一种基于GIS与双层神经网络的土壤剖面测量方法及设备与流程

一种基于gis与双层神经网络的土壤剖面测量方法及设备
技术领域
1.本技术涉及化探找矿领域，尤其涉及一种基于gis与双层神经网络的土壤剖面测量方法及设备。


背景技术：

2.土壤地球化学测量，简称土壤测量，早已成为地质矿产普查、矿区详查和矿点检查及区域化探异常检查工作中的重要手段。通过查明土壤中元素的地球化学分布特征，圈定地球化学异常，开展矿产勘查、资源评价、生态环境调查、土壤质量地球化学评价和基础地质研究，为地质矿产、农业生态环境等经济社会发展各方面应用服务。
3.其中，矿产勘探对于矿产开发具有重要的指导意义。现有的矿产勘探方法主要有地质方法、物探方法、化探方法、遥感方法等。在地表被第四系覆盖比较厚的地区的地质找矿过程中，为了缩小找矿靶区，会首先选择面积性的土壤进行测量，之后在圈出的元素异常靶区进行土壤剖面测量，以达到验证异常、缩小找矿靶区，突出找矿重点的目的。但是这种方法不足之处在于土壤剖面测线的布置位置及线距难以确定，施工多条土壤剖面需要花费大量的人力、物力、时间约束以及较高的化验经费，很多时候由于资金限制，不可能在实地实施过多的土壤剖面，只能实施有限的几条土壤剖面，然后按照一定的点距取样，但是这种情况下土壤剖面的线距过大，又导致土壤剖面不能完整的显示异常特征，出现扩大异常、改变异常形态的结果。


技术实现要素：

4.本技术实施例提供了一种基于gis与双层神经网络的土壤剖面测量方法及设备，用于解决如下技术问题：现有的土壤剖面测量的布置位置及线距难以确定，施工多条土壤剖面耗费人力、物力以及较高的化验经费，且线距过大导致土壤剖面不能完整的显示土壤异常特征。
5.本技术实施例采用下述技术方案：一方面，本技术实施例提供了一种基于gis与双层神经网络的土壤剖面测量方法，方法包括：通过面积性的土壤扫面工作，圈出若干异常靶区，异常靶区所在区域为异常区，并在所述异常靶区内确定异常浓集中心；在所述异常区内，按照第一预设线距，实施预设数量的土壤剖面，并在所述土壤剖面上按照第一预设点距确定采样点；基于gis技术，确定所述采样点的地理信息；其中，所述地理信息包括经纬度信息以及高程信息；在所述采样点处采集土壤样本，并对所述土壤样本进行实验分析，获得所述采样点的土壤元素分析数据；将所述采样点的地理信息以及所述土壤元素分析数据作为训练样本，训练双层bp神经网络模型；并按照第二预设线距乘第二预设点距进行克里格插值加密，得到若干条加密土壤剖面及其加密采样点，通过训练好的所述双层bp神经网络模型输出每个加密采样点的土壤元素预测数据；根据所述土壤元素分析数据以及所述土壤元素预测数据，作出每条土壤剖面上主成矿元素的平剖图；将每条平剖图的峰值区域连接起来，得到所述主成矿元素的异常长
轴；将所述异常长轴与所述异常靶区叠加，在所述异常浓集中心向垂直于所述异常长轴的方向确定目标槽探位置，以指导技术人员在所述目标槽探位置进行槽探验证，通过槽探揭露矿体，确定矿体的位置。
6.本技术实施例通过改进的双层bp神经网络模型，对数量有限的几条土壤剖面和采样点进行加密，从而提高了土壤的异常区内分析数据的信息量，能够实现在有限的资金限制下，较为全面地显示土壤剖面的元素异常特征，从而得到主成矿元素异常长轴。然后将主成矿元素异常长轴与元素异常靶区叠加起来进行分析，有利于获得较为准确的目标槽探位置，从而指导地质队员较快找到隐伏矿床，避免漏矿，提高找矿效率，取得较好的找矿效果，对找矿工作具有积极的指导意义。
7.在一种可行的实施方式中，通过面积性的土壤扫面工作，圈出异常靶区，异常靶区所在区域为异常区，并在所述异常靶区内确定异常浓集中心，具体包括：根据化验分析结果，计算工作区内，主成矿元素含量x的初始平均值x0以及初始标准差s0；其中，所述主成矿元素为氮、磷、钾、硼、锰、钼、硒、碘、锗、氟、锌、铜、钴、钒、砷、铬、镉、汞、铅、镍、钠、铝、锶、钙、镁、硫、金、银中的一种；根据剔除条件：x大于等于x0－ 3s0且小于等于x0+ 3s0，对元素含量特高值和元素含量特低值进行迭代剔除，获得一个新的数据集；对得到的所述数据集重复进行所述迭代剔除过程，直到找不到符合所述剔除条件的数据为止；求出最终得到的数据集的平均值 x1以及标准差s1；根据a= x1+ 2s1，得到所述工作区内主成矿元素的异常下限a；分别以所述异常下限a的1倍、2倍、4 倍，划分异常靶区的外、中、内3个浓度带，并绘制异常图；其中，所述工作区内包含若干个异常靶区，所述若干个异常靶区所在的区域为异常区；将所述异常靶区内，所述主成矿元素含量大于第一预设阈值的区域，确定为所述异常靶区的异常浓集中心。
8.在一种可行的实施方式中，在将所述土壤剖面及采样点的地理信息和所述土壤元素分析数据作为训练样本，训练双层bp神经网络模型之前，所述方法还包括：获取所述异常区内实施的土壤剖面测量样品分析结果，将所述样品分析结果作为训练数据；对所述训练数据进行数据增强，得到增强训练数据；确定所述双层bp神经网络模型的最佳隐含层节点数；通过所述增强训练数据，对具有所述最佳隐含层节点数的双层bp神经网络模型进行训练，得到训练好的双层bp神经网络模型。
9.在一种可行的实施方式中，确定所述双层bp神经网络模型的最佳隐含层节点数，具体包括：根据，确定双层bp神经网络模型的隐含层节点数a1；其中，x为所述双层bp神经网络模型的输入神经元数；y为所述双层bp神经网络模型的输出神经元数；n为常数，取值范围为：n大于等于1且小于等于10；基于n的值，确定所述隐含层节点数a1的取值范围为：a1大于等于且小于等于；在所述取值范围内由小到大依次取整数值，分别作为所述双层bp神经网络模型的隐含节点数；对所述双层bp神经网络模型再次进行训练并计算预测精度，以此循环，直至找到使所述双层bp神经网络模型具有最高预测精度的最佳隐含节点数。
10.本技术通过对较少的训练数据进行数据增强，从而得到更多的训练数据，以增强双层bp神经网络模型的训练效果。并通过调整双层bp神经网络模型的隐含节点数，提高双层bp神经网络的预测精度。
11.在一种可行的实施方式中，根据所述土壤元素分析数据以及所述土壤元素预测数
据，作出每条土壤剖面上主成矿元素的平剖图，具体包括：在每条土壤剖面上，根据各采样点对应的土壤元素分析数据，绘制元素含量曲线图，得到所述每条土壤剖面对应的平剖图；在每条加密土壤剖面上，根据各加密采样点对应的土壤元素预测数据，绘制元素含量曲线图，得到所述每条加密土壤剖面对应的平剖图。
12.在一种可行的实施方式中，将所述异常长轴与所述异常靶区叠加，在所述异常浓集中心向垂直于所述异常长轴的方向确定目标槽探位置，具体包括：将所述主成矿元素的异常长轴，与所述若干异常靶区叠加在一起；在多个异常靶区中，将与异常长轴吻合程度较大的异常靶区确定为目标异常靶区；在所述目标异常靶区的异常浓集中心处，向垂直于所述异常长轴的方向作垂线，并将交点处的位置确定为所述目标槽探位置。
13.在一种可行的实施方式中，在将所述异常长轴与所述异常靶区叠加，在所述异常浓集中心向垂直于所述异常长轴的方向确定目标槽探位置之后，所述方法还包括：判断所述目标槽探位置是否被占用；若所述目标槽探位置被占用，则确定所述目标槽探位置不利于开展槽探工作，则向所述异常浓集中心的方向偏移预设距离，确定下一个目标槽探位置。
14.在一种可行的实施方式中，判断所述目标槽探位置是否被占用，具体包括：判断所述目标槽探位置是否被占用，具体包括：获取所述目标槽探位置周围预设区域的高光谱遥感影像；通过indian pines数据集，训练svm分类器，得到遥感影像分类模型；将所述高光谱遥感影像输入所述遥感影像分类模型，识别出所述高光谱遥感影像中的多种地物特征以及所述地物特征的位置；其中，所述地物特征至少包括：工程、建筑物、道路、水利设施；若所述目标槽探位置与至少一个地物特征的位置一致，则确定所述目标槽探位置被占用。
15.本技术实施例通过遥感影像分类模型，识别目标槽探位置是否有工程、建筑、道路、水利设施等不方便勘探的影响因素，从而调整目标槽探位置，从而更加精准地指导技术人员实地进行勘探，比技术人员到现场之后才发现有不方便勘探的影响因素，而自行选择其他地点勘探的方法会更加准确一些。
16.在一种可行的实施方式中，所述方法还包括：所述加密土壤剖面的方向与实施的土壤剖面的方向一致。
17.另一方面，本技术实施例还提供了一种基于gis与双层神经网络的土壤剖面测量设备，设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有能够被所述至少一个处理器执行的指令，以使所述至少一个处理器能够执行上述任一实施方式所述的一种基于gis与双层神经网络的土壤剖面测量方法。
18.本技术实施例提供的一种基于gis与双层神经网络的土壤剖面测量方法及设备，在找矿工作中，可以快速且精确找到具有成矿潜力的某矿种的元素异常长轴，指导地质队员较快找到隐伏矿床，取得较好的找矿效果，省时高效，获得具有“快”、“好”、“省”的经济效益和社会效益。
附图说明
19.为了更清楚地说明本技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：
图1为本技术实施例提供的一种基于gis与双层神经网络的土壤剖面测量方法流程图；图2为本技术实施例提供的一种元素异常靶区的异常图示意图；图3为本技术实施例提供的一种土壤剖面以及加密土壤剖面示意图；图4为本技术实施例提供的一种平剖图及主成矿元素异常长轴示意图；图5为本技术实施例提供的一种目标槽探位置示意图；图6为本技术实施例提供的一种基于gis与双层神经网络的土壤剖面测量设备结构示意图。
具体实施方式
20.为了使本技术领域的人员更好地理解本技术中的技术方案，下面将结合本技术实施例中的附图，对本技术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技术一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
21.本技术实施例提供了一种基于gis与双层神经网络的土壤剖面测量方法，执行主体为基于gis与双层神经网络的土壤剖面测量设备。如图1所示，基于gis与双层神经网络的土壤剖面测量方法具体包括步骤101-105：步骤101、通过面积性的土壤扫面工作，圈出若干异常靶区，异常靶区所在区域为异常区，并在异常靶区内确定异常浓集中心。
22.在进行土壤剖面测量工作之前，需要在工作区内进行面积性的土壤扫面工作，通过分析工作区内土壤中的各种元素含量，确定出工作区内的主成矿元素，土壤分析项目包括氮、磷、钾、硼、锰、钼、硒、碘、锗、氟、锌、铜、钴、钒、砷、铬、镉、汞、铅、镍、钠、铝、锶、钙、镁、硫、金、银等元素的分析。确定主成矿元素的方法已经比较成熟，因此采用现有方法即可，本技术中不作赘述。
23.进一步地，确定主成矿元素之后，根据主成矿元素的浓度分布情况，圈出异常靶区。然后在异常靶区内确定异常浓集中心，具体步骤为：根据面积性土壤扫面工作中的土壤元素分析结果，计算工作区内，主成矿元素含量x的初始平均值x0以及初始标准差s0，然后根据剔除条件：x大于等于x0－ 3s0，且小于等于x0+ 3s0，用数学公式表达即为x0－ 3s0≤x≤x0+ 3s0，剔除小于x0－ 3s0的元素含量特高值以及大于x0+ 3s0的元素含量特低值，保留大于等于x0－ 3s0，且小于等于x0+ 3s0的元素含量值，从而获得一个新的数据集。然后对得到的新的数据集重复进行上述迭代剔除过程，直到在数据集中找不到符合剔除条件的数据为止。求出最终得到的数据集的平均值 x1以及标准差s1。然后根据a= x1+ 2s1，得到异常靶区内主成矿元素的异常下限a。分别以异常下限a的1倍、2倍、4倍，划分异常靶区的外、中、内3个浓度带，并绘制异常图。若干个异常靶区所在的区域为异常区，异常区比工作区小。然后将异常靶区内，主成矿元素含量大于第一预设阈值的区域，确定为异常靶区的异常浓集中心。
24.在一个实施例中，如图2所示，假设工作区内的主成矿元素为金元素，附图标记1、2、3所示区域为圈出的金元素的3个异常靶区，由于这3个异常靶区距离较近，因此，将图2所
示的整个区域划分为一个异常区。而工作区比异常区更大，且工作区中可能存在多个异常区，图中并未示出，仅示出一个异常区作为示例。以异常靶区1为例，根据上述方法计算出异常靶区1内金元素的异常下限a1，然后将金元素的含量大于a1且小于2a1的区域划分为异常靶区1的外浓度带（如图2中的元素异常靶区1的最外圈所示），将金元素的含量大于2a1且小于4a1的区域划分为异常靶区1的中浓度带（如图2中的元素异常靶区1的中间一圈所示），将金元素的含量大于4a1的区域划分为异常靶区1的内浓度带（如图2中的元素异常靶区1的最内圈所示）。一般情况下，第一预设阈值大于4a1，金元素的含量大于第一预设阈值的区域为金元素的浓集中心。需要说明的是，并非所有异常靶区同时具有三级浓度分带，如图2中的异常靶区3所示，就只有外浓度带和中浓度带二级分带。
25.步骤102、在异常区内，按照第一预设线距，实施预设数量的土壤剖面，并在土壤剖面上按照第一预设点距确定采样点，基于gis技术，确定每个采样点的地理信息。在采样点处采集土壤样本，并对土壤样本进行实验分析，获得采样点的土壤元素分析数据。
26.具体地，技术人员需要在异常区内，按照第一预设线距，人工实施数量有限的几条土壤剖面，并按照第一预设点距在每条土壤剖面上采样，送有资质的实验室进行分析测试，得到土壤元素分析数据。并获取每个采样点的地理信息，其中，地理信息包括经纬度信息以及高程信息。土壤元素分析数据包括土壤样本中所包含的各种元素的含量以及主成矿元素的含量等数据。
27.需要说明的是，在化探找矿领域中，在异常区实施土壤剖面测量进行采样分析测试，为化探找矿工作的常规操作。本技术实施例提出的一种基于gis与双层神经网络的土壤剖面测量方法是在已有工作的基础上进行后续步骤。
28.步骤103、将采样点的地理信息以及土壤元素分析数据作为训练样本，训练双层bp神经网络模型，并按照第二预设线距乘第二预设点距进行克里格插值加密，得到若干条加密土壤剖面及其加密采样点，通过训练好的双层bp神经网络模型输出每个加密采样点的土壤元素预测数据。
29.首先，提前构建和训练双层bp神经网络模型，具体构建和训练方法如下：获取元素异常靶区内实施的土壤剖面上的采样点的地理信息以及土壤元素分析数据，作为训练数据。然后对训练数据进行数据增强，得到增强训练数据。
30.进一步地，根据，确定双层bp神经网络模型的隐含层节点数a1；其中，x为双层bp神经网络模型的输入神经元数；y为双层bp神经网络模型的输出神经元数；n为常数，取值范围为n大于等于1且小于等于10。
31.进一步地，基于n的值，确定隐含层节点数a1的取值范围为：a1大于等于且小于等于，即。在该取值范围内由小到大依次取整数值，分别作为双层bp神经网络模型的隐含节点数。然后对调整隐含节点数后的双层bp神经网络模型再次进行训练并计算预测精度，以此循环，直至找到使双层bp神经网络模型具有最高预测精度的最佳隐含节点数。然后通过增强训练数据，对具有最佳隐含层节点数的双层bp神经网络模型进行训练，得到训练好的双层bp神经网络模型。
32.进一步地，以异常区实施的土壤剖面布设方向为基准，确定插值加密的加密土壤剖面布设方向。加密土壤剖面的布设长度也以实施的土壤剖面布设长度为基准，从而使插值加密的土壤剖面布设方向和布设长度均与实施的土壤剖面的方向和长度基本保持一致。
33.进一步地，根据确定的布设方向和布设长度，以第二预设线距乘第二预设点距，进行克立格插值，也就是在异常区内按照第二预设线距插值加密多条土壤剖面，并在加密的每条土壤剖面上按照第二预设点距确定多个加密采样点。然后基于gis技术，获取每个加密采样点的地理信息。
34.作为一种可行的实施方式，第二预设线距小于第一预设线距，第二预设点距与第一预设点距可以相同，也可以不同。
35.在一个实施例中，图3为本技术实施例提供的一种土壤剖面以及加密土壤剖面示意图。如图3所示，假设直线b1、b2是在异常区上根据第一预设线距人工实施的两条土壤剖面，每条土壤剖面上的黑点即为根据第一预设点距确定的采样点。而c1、c2、c3是以第二预设线距进行插值加密的加密土壤剖面，每条加密土壤剖面上的黑点即为根据第二预设点距确定的加密采样点。在实际应用中，可以根据100m线距乘20m点距，对土壤剖面和采样点进行加密。
36.需要说明的是，为清晰表现土壤剖面线的设置和加密方法，防止画面中线条过多引起混乱，图3中并未画出等高线以及浓度带，但可以知道的是，图3中的三个异常靶区就是图2中的三个异常靶区，只是换了背景而已。且图3中的土壤剖面线仅为举例，并不代表实际操作过程中就是按照图示方向和图示上的长度去设置土壤剖面线的，实际操作中需要根据地形、资金等多种因素确定土壤剖面线的实施方向和长度，需根据具体情况进行调整。
37.进一步地，将每条加密土壤剖面上加密采样点的地理信息，输入训练好的双层bp神经网络模型，得到加密采样点的土壤元素预测数据。
38.步骤104、根据土壤元素分析数据以及土壤元素预测数据，作出每条土壤剖面上主成矿元素的平剖图；将每条平剖图的峰值区域连接起来，得到主成矿元素的异常长轴。
39.具体地，在每条土壤剖面上，根据各采样点对应的土壤元素分析数据，绘制元素含量曲线图，得到每条土壤剖面对应的平剖图；在每条加密土壤剖面上，根据各加密采样点对应的土壤元素预测数据，绘制元素含量曲线图，得到每条加密土壤剖面对应的平剖图。将每条平剖图的峰值区域连接起来，得到主成矿元素异常长轴。
40.在一个实施例中，将图3中异常靶区2处的土壤剖面线和加密土壤剖面进行放大，得到图4。如图4所示，b1、c1、c2、c3、b2即为图3中的b1、c1、c2、c3、b2。以每条土壤剖面为x轴，以垂直于土壤剖面的方向为y轴，建立每条土壤剖面的坐标系（图中未示出）。其中，y轴表示主成矿元素的含量。以加密土壤剖面c1为例，在c1的坐标系中，根据每个采样点处的主成矿元素的含量，绘制如图3中曲线p2所示的元素含量曲线图，并将该曲线图命名为p2平剖图。同理得到平剖图p1以及p3-p5。然后将平剖图p1-p5的峰值区域连接起来，则得到了主成矿元素的异常长轴z，在图4中，异常长轴z由两条虚线构成。而图2中异常靶区2上的那条穿过5条土壤剖面的弧线，是异常长轴z的位置示意图，为与异常靶区2的边缘进行区分，用一条实线进行表示。
41.步骤105、将异常长轴与异常靶区叠加，在异常浓集中心向垂直于异常长轴的方向确定目标槽探位置。
42.具体地，将主成矿元素的异常长轴与异常靶区叠加在同一张图中，在多个异常靶区中，选择与异常长轴吻合程度较大的异常靶区作为目标异常靶区。然后在目标异常靶区的异常浓集中心处，向垂直于异常长轴的方向作垂线，并将交点处的位置确定为目标槽探
位置。
43.在一个实施例中，图5为本技术实施例提供的一种目标槽探位置示意图，如图4所示，按照地理位置信息，将图4中得到的主成矿元素的异常长轴z与异常区内所有异常靶区叠加在一起。若异常靶区2与异常长轴z吻合程度较大，那么异常靶区2则为目标异常靶区，区域s处为异常靶区2的异常浓集中心，那么在s处向异常长轴z作垂线，与异常长轴z的交界处即为目标槽探位置，在图5中，黑色矩形t1即为目标槽探位置。
44.进一步地，判断目标槽探位置是否被占用，具体方法如下：获取目标槽探位置周围预设区域的高光谱遥感影像。通过indian pines数据集，训练svm分类器，得到遥感影像分类模型。将高光谱遥感影像输入遥感影像分类模型，识别出高光谱遥感影像中的多种地物特征以及每个地物特征的位置。其中，地物特征至少包括：工程、建筑物、道路、水利设施。
45.在一个实施例中，通过遥感技术，获取目标槽探位置周围500米范围内的高光谱遥感影像，然后通过indian pines数据集，训练svm分类器，得到遥感影像分类模型，选用indian pines数据集的原因是该数据集中，图像数据中的景观包含农田、公路、铁路、房屋、其他建筑物、较小的道路以及水域，而矿体勘测多在山区或人烟稀少的地带，因此，该数据集几乎包含了本技术需要检测的所有地物类别，最适合本技术中遥感影像分类模型的训练。
46.进一步地，若目标槽探位置被占用，则说明这个目标槽探位置不利于开展槽探工作。因此向异常浓集中心的方向偏移预设距离，确定下一个目标槽探位置。
47.进一步地，将最终获取的目标槽探位置输出，以指导技术人员在目标槽探位置进行槽探验证，通过槽探揭露矿体，确定矿体的位置。
48.本技术提供的一种基于gis与双层神经网络的土壤剖面测量方法，能够通过改进的双层bp神经网络模型，以较少的土壤剖面及其样本进行插值加密，从而增加土壤剖面测量的信息量，进而能够较为全面地显示土壤剖面的异常特征，较为精准地找到目标槽探位置，对找矿工作的开展具有积极的指导意义，能够减少需要人工完成的很多工作，提升找矿成功率。
49.另外，本技术实施例还提供了一种基于gis与双层神经网络的土壤剖面测量设备，如图6所示，基于gis与双层神经网络的土壤剖面测量设备600具体包括：至少一个处理器601；以及，与至少一个处理器601通信连接的存储器602；其中，存储器602存储有能够被至少一个处理器601执行的指令，以使至少一个处理器601能够执行：通过面积性的土壤扫面工作，圈出若干异常靶区，异常靶区所在区域为异常区，并在异常靶区内确定异常浓集中心；在异常区内，按照第一预设线距，实施预设数量的土壤剖面，并在土壤剖面上按照第一预设点距确定采样点；基于gis技术，确定采样点的地理信息；其中，地理信息包括经纬度信息以及高程信息；在采样点处采集土壤样本，并对土壤样本进行实验分析，获得采样点的土壤元素分析数据；将采样点的地理信息以及土壤元素分析数据作为训练样本，训练双层bp神经网络
模型；并按照第二预设线距乘第二预设点距进行克里格插值加密，得到若干条加密土壤剖面及其加密采样点，通过训练好的双层bp神经网络模型输出每个加密采样点的土壤元素预测数据；根据土壤元素分析数据以及土壤元素预测数据，作出每条土壤剖面上主成矿元素的平剖图；将每条平剖图的峰值区域连接起来，得到主成矿元素的异常长轴；将异常长轴与异常靶区叠加，在异常浓集中心向垂直于异常长轴的方向确定目标槽探位置，以指导技术人员在目标槽探位置进行槽探验证，通过槽探揭露矿体，确定矿体的位置。
50.本技术中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
51.上述对本技术特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
52.以上所述仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术的实施例可以有各种更改和变化。凡在本技术实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。

技术特征：
1.一种基于gis与双层神经网络的土壤剖面测量方法，其特征在于，所述方法包括：通过面积性的土壤扫面工作，圈出若干异常靶区，异常靶区所在区域为异常区，并在所述异常靶区内确定异常浓集中心；在所述异常区内，按照第一预设线距，实施预设数量的土壤剖面，并在所述土壤剖面上按照第一预设点距确定采样点；基于gis技术，确定所述采样点的地理信息；其中，所述地理信息包括经纬度信息以及高程信息；在所述采样点处采集土壤样本，并对所述土壤样本进行实验分析，获得所述采样点的土壤元素分析数据；将所述采样点的地理信息以及所述土壤元素分析数据作为训练样本，训练双层bp神经网络模型；并按照第二预设线距乘第二预设点距进行克里格插值加密，得到若干条加密土壤剖面及其加密采样点，通过训练好的所述双层bp神经网络模型输出每个加密采样点的土壤元素预测数据；根据所述土壤元素分析数据以及所述土壤元素预测数据，作出每条土壤剖面上主成矿元素的平剖图；将每条平剖图的峰值区域连接起来，得到所述主成矿元素的异常长轴；将所述异常长轴与所述异常靶区叠加，在所述异常浓集中心向垂直于所述异常长轴的方向确定目标槽探位置，以指导技术人员在所述目标槽探位置进行槽探验证，通过槽探揭露矿体，确定矿体的位置。2.根据权利要求1所述的一种基于gis与双层神经网络的土壤剖面测量方法，其特征在于，通过面积性的土壤扫面工作，圈出异常靶区，异常靶区所在区域为异常区，并在所述异常靶区内确定异常浓集中心，具体包括：根据化验分析结果，计算工作区内，主成矿元素含量x的初始平均值x0以及初始标准差s0；其中，所述主成矿元素为氮、磷、钾、硼、锰、钼、硒、碘、锗、氟、锌、铜、钴、钒、砷、铬、镉、汞、铅、镍、钠、铝、锶、钙、镁、硫、金、银中的一种；根据剔除条件：x大于等于x0－ 3s0，且小于等于x0+ 3s0，对元素含量特高值和元素含量特低值进行迭代剔除，获得一个新的数据集；对得到的所述数据集重复进行所述迭代剔除过程，直到找不到符合所述剔除条件的数据为止；求出最终得到的数据集的平均值 x1以及标准差s1；根据a= x1+ 2s1，得到所述工作区内主成矿元素的异常下限a；分别以所述异常下限a的1倍、2倍、4 倍，划分异常靶区的外、中、内3个浓度带，并绘制异常图；其中，所述工作区内包含若干个异常靶区，所述若干个异常靶区所在的区域为异常区；将所述异常靶区内，所述主成矿元素含量大于第一预设阈值的区域，确定为所述异常靶区的异常浓集中心。3.根据权利要求1所述的一种基于gis与双层神经网络的土壤剖面测量方法，其特征在于，在将所述采样点的地理信息以及所述土壤元素分析数据作为训练样本，训练双层bp神经网络模型之前，所述方法还包括：获取所述异常区内实施的土壤剖面测量样品分析结果，将所述样品分析结果作为训练
数据；对所述训练数据进行数据增强，得到增强训练数据；确定所述双层bp神经网络模型的最佳隐含层节点数；通过所述增强训练数据，对具有所述最佳隐含层节点数的双层bp神经网络模型进行训练，得到训练好的双层bp神经网络模型。4.根据权利要求3所述的一种基于gis与双层神经网络的土壤剖面测量方法，其特征在于，确定所述双层bp神经网络模型的最佳隐含层节点数，具体包括：根据，确定双层bp神经网络模型的隐含层节点数a1；其中，x为所述双层bp神经网络模型的输入神经元数；y为所述双层bp神经网络模型的输出神经元数；n为常数，取值范围为n大于等于1且小于等于10；基于n的值，确定所述隐含层节点数a1的取值范围为：a1大于等于且小于等于；在所述取值范围内由小到大依次取整数值，分别作为所述双层bp神经网络模型的隐含节点数；对所述双层bp神经网络模型再次进行训练并计算预测精度，以此循环，直至找到使所述双层bp神经网络模型具有最高预测精度的最佳隐含节点数。5.根据权利要求1所述的一种基于gis与双层神经网络的土壤剖面测量方法，其特征在于，根据所述土壤元素分析数据以及所述土壤元素预测数据，作出每条土壤剖面上主成矿元素的平剖图，具体包括：在每条土壤剖面上，根据各采样点对应的土壤元素分析数据，绘制元素含量曲线图，得到所述每条土壤剖面对应的平剖图；在每条加密土壤剖面上，根据各加密采样点对应的土壤元素预测数据，绘制元素含量曲线图，得到所述每条加密土壤剖面对应的平剖图。6.根据权利要求1所述的一种基于gis与双层神经网络的土壤剖面测量方法，其特征在于，将所述异常长轴与所述异常靶区叠加，在所述异常浓集中心向垂直于所述异常长轴的方向确定目标槽探位置，具体包括：将所述主成矿元素的异常长轴，与所述若干异常靶区叠加在一起；在多个异常靶区中，将与所述异常长轴吻合程度较大的异常靶区确定为目标异常靶区；在所述目标异常靶区的异常浓集中心处，向垂直于所述异常长轴的方向作垂线，并将交点处的位置确定为所述目标槽探位置。7.根据权利要求1所述的一种基于gis与双层神经网络的土壤剖面测量方法，其特征在于，在将所述异常长轴与所述异常靶区叠加，在所述异常浓集中心向垂直于所述异常长轴的方向确定目标槽探位置之后，所述方法还包括：判断所述目标槽探位置是否被占用；若所述目标槽探位置被占用，则确定所述目标槽探位置不利于开展槽探工作，则向所述异常浓集中心的方向偏移预设距离，确定下一个目标槽探位置。8.根据权利要求7所述的一种基于gis与双层神经网络的土壤剖面测量方法，其特征在于，判断所述目标槽探位置是否被占用，具体包括：获取所述目标槽探位置周围预设区域的高光谱遥感影像；
通过indian pines数据集，训练svm分类器，得到遥感影像分类模型；将所述高光谱遥感影像输入所述遥感影像分类模型，识别出所述高光谱遥感影像中的多种地物特征以及所述地物特征的位置；其中，所述地物特征至少包括：工程、建筑物、道路、水利设施；若所述目标槽探位置与至少一个地物特征的位置一致，则确定所述目标槽探位置被占用。9.根据权利要求1所述的一种基于gis与双层神经网络的土壤剖面测量方法，其特征在于，所述方法还包括：所述加密土壤剖面的方向与实施的土壤剖面的方向一致。10.一种基于gis与双层神经网络的土壤剖面测量设备，其特征在于，所述设备包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有能够被所述至少一个处理器执行的指令，以使所述至少一个处理器能够执行根据权利要求1-9任一项所述的一种基于gis与双层神经网络的土壤剖面测量方法。

技术总结
本发明公开了一种基于GIS与双层神经网络的土壤剖面测量方法及设备，属于化探找矿技术领域，用于解决现有的土壤剖面测量的布置位置及线距难以确定,施工多条土壤剖面耗费人力、物力以及较高的化验经费，且线距过大导致土壤剖面不能完整的显示异常特征的技术问题。方法包括：在系统采样、分析测试基础上，以实施的少量土壤剖面及采样分析数据作为训练样本，通过训练好的双层BP神经网络模型，按照预设的线距乘点距，插值加密若干条土壤剖面及采样点，提高分析数据的信息量，然后根据实验室分析数据以及预测数据，作出主成矿元素的平剖图，之后把平剖图上的峰值区域连成一条元素异常长轴，结合地形图以及遥感影像，确定目标槽探位置。确定目标槽探位置。确定目标槽探位置。


技术研发人员：赵秀芳 刘琨 康鹏宇 王艺璇 夏立献 李兴才 宋世杰
受保护的技术使用者：山东省地质矿产勘查开发局第七地质大队(山东省第七地质矿产勘查院）
技术研发日：2022.02.10
技术公布日：2022/3/8