CN111862778B - 一种浅层岩性地质图生成方法、装置、储存介质及设备 - Google Patents
一种浅层岩性地质图生成方法、装置、储存介质及设备 Download PDFInfo
- Publication number
- CN111862778B CN111862778B CN202010501101.2A CN202010501101A CN111862778B CN 111862778 B CN111862778 B CN 111862778B CN 202010501101 A CN202010501101 A CN 202010501101A CN 111862778 B CN111862778 B CN 111862778B
- Authority
- CN
- China
- Prior art keywords
- lithology
- remote sensing
- sensing data
- target area
- geological
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000003860 storage Methods 0.000 title claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 238000012216 screening Methods 0.000 claims abstract description 36
- 230000006870 function Effects 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 23
- 239000012634 fragment Substances 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 11
- 238000001914 filtration Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 abstract description 12
- 238000011160 research Methods 0.000 abstract description 4
- 238000009826 distribution Methods 0.000 description 14
- 208000035126 Facies Diseases 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 9
- 238000007621 cluster analysis Methods 0.000 description 7
- 239000010438 granite Substances 0.000 description 6
- 241000132092 Aster Species 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 239000004576 sand Substances 0.000 description 5
- 239000004927 clay Substances 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 230000008021 deposition Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 241001085205 Prenanthella exigua Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B29/00—Maps; Plans; Charts; Diagrams, e.g. route diagram
- G09B29/003—Maps
- G09B29/005—Map projections or methods associated specifically therewith
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开一种浅层岩性地质图生成方法，包括：基于模糊C均值聚类算法对目标区域的多种类型遥感数据进行岩性识别，得到多种类型遥感数据所对应的识别结果；分析识别结果的数据之间的相关性，筛选出识别结果中最能体现目标区域中岩性的岩性地质图，根据岩性地质图筛选出对应的遥感数据，形成新的最能体现目标区域中岩性的遥感数据；将最能体现目标区域中岩性的遥感数据重新进行多类型遥感数据聚类岩性识别，得到目标区域岩性地质图。该方法通过多种类型遥感数据的综合应用，筛选对浅层岩性最为敏感的遥感数据进行聚类计算，从而形成高质量的地质图，提高地质填图的工作效率，丰富地质图，提高图件的质量和基础地质研究的水平。
Description
技术领域
本发明涉及地质勘测技术领域，尤其涉及一种浅层岩性地质图生成方法、装置、储存介质及设备。
背景技术
我国覆盖区的面积约占全国陆地面积的1/3以上，其中相当一部分地区是覆盖层厚度不超过100m的浅覆盖区(第四系覆盖层厚度小于100m，覆盖层面积占图幅面积50％或50％以上的地区)。在浅覆盖区地质填图工作中，常规填图方法由于基岩露头少而受到限制，隐伏的岩体、地层、构造、矿产(化)以及地表地质现象在深部发生的变化情况等信息无法直接观察研究，利用转石或局部零散露头填制的地质图可信度低、信息量少、整体质量不高。
