CN101101338A - 一种油气勘探方法及系统 - Google Patents

Abstract

本发明提供一种油气勘探方法及系统，用于解决航天或航空高光谱遥感油气勘探的问题。所述方法包括以下步骤：利用地面光谱仪测量研究区内地面地物光谱数据；利用数字相机采集研究区内地面地物描述数据；采集地表样品数据和测量条件数据；利用便携GPS采集研究区内地面被测地物坐标数据；根据所述的地物光谱数据、地物描述数据、地表样品数据、测量条件数和被测地物坐标数据生成研究区内地面地物光谱数据库；利用卫星或飞机搭载的高光谱成像仪采集研究区内地物高光谱遥感图像数据；对所述地面地物光谱数据库的数据及地物高光谱遥感图像数据进行处理，获得油气勘探靶区数据。

Description

一种油气勘探方法及系统

技术领域

本发明关于油气勘探技术，特别是关于在地表存在油气微渗漏现象的研究区进行高光谱遥感油气勘探的技术，具体的讲是一种油气勘探方法及系统。

背景技术

高光谱遥感技术是20世纪80年代在传统多光谱遥感技术基础上发展起来的新一代遥感技术。20多年来，通过遥感器技术的发展和大量的航天、航空遥感实验，使得该项技术逐步成熟，目前已经进入应用阶段，在地质普查与资源勘探、军事侦察、环境变化监测、精细农业、林业资源调查等诸多领域得到了广泛的应用。

借助于常规油气勘探方法(地震、重力、磁力、电法以及其他物化探方法)，预探井成功率仅在30％左右；而每少打一口废井，在中国西北地区，至少可以节省100万的勘探成本。因此，在油气资源日益紧缺的今天，高效的油气勘探方法已经成为极为关键、亟待发展的技术之一。

在现有技术中，航空或航天高光谱遥感油气勘探的探索性研究和实践已经开始；然而尚无案例表明航天高光谱遥感油气勘探的有效性。

发明内容

本发明提供一种油气勘探方法及系统，用于解决航空或航天高光谱遥感油气勘探的问题。本发明的技术方案为：

一种油气勘探方法，所述方法包括以下步骤：利用地面光谱仪测量研究区内地面地物光谱数据；利用数字相机采集研究区内地面地物描述数据、地表样品数据和测量条件数据；利用便携GPS采集研究区内地面被测地物坐标数据；根据所述的地物光谱数据、地物描述数据、地表样品数据、测量条件数和被测地物坐标数据生成研究区内地面地物光谱数据库；利用卫星或飞机搭载的的高光谱成像仪采集研究区内地物高光谱遥感图像数据；对所述地面地物光谱数据库的数据及地物高光谱遥感图像数据进行处理，获得油气勘探靶区数据。

一种油气勘探系统，所述系统包括：地面光谱仪，用于测量研究区内地面地物光谱数据；数字相机，用于采集研究区内地面地物描述数据；同时采集地表样品数据、地表样品数据和测量条件数据；便携GPS，用于采集研究区内地面被测地物坐标数据；便携式电脑，用于根据所述的地物光谱数据、地物描述数据、地表样品数据、测量条件数和被测地物坐标数据生成研究区内野外地物光谱数据库；卫星或飞机搭载的高光谱成像仪，用于采集研究区内地物高光谱遥感数据；油气分析计算机，用于对所述地物光谱数据库的数据及地物高光谱遥感数据进行处理，获得油气勘探靶区数据。

本发明的有益效果在于：通过野外实测光谱较高的信噪比和光谱分辨力有助于确定研究区油气微渗漏现象的存在及其表现形式，确保油气相关地表异常的光谱特征的准确提取，从而最终建立研究区油气微渗漏特征光谱模型；Hyperion(航天高光谱)数据较高的空间分辨力有助于确保由卫星或飞机搭载的高光谱图像分析得到的地表异常在空间分布上较好的连续性，继而结合地质解译，更好地给出地表异常的空间分布规律。本发明分别利用上述两种数据源进行分析研究，最终进行综合分析，高效地获取油气勘探靶区。

