基于深度学习和高分遥感影像的青藏高原东部融冻泥流阶地提取研究

融冻泥流阶地是一种典型的斜坡冷生型冰缘地貌,在青藏高原东部发现大量古融冻泥流阶地,其空间分布对于重建该区古多年冻土分布和古气候环境具有重要意义。融冻泥流阶地纹理复杂、几何形态不一、表面覆盖多样化,导致融冻泥流阶地遥感解译和自动提取困难,然而,深度学习方法能获取上下文多尺度语义信息,提高特征表达的能力,为融冻泥流阶地的大范围提取提供了重要手段。因此,本文提出了一种基于DeepLab V3+深度学习模型和高分辨率光学遥感影像的融冻泥流阶地自动提取方法,并在四川甘孜州新都桥周边地区开展了实验研究。结果表明：与人工解译结果对比,本方法提取结果的综合精度达到0.68以上,并经野外调查验证了其有效性;在该区共识别了9 203条融冻泥流阶地,主要分布在新都桥镇附近的山谷两侧;泥流阶地主要朝西北方向,坡度集中分布在20°~25°,海拔高程大部分位于3 650~3 750 m间,主要地表覆盖类型是草地。     

机器学习在水系沉积物地球化学采样下伏基岩填图中的应用

为了探索高效且能大区域应用的基岩填图方式，本文整合水系沉积物地球化学数据和局部空间Moran’s I指数、高程、坡度、坡向变率、高磁、断层、矿点、水系等多元地学数据作为附加特征，采用浅层机器学习决策树及其Bagging和Boosting集成算法，以及深度学习的图卷积网络，分别训练了不同的基岩判别模型。结果表明，相比浅层机器学习的决策树及其集成算法，深度学习的图卷积神经网络基岩判别模型仅使用20%带标签数据就获得了最高的78.31%判别精度。应用基于图卷积网络的基岩类型判别模型对察汗乌苏河地区第四系覆盖物下伏基岩填图，预测结果与其周边基岩类型协调一致，该模型可用来探究更全面的区域基岩分布情况。     

基于梯度提升决策树(GBDT)算法的岩性识别技术

对覆盖区下伏岩体的有效识别是实现深部找矿突破的关键,近年来机器学习理论的发展为岩性识别提供了新的思路。梯度提升决策树(GBDT)算法是以决策树为基函数的集成学习方法,算法通过将学习得到的多个树模型进行集成,可以达到同时减少模型方差和偏差的效果。本文以地球化学元素数据为基础,利用GBDT算法进行岩性识别研究,并将所得结果与KNN、SVM和决策树3种机器学习算法进行对比,结果表明,针对岩性识别问题,GBDT算法具有更高的精度,可以作为岩性识别的参考技术,具有一定的推广和应用价值。     

基于深度学习的深层次矿化信息挖掘与集成

矿产预测的核心是对地学空间数据进行特征提取与集成融合,当前的研究热点和前沿聚焦于深层次矿化信息特征提取与集成。进入大数据时代,如何基于机器学习开展深层次矿化信息挖掘与集成是当前矿产预测的前沿领域。本文介绍了基于机器学习的矿产预测与评价研究的主要内容,深度学习的基本原理,以及深度学习在地球化学异常识别和多源找矿信息集成融合中的应用。研究结果表明,深度学习可有效识别和提取地球化学异常,并能对地质、地球物理、地球化学等多源地学数据进行特征提取、集成融合及找矿远景区圈定。尽管如此,如何把深度学习与地质约束有机结合,使其既能有效挖掘与集成深层次矿化信息,又符合地质认知,还需要更加深入的研究。     

面向地球化学异常识别的深度学习算法对比研究

针对选用不同网络结构的深度学习算法进行地球化学异常识别，重构符合成矿分布的地球化学背景时选择依据较少的问题，本文基于闽西南铜锌银成矿区1∶20万水系沉积物数据，采用3种无监督深度学习模型AE、MCAE、FCAE,分别提取了样本中多元素的组合结构特征、空间分布特征以及混合特征，并基于其重构地球化学背景，模拟成矿分布。结果显示，FCAE模型圈定的异常区域与已知铜矿点最贴合，其次是MCAE模型和AE模型，其AUC值分别为0.80、0.78、0.61,且FCAE模型和AE模型对卷积窗口尺寸变化不敏感；说明面向地球化学异常识别构建深度学习算法时，基于提取空间分布特征或混合特征的算法综合表现较好，且基于提取组合结构特征或混合特征的算法对由观测空间尺度变化或不一致引起的噪声有较强抗干扰能力。本文为因地制宜地构建基于深度学习算法的地球化学异常识别模型提供了有效依据。     