目前，通过单一勘查方法进行地质填图的工作效率地，准确度及精度较差，尤其是通过单一方法勘查覆盖区，得到的区域地质图件的信息承载量较少，因此，如何提高图件的质量是一件亟待解决的问题。
发明内容
(一)发明目的
本发明的目的是提供一种浅层岩性地质图生成方法、装置、储存介质及设备以解决现有技术中地质图件绘制效率低，图件准确度及精度较差的问题。
(二)技术方案
为解决上述问题，本发明的第一方面提供了一种浅层岩性地质图生成方法，包括：
基于模糊C均值聚类算法对目标区域的多种类型遥感数据进行岩性识别，得到所述多种类型遥感数据所对应的识别结果；
分析所述识别结果的数据之间的相关性，筛选出所述识别结果中最能体现目标区域中岩性的岩性地质图，并反向计算得到与之对应的最能体现目标区域中岩性的遥感数据；
将所述最能体现目标区域中岩性的遥感数据重新进行多类型遥感数据聚类岩性识别，得到目标区域岩性地质图。
进一步地，所述基于模糊C均值聚类算法对目标区域的多种类型遥感数据进行岩性识别，得到所述多种类型遥感数据所对应的识别结果具体为：
假设将遥感数据每个采样点视为一个采集向量，所述向量维度等于遥感数据通道数，每幅遥感数据有n个向量xi(i＝1,2,…,n)，将分为c个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小，与引入模糊划分相适应，隶属矩阵U允许有取值在0，1间的元素，同时加上归一化规定，一个数据集的隶属度的和总等于1：
那么，基于模糊C均值聚类算法的目标函数为：
这里uij介于0，1间；ci为模糊组I的聚类中心，dij＝||ci-xj||为第I个聚类中心与第j个数据点间的欧几里德距离；且m∈[1,∞)是一个加权指数；
构造如下新的目标函数，可求得使(3.2)式达到最小值的必要条件：
这里λj，j＝1到n，是1)式的n个约束式的拉格朗日乘子，对所有输入参量求导，使式(2)达到最小的必要条件为：
和
由上述两个必要条件，模糊c均值聚类算法的计算步骤如下：
步骤1：用值在0，1间的随机数初始化隶属矩阵U，使其满足式(1)中的约束条件；
步骤2：用式(4)计算c个聚类中心ci，i＝1,…,c；
步骤3：根据式(2)计算价值函数。如果它小于某个确定的阀值，或它相对上次价值函数值的改变量小于某个阀值，则算法停止。
进一步地，所述分析所述识别结果的数据之间的相关性，筛选出所述识别结果中最能体现目标区域中岩性的岩性地质图，并反向计算得到与之对应的最能体现目标区域中岩性的遥感数据包括：
对所述识别结果进行数据间的相关性分析，通过计算得到的多幅岩性地质图的相关性，设得到岩性地质图综述为m，筛选出相关性较差的前n幅图件，所述相关性较差为协方差较大：
其中，X,Y表示两幅岩性地质图，Xi，Yi表示岩性地质图中的第i个点，
表示不同地质图的均值，
筛选出预设数量相关性低的岩性地质图组成最能体现目标区域中岩性的岩性地质图；
基于所述最能体现目标区域中岩性的岩性地质图反向计算得到与之对应的最能体现目标区域中岩性的遥感数据。
进一步地，还包括：
将多种类型遥感数据进行预处理后进行拼接，得到目标区域的多种类型遥感数据。
进一步地，所述预处理包括：岩性碎片的均色处理、岩性碎片的边界位置插值和羽化处理。
进一步地，还包括：
对所述目标区域岩性地质图进行空间滤波处理。
根据本发明的另一个方面，提供一种浅层岩性地质图生成装置，包括：
模糊C均值聚类模块，用于基于模糊C均值聚类算法对目标区域的多种类型遥感数据进行岩性识别，得到所述多种类型遥感数据所对应的识别结果；
数据筛选模块，用于分析所述识别结果的数据之间的相关性，筛选出所述识别结果中最能体现目标区域中岩性的岩性地质图，并反向计算得到与之对应的最能体现目标区域中岩性的遥感数据；
聚类模块，用于将所述最能体现目标区域中岩性的遥感数据重新进行多类型遥感数据聚类岩性识别，得到目标区域岩性地质图。
进一步地，所述基于模糊C均值聚类算法对目标区域的多种类型遥感数据进行岩性识别，得到所述多种类型遥感数据所对应的识别结果具体为：
假设将遥感数据每个采样点视为一个采集向量，所述向量维度等于遥感数据通道数，每幅遥感数据有n个向量xi(i＝1,2,…,n)，将分为c个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小，与引入模糊划分相适应，隶属矩阵U允许有取值在0，1间的元素，同时加上归一化规定，一个数据集的隶属度的和总等于1：
那么，基于模糊C均值聚类算法的目标函数为：
这里uij介于0，1间；ci为模糊组I的聚类中心，dij＝||ci-xj||为第I个聚类中心与第j个数据点间的欧几里德距离；且m∈[1,∞)是一个加权指数；
构造如下新的目标函数，可求得使(3.2)式达到最小值的必要条件：
这里λj，j＝1到n，是1)式的n个约束式的拉格朗日乘子，对所有输入参量求导，使式(2)达到最小的必要条件为：
和
由上述两个必要条件，模糊c均值聚类算法的计算步骤如下：
步骤1：用值在0，1间的随机数初始化隶属矩阵U，使其满足式(1)中的约束条件；
步骤2：用式(4)计算c个聚类中心ci，i＝1,…,c；
步骤3：根据式(2)计算价值函数。如果它小于某个确定的阀值，或它相对上次价值函数值的改变量小于某个阀值，则算法停止。
