Development and future prospects of quantitative mineral assessment in ChinaShi-hong Zhanga, b,*, Ke-yan Xiaoa,*, Jian-ping Chenb, Jie Xianga, Ning Cuic, Xiao-nan Wangb, d a MLR Key Laboratory of Metallogeny and Mineral Assessment, Institute of Mineral Resources, Chinese Academy of Geological Sciences, China Geological Survey, Ministry of NaturalResources, Beijing 100037, Chinab China University of Geosciences (Beijing), Beijing 100083, Chinac Development Research Center, China Geological Survey, Ministry of Natural Resources, Beijing 100037, Chinad Sichuan Energy Industry Investment Group Co., Ltd, Chengdu 610011, China

A  R  T  I  C  L  E      I  N  F  O A  B  S  T  R  A  C  T 

Article history:Received 8 March 2018Received in revised form 27 April 2019Accepted 7 May 2019Available online 7 June 2019  

Keywords:Quantitative mineral assessmentSynthesis informationFractalsBig data3D Geological modelingMachine learning

 

Mineral potential assessment at the Earth’s surface has been an important research for geoscientists aroundthe world in the past five decades. The fundamental aspects of mineral assessment at different scales canbe  associated  with  the  following  tasks,  e.g.,  mineral  potential  mapping  and  estimation  of  mineralresources. This paper summarized the history and development in terms of theories, methods technologiesand  software  platforms  for  quantitative  assessment  of  mineral  resources  in  China,  e.g.  comprehensiveinformation  methodology,  geological  anomaly,  three-component  quantitative  prediction  method,  5P  ore-finding  area,  integrated  information  assessment  method,  nonlinear  process  modeling  and  fractals,  threedimensional  mineral  potential  mapping,  etc.  At  last,  to  discuss  the  future  of  quantitative  mineralassessment  in  an  era  of  big  data  including  platform  for  3D  visualization,  analysis  and  sharing,  newmethods  and  protocols  for  data  cleaning,  information  enhancement,  information  integration,  anduncertainties and multiple explanations of multi-information.

 

©2019 China Geology Editorial Office. 

 1. Introduction

Geomathematics  is  an  interdisciplinary  science  ofgeology,  mathematics  and  computer  science.  Therepresentative  ideas  on  the  geomathematics,  in  its  broadersense, covers all applications of mathematics to studies of theEarth’s crust  (Agterberg FP, 1974),  in a narrow sense,  is  thescientific  discipline  which  deals  with  the  establishment  ofmathematical  models  of  geological  processes  (Vistelius  AB,1968). Quantitative mineral assessment at the Earth’s surfacehave been of interest since the 1960s as the widest applicationto  mathematics  in  geology  (Bonham-Carter  GF  et  al.  1989;Wang SC et al., 1990; Singer DA and Kouda R, 1996; BrownWM et al., 2000; Porwal AK and Carranza EJM, 2001; ZhaoPD,  2002;  Cheng  QM  et  al.,  2015;  Xiao  KY  et  al.,  2017),which  can  be  divided  into  several  stages  marked  by  theemphasis  of  research  (Ye  TZ,  2004).  E.g.,  formative  andexploration  stage  (1950 –1976)  was  characterized  by  rudi-

mentary  applications  of  metallogenetic  mapping  andmultivariate statistics  analysis  in mineral  exploration.  Duringthis time, Allais M (1957) originally used Poisson distributionfor  the  probabilities  of  deposit  occurrence  in  the  AlgerianSahara,  and Harris  DP  (1965)  quantified  geological  maps  toassessment metallic mineral deposits by means of multivariatestatistical  analysis.  Development  and  application  stage(1976 –1990)  benefited  from  the  application  of  computers.International  Union  of  Geological  Sciences  (IUGS)summarized the achievement about mineral prediction all overthe  world  and  put  forward  six  methods  of  mineral  resourcesassessment in 1976. In the meantime there have been variouscountries  began  research  programs  to  develop  methods,technologies  and  computer  software  to  predict  mineraloccurrences and to evaluate mineral resources (Richter DH etal., 1975; Eberlein DG and Menzie WD, 1978; Cox DP, 1983;Zhao PD, 1983; Schruben P, 2002; Xiao KY et al., 2012), andmany  articles  using  various  methods  to  quantitativelyassessment mineral resource have been published (Harris DP,1984; Singer DA, 1993). Since 1990 to present is digital andintegration  stage.  The  personal  computers  and  powerfulworkstations, because of advanced performance and low cost,have  made  itself  widely  accepted  in  all  aspects  of  data

 

  

* Corresponding author: E-mail address: shzhang@outlook.com (Shi-hong Zhang); kyanxiao@

sohu.com (Ke-yan Xiao).

 doi:10.31035/cg20180972096-5192/© 2019 China Geology Editorial Office.

China Geology 2 (2019) 198−210

 

China Geology

Journal homepage: http://chinageology.cgs.cn

capture,  manipulation,  and  analysis.  Various  geometricaloperations  and  spatial  analysis  on  database  and  potentialmineral  assessments  are  possible  with  the  widespreadavailability  of  Geographic  Information  Systems  (GIS,Bonham-Carter  GF,  1994)  and  newly  developed  GIS-basedthree-dimensional geoscience software. Main typical softwareincluding  GOCAD,  SURPAC,  Arc-SDM,  MRAS,  andGeoDAS appeared successively.

Research  on  quantitative  mineral  assessment  in  Chinabegan  at  the  early  1960s.  Zhao  PD  (1964)  introducedprobability  and  statistical  methods  into  practical  applicationsin  numerical  exploration  and  exploitation.  Subsequently,many  theories  and  methods  of  mineral  prediction  wereproposed and gradually improved during exploration practice.Wang  SC  and  Wang  YT  (1989)  developed  an  integratedinformation  methodology  for  identifying  potential  mineraltargets. Zhao PD and Chi SD (1991) put forward the conceptof  geological  anomaly  and  Three-Component  quantitativeprediction  method.  Ye  TZ  et  al.  (2007)  proposed  a  methodnamed  model-based  information  synthesis  and  quantitativemineral assessment, which emphasizes the combination of theore  deposit  model,  tectonic  environment,  analysis  of  anintegrated  geological  database  and  quantitative  assessmentsfor  the  various  minerals.  So  far  Chinese  government  haslaunched  a  series  of  programs  with  the  aims  to  map  mineralpotential and to estimate the total mineral resources in China,e.g.,  geological  survey  project  on  replaceable  resources  ofresource-exhausted mines (Zhao PD et al., 2004), quantitativeassessment  initiative  of  major  minerals  (Xiao  KY  et  al.,2014), research about mineral resources integrated predictionin  covered  areas  (Cheng  QM,  2012),  and  the  special  projecton  exploration  and  exploitation  of  mineral  resources  in  deepearth,  etc.  With  the  development  of  mathematical  model  andinformation technology, methods of mineral assessment haveundergone changes from simple to complex, from qualitativeprediction to  quantitative  prediction,  from single  informationto  multi-information  comprehensive  prediction,  from  similaranalogy  to  pattern  recognition  and  statistical  analysisprediction.  Additionally,  3D  prospectivity  modeling  have  awildly  used  in  mineral  assessment  aided  by  computertechnology  and  developments  and  mineral  system  approach,for instance, Chen JP et al. (2007) proposed an integrated 3Dquantitative  method  and  procedure  of  so  called   “cubeprediction  model ”  for  locating  concealed  orebodies.  Nu-merous software platform were developed in China includingMRAS  (Huang  WB  et  al.,  2011),  GeoDAS  (Cheng  QM,2000),  MinExplorer  (Xiao  KY  et  al.,  2010a),  3DMP,  and3DMINE, etc. At the beginning of the 21st century, Big Datascience became the new scientific paradigm, and quantitativemineral  assessment  had entered  the  geological  the  era  of  bigdata. New software platform and methods for efficient storageand  management,  integration,  and  mining  of  variousdimensional, heterogeneous geosciences data are requirement.This  paper  summarized the  development  of  mineral  resourceassessment  in  China  with  insights  into  theoretical  methods,software systems, platform construction, etc. Additionally, the

future of quantitative mineral assessment in an era of big datawas also discussed.

2. Development of quantitative mineral assessment

2.1. The theories and methods of quantitative mineralresource assessment

2.1.1. Ore-related geo-anomaly and three-componentquantitative prediction

Zhao  PD  (1983)  pioneered  a  study  on  mineral  statisticsand  predictions.  The  book   “Statistical  Prediction  of  MineralDeposit ”  illustrates  three  principles  for  mineral  depositprediction  in  detail,  which  includes   “similarity  analogy ”,“anomaly  seeking ”,  and   “quantitative  combination  ofmineralization-controlling  factors ”.  The  authors  also  pointedout  that   “anomaly  seeking ”  is  as  important  as   “similarityanalogy”.  The principle  of  anomaly seeking especially  focuson  the  new type  of  ore  deposits  or  new interest  areas  wherethere  are  no  well-established  mineral  deposit  models  to  becompared with, while similar analogy is used for discoveringmineral  deposits  following general  regulations. Zhao PD andChi SD (1991) put forward the concept of geological anomalythat  result  in  geochemical  and  geophysical  anomalies.  Ageological  anomaly  is  a  set  of  distinctively  differentgeological features compared with surrounding environments,not only in composition, texture, structure, but also in genesis.It  can  be  separated  from  background  areas  by  a  thresholdselected  by  means  of  statistics,  fuzzy  mathematics,  entropy,fractal,  and  technologies  of  geophysics,  geochemistry  andremote  sensing  (Zhao  PD  and  Hu  WL,  1992;  Zhao  PD  andMeng XG 1993). The theory of the mineralization-controllingcomprehensive  geological  anomalies  defines  mineral  depositas  an  economically  valuable  geological  anomaly  of  oreelement, ore mineral or mineral assemblages (Zhao PD et al.,2005).  Zhao  PD  (2002)  developed  a  digital  mineralexploration  theory  named   “three-component  (geo-anomalymineralization,  diversity  mineral,  deposit  spectrum)  mineralresource  quantitative  prediction  and  evaluation ”,  whichprovided  a  theoretical  basis  and  methods  for  mineralexploration  at  various  scale  combining  with   “5P  ore-findingarea” (Zhao PD et al., 2000).

