收益：
- 能够解释人工智能和多层数据融合在矿产勘探中的应用
- 了解如何使用地质统计学（克里金法、变异函数）和机器学习来制作块模型和品位估计。
- 能够通过交叉验证、分类置信度和报告标准来测试源估计输出
勘探是一种赌博游戏，价值数百万美元的决策是基于少量的钻探样本。一个矿藏（英文矿床；丰富且大到足以开采的矿藏）隐藏在数百平方公里的面积之下，我们只能通过不频繁的钻探、地球物理阴影和地表标记来“看到”它。这就是为什么矿产勘探是人工智能最令人兴奋但也是最危险的应用领域之一：如果使用得当，它可以加快勘探目标并从稀疏数据中提取更多意义；如果使用不当，它会在统计数据背后隐藏不存在的内容，并误导投资者和社会。
在本单元中，我们将涵盖勘探的两个主要人工智能方面：勘探目标（矿产前景；根据多层数据估计哪个区域可能有矿床）和资源估计（计算我们可以确定钻探矿床中金属含量的信心）。在这两者中，人工智能都是强大的模式发现者。但在这两种情况下，最终数字均由签署国际报告标准的主管人员负责。
搜索定位：多层数据融合
勘探地质学家关注的不是单一类型的数据，而是叠加的图层：地质图、结构轮廓（断层和褶皱）、地球物理学（磁力、重力、电阻率）、地球化学（土壤和河流样本元素值）以及遥感绘制的蚀变图。每一层都是一条微弱的线索；真正的信号是它们指向的地方。这称为数据融合。
人工智能在这里有两个作用。首先，它将数十个图层对齐到同一坐标网格上（这是一项单一、繁琐但容易出错的任务），形成一个分析表。其次，它学习已知矿床周围的模式，并用类似的特征标记新区域（监督学习）。但这里有一个关键的陷阱：已知的床位数量通常非常少（一个区域可能有 5-10 个床位），因此模型很容易记忆并在新区域中失败。这就是为什么目标输出不是“确定宝石存在”列表，而是“值得通过钻探测试的优先顺序”。
步骤通常如下：（1）对齐和清理层，（2）根据地层模型将每个层转换为有意义的标记（例如“到断层交叉点的距离”，“磁高边缘”），（3）使用已知的地层或专家规则的权重进行训练，（4）生成概率图，（5）使用低成本方法在现场测试最高概率区域。
提示：不要将原始图层输入模型，而是导出具有地质意义的标记（“磁环 + 泥质蚀变 + 斑岩铜断层交叉点”）。与轴承模型兼容的指标比盲目统计产生更稳健的目标。
地质统计学和资源估算：变差函数、克里金法和块模型
一旦发现矿床并进行钻探，问题就会发生变化：“这里有多少金属，我们对它的信任度有多少？”答案需要从采样的钻孔点外推到未采样的岩石体积。实现这一目标的标准工具是地质统计学。
基本概念是变异函数：一种空间连续性的度量，描述随着两个样本进一步远离，等级相似性如何降低。近的例子相似，远的例子独立；变异函数量化了这个“相似范围”。克里金法是一种加权平均方法，它使用这种变差函数结构来给出每个未采样块的等级，包括估计值和估计值的不确定性。矿床被分成边长以米为单位的区块（区块模型），每个区块都被分配了一个等级和置信度。
人工智能在这里体现在三个方面。在变异函数建模中，它建议替代模型并评估拟合度。除了克里金法之外，机器学习方法（例如随机森林、梯度提升）还可以捕获非线性等级关系。它加快了整个工作流程的编码、检查和报告速度。但有两条铁律保持不变：估计不确定性永远无法隐藏，最终资源由主管人员根据国际标准（公共、可审计的资源/储量报告框架，如 JORC、NI 43-101、PERC）分类为测量/指示/推断类别。
注意：机器学习模型可能会“平滑”钻孔中断，从而创建现实中不存在的连续性。一些高级样本可以不公平地丰富（英语涂抹）整个区块。限制高值（top-cut）并控制块基础上的样本数量至关重要；否则纸上的吨位就会膨胀。
三个迷你案例：从数字来看
案例 1 — 确定目标优先级。一个勘探团队正在 380 平方公里的许可区域内以有限的钻探预算进行工作。融合七个地球物理/地球化学层的概率图仅将 6% 的区域标记为“高优先级”。团队将前五次演习的目标定为这 6%；在其中三个中发现了重要的铜交叉点。关键点：地图没有“证明”矿石，合理化了钻探预算的重点，并减少了盲目试验的次数。
案例 2 — 捕获拖尾。在一个金矿中，由于 78 克/吨的单次过采样的影响，第一个区块模型夸大了周围的区块，高估了资源量 14%。通过在 QA/QC 审核中应用顶切（将高值降低至统计阈值）和相邻样本控制，使预测达到现实水平。这种差异直接影响了数百万美元的投资决策。
案例 3——分类规则。在一个铁矿项目中，该模型对整个矿床的预测具有很高的置信度；然而，边缘地区的钻探密度非常稀疏。授权人员从经济评估中删除了稀疏样本量，将其降级为“推断”。因此，报告避免了公开披露储量的夸大，并保持了标准。
弱提示/强提示
弱提示：
分析钻探产量并了解矿床中的黄金含量。[分析表]
强力提示：
您的角色：资源地质统计学家。请提供带有以下化合物分析数据的来源编号。相反：1）总结成绩分布；标记可能的异常值和顶切的需要。2) 建议应检查哪些变异函数方向的空间连续性。3) 指出哪些区域由于钻孔密度低而只能归类为“忽略”。4) 列出 4 个可能影响结果的不确定性来源。数据是匿名的；没有实际坐标/公司。
强大的提示功能可以防止模型产生单一的欺骗性数字，并将其变成一个助手，准确地组织负责人应该提出的问题。
四个可复制模板
1）层融合的token推导：
根据斑岩铜勘探模型建议以下各层中有意义的标记：磁力、重力、电阻率、土壤地球化学（铜-钼-金）、蚀变。对于每个标记：链接到存款模型、可能的误导性来源和现场验证方法。给出精确的目标；建立优先级逻辑。
2) 检测QA/QC预筛选：
检查分析表中的以下内容：阴性/不可能值、低于检测限的迹象比例、单位差异 (ppm/%/g-t)、重复样品一致性、空白和标准样品漂移。只需通过drill_id列出问题即可；评价、修正。
3）变差函数解释稿：
解释实验变异函数结果：用通俗易懂的语言解释块金、范围和基台的含义；有各向异性的迹象吗？标记哪些决定在克里格法之前需要地质学家批准。逻辑，而不是代码。
4）源头分类控制：
在块模型中，对于每个块：给出了克里金方差、估计中使用的样本数量以及到最近钻孔的距离。根据标准逻辑，给出哪些模块最适合测量/显示/推断类的合理概述。最终分类归授权人所有；陈述这一点。
方法比较
方法
什么是
强项
主要风险
专家规则（加权层）
根据信息对目标进行排序
数据量少、透明
专家偏见
监督式机器学习定位
从已知的床上学习
捕捉复杂的图案
几个例子记忆一下
克里格法
Tenor 的预测具有不确定性
标准、可审核
变异函数误差、拖尾
ML 等级估计
非线性关系
灵活
可以隐藏不确定性、过度适应
模拟（例如 SGS）
生成概率场景
可视化不确定性
如果被误解就会过度自信
提示：在估算资源时，请询问一个范围和场景，而不是“单个最佳数字”。三种乐观/预期/谨慎的情景为决策提供了比单个数字产生的错误确定性更诚实的基础。
常见错误
- 用一张鲜为人知的床让 ML 记忆。用五个轴承训练的模型在新领域是不可靠的；将输出视为优先级列表，而不是证据。
- 不限制极值。如果不进行顶部切割，单一的高测定将不公平地丰富（涂抹）周围的块并夸大吨位。
- 不报告不确定性。隐藏克里金方差和分类并呈现单个数字是违反标准和完整性的。
- 跳过分类。将稀疏样本量呈现为测量值会损害经济判断和公众信心。
- 跳过 QA/QC。如果没有实验室对空白和标准样品的漂移进行监测，任何等级都是不可靠的。
总之
- 勘探目标通过多层数据融合产生钻井优先级；它不证明矿石，减少了盲目试探。
- 资源估算使用变异函数和克里金法确定地估算品位；块模型就是建立在这个基础上的。
- 机器学习很强大，但它会记住小样本，涂抹异常值，并且会隐藏不确定性。
- 最终焊缝由授权的合格人员根据 JORC/NI 43-101 等标准进行分类和签名。
- 该值不是一个具有欺骗性的数字；不确定性存在于诚实报告的可测试优先级和分类中。
应用任务
接收匿名化合物测定表（或代表值）。通过强大的提示，向模型询问：高估/顶切需求、变异函数方向和低密度区域而不是源数据。然后让“源分类控制”模板生成哪些块将属于哪个信任类别的草案。最后，观察模型是否尝试给出单一吨位数字，并用一句话写出为什么应该拒绝它。
清单
- [ ] 我意识到勘探目标并不能证明矿石，而是产生钻探优先权。
- [ ] 我可以解释变异函数和克里金法如何估计具有不确定性的等级。
- [ ] 我认识到抹黑、顶切和高估的风险，并认为 QA/QC 是强制性的。
- [ ] 我了解该资源被标准分类为“测量/指示/推断”，并且属于授权人。
- [ ] 我采用了一种要求不确定性范围和场景而不是单个数字的规则。