智能找矿的数据底座：地物化遥四类数据的清洗、配准与样本化

做了十五年固体矿产和能源矿产勘查，我见过的 AI 找矿项目，十个有八个不是死在模型上，是死在数据上。地质数据清洗说起来枯燥，却决定了后面每张图的成色。先给结论：数据比算法更贵——一套标错的化探数据，换三个模型都救不回来；一套干净、配准准确、样本分得清的数据，用最朴素的随机森林也能出靶区。这篇讲地、物、化、遥四类数据从原始表到训练集的四道工序，顺序错了就要返工。

一、四类数据各有各的“脾气”

化探是表、物探是场、遥感是像元、地质图是线，四类数据的错法完全不同。先摸脾气，比急着跑模型省时间。

化探：单位不统一，同一个铜有三种写法

最常见的一幕，是把三个年度的土壤测量拼成一张表，铜这一列里既有 μg/g 也有 %，还有人把 ppm 写成 10⁻⁶。μg/g 和 ppm 是一回事，百分之一是它们的一万倍——有人用厘米报身高、有人用米报，直接求平均，这个数谁都不信。

检出限是第二个坑。低于检出限的样，有人记 0，有人记 -999，有人记 0.5 倍检出限；记 0 会把背景拉低，异常下限跟着往下走，图上凭空多出一片假异常。

判断标准很硬：先看有没有 unit 列和 lod 列。没有就翻送样单和测试报告；两样都找不到，整批退回，别一边猜一边建模。最常见的是用查找替换把“%”删掉——单位没了，数据也废了，废得悄无声息。

物探：基准与日变，仪器每天都在漂

磁力仪像一台体重秤：早晚都站上去 70 公斤，读数却漂了零点几。日变站就是每天校秤的那台标准秤，把漂移扣掉，不同日期测的数据才拼得到一起——别把秤的毛病记到地质体头上。

更麻烦的是跨年度、跨仪器拼接。两个测区并成一条线，基准不一致时接缝处会出现一条“台阶”，等值线突然错位，看着像断层，其实是仪器的事。

判断规则：拼接前先找重叠带，宽度 200–500 m 就够用；重叠段两套数据的系统偏差超过 2 倍均方差，就不能直接拼，要做基准平移，也就是调平。调平只允许常数或低阶多项式，别把局部高低点抹平——图好看了，异常也没了。

重力、电法还多一层：纬度、高程、布格改正都得做，高程基准不统一，改正量差出毫伽级，异常形态整个变样。

遥感：不做到地表反射率，跨景就没法比

遥感影像原始给的是 DN 值，是传感器记的电信号，不是反射率。辐射定标把它变成辐亮度，大气校正再去掉大气散射，才得到地表反射率——DN 值是“相机看到的亮度”，反射率是“地面本来的颜色”，不做这一步，同一片地在两景里颜色都不一样。

混合像元是第二个坑。30 m 的像元里可能六成植被、四成裸岩，光谱是两种地物调出来的颜色，像一个调色盘。蚀变提取靠特定波段的吸收特征，被植被盖住就没了，剩下都是噪声。

判断规则：植被覆盖度超过 60% 的图幅，别指望蚀变指数，退回目视解译；跨景拼接前做相对辐射归一化，找一块稳定地物（大片裸岩、清水水体）当参照，两景同名地物反射率差超过 5% 就得重新校正。常见错误是拿春季和秋季影像做变化检测，把物候变化当成蚀变变化。

地质图件：矢量化本身就是一次有损压缩

纸质图扫描再描线，误差是叠加的：扫描仪畸变、配准残差、描线手抖。1:5 万图上 1 mm 等于实地 50 m，手抖 0.2 mm，地上就是 10 m——图上一点点，地上一条街。

还有拓扑错误：断层线压在地质界线上没打断，面要素之间有缝隙或重叠，钻孔点位落在接边处对不上。单看一张图不明显，一进空间分析，缓冲、叠置、面积统计全跟着错。

判断规则：矢量化精度按图上 0.2 mm 控制，1:5 万图幅对应实地 10 m；面要素闭合率、悬挂点数量、面重叠面积三项逐项查，闭合率不到 100% 不许入库。常见错误是把扫描件直接当底图配准，扫描仪本身的畸变没纠正，整幅图带着系统性偏移。

二、清洗五件事

地质数据清洗不是把表洗干净，是按规则把每一列变成可计算的口径。五件事按顺序做，错一步要返工。

第一件：单位统一

建一张单位映射表：元素、原始单位、换算因子、目标单位。铜统一到 μg/g，金统一到 ng/g，铁统一到 %。换算因子单独存一列，原始值不覆盖，为的是以后能倒查——换算是记账，不是涂改。