附图说明

图1是本发明实施例系统结构图；

图2是本发明实施例地面测量装备示意图；

图3是本发明实施例数据库逻辑结构图；

图4是本发明实施例高光谱图像分析流程图；

图5是预处理流程图；

图6是去条带流程图；

图7是选取GCP点流程图；

图8是小波PCA混合降维流程图；

图9是小波Fisher特征提取流程图；

图10是基于小波PCA分类流程图；

图11是基于小波Fisher分类流程图；

图12是基于油气微渗漏诊断性局部特征分类结构框图；

图13是预测勘探靶区流程图。

具体实施方式

下面结合附图说明本发明的具体实施方式。如图1所示，本发明实施例的一种油气勘探系统包括：地面光谱仪，用于测量研究区内地面地物光谱数据；数字相机，用于采集研究区内地面地物描述数据；同时采集地表样品数据和测量条件数据；便携GPS，用于采集研究区内地面被测地物坐标数据；便携式电脑，用于根据所述的地物光谱数据、地物描述数据、地表样品数据、测量条件数和被测地物坐标数据生成研究区内野外地物光谱数据库；卫星或飞机搭载的高光谱成像仪，用于采集研究区内地物高光谱遥感数据；油气分析计算机，用于对所述地物光谱数据库的数据及地物高光谱遥感数据进行处理，获得油气勘探靶区数据。

本发明实施例的地面光谱仪为FieldSpec Pro FR光谱仪，卫星或飞机搭载的高光谱成像仪为EO-1卫星或飞机搭载的上搭载的Hyperion高光谱仪。本发明实施的野外光谱测量充分考虑到云量、太阳高度角、照度等因素的影响，用以保证野外实测光谱数据的完整和真实；而Hyperion是目前唯一在轨的集高空间与高光谱分辨力的商用航天成像光谱仪。由Hyperion高光谱数据得到的异常具有较高的空间分辨力，进而可以得到更为可靠的油气微渗漏共生异常的分布。

如图2所示，利用地面光谱仪到野外(同步)测定各种覆被类型的光谱值，可采用如表1所列的装备。                    表1

名称	数量(台)
		ASD野外光谱议	2
手持GPS	2

数码相机	2
		笔记本电脑	3
三菱越野车	2

其中，FieldSpec Pro FR光谱仪相关技术参数如表2所示：

                            表2

光谱范围(nm)	光谱分辨率(nm)	噪声等效功率(W/cm2·nm·sr)	信噪比
				350-2,500	3(350-1,050nm)10(1,000-2,500nm)	1.4×10-9@700nm2.4×10-9@1400nm8.8×10-9@2100nm	15,000∶1@700nm5,000∶1@1400nm2,000∶1@2100nm

其中，Hyperion高光谱仪相关技术参数如表3所示：

                                表3

光谱范围(nm)	光谱分辨率(nm)	信噪比
			357-2,576	10	190∶1(VNIR)40∶1(SWIR)

在地面测量时，可选择的采用以下测量方案：每个测点采集5个地物目标数据，5个标准板数据，对每个测点进行详细地质描述和记录，采集远景和近景照片各1张，并根据实际情况和需要对测点采样。

测量工作选取天气晴朗、云量小的天气开展工作，或阴转晴后天空亮度较大、太阳照度较稳定的时段进行。进行数据整理，即将所测光谱和照片按测线、测点整理成电子文档，保证海量数据的有序性。并将实测点和采样点按坐标投影到设计图上，做成实际材料图。

对于在研究区采集的土壤样品进行矿物X-射线衍射分析(其中选取1/5地下1m的样品，用于与地表样品比较异常程度)，通过对于化学分析(X-射线衍射分析)结果的统计分析，可以确定研究区是否存在油气微渗漏现象，以及它在地表的表现形式。

利用C#和Access建立地物光谱数据库。其中：对野外地质调察数据、地物光谱测量数据、样品数据等进行集中存储、管理、查询；光谱数据库设计的概念模型由数据实体、数据库功能(管理、处理、分析和应用模型等)和数据库应用构成。依据发明需求，其数据处理主要采用ENVI，因此，对数据库的接口必须与ENVI建立无缝连接。

