过聚类算法对数据集进行聚类，得到所有簇的集合；26、s54、根据统计数据得到的集合进行删除处理，剔除集合中不属于特征区域的簇；27、s55、采用集合中删除处理后的簇对特征区域进行更新，确定土壤地球化学特征。28、可选地，所述采用神经网络算法，对预处理后的各种元素数据进行训练，并构建深度学习模型包括以下步骤：29、s61、利用误差反向传播算法将准确数据集按照比例划分为训练集和测试集；30、s62、对训练集中的样本依次计算前向传播的输出值；31、s63、根据误差反向传播规则更新权值和偏置，并通过迭代得到训练误差较小值；32、s64、在测试集上对训练好的准确数据集进行测试，计算预测结果与真实标签之间的误差。33、可选地，所述误差反向传播算法包括：34、对人工神经网络的权重及偏置进行初始化设置；35、输入样本，并通过前向计算得出各层输出；36、计算输出层误差各神经元误差和输出端总的平方误差瞬间值；37、修正输出层和隐层间的连接权值；38、修正隐层和输入层间的连接权值；39、计算网络训练一个周期后的目标函数；40、输入新的样本，将目标函数达到预设要求，完成训练。41、可选地，所述将分析出的土壤地球化学特征数据与测定的各种元素数据进行比对，并将比对结果输入深度学习模型进行分析处理包括以下步骤：42、s71、获取预处理后的各种元素数据；43、s72、通过特征提取算法将各种元素数据转化为可分析的特征向量；44、s73、将提取的特征向量作为模型的输入，通过神经网络算法训练出比对模型，并评估模型的性能与准确度；45、s74、将分析出的土壤地球化学特征数据输入到训练好的比对模型中，得到其土壤地球化学特征的预测结果；46、s75、根据预测结果，将各种元素数据分为正常和异常，比较分析异常数据的特征和缺陷类型，并确定土壤地球化学特征具体位置和关键原因；47、s76、将确定土壤地球化学特征具体位置和关键原因输入深度学习模型进行分析处理。48、可选地，所述基于因子分析模型分析处理结果，并结合综合评价确定是否存在深部矿体包括以下步骤：49、s81、通过主成分分析法提取土壤地球化学特征参数的因子，得到每个观测变量的因子得分；50、s82、对提取的因子进行旋转，并解释提取的因子含义；51、s83、通过解释提取的因子含义，得到每个因子的含义及解释力度；52、s84、对提取的因子和模型进行验证，以确保因子分析模型的可靠性及稳定性。53、可选地，所述对提取的因子进行旋转，并解释提取的因子含义包括以下步骤：54、s821、对提取的因子进行分析，并得到因子载荷矩阵和特征值；55、s822、利用因子载荷矩阵计算旋转矩阵；56、s823、通过正交旋转法对因子载荷矩阵进行旋转，并得到旋转后的因子载荷矩阵；57、s824、通过计算旋转后的因子载荷矩阵特征值，用于确定旋转后的因子数；58、s825、将旋转前因子载荷矩阵与旋转后因子载荷矩阵进行比较，并判断是否更加可解释；59、s826、利用旋转后的因子载荷矩阵重新计算因子得分，并提取因子含义。60、可选地，所述利用旋转后的因子载荷矩阵重新计算因子得分，并提取因子含义包括以下步骤：61、s8261、基于重新计算的因子得分，并确定需要保留的因子数；62、s8262、根据每个保留的因子数，并通过分析因子载荷矩阵来确定每个变量与每个因子间的关系；63、s8263、通过每个因子反映的潜在因素，并对每个因子进行命名；64、s8264、对提取出的因子含义进行检验，确保因子的合理性及可解释性；65、s8265、通过检验合格的因子结合综合评价确定是否存在深部矿体。66、本发明的有益效果为：67、1、本发明通过对测定的各种元素数据进行预处理，使得可以去除数据中的噪声、异常值和重复值等，使得更容易从数据中提取有用的信息，从而提高数据的准确性和可靠性，并且可以帮助深部框体勘探人员更好地了解矿区的特征和规律，从而提高勘探效率和准确性，进而可以帮助勘探人员更好地理解和解释深部框体的特征和属性，提高勘探效率。68、2、通过设置因子分析模，使得基于因子分析模型分析处理结果可以为勘探人员提供更准确、可靠的深部矿体探测方法，从而提高勘探效率和成功率，进而提高了有无深部矿体的判断性。69、3、通过设置深度学习模型，使得可以自动从数据中提取有用的特征，无需人工干预，从而减少了人工成本和时间的同时，还可以快速处理大量数据，并从中提取有用的信息，从而有助于加快勘探的速度和效率，减少误判和漏判的情况，进而提高了提高勘探的准确性。