[第五章2-信息综合与有利度计算.ppt

第五章 GIS在资源评价中的应用 一、GIS与资源评价 二、证据权法、信息量法等 三、MORPAS介绍 四、实习 第二节 信息综合与有利度计算模型 知识驱动 (无须训练区（点）) 专家系统 模型参数由专家确定 Fuzzy logic 数据驱动 (必须有训练区（点）) 统计方法 根据训练区计算确定模型参数 证据权法, 特征分析，逻辑回归, 神经网络, 分形方法 矿产资源区域评价数学模型 矿产资源评价所涉及的大致有以下几种数学模型： 统计模型：特别是多元统计模型，如因子分析、对应分析、判别分析 、回归分析、典型相关分析等。利用这类模型，可对用于评价的数据从各个角度进行统计分析。 纯代数模型：如特征分析 、主成分分析、聚类分析、趋势分析、逻辑信息法等 这类模型仅立足于矩阵元算，一般无统计能力。? 其他数学模型：如立足于图论、模糊集、数字滤波、信息论等数学分支的数学模型。这类模型有时也含有统计概念。 专家系统模型：其数学支持主要是逻辑数学模型，用于系统的知识表达与推理过程，其中也会使用到广泛的数学模型，如统计模型、模糊集、人工神经网络等。 ? 矿产资源区域评价数学模型 矿产资源评价需要解决三个问题： 1）评价的数学模型要立足于数据的空间相关性； 2）系统要能直接调用和操作空间图形； 3）评价系统要以数据管理为核心，实现数据驱动。 GIS的应用，使后面两个问题的解决成为可能。 信息综合方法 证据权法 信息量法 BP神经网络 ART神经网络 特征分析法 逻辑回归* 模糊逻辑* 证据权法（Weights of Evidence）是一种定量评价方法，它最初用于医疗诊断；20世纪80年代末，加拿大地调所Frits Agterberg 和 Graeme Bonham-Carter将该方法引入到GIS支持下的矿产资源潜力评价中。 其基本过程是：将每一种地学信息视为成矿预测的一个证据因子；通过分析，计算出每一个证据因子对成矿贡献的权重值；最终对各证据因子加权求和，得出成矿有利度值，从而对矿产远景区进行定位预测。 假设研究区被划分成面积相等的Ｔ个单元，其中有Ｄ个单元为有矿单元。则随机选取一个单元有矿的概率是： Ｐ（Ｄ）＝Ｄ/T 则先验几率： O（D）=Ｐ（Ｄ）/（1-Ｐ（Ｄ））=D/（T - D） 对于任意一个证据因子，其权重定义为： Ｗ＋＝ｌｎ[Ｐ（Ｂ／Ｄ）/Ｐ（Ｂ／Ｄ－）]  Ｗ－＝ｌｎ[Ｐ（Ｂ－／Ｄ）/Ｐ（Ｂ－／Ｄ－）] Ｂ为因子存在区的单元数；Ｂ－为因子不存在区的单元数，Ｄ表示有矿，Ｄ－表示无矿 Ｗ＋、Ｗ－分别为证据因子存在区和不存在区的权重值（即成矿关联度），对于原始数据缺失区域权重值为０。 定义关联度显著性指标C为： C = W + - W - 证据权重法要求各证据因子之间相对于矿点分布满足条件独立。 对于Ｎ个证据因子，若它们都关于矿点条件独立，则研究区内任一ｋ单元为有矿的后验几率为： 由此可得出研究区内任一ｋ单元为有矿单元的后验概率为： Ｐ＝Ｏ／（１＋Ｏ） 最后根据后验概率圈出找矿远景区。 信息量计算法也属于BAYES统计分析方法。 其实质是用信息量的大小来评价地质因素、标志与研究对象的关系密切程度。 该方法应用于区域矿产预测，是由Ｅ．Ｂ．维索科奥斯特罗夫斯卡娅（１９６８）及Ｎ.Ｎ.恰金（１９６９）先后提出的。 其基本过程是：将每一种地学信息视为成矿预测的一个证据因子；通过分析，计算出每一个证据因子对成矿贡献的权重值；最终对各证据因子加权求和，得出成矿有利度值，从而对矿产远景区进行定位预测。 ＩＡｊ→Ｂ＝ln(Ｐ（Ｂ／Ａｊ）/Ｐ（Ｂ）) 其中：Ｉ为Ａ标志j状态提供事件Ｂ（有矿）发生的信息量 Ｐ（Ｂ／Ａ）为Ａ标志j状态存在条件下事件Ｂ实现的概率 Ｐ（Ｂ）为事件Ｂ发生的概率。 根据概率乘法定理，上式可变为： ＩＡｊ→Ｂ＝ln(Ｐ（Ａｊ／Ｂ）Ｐ（Ａｊ）) 具体计算时，总体概率用样本频率来估计： ＩＡｊ→Ｂ＝ln(Ｐ（Ａｊ／Ｂ）Ｐ（Ａｊ）)≈ln((Ｎｊ／Ｎ)/(Ｓｊ／Ｓ)) 其中：Ｎｊ为具有标志值Ａｊ的含矿单元数； Ｎ为研究区中含矿单元总数； Ｓｊ为具有标志值Ａｊ的单元数； Ｓ 为研究区单元总数。 计算步骤是： 1）选择参与运算的变量集与研究对象 2）计算各地质因素