CN109978162A - 一种基于深度神经网络的矿物含量光谱反演方法 - Google Patents

一种基于深度神经网络的矿物含量光谱反演方法 Download PDF

Info

Publication number
CN109978162A
CN109978162A CN201711456885.6A CN201711456885A CN109978162A CN 109978162 A CN109978162 A CN 109978162A CN 201711456885 A CN201711456885 A CN 201711456885A CN 109978162 A CN109978162 A CN 109978162A
Authority
CN
China
Prior art keywords
layer
neural network
mineral
spectrum
value
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201711456885.6A
Other languages
English (en)
Other versions
CN109978162B (zh
Inventor
秦凯
赵英俊
赵宁博
杨越超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Research Institute of Uranium Geology
Original Assignee
Beijing Research Institute of Uranium Geology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Research Institute of Uranium Geology filed Critical Beijing Research Institute of Uranium Geology
Priority to CN201711456885.6A priority Critical patent/CN109978162B/zh
Publication of CN109978162A publication Critical patent/CN109978162A/zh
Application granted granted Critical
Publication of CN109978162B publication Critical patent/CN109978162B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Neurology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Probability & Statistics with Applications (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明属于地质勘查技术领域，具体涉及一种基于深度神经网络的矿物含量光谱反演方法。本发明根据岩石矿物光谱的机理和反演特征建立了能够快速准确进行地表岩石土壤矿物含量反演的神经网络模型，能够利用高光谱数据确定分析评估地表岩石土壤矿物含量。

Description

一种基于深度神经网络的矿物含量光谱反演方法
技术领域
本发明属于地质勘查技术领域，具体涉及一种基于深度神经网络的矿物含量光谱反演方法。
背景技术
高光谱技术的快速发展，使得用连续数十至数百个“窄”波段的光谱信息来进行矿物种类识别、含量反演、化学成分鉴定成为可能。目前可以获取到的数据源(主要是航空、地面高光谱设备)其光谱分辨率已可以支撑进行一定程度矿物信息的分析和提取工作，而在此基础上，可以制作高光谱的专题地学数据产品(包括矿物分布图和丰度图、热液活动的断裂构造、地层、岩体解译图)，这些以往多光谱遥感技术难以获取的信息为成矿预测提供了更多的找矿线索和依据。由于岩石中多种矿物混合，获取的岩石光谱也为非线性的混合光谱，传统的线性反演模型不可避免地带来误差。
神经网络作为非线性分析方法已经大量应用于矿物光谱分析，但是目前的应用还存在以下问题：浅层的神经网络需要大量已知成分的光谱样本数据，数据获取存在困难；容易陷入局部最优解和过拟合的现象。
综上所述，地质勘查技术领域亟待开发一种根据岩石矿物光谱的机理和反演特征建立的、能够快速准确进行地表岩石土壤矿物含量反演的神经网络模型，进而实现利用高光谱数据确定分析评估地表岩石土壤矿物含量。
发明内容
本发明需要解决的技术问题为：提出一种基于深度神经网络的矿物含量光谱反演方法，利用高光谱数据确定分析评估地表岩石土壤矿物含量。
本发明的技术方案如下所述：
一种基于深度神经网络的矿物含量光谱反演方法，包括以下步骤：
一种基于深度神经网络的矿物含量光谱反演方法，包括以下步骤：
步骤S1：采集多种矿物混合的光谱作为深度神经网络的样本，并标识出每条光谱所对应的矿物名称及其含量；
步骤S2：设置第一层深度神经网络架构，正向计算输入层、隐含层和输出层；
对于输入层：将每一条样本光谱转化为一个列向量作为输入层，输入层的神经元个数为光谱的波段数，输入层的神经元为每个波段的反射率；
对于隐含层：隐含层的神经元个数为样本矿物种类数，通过公式(1)、公式(2)计算隐含层每个神经元的激活值：
z＝w1*x+b1 (2)
其中，w1和b1均为第一层神经网络的系数矩阵；
对于输出层：输出层神经元个数为输入层光谱的波段数；
步骤S3：构建第一层神经网络的误差函数，采用迭代的方式不断调整神经网络各层神经元的参数使误差函数最小，从而训练出第一层神经网络系数矩阵w1和b1；
步骤S4：采用后向传播的算法，计算输出层估计值与实际值之间的残差并将该残差从输出层向隐藏层反向传播，直至传播到输入层，计算隐含层和输入层每个神经元的残差；
在反向传播的过程中，根据公式(3)、公式(4)，不断迭代更新神经网络系数矩阵，直至误差函数收敛，达到最小，存储获取的最终神经网络系数矩阵；
其中，
wn和bn为第n层神经网络系数矩阵；
w1和b1第一层神经网络系数矩阵；
δn+1为n+1层估计值与n+1层实际值之间的残差；
为第n层学习率；
m为n+1层神经元的个数；
an为第n层神经网络神经元的激活值；
步骤S5：设置下一层深度神经网络架构，采用前一层神经网络的隐含层作为下一层深度神经网络的输入；重复步骤S2、S3、S4，获得下一层深度神经网络的隐含层的激活值和神经网络系数矩阵；
步骤S6：构建最后一层神经网络，将前一层深度神经网络的隐含层的激活值作为矿物含量光谱反演器的输入，输出层为矿物含量，矿物含量用属于该矿物的概率P表示，训练得到一个能将二阶光谱特征映射到矿物含量的模型；
首先采用公式(5)计算每个光谱二阶特征值对应的输出激活值，即矿物含量；
其中，
θ为最后一层深度神经网络的系数矩阵；
hi 2为倒数第二层深度神经网络的隐含层的激活值；
之后构建公式(6)所示矿物含量反演的误差函数；
其中，
m0为样品个数，即光谱个数；
k为最后一层深度神经网络隐含层神经元个数；
yi为标记的样品矿物含量值；
θj为最后一层深度神经网络的系数矩阵，即输出层的系数矩阵，j表示对应最后一层深度神经网络的神经元；
ρ为最后一层神经网络的惩罚项，用于减少函数过拟合影响；
计算误差函数的偏导数，采用梯度下降法，迭代直到收敛，获得最后一层深度神经网络的系数矩阵θji；