2.1.2. Metallogenic prediction theory based on integratedinformation

Wang SC and Wang YT (1989) put forward an integratedinformation  theory  for  mineral  potential  mapping,  which  hasbeen  widely  applied  to  the  exploration  and  to  prediction  ofmineral resources during the past three decades. The purposeof the integrated information theory is to delineate the mineralresource  target  based  on  various  different  informationextracted  from  geologic,  geophysical,  geochemical  andremote  sensing  data,  and  then  make  decisions  about  thenumber  and  location  of  mineral  deposits,  and  undiscoveredmineral  resources  in  target  zones.  Besides,  emphasis  is  alsoplaced on the uncertainty of the prediction (Wang SC, 2010).The  methodology  was  proposed  with  the  theory  of

Zhang et al. / China Geology 2 (2019) 198−210 199

metallogenic series, and a software package was developed todistinguish  multiple  backgrounds  and  anomalies.  The  theoryadvocated  that  geological  background,  mineralization  seriesand  metallogenic  series  should  be  separated  by  using  multi-information  based  on  the  study  of  metallogenic  series  andtypical  deposits  in  the  prediction  area.  Comprehensiveinterpretation  and  analysis  of  multi-information  is  animportant  part  of  mineral  prediction.  Firstly,  on  the  basis  ofgeological  knowledge,  the  comprehensive  interpretation  ofaeromagnetic,  gravity,  remote  sensing,  heavy  minerals  andstream sediment anomalies of same scales is carried out. Thena  series  of  maps  are  compiled  based  on  the  study  of  ore-controlling  factors  of  typical  deposits,  and  a  comprehensiveinformation  prospecting  model  is  established.  Finally,integration  of  the  multiple  geological  database  identifies  andextracts  ore  anomaly  information  for  quantitative  predictionof different types of deposits (Wang SC and Chen YQ, 1994).

2.1.3. Model-based information synthesis and quantitativemineral assessment

Ye TZ et  al.  (2007) sponsored a systematic  methodologyof  model-based  information  synthesis  and  quantitativemineral  assessment  based  on  geodynamics,  metallogeny,metallogenic  series  and  information  technology,  which  havebeen  developed  and  widely  applied  to  the  project  of   “ChinaNational Mineral Assessment Initiative” (Lei SB et al., 2016;Sun L et al., 2018; Cui N et al., 2018). There are three majorcomponents  in  this  research  (Xiao  KY  et  al.,  2017).  One  ofthe  studies  is  the  development  of  deposit  models  aimed  atdefining  prospective  areas  of  25  critical  minerals,  e.g.  gold,silver, base metals, Rare Earth Elements (REE), iron, bauxite,manganese,  antimony,  coal  and  uranium  (Song  XL  et  al.,2018).  The  goal  is  to  understand  regional  geology,  tectonicevolution,  metallogenic  process  combining  with  a  literaturesearch to compile the achievement of mineral exploration andacademic  studies.  The  second  theme  is  quantitative  mappingof  mineral  prospectivity  based  on  deposit  models  anddifferent type of prediction methods. The main lines are focuson  the  transformation  between  conceptual  geological,mineralization  models  and  prediction  models  which  arepresented  as  GIS-based  layers.  The  proxy  predictors  refer  toall  favorable  ore  controlling  factors  features,  and  thencombined  with  mineralization  anomaly  obtained  fromgeophysical, geochemical, and remote sensing data using GISsoftware (Sun YB et al., 2018; Liu QN et al., 2018, Du BF etal.,  2018; Wang  YS  et  al.,  2018).  The  third  is  estimation  ofundiscovered  mineral  resources,  which  also  is  an  importantpart  in appraising the mineral  potential  and its  long-term use(Ye  TZ,  2013).  The  initial  method  used  to  estimate  themineral  resources  Monte-Carlo  simulation  model  such  asMARK3  and  a  three-part  method  (Root  DH  et  al.,  1992;Singer  DA,  1993).  Furthermore,  a  volumetric  method  ofsynthesis  information  based  on  mineral  deposit  models(Singer DA, 1993) and the volumetric method (Kingston GAet  al.,  1978; Meyer  RF,  1978)  was  also  wildly  used,  whichhighlight  the  value  of  mineral  system analysis  (Wyborn  LAIet  al.,  1994;  Zhai  YS,  1999)  and  application  of  multi-

information  (Xiao  KY  et  al.,  2010b).  There  were  sixcategories of prediction methods are established according toore  deposit  types  for  assessment  of  mineral  resources,  i.e.,intrusive-rock  related  type,  magmatic  hydrothermal  type,volcanic-rock  hosted  type,  strata-bound  endogenic  type,  thesedimentary-rock hosted type,  and metamorphic  type (ZhangSH  et  al.,  2017).  Different  types  of  prediction  methods  willuse  different  prediction  processes,  prediction  base  maps  andmethod combinations.  Genetic  implications  and other  factorsconsidered  in  the  study  were  grouped  into  26  categories  byXiao KY et al. (2013), and total 80 mineral prediction modelswere established based on this principle for important mineralresources in China (Zhang SH et al., 2017).

In  addition,  an  independently  information  packages-Mineral  Resource  Assessment  System  (MRAS)  wasdeveloped  and  widely  applied  in  this  study,  which  systemintegrates  most  of  functions  throughout  mineral  assessmentfrom  information  processing,  mineral  prospectivity  mappingto  estimation  of  mineral  resources  (Xiao  KY et  al.,  2007; LiGM et al., 2009; Zhang J et al., 2012).

2.1.4. Nonlinear theory and method for mineral resourcesassessment

Fractal  geometry  was  introduced  and  popularized  byMandelbrot  BB  (1975)  to  describe  complex  natural  objectsshowing  similar  geometry  over  a  variety  of  scale.  In  recentyears there has been a surge of research interest  in nonlineartheory,  in  particular,  the  factual  models.  The  application  ofnonlinear  theory  in  geoscience  mainly  focuses  on  thefollowing  aspects,  including  the  description  of  the  formationand  growth  of  minerals,  mineral  structures,  the  simulationgeodynamics  and  distribution  of  mineral  resources,  oreelement  concentrations,  and  the  extraction  of  anomalies(Cheng QM, 2006). Chinese scholars applied nonlinear theoryto  geology  began  in  the  late  1980s  (Yu  CW,  1987).Subsequently, many meaningful papers and monographs werepublished, such as "Application of Fractals in Earth Science"(Chen  Y,  1989),   “Fractal  Structural  Factors  and  ItsApplication  in  Geology ”  (Shen  BM,  1993),  and   “FractalGrowth of  mineral  deposits  at  the  Edge of  Chaos” (Yu CW,2006).

Understanding the occurrences of  various extreme events(e.g., mineralization) of the Earth system, and predicting suchkind  of  events  are  crucial  missions  in  geosciences.  Thesemissions  are  beset  with  difficulties  since  the  mechanisms  ofthe  occurrences  of  such  extreme  events  are  complicated  andchaotic.  In  the  last  decades,  Qiu-ming  Cheng  and  hiscolleagues  are  dedicated  to  modeling  the  geo-complexity  ofthe  solid  Earth  by  using  the  nonlinear  theories  and  methods,including fractals/multifractals, singularity and self-organizedcriticality (Cheng QM et al.,  1994; Cheng QM, 2007, 2012a,2017).  Cheng  QM  et  al.  (1994)  pioneered  the  way  of  usingfractal/multifractal model for mineral resource prediction. Theconcentration-area  (C-A)  fractal  model  was  developed  fordetermining  the  threshold  between  background  and  anomalyfor  geochemical  exploration.  The  significance  of  C-A modelis  that  it  makes  multifractal  model  capable  of  dealing  with

200 Zhang et al. / China Geology 2 (2019) 198−210

locations  rather  than  early  global  statistical  frequency  modelthat  have  no  locational   “predictability ”.  Several  associated,refined  fractal  models  have  been  developed  from  the  C-Afractal  model  for  analyzing  geology,  geochemical,geophysical  and  remote  sensing  data,  including  singularitymapping  based  on  fractal  density  model  (Cheng  QM,  1999,2007),  multifractal  filtering  based  on  spectrum-area  (S-A)model (Cheng QM et al. 2000; Cheng QM, 2004), and weightof  evidence  (WofE)  based  on  multifractal  cascade  model(Cheng QM, 2008), to name but a few.

Furthermore,  a  systematic  nonlinear  theory  and  methodfor  mineral  resources  quantitative  prediction  and  assessmentwere  developed  by  Cheng  QM  (1999,  2000,  2004,  2006,2008,  2012a).  This  theory  and  method  consist  of  threeadvanced techniques and the professional software, GeoDAS.These  three  techniques  are  the  identification  of  weak  geo-anomaly, separation of mixed geo-field and spatial decision ofmulti-layer  heterogeneous  geo-information.  As  known,  thefootprints or information (e.g., geophysical and geochemical)that  we  can  usually  observe  on  Earth  surface  for  findingdeeply  buried  mineral  deposits  are  quite  weak  and  havemixing  nature,  which  bring  up  the  crucial  challenges  forfinding  the  potential  mineral  resources  in  covered  area.  Thelocal  singularity  analysis  is  developed  on  fractal  densitymodel to map mineralization as singularity process, i.e., scale-invariant  process  that  extracts  the  weak  geo-anomalies  bysingularity  index  (α)  which  is  independent  of  scale  (i.e.,depth) (Cheng QM, 2007, 2012a). The multifractal filtering isdeveloped on scaling fractal model that can decompose mixedgeo-anomaly  patterns  into  anomaly  and  background  ormultiple  components  according  to  distinct  self-similaritiesidentified  in  the  frequency  (Cheng  QM  et  al.,  2000),eigenvalue  domain  (Cheng  QM,  2005)  or  wavelet  domain(Chen GX and Cheng QM, 2017). The methods of multi-layerdata  fusion  and  spatial  decision  are  further  developed  onabove  nonlinear  mathematical  models  for  targeting  thepotential  mineral  deposits,  for  instance,  the  Fuzzy  WofE(Cheng  QM  and  Agterberg  FP,  1999),  spatially  weightedprincipal  component  analysis  (Cheng  QM  et  al.,  2011),  andboost  WofE  (Cheng  QM,  2015).  As  professional  softwarepackage,  the  GeoDAS  has  integrated  both  conventionalmethods and newly developed nonlinear models/methods thathave  been  successfully  applied  for  mineral  exploration  andenvironmental  impact  assessment  in  more  than  20  countriesand 14 mineral districts worldwide (Cheng QM, 2000, 2008).