数据库逻辑结构与物理结构见图3，其内容有：

1)地物目标测量描述表

用于记录对地物目标测量时，对所有地物共性的一般描述，如空间位置(经纬度、海拔)、测量位置、测量仪器等。

2)地物光谱记录表

只记录测量样本的光谱数据，以及光谱特征描述。

3)样品属性描述表

描述地表样品外表特征，如结构、构造、地质时代、蚀变特征等。

4)地物物理构成表

描述所测地物的构成，其百分比的组分是由样品化学分析得到。

5)测量设备参数表

记录在野外光谱测量时所使用仪器及其技术指标参数。

6)测量环境参数表

如图4所示，测量目标时，记录目标背景的大气参数，用于对Hyperion遥感数据进行辐射校正时的参数提取。

Hyperion是一推扫式传感器。它有220个独立的光谱通道，光谱覆盖范围是356～2577nm。Level 1R辐亮度数据共有242个谱段，其中198个谱段经过定标，因为可见光/近红外(VNIR)和短波红外(SWIR)两传感器焦平面波段有部分交叠，所以共有196个独立通道，包括VNIR区间是8～57个谱段，以及SWIR区间是79～224个谱段。部分谱段未能定标的原因是探测器在那几个谱段的响应太低。Hyperion数据的谱段光谱分辨力为10nm，空间分辨力为30m，很适合地质找矿的需要。

遥感数字图像是由一系列像素组成，每个像素用一数值(DN，Digital Number)表示，称为像素的亮度值或灰度值。

高光谱数据的存储格式分为BSQ(Band Sequential Format)、BIL(Band Interleaved by Line Format)、BIP(Band Interleaved by PixelFormat)。如图4，图5所示，本章首先将Hyperion L1R数据另存为ENVI标准格式BIL，然后选择其中有效的196个波段，接下来进行Hyperion数据的预处理，包括去除死像素列、去除条带噪声、去噪、辐射校正等。

Hyperion图像预处理技术思路如图5所示，之所以将降噪放在辐射校正之后，是因为辐射校正通常会放大噪声、降低信噪比。Hyperion数据几何校正中(旋转角约为12°)对于原始DN值的重采样，必然大大改变高光谱数据的原始光谱信息，影响到后续的图像分类精度。因此，本实施例的几何校正不在预处理中进行，而是对经大气辐射校正、分类、信息提取后的成图数据进行校正。

由于本发明的最终目标是提取研究区地表微弱的油气共生异常，而且Hyperion图像的空间分辨力是30m，大面积的均化使得油气特征更加微弱，因此本实施例的图像预处理算法设计中，必须保证精确地去除噪声，尽量减少有用信息的损失；即：不能以牺牲有用信息为代价完成降噪处理。

在Hyperion数据196个可用谱段中，个别通道存在坏的探测元，导致其对应的采样像素列不响应，DN值为零。这些未响应的像素列称为死像素列。

在Hyperion数据的196个可用谱段中，B94-col 92(94谱段92列，下同)、B99-col 91、B116-col 137、B165-col 147、B190-col 112、B200-col 7、B201-col 7、B203-col 114为死像素列。如果在预处理阶段不将死像素列去除，则该列一定会在特征提取和图像分析时被作为异常提取出来，这将严重干扰后续的分类结果。

因为Hyperion数据的光谱分辨力较高，为10nm，前后谱段之间DN值的变化可近似看成线性变化，故而本实施例采用了光谱线性插值的方法——将存在死像素列的谱段作为需校正谱段，利用需校正谱段前后谱段的DN值，进行线性插值运算，给死像素列像素赋值。

对于Hyperion图像，也可采用空间邻域插值的方法，即对需校正谱段死像素列左右两列的DN值进行线性插值运算，实现死像素列的赋值。

条带噪声是一种在空间域周期性地重复出现于图像中的噪声现象，主要是由于光谱仪内各CCD在光谱响应区内的响应函数不一致、数据系统内定标的一些轻微错误、仪器及元件的老化及传感器对信号响应的随机波动等几个主要原因造成的。

