CN102012528A - 一种稀疏植被地区的高光谱遥感油气勘探方法 - Google Patents

Abstract

本发明公开了一种稀疏植被地区的高光谱遥感油气勘探方法，属于油气勘探技术领域。第一步：对原始高光谱影像进行基于K-mean聚类的地物分类；将地物分类结果分为裸露地表区域和植被覆盖地表区域；第二步：在裸露地表区域，对高光谱影像进行基于蚀变矿物的油气信息提取；第三步：在植被覆盖区域，对高光谱影像进行基于植被光谱异常的油气信息提取；第四步：综合第二步和第三步得到的分类结果进行油气藏分布区域圈定。本发明通过在勘探地区利用地表蚀变矿物异常在裸露地表区域进行高光谱油气信息勘探，并在植被覆盖地区利用植被异常信息提取油气信息，从而根据两者综合圈定该地区的油气异常区域。

Description

一种稀疏植被地区的高光谱遥感油气勘探方法

技术领域

本发明属于油气勘探技术领域，特别是在地表有植被覆盖而非裸露地区进行基于高光谱遥感图像的油气勘探技术。

背景技术

自20世纪90年代末以来，国际上已进行了近10例的高光谱遥感油气勘探的研究和实践，并取得了一定成果。试验结果表明，土壤吸附烃在1.69～1.79μm、2.27～2.46μm谱段具有“指纹”光谱特征；油气微渗漏相关蚀变矿物的特征吸收光谱则出现在2.1～2.4μm。基于以上“指纹，光谱特征，西方国家的一些石油公司竞相开展了高光谱遥感油气勘探技术应用研究。在已经有成功勘探经验的地区，如柴达木盆地三湖地区(地貌主要为盐碱滩、小丘陵、沙漠及部分水网、湿地等)，具有无植被覆盖、背景单一的特点，高光谱遥感油气勘探实验中所利用的油气微渗漏地表形迹主要为蚀变矿物异常、地表土壤烃类异常等。

对于地表有植被覆盖的区域，植被的存在对地表的真实状况产生了遮挡，此时若仅采用地表土壤的蚀变矿物异常、地表土壤烃类异常作为烃类渗漏的指示标志，进行高光谱遥感油气勘探，则植被的覆盖将在一定程度上影响探测结果的精度。因此，在稀疏植被覆盖地区，如何借助高光谱遥感对地物和地物成分的精细识别能力，排除植被光谱的严重干扰影响，实现油气微渗漏信息提取，是极具研究价值的。

目前，国际上在利用航天高光谱影像探测油气渗漏引起的植被异常，进而辅助圈定油气勘探远景区的研究尚处于初级阶段，且多数研究致力于利用植被异常探测地下天然气管道渗漏，而国内在此领域的研究尚属空白。

发明内容

本发明提供了一种稀疏植被地区的高光谱遥感油气勘探方法，通过在勘探地区利用地表蚀变矿物异常在裸露地表区域进行高光谱油气信息勘探，并在植被覆盖地区利用植被异常信息提取油气信息，从而根据两者综合圈定该地区的油气异常区域。

本发明的技术方案包括如下步骤：

第一步：对原始高光谱影像进行基于K-mean聚类的地物分类；将地物分类结果分为裸露地表区域和植被覆盖地表区域；

第二步：在裸露地表区域，对高光谱影像进行基于蚀变矿物的油气信息提取；

第三步：在植被覆盖区域，对高光谱影像进行基于植被光谱异常的油气信息提取；

第四步：综合第二步和第三步得到的分类结果进行油气藏分布区域圈定。

本发明第二步中包括基于小波PCA的分类方法、基于端元信息提取的高光谱图像分类方法、以及基于蚀变矿物特征光谱匹配的分类方法分别对高光谱影像进行油气信息提取，并根据上述3种方法分别得到的基于蚀变矿物油气信息异常区域进行综合加权判定，得到裸露地表区域的油气异常区域分类图。

本发明中基于小波PCA的分类方法具体步骤为：

(a)采用基于小波PCA的算法对原始图像进行特征提取，保留特征提取结果的前5个谱段作为特征图像；

(b)结合第一步中给出的K-Mean地物粗分结果，从图像中选取各类地物的样本集；

(c)以(b)中选取的样本集作为训练样本，采用最大似然法进行地物细分；

(d)结合原始图像的空间、光谱信息，分析细分所得各类地物的波谱特性以及地理地质情况，从而决定各类地物之间的合并或进一步细分关系；

(e)利用掩膜技术保留感兴趣的类，只对感兴趣区进行自动K-mean聚类，从结果中选取新的训练样本，再次采用最大似然法进行分类；

(f)重复步骤(d)、(e)，直到分类结果满意时，输出全景分类图；

(g)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，并改变似然比，对于该区域采用最大似然法进行精分，从而得到与已知气田区油气微渗漏地表异常特征相似的区域。

本发明中基于端元信息提取的高光谱图像分类方法为：采用基于线性解混理论的高光谱图像分类方法进行油气蚀变信息提取，首先通过最小噪声分离变换降低原始数据的维数，随后通过数学方法即纯净像元指数交互式地从图像中提取纯净端元作为矿物端元，最后运用光谱角制图、混合调制匹配滤波方法进行矿物填图及异常识别。

本发明中基于蚀变矿物特征光谱匹配的分类为：根据已知的典型气田区光谱为特征光谱，用光谱角制图法衡量图像中各点光谱与蚀变矿物特征光谱曲线的相似程度，并进行分类。

本发明还包括第三步中将最大似然法与植被指数相结合提取烃类微渗漏引起的植被异常的决策树分类方法，具体步骤为：

(a)节点1，基于最大似然法的地物细分：对细分结果进行分析，遴选出有植被覆盖的类，进行下一层的分类，即转向(b)，对于不含植被的区域不进行进一步分析；

(b)节点2，植被指数，决策规则为设定NDVI阈值，大于阈值的数据子集表示植被覆盖率较高的区域，将作为感兴趣的数据子集进行下一层分类，即转向(c)；小于阈值的为无植被覆盖或低覆盖区域，对此数据子集不作进一步分析；

(c)节点3，综合型叶绿素光谱指数TCOS，选择可有效反演叶绿素浓度的植被指数，逐像元计算该植被指数，设定阈值，将数据进一步划分为两个子集，植被指数计算结果大于阈值的子集具有较高的叶绿素浓度水平，认为此子集可进一步划分为无异常区域及某种程度的异常区域，转向(e)；小于阈值的子集具有相对较低的叶绿素水平，认为此子集整体为异常区域，但仍可进一步划分为两个不同异常等级的子集，转向(d)，

(d)节点4，修正型叶绿素吸收反射率指数MCARI，对于叶绿素水平异常的数据子集进行指数计算，设定阈值，将数据进一步划分为两个子集，指数计算结果大于阈值的子集具有相对较低的叶绿素浓度和相对较高的叶面积指数，将其定义为二级异常区；植被指数计算结果小于阈值的子集具有相对较低的叶绿素浓度和相对较低的叶面积指数，将其定义为一级异常区。

(e)节点5，红边位置REP，对节点3评价中未见异常的数据子集进行分析并计算红边蓝移量，设定阈值，计算结果大于阈值的子集具有相对较高的叶绿素浓度及相对较高的叶面积指数水平，将其定为无异常区，计算结果小于阈值的子集具有相对高的叶绿素浓度和相对低的叶面积指数水平，将其定为存在异常的区域，转向(f)；

(f)节点6，修正型叶绿素吸收反射率指数MCARI，同节点4再次对样本叶绿素含量水平进行评估，作为对节点3结果的修正，设定阈值，将指数计算结果大于阈值的数据子集定为二级异常区；将植被指数计算结果大于阈值的数据子集定为三级异常区。

附图说明

图1特征提取与分类分系统结构流程

图2决策树分类流程

具体实施方式

本发明设计了三种有效的油气地面共生异常识别流程，分别从蚀变矿物异常和植被异常对稀疏植被地区进行油气微渗漏信息探测。这三个识别流程为：

(1)基于光谱特征分析的流程

本流程采用的主要方法是提取图像数据中光谱曲线的宏观特征、局部特征，并利用蚀变光谱特征库中典型蚀变特征进行光谱特征匹配，可实现流程化处理。

光谱宏观特征提取与分类的方法是：采用基于小波变换的PCA降维去除冗余数据，计算目标光谱与参考光谱的光谱角距离，并进行分类。

光谱局部特征分析的方法为：建立典型蚀变矿物吸收峰位置、宽度、深度、面积、对称度等光谱特征的信息库，对于目标光谱，采用两层的分类处理，并首先基于吸收峰位置进行第一次分类，再在各类中基于吸收峰深度、半宽度进行分类。

(2)基于小波PCA特征提取的流程

在本方案中，考虑到不同植被覆盖地区的油气勘探需求，处理流程如下：

(a)计算图像中的植被指数，并采用非监督分类进行类别划分；对图像直接进行非监督分类(K-mean分类)；

(b)综合植被指数分类结果及K-mean分类的结果，在植被覆盖度较高的区域中采用分类树进行植被生化参量异常的提取，并划定异常区；

(c)对步骤(a)中整幅图像非监督分类的粗分结果进行分析，从图像中选取各类地物样本；

(d)对图像进行小波PCA特征提取，并保留信息量大的主成份作为特征图像进行最大似然分类，即细分处理；

(e)调用评价模块，计算各类的类内统计值及类间距离等参数，并反馈给用户，用户可根据各类地物的波谱特性、地理地质情况结合类统计参数，决定各类地物之间的合并或者细分关系，并选取感兴趣区进行蒙层处理(即掩膜技术)；

(f)只对感兴趣区进行自动K-mean聚类，从而提供新的训练样本，再进行最大似然分类；

(g)循环步骤(e)、(f)，直到迭代精度达到预计设定的要求、分类结果较为满意时，输出分类图；

(h)综合(b)与(f)的结果，给出最终的异常区划分结果。

(3)基于线性光谱解混的流程

本流程中首先采用最小噪声分离变换对高光谱数据进行降维，去除大量冗余的光谱信息，通过对特征值的统计，仅保留包含有用信息的MNF特征影像序列，删除噪声为主的特征影像。

对保留特征影像序列进行端元光谱提取。采用的方法为纯净像元指数(Pixel Purity Index，PPI)方法。系统可自动进行上千次的PPI运算迭代处理，得到PPI影像。对于端元的选择，系统中采用n维可视化技术，使得用户可以在屏幕上交互地查看和旋转n维光谱空间中的端元。最纯像元位于数据云的凸角处，用户可以手工定义数据类、或采用算法对数据进行聚类，最终实现纯净像元的提取。将提取出的纯净像元与标准光谱库中的物质光谱进行匹配，综合考量匹配结果及纯净像元在原始高光谱影像中实际空间位置，将纯净像元标识为特定的端元类型。

进行端元提取后，由用户从光谱库中选定端元或使用图像中提取出的端元，进行填图；采用光谱角制图方法，确定影像波谱与端元波谱之间的相似性；使用线性光谱解混技术，确定物质的丰度。

(4)油气藏分布区域圈定

综合上述三种分类流程得到的4类油气光谱异常分类图，依据各类异常信息的大小，以及四个分类图上异常信息的聚合度，综合圈定出油气异常区。

Claims (6)

1.一种稀疏植被地区的高光谱遥感油气勘探方法，其特征在于：包括以下步骤：

第一步：对原始高光谱影像进行基于K-mean聚类的地物分类；将地物分类结果分为裸露地表区域和植被覆盖地表区域；

第二步：在裸露地表区域，对高光谱影像进行基于蚀变矿物的油气信息提取；

第三步：在植被覆盖区域，对高光谱影像进行基于植被光谱异常的油气信息提取；

第四步：综合第二步和第三步得到的分类结果进行油气藏分布区域圈定。

2.根据权利要求1所述的一种稀疏植被地区的高光谱遥感油气勘探方法，其特征在于：第二步中包括基于小波PCA的分类方法、基于端元信息提取的高光谱图像分类方法、以及基于蚀变矿物特征光谱匹配的分类方法分别对高光谱影像进行油气信息提取，并根据上述3种方法分别得到的基于蚀变矿物油气信息异常区域进行综合加权判定，得到裸露地表区域的油气异常区域分类图。

3.根据权利要求2所述的一种稀疏植被地区的高光谱遥感油气勘探方法，其特征在于：所述的基于小波PCA的分类方法具体步骤为：

(a)采用基于小波PCA的算法对原始图像进行特征提取，保留特征提取结果的前5个谱段作为特征图像；

(b)结合第一步中给出的K-Mean地物粗分结果，从图像中选取各类地物的样本集；

(c)以(b)中选取的样本集作为训练样本，采用最大似然法进行地物细分；

(d)结合原始图像的空间、光谱信息，分析细分所得各类地物的波谱特性以及地理地质情况，从而决定各类地物之间的合并或进一步细分关系；

(e)利用掩膜技术保留感兴趣的类，只对感兴趣区进行自动K-mean聚类，从结果中选取新的训练样本，再次采用最大似然法进行分类；

(f)重复步骤(d)、(e)，直到分类结果满意时，输出全景分类图；

(g)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，并改变似然比，对于该区域采用最大似然法进行精分，从而得到与已知气田区油气微渗漏地表异常特征相似的区域。

4.根据权利要求2所述的一种稀疏植被地区的高光谱遥感油气勘探方法，其特征在于：基于端元信息提取的高光谱图像分类方法为：采用基于线性解混理论的高光谱图像分类方法进行油气蚀变信息提取，首先通过最小噪声分离变换降低原始数据的维数，随后通过数学方法即纯净像元指数交互式地从图像中提取纯净端元作为矿物端元，最后运用光谱角制图、混合调制匹配滤波方法进行矿物填图及异常识别。

5.根据权利要求2所述的一种稀疏植被地区的高光谱遥感油气勘探方法，其特征在于：基于蚀变矿物特征光谱匹配的分类为：根据已知的典型气田区光谱为特征光谱，用光谱角制图法衡量图像中各点光谱与蚀变矿物特征光谱曲线的相似程度，并进行分类。

6.根据权利要求1或2所述的一种稀疏植被地区的高光谱遥感油气勘探方法，其特征在于：第三步中将最大似然法与植被指数相结合提取烃类微渗漏引起的植被异常的决策树分类方法，具体步骤为：

(a)节点1，基于最大似然法的地物细分：对细分结果进行分析，遴选出有植被覆盖的类，进行下一层的分类，即转向(b)，对于不含植被的区域不进行进一步分析；

(b)节点2，植被指数，决策规则为设定NDVI阈值，大于阈值的数据子集表示植被覆盖率高的区域，将作为感兴趣的数据子集进行下一层分类，即转向(c)；小于阈值的为无植被覆盖或低覆盖区域，对此数据子集不作进一步分析；

(c)节点3，综合型叶绿素光谱指数TCOS，选择可有效反演叶绿素浓度的植被指数，逐像元计算该植被指数，设定阈值，将数据进一步划分为两个子集，植被指数计算结果大于阈值的子集具有高的叶绿素浓度水平，认为此子集可进一步划分为无异常区域及某种程度的异常区域，转向(e)；小于阈值的子集具有相对低的叶绿素水平，认为此子集整体为异常区域，但仍可进一步划分为两个不同异常等级的子集，转向(d)；

(d)节点4，修正型叶绿素吸收反射率指数MCARI，对于叶绿素水平异常的数据子集进行指数计算，设定阈值，将数据进一步划分为两个子集，指数计算结果大于阈值的子集具有相对低的叶绿素浓度和相对高的叶面积指数，将其定义为二级异常区；植被指数计算结果小于阈值的子集具有相对低的叶绿素浓度和相对低的叶面积指数，将其定义为一级异常区；

(e)节点5，红边位置REP，对节点3评价中未见异常的数据子集进行分析并计算红边蓝移量，设定阈值，计算结果大于阈值的子集具有相对高的叶绿素浓度及相对高的叶面积指数水平，将其定为无异常区，计算结果小于阈值的子集具有相对高的叶绿素浓度和相对低的叶面积指数水平，将其定为存在异常的区域，转向(f)；

(f)节点6，修正型叶绿素吸收反射率指数MCARI，同节点4再次对样本叶绿素含量水平进行评估，作为对节点3结果的修正，设定阈值，将指数计算结果大于阈值的数据子集定为二级异常区；将植被指数计算结果大于阈值的数据子集定为三级异常区。

Images