2.2. Information integration and estimation of mineralresources

The  fundamental  aspects  of  mineral  assessment  atdifferent  scales  can  be  associated  with  the  following  tasks,e.g.,  mineral  potential  mapping  and  estimation  of  mineralresources (Zhu YS, 2006; Porwal AK and Kreuzer OP, 2010).Data and information obtained from various fields of scienceare  different  in  sampling  methods,  density  distribution  anddimension.  For  example,  geological  data  often  present  asdigital maps consisting of strata, faults, magmatite and so on,which  are  typically  non-numerical  attributes.  Geochemical

data  can  be  collected  from  rock  outcrop,  stream  or  soilsediments,  which  usually  are  discrete  sampling  points  ininterest  areas.  Geophysics  data  involve  gravity,  magnetics,electrical and seismic data, which often distribute along a lineof  survey  or  drill  column,  while  remote  sensing  data  areimagine (Pan GC, 2018). Therefore, how to process, analyze,interpret, extract and integrate multiple data/information usingquantitative  techniques  has  become  a  common  practice  inassessment  of  mineral  potentials,  and  some  significantprogress  have  been  made  in  development  of  mathematicalmethodologies since 1950s (Allais M, 1957; Harris DP, 1965;Matheron  G,  1971).  At  present,  most  of  methods  can  beimplemented  by  using  GIS  technologies.  Many  processingtechniques  including  but  is  not  limited  to  filtering  andenhancing  are  necessary  for  identification  and  extraction  ofuseful  information  related  to  mineralization.  For  instance,multifractal  filtering  based  on  spectrum-area  (S-A)  model,multifractal  interpolation  algorithms  based  on  singularityindex  are  used  to  separate  geochemical  and  geophysicalanomalies from background values.

Geo-computational  (quantitative)  methods  for  mineralpotential  mapping  (e.g.  data  integration)  aim  at  integratingtwo or more favorable evidence into a single one refers to thelikelihood  that  mineral  deposits  of  the  type  sought  arecontained in an area, which can be divided generally into twocategories  including  knowledge-driven  and  data-driven(Bonham-Carter GF, 1994; Pan GC and Harris DP 2000; ZuoRG  and  Carranza  EJM,  2011;  Zhang  ZJ  et  al.,  2016).Representative  knowledge-driven  methods  include  Booleanlogic,  fuzzy logic  and evidential  belief.  Data-driven methodsused  to  measure  spatial  associations  between  evidentialfeatures  and  known  deposits  can  be  either  bivariate  ormultivariate, such as weights of evidence (Bonham-Carter GFet  al.,  1989),  logistic  regression  (Chung  CF,  1978),  artificialneural networks (Singer DA and Kouda R, 1996), etc. ChengQM and Agterberg FP (1999) introduced the fuzzy weights ofevidence and boost weights of evidences method (Cheng QM,2015),  modified  models  of  weights  of  evidence.  The  formerrelaxed  the  requirement  of  the  ordinary  weights  of  evidencemodel  on  conditional  independency  among evidential  layers,and  the  latter  can  use  multivariate  discrete  evidential  layerswith  less  loss  of  useful  information  than  bivariate.  Zuo  RGand Carranza EJM (2011) introduced support vector machine(SVM) algorithm to  mineral  prospectivity  mapping,  and  thatwas  proved  to  be  a  usefulness  tool  for  mineral  potentialmapping.  Chen  YL  (2015)  explored  successively  restrictedboltzmann machine and extreme learning machine regression(Chen YL and Wu W, 2017) to integrate multiple informationto mineral prospectivity.

The  methods  usual  used  for  estimation  of  undiscoveredmineral  resources  include  the  volumetric  method  (KingstonGA et al.,  1978; Meyer RF, 1978), Zipf’s Law (Merriam DFet  al.,  2004),  deposit  density  models  (Bliss  JD  and  MenzieWD, 1993), and grade-tonnage models (Singer DA, 1993). Anew  method  of  synthesis  information  volumetric  method(SIVM)  was  proposed  by  Xiao  KY  et  al.  (2010c)  based  ontraditional  volumetric  method,  which  emphasize  the

Zhang et al. / China Geology 2 (2019) 198−210 201

application of  multi-information and mineral  system analysis(Li  N  et  al.,  2018).  The  general  equation  for  estimating  theundiscovered resources assessment is presented in Eq. (1).

RPredicting area =C×S ×VPredicting area (1)

Where:  RPredicting  area  is  the  total  amount  of  mineralresources  in  the  prospective  area; VPredicting  area  is  the  volumeof the mineralization system in the prospective area; S  is  thesimilarity  coefficient,  representing  the  similarity  of  themineralization  characteristics  between  the  prospective  areaand  the  model  area  covering  known  ore  deposits; C  is  ore-bearing ratio in the mineral system, is theoretically calculatedby multiplying the grade and proportion. However, obviously,it  is  hard  to  determine  the  grades  and  proportions  in  traps.These  data  are  extrapolated  from  known  ore  deposits  in  thepermissive  boundaries  by  calculating  their  mean  ore-bearingratio. The above data indicate that the mineral deposit model,mineralization  systems,  and  volumes  are  the  three  majorcomponents.  The  variables  needed  include  the  ore-bearingratio, similarity coefficient, and volumes of host rocks or ore-bearing formations at  a deposit  scale,  as well  as the volumesof  mineralization  system  in  a  prospective.  The  predictionaccuracy of  SIVM is  similar  to  the  deposit  model  method interms of data, models and methods, and the application of thelarge-scale  exploration  data  will  produce  a  better  result  thanthe deposit model method (Fig. 1).

2.3. GIS and 3-dimension mineral prospectivity mapping

Computers have brought about far-reaching developmentsin  quantitative  techniques  for  geosciences  including  GIStechnology  since  late  1980s  (Agterberg  FP,  1989).  GIS  is  acomputer  system capable  of  capturing,  coordinating,  storing,processing,  analyzing,  displaying  and  managing  geospatialinformation,  especially  combining  geospatial  information  inunique  ways  and  extracting  something  new.  This  makesquantitative  assessment  of  mineral  resources  assessmentpossible  to  use  spatial  database  and  spatial  analysistechnology on GIS. Now days, most optimal data integrationmethods  proposed  can  be  effectively  applied  by  using  GIStechnologies.

China  has  independently  developed  numerous  softwarepackages  for  mapping  and  mineral  resource  assessment.

Earlier,  MAPGIS  software  developed  by  Zondi  CyberTechnology Co.,  Ltd make geology mapping efficient.  Later,based  on  the  MAPGIS  platform,  MORPAS  (Hu  GD  et  al,2000),  MRQP (Wang  Y et  al.,  2008)  and  MRAS (Li  GM etal.,  2009)  etc.  successively  used  for  mineral  resourcesassessment  covering  various  data  management,  dataprocessing,  anomaly  analysis,  information  integration  andestimation  of  minerals.  Furthermore,  specific  software  alsoappeared  in  succession,  for  example,  China  GeologicalSurvey  developed  DGSS  digitalize  the  whole  process  ofgeological  survey  from  field  work  to  cartographicgeneralization,  RGIS  for  geophysical  data  processing  andinterpretation,  GeoMDIS  for  regional  geochemical  datamanagement and GeoExpl for managing and analyzing multi-database, etc.

Since  the  beginning  of  21st  century,  three-dimensional(3D) geological  modeling has  been regarded as  an importantmethod  to  visualize  and  analyze  the  subsurface  geology,which also was adopted by geologists for quantitative mineralassessment (Houlding SW, 1994; Mallet JL, 2002; Chen JP etal., 2007; Xiao KY et al., 2015a; Mao XC et al., 2016; Li N etal.,  2018).  3D geological  modeling  is  facilitated  not  only  bydevelopments  in  computer,  3D  visualization,  quantitativegeometry  and  image  analysis,  but  by  considerable  ongoingimprovements  in  geophysical  and  geochemical  mappingmethods (Steuer  A et  al.,  2009; Gao L et  al.,  2017).  The 3Dgeological modeling is an extension of two-dimensional (2D)geological  mapping,  which  can  help  to  reveal  hiddeninformation  on  the  variability  of  controlling  factors  and  todefine  likelihood  of  occurrence  of  mineralization  processes(Pan  GC,  2018).  3D geological  modeling  was  first  proposedby Houlding SW in 1993 (Houlding SW, 1994), subsequently,some  basic  methods  for  geological  modeling  including  thespatial  data  analysis,  geological  interface  modeling,  andgeological  boundary  connection  were  discussed  in  detail.Mallet  JL  (2002)  defined  the  3D  geological  modeling  as  acollection  of  mathematical  approaches  for  simulating  thetopological, geometrical, and physical properties of geologicalobjects. The theme on 3D geological map was presented in ajoint meeting between Geological Society of America (GSA)and  Geological  Association  of  Canada  (GAC)  in  2001,  withthe  aim  to  discuss  how  to  convert  map-making  from  2D  to3D.  Subsequently,  lager  number  of  researches  for  3Dgeological modeling and visualization at different scales werecarried out in the United States, Britain, Australia and Canada(Berg RC, 2011; Schultz A, 2018). Software developers havebuilt  several  packages  for  geological  modeling,  such  asSKUA GoCad, Geomodeller 3D, Micromine, Surpac, etc.

Chinese  scholars  started  research  on  3D  visualizationtechnology  in  1990s,  and  a  lot  of  achievements  have  beenmade in spatial geological modeling and 3D mineral potentialmapping  (Chen  JP  et  al.,  2007;  Wang  GW  and  Huang  L,2012;  Shen  XD  et  al.,  2017).  For  instance,  MinExplorerdeveloped  by  Institute  of  Mineral  Resources,  ChineseAcademy  of  Geological  Sciences  (CAGS),  was  appliedsuccessfully to 3D geological modeling of many metal deposit

 

Info

rmat

ion l

evel

Deposit modeling

Volume

method

Model-based integrated

information volumetric method

Successive resource assessments

1 2 3 4 5 6 7 8

 Fig. 1.     Relationship  between  Model-based  integrated  informationvolumetric method and deposit modeling method of resource assess-ment(modified  from  Kingston  GA  et  al.,  1978;  Xiao  KY  et  al.,2010b).