Hyperion光谱仪系统中CCD的排列方式是垂直于航迹方向，并采用推扫式的对地观测方式。在相同光谱入射量的条件下，由于每一行中的每个传感器的光谱响应值不同，导致在每个谱段上出现了竖的条纹，即列向条带噪声。

条带噪声去除方法采用：增益与偏差算法、直方图匹配法、多项式拟合法、主成分变换法、矩匹配法、空间-频率域的滤波方法等，其中：

本实施例采用增益与偏差算法，增益与偏差算法是通过计算增益和偏差来校正探测器阵列每一个探测元的响应非均匀性，算法选择一个参考值(Reference Value)，使得各列的均值和标准差都更接近参考值，从而达到去除条带噪声的目的。

本实施例选用待处理列附近若干列所构成的邻域的均值和标准差作为参考值，使得去除条带后，新的DN值更接近其附近像素值，从而最大程度地恢复原始DN值，即为局部去条带法。

基于对于Hyperion数据中VNIR和SWIR波段的统计分析，发现：前者中的条带噪声通常单独一列出现，而后者中的条带噪声通常几列连续出现而呈现一个条带噪声区块。由此，对于两个波段的数据进行局部去条带处理时，采用不同宽度的邻域来统计参考值。显然SWIR波段的邻域宽度应该更宽。

同时图像中少数像素列具有非常明显的条带特征，而且不是死像素列，这些列的存在会给参考值的统计带来较大误差。将这些列称为显著条带，并且利用式(1)定义的阈值将其检出，然后借助相邻几列所构成邻域的中值对其进行调整；另外，图像左右边界的几列往往带有较大噪声，因为其位于谱段图像的边界，所以无法取其左右几列的邻域进行局部去条带，采用全局条带法统计的增益和偏差对其进行修正：

$\mathrm{Threshold}=\frac{|{\mathrm{\μ}}_j-l_{\mathrm{med}}\left({\mathrm{\μ}}_j\right)|}{l_{\mathrm{med}}\left({\mathrm{\σ}}_j\right)}---\left(1\right)$

式中，μ_j和σ_j分别为各列均值及标准差，l_med(μ_j)和l_med(σ_j)分别为相邻几列所构成邻域的均值及标准差的中值。

多项式拟合方法是，基于对谱段各列列均值的统计，采用多项式拟合的方法，获得最接近的拟合曲线。拟合后的列均值与原列均值的差值作为校正偏差，该谱段的每一像素减去其所在列的校正偏差，即实现了该谱段图像的去条带处理。

当该方法适当选取多项式拟合次数时，可以在进一步除去条带噪声(表现为列均值曲线上的毛刺和突变)的同时，很好地保留或者恢复原有的图像灰度分布信息。

至此，本实施例建立了Hyperion数据的去条带流程，如图6。值得注意的是，若图像上出现灰度值极高的云，或者灰度值极低的大面积水体及云影时，必须单独考虑它们对图像整体灰度值的影响，不能以一般方法统一处理。比较简单可行的方法是，利用掩膜(即MASK蒙层)技术，使得表征此类物质的像素不参与统计，以免使得去条带处理后图像灰度分布失真。

从卫星或飞机搭载的遥感器(Hyperion)在大气顶所接收到的大气和地表混合信号中提取地表本身的信息，这一过程被称为大气辐射校正。只有经过准确的大气辐射校正得到的地表反射率，才可以作为反映地表物质组成和结构的本征参数；该地表反射率真正独立于太阳和大气状态，成为进一步应用研究的基础。

在进行遥感数据的大气辐射校正时，利用同一遥感器(Hyperion)获取的高光谱信息的特定通道或通道组合，来提取诸如大气水汽含量、大气臭氧含量、大气气溶胶光学厚度等大气辐射传输过程所必需的输入参数，再利用辐射传输模型对观测数据进行精确的辐射校正。这种处理方法的特点是：用于大气辐射校正的大气光学特性参数来自于同一传感器同时测量数据的反演，具有很高的时间同步精度；同时，可以逐像素地反演大气水汽含量，得到时空变化频繁的大气水汽含量的空间分布，大大提高了大气辐射校正精度。