基于深度学习的地质找矿大数据挖掘与集成的挑战

基于深度学习的地质找矿信息挖掘与集成已经成为数学地球科学的前沿领域.深度学习作为一种具有多级非线性变换的层级机器学习算法,在地质找矿大数据挖掘与集成中仍处于探索阶段,还有一系列问题亟需解决.以卷积神经网络为例,探讨了基于深度学习的地质找矿大数据挖掘与集成过程中两大挑战:训练样本不足和深度学习网络模型构建困难,重点分析了基于复制和添加噪声的地质找矿数据增强技术并开展了多组对比实验,构建了适用于地质找矿大数据挖掘与集成的训练样本和卷积神经网络模型.该模型对闽西南铁多金属成矿区的地质、地球物理和地球化学等多源数据进行了特征提取与集成融合,圈定了找矿远景区,为该区进一步找矿提供了科学依据.      

耦合颜色和纹理特征的矿物图像数据深度学习模型与智能识别方法

在野外地质勘探过程中,矿物识别是一项重要的任务。但是在复杂的地质勘探条件下准确识别矿物是一项极具挑战性的任务。本文首先结合矿物知识,对图像中矿物的颜色和亮度进行判别,从而强化矿物图像的纹理特征,基于强化后的纹理特征,利用深度学习模型和迁移学习方法建立矿物深度学习模型;同时利用K-means算法提取矿物颜色特征,建立颜色特征模型;最终基于矿物识别深度学习模型和颜色特征模型,建立矿物图像的耦合识别模型,提出了一套完整的矿物智能识别分析方法。在深度学习模型建立过程中,共对19类矿物,总计6203张图像进行了训练,同时使用456张图像对耦合模型进行测试,其top-1准确率和top-3准确率分别达到72.2%和91.2%。基于所训练的模型,在Android系统开发了矿物图像智能识别应用系统,主要由矿物识别、矿物知识卡和矿物资料存储三个模块组成,提供矿物实时识别、矿物基础知识及实时储存等功能。作为野外地质勘察的辅助工具,此应用可以减少重复劳动,提升野外地质勘察的数字化和信息化水平。     

基于融合特征选择算法的钻速预测模型研究

钻速预测是钻井优化的重要组成部分,机器学习算法是当前实现准确钻速预测的重要手段,准确的特征选择是保证机器学习精度的关键途径。基于南海某井眼的实际钻井数据,本文采用一种融合特征选择法从钻井特征参数中选出井径、钻井液出口温度、钻井液入口密度、钻井液出口密度、K值、塑性粘度、滤失量、上覆压力、孔隙压力、和喷嘴等效直径共10种参数。将优选出的参数作为模型输入,引入集成的梯度提升树（Gradient Boosting Decision Tree,GBDT）算法建立机械钻速预测模型。将建立的模型与常规机器学习算法模型进行对比试验。试验结果显示,所提出的融合特征选择算法模型精度较全特征模型高2%,较常用机器学习模型平均高14.5%,该研究为钻井参数的准确、快速寻优提供了有效解决方案,对提高钻进速率具有一定的指导意义和实际应用价值。     

地质领域机器学习、深度学习及实现语言

地质大数据正在以指数形式增长。只有发展智能数据处理方法才有可能追上大数据的超常增长。机器学习是人工智能的核心,是使计算机具有智能的根本途径。机器学习已成为地质大数据研究的前沿热点,它将让地质大数据插上翅膀,并因此改变地质。机器学习是一个源于数据的模型的训练过程,最终给出一个面向某种性能度量的决策。深度学习是机器学习研究中的一个重要子类,它通过构建具有很多隐层的机器学习模型和海量的训练数据,来学习更有用的特征,从而最终提升分类或预测的准确性。卷积神经网络算法是最为常用的一种深度学习算法之一,它广泛用于图像识别和语音分析等。Python语言在科学领域的地位占据着越来越重要。其下的Scikit-Learn是一个机器学习相关的库,提供有数据预处理、分类、回归、聚类、预测、模型分析等算法。Keras是一个基于Theano/Tensorflow的深度学习库,可以应用来搭建简洁的人工神经网络。     

青藏高原融冻泥流型滑坡灾害及其稳定性评价方法

青藏高原多年冻土地区融冻泥流型滑坡属于长度与深度之比为无限大的浅层滑坡,应用无限斜坡分析方法研究滑坡的稳定性是完全合适的。考虑渗流方向与斜坡方向一致的情况,应用有效应力原理,本文推导出不同含水条件下融冻泥流型滑坡安全系数的解析表达式,绘制出了干土坡和完全饱水土坡稳定性分析图表,并对青藏公路K30 35里程融冻泥流型滑坡进行了稳定性分析及评价。      

机器学习算法在地球物理测井中的适用性及应用

机器学习，特别是深度神经网络学习算法的发展，正在改变人们发现知识的方式。目前油气工业正在向转向非常规和深海的油气勘探和开发。基于有限岩石物理参数建立的评价解释模型难以满足反映非常规储层复杂的岩性和结构，这使传统测井评价技术受到了很大的挑战。以油气大数据为基础、机器学习算法为核心、油气大数据云计算为动力以及油气应用场景为源泉的油气人工智能（Oil&Gas AI）极大地改变传统的油气工业各个领域。笔者以地球物理测井为研究对象，依据数据驱动的地球物理知识发现原理和机器学习属性，按照“数据–算法–平台–知识–应用场景”研究思路，开展机器学习算法在测井技术中的适用性研究。对机器算法的内在特性、原理、质量控制、硬件要求，学习模型选择、测试以及性能评价实现过程进行分析。笔者梳理和总结了机器学习算法在测井中适用性的树状图，尤其是在油气测井的方法研究、数据处理以及地层评价中的应用潜力与机器学习算法对应关系，其中包括数据校正的模拟方法、数据标定的岩石物理分析、测井数据质量控制、综合评价以及油藏评价监测。研究表明，机器学习算法在岩性识别与储层分类、力学评价、以及油藏评价等方面应用有明显的优势，贯穿于...     

基于多源遥感数据的第四系覆盖物分类方法研究:以内蒙古旗杆甸子幅1∶5万填图试点为例

遥感图像分类技术对于荒漠草原浅覆盖区第四系覆盖物分类具有重要意义。以内蒙古旗杆甸子幅1∶5万填图试点为例,基于ASTER、GF-2等多源遥感数据,利用植被抑制法、波段比值法、主成分分析以及纹理信息提取等多种方法,充分考虑了多光谱数据的光谱信息和高分辨率数据的形状、空间结构、纹理信息等特征,结合面向对象分类法,对研究区第四系覆盖物进行了分类,并比较分析了不同分类方法的分类效果与精度。结果表明:将波段比值、主成分分析以及纹理分析多种特征作为辅助数据参与分类,其分类效果优于基于单一ASTER数据进行的分类;通过几种不同分类方法的比较分析,发现多特征面向对象分类的总体精度最高,达到85.40%,比多特征传统监督分类的总体精度提高了约11%,分类影像上地物边界清晰。该法分类技术可以为荒漠草原浅覆盖区的地质填图提供相关技术支持。     

青藏高原东北部青海玉树泥流滑坡特征和成因分析

青藏高原变暖变湿, 滑坡灾害频发, 严重影响区域工程建设、 生态环境和人类生产活动。泥流滑坡和热融滑塌、 融冻泥流是季节冻土区和多年冻土区的特殊滑坡类型, 形态上相似, 很难区分。同时, 对青藏高原泥流滑坡灾害关注程度低, 研究较少。以青海省玉树州称多县直美村2017年9月7日泥流滑坡事件为例, 利用实测数据、 多时相遥感影像和无人机数据等多源数据和雷达技术手段进行了调查和分析。研究表明： 滑坡发生在坡积扇, 主滑段平均厚度约5 m, 体积约2.4×10⁴ m³, 滑体的滑动方向和重力作用过程一致, 依据滑坡三级分类系统属于堆积土浅层小型牵引式滑坡, 其形成和发育与当地地质条件、 连续降水和冻融循环作用有关; 然后进一步总结泥流滑坡、 热融滑塌和融冻泥流的特征, 认为玉树滑坡是季节冻土区的泥流滑坡。该研究有助于提高人们对泥流滑坡和青藏高原斜坡灾害的科学认识。     

基于光谱—空间特征的ASTER影像岩性分类研究——以甘肃北山白峡尼山地区为例

遥感岩性制图是地质填图中的重要工作,基于光谱特征的岩性分类易受到色调、纹理等因素影响导致精度不佳。前人进行岩性自动分类研究多关注影像的光谱特征,而忽略空间特征,笔者等基于甘肃北山白峡尼山地区ASTER影像,将支持向量机、极限学习机两种机器学习分类方法与基于空间特征的快速漂移算法相结合进行岩性分类。结果表明支持向量机分类总体精度为89. 17%;极限学习机不但具有需调节参数少的优势,且分类精度和速度均优于支持向量机,分类总体精度达96. 70%;利用快速漂移算法提取的影像空间特征可有效减少错分区,提升岩性分类效果。研究证实将基于光谱特征的极限学习机和基于空间特征的快速漂移算法结合的岩性分类方法具有客观、高效、高精度等优势,可为后续地质填图和找矿勘查工作提供可靠数据支撑,在遥感岩性分类领域具有较高的推广价值。     

基于光谱—空间特征的ASTER影像岩性分类研究——以甘肃北山白峡尼山地区为例

遥感岩性制图是地质填图中的重要工作,基于光谱特征的岩性分类易受到色调、纹理等因素影响导致精度不佳。前人进行岩性自动分类研究多关注影像的光谱特征,而忽略空间特征,笔者等基于甘肃北山白峡尼山地区ASTER影像,将支持向量机、极限学习机两种机器学习分类方法与基于空间特征的快速漂移算法相结合进行岩性分类。结果表明支持向量机分类总体精度为89.17%;极限学习机不但具有需调节参数少的优势,且分类精度和速度均优于支持向量机,分类总体精度达96.70%;利用快速漂移算法提取的影像空间特征可有效减少错分区,提升岩性分类效果。研究证实将基于光谱特征的极限学习机和基于空间特征的快速漂移算法结合的岩性分类方法具有客观、高效、高精度等优势,可为后续地质填图和找矿勘查工作提供可靠数据支撑,在遥感岩性分类领域具有较高的推广价值。     

基于深度特征的双极化SAR遥感图像岩性自动分类

基于像元基元、极化合成孔径雷达（Synthetic Aperture Radar,SAR）数据和传统机器学习算法的岩性分类方法,易受SAR图像固有斑点噪声影响,精度不高.为了降低噪声的影响,本研究以大尺度像元邻域为基元,用于表征地表地质体的遥感图像特征和岩性语义信息;采用高分三号双极化SAR数据进行极化分解构建3通道假彩色合成影像;然后采用深度卷积神经网络（Deep Convolutional Neural Network,DCNN）迁移学习的方法,提取有效的深度特征表示,分别实现5 m和15 m两种空间分辨率下岩性遥感自动分类.结果表明:基于不同分辨率数据和不同DCNN算法,岩性遥感自动分类的总精度均大于80%,最高精度达到91%.基于大尺度像元邻域和DCNN迁移学习方法,能够实现基于SAR数据的高精度岩性分类.      

基于融合算法的土石混合体斜坡稳定性预测

土石混合体是物理力学性质较为复杂的地质材料,因此该类斜坡的稳定性评价是工程地质领域的重要课题。为提高斜坡稳定性预测的能力,本文将粒子群算法和果蝇优化算法相互耦合,形成融合算法,并结合机器学习模型,使用决定系数、均方误差和平均绝对误差3个评价指标,构建并评价土石混合体斜坡稳定性的预测模型,最终采用基于融合算法的梯度提升决策树模型对输入参数进行了重要性分析。结果表明:(1)相比于粒子群和果蝇优化算法,融合算法能够有效优化机器学习模型的参数,从而较为明显地提升模型预测精度。(2)基于融合算法的梯度提升决策树模型预测精度最高,达到93.33%,明显优于融合算法下的决策树模型和Stacking模型。(3)影响土石混合体斜坡稳定性的结构因素,其重要性从高到低分别为基覆面倾角、含石率、总体坡角、坡高。     

基于变分模态分解的机器学习模型择优风速预测系统

精准的风速预报对风力发电系统具有重要意义,但风速信号自身固有的随机性使其波动复杂且不可控,以往的研究采用单一或固定的组合模型很难把握风速序列的特征.提出一种基于分解的机器学习模型择优风速预测系统,采用变分模态分解算法降低原始风速序列的复杂度.进而利用模糊神经网络、非线性自回归神经网络、Elman神经网络、反向传播神经网络和自回归差分移动平均模型构成机器学习模型择优系统,分别对子序列的验证集进行预测,通过均方根误差等性能指数选择其最优模型,提高了整体模型的预测精度.试验采用宁夏地区4个站点的实测风速数据,仿真实验结果表明,所提模型相比于单模型以及较新的深度学习组合模型,具有更高的预测精度.     

GA-BP神经网络模型在彬长矿区测井岩性识别中的应用

为提高测井岩性识别的自动化程度和地质解释精度,在分析遗传算法(Genetic Algorithm,简称GA)与误差反向传播算法(Back-Propagation,简称BP)各自特性的基础上,针对BP算法在反演中测井数据识别样本大以及BP算法本身存在的缺陷,提出了利用GA算法来同时优化BP神经网络的结构和连接权值的解决方案,建立了基于GA优化BP神经网络的测井数据岩性识别模型。该模型通过彬长矿区实际数据的检验,获得了较高的识别速度和准确率。      

基于谱聚类算法的三维激光点云数据分类研究

基于Z+F IMAGER 5010C扫描仪采集实验区点云数据,经栅格处理后,结合纹理和形状等信息,采用谱聚类算法对其进行分类,利用混淆矩阵中的Kappa系数对分类结果进行精度评价。通过与传统的K-means算法和高斯混合模型的分类结果进行对比,结果表明:谱聚类算法的分类效果明显,且分类精度较高,且加入纹理和形状信息的分类精度会高于仅含反射强度信息的分类精度,其总体分类精度达到81.36%,Kappa系数达到0.713 8。