202 Zhang et al. / China Geology 2 (2019) 198−210

including  Laochang  Ag-Pb  deposit  in  Yunnan  province  andJiama copper deposit in Tibet (Xiao KY et al., 2010a, 2015a;Li S et al.,  2011). Chen JP et al.  (2007) developed the three-dimensional  prediction  system  (3DMP),  and  proposed  anintegrated 3D quantitative method and procedure of so called“cube prediction  model”  for  locating  concealed  orebodies  atdifferent scale area (Fig. 2). The method was devoted to makefull  use  of  various  different  dataset  for  determining position,quantity  and  probability  of  deep  ore  bodies,  and  hadsuccessful  application  in  many  mines  and  metallogenic  belts(Chen  JP  et  al.,  2012,  2014).  Wang  Gongwen  develops  asoftware  package  GeoCube  for  3D  data  processing,extraction, integration of exploration criteria from spatial data(Li RX et al.,  2016). Mao XC et al.  (2019) performed multi-constraint geological modeling and spatial  analysis involving3D  buffer  analysis,  shape  analysis  and  field  analysis  for  theDayingezhuang gold  deposit  to  quantitatively  assessment  thegold distribution and its  association with geological  features,and  further  integrated  indicators  into  3D  prospectivitymodeling  by  fuzzy  WofE  and  continuous  WofE  methods  toassessment  mineral  potential.  In  addition,  commercial

software also rapidly expand include 3DMINE developed byBeijing 3DMINE Software Co.,  Ltd.  for  mining engineering,etc.

Geological  interfaces  modeling  and  geological  objectsmodeling  are  two  usual  results  in  3D  geological  modeling,and the basic methods including the spatial data analysis andinterpolation,  geological  interface  modeling  and  geologicalboundary  connection  (Houlding  SW,  1994).  Usually,  thegeological interfaces are represented by discrete surfaces (e.g.polygonal surface meshes), which can be generated directly in3D  (Frank  T  et  al.,  2007),  or  obtained  by  creating  planarmeshes  first  and  then  interpolating  or  simulating  into  3Dbased on discrete points and contours (Mallet JL, 1997). Theformer allows modelers to simulate quite complex geologicalinterfaces by using information from boreholes, cross-sectionsand  2D  geological  maps  using  mathematical  methods(Kaufmann  O  and  Martin  T,  2008).  The  downside  of  thisapproach is costs of much more efforts on generating surfacemeshes. The latter is relatively easier to implement, especiallywhen  the  geological  interfaces  are  layered.  3D  geologicalobjects  can  be  represented  by  wire-frames  (connection  of

 

Deep geophysical

modeling

Deep geochemical

modeling

Reconstruction of deep

3D mineralization

system

3D stratum

Modeling

3D lithology

modeling

3D orebody

modeling

3D structural

modeling 3D geological

solid modeling3D alteration

modeling

…

Data collection,

metallogenic analysis

and preprocessing

3D geological

modeling

Analysis, extraction of

favorable metallogenic

information and data

integration

The delineation of

prospecting target and

assessment of

uncertainty

Continuous-interpolation

modeling with sufficient

data in well-explored

spaces

Discrete-speculation

modeling with scanty

data in less-explored

spaces

Nonlinear methods,

analysis of fractal

dimension

Geological

data

Minerals

exploration

Geochemical

survey

Geophysical

survey

Remote

sensing

GIS database

Multivariate statistical

methods (Cube prediction

model)

 Fig. 2.   The delineation of prospecting target at different scale and depth.

Zhang et al. / China Geology 2 (2019) 198−210 203

closed  line  on  plan  at  different  depth  or  cross-section  map),boundaries  (e.g.  intersection  of  surface  meshes),  and  voxelsdata  models  benefitted  from  development  of  varioustechnologies  and  methods  for  acquisition  and  processing  ofgeoscientific  information (Xiang J  et  al.,  2016; Zhang BY etal., 2018; Di QY et al., 2019).

2.4. Big Data and mineral assessment

Big  Data  represents  the  information  assets  characterizedby such a high volume, velocity, variety and veracity (MauroAD et al., 2016). Let data speak for itself allow us to discoverpatterns and correlations in the data or to perform predictionsof outcomes and behaviors (Mayer-Schönberger V and CukierK,  2013). Markus  R  et  al.  (2019)  insisted  that  earth  systemdata are exemplary of all ‘four Vs’ of big data, and geosciencedata are undergoing an explosive growth with development ofgeological survey to “Deep Earth” “Deep Sea” “Deep Space”and   “Deep  Time”  (Zhao  PD,  2015,  Fig.  3).  So  far  researchand application of Big Data are in earth system sciences beingextensively  explored  by  governments,  academics  andcompanies.  In  2007,  the  European  Union  launched  theinitiative  of   “Infrastructure  for  Spatial  Information  in  theEuropean  Community ”  (INSPIRE),  with  the  purpose  ofestablishing  integrated  European  spatial  data  infrastructure,sharing of relevant environmental information within the EU,and  facilitating  inter-regional  policy  decision  making  andapplications  (European  Parliament  and  Council  of  theEuropean  Union,  2007).  The  intercontinental  Earth  Serverinitiative has established a European data cube platform withproven  scalability  (Merticariu  V  and  Baumann  P,  2016).Furthermore,  many  developed  countries  have  already  setuptheir  geological  data  sharing  platforms,  such  as  the  USGeospatial One-Stop, Canada’s GeoConnections, which effec-tively  facilitate  national,  provincial  and  local  governments,private  enterprises,  academic  communities  and  the  public,  toquery,  access  and  obtain  geospatial  information,  therebyhelping  share  and  access  information  to  make  smarter

decisions  (Folger  P,  2009;  Sierra  Systems  Group,  2003).  Inaddition  to  hardware  architectures  and  correspondingsoftware,  scientific  methodologies  are  also  important  to  dealwith these big data.

Big  data  require  specific  technology  and  analyticalmethods  for  its  computation,  storage,  processing,  andtransformation  into  value  to  offer  us  novel  and  invaluableinsights.  The  quantitative  assessment  of  mineral  resourcesalso greatly benefit from big data era. On the basis of the goodinsight  of  the  concept  and  the  formation  process  of  the  bigdata,  Zhao  PD  (2015)  put  forward  the  concept  of  digitalprospecting.  The  construction  of  an  efficient  geoscienceinformation  platform  in  China  has  generally  undergone  adevelopment  process  from  PC  -  stand-alone  workstationstage,  to  local  area  network  -  internet  and  cloud  computingstage (Chen JP et  al.,  2015, 2016; Fig.  4).  Web geographicalinformation (WebGIS) is an internet based network GIS withbrowser/server  system  (B/S)  architecture,  which  will  changethe  operation  model  of  traditional  GIS,  and  enable  users  toremotely  use  and  share  geospatial  data  and  information(Currenti  G  et  al.,  2014).  For  example,  Ministry  of  naturalresources  of  the  China  constructed  Geocloud  platform  formanagement and share of national geological data (Su GH etal., 2012). Song MM et al. (2014) built an intelligence systemapplied  to  the  analysis  of  geological  data  based  onMapReduce  and  GPU  double  parallel  processing  cloudcomputing  model.  Miao  JL  et  al.  (2015)  built  successfullygeological  data  management  platform  adopted  hybridstructure  of  Oracle  architecture  and  Hadoop  architecture,which  provides  the  strong  performance  for  quick  accessing,displaying  and  data  mining  to  unstructured  and  structuredgeological data.

With  regard  to  analytical  methods  of  mineral  assessmentin big data era, Xiao KY et al.  (2015b) insisted that  big dataprediction  is  consistent  with  the  general  comprehensiveinformation prediction for minerals potential. Its fundamentaltheories include prediction model, correlation analysis among

 

Observed andsimulated big

data

Patternsand

knowledge

Velocityspeed ofchange

Varietydiverse data

sources

Veracityuncertainty

of data

Small anddigestible

Real-time critical insome areas, not all

Integratedcross disciplines

Confidencerobustness

Data

Service

Information

Knowledge

Value

Volumedata size

 Fig. 3.   Characteristic of geoscience big data and circulation (modified from Markus R et al., 2019; Zhao PD, 2015).

204 Zhang et al. / China Geology 2 (2019) 198−210

multidisciplinary information, geological anomalies and trendanalysis.  Yu  PP  et  al.  (2015)  discussed  a  model-drivenmethod for mineral assessment involving of geological theoryguiding geological big data analysis and computer technologyachieving  geological  big  data  mining.  It  can  be  said  that  bigdata is triggering a revolution in Earth science. With the rapiddevelopment  of  algorithms  and  computing  power,  machinelearning (ML) have been proved to be effective tools for bigdata  analysis  and  knowledge  discovery.  Zhou  YZ  et  al.(2018a, b) referred that ML is a data adaptive training processand  model,  resulting  in  giving  a  good  performance  decision.Until  now,  there  are  many  ML  methods,  including  deeplearning method, applied in the field of mineral prospectivitymapping  (Xiong  YH  et  al.  2018),  e.g.  extreme  learning

machine (Chen YL and Wu W, 2017), isolation forest (ChenYL  and  Wu  W,  2018),  MaxEnt  model  (Liu  Y  et  al.,  2017).Chen  YL  (2015)  used  restricted  Boltzmann  machine  toencode  and  reconstruct  training  samples  from  a  trainingsample population with an unknown complex probability, andproposed  that  ASC  and  ASE  can  be  defined  as  two  mineralpotential  indicators  for  mineral  potential  mapping.  Aworkflow was proposed by Li S et al. (2018) on extraction ofprospecting  information  by  text  mining  based  onConvolutional  Neural  Networks  (CNNs),  and  this  methodshowed  the  great  potential  for  intelligent  informationextraction within geoscience big data. Zuo RG and Xiong YH(2018)  applied  the  big  data  analytics  and  machine  learningmethods  to  identify  geochemical  anomalies.  They  suggested

 

 Fig. 4.   Service platform for extraction, analysis and sharing based on geoscience big data.

Zhang et al. / China Geology 2 (2019) 198−210 205

that  conventional  methods  mainly  focus  on  the  detection  ofpositive  geochemical  anomalies  and  ignore  the  negativegeochemical anomalies related to mineralization. The big dataanalytics  technique  can  overcome  the  limitations  ofconventional  methods  by  utilizing  the  entire  geochemicaldataset  to  identify  geochemical  anomalies  and  quantify  thestatistical  correlations  between  geochemical  patterns  andknown mineralization patterns supported by machine learningmethods  (Xiong  YH and  Zuo  RG,  2016; Zuo  RG,  2017).  Inthe era of big data, the use of deep learning methods for datacleaning  and  exploring  will  be  an  important  direction  forprediction of mineral resources.

3. Future prospects of mineral resources assessment

Mineral exploration is currently facing three challenges interm of identification, discovery and usage. The main reasonsare due to that most mineral deposits near earth surface havebeing discovered and used,  particularly large and super largemineral  deposits.  Mineral  exploration  in  depth  and  insurrounding areas of known mineral deposits has become thepractical  strategy  for  further  mineral  exploration.  Deepmineral  explorations  are  inevitable  to  guarantee  sustainabledevelopment of economics and society of China (Zhao PD etal., 2008). With the explosive increase of global data, humanhave entered the “Big Data” era. There is little doubt that bigdata  offers  substantial  value  to  users,  but  also  brings  aconsiderable  number  of  challenges  due  to  the  difficulties  incapture,  storage,  sharing,  analysis,  and  visualization  of  data,especially in field of geosciences. The following issues beloware critical but not exhaustive.

(i)  Platform  for  3D  geological  modeling,  visualization,analysis  and  sharing.  Mineral  potential  mapping  aims  todiscover  new  mineralization  or  economic  deposits  in  aninterest  areas  by  using  geoinformation  related  tomineralization  of  sought.  2D  potential  mapping  has  beenwidely used and is regarded as a powerful tool for explorationtargeting  on  regional  scales.  In  recent  decades,  mineralexplorations  are  focusing  on  deep  mineral  resources.  Thismeans it is necessary to extend 2D prospectivity mapping intothe  3D  potential  modeling  to  identify  economic  deposits  atdepth  (Mao  XC  et  al.,  2019).  Additional,  visualisation  formanagement  of  computer  networks  and  software  analytics  isalso attracting attention of researchers and practitioners for itsextreme relevance to management of large-scale infrastructureand  software,  with  implications  in  global  softwaredevelopment,  open  source  software  development,  andsoftware quality improvements (Menzies T and ZimmermannT, 2013).

(ii) New methods and protocols for mineral exploration indeeper or covered conditions should be development for datacleaning,  information  enhancement,  information  integration,as  well  as  target  identification  based  on  data  of  differentnature (structured, unstructured, semi-structured) and sourcesunder  geological  constraints.  Deep  learning  algorithms  are  apowerful  tool  to  extract  geological  features,  integrate  multi-

source  data,  and  helpful  to  discover  geochemical  patterns  orto  delineate  geochemical  anomalies  that  conventionalmethods  cannot  detect  (Zuo  RG  et  al,  2019).  However,  thedisadvantage  of  application  of  deep  learning  algorithms  inmineral  assessment  is  that  depend  only  on  the  data  itselfwithout  a  good  integration  in  the  term  of  geology  andmineralization.  Additional  mineralization  is  usually  a  rareevent with small  a  small  amount of training samples (knownmineral deposits and occurrences). Therefore, how to combinethe deep learning algorithms, geological theories and mineralsystem approach is an enormous challenge.

(iii)  3D  geological  modeling  relies  largely  oncomprehensive  data  and  mathematical  methods,  but  use  ofgeological concepts is essential in this endeavor as it requiresa good understanding of the underlying physical and chemicalprocesses  (Agterberg  FP,  2014;  Jørgensen  F  et  al.,  2015).Geophysics  is  a  good  source  of  information  to  complementgeological  data  at  depth  since  it  provides  supplementaryinformation to surficial data (Martelet G et al., 2004; GuillenA  et  al.,  2008;  Reninger  PA  et  al.,  2017).  This  result  issubjective to a large extent since available information mostlydepends on the geologist's cognition. And besides, geologicaldata  are  scarce  and  scattered  that  producing  largeuncertainties in 3D geological models. The great uncertaintiesand possibility  of  multiple  explanations  are  among the manychallenges  because  of  the  great  complexity  of  geologicalprocesses,  and  more  and  more  attention  will  be  paid  to  thesolution of uncertainties.

4. Conclusions

Quantitative  assessment  of  mineral  resource  is  animportant  part  of  geoscientific  research,  and  significantprogress  has  been  made  with  development  of  mathematicaltechniques and estimation methodologies for mineral potentialmapping  and  resource  estimation.  Chinese  geologists  havealso  made  a  great  contribution  in  theories,  methods  andsoftware  platform  for  assessment  of  mineral  resources.  Bigdata are characteristic with “four Vs”, as an interdisciplinaryscience,  geomathematics  greatly  benefit  from  big  data  era,and  no  exception  in  mineral  assessment.  Big  data  analysisincluding  development  of  deep  learning  algorithm  make  iteasy to  process  and mine the hidden feature  and informationrelated  to  mineralization,  however  technology  challenges  areencountered  in  research  of  software  and  algorithm  for  thecapture,  integration  and  visualisation  of  various  differentgeoinformation  or  data.  A  forward  model  of  knowledge-driven  and  an  inversion  model  of  data-driven  are  double-edged sword for geosciences. Geology have differs from mostother areas in the big data era due to complexity of geologicalprocess,  and  the  uncertainties  and  ambiguous  interpretationare  general.  When  faced  with  geological  data,  bothcorrelations among information and causality between outputsand  geological  control  are  important.  Moreover,  a  high-performance  integration  and  access  platform  for  dataacquisition,  integration,  transfer,  data  mining,  information

206 Zhang et al. / China Geology 2 (2019) 198−210

extraction and sharing is required, particularly in big data era.The launch of the deep probe initiative will further facilitatedthe  development  of  3D  geological  modeling  and  3Dvisualization  software  platforms.  Additional,  data  policy  onsecurity  and  monitoring  should  be  paid  more  attentionconsidering of features of geological data.

Acknowledgement

This  research  was  financially  supported  by  the  NationalKey  Research  and  Development  Program  of  China(2017YFC0601500,  2017YFC0601501),  and  the  ChinaGeological Survey Project (1212011121040). Thanks are dueto the editors for helpful comments to improve the text, and toDr.  Ren-guang  Zuo  for  assistance  in  providing  materials  ofearlier manuscript.

References

Agterberg FP. 1974. Geomathematics. Elsevier, Amsterdam, 596.Agterberg  FP.  1989.  Computer  programs  for  mineral  exploration.

Science, 245, 76–81. doi: 10.1126/science.245.4913.76.Agterberg  FP.  2014.  Geomathematics:  Theoretical  foundations,

applications  and  future  developments.  Springer  InternationalPublishing, 553.

Allais  M.  1957.  Method  of  appraising  economic  prospects  of  miningexploration  over  large  territories:  Algerian  Sahara  case  study.Management Science, 3(4), 285–347. doi: 10.1287/mnsc.3.4.285.

Berg  RC.  2011.  Synopsis  of  current  three-dimensional  geologicalmapping  and  modeling  in  geological  survey  organizations.Champaign ILL Illinois State Geological Survey, 578.

Bliss  JD,  Menzie  WD.  1993.  Spatial  mineral-deposit  models  and  theprediction  of  undiscovered  mineral  deposits.  In:  Kirkham  RV,Sinclair  WD, Thorpe RI,  Duke JM (eds)  Mineral  deposit  modeling.Geological Association Canada Special Paper, 40, 693–706

Bonham-Carter  GF,  Agterberg  FP,  Wright,  DF.  1989.  Weight  ofevidence  modeling:  A  new  approach  to  mapping  mineral  potential.In:  Agterberg,  F.P.,  Bonham-Carter,  G.F.,  (Eds.),  StatisticalApplications in the Earth Sciences: Geological Survey Canada Paper89–9, 171–183.

Bonham-Carter  GF.  1994.  Geographic  information  systems  forgeoscientists: modelling with GIS. Pergamon, Computer Methods inthe Geosciences, 13, 398.

Brown WM, Gedeon TD, Groves DI, Barnes RG. 2000. Artificial neuralnetworks:  a  new  method  for  mineral  prospectivity  mapping.Australian  Journal  of  Earth  Sciences,  47(4),  757 –770.  doi:  10.1046/j.1440-0952.2000.00807.x.

Chen GX,  Cheng QM. 2017.  Fractal-based wavelet  filter  for  separatinggeophysical  or  geochemical  anomalies  from  background.Mathematical Geosciences, 1–24.

Chen JP, Lü P, Wu W, Zhao J, Hu Q. 2007. A 3D method for predictingblind  orebodies,  based  on  a  3d  visualization  model  and  itsapplication. Earth  Science  Frontiers,  14(5),  54–62  (in  Chinese  withEnglish abstract). doi: 10.1016/S1872-5791(07)60035-9.

Chen  JP,  Wang  CN,  Shang  BC,  Shi  R.  2012.  Three-dimensionalmetallogenic  prediction  in  Yongmei  region  based  on  digital  oredeposit  model.  Scientific  &  Technological  Management  of  Land  &Resources, 29(6), 14–20 (in Chinese with English abstract).

Chen  JP,  Yu  PP,  Shi  R,  Yu  M,  Zhang  SC.  2014.  Research  on  three-dimensional  quantitative  prediction  and  evaluation  methods  ofregional  concealed  ore  bodies.  Earth  Science  Frontiers,  21(5),211–220 (in Chinese with English abstract).

Chen JP, Li J, Cui N, Yu PP. 2015. The construction and application ofgeological cloud under the big data background. Geological Bulletin

of China, 34(7), 1260–1265 (in Chinese with English abstract).Chen  JP,  Xiang  J,  Hu  Q,  Yang  W,  Lai  ZL,  Hu  B,  Wei  W.  2016.

Quantitative  geoscience  and  geological  big  data  development:  areview. Acta Geologica Sinica (English Edition), 90(4), 1490–1515.

Chen YL.  2015.  Mineral  potential  mapping with  a  restricted boltzmannmachine.  Ore  Geology  Reviews,  71,  749 –760.  doi:  10.1016/j.oregeorev.2014.08.012.

Chen YL, Wu W. 2017. Mapping mineral prospectivity using an extremelearning  machine  regression.  Ore  Geology  Reviews,  80,  200 –213.doi: 10.1016/j.oregeorev.2016.06.033.

Chen  YL,  Wu  W.  2018.  Isolation  Forest  as  an  alternative  data-drivenmineral prospectivity mapping method with a higher data-processingefficiency. Natural Resources Research, 1–16.

Chen Y. 1989. Application of fractals in earth science. Academic Press,1–163 (in Chinese with English abstract).

Cheng  QM,  Agterberg  FP,  Ballantyne  S.  1994.  The  separation  ofgeochemical anomalies from background by fractal methods. Journalof  Geochemical  Exploration,  51,  109 –130.  doi:  10.1016/0375-6742(94)90013-2.

Cheng QM, Agterberg FP. 1999. Fuzzy weights of evidence method andits  application  in  mineral  potential  mapping.  Natural  ResourcesResearch, 8, 27–35. doi: 10.1023/A:1021677510649.

Cheng  QM.  1999.  Multifractality  and  spatial  statistics.  Computers  &Geosciences, 25, 949–961.

Cheng  QM.  2000.  GeoData  analysis  system  (GeoDAS)  for  mineralexploration:  user ’s  guide  and  exercise  manual.  Material  for  thetraining workshop on GeoDAS held at York University, 1–3, 2000.

Cheng  QM,  Xu  Y,  Grunsky  E.  2000.  Integrated  spatial  and  spectrummethod  for  geochemical  anomaly  separation.  Natural  ResourcesResearch, 9, 43–52. doi: 10.1023/A:1010109829861.

Cheng  QM.  2004.  A  new  model  for  quantifying  anisotropic  scaleinvariance  and  for  decomposition  of  mixing  patterns. MathematicalGeology,  36,  345 –360.  doi:  10.1023/B:MATG.0000028441.62108.8a.

Cheng  QM.  2005.  Multifractal  distribution  of  eigenvalues  andeigenvectors  from  2D  multiplicative  cascade  multifractal  fields.Mathematical  Geology,  37,  915 –927.  doi:  10.1007/s11004-005-9223-1.

Cheng QM. 2006. Singularity generalized self Similarity fractal spectrum(3S) models. Earth Science, 31(3), 337–348 (in Chinese with Englishabstract).

Cheng  QM.  2007.  Mapping  singularities  with  stream  sedimentgeochemical data for prediction of undiscovered mineral deposits inGejiu, Yunnan Province, China. Ore Geology Reviews, 32, 314–324.doi: 10.1016/j.oregeorev.2006.10.002.

Cheng  QM.  2008.  Non-linear  theory  and  power-law  models  forinformation  integration  and  mineral  resources  quantitativeassessments.  Mathematical  Geosciences,  40,  503 –532.  doi:10.1007/s11004-008-9172-6.

Cheng QM, Bonham-Carter GF, Wang WL, Zhang SY, Li WC, Xia QL.2011.  A  spatially  weighted  principal  component  analysis  for  multi-element  geochemical  data  for  mapping locations of  felsic  intrusionsin  the  Gejiu  mineral  district  of  Yunnan,  China.  Computers  &Geosciences, 37, 662–669.

Cheng  QM.  2012a.  Singularity  theory  and  methods  for  mappinggeochemical  anomalies  caused by buried  sources  and for  predictingundiscovered  mineral  deposits  in  covered  areas.  Journal  ofGeochemical  Exploration,  122,  55 –70.  doi:  10.1016/j.gexplo.2012.07.007.

Cheng  QM.  2012b.  Ideas  and  methods  for  mineral  resources  integratedprediction  in  covered  areas.  Earth  Science,  37(6),  1109 –1125  (inChinese with English abstract).

Cheng  QM.  2015.  Boost  WofE:  A  new  sequential  weights  of  evidencemodel  reducing  the  effect  of  conditional  dependency. MathematicalGeosciences, 47, 591–621. doi: 10.1007/s11004-014-9578-2.

Cheng QM. 2017.  Singularity analysis  of  global  zircon U-Pb age seriesand implication of continental  crust  evolution. Gondwana Research,

Zhang et al. / China Geology 2 (2019) 198−210 207

51, 51–63. doi: 10.1016/j.gr.2017.07.011.Chung  CF.  1978.  Computer  program for  the  logistic  model  to  estimate

the probability of occurrence of discrete events. Geological Survey ofCanada, 78–12, 23.

Cox DP. 1983. U.S. Geological Survey-INGEOMINAS mineral resourceassessment  of  Colombia:  additional  ore  deposit  models.  U.S.Geological Survey Open File Report, 83–901.

Cui N, Chen JP, Xiang J. 2018. Prediction model and resource potentialof copper in China. Earth Science Frontiers, 25(3), 13–30 (in Chinesewith English abstract).

Currenti  G,  Napoli  R,  Sicali  A,  Greco  F,  Negro  CD.  2014.  Geofim:  aWebGIS  application  for  integrated  geophysical  modeling  in  activevolcanic regions. Computers & Geosciences, 70(9), 120–127.

Di QY, Zhu RX, Xue GQ, Yin CC, Li X. 2019. New development of theElectromagnetic (EM) methods for deep exploration. Chinese Journalof Geophysics, 62(6), 2128–2138 (in Chinese with English abstract).

Du BF, Yang CQ, Chai JY, Bai GD, Li WW, Ning FZ. 2018. The effectof  stream  sediment  survey  for  prospecting  in  Chunzhe  area,  Tibet.Geology  in  China,  45(3),  604 –616  (in  Chinese  with  Englishabstract).

Eberlein  DG,  Menzie  WD.  1978.  Maps  and  tables  describing  areas  ofmineral resource potential of Central Alaska. U.S. Geological SurveyOpen File Report 78–1–D.

Folger  P.  2009.  Geospatial  information  and  geographic  informationsystems (GIS): current issues and future challenges. CRS Report forCongress, 1–26.

Frank  T,  Tertois  AL,  Mallet  JL.  2007.  3D-reconstruction  of  complexgeological  interfaces  from  irregularly  distributed  and  noisy  pointdata.  Computers  and  Geosciences,  33(7),  932 –943.  doi:10.1016/j.cageo.2006.11.014.

Gao  L,  Lu  YT,  Yu  PP,  Xiao  F.  2017.  Three-dimensional  visualizationand  quantitative  prediction  for  mine:  A  case  study  in  XiayuandongPb-Zn  ore  deposits,  Pangxidong  region,  southern  part  of  Qin-Hangmetallogenic belt, China. Acta Petrologica Sinica, 33(3), 767–778 (inChinese with English abstract).

Guillen A, Calcagno P, Courrioux G, Joly A, Ledru P. 2008. Geologicalmodelling  from  field  data  and  geological  knowledge  -  Part  II.Modelling  validation  using  gravity  and  magnetic  data  inversion.Physics of the Earth and Planetary Interiors, 171(1-4), 158–169.

Harris  DP.  1965.  An  application  of  multivariate  statistical  analysis  tomineral exploration. PhD dissertation. The Pennsylvania State Univ.,University Park, Pennsylvania, 261.

Harris  DP.  1984.  Mineral  resources  appraisal –mineral  endowment,resources, and potential supply. Concept, methods, and cases. OxfordUniversity Press, New York, 455.

Houlding SW. 1994.  3D geoscience modeling:  computer  techniques forgeological characterization. London: Springer-Verlag, 309.

Hu GD, Chen JG, Chen SY. 2000. Metallic mineral resources assessmentand  analysis  system  design.  Journal  of  China  University  ofGeosciences, 11(3), 308–311 (in Chinese with English abstract).

Huang WB, Xiao KY, Ding JH, Li N. 2011. Potential assessment of solidmineral  resources  based  on  GIS.  Acta  Geologica  Sinica,  85(11),1834–1843 (in Chinese with English abstract).

Jørgensen  F,  Høyer  AS,  Sandersen  PBE,  He  XL,  Foged  N.  2015.Combining 3D geological modelling techniques to address variationsin  geology,  data  type  and  density-an  example  from  southerndenmark. Computers & Geosciences, 81(C), 53–63.

Kaufmann O, Martin T. 2008. 3D geological modelling from boreholes,cross-sections  and  geological  maps,  application  over  former  naturalgas  storages  in  coal  mines.  Computers  &  Geosciences,  34(3),278–290.

Kingston GA, David M, Meyer RF, Oeenshine AT, Slamet S, Schanz JJ.1978.  Workshop  on  volumetric  estimation.  Journal  of  theInternational Association for Mathematical Geology, 10(5), 495–499.doi: 10.1007/BF02461980.

Lei  SB,  Qing  M,  Niu  CY,  Wang  L.  2016.  Current  gold  prospecting  inChina. Acta Geologica Sinica (English Edition), 90(4), 1298–1320.

Li  GM,  She  HQ,  Zhang  L,  Liu  B,  Dong  YJ.  2009.  Based  on  MineralResource  Assessment  System  (MRAS)  for  the  metallogenicprognosis  in  the  Gangdese  metallogenic  belt,  Tibet.  Geology  andExploration, 45(6), 645–654 (in Chinese with English abstract).

Li  RX,  Wang  GW,  Carranza  EJM.  2016.  Geocube:  A  3D  mineralresources quantitative prediction and assessment system. Computers& Geosciences, 89, 161–173.

Li N, Xiao KY, Sun L, Li SM, Zi JW, Wang K, Song XL, Ding JH, LiCB.  2018.  Part  I:  a  resource  estimation  based  on  mineral  systemmodelling  prospectivity  approaches  and  analogical  analysis:  a  casestudy  of  the  MVT  Pb-Zn  deposits  in  huayuan  district,  china.  OreGeology  Reviews,  101,  966 –984.  doi:  10.1016/j.oregeorev.2018.02.014.

Li S, Chen JP, Xiang J. 2018. Prospecting information extraction by textmining  based  on  convolutional  neural  networks-a  case  study  of  thelala  copper  deposit,  China.  IEEE  Access,  6,  52286 –52297.  doi:10.1109/ACCESS.2018.2870203.

Li  S,  Xiao  KY,  Tang  JX,  Zou  W,  Li  N,  Sun  Y.  2011.  3D  geologicmodeling  of  the  Jiama  Cu  deposit  based  on  MinExplorer  system.Journal  of  Chengdu  University  of  Technology,  38(3),  291 –297  (inChinese with English abstract).

Liu  Y,  Zhou  KF,  Xia  QL.  2017.  A  maxEnt  model  for  mineralprospectivity mapping. Natural Resources Research, 27, 299–313.

Liu  QN,  Zhou  XD,  Su  XY,  He  YL,  Guo  Z.  2018.  An  analysis  ofgeological,  geophysical  and  geochemical  characteristics  andprospecting  potentiality  of  the  Liulaowan  area  in  Henan  Province.Geology  in  China,  45(2),  392 –407  (in  Chinese  with  Englishabstract).

Mallet  JL.  1997.  Discrete  modeling  for  natural  objects.  MathematicalGeology, 29(2), 199–219. doi: 10.1007/BF02769628.

Mallet JL. 2002. Geomodeling. Applied Geostatistics. Oxford UniversityPress, New York, 624.

Mandelbrot BB. 1975. Les objects fractals: forme, hazard et dimension.Flammarion, Paris, 1–19.

Mao XC, Ren J, Liu ZK, Chen J, Tang L, Deng H, Bayless RC, Yang B,Wang MJ, Liu CM. 2019. Three-dimensional prospectivity modelingof  the  Jiaojia-type gold  deposit,  Jiaodong Peninsula,  Eastern  China:A case study of the Dayingezhuang deposit. Journal of GeochemicalExploration, 203, 27–44. doi: 10.1016/j.gexplo.2019.04.002.

Mao  XC,  Zhang  B,  Deng  H,  Chen  J.  2016.  Three-dimensionalmorphological  analysis  method  for  geologic  bodies  and  its  parallelimplementation. Computers & Geosciences, 96, 11–22.

Markus R, Gustau CV, Bjorn S, Martin J, Joachim D, Nuno C, Prabhat.2019. Deep learning and process understanding for data-driven Earthsystem  science.  Nature,  566,  195 –204.  doi:  10.1038/s41586-019-0912-1.

Martelet G, Calcagno P, Gumiaux C, Truffert C, Bitri A, Gapais D, BrunJP. 2004. Integrated 3D geophysical and geological modelling of theHercynian  Suture  Zone  in  the  Champtoceaux  area  (South  Brittany,France).  Tectonophysics,  382(1-2),  117 –128.  doi:  10.1016/j.tecto.2003.12.009.

Matheron  G.  1971.  The  Theory  of  Regionalized  Variables  and  itsApplications.  Ecole  Nationale  Supérieure  des  Mines  de  Paris,Fontainebleau, 21.

Mauro AD, Greco M, Grimaldi M. 2016. A formal definition of big databased on its essential features. Library Review, 65(3), 122–135. doi:10.1108/LR-06-2015-0061.

Mayer-Schönberger  V,  Cukier  K.  2013.  Big data:  a  revolution that  willtransform how we live, work and think. Houghton Mifflin Harcourt,1–256.

Menzies  T,  Zimmermann  T.  2013.  Software  analytics:  So  what?  IEEESoftware, 30(4), 31–37. doi: 10.1109/MS.2013.86.

Merriam  DF,  Drew  J,  Schuenemeyer  JH.  2004.  Zipf's  Law:  a  viablegeological paradigm? Natural Resources Research, 13, 265–271. doi:10.1007/s11053-004-0134-5.

Merticariu V, Baumann P. 2016. The earthServer federation: State, role,and  contribution  to  GEOSS.  EGU  general  assembly

208 Zhang et al. / China Geology 2 (2019) 198−210

Conference(Vol.18).  EGU General  Assembly Conference Abstracts.http://www.earthserver.eu/node/152.

Meyer  RF.  1978.  The  volumetric  method  for  petroleum  resourceestimation. Journal of the International Association for MathematicalGeology, 10(5), 501–518. doi: 10.1007/BF02461981.

Miao  JL,  Shang  W,  Wei  YH,  Gao  ZX,  Xu  Z.  2015.  Construction  andpractice of geological big data management platform based on hybridarchitecture. Scientific and Technological Management of Land andResources, 32(2), 114–119 (in Chinese with English abstract).

European  Parliament  and  Council  of  the  European  Union.  2007.Directive 2007/2/EC of the European Parliament and of the Councilof  14  March  2007  establishing  an  Infrastructure  for  SpatialInformation  in  the  European  Community  (INSPIRE).  OfficialJournal  of  the  European  Union,  L  108,  1 –14.  https://eur-lex.europa.eu/legal-content/EN/ALL/?uri=CELEX:32007L0002.

Pan GC, Harris DP. 2000. Information synthesis for mineral exploration.Oxford University Press, 450.

Pan  GC.  2018.  General  framework  of  quantitative  target  selections.  In:Sagar  BSD,  Cheng  QM,  Agterberg  FP,  (Eds.),  Handbook  ofMathematical Geosciences, 171–183.

Porwal  AK,  Carranza  EJM.  2001.  Extended  weights-of-evidencemodelling for  predictive  mapping of  base  metal  deposit  potential  inAravalli province. Exploration and Mining Geology, 10(4), 273–287.doi: 10.2113/0100273.

Porwal AK, Kreuzer OP. 2010. Introduction to the special issue: mineralprospectivity  analysis  and  quantitative  resource  estimation.  OreGeology  Reviews,  38(3),  121 –127.  doi:  10.1016/j.oregeorev.2010.06.002.

Reninger PA, Martelet G, Perrin J, Deparis J, Chen Y. 2017. Slopes of anairborne  electromagnetic  resistivity  model  interpolated  jointly  withborehole data for 3d geological modelling. Geophysical Prospecting,65, 1085–1096. doi: 10.1111/gpr.2017.65.issue-4.

Richter  DH,  Singer  DA,  Cox  DP.  1975.  Mineral  resource  map  of  theNabesna Quadrangle, Alaska. U.S. Geological Survey MiscellaneousField Studies Map MF–655K.

Root  DH,  Menzie  WD,  Scott  WA.  1992.  Computer  Monte  Carlosimulation  in  quantitative  resource  estimation.  NonrenewableResources 1, 125–138.

Schruben P.  2002.  Assessment of  undiscovered deposits  of  gold,  silver,copper,  lead,  and  zinc  in  the  United  States:  a  portable  document(PDF) recompilation of USGSOFR 96–96 and Circular 1178 (1998).U.S. Geological Survey Open File Report 02–198.

Schultz  A.  2018.  The  evolution  of  a  continent:  thirteen  years  ofEarthScope magnetotelluric three-dimensional imaging of the UnitedStates. Acta Geologica Sinica (English Edition), 92(z1), 1–2.

Shen BM. 1993. Fractal structural factors and its application in geology.Acta  Petrologica  Sinica,  9(3),  267 –276  (in  Chinese  with  Englishabstract).

Shen  XD,  Chen  C,  Meng  HC.  2017.  Research  progress  of  three-dimensional  geological  modeling  of  mine  based  on  3DMine.Industrial  Minerals  &  Processing,  (4),  34 –37  (in  Chinese  withEnglish abstract).

Sierra  Systems  Group  Inc.  2003.  GeoNOVA  portal  architecture  andimplementation  plan.  http://www.gov.ns.ca/snsmr/land/geonova/pdf/Geo-NOVAPortal-Vision_Final_20030721.pdf.

Singer DA, Kouda R. 1996. Application of a feedforward neural networkin  the  search  for  kuroko  deposits  in  the  Hokuroku  district,  Japan.Mathematical  Geology,  28(8),  1017 –1023.  doi:  10.1007/BF02068587.

Singer  DA.  1993.  Basic  concepts  in  three-part  quantitative  assessmentsof  undiscovered  mineral  resources.  Nonrenewable  Resources,  2(2),69–83. doi: 10.1007/BF02272804.

Song MM, Li Z, Zhou B, Li CL. 2014. Cloud computing model for biggeological  data  processing.  Applied  Mechanics  &  Materials,  475-476, 306–311.

Song  XL,  Li  N,  Xiao  KY,  Fan  JF,  Cui  N.  2018.  Design  andimplementation of a information management system for the national

mineral  resource  potential  assessment  project.  Earth  ScienceFrontiers, 25(3), 196–203 (in Chinese with English abstract).

Steuer A, Siemon B, Auken E. 2009. A comparison of helicopter-borneelectromagnetics  infrequency-  and  time-domain  at  the  Cuxhavenvalley in Northern Germany. Journal  of  Applied Geophysics,  67(3),194–205. doi: 10.1016/j.jappgeo.2007.07.001.

Su GH, Shen YP, Sun JH, He SF and Wei HL. 2012. The global oil andgas  geology  database  information  sharing  system  based  on  ArcGISserver.  Journal  of  Geo-Information  Science,  14(2),  217 –222  (inChinese with English abstract). doi: 10.3724/SP.J.1047.2012.00217.

Sun  L,  Xu  CP,  Xiao  KY,  Zhu  YS,  Yan  LY.  2018.  Geologicalcharacteristics,  metallogenic  regularities  and  the  exploration  ofgraphite deposits in China. China Geology, 1, 425–434.

Sun YB, Wang RJ, Wei BZ, Wang B, Dong SF, Li CJ, Li MS. 2018. Theapplication  of  hyperspectral  remote  sensing  ground-air  integratedprediction method to the copper gold deposit prospecting in Kalatagarea,  Xinjiang. Geology in  China,  45(1),  178–191 (in  Chinese  withEnglish abstract).

Vistelius  AB.  1968.  Mathematical  geology:  a  report  of  progress.Geocom, 1(8), 229–269.

Wang GW, Huang L. 2012. 3D geological modeling for mineral resourceassessment  of  the  Tongshan  Cu  deposit,  Heilongjiang  Province,China. Geoscience Frontiers, 3(4), 483–491 (in Chinese with Englishabstract). doi: 10.1016/j.gsf.2011.12.012.

Wang  SC,  Wang  YT.  1989.  Principles  of  synthetic  informationinterpretation and the compiling method of synthetic prognostic map.Press  of  Jilin  University,  Changchun,  China,  165  (in  Chinese  withEnglish abstract).

Wang  SC,  Fan  JZ,  Cheng  QM.  1990.  Evaluation  method  ofcomprehensive  information  for  Au  deposits.  Jilin  Science  andTechnology Press, 441.

Wang  SC,  Chen  YQ.  1994.  The  basic  rules  and  characteristics  of  ore-forming  series  prognosis.  Contributions  To  Geology  and  MineralResources Research, 9(4), 79–85 (in Chinese with English abstract).

Wang  SC.  2010.  The  new  development  of  theory  and  method  ofsynthetic  information  mineral  resources  prognosis.  GeologicalBulletin  of  China,  29(10),  1399 –1403  (in  Chinese  with  Englishabstract).

Wang  Y,  Shen  W,  Zhao  PD.  2008.  MRQP:  A  windows-based  mixedlanguage  program  for  mineral  resource  quantitative  prediction.Computers & Geosciences, 34(11), 1631–1637.

Wang  YS,  Liu  SF,  Wang  JH,  Qin  XY,  Liu  GQ,  Cui  XL.  2018.Geophysical field characteristics and deep ore prospecting predictionof the Nannihu molybdenum lead-zinc-silver polymetallic ore field ineast  Qinling  mountain.  Geology  in  China,  45(4),  803 –818  (inChinese with English abstract).

Wyborn  LAI,  Heinrich  CA,  Jauqes  AL.  1994.  Australian  Proterozoicmineral systems: essential ingredients and mappable criteria. Journalof the City Planning Institute of Japan, v. 5, p. 109–115.

Xiang  J,  Chen  J,  Hu  B,  Hu  Q,  Yang  W.  2016.  3D  metallogenicprediction based on 3D geological-geophysical model: A case studyin  Tongling  mineral  district  of  Anhui.  Advances  in  Earth  Science,31(6), 603–614 (in Chinese with English abstract).

Xiao,  KY,  Zhang  XH,  Li  JC,  Yang  YH,  Chen  JP,  Ding  JH,  Lou  DB,Wang BL, Ye TZ, Zhang LX. 2007. Quantitative assessment methodfor  national  important  mineral  resources  prognosis.  Earth  ScienceFrontiers, 14(5), 20–26 (in Chinese with English abstract).

Xiao  KY,  Chen  XG,  Li  N,  Zou  W,  Sun  L.  2010a.  3D  visualizationtechnology  for  geological  and  mineral  exploration  assessment  andthe  development  of  MinExplorer  system.  Mineral  Deposit,  29(s1),758–760 (in Chinese with English abstract).

Xiao,  KY,  Ye  TZ,  Li  JC,  Yang  YH,  Ding  JH.  2010b.  Integrated  geo-information  modeling  reserve  estimation  method.  GeologicalBulletin of China, 10, 1404–1412 (in Chinese with English abstract).

Xiao  KY,  Cheng  SL,  Lou  DB,  Sun  L.  2010c.  Integrated  informationevaluation  model  for  regional  mineral  resources  quantitativeassessment.  Geological  Bulletin  of  China,  29(10),  1430 –1444  (in

Zhang et al. / China Geology 2 (2019) 198−210 209

Chinese with English abstract).Xiao  KY,  Li,  N,  Sun  L,  Zou  W,  Li  Y.  2012.  Method  of  3D  digital

deposit  modeling  establishment  and  its  application.  MineralDeposits, s1, 929–930 (in Chinese with English abstract).

Xiao KY, Lou DB, Sun L, Yin JN, Cong Y, Zhang TT. 2013. Collectedmodel  of  potential  evaluation  for  important  national  mineralresources in China. Journal of Geology, 37(3), 341–348 (in Chinesewith English abstract).

Xiao KY, Sun L, Yin JN, Ding JH, Niu CW, Chen JP, Yang HY. 2014.The  prediction  and  assessment  of  important  mineral  resources  inChina.  Acta  Geoscientica  Sinica,  35(5),  543 –551  (in  Chinese  withEnglish abstract).

Xiao KY, Li N, Porwal A, Holden EJ, Bagas L, Lu Y. 2015a. Researchon  GIS-based  3D  prospectivity  mapping  and  a  case  study  of  Jiamacopper-polymetallic  deposit  in  Tibet,  China. Ore  Geology  Reviews,71(3), 611–632.

Xiao  KY,  Sun  L,  Li  N,  Wang  K,  Fan  JF,  Ding  JH.  2015b.  Mineralresources  assessment  under  the  thought  of  big  data.  GeologicalBulletin  of  China,  34(7),  1266 –1272  (in  Chinese  with  Englishabstract).

Xiao KY, Xing SW, Bagas L, Sun L, Li N, Yin JN, Cui N, Cong Y, Li J,Chen  YC,  Ye  TZ.  2017.  The  China  national  mineral  assessmentinitiative.  Ore  Geology  Reviews,  91,  1084 –1093.  doi:  10.1016/j.oregeorev.2017.08.036.

Xiong YH, Zuo RG. 2016. Recognition of geochemical anomalies usinga deep autoencoder network. Computers & Geosciences, 86, 75–82.

Xiong  YH,  Zuo  RG,  Carranza  EJM.  2018.  Mapping  mineralprospectivity  through  big  data  analytics  and  a  deep  learningalgorithm.  Ore  Geology  Reviews,  102,  811 –817.  doi:  10.1016/j.oregeorev.2018.10.006.

Yu CW. 1987.  Mineralization and dissipative structure. Acta GeologicaSinica, 4, 54–67 (in Chinese with English abstract).

Yu CW. 2006.  Fractal  growth of  mineral  deposits  at  the edge of  chaos.Anhui  Education  Publishing  House,  1429  (in  Chinese  with  Englishabstract).

Yu  PP,  Chen  JP,  Chai  FS,  Zheng  X,  Yu  M,  Xu  B.  2015.  Research  onmodel-driven  quantitative  prediction  and  evaluation  of  mineralresources based on geological  big data concept. Geological  Bulletinof China, 34(7), 1333–1343 (in Chinese with English abstract).

Ye  TZ.  2004.  Research  on  method  and  technology  for  assessment  ofsolid mineral resources. China Land Press, Beijing, 351.

Ye TZ, Xiao KY, Yan GS. 2007. Methodology of deposit modeling andmineral  resource  potential  assessment  using  integrated  geologicalinformation. Earth Science Frontiers, 14(5), 11–19 (in Chinese withEnglish abstract).

Ye  TZ.  2013.  Theoretical  framework  of  methodology  of  depositmodeling and integrated geological information for mineral resourcepotential  assessment.  Journal  of  Jilin  University  (Earth  ScienceEdition), 43(4), 1053–1072 (in Chinese with English abstract).

Zhai  YS.  1999.  On  the  metallogenic  system.  Earth  science  Frontiers,6(1), 13–27 (in Chinese with English abstract).

Zhang J, Li SY, Xu S, Liu CC, Zhou YH. 2012. Potential gold evaluationwith  weighting  of  evidence  based  on  MRAS in  Jinzhou-Fuxin  goldmetallogenic  belt,  western  Liaoning  Province.  Journal  of  CentralSouth University  (Science and Technology),  43(09),  3565–3574 (inChinese with English abstract).

Zhang  ZJ,  Zuo  RG,  Xiong  YH.  2016.  A  comparative  study  of  fuzzyweights  of  evidence  and  random  forests  for  mapping  mineralprospectivity  for  skarn-type  Fe  deposits  in  the  southwestern  Fujianmetallogenic  belt,  China.  Science  China  Earth  Sciences,  59,556–572. doi: 10.1007/s11430-015-5178-3.

Zhang  SH,  Xiao  KY,  Zhu  YS,  Cui  N.  2017.  A  prediction  model  forimportant  mineral  resources  in  China.  Ore  Geology  Reviews,  91,

1094–1101. doi: 10.1016/j.oregeorev.2017.09.010.Zhang BY, Chen YR, Huang AS, Lu H, Cheng QM. 2018. Geochemical

field and its roles on the 3D prediction of concealed ore bodies. ActaPetrologica  Sinica,  34(2),  352 –362  (in  Chinese  with  Englishabstract).

Zhao PD. 1964. Some basic problems of research on orebody geology indeposits  exploration.  Geology  in  China,  2,  9 –18  (in  Chinese  withEnglish abstract).

Zhao  PD.  1983.  Some  questions  of  prediction  of  total  reserves  ofmineral. China Geology, 1, 16–19 (in Chinese with English abstract).

Zhao  PD,  Chi  SD.  1991.  A  preliminary  view  on  geological  anomaly.Earth  Science-Journal  of  China  University  of  Geosciences,  3,241–248 (in Chinese with English abstract).

Zhao PD, Hu WL. 1992. Geologic anomaly theory and mineral resourceprognosis.  Xinjiang  Geology,  2,  93 –100  (in  Chinese  with  Englishabstract).

Zhao PD, Meng XG. 1993. Geological anomaly and mineral prediction.Earth Science-Journal of China University of Geosciences, 1, 39–47(in Chinese with English abstract).

Zhao  PD,  Chen  YQ,  Jin  YY.  2000.  Quantitative  delineation  andassessment  of  "5P"  ore-finding  area  on  the  basis  of  geoanomalyprinciples.  Geological  Review,  S1,  6 –16  (in  Chinese  with  Englishabstract).

Zhao PD.  2002.  Three  component  quantitative  resources  prediction andassessments: theory and practice of digital mineral prospecting. EarthScience-Journal of China University of Geosciences, 27(5), 482–489(in Chinese with English abstract).

Zhao  PD,  Zhang  ST,  Chen  JP.  2004.  Discussion  on  prediction  andappraisement  of  replaceable  resources  of  crisis  mine.  Journal  ofChengdu University of Technology (Science & Technology Edition),31(2), 111–117 (in Chinese with English abstract).

Zhao  PD,  Chen  JP,  Zhang  ST.  2005.  Mineral  deposits:  geologicalanomalies  with  high  economic  value.  In:  Cheng,  Q.M.,  Bonham-Carter,  G.,  eds.,  Proceedings  of  Annual  Conference  of  InternationalAssociation for Mathematical Geology (IAMG’05), 1022–1027.

Zhao  PD,  Cheng  QM,  Xia  QL.  2008.  Quantitative  prediction  for  deepmineral  exploration.  Journal  of  China  University  of  Geosciences,19(4), 309–318. doi: 10.1016/S1002-0705(08)60063-1.

Zhao  PD.  2015.  Digital  mineral  exploration  and  quantitative  evaluationin the big data age. Geological Bulletin of China, 34(7), 1255–1259(in Chinese with English abstract).

Zhou YZ, Chen S, Zhang Q, Xiao F, Wang SG, Liu YP, Jiao ST. 2018a.Advances  and  prospects  of  big  data  and  mathematical  geoscience.Acta  Petrologica  Sinica,  34(2),  255 –263  (in  Chinese  with  Englishabstract).

Zhou  YZ,  Wang  J,  Zuo  RG,  Xiao  F,  Shen  WJ  and  Wang  SG.  2018b.Machine  learning,  deep  learning  and  Python  language  in  field  ofgeology. Acta Petrologica Sinica, 34(11), 3173–317 (in Chinese withEnglish abstract).

Zhu YS. 2006. Mineral prognosis theory. Acta Geologica Sinica, 10(80),1515–1527 (in Chinese with English abstract).

Zuo  RG,  Carranza  EJM.  2011.  Support  vector  machine:  a  tool  formapping  mineral  prospectivity.  Computers  &  Geosciences,  37(12),1967–1975.

Zuo RG. 2017.  Machine learning of  mineralization-related geochemicalanomalies:  a  review  of  potential  methods.  Natural  ResourcesResearch, 26, 457–4. doi: 10.1007/s11053-017-9345-4.

Zuo RG, Xiong YH. 2018. Big data analytics of identifying geochemicalanomalies  supported  by  machine  learning  methods.  NaturalResources Research, 27, 5–13. doi: 10.1007/s11053-017-9357-0.

Zuo RG, Xiong YH, Wang J, Carranza EJM. 2019. Deep learning and itsapplication  in  geochemical  mapping.  Earth-Science  Reviews,  192,1–14. doi: 10.1016/j.earscirev.2019.02.023.

210 Zhang et al. / China Geology 2 (2019) 198−210