Hyperion数据的信噪比是根据谱段不同而差异悬殊。在VNIR波段，它的信噪比可达190∶1，而在SWIR波段，其信噪比低于40∶1。除了前述的条带噪声外，Hyperion数据中还存在系统噪声和随机噪声；同时，大气辐射校正必然带来一定数量的噪声。

本发明的波段范围是信噪比最低的SWIR区域，本实施例采用EFFORT(Empirical Flat Field Optimized ReflectanceTransformation)算法去除系统噪声，然后采用MNF(Minimum NoiseFraction)算法去除随机噪声，最后将大气辐射校正所产生的残留误差较多的谱段除去(该谱段通常位于水汽吸收波段)，从而选定155个谱段(见表4)，最终完成了Hyperion数据的预处理。

表4为预处理最终选定波段：

                                表4

区域	波段	波长(nm)
			VNIR	10～56	447.17～915.23
82～97	942.73～1114.18
		SWIR		101～119	1154.58～1336.15
134～164	1487.53～1790.19
			182～221	1971.76～2365.21

由于受到测量方法、传感器、所用模型以及数据处理过程中的校正精度的限制，在高光谱反射率数据中通常会出现系统噪声或误差。这些累计误差可能只占每个谱段的几个百分点，但是却会导致整个反射率数据的绝对精度远远低于原始数据的实际精度。对反射率数据进行测定和适度修整时，采用EFFORT算法进行反射率变换，从而使波谱曲线更加近似于真实地物的波谱曲线。

MNF算法本质上是两次层叠的主成分变换。第一次变换(基于估计的噪声协方差矩阵)用于分离和重新调节数据中的噪声；第二步是对噪声白化数据的标准主成分变换。由此，数据空间被分成两部分：一部分是较大特征值对应的特征图像，其他部分则是较小特征值对应的噪声图像。由于Hyperion数据VNIR和SWIR波段的数据信噪比差异很大，所以在MNF降噪过程中，将两者分别处理，然后再将其加以合成。

遥感图像通常包含严重的几何变形。系统性几何变形是有规律和可以预测的，因此可应用模拟遥感平台及遥感器内部变形的数学公式或模型来预测。本实施例对8景Hyperion的高光谱影像采用多项式校正方法进行几何校正。目标数据是经大气辐射校正、分类、信息提取后的成图数据(地面像素分辨力为30m)。几何校正时在ASTER卫星图像上选取地面控制点，每景Hyperion图像选取20～30个控制点，整个工作区内选取160～240个地面控制点；控制点在地形图上的分布比较均匀。其过程如图7所示：

利用畸变的遥感图像与基准图像(ASTER)之间的GCP对应点，求得这个几何畸变模型(最小二乘法二次多项式校正模型)，然后利用此模型进行几何畸变的校正。这种校正不考虑畸变的具体原因，而只考虑如何利用畸变模型来校正图像。

图像镶嵌时，如果对影像直接拼接会发现切割线(即拼接线)过渡明显，两侧亮度的差异十分明显。这是由于遥感影像获取的条件不同，不同景影像在某些方面存在较大差异，如色彩、亮度等。为了使得镶嵌图像的连续性得到增强，削弱切割线附近的明显差异，图像镶嵌时大多采用各种无缝过渡算法，羽化切割线周围区域。常用的算法为：中值滤波法、小波变换法、加权平滑法等。

本实施例采用的是加权平滑法：影像重叠区域中像素点的灰度值DN(x，y)由两幅图像中对应点的灰度值DN₁(x，y)和DN₂(x，y)加权平均得到，即：

DN(x，y)＝k×DN₁(x，y)+(1-k)×DN₂(x，y)             (2)

其中k是渐变因子，满足条件：0＜k＜1。在切割线左右一定范围内设定平滑区域，区域内点上k值按离切割线距离而渐变，在切割线上k值为0.5。由此实现了在重叠区域中由左到右的平滑拼接。

由于所使用Hyperion图像是窄长的矩形，两景间的重叠区域均较为窄长，且上下宽度大小变化较大。因此，对于加权平滑法进行了改进。在处理时取影像重叠区每一行最左点及最右点之间(间隔为L)做线性加权平滑羽化，其平滑区域基本涵盖了影像重叠区域。

该方法表示为：

$\mathrm{DN}(x,y)=\frac{x-x^{\′}}{x^{\′\′}-x^{\′}}\×{\mathrm{DN}}_1(x,y)+\frac{x^{\′\′}-x}{x^{\′\′}-x^{\′}}\×{\mathrm{DN}}_2(x,y)---\left(3\right)$

其中，x′、x″分别为y列上重叠区域的两个端点位置，L＝x″-x′。

在进行特征提取时，本实施例所采用的算法，是对图像中每个像素所对应的光谱进行离散小波变换，这不单单可以减少数据量，同时也可保留细微的光谱特征差异。针对Hyperion数据的特点和本发明提取微弱油气特征的需求，具体的算法流程见图8。

首先，选取合适的小波基。本文选用多种小波基进行比较，对每个原始光谱进行n层小波分解。由于第一、二层分解后的细节小波系数绝大多数为噪声信息，所以忽略不计。保留第n层分解后的近似小波系数(低频信息)及第l～n(本文中n＝4，l＝3)层分解后的细节小波系数(高频信息)。

然后将保留下来的小波系数进行谱段间光谱信息的去相关，即进行PCA运算；根据分类精度的需要，选择需要保留的主成分数目。

混合变换的最大优势是能够为最终分类考虑相邻类像素间的局部空间信息，这是单纯使用小波降维所不能提供的。小波分解与PCA结合的另一优势就是可以大大降低高光谱数据维数，减少计算量，提高计算效率。

本实施例选择适当的参数(如小波基、分解层数和近似特征个数等)，以实现小波Fisher特征提取/SFF特征选择系统。其实现过程如图9所示。具体步骤如下：

首先，对原始光谱信号进行n层小波分解，保留第n层分解后的近似小波系数，以及第l到n层的细节信号(由于第一、二层分解后的高频信息主要表现为噪声，故而舍弃)。本文中n＝4，l＝3。

其次，对保留下来的近似信息和细节信息进行Fisher’s线性识别，最多可保留c-1个可识别特征(c为实际地物的类别数)。保留c-1个可识别特征。

再次，计算m个近似小波系数的自相关值，获得m个自相关特征。

最后，将原本的m个近似特征、m个自相关特征与c-1个可识别特征结合，形成含有2m+c-1个特征的特征向量。使用上述SFF特征选择方法对2m+c-1个特征进行特征筛选，生成最优特征集。

基于小波PCA的分类过程见图10，具体步骤如下：

1)对目标图像进行粗分，利用K-均值自动聚类的方法粗分6～7类地物，得到K-均值分类图。

2)对粗分结果进行分析。观察分类图上各类地物的分布情况，结合彩色合成图上与各类地物对应的色调，从图像中直接选取各类地物样本。

3)对特征图像(特征提取后保留的前5个主成分)进行最大似然分类，即细分处理。分析各类地物的波谱特性以及地理地质情况，决定各类地物之间的合并或者细分关系，然后选取感兴趣区进行蒙层处理(即掩膜技术)。

4)只对感兴趣区进行自动K-均值聚类，从而提供新的训练样本，再进行最大似然分类。

5)不断重复步骤3)、4)，直到分类结果较为满意时，输出分类图。此图为全景分类图(多地物类别)，包括不感兴趣区域的分类结果。

6)由于本发明的目的是得到与气田区的油气微渗漏地表异常特征相似的区域，故而结合已知气田区的位置以及细分时与气田区吻合区域的分类情况，精选气田区样本，并不断改变似然比，仅对于该区域采用最大似然法精分。

基于小波Fisher的分类过程见图11。

基于油气微渗漏诊断性局部特征的分类过程见图12，具体步骤如下：

1)首先选择B195～B215共21个谱段，进行包络线去除；

2)分别提取每一个像素对应的光谱吸收峰的位置、深度和面积信息；

3)获取吸收峰位置位于(2.193、2.203、2.213μm)的像素；

4)进一步分析步骤3)中所获像素的吸收峰深度特征，输出吸收峰深度较大的像素；

5)接下来分析步骤4)中所获像素的吸收峰面积特征，输出吸收峰面积较大的像素，最终完成高光谱图像的粘土矿物蚀变异常区的圈定。

基于吸收峰的深度特征进行判别时，应借助于类内标准差曲线和像素的空间分布，慎重考察深度和面积最大的极少量像素(1％～2％)，这些像素通常是由客观因素(云、湿度)造成的误差点。若其对应的类内标准差很大，即类内距离大，说明类内各点特征差异很大，聚类效果差，因此将其作为误差数据除去。

通过地面测量，研究区存在油气微渗漏现象，它在地表的表现形式为粘土矿物蚀变异常、碳酸盐蚀变异常，以及烃类物质异常；基于野外实测的799条地表光谱的分析，证实了研究区内油气微渗漏引发的地表共生异常的光谱地面检测的可行性，验证了本文第五章所提出的包含3类分类算法的研究区内油气微渗漏特征光谱模型的有效性。

通过对于覆盖研究区的8景Hyperion图像的分析，证明研究区所存在的油气微渗漏现象可以通过高光谱遥感方法检测出来；建立了3种高光谱遥感图像分类系统(包括基于小波PCA的分类系统、基于小波Fisher的分类系统以及基于油气微渗漏诊断性局部特征的分类系统)，完成了油气微渗漏地表共生异常区的初步圈定。上述3种分类系统获得了与野外实测光谱分析基本一致的共生异常分布规律。

如前所述，野外实测光谱与Hyperion数据各有优势。为了充分发挥两种数据源的优势，并且在分析算法上相互验证指导，将二者的油气微渗漏引发的地表共生异常分析结果，加以综合，辅助以必要的地质解释，最终预测研究区内的油气勘探靶区。

基于野外实测光谱与卫星或飞机搭载的数据分析结果，提取油气微渗漏引发的共生异常点的空间分布的密度信息，生成综合异常图；然后辅助以必要的地质解释，生成油气微渗漏空间分布图；最终预测油气勘探靶区，分别位于研究区的西北部和西南部，具体流程见图13。

因此以上具体实施方式仅用于说明本发明，而非用于限定本发明。

Claims (14)

1.一种油气勘探方法，其特征是，所述方法包括以下步骤：

利用地面光谱仪测量研究区内地面地物光谱数据；

利用数字相机采集研究区内地面地物描述数据，采集地表样品数据和测量条件数据；

利用便携GPS采集研究区内地面被测地物坐标数据；

根据所述的地物光谱数据、地物描述数据、地表样品数据、测量条件数和被测地物坐标数据生成研究区内地面地物光谱数据库；

利用卫星或飞机搭载的高光谱成像仪采集研究区内地物高光谱遥感图像数据；

对所述地面地物光谱数据库的数据及地物高光谱遥感图像数据进行处理，获得油气勘探靶区数据。

2.根据权利要求1所述的方法，其特征是，所述的地面地物光谱数据库包括：

地物目标测量描述表，用于记录地物目标的空间位置、测量位置、测量仪器等地物共性的一般描述；

地物光谱记录表，用于记录测量样本的光谱数据，以及光谱特征描述；

样品属性描述表，用于描述地表样品的结构、构造、地质时代、蚀变特征等外表特征；

地物物理构成表，描述所测地物的构成；

测量设备参数表，用于记录在野外光谱测量时所使用仪器及其技术指标参数；

测量环境参数表，用于记录目标背景的大气参数，用于对卫星或飞机搭载的高光谱成像仪采集的遥感数据进行辐射校正时的参数提取。

3.根据权利要求1所述的方法，其特征是，对地物高光谱遥感图像数据进行处理包括：

高光谱遥感图像数据预处理步骤；

高光谱遥感图像数据特征提取步骤；

高光谱遥感图像数据分析步骤。

4.根据权利要求3所述的方法，其特征是，所述的高光谱遥感图像数据预处理步骤依次包括：

将高光谱遥感图像数据另存为ENVI标准格式，并选择其中有效的波段；

对高光谱遥感图像数据进行去除死像素列的处理；

对高光谱遥感图像数据进行去除条带噪声的处理；

对高光谱遥感图像数据进行辐射校正处理；

对高光谱遥感图像数据进行降噪处理。

5.根据权利要求3所述的方法，其特征是，所述的高光谱遥感图像数据特征提取步骤包括：

基于小波的PAC特征提取步骤；

基于小波的Fisher特征提取步骤。

6.根据权利要求3所述的方法，其特征是，所述的高光谱遥感图像数据分析步骤包括：

最大似然法分析处理步骤；

局部特征法分析处理步骤。

7.根据权利要求1所述的方法，其特征是，对所述地面地物光谱数据库的数据及地物高光谱遥感图像数据进行处理包括：

根据地面地物光谱数据库的数据及地物高光谱遥感图像数据，提取油气微渗漏引发的共生异常点的空间分布的密度信息，生成综合异常图；

根据相应的地质解释，生成油气微渗漏空间分布图；

根据所述的综合异常图和油气微渗漏空间分布图预测出油气勘探靶区。

8.一种油气勘探系统，其特征是，所述系统包括：

地面光谱仪，用于测量研究区内地面地物光谱数据；

数字相机，用于采集研究区内地面地物描述数据；

便携GPS，用于采集研究区内地面被测地物坐标数据；

便携式电脑，用于根据所述的地物光谱数据、地物描述数据、地表样品数据、测量条件数和被测地物坐标数据生成研究区内野外地物光谱数据库；

卫星或飞机搭载的高光谱成像仪，用于采集研究区内地物高光谱遥感数据；

油气分析计算机，用于对所述地物光谱数据库的数据及地物高光谱遥感数据进行处理，获得油气勘探靶区数据。

9.根据权利要求8所述的系统，其特征是，所述的地面地物光谱数据库包括：

地物目标测量描述表，用于记录地物目标的空间位置、测量位置、测量仪器等地物共性的一般描述；

地物光谱记录表，用于记录测量样本的光谱数据，以及光谱特征描述；

样品属性描述表，用于描述地表样品的结构、构造、地质时代、蚀变特征等外表特征；

地物物理构成表，描述所测地物的构成；

测量设备参数表，用于记录在野外光谱测量时所使用仪器及其技术指标参数；

测量环境参数表，用于记录目标背景的大气参数，用于对卫星或飞机搭载的高光谱成像仪采集的遥感数据进行辐射校正时的参数提取。

10.根据权利要求8所述的系统，其特征是，所述的油气分析计算机包括：

预处理单元，用于对高光谱遥感图像数据进行预处理；

特征提取单元，用于对高光谱遥感图像数据进行特征提取；

数据分析单元，用于对高光谱遥感图像数据进行分析。

11.根据权利要求10所述的系统，其特征是，所述的预处理单元包括：

格式转换模块，用于将高光谱遥感图像数据另存为ENVI标准格式，并选择其中有效的波段；

去除死像素列模块，用于对高光谱遥感图像数据进行去除死像素列的处理；

去除条带噪声模块，用于对高光谱遥感图像数据进行去除条带噪声的处理；

校正模块，用于对高光谱遥感图像数据进行辐射校正处理；

降噪模块，用于对高光谱遥感图像数据进行降噪处理。

12.根据权利要求10所述的系统，其特征是，所述的特征提取单元包括：

小波PAC模块，用于进行基于小波的PAC特征提取；

小波Fisher模块，用于进行基于小波的Fisher特征提取。

13.根据权利要求10所述的系统，其特征是，所述的数据分析单元包括：

最大似然法分析模块，用于进行最大似然法分析；

局部特征法分析，用于进行局部特征法分析。

14.根据权利要求8所述的系统，其特征是，所述的油气分析计算机还包括：

综合分析单元，用于根据地面地物光谱数据库的数据及地物高光谱遥感图像数据，提取油气微渗漏引发的共生异常点的空间分布的密度信息，生成综合异常图；并根据相应的地质解释，生成油气微渗漏空间分布图；

油气勘探靶区获取单元，用于根据所述的综合异常图和油气微渗漏空间分布图预测出油气勘探靶区。

Images