进一步地，所述分析所述识别结果的数据之间的相关性，筛选出所述识别结果中最能体现目标区域中岩性的岩性地质图，并反向计算得到与之对应的最能体现目标区域中岩性的遥感数据包括：
相关性分析单元，用于对所述识别结果进行数据间的相关性分析；
筛选单元，用于筛选出预设数量相关性低的岩性地质图组成最能体现目标区域中岩性的岩性地质图；
反向计算模块，用于基于所述最能体现目标区域中岩性的岩性地质图反向计算得到与之对应的最能体现目标区域中岩性的遥感数据。
进一步地，还包括：
拼接模块，用于将多种类型遥感数据进行预处理后进行拼接，得到目标区域的多种类型遥感数据。
进一步地，所述预处理包括：岩性碎片的均色处理、岩性碎片的边界位置插值和羽化处理。
进一步地，还包括：
空间滤波模块，用于对所述目标区域岩性地质图进行空间滤波处理。
根据本发明的又一方面，提供一种计算机存储介质，所述存储介质上存储有计算机程序，所述程序被处理器执行时实现上述技术方案中任意一项所述方法的步骤。
根据本发明的又一方面，提供一种设备，包括存储器、显示器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述技术方案中任意一项所述方法的步骤。
(三)有益效果
本发明的上述技术方案具有如下有益的技术效果：
通过多种勘查结果的综合应用，筛选各种方法的优质结果进行拼接，从而形成高质量的地质图，提高地质填图的工作效率，丰富地质图，尤其是覆盖区区域地质图件的信息承载量，提高图件的质量和基础地质研究的水平。
附图说明
图1是根据本发明第一实施方式的浅层岩性地质图生成方法流程图；
图2是根据本发明一可选实施方式的高分二号遥感图像机器识别的对比图；
图3是根据本发明一可选实施方式的SPOT数据及聚类结果图；
图4是根据本发明一可选实施方式的对SPOT遥感数据进行机器识别处理后的数据及聚类结果图；
图5是根据本发明一可选实施方式的Aster传感器数据及聚类结果图；
图6是根据本发明一可选实施方式的对Aster遥感数据进行机器识别处理后的数据及聚类结果图。
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了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。
显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
如图1所示，在本发明实施例的第一方面，提供了一种浅层岩性地质图生成方法，包括：
S1：基于模糊C均值聚类算法对目标区域的多种类型遥感数据进行岩性识别，得到所述多种类型遥感数据所对应的识别结果；
S2：分析所述识别结果的数据之间的相关性，筛选出所述识别结果中最能体现目标区域中岩性的岩性地质图，根据所述岩性地质图筛选出对应的遥感数据，形成新的最能体现目标区域中岩性的遥感数据；此步骤筛选出的遥感数据，可以形成一个新的聚类分析样本，具体通过协方差相关的方法，筛选出相关度较低的遥感数据，形成新的聚类分析样本集。
S3：将所述最能体现目标区域中岩性的遥感数据重新进行多类型遥感数据聚类岩性识别，得到目标区域岩性地质图。
上述实施例方法通过多种类型遥感数据的综合应用，筛选各种方法的优质结果进行拼接，从而形成高质量的地质图，提高地质填图的工作效率，丰富地质图，尤其是覆盖区区域地质图件的信息承载量，提高图件的质量和基础地质研究的水平。
可选的，所述基于模糊C均值聚类算法对目标区域的多种类型遥感数据进行岩性识别，得到所述多种类型遥感数据所对应的识别结果具体为：
假设将遥感数据每个采样点视为一个采集向量，所述向量维度等于遥感数据通道数，每幅遥感数据有n个向量xi(i＝1,2,…,n)，将分为c个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小，与引入模糊划分相适应，隶属矩阵U允许有取值在0，1间的元素，同时加上归一化规定，一个数据集的隶属度的和总等于1：
那么，基于模糊C均值聚类算法的目标函数为：
这里uij介于0，1间；ci为模糊组I的聚类中心，dij＝||ci-xj||为第I个聚类中心与第j个数据点间的欧几里德距离；且m∈[1,∞)是一个加权指数；
构造如下新的目标函数，可求得使(3.2)式达到最小值的必要条件：
这里λj，j＝1到n，是1)式的n个约束式的拉格朗日乘子，对所有输入参量求导，使式(2)达到最小的必要条件为：
和
由上述两个必要条件，模糊c均值聚类算法的计算步骤如下：
步骤1：用值在0，1间的随机数初始化隶属矩阵U，使其满足式(1)中的约束条件；
步骤2：用式(4)计算c个聚类中心ci，i＝1,…,c；
步骤3：根据式(2)计算价值函数。如果它小于某个确定的阀值，或它相对上次价值函数值的改变量小于某个阀值，则算法停止。
模糊聚类算法是一种基于函数最优方法的聚类算法，使用微积分计算技术求最优代价函数。在基于概率算法的聚类方法中将使用概率密度函数，为此要假定合适的模型，模糊聚类算法的向量可以同时属于多个聚类，从而摆脱上述问题。在模糊聚类算法中，定义了向量与聚类之间的近邻函数，并且聚类中向量的隶属度由隶属函数集合提供。对模糊方法而言，在不同聚类中的向量隶属函数值是相互关联的。
FCM把n个向量xi(i＝1,2,…,n)分为c个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小。FCM与HCM的主要区别在于FCM用模糊划分，使得每个给定数据点用值在0，1间的隶属度来确定其属于各个组的程度。与引入模糊划分相适应，隶属矩阵U允许有取值在0，1间的元素。不过，加上归一化规定，一个数据集的隶属度的和总等于1：
那么，FCM的价值函数(或目标函数)就是：
这里uij介于0，1间；ci为模糊组I的聚类中心，dij＝||ci-xj||为第I个聚类中心与第j个数据点间的欧几里德距离；且m∈[1,∞)是一个加权指数。
构造如下新的目标函数，可求得使(5.2)式达到最小值的必要条件：
这里λj，j＝1到n，是(5.1)式的n个约束式的拉格朗日乘子。对所有输入参量求导，使式(5.2)达到最小的必要条件为：
和
由上述两个必要条件，模糊c均值聚类算法是一个简单的迭代过程。在批处理方式运行时，FCM用下列步骤确定聚类中心ci和隶属矩阵U[1]：
步骤1：用值在0，1间的随机数初始化隶属矩阵U，使其满足式(5.1)中的约束条件
步骤2：用式(5.4)计算c个聚类中心ci，i＝1,…,c。
步骤3：根据式(5.2)计算价值函数。如果它小于某个确定的阀值，或它相对上次价值函数值的改变量小于某个阀值，则算法停止。
步骤4：用(5.5)计算新的U矩阵。返回步骤2。
上述算法也可以先初始化聚类中心，然后再执行迭代过程。由于不能确保FCM收敛于一个最优解。算法的性能依赖于初始聚类中心。因此，我们要么用另外的快速算法确定初始聚类中心，要么每次用不同的初始聚类中心启动该算法，多次运行FCM。
设被分类的对象的集合为：X＝{x1，x2，…，xN}，其中每一个对象xk有n个特性指标，设为xk＝(x1k，x2k，…，xnk)T,如果要把X分成c类，则它的每一个分类结果都对应一个c×N阶的Boolean矩阵U＝[uik]c×N，对应的模糊c划分空间为：
在此空间上，模糊c均值算法如下：
1≤k≤N
(dik)2＞0；i＝1，2，…，c
||U(l)-U(l-1)||<ε
进一步地，所述分析所述识别结果的数据之间的相关性，筛选出所述识别结果中最能体现目标区域中岩性的岩性地质图，并反向计算得到与之对应的最能体现目标区域中岩性的遥感数据包括：
对所述识别结果进行数据间的相关性分析，通过计算得到的多幅岩性地质图的相关性，设得到岩性地质图综述为m，筛选出相关性较差的前n幅图件，所述相关性较差为协方差较大：
其中，X,Y表示两幅岩性地质图，Xi，Yi表示岩性地质图中的第i个点，
表示不同地质图的均值，
筛选出预设数量相关性低的岩性地质图组成最能体现目标区域中岩性的岩性地质图；
基于所述最能体现目标区域中岩性的岩性地质图反向计算得到与之对应的最能体现目标区域中岩性的遥感数据。
可选的，分析岩性地质图集，筛选出最能体现目标区域中岩性的岩性地质图，得到目标区域的岩性地质图优选集包括：对岩性地质图集中每套地质图进行解析，综合多套地质图分析目标区域所包含的岩性；筛选出最能体现目标区域所包含的岩性的岩性地质图，得到目标区域的岩性地质图优选集。
可选的，将岩性地质图优选集中岩性地质图进行拼接，得到目标区域岩性地质图包括：将岩性地质图优选集中每幅图所最能体现岩性的部分进行裁剪，得到目标区域的岩性碎片集；将岩性碎片集中的岩性碎片进行预处理，使岩性碎片色谱统一，得到统一色谱岩性碎片集；将统一色谱岩性碎片集中的岩性碎片按照目标区域的岩性分布进行拼接、融合，得到目标区域岩性地质图。
可选的，预处理包括：岩性碎片的均色处理、岩性碎片的边界位置插值和羽化处理。
可选的，还包括：对目标区域岩性地质图进行空间滤波处理，减低地表覆盖物对浅层岩性识别的影响。
在本发明一具体实施例中，基于多遥感数据的岩性识别分析,通过上述模糊聚类算法应用，提取遥感数据中反映岩性的信息并对识别结果进行分类。
1)高分二号遥感数据聚类分析
如图2所示，对高分二号遥感数据进行机器识别处理，并进行聚类分析得到如下分类结果：
(1)class 5：城镇等建筑物的典型特征。遥感图像为亮白色(如图5所示)，说明高分二号卫星全波段的反射均较好，即使通过低通滤波处理(提高深层地层分辨能力)，可见光波段数据仍然很难消除此类地表干扰的影响。
(2)class 2和class 3：植被覆盖的典型特征。遥感图像为绿色(如图5所示)，分类结果以浅绿色和深绿色表示。从分类结果可以看到，道路的干扰信息已经被有效的消除。
(3)class 4：聚类分析结果中白色点虚线圈画的深蓝色区域在遥感图像和遥感处理图像上表现为植被覆盖，但是区别于class 2和class 3的分类结果，实际近地表岩性显示为黄土或黏土为主。对比现有地质填图结果，此区域多为湖相黏土和风成黄土，聚类结果预测效果较好。
(4)class 1：在遥感图像上为植被覆盖，区别于其他植被的分类结果，聚类为红色，对比现有地质填图结果，此区域多为花岗闪长岩或砂砾岩为主，聚类结果预测效果较好。
高分二号数据能够很好的识别运城地区北部花岗岩分布规律，对北部风成黄土和中部砂岩分布条带均有较好识别，同时，对区内黏土的分布位置也较为准确，但单一遥感数据存在一定的多解性，需要通过多套数据的综合分析对近地表岩性进行更为精细的分析。
2)SPOT卫星遥感数据聚类分析
SPOT卫星数据受到云层干扰，如图3所示，对于不同波段的聚类分析结果具有不同程度的影响，通过对比，近红外遥感数据的聚类分析结果能够更好的减弱云层遮蔽的影响。
如图5-6所示，对SPOT遥感数据进行机器识别处理，并进行聚类分析得到如下分类结果，如图4所示
(1)近红外波段的聚类结果能够较好的反映工区北部(1)花岗岩和(2)砂砾石冲积水道及冲积扇的分布范围，对比现有地质填图，白垩系花岗岩及沉积水道岩性与聚类结果吻合，且具有较高分辨能力，尤其对冲积水道分布位置及形态表征优于高分二号遥感数据分类结果。
(2)近红外波段的聚类结果能够较好的反映出北部冲积扇体的平面分布，与现有的地质填图所揭示的湖相沉积泥岩结果吻合较好。工区东北部水道向南沉积，形成冲积扇相沉积，与西北部的冲积扇相被分为一类(深蓝色)，说明近红外波段的聚类结果能够较好的反映河流相及冲积扇相沉积岩。
(3)近红外波段的聚类结果能够较好的反映出工区的中西部和南部风成黄土(红色和黄色混合)，与现有的地质填图所揭示的结果较为一致，但是此聚类特征存在一定的多解性，有待补充数据进行进一步分析。
(4)近红外波段的聚类结果能够较好的反映工区中部粉砂岩条带分布特征，与现有地质填图结果一致。聚类结果中条带中西部为黄色(岩性为粉砂岩)，东部为蓝色，钻井显示为取土井，岩性在条带上的变化与聚类结果一致，说明聚类结果较为准确。
SPOT数据近红外波段聚类结果受地表植被的影响较小，相比于高分二号数据，能够更好的反映出工区北部河流相和冲积扇相岩性特征；对工区中部砂岩条带及其中的岩性变化识别较为准确；对工区的中西部和南部的风成黄土有较好的识别，聚类识别结果与现有的地质填图结果较为一致。
3)Aster传感器遥感数据聚类分析
Aster传感器遥感数据波段范围较宽，包括：(1)可见光/近红外；(2)短波红外；(3)热红外，通过对比不同波段的遥感数据，如图5所示，热红外波段与全波段数据聚类分析结果基本一致，全波段能反映出更多细节和岩性信息。
如图6所示，对SPOTAster遥感数据进行机器识别处理，并进行聚类分析得到如下分类结果：
(1)全波段遥感数据包括近红外短波长信号，聚类结果能够较好的反映出工区北部花岗岩、河流相和冲积扇相岩性分布，短波长信号可以反映出更为细节的岩性信息，此预测结果与SPOT遥感数据和现有岩性填图结果一致。
(2)全波段遥感数据包含的热红外波段波场数据波场较长，能够更好的反映更为深层的岩性信息。聚类结果能够较好的反映出工区中部偏北的砂体(红色)，此预测结果与现有的岩性填图结果吻合较好。同时，聚类结果能够较好反映工区中部条带状砂体分布(红色)，在条带东部取土井位置，聚类结果表现为绿色，说明岩性横向变化，此结果与现有的岩性填图结果一致。
(3)全波段遥感数据能够较好的反映出工区南部湖相沉积黏土。此举类结果与现有岩性填图结果分布范围较为一致，说明长波长数据能够较好的压制地表植被的影响。
Aster传感器数据能够很好的识别运城地区北部花岗岩分布规律，对北部河流相及冲击扇相沉积体有较好的聚类效果。同时，聚类结果能够反映出中部偏北砂岩及中部条带分布砂体的特征。从全波段数据聚类结果分析，Aster传感器热红外波段对浅地表水体的分布较为敏感，会造成工区南北湖相沉积泥岩的聚类特征不同。
遥感数据进行岩性识别，需要对数据进行预处理，项目中提出的均色处理及无缝拼接处理方法能够较好的完成数据的一致性处理。应用遥感数据进行近地表岩性识别前，需要针对不同类型遥感数据进行多尺度空间滤波处理，使得数据能够较好的反映近地表岩性特征，减弱地表干扰。项目提出的遥感数据模糊聚类方法能够较好的识别出近地表岩性信息，不同类型遥感数据所反映的岩性信息不同，所以通过多套遥感数据的综合应用，浅地表岩性分布情况可以得到更为准确的预测。
在本发明实施例的另一个方面，提供一种浅层岩性地质图生成装置，包括：
模糊C均值聚类模块，用于基于模糊C均值聚类算法对目标区域的多种类型遥感数据进行岩性识别，得到所述多种类型遥感数据所对应的识别结果；
数据筛选模块，用于分析所述识别结果的数据之间的相关性，筛选出所述识别结果中最能体现目标区域中岩性的岩性地质图，并反向计算得到与之对应的最能体现目标区域中岩性的遥感数据；
聚类模块，用于将所述最能体现目标区域中岩性的遥感数据重新进行多类型遥感数据聚类岩性识别，得到目标区域岩性地质图。
可选的，所述基于模糊C均值聚类算法对目标区域的多种类型遥感数据进行岩性识别，得到所述多种类型遥感数据所对应的识别结果具体为：
假设将遥感数据每个采样点视为一个采集向量，所述向量维度等于遥感数据通道数，每幅遥感数据有n个向量xi(i＝1,2,…,n)，将分为c个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小，与引入模糊划分相适应，隶属矩阵U允许有取值在0，1间的元素，同时加上归一化规定，一个数据集的隶属度的和总等于1：
那么，基于模糊C均值聚类算法的目标函数为：
这里uij介于0，1间；ci为模糊组I的聚类中心，dij＝||ci-xj||为第I个聚类中心与第j个数据点间的欧几里德距离；且m∈[1,∞)是一个加权指数；
构造如下新的目标函数，可求得使(3.2)式达到最小值的必要条件：
这里λj，j＝1到n，是1)式的n个约束式的拉格朗日乘子，对所有输入参量求导，使式(2)达到最小的必要条件为：
和
由上述两个必要条件，模糊c均值聚类算法的计算步骤如下：
步骤1：用值在0，1间的随机数初始化隶属矩阵U，使其满足式(1)中的约束条件；
步骤2：用式(4)计算c个聚类中心ci，i＝1,…,c；
步骤3：根据式(2)计算价值函数。如果它小于某个确定的阀值，或它相对上次价值函数值的改变量小于某个阀值，则算法停止。
可选的，所述分析所述识别结果的数据之间的相关性，筛选出所述识别结果中最能体现目标区域中岩性的岩性地质图，并反向计算得到与之对应的最能体现目标区域中岩性的遥感数据包括：
相关性分析单元，用于对所述识别结果进行数据间的相关性分析；
筛选单元，用于筛选出预设数量相关性低的岩性地质图组成最能体现目标区域中岩性的岩性地质图；
反向计算模块，用于基于所述最能体现目标区域中岩性的岩性地质图反向计算得到与之对应的最能体现目标区域中岩性的遥感数据。
可选的，还包括：
拼接模块，用于将多种类型遥感数据进行预处理后进行拼接，得到目标区域的多种类型遥感数据。
可选的，所述预处理包括：岩性碎片的均色处理、岩性碎片的边界位置插值和羽化处理。
可选的，还包括：
空间滤波模块，用于对所述目标区域岩性地质图进行空间滤波处理。
在本发明实施例的又一方面，提供一种计算机存储介质，存储介质上存储有计算机程序，程序被处理器执行时实现上述实施例中任意一项方法的步骤。
在本发明实施例的又一方面，提供一种设备，包括存储器、显示器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述实施例中任意一项方法的步骤。
本发明旨在保护一种浅层岩性地质图生成方法，包括：基于模糊C均值聚类算法对目标区域的多种类型遥感数据进行岩性识别，得到目标区域岩性地质图集；分析岩性地质图集，筛选出最能体现目标区域中岩性的岩性地质图，得到目标区域的岩性地质图优选集；将岩性地质图优选集中岩性地质图进行拼接，得到目标区域岩性地质图。该方法通过多种类型遥感数据的综合应用，筛选各种方法的优质结果进行拼接，从而形成高质量的地质图，提高地质填图的工作效率，丰富地质图，尤其是覆盖区区域地质图件的信息承载量，提高图件的质量和基础地质研究的水平。
应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。
Claims (10)
1.一种浅层岩性地质图生成方法，其特征在于，包括：
基于模糊C均值聚类算法对目标区域的多种类型遥感数据进行岩性识别，得到所述多种类型遥感数据所对应的识别结果；
分析所述识别结果的数据之间的相关性，筛选出所述识别结果中最能体现目标区域中岩性的岩性地质图，根据所述岩性地质图筛选出对应的遥感数据，形成新的最能体现目标区域中岩性的遥感数据；
将所述最能体现目标区域中岩性的遥感数据重新进行多类型遥感数据聚类岩性识别，得到目标区域岩性地质图；
所述基于模糊C均值聚类算法对目标区域的多种类型遥感数据进行岩性识别，得到所述多种类型遥感数据所对应的识别结果具体为：
假设将遥感数据每个采样点视为一个采集向量，向量维度等于遥感数据通道数，每幅遥感数据有n个向量xi(i＝1,2,…,n)，将分为c个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小，与引入模糊划分相适应，隶属矩阵U允许有取值在0，1间的元素，同时加上归一化规定，一个数据集的隶属度的和总等于1：
那么，基于模糊C均值聚类算法的目标函数为：
这里uij介于0，1间；ci为模糊组I的聚类中心，dij＝||ci-xj||为第I个聚类中心与第j个数据点间的欧几里德距离；且m∈[1,∞)是一个加权指数；
构造如下新的目标函数，可求得使(2)式达到最小值的必要条件：
这里λj，j＝1到n，是(1)式的n个约束式的拉格朗日乘子，对所有输入参量求导，使式(2)达到最小值的必要条件为：
和
模糊c均值聚类算法的计算步骤如下：
步骤1：用值在0，1间的随机数初始化隶属矩阵U，使其满足式(1)中的约束条件；
步骤2：用式(4)计算c个聚类中心ci，i＝1,…,c；
步骤3：根据式(2)计算价值函数，如果它小于某个确定的阀值，或它相对上次价值函数值的改变量小于某个阀值，则算法停止；
步骤4：用式(5)计算新的U矩阵，返回步骤2；
所述分析所述识别结果的数据之间的相关性，筛选出所述识别结果中最能体现目标区域中岩性的岩性地质图，并反向计算得到与之对应的最能体现目标区域中岩性的遥感数据包括：
对所述识别结果进行数据间的相关性分析，通过计算得到的多幅岩性地质图的相关性，设得到岩性地质图综述为m，筛选出相关性较差的前n幅图件，所述相关性较差为协方差较大：
其中，X,Y表示两幅岩性地质图，Xi，Yi表示岩性地质图中的第i个点，
表示不同地质图的均值，
筛选出预设数量相关性低的岩性地质图组成最能体现目标区域中岩性的岩性地质图；
基于所述最能体现目标区域中岩性的岩性地质图反向计算得到与之对应的最能体现目标区域中岩性的遥感数据。
2.根据权利要求1所述的方法，其特征在于，还包括：
将多种类型遥感数据进行预处理后进行拼接，得到目标区域的多种类型遥感数据。
3.根据权利要求2所述的方法，其特征在于，所述预处理包括：岩性碎片的均色处理、岩性碎片的边界位置插值和羽化处理。
4.根据权利要求1-3任一项所述的方法，其特征在于，还包括：
对所述目标区域岩性地质图进行空间滤波处理。
5.一种浅层岩性地质图生成装置，其特征在于，包括：
模糊C均值聚类模块，用于基于模糊C均值聚类算法对目标区域的多种类型遥感数据进行岩性识别，得到所述多种类型遥感数据所对应的识别结果；
数据筛选模块，用于分析所述识别结果的数据之间的相关性，筛选出所述识别结果中最能体现目标区域中岩性的岩性地质图，并反向计算得到与之对应的最能体现目标区域中岩性的遥感数据；
聚类模块，用于将所述最能体现目标区域中岩性的遥感数据重新进行多类型遥感数据聚类岩性识别，得到目标区域岩性地质图；
所述基于模糊C均值聚类算法对目标区域的多种类型遥感数据进行岩性识别，得到所述多种类型遥感数据所对应的识别结果具体为：
假设将遥感数据每个采样点视为一个采集向量，向量维度等于遥感数据通道数，每幅遥感数据有n个向量xi(i＝1,2,…,n)，将分为c个模糊组，并求每组的聚类中心，使得非相似性指标的价值函数达到最小，与引入模糊划分相适应，隶属矩阵U允许有取值在0，1间的元素，同时加上归一化规定，一个数据集的隶属度的和总等于1：
那么，基于模糊C均值聚类算法的目标函数为：
这里uij介于0，1间；ci为模糊组I的聚类中心，dij＝||ci-xj||为第I个聚类中心与第j个数据点间的欧几里德距离；且m∈[1,∞)是一个加权指数；
构造如下新的目标函数，可求得使(2)式达到最小值的必要条件：
这里λj，j＝1到n，是(1)式的n个约束式的拉格朗日乘子，对所有输入参量求导，使式(2)达到最小值的必要条件为：
和
模糊c均值聚类算法的计算步骤如下：
步骤1：用值在0，1间的随机数初始化隶属矩阵U，使其满足式(1)中的约束条件；
步骤2：用式(4)计算c个聚类中心ci，i＝1,…,c；
步骤3：根据式(2)计算价值函数，如果它小于某个确定的阀值，或它相对上次价值函数值的改变量小于某个阀值，则算法停止；
步骤4：用式(5)计算新的U矩阵，返回步骤2；
所述分析所述识别结果的数据之间的相关性，筛选出所述识别结果中最能体现目标区域中岩性的岩性地质图，并反向计算得到与之对应的最能体现目标区域中岩性的遥感数据包括：
相关性分析单元，用于对所述识别结果进行数据间的相关性分析，筛选出所述识别结果中最能体现目标区域中岩性的岩性地质图，并反向计算得到与之对应的最能体现目标区域中岩性的遥感数据包括：对所述识别结果进行数据间的相关性分析，通过计算得到的多幅岩性地质图的相关性，设得到岩性地质图综述为m，筛选出相关性较差的前n幅图件，所述相关性较差为协方差较大：
其中，X,Y表示两幅岩性地质图，Xi，Yi表示岩性地质图中的第i个点，
表示不同地质图的均值；
筛选单元，用于筛选出预设数量相关性低的岩性地质图组成最能体现目标区域中岩性的岩性地质图；
反向计算模块，用于基于所述最能体现目标区域中岩性的岩性地质图反向计算得到与之对应的最能体现目标区域中岩性的遥感数据。
6.根据权利要求5所述的装置，其特征在于，还包括：
拼接模块，用于将多种类型遥感数据进行预处理后进行拼接，得到目标区域的多种类型遥感数据。
7.根据权利要求6所述的装置，其特征在于，所述预处理包括：岩性碎片的均色处理、岩性碎片的边界位置插值和羽化处理。
8.根据权利要求5-7任一项所述的装置，其特征在于，还包括：
空间滤波模块，用于对所述目标区域岩性地质图进行空间滤波处理。
9.一种计算机存储介质，其特征在于，所述存储介质上存储有计算机程序，所述程序被处理器执行时实现权利要求1-4中任意一项所述方法的步骤。
10.一种设备，其特征在于，包括存储器、显示器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1-4中任意一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010501101.2A CN111862778B (zh) | 2020-06-04 | 2020-06-04 | 一种浅层岩性地质图生成方法、装置、储存介质及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010501101.2A CN111862778B (zh) | 2020-06-04 | 2020-06-04 | 一种浅层岩性地质图生成方法、装置、储存介质及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111862778A CN111862778A (zh) | 2020-10-30 |
| CN111862778B true CN111862778B (zh) | 2022-04-19 |
Family
ID=72985060
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010501101.2A Expired - Fee Related CN111862778B (zh) | 2020-06-04 | 2020-06-04 | 一种浅层岩性地质图生成方法、装置、储存介质及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111862778B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112800158B (zh) * | 2021-01-19 | 2022-09-13 | 吉林大学 | 一种地质图的向量化表示方法 |
| CN113034645B (zh) * | 2021-03-23 | 2021-09-03 | 中国地质科学院地质力学研究所 | 一种岩性填图的方法、装置和存储介质 |
| CN114581556B (zh) * | 2022-03-10 | 2022-12-27 | 青海省地质调查院 | 一种区域地质调查中的数字填图方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104392017A (zh) * | 2014-10-14 | 2015-03-04 | 王佟 | 一种煤炭地质填图方法 |
| CN106198402A (zh) * | 2015-05-05 | 2016-12-07 | 核工业北京地质研究院 | 一种基于航天多光谱遥感数据的基性岩识别方法 |
| CN109472088A (zh) * | 2018-11-12 | 2019-03-15 | 重庆科技学院 | 一种页岩气调产井生产压力动态预测方法 |
| CN109993204A (zh) * | 2019-02-25 | 2019-07-09 | 重庆邮电大学 | 基于mRMR选择和改进FCM聚类的遥感影像分类算法 |
| CN110443862A (zh) * | 2019-06-28 | 2019-11-12 | 中国地质科学院矿产资源研究所 | 基于无人机的岩性填图方法及系统、电子设备 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| MX2012003975A (es) * | 2009-10-08 | 2012-06-25 | Geco Technology Bv | Interpretacion conjunta de las ondas de rayleigh y deteccion remota para geologia de superficie cercana. |
| CN111104819A (zh) * | 2018-10-25 | 2020-05-05 | 北京国双科技有限公司 | 模型生成方法及装置、岩性识别方法及装置 |
| CN109656906A (zh) * | 2018-11-21 | 2019-04-19 | 国勘数字地球(北京)科技有限公司 | 一种基于大数据的勘查资料的处理方法 |
| CN110245686A (zh) * | 2019-05-16 | 2019-09-17 | 中国石油天然气集团有限公司 | 一种计算石英相对百分含量的岩性快速识别方法 |
| CN110261330A (zh) * | 2019-05-20 | 2019-09-20 | 桂林理工大学 | 一种利用光谱特征进行岩石分类的方法 |
-
2020
- 2020-06-04 CN CN202010501101.2A patent/CN111862778B/zh not_active Expired - Fee Related
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104392017A (zh) * | 2014-10-14 | 2015-03-04 | 王佟 | 一种煤炭地质填图方法 |
| CN106198402A (zh) * | 2015-05-05 | 2016-12-07 | 核工业北京地质研究院 | 一种基于航天多光谱遥感数据的基性岩识别方法 |
| CN109472088A (zh) * | 2018-11-12 | 2019-03-15 | 重庆科技学院 | 一种页岩气调产井生产压力动态预测方法 |
| CN109993204A (zh) * | 2019-02-25 | 2019-07-09 | 重庆邮电大学 | 基于mRMR选择和改进FCM聚类的遥感影像分类算法 |
| CN110443862A (zh) * | 2019-06-28 | 2019-11-12 | 中国地质科学院矿产资源研究所 | 基于无人机的岩性填图方法及系统、电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| 多属性模糊聚类在辽河滩海沉积相中的应用;冯磊等;《地球物理学进展》;20121231;第2622-2630页 * |
| 遥感技术在滇西南植被覆盖区地质填图中的应用;胡官兵等;《国土资源遥感》;20190630;第224-230页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111862778A (zh) | 2020-10-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111862778B (zh) | 一种浅层岩性地质图生成方法、装置、储存介质及设备 | |
| Liu et al. | Common-azimuth seismic data fault analysis using residual UNet | |
| CN110349160B (zh) | 一种基于超像素与模糊c均值聚类sar图像分割方法 | |
| US11226424B2 (en) | Method for detecting geological objects in a seismic image | |
| US20080140319A1 (en) | Processing of stratigraphic data | |
| CN105093306B (zh) | 一种地球物理勘探中储层自动解释与厚度求取方法 | |
| AU2005308450A1 (en) | System and method for fault identification | |
| CN107589469B (zh) | 油水界面的确定方法和装置 | |
| Thomas et al. | Automated lithology extraction from core photographs | |
| CN113642698A (zh) | 地球物理测井智能解释方法、系统及存储介质 | |
| CN109763814B (zh) | 基于多维测井数据的地层匹配可视分析方法 | |
| CN111738278B (zