CN111766632A - 一种地球物理观测信息融合方法和装置 - Google Patents
一种地球物理观测信息融合方法和装置 Download PDFInfo
- Publication number
- CN111766632A CN111766632A CN202010658399.8A CN202010658399A CN111766632A CN 111766632 A CN111766632 A CN 111766632A CN 202010658399 A CN202010658399 A CN 202010658399A CN 111766632 A CN111766632 A CN 111766632A
- Authority
- CN
- China
- Prior art keywords
- observation
- network
- electromagnetic data
- noise
- data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 230000004927 fusion Effects 0.000 claims abstract description 35
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 230000009467 reduction Effects 0.000 claims abstract description 26
- 238000009826 distribution Methods 0.000 claims abstract description 12
- 238000011160 research Methods 0.000 claims abstract description 11
- 238000007621 cluster analysis Methods 0.000 claims abstract description 5
- 238000007500 overflow downdraw method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 20
- 238000005259 measurement Methods 0.000 description 9
- 238000005457 optimization Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 230000005484 gravity Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000007723 transport mechanism Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/38—Processing data, e.g. for analysis, for interpretation, for correction
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V3/00—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation
- G01V3/12—Electric or magnetic prospecting or detecting; Measuring magnetic field characteristics of the earth, e.g. declination, deviation operating with electromagnetic waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/28—Processing seismic data, e.g. for interpretation or for event detection
- G01V1/30—Analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V2210/00—Details of seismic processing or analysis
- G01V2210/60—Analysis
- G01V2210/61—Analysis by combining or comparing a seismic data set with other data
- G01V2210/616—Data from specific type of measurement
- G01V2210/6163—Electromagnetic
Landscapes
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Environmental & Geological Engineering (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Acoustics & Sound (AREA)
- Health & Medical Sciences (AREA)
- Electromagnetism (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种地球物理观测信息融合方法和装置,所述方法包括:将预先划分的各个测点作为网络节点,将含噪电磁数据为参数,建立神经网络对所述含噪电磁数据进行降维处理,实现对含噪电磁数据深度表示的提取;将地球物理观测的数据及提取的所述含噪电磁数据深度表示作为网络节点的属性,进行降维处理并进行特征融合,将融合后的特征带入一个变分自编码器,实现对包含网络拓扑结构与节点属性的网络节点低维嵌入表示的提取;对获得的所述低维嵌入表示进行聚类分析,获取各个节点的类标签分布。通过研究分析所提取出的各个类标签的物理与地质意义,实现对测区地质结构特征的准确判断。
Description
技术领域
本发明涉及地球物理勘探技术领域,尤指一种地球物理观测信息融合方法和装置。
背景技术
由于拟观测的地质对象一般均具有演化时间长、空间范围大、作用要素多、发展过程曲折等特点,利用单一地球物理方法开展观测,在各类干扰因素的进一步作用下,将面临“参数信息、结构信息、关系信息以及演化信息”不完全的问题。但从另一方面看,尽管各类观测所依据的物理原理不同,但由于所观测的对象是统一的,因此,对不同观测进行融合处理,挖掘数据中的高维特征,将有助于减少探测过程中的误判与漏判。目前,利用多元统计分析方法开展数据融合分析的主要观测类型包括:重力、磁法、各类遥感方法等,这些观测均属于对大地特征的直接观测,易于建立显式的“坐标-特征”数据结构,也即(x,y,z,P)结构,其中(x,y,z)为测点坐标,P为观测的物理特征。然而,对于在矿产资源探测中非常重要的电磁法,由于其对大地特征的观测为间接观测,因此难以构建显式的“坐标-特征”数据结构,导致目前常见的几类分析方法难以实现对包含电磁法数据的多元观测开展融合分析。
如图1所示,为单一测点上典型的地面时间域电磁法(TransientElectromagnetic Method,TEM)观测数据曲线图。由图1可以看到,对于该测点,TEM响应信号是一条衰减曲线,通过其幅度与衰减过程的斜率变化,可以对大地在一定空间内的电阻率结构进行估计。然而,衰减曲线上任一采样点都无法单独作为特征参数被提取出来,以描述测点大地的电阻率特征。这种与大地电阻率特征之间的隐式关系,导致TEM通常难以与其他直接观测方法的数据进行多元融合分析。事实上,不仅TEM方法,其他电磁法数据在与其他直接观测方法的数据进行多元融合分析时,都存在这一问题。
综上所述,目前采用电磁法开展探测,观测过程受到多方面干扰影响,容易出现误判和漏判的情况,亟待引入多元观测数据融合分析方法;但因为电磁法属于间接观测,导致其难以与其他地球物理直接观测方法的数据开展多元融合分析。因此,目前更多的研究依然只能聚焦于解决电磁法灰箱辨识过程的可靠性问题,而面向电磁法数据的多元观测数据融合分析研究仍相对较少。
发明内容
为了解决上述技术问题,本发明提供了一种地球物理观测信息融合方法和装置,通过研究分析所提取出的各个类标签的物理与地质意义,实现对测区地质结构特征的准确判断。
为了达到本发明目的,本发明提供了一种地球物理观测信息融合方法,包括:
将预先划分的各个测点作为网络节点,将含噪电磁数据为参数,建立神经网络对所述含噪电磁数据进行降维处理,实现对含噪电磁数据深度表示的提取;
将地球物理观测的数据及提取的所述含噪电磁数据深度表示作为网络节点的属性,进行降维处理并进行特征融合,将融合后的特征带入一个变分自编码器,实现对包含网络拓扑结构与节点属性的网络节点低维嵌入表示的提取;
对获得的所述低维嵌入表示进行聚类分析,获取各个节点的类标签分布。
优选地,所述方法还包括:通过研究分析获得的各个类标签的物理意义,对测区地质结构特征的进行判断。
优选地,所述方法之前还包括:
设置测线,并沿测线设置测点;
记录各个测点或者所述测点的投影点的坐标;
将所有测点或者所述测点的投影点之间的相互间的位置关系形成一个拓扑网络,各个测点或者所述测点的投影点作为所述拓扑网络的网络节点
优选地,设置测线包括:
根据观测方式设置测线,所述观测方式包括以下的一项或者多项:地面观测、机载观测及卫星观测。
优选地,建立神经网络对所述含噪电磁数据进行降维处理包括:
采用栈式自编码器神经网络,通过堆叠多个自编码器提取含噪电磁数据或所述含噪电磁数据衰减曲线的深度特征。
本发明还提供一种地球物理观测信息融合装置,包括:
深度提取模块,设置为将预先划分的各个测点作为网络节点,将含噪电磁数据为参数,建立神经网络对所述含噪电磁数据进行降维处理,实现对含噪电磁数据深度表示的提取;
低维嵌入模块,设置为将地球物理观测的数据及提取的所述含噪电磁数据深度表示作为网络节点的属性,进行降维处理并进行特征融合,将融合后的特征带入一个变分自编码器,实现对包含网络拓扑结构与节点属性的网络节点低维嵌入表示的提取;
聚类模块,设置为对获得的所述低维嵌入表示进行聚类分析,获取各个节点的类标签分布。
优选地,所述的信息融合装置,还包括:
分析模块,设置为通过研究分析获得的各个类标签的物理意义,对测区地质结构特征的进行判断。
优选地,所述的信息融合装置,还包括:
拓扑模块,设置为设置测线,并沿测线设置测点;
记录各个测点或者所述测点的投影点的坐标;
将所有测点或者所述测点的投影点之间的相互间的位置关系形成一个拓扑网络,各个测点或者所述测点的投影点作为所述拓扑网络的网络节点
优选地,所述拓扑模块设置测线包括:
根据观测方式设置测线,所述观测方式包括以下的一项或者多项:地面观测、机载观测及卫星观测。
优选地,所述深度提取模块建立神经网络对所述含噪电磁数据进行降维处理包括:
采用栈式自编码器神经网络,通过堆叠多个自编码器提取含噪电磁数据或所述含噪电磁数据衰减曲线的深度特征。
与现有技术相比,本发明采用栈式自编码神经网络提取含噪电磁数据所包含的深度表示,将提取出的有深度表示与其他观测数据进行融合并提取其低维嵌入表示,最后,以此作为输入开展聚类,通过研究分析所提取出的各个类标签的物理与地质意义,最终实现对测区地质结构特征的准确判断。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本发明技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本发明的技术方案,并不构成对本发明技术方案的限制。
图1为现有技术中的单一测点上典型的地面时间域电磁法(TEM)观测数据曲线图;
图2为本发明实施例的地球物理观测信息融合方法的流程图;
图3为本发明实施例的地表上按测线分布的测点的分布图;
图4为本发明实施例的含噪电磁数据的多元数据融合分析流程示意图;
图5为本发明实施例的地球物理观测信息融合装置的结构示意图;
图6为本发明实施例的基于栈式自编码器神经网络的电磁法深度表示提取过程示意图;
图7为本发明实施例的融合分析流程示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下文中将结合附图对本发明的实施例进行详细说明。需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互任意组合。
在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行。并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
如图2所示,本发明实施例提供一种地球物理观测信息融合方法,包括:
S101、将预先划分的各个测点作为网络节点,将含噪电磁数据为参数,建立神经网络对所述含噪电磁数据进行降维处理,实现对含噪电磁数据深度表示的提取;
S102、将地球物理观测的数据及提取的所述含噪电磁数据深度表示作为网络节点的属性,进行降维处理并进行特征融合,将融合后的特征带入一个变分自编码器,实现对包含网络拓扑结构与节点属性的网络节点低维嵌入表示的提取;
S103、对获得的所述低维嵌入表示进行聚类分析,获取各个节点的类标签分布。
本发明实施例中,所述地球物理观测信息融合方法还包括:通过研究分析获得的各个类标签的物理意义,对测区地质结构特征的进行判断。
本发明实施例中,所述地球物理观测信息融合方法之前还包括:
设置测线,并沿测线设置测点;
记录各个测点或者所述测点的投影点的坐标;
将所有测点或者所述测点的投影点之间的相互间的位置关系形成一个拓扑网络,各个测点或者所述测点的投影点作为所述拓扑网络的网络节点。
本发明实施例中,设置测线包括:
根据观测方式设置测线,所述观测方式包括以下的一项或者多项:地面观测、机载观测及卫星观测。
本发明实施例中,建立神经网络对所述含噪电磁数据进行降维处理包括:
采用栈式自编码器神经网络,通过堆叠多个自编码器提取含噪电磁数据或所述含噪电磁数据衰减曲线的深度特征。
本发明实施例说明多元地球物理观测融合分析的过程:
如图3所示,开展综合地球物理探测,根据需求设计测线(包括地面观测、机载观测及卫星观测),其在地表上的投影如图3上虚线所示;沿测线按照一定要求设计测点,其在地表上的投影如图3中三角所示。各个测点(或者其投影点)将具有独一无二的坐标。这样,所有测点(或者其投影点)之间的相互间的位置关系将形成一个拓扑网络,各个测点(或者其投影点)成为该网络的节点,而对应各个测点(或者其投影点)的观测,将被视为各网络节点的属性。本发明实施例中,各个测点(或者其投影点)上的观测包括两类,一类为磁法、重力法或者遥感观测所获得的观测结果,它们显示地表达大地的某方面特征;另一类为电磁法观测的结果,单一测点上的观测结果通常为一个数据序列,其隐式地表达大地的电阻率结构特征。
基于上述观测网络结构与观测数据特征,如图4所示,为开展包含电磁法数据的多元数据融合分析,流程主要包括:
(1)以含噪电磁数据(Noisy EM Data)为输入,建立神经网络对其进行降维处理,实现对其深度表示的提取。
(2)将测点的空间几何位置关系构成的拓扑结构作为网络,将各个测点作为网络节点,将其他地球物理观测的数据及步骤(1)中提取的电磁数据深度表示作为网络节点的属性,首先对三者的特征进行降维,然后对三者进行特征融合,将融合后的特征带入一个变分自编码器(Variational Auto-Encoding,VAE),实现对同时包含网络拓扑结构与节点属性的网络节点低维嵌入表示(Low Dimensional Embedding Representation,LDER)的提取。
(3)对节点的低维嵌入表示进行聚类分析,获取各个节点的类标签分布(ClassLabel Distribution)。通过研究分析各个类标签的物理意义,最终实现对测区地质结构特征的准确判断。
本发明实施例在上述步骤的处理流程中,每一步骤均会有一个最优化(训练)过程,当这三个最优化过程彼此独立时,上述三个步骤将彼此独立。相邻的两个步骤可以开展联合最优化处理,如:第一步与第二步开展联合最优化处理,可以使第一步提取的电磁深度表示能够更好地与其他观测数据相融合;第二步与第三步开展联合最优化,可以使第二步提取出的LDER将能够更加适合后续聚类处理的要求。最后,可以使前后三步处理的最优化过程全部联合,使整个处理过程更加紧致。
如图5所示,本发明实施例还提供一种地球物理观测信息融合装置,包括:
深度提取模块,设置为将预先划分的各个测点作为网络节点,将含噪电磁数据为参数,建立神经网络对所述含噪电磁数据进行降维处理,实现对含噪电磁数据深度表示的提取;
属性提取模块,设置为将地球物理观测的数据及提取的所述含噪电磁数据深度表示作为网络节点的属性,进行降维处理并进行特征融合,将融合后的特征带入一个变分自编码器,实现对包含网络拓扑结构与节点属性的网络节点低维嵌入表示的提取;
分析模块,设置为对获得的所述低维嵌入表示进行聚类分析,获取各个节点的类标签分布。
本发明实施例中,所述的地球物理观测信息融合装置还包括:
判断模块,设置为通过研究分析获得的各个类标签的物理意义,对测区地质结构特征的进行判断。
本发明实施例中,预先进行:
设置测线,并沿测线设置测点;
记录各个测点或者所述测点的投影点的坐标;
将所有测点或者所述测点的投影点之间的相互间的位置关系形成一个拓扑网络,各个测点或者所述测点的投影点作为所述拓扑网络的网络节点。
其中,设置测线包括:
根据观测方式设置测线,所述观测方式包括以下的一项或者多项:地面观测、机载观测及卫星观测。
本发明实施例中,所述深度提取模块建立神经网络对所述含噪电磁数据进行降维处理包括:
采用栈式自编码器神经网络,通过堆叠多个自编码器提取含噪电磁数据或所述含噪电磁数据衰减曲线的深度特征。
实施例一
本实施例以TEM观测为例说明地球物理观测信息融合的过程:
对于综合地球物理探测,一般会获得多种观测数据,如:航空磁法、航空重力法、卫星高光谱遥感、航空电磁观测等。这些方法由于观测原理与技术区别较大,因此,其数据的空间分辨率彼此不同。为此,需要首先对测区进行测点设计,根据探测点距的要求建立测点网络,并计算其拓扑结构矩阵;然后将不同的观测数据通过插值或抽取等方法,投影到所设计的测点网络的各个测点上,作为各个网络节点的属性。这样,就形成了一个带有属性的网络。
为了实现基于测点网络的地质结构特征的准确判断,需要首先对上述带属性网路进行嵌入表示(Embedding Representation,ER),然后面向ER开展聚类研究。之所以不能直接利用传统数据挖掘方法,是因为这类方法是直接作用在网络拓扑结构(邻接矩阵)上的,无法有效利用节点属性所暗含的高阶结构关系;此外,对于上述地球物理测点网络,其稀疏性很强,使邻接矩阵成为一个高维稀疏阵列,从而导致计算难度很大。因此,就需要先对网络进行表示,提取出其ER,然后对ER进行处理。
相比其他观测的数据,电磁法的观测数据需要进行提前处理。这是因为:如磁法、重力法、高光谱遥感等方法,其观测对象显示地表达大地的某方面特征,而电磁法并非如此,如TEM,其观测数据是大地在其激励下产生的涡旋电流随时间衰减进而在传感器中产生的感生电动势,也即响应磁场的时间变化率,而非直接的大地电导率。
对电磁法数据进行提前处理,通常包含两种策略:一种策略是采用传统的数据处理-反演,最终提取出大地的电阻率结构(序列形式),并将之整体作为特征,如同高光谱观测中对应不同波长的光谱特征形成的序列;另一种策略是利用一个神经网络,用来直接提取观测信号(衰减曲线)的深度特征。比如采用栈式自编码器(Stacked Auto-Encoder,SAE)神经网络,其通过堆叠多个自编码器来增加神经网络系统的“深度”,从而有利于解决更加复杂问题。下面,以TEM观测为例,介绍基于SAE提取电磁信号深度表示的过程。如图6所示,所设计的SAE包含两个子网路:
子网络1为一个去噪自编码器(Denoising Auto-Encoder,DAE),其功能是完成含噪输入信号特征的初级提取。子网络1的输入X%为TEM含噪观测信号;经过对X%的处理,子网络1的输出为重构信号Z%,要求其尽可能接近无损有用信号X。在完成上述处理过程中,子网络1首先建立一个映射关系(编码过程),将X%转换为其C1(Code Layer),之后通过一个具有筛选功能的解码过程,实现对有用信号的重构。也即:子网络1的本质是使用无噪信号作为约束条件,使网络对输入信号降维特征的提取结果C1便利于实现对有用信号与噪声的区分。
子网络2由一个自编码器(Auto-Encoder)神经网络构成,是一个无监督网络,其输入数据为子网络1所获得的C1,通过训练使输出信号C1R能够尽可能接近C1。由此可见,子网络2的功能是对子网络1获得的C1进行再处理,进一步提取观测信号X%的深度特征某种意义上说,子网络2是子网络1功能的延续,之所以将子网络2单独提出来,是因为如果在子网络1中提取深度降维特征,则要求子网络1具有更多的层数。而当一个神经网络的隐含层数过多时,其训练难度会显著增大。因此,将提取深度特征的功能拆分为两个子网络,能够高效、可靠地完成训练任务。
此外,在图6中,输入信号的长度很短,但在实际观测中,TEM法数字接收机的采样率一般大于100kHz,对于25Hz发射基频,占空比1:1,仅在Off-time观测的常规观测设置,单一观测信号将包含4000个采样点。以此为基准对SAE开展结构设计,一般要求最终使子网络2提取的特征表示的长度小于100个Sampling。
经过上述处理,获得TEM观测信号的深度表示。本实施例中,因为SAE的输入信号是含噪TEM信号,因此其提取出的特征表示中也有噪声的部分。对此,一种策略是利用子网络1的输出信号作为无噪信号,对其进行再处理,提取出仅包含有用信号特征的深度表示;另一种策略是依然利用这种含噪的深度表示开展后续处理,利用后续处理的最优化过程,“屏蔽”噪声的影响,从而使整个处理流程具有更强的鲁棒性。在此实施例中,选择后一种策略。
在完成上述对电磁信号深度表示的提取后,即可将之与其他观测结果以及观测网络拓扑结构一起开展融合分析,其主要流程如图7所示:首先分别对电磁信号深度表示、其他地球物理观测数据(可能不止一种,这里合并表示)以及拓扑结构进行进一步降维处理。对于不同的数据,其降维过程所采用的方法可以不同。第二步,对进一步降维的数据进行数据融合,这里通常采用Concat策略实现融合。第三步,以融合后的特征为输入,利用一个变分自编码器提取其LDER。
获得测点上所有观测的融合LDER后,可以将之带入聚类算法,选择合适的节点与类表示之间的度量方法(如Wasserstein度量等),最终获得各个节点的类标签分布。相比于通常意义上的聚类研究,单一节点往往仅被归为特定的一个类中。但对于地学观测,每一个类可能都有一定的地质意义,因此需要对节点的类标签分布做进一步研究,讨论特定类产生的原因,厘清其物理意义,进而分析其地质意义,从而实现对地下空间更加精细可靠的判断。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器,如数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
Claims (10)
1.一种地球物理观测信息融合方法,其特征在于,包括:
将预先划分的各个测点作为网络节点,将含噪电磁数据为参数,建立神经网络对所述含噪电磁数据进行降维处理,实现对含噪电磁数据深度表示的提取;
将地球物理观测的数据及提取的所述含噪电磁数据深度表示作为网络节点的属性,进行降维处理并进行特征融合,将融合后的特征带入一个变分自编码器,实现对包含网络拓扑结构与节点属性的网络节点低维嵌入表示的提取;
对获得的所述低维嵌入表示进行聚类分析,获取各个节点的类标签分布。
2.根据权利要求1所述的信息融合方法,其特征在于,还包括:
通过研究分析获得的各个类标签的物理意义,对测区地质结构特征的进行判断。
3.根据权利要求1所述的信息融合方法,其特征在于,所述方法之前还包括:
设置测线,并沿测线设置测点;
记录各个测点或者所述测点的投影点的坐标;
将所有测点或者所述测点的投影点之间的相互间的位置关系形成一个拓扑网络,各个测点或者所述测点的投影点作为所述拓扑网络的网络节点。
4.根据权利要求3所述的信息融合方法,其特征在于,设置测线包括:
根据观测方式设置测线,所述观测方式包括以下的一项或者多项:地面观测、机载观测及卫星观测。
5.根据权利要求1所述的信息融合方法,其特征在于,建立神经网络对所述含噪电磁数据进行降维处理包括:
采用栈式自编码器神经网络,通过堆叠多个自编码器提取含噪电磁数据或所述含噪电磁数据衰减曲线的深度特征。
6.一种地球物理观测信息融合装置,其特征在于,包括:
深度提取模块,设置为将预先划分的各个测点作为网络节点,将含噪电磁数据为参数,建立神经网络对所述含噪电磁数据进行降维处理,实现对含噪电磁数据深度表示的提取;
属性提取模块,设置为将地球物理观测的数据及提取的所述含噪电磁数据深度表示作为网络节点的属性,进行降维处理并进行特征融合,将融合后的特征带入一个变分自编码器,实现对包含网络拓扑结构与节点属性的网络节点低维嵌入表示的提取;
分析模块,设置为对获得的所述低维嵌入表示进行聚类分析,获取各个节点的类标签分布。
7.根据权利要求6所述的信息融合装置,其特征在于,还包括:
判断模块,设置为通过研究分析获得的各个类标签的物理意义,对测区地质结构特征的进行判断。
8.根据权利要求6所述的信息融合装置,其特征在于,还包括:
拓扑模块,设置为设置测线,并沿测线设置测点;
记录各个测点或者所述测点的投影点的坐标;
将所有测点或者所述测点的投影点之间的相互间的位置关系形成一个拓扑网络,各个测点或者所述测点的投影点作为所述拓扑网络的网络节点。
9.根据权利要求8所述的信息融合装置,其特征在于,所述拓扑模块设置测线包括:
根据观测方式设置测线,所述观测方式包括以下的一项或者多项:地面观测、机载观测及卫星观测。
10.根据权利要求6所述的信息融合装置,其特征在于,所述深度提取模块建立神经网络对所述含噪电磁数据进行降维处理包括:
采用栈式自编码器神经网络,通过堆叠多个自编码器提取含噪电磁数据或所述含噪电磁数据衰减曲线的深度特征。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
AU2020101108 | 2020-06-24 | ||
AU2020101108A AU2020101108A4 (en) | 2020-06-24 | 2020-06-24 | A method for geophysical observation information fusion |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111766632A true CN111766632A (zh) | 2020-10-13 |
CN111766632B CN111766632B (zh) | 2021-08-24 |
Family
ID=71738691
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010658399.8A Active CN111766632B (zh) | 2020-06-24 | 2020-07-09 | 一种地球物理观测信息融合方法和装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111766632B (zh) |
AU (1) | AU2020101108A4 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113466571A (zh) * | 2021-09-06 | 2021-10-01 | 中国人民解放军国防科技大学 | 一种用于构建电磁地图的方法和系统 |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11313984B2 (en) * | 2019-06-09 | 2022-04-26 | Institute Of Geology And Geophysics, Chinese Academy Of Sciences | Method and system for electromagnetic method (EM) signal detection based on onshore sparker source |
CN112465067B (zh) * | 2020-12-15 | 2022-07-15 | 上海交通大学 | 基于图卷积自编码器的冷冻电镜单颗粒图像聚类实现方法 |
CN113176607B (zh) * | 2021-04-23 | 2022-12-09 | 西安交通大学 | 基于融入物理规律的稀疏自编码器地震反演方法及系统 |
CN113671421A (zh) * | 2021-08-24 | 2021-11-19 | 华北电力大学(保定) | 一种变压器状态评估与故障预警方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080260239A1 (en) * | 2007-04-17 | 2008-10-23 | Han Chin-Chuan | Object image detection method |
WO2013106720A1 (en) * | 2012-01-12 | 2013-07-18 | Schlumberger Canada Limited | Method for constrained history matching coupled with optimization |
CN106569272A (zh) * | 2016-11-11 | 2017-04-19 | 东北石油大学 | 一种基于数据性质空间升维的地震属性融合方法 |
CN107688201A (zh) * | 2017-08-23 | 2018-02-13 | 电子科技大学 | 基于rbm地震叠前信号聚类方法 |
CN109188536A (zh) * | 2018-09-20 | 2019-01-11 | 成都理工大学 | 基于深度学习的时频电磁与大地电磁联合反演方法 |
WO2019017962A1 (en) * | 2017-07-21 | 2019-01-24 | Landmark Graphics Corporation | TANK MODELING BASED ON DEEP LEARNING |
CN109635855A (zh) * | 2018-11-26 | 2019-04-16 | 南京理工大学 | 基于自编码器模型的多传感器融合跟踪方法 |
CN110096500A (zh) * | 2019-05-07 | 2019-08-06 | 上海海洋大学 | 一种面向海洋多维数据的可视分析方法及系统 |
CN110619334A (zh) * | 2019-09-16 | 2019-12-27 | Oppo广东移动通信有限公司 | 基于深度学习的人像分割方法、架构及相关装置 |
CN110766056A (zh) * | 2019-09-27 | 2020-02-07 | 中山大学 | 一种融合图像生成和多标签分类的异常图像检测方法 |
CN110806602A (zh) * | 2018-08-06 | 2020-02-18 | 中国石油化工股份有限公司 | 基于深度学习的智能化地震数据随机噪声压制方法 |
CN111025394A (zh) * | 2019-12-31 | 2020-04-17 | 淮南矿业(集团)有限责任公司 | 一种基于深度域地震资料精细小断层探测方法及装置 |
CN111025389A (zh) * | 2018-10-10 | 2020-04-17 | 中国石油化工股份有限公司 | 多尺度相干降维融合的裂缝预测方法及系统 |
US20200183047A1 (en) * | 2018-12-11 | 2020-06-11 | Exxonmobil Upstream Research Company | Automated Reservoir Modeling Using Deep Generative Networks |
-
2020
- 2020-06-24 AU AU2020101108A patent/AU2020101108A4/en active Active
- 2020-07-09 CN CN202010658399.8A patent/CN111766632B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080260239A1 (en) * | 2007-04-17 | 2008-10-23 | Han Chin-Chuan | Object image detection method |
WO2013106720A1 (en) * | 2012-01-12 | 2013-07-18 | Schlumberger Canada Limited | Method for constrained history matching coupled with optimization |
CN106569272A (zh) * | 2016-11-11 | 2017-04-19 | 东北石油大学 | 一种基于数据性质空间升维的地震属性融合方法 |
WO2019017962A1 (en) * | 2017-07-21 | 2019-01-24 | Landmark Graphics Corporation | TANK MODELING BASED ON DEEP LEARNING |
CN107688201A (zh) * | 2017-08-23 | 2018-02-13 | 电子科技大学 | 基于rbm地震叠前信号聚类方法 |
CN110806602A (zh) * | 2018-08-06 | 2020-02-18 | 中国石油化工股份有限公司 | 基于深度学习的智能化地震数据随机噪声压制方法 |
CN109188536A (zh) * | 2018-09-20 | 2019-01-11 | 成都理工大学 | 基于深度学习的时频电磁与大地电磁联合反演方法 |
CN111025389A (zh) * | 2018-10-10 | 2020-04-17 | 中国石油化工股份有限公司 | 多尺度相干降维融合的裂缝预测方法及系统 |
CN109635855A (zh) * | 2018-11-26 | 2019-04-16 | 南京理工大学 | 基于自编码器模型的多传感器融合跟踪方法 |
US20200183047A1 (en) * | 2018-12-11 | 2020-06-11 | Exxonmobil Upstream Research Company | Automated Reservoir Modeling Using Deep Generative Networks |
CN110096500A (zh) * | 2019-05-07 | 2019-08-06 | 上海海洋大学 | 一种面向海洋多维数据的可视分析方法及系统 |
CN110619334A (zh) * | 2019-09-16 | 2019-12-27 | Oppo广东移动通信有限公司 | 基于深度学习的人像分割方法、架构及相关装置 |
CN110766056A (zh) * | 2019-09-27 | 2020-02-07 | 中山大学 | 一种融合图像生成和多标签分类的异常图像检测方法 |
CN111025394A (zh) * | 2019-12-31 | 2020-04-17 | 淮南矿业(集团)有限责任公司 | 一种基于深度域地震资料精细小断层探测方法及装置 |
Non-Patent Citations (3)
Title |
---|
敬荣中 等: ""一种基于数据融合的地球物理数据融合联合反演方法-以VES和MT为例"", 《地球物理学报》 * |
武欣 等: ""瞬变电磁采样函数优化法降噪技术"", 《地球物理学报》 * |
胡昭华 等: ""基于Autoencoder网络的数据降维与重构"", 《电子与信息学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113466571A (zh) * | 2021-09-06 | 2021-10-01 | 中国人民解放军国防科技大学 | 一种用于构建电磁地图的方法和系统 |
CN113466571B (zh) * | 2021-09-06 | 2022-02-22 | 中国人民解放军国防科技大学 | 一种用于构建电磁地图的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
AU2020101108A4 (en) | 2020-07-30 |
CN111766632B (zh) | 2021-08-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111766632B (zh) | 一种地球物理观测信息融合方法和装置 | |
Cracknell et al. | The upside of uncertainty: Identification of lithology contact zones from airborne geophysics and satellite data using random forests and support vector machines | |
Shi et al. | Waveform embedding: Automatic horizon picking with unsupervised deep learning | |
US9704263B2 (en) | Methods of and apparatuses for identifying geological characteristics in boreholes | |
Gurney et al. | The use of contextual information in the classification of remotely sensed data | |
Peters et al. | Neural networks for geophysicists and their application to seismic data interpretation | |
Wu | Methods to compute salt likelihoods and extract salt boundaries from 3D seismic images | |
Assous et al. | Automated detection of planar geologic features in borehole images | |
Canaz Sevgen et al. | An improved RANSAC algorithm for extracting roof planes from airborne lidar data | |
HUE032588T2 (en) | Method for geological modeling from seismic data with line correlation | |
US20230161061A1 (en) | Structured representations of subsurface features for hydrocarbon system and geological reasoning | |
Song et al. | Boundary‐enhanced supervoxel segmentation for sparse outdoor LiDAR data | |
Ding et al. | Efficient vanishing point detection method in unstructured road environments based on dark channel prior | |
CN114776304B (zh) | 一种深海矿产异常区识别的方法、装置、设备及介质 | |
Gupta et al. | Change detection in Landsat images based on local neighbourhood information | |
Hossain et al. | Lithology prediction using well logs: A granular computing approach | |
CN113466947B (zh) | 一种应用于超导瞬变电磁的坏点自动去除方法 | |
Ishola et al. | Combining multiple electrode arrays for two-dimensional electrical resistivity imaging using the unsupervised classification technique | |
WO2022159698A1 (en) | Method and system for image-based reservoir property estimation using machine learning | |
Asif et al. | Automated transient electromagnetic data processing for ground-based and airborne systems by a deep learning expert system | |
CN106468171A (zh) | 多信息耦合的递进式砂砾岩岩相判别方法 | |
Wedge et al. | Fast and objective detection and analysis of structures in downhole images | |
Gamba et al. | Three-dimensional road network by fusion of polarimetric and interferometric SAR data | |
Luo et al. | Partial bundle adjustment for accurate three‐dimensional reconstruction | |
Shi et al. | Superpixel segmentation and machine learning classification algorithm for cloud detection in remote‐sensing images |
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 |