步骤S7：采用后向传播的算法，计算最后一层神经网络矿物含量与实际值之间的残差，按照步骤S4并将该残差从最后一层神经网络向倒数第二层神经网络反向传播，直至传播到第一层神经网络输入层，计算整个神经网络每个神经元的残差，不断迭代更新每一层神经网络系数矩阵，直至误差函数收敛，达到最小，存储获取的最终神经网络系数每一层神经网络系数矩阵；
步骤S8：将未知样品光谱输入已构建好的深度神经网络中，计算网络所有的神经元激活值，最后一层输出层为每种矿物的含量值。
作为优选方案：步骤S2中，第一层神经网络的系数矩阵w1和b1初始值采用随机数。
作为优选方案：步骤S3中，通过隐含层样本点的激活值均值相对熵的稀疏限制算法实现特征光谱的提取。
本发明的有益效果为：
本发明的一种基于深度神经网络的矿物含量光谱反演方法，根据岩石矿物光谱的机理和反演特征建立了能够快速准确进行地表岩石土壤矿物含量反演的神经网络模型，进而实现利用高光谱数据确定分析评估地表岩石土壤矿物含量。
本发明具体包括以下有益效果：
(1)在步骤S2-S5提供了一种无监督自学习的深度神经网络结构，可以通过这个结构不断增加网络深度，并采用了逐层贪婪训练方法，主要思路是每次只训练网络中的一层，即首先训练一个只含一个隐藏层的网络，仅当这层网络训练结束之后才开始训练一个有两个隐藏层的网络；这种特征可以有效避免算法陷入局部最优解，同时可以利用光谱的特征，减少所需样本数据量；
(2)在步骤S3中的误差函数中加入了权值惩罚项和稀疏性规则项，可以消除参数过大的过拟合现象，并通过稀疏限制，提取矿物端元光谱特征；
(3)在步骤S6采用概率的思想，构建了矿物含量反演模型，满足了岩石中所有矿物含量百分比和为一，并且所有含量反演结果非负的条件，通过以上特征可以自动提取矿物光谱的特征，并用于矿物含量反演。
附图说明
图1为第一层深度神经网络架构图；
图2为第二层深度神经网络架构图；
图3为第三层深度神经网络架构图。
具体实施方式
下面结合附图和实施例对本发明的一种基于深度神经网络的矿物含量光谱反演方法进行详细说明。
实施例1
本实施例的一种基于深度神经网络的矿物含量光谱反演方法，包括以下步骤：
步骤S1：采集多种矿物混合的光谱作为深度神经网络的样本，并标识出每条光谱所对应的矿物名称及其含量。
步骤S2：设置第一层深度神经网络架构，正向计算输入层、隐含层(即光谱特征层)和输出层，如图1所示。
对于输入层：将每一条样本光谱转化为一个列向量X作为输入层，输入层的神经元个数为光谱的波段数，+1为偏置量，输入层的神经元为每个波段的反射率。
对于隐含层：隐含层的神经元个数为样本矿物种类数，采用现有技术中的sigmoid函数计算隐含层每个神经元的激活值。本实施例中，神经元的激活值a(2)通过公式(1)、公式(2)计算。
z＝w1*x+b1 (2)
其中，w1和b1均为第一层神经网络的系数矩阵，初始值采用随机数。
对于输出层：输出层神经元个数为输入层光谱的波段数。按照计算隐含层激活值的方法计算输出层每个节点的激活值。
步骤S3：构建第一层神经网络的误差函数(稀疏自编码)，通过隐含层样本点的激活值均值相对熵(KL divergence)的稀疏限制算法来实现特征光谱的提取。采用迭代的方式不断调整神经网络各层神经元的参数使误差函数最小，从而训练出第一层神经网络系数矩阵w1和b1。
步骤S4：采用后向传播的算法，计算输出层估计值与实际值之间的残差δ，该残差表明了该节点对最终输出值的残差产生了多少影响，并将该残差从输出层向隐藏层反向传播，直至传播到输入层，计算隐含层和输入层每个神经元的残差。
在反向传播的过程中，根据公式(3)、公式(4)，不断迭代更新神经网络系数矩阵，直至误差函数收敛，达到最小，存储获取的最终神经网络系数矩阵。
其中，
wn和bn为第n层神经网络系数矩阵，具体而言，等号右边的wn和bn为迭代前的第n层神经网络系数矩阵，等号左边的wn和bn为迭代后的第n层神经网络系数矩阵；
w1和b1第一层神经网络系数矩阵；
δn+1为n+1层估计值与n+1层实际值之间的残差；
为第n层学习率；
m为n+1层神经元的个数；
an为第n层神经网络神经元的激活值。
步骤S5：设置下一层(本实施例中为第二层)深度神经网络架构，采用前一层(本实施例中为第一层)神经网络的隐含层(光谱特征层)，作为下一层深度神经网络的输入，如图2所示。重复步骤S2、S3、S4，获得下一层深度神经网络的隐含层的激活值(光谱二阶特征值)和神经网络系数矩阵(本实施例中为w2和b2)。
步骤S6：构建图3所示最后一层(本实施例中为第三层)神经网络，将前一层(本实施例中为第二层)深度神经网络的隐含层的激活值(光谱二阶特征值)作为矿物含量光谱反演器的输入，输出层为矿物含量，矿物含量用属于该矿物的概率P表示，训练得到一个能将二阶光谱特征映射到矿物含量的模型。
首先采用公式(5)计算每个光谱二阶特征值对应的输出激活值，即矿物含量。
其中，
θ为最后一层深度神经网络的系数矩阵；
hi 2为倒数第二层深度神经网络的隐含层的激活值(光谱二阶特征值)。
之后构建公式(6)所示矿物含量反演的误差函数。
其中，
m0为样品个数，即光谱个数；
k为最后一层深度神经网络隐含层神经元个数；
yi为标记的样品矿物含量值；
θj为最后一层深度神经网络的系数矩阵，即输出层的系数矩阵，j表示对应最后一层深度神经网络的神经元；
为最后一层学习率。
ρ为最后一层神经网络的惩罚项，用于减少函数过拟合影响。
计算误差函数的偏导数，采用梯度下降法，迭代直到收敛，获得最后一层深度神经网络的系数矩阵θji。
步骤S7：采用后向传播的算法，计算最后一层(本实施例中为第三层) 神经网络矿物含量与实际值之间的残差，按照步骤S4并将该残差从最后一层神经网络向倒数第二层神经网络反向传播，直至传播到第一层神经网络输入层，计算整个神经网络每个神经元的残差，不断迭代更新每一层神经网络系数矩阵w1、b1、w2、b2、…、wn、bn(本实施例中为w1、b1、w2、b2)，直至误差函数收敛，达到最小，存储获取的最终神经网络系数每一层神经网络系数矩阵(本实施例中为第一层神经网络系数w11和b11、第二层神经网络系数w12和b12、第三层神经网络系数矩阵θji)。
完成上述步骤S1至S7可以构建完成用于矿物含量光谱反演的深度神经网络，可以通过不断增加中间隐含层的层数，来增加神经网络的深度。
步骤S8：将未知样品光谱输入已构建好的深度神经网络中，计算网络所有的神经元激活值，最后一层输出层为每种矿物的含量值。
实施例2
选择白云母、方解石、白云石、长石四种矿物进行含量反演，其它矿物可参考本实施例的步骤。
(1)计算白云母、方解石、白云石、长石的实验室光谱的单次散射反照率，随机设定四种矿物的含量，计算混合的单次散射反照率，根据混合的单次散射反照率，模拟出15000条四种矿物混合的光谱。其中10000条作为深度神经网络的样本，并标识出每条光谱所对应的矿物名称及其含量，5000条作为测试数据。
(2)根据样本数量、矿物种类、初始化一个三层的神经网络，输入神经元为波段数420，输出神经元(矿物种类)为4，第一层隐含层神经元为100 个，第二层为25个，稀疏系数为0.1，权值惩罚系数为10-3，学习率为3。
(3)将10000条样本光谱转化为矩阵X，并进行光谱归一化处理，光谱值在0.1-0.9之间。输入到第一层神经网络，正向计算输入层、隐含层(光谱特征层)和输出层，采用反向传播算法，设置最大迭代次数为400，不断迭代更新神经网络系数，直至误差函数收敛，达到最小，存储获取的最终神经网络系数。
(4)采用第一层神经网络的隐含层(光谱特征层)，作为第二层深度神经网络的输入，重复(2)中的处理方法，获得第二层深度神经网络的隐含层的激活值(光谱二阶特征值)和系数。
(5)构建第三层神经网络，设置权值惩罚系数为10-4，最大迭代次数为 400，将第二层深度神经网络的二阶特征作为矿物含量光谱反演器的输入，输出层为矿物含量，矿物含量用属于该矿物的概率P表示，训练得到一个能将二阶光谱特征映射到矿物含量的模型。
(6)设置一个初始二元结构数组，采用后向传播的算法，计算矿物含量光谱反演神经网络矿物含量与实际值之间的残差，并将该残差从第三层神经网络向第二层神经网络反向传播，直至传播到第一层神经网络输入层，计算整个神经网络每个神经元的残差，不断迭代更新神经网络系数，直至误差函数收敛，在数组中存储获取的最终神经网络系数第一层神经网络系数，第二层神经网络系数，第三层神经网络系数。
(7)将5000条测试数据输入已构建好的深度神经网络中，计算网络所有的神经元激活值，输出层为白云母、方解石、白云石、长石矿物的含量值。

Claims (3)

1.一种基于深度神经网络的矿物含量光谱反演方法，其特征在于：包括以下步骤：
步骤S1：采集多种矿物混合的光谱作为深度神经网络的样本，并标识出每条光谱所对应的矿物名称及其含量；
步骤S2：设置第一层深度神经网络架构，正向计算输入层、隐含层和输出层；
对于输入层：将每一条样本光谱转化为一个列向量作为输入层，输入层的神经元个数为光谱的波段数，输入层的神经元为每个波段的反射率；
对于隐含层：隐含层的神经元个数为样本矿物种类数，通过公式(1)、公式(2)计算隐含层每个神经元的激活值：
z-w1*x+b1 (2)
其中，w1和b1均为第一层神经网络的系数矩阵；
对于输出层：输出层神经元个数为输入层光谱的波段数；
步骤S3：构建第一层神经网络的误差函数，采用迭代的方式不断调整神经网络各层神经元的参数使误差函数最小，从而训练出第一层神经网络系数矩阵w1和b1；
步骤S4：采用后向传播的算法，计算输出层估计值与实际值之间的残差并将该残差从输出层向隐藏层反向传播，直至传播到输入层，计算隐含层和输入层每个神经元的残差；
在反向传播的过程中，根据公式(3)、公式(4)，不断迭代更新神经网络系数矩阵，直至误差函数收敛，达到最小，存储获取的最终神经网络系数矩阵；
其中，
wn和bn为第n层神经网络系数矩阵；
w1和b1第一层神经网络系数矩阵；
δn+1为n+1层估计值与n+1层实际值之间的残差；
为第n层学习率；
m为n+1层神经元的个数；
an为第n层神经网络神经元的激活值；
步骤S5：设置下一层深度神经网络架构，采用前一层神经网络的隐含层作为下一层深度神经网络的输入；重复步骤S2、S3、S4，获得下一层深度神经网络的隐含层的激活值和神经网络系数矩阵；
步骤S6：构建最后一层神经网络，将前一层深度神经网络的隐含层的激活值作为矿物含量光谱反演器的输入，输出层为矿物含量，矿物含量用属于该矿物的概率P表示，训练得到一个能将二阶光谱特征映射到矿物含量的模型；
首先采用公式(5)计算每个光谱二阶特征值对应的输出激活值，即矿物含量；
其中，
θ为最后一层深度神经网络的系数矩阵；
hi 2为倒数第二层深度神经网络的隐含层的激活值；
之后构建公式(6)所示矿物含量反演的误差函数；
其中，
m0为样品个数，即光谱个数；
k为最后一层深度神经网络隐含层神经元个数；
yi为标记的样品矿物含量值；
θj为最后一层深度神经网络的系数矩阵，即输出层的系数矩阵，j表示对应最后一层深度神经网络的神经元；
ρ为最后一层神经网络的惩罚项；
计算误差函数的偏导数，采用梯度下降法，迭代直到收敛，获得最后一层深度神经网络的系数矩阵θfi；
步骤S7：采用后向传播的算法，计算最后一层神经网络矿物含量与实际值之间的残差，按照步骤S4并将该残差从最后一层神经网络向倒数第二层神经网络反向传播，直至传播到第一层神经网络输入层，计算整个神经网络每个神经元的残差，不断迭代更新每一层神经网络系数矩阵，直至误差函数收敛，达到最小，存储获取的最终神经网络系数每一层神经网络系数矩阵；
步骤S8：将未知样品光谱输入已构建好的深度神经网络中，计算网络所有的神经元激活值，最后一层输出层为每种矿物的含量值。
2.根据权利要求1所述的一种基于深度神经网络的矿物含量光谱反演方法，其特征在于：步骤S2中，第一层神经网络的系数矩阵w1和b1初始值采用随机数。
3.根据权利要求1所述的一种基于深度神经网络的矿物含量光谱反演方法，其特征在于：步骤S3中，通过隐含层样本点的激活值均值相对熵的稀疏限制算法实现特征光谱的提取。
CN201711456885.6A 2017-12-28 2017-12-28 一种基于深度神经网络的矿物含量光谱反演方法 Active CN109978162B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711456885.6A CN109978162B (zh) 2017-12-28 2017-12-28 一种基于深度神经网络的矿物含量光谱反演方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711456885.6A CN109978162B (zh) 2017-12-28 2017-12-28 一种基于深度神经网络的矿物含量光谱反演方法

Publications (2)

Publication Number Publication Date
CN109978162A true CN109978162A (zh) 2019-07-05
CN109978162B CN109978162B (zh) 2021-10-19

Family

ID=67074403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711456885.6A Active CN109978162B (zh) 2017-12-28 2017-12-28 一种基于深度神经网络的矿物含量光谱反演方法

Country Status (1)

Country Link
CN (1) CN109978162B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111598786A (zh) * 2019-11-28 2020-08-28 南京航空航天大学 一种基于深度去噪自编码网络的高光谱图像解混方法
CN112666096A (zh) * 2020-12-31 2021-04-16 核工业北京地质研究院 一种砂岩型铀矿土壤找矿信息高光谱提取方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101551471A (zh) * 2009-05-19 2009-10-07 中国国土资源航空物探遥感中心 一种高光谱遥感矿物含量定量反演方法
CN104596957A (zh) * 2015-01-12 2015-05-06 西安科技大学 基于可见光近红外光谱技术的土壤铜含量估算方法
US20160098844A1 (en) * 2014-10-03 2016-04-07 EyeEm Mobile GmbH Systems, methods, and computer program products for searching and sorting images by aesthetic quality
CN105758819A (zh) * 2016-02-29 2016-07-13 上海交通大学 一种利用近红外光谱检测土壤的有机组分的方法
CN105784628A (zh) * 2016-02-29 2016-07-20 上海交通大学 一种利用中红外光谱检测土壤有机质化学组成的方法
CN107478580A (zh) * 2017-07-31 2017-12-15 中国科学院遥感与数字地球研究所 基于高光谱遥感的土壤重金属含量估算方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101551471A (zh) * 2009-05-19 2009-10-07 中国国土资源航空物探遥感中心 一种高光谱遥感矿物含量定量反演方法
US20160098844A1 (en) * 2014-10-03 2016-04-07 EyeEm Mobile GmbH Systems, methods, and computer program products for searching and sorting images by aesthetic quality
CN104596957A (zh) * 2015-01-12 2015-05-06 西安科技大学 基于可见光近红外光谱技术的土壤铜含量估算方法
CN105758819A (zh) * 2016-02-29 2016-07-13 上海交通大学 一种利用近红外光谱检测土壤的有机组分的方法
CN105784628A (zh) * 2016-02-29 2016-07-20 上海交通大学 一种利用中红外光谱检测土壤有机质化学组成的方法
CN107478580A (zh) * 2017-07-31 2017-12-15 中国科学院遥感与数字地球研究所 基于高光谱遥感的土壤重金属含量估算方法及装置

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111598786A (zh) * 2019-11-28 2020-08-28 南京航空航天大学 一种基于深度去噪自编码网络的高光谱图像解混方法
CN111598786B (zh) * 2019-11-28 2023-10-03 南京航空航天大学 一种基于深度去噪自编码网络的高光谱图像解混方法
CN112666096A (zh) * 2020-12-31 2021-04-16 核工业北京地质研究院 一种砂岩型铀矿土壤找矿信息高光谱提取方法

Also Published As

Publication number Publication date
CN109978162B (zh) 2021-10-19

Similar Documents

Publication Publication Date Title
Lewis et al. Deep learning prior models from seismic images for full-waveform inversion
CN104978573B (zh) 一种应用于高光谱图像处理的非负矩阵分解方法
CN104952050B (zh) 基于区域分割的高光谱图像自适应解混方法
Wang et al. On a new method of estimating shear wave velocity from conventional well logs
CN106295714A (zh) 一种基于深度学习的多源遥感图像融合方法
Brazell et al. A machine-learning-based approach to assistive well-log correlation
CN105654117A (zh) 基于sae深度网络的高光谱图像空谱联合的分类方法
CN109272029B (zh) 井控稀疏表征大规模谱聚类地震相划分方法
Candela et al. Planetary robotic exploration driven by science hypotheses for geologic mapping
CN106529570A (zh) 基于深度脊波神经网络的图像分类方法
CN109978162A (zh) 一种基于深度神经网络的矿物含量光谱反演方法
Zhang et al. Applying convolutional neural networks to identify lithofacies of large-n cores from the Permian Basin and Gulf of Mexico: The importance of the quantity and quality of training data
Alaudah et al. A weakly supervised approach to seismic structure labeling
Zhou et al. Deep learning for simultaneous inference of hydraulic and transport properties
Sousa et al. Hyperspectral reconnaissance: joint characterization of the spectral mixture residual delineates geologic unit boundaries in the White Mountains, CA
Cui et al. Unrolling nonnegative matrix factorization with group sparsity for blind hyperspectral unmixing
Volkov et al. Application of a vectorial-algebraic method for investigation of spatial-temporal variability of sea ice drift and validation of model calculations in the Arctic Ocean
Andreeva et al. Empirical modeling of the geomagnetosphere for SIR and CME‐driven magnetic storms
CN108171273A (zh) 基于k-svd和深度堆栈网络的极化sar图像分类方法
Jiang et al. History matching for geological carbon storage using data-space inversion with spatio-temporal data parameterization
Prochnow et al. A subsurface machine learning approach at hydrocarbon production recovery & resource estimates for unconventional reservoir systems: Making subsurface predictions from multimensional data analysis
Silva et al. Generative network-based reduced-order model for prediction, data assimilation and uncertainty quantification
CN111564188A (zh) 一种基于变分自编码矿物信息定量分析方法
WO2024045285A1 (zh) 基于多源异构数据的地质构造建模方法
CN114863209B (zh) 类别比例引导的无监督领域适应建模方法、系统、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant