(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210503858.4 (22)申请日 2022.05.10 (65)同一申请的已公布的文献号 申请公布号 CN 114596498 A (43)申请公布日 2022.06.07 (73)专利权人 湖北省地质调查院 地址 430030 湖北省武汉市硚口区古田五 路九号 (72)发明人 万翔　高婕妤　余江浩　夏坤　 陈玉茹　 (74)专利代理 机构 北京维正专利代理有限公司 11508 专利代理师 赵万凯 (51)Int.Cl. G06V 20/10(2022.01)G06V 10/74(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (56)对比文件 CN 112559648 A,2021.0 3.26 CN 103745499 A,2014.04.23 CN 114139819 A,202 2.03.04 审查员 张娇 (54)发明名称 一种地球化学采样盲区的赋值方法、 系统及 存储介质 (57)摘要 本申请公开了一种地球化学采样盲区的赋 值方法、 系统及存储介质， 其涉及地球化学评价 技术领域， 该方法包括如下步骤： 基于待赋值区 域的样本采集结果圈定所述待赋值区域中的采 样盲区； 结合所述样本采集结果和所述待赋值区 域的地理因素预测所述采样盲区的地球化学数 据， 所述地理因素包括地质因素和地理空间信 息； 将所述地球化学数据赋值于所述采样盲区。 本申请具有为采样盲区预测的地球化学数据较 为准确的效果。 权利要求书3页 说明书11页 附图6页 CN 114596498 B 2022.07.29 CN 114596498 B 1.一种地球化学采样盲区的赋值方法， 其特 征在于， 包括如下 方法： 基于待赋值区域的样本采集结果圈定所述待赋值 区域中的采样盲区， 所述待赋值区域 中所述样本采集结果所位于的图斑为采样区域； 结合所述样本采集结果和所述待赋值区域的地理因素预测所述采样盲区的地球化学 数据， 所述地理因素包括地质因素和地理空间信息， 所述地质因素包括地质背 景、 土壤类型 和土地利用类型； 当采用所述地理空间信 息生成采样区域和采样盲区之间的邻 接关系时， 所述结合所述 样本采集结果和所述待赋值区域的地理因素预测所述采样盲区的地球化学数据包括如下 步骤： 基于所述待赋值区域的地理空间信息生成所有采样区域和所有采样盲区之间的邻接 关系； 基于所述 地质因素计算所有相邻区域之间的特 征相似度； 判断与所述采样区域相邻的目标采样盲区是否还与其 他采样区域相邻； 若所述目标采样盲区不与其他所述采样区域相邻， 则根据 所述采样区域的样本采集结 果预测所述目标采样盲区的地球化学 数据； 若所述目标采样盲区还与其他所述采样区域相邻， 则 基于所述目标采样盲区与所有相 邻采样区域的特 征相似度， 并分别为所有相邻采样区域配置不同的预测值权 重； 结合所有相邻采样区域的样本采集结果和预测值权重预测所述目标采样盲区的地球 化学数据； 基于所述邻接关系 判断所述目标采样盲区是否存在相邻的其 他采样盲区； 若所述目标采样盲区存在相邻的其他采样盲区， 则基于所述目标采样盲区的地球化学 数据预测所述 其他采样盲区的地球化学 数据； 将所述其他采样盲区标记为所述目标采样盲区； 重复判断步骤直至所述待赋值区域中的所有采样盲区均被标记为所述目标采样盲区； 将所述地球化学 数据赋值于所述采样盲区。 2.根据权利要求1所述的一种地球化学采样盲区的赋值方法， 其特征在于， 当根据 所述 待赋值区域的地理因素计算所述采样盲区和样本采集点之 间的相似度时， 所述结合所述样 本采集结果和所述待赋值区域的地理因素预测所述采样盲区的地球化学数据包括如下步 骤： 基于所述待赋值区域的地理 因素计算所述采样盲区与样本采集 点之间的相似度； 判断所述相似度是否超出 预设的相似度阈值； 若所述相似度超出 所述相似度阈值， 则将对应的样本采集 点标记为目标样本采集 点； 根据所述相似度分别配置所有目标样本采集 点的赋值权 重； 结合所有目标样本采集点的样本采集结果和赋值权重预测所述采样盲区的地球化学 数据。 3.根据权利要求2所述的一种地球化学采样盲区的赋值方法， 其特征在于， 所述基于所 述待赋值区域的地理 因素计算所述采样盲区与样本采集 点之间的相似度包括如下步骤： 基于所述采样盲区和样本采集点的地理因素， 计算所述采样盲区和所述样本采集点之 间的地理因素差值， 所述地理因素差值包括地理空间信息差值、 地质背 景差值、 土壤类型差权　利　要　求　书 1/3 页 2 CN 114596498 B 2值和土地利用类型差值； 为所述地理因素差值配置初始权 重值； 通过预设的群 体智能算法对所述初始权 重值进行优化， 得到最终权 重值； 结合所述最终权重值和所述地理因素差值计算所述采样盲区和所述样本采集点之间 的相似度， 采样盲区和样本采集 点之间相似度的具体 计算公式如下： ， 式中， D为采样 盲区和样本采 集点之间的相似度， d1、 d2、 d3、 d4为别为地理空间信息差值、 地质背景差值、 土壤类型差值和土地利用类型差值， n1至n4分别为地理空间信息差值、 地质 背景差值、 土壤 类型差值和土地利用类型差值对应的最终权 重值。 4.根据权利要求1所述的一种地球化学采样盲区的赋值方法， 其特征在于， 所述结合所 述样本采集结果和所述待赋值区域的地理因素预测所述采样盲区的地球化学数据包括如 下步骤： 通过预设的深度 学习模型拟合所有所述样本采集结果进行训练， 得到多个虚拟采样点 和多个所述虚拟采样点对应的虚拟采集结果； 基于所述样本采集结果判断所述虚拟采集结果是否为真； 若所述虚拟采集结果 不为真， 则将判断结果反馈 至所述深度学习模型； 若所述虚拟采集结果为真， 则将判断结果反馈至所述深度学习模型， 并将所述虚拟采 集结果对应的目标虚拟采样点标记于所处区域； 统计所述采样盲区中所述目标虚拟采样点的采样数量； 结合所述目标虚拟采样点的虚拟采集结果和所述采样数量预测所述采样盲区的地球 化学数据。 5.根据权利要求4所述的一种地球化学采样盲区的赋值方法， 其特征在于， 所述通过预 设的深度学习模型拟合所有所述样本采集结果进 行训练， 得到多个虚拟采样点和多个所述 虚拟采样点对应的虚拟采集结果之后还 包括如下步骤： 将所有所述虚拟采集结果进行反向解码， 得到样本训练集； 将所述样本训练集输入至所述深度学习模型中。 6.根据权利要求4所述的一种地球化学采样盲区的赋值方法， 其特征在于， 所述结合所 述目标虚拟采样点的虚拟采集结果和所述采样数量预测所述采样盲区的地球化学数据包 括如下步骤： 判断所述采样数量是否超出 预设的数量阈值； 若所述采样数量超出所述数量阈值， 则结合所有目标虚拟采样点的虚拟采集结果预测 所述采样盲区的地球化学 数据； 若所述采样数量未超出所述数量阈值， 则通过插值法对所有目标虚拟采样点的虚拟采 集结果进行处 理， 得到预测曲线； 根据所述预测曲线对所述采样盲区的地球化学 数据进行 预测。 7.一种地球化学采样盲区的赋值系统， 其特征在于， 包括存储器、 处理器及存储在所述 存储器上并可在所述处理器上运行的程序， 该程序能够被处理器加载执行时实现如权利要 求1至6中任一项所述的一种地球化学采样盲区的赋值方法。 8.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有计算机程权　利　要　求　书 2/3 页 3 CN 114596498 B 3