金的写法更乱：ng/g、ppb、g/t 混着用。ng/g 与 ppb 是一回事，g/t 与 μg/g 是一回事，两者差一千倍，报表上却常写成同一个“金品位”。

规则：同元素出现两种以上单位时，逐条按因子换算，换算后与同批数据的中位数比一比，偏离超过 3 倍中位数的逐条回查，多半是小数点错位或多打了一个零。

第二件：异常值判定

先别删。高值可能是矿化，也可能是录入错误。用稳健统计判：中位数 ± 3 倍 MAD（中位数绝对偏差），或箱线图的 1.5 倍四分位距——用中间那批数据当尺子，离得太远的就是可疑点。

见过一批数据，铜含量整列多了个零，3 倍 MAD 筛出 17 条，查下来是录入时小键盘的 0 按了两次。也见过相反的：把含矿层的高值当错误删了，图立刻变干净，矿也没了。

规则：超过 3 倍 MAD 的标 qa_flag = 2（可疑），不删；再翻该点的野外记录和二次分析结果，确认是矿化就保留并加注释，确认是错误就改回或剔除。常见错误是按 3σ 直接删点，把真正的矿致异常先删掉了。

第三件：重复样合并

同一点位采两次、或一个样分析两次，先算相对偏差：RD = |A − B| ÷ [(A + B) ÷ 2] × 100%。规则：≤ 20% 取均值；20%–40% 保留并备注；大于 40% 重采或剔除——两次差太多，说明这批样本身就不可靠。

合并后每个点位只留一条记录，两次原始值存在副表里，不要原地覆盖。常见错误是按点位编号去重，直接把第二条删了——丢的不是重复，是一次独立观测。

第四件：检出限替代

低于检出限的值不能当 0。常用两种替代：取 1/2 检出限，或取 1/√2 检出限（约 0.707 倍）。差别在方差：替代值越接近检出限，方差越大，后面做对数变换和插值越飘。这是常用做法，不是唯一标准，报告里要写清用的哪一种。

为什么两种？1/2 检出限偏保守，把低值往下压；1/√2 让数据取对数后更接近正态，插值更稳。选哪种看后面用什么统计方法，混用最糟糕。

规则：同一批数据只用一种替代方式；替代比例超过 30% 的元素不进模型，只做图面参考，因为一大半数据是补出来的。白话讲，一半以上的数是猜的，别指望算法从猜测里找出真相。

第五件：坐标系统一

全部转到 2000 国家大地坐标系，投影按项目区选高斯 3° 或 6° 分带。原始坐标单独存列，不覆盖——先把大家拉到同一把尺子上，再谈距离和密度。

规则：转换后至少选 5 个控制点核对，平面残差不超过 1 个像元（30 m 影像就是 30 m）；跨带数据先换带再合并。跨带的问题在图幅接边处最常见：两套坐标拼在一起，接边处点位密度突然翻倍，其实是同一个点被算了两遍。

常见错误是拿地理坐标直接算面积——单位是度，一度经度在宁夏和海南差得远，算出来的数只能当笑话。

三、配准：不是把图层叠上去就算对齐

图层叠上去看着齐，不等于配准好了。三件事最容易翻车，翻车之后还看不出来。

重采样：连续场和分类数据不能用同一种

重采样是把一套网格的值搬到另一套网格上。双线性、三次卷积适合连续数据：物探场、DEM、反射率，值在空间上连续，插值才有意义。分类数据必须用最近邻：地质图、土地利用、蚀变分级，用双线性会把相邻两类混成一个不存在的第三类——把红和蓝平均成紫，而紫色在这张图上根本不存在。

还有个细节：NoData。双线性会把边缘的 NoData 当 0 一起平均，边界出现一圈暗边，看着像异常，其实是算法补的。

规则：栅格在元数据里写清 continuous 还是 categorical，脚本按类型选方法，别用默认值——默认通常是双线性，正好是分类数据最怕的那个；重采样前把 NoData 设成远离数据范围的值，别用 0。

分辨率不匹配：别把小像元当成高精度

30 m 的遥感影像和 500 m 网度的化探数据放一起，若按 30 m 网格采样，等于给每个像元编造一份化探信息——一个 500 m 的采样点被拆成约 278 个格子的“数据”。这是把小图放大当高清用，看着清楚，全是插出来的。

另一个方向也不行：把 30 m 数据块均值到 500 m，样本量一下少两个数量级，模型欠拟合，该做的是加密采样，不是换算法。

规则：分析网格取最粗数据的分辨率，或把细数据做块均值降到粗网格，绝不上采样细数据去凑网格。真要在同一网格建模，就在 500 m 网格上算统计量——均值、最大值、标准差、异常点数——当成像元属性。这样一条记录对应一个采样点，样本量是多少就是多少，不虚。

投影转换：残差藏在面积里

换带、换基准都会引入残差。常用坐标系之间转换，参数不对，偏差能到几十米，图上看着只是“稍微偏了一点”——距离、面积、密度全错，而且错得整齐，反而不容易发现。

规则：转换用不少于 5 个公共控制点求解参数，残差均方根控制在 0.5 个像元以内；算面积、算密度必须用等面积投影，不要拿经纬度直接算；转换参数、软件版本、操作人写进元数据。常见错误是拿一张图“目视对齐”就当成配准完成——中间对齐了，四角往往还偏着，而异常区常常就在边上。

四、样本化：正样本怎么定，负样本怎么选

到这一步，数据干净了、对齐了，决定模型上限的是样本。样本错了，前面全白做。

正样本：已知矿点不等于正样本

数据库里 200 个矿点全当正样本，是智能找矿最常见的错误。矿点是“有过工作的位置”，不是“有矿的位置”：有的是民采老硐，有的是矿化点，有的只是拣块样高值，还有的坐标是图上量的，误差几百米——把“有人去过”当成“有矿”，等于拿乡政府地址当金矿位置。

四条判断标准，缺一条就降级：

一，有工程控制。槽探、钻孔见矿才算，只有地表拣块样的最多算矿化点。

二，坐标可信。GPS 实测优于 5 m，或图上点位精度高于 0.2 mm（1:5 万图幅约 10 m）。

三，同一成矿类型、同一地质单元。斑岩型和蚀变岩型混在一个训练集里，模型学的是两套规律的平均，结果谁都不像。

四，矿体尺度与像元尺度可比。矿体长 50 m、像元 30 m，勉强能识别；矿体 10 m、像元 250 m，怎么学都学不出来，这不是算法问题，是分辨率不够。

不满足的，单独建一张“疑似”表，打标签 unlabeled，不进训练集。

负样本：随机撒点是致命的

负样本决定判别边界，比正样本更难做。随机撒点有三个致命错误：撒在已知矿化带里，等于告诉模型“这里有矿也算无矿”；撒在没有数据的区域（城镇、水体、冰川），模型学的是“没测过”；正负失衡，1:50 会让模型只学会说“无矿”，准确率还挺高。

做法：先按已知矿点做缓冲，半径取异常半径的 3 倍，或直接取 2 km，哪个大用哪个；缓冲带以内不选负样本；带外按地质单元分层随机抽，保证每个单元都有反例；负样本要能说清“为什么确信无矿”——有踏勘记录、有物化探低值、有工程验证，三者有一即可。正负比例控制在 1:2 到 1:5。

还有一种情况必须单独处理：落在未勘查区的点，标 unlabeled，不当负样本。没查过不等于没有，把它当反例，就是在教模型认错。

样本集划分：随机切分是数据泄漏

按 7:2:1 随机切成训练、验证、测试，最省事也最容易出错。相邻样本点在空间上高度相关，随机切分会把同一矿点的邻近点同时放进训练集和测试集，模型等于提前看过答案——把答案抄在草稿纸上带进考场，分数当然好看。

做法：按空间分块切分，研究区划成若干网格块，整块进训练或整块进测试；块大小取样本自相关距离的 1.5–2 倍，一般 5–10 km；同一矿点缓冲区内的样本整组进同一集合。

判断标准：换成分块切分后，测试精度比随机切分低 10–20 个百分点是正常现象；如果两者几乎一样，先怀疑切分漏了。分块之后还要查一件事：同一批送样、同一次分析的数据是否落在同一块里，跨块混用等于变相泄漏。

五、一份可复用的数据字典模板

找矿大数据的价值不在数据量，在每一条记录能不能被别人复算。字段设计的目标就是这个：换个人拿到表，知道每个数从哪来、怎么算的、能不能用。

下面这份模板改改就能用，示例数据非真实项目，只说明填法。

表1　智能找矿数据字典的字段设计

字段命名只认两条：小写下划线、见名知义。value 与 value_raw、unit 与 unit_raw 成对出现，比拼音首字母缩写强得多——三个月后自己都认不出来。

版本管理别靠文件名。单独建一张元数据表，记录每版的字段变更、换算因子调整、样本增删，谁改的、什么时候改的、为什么改——数据字典不是写给今天的人看的，是写给两年后接手的人看的。

有两组字段最容易被省掉：value_raw 与 unit_raw，还有 sampleset。前者省掉，一年后没人说得清数据怎么来的；后者省掉，训练集和验证集混着用，精度虚高，一上新区就现原形。

六、一句话结论

如果只能记一句话：先建底座，再谈模型。数据洗干净、配准准、样本分得清，模型普通一点也能出靶区；反过来，模型再花哨，也只是把错误算得更快、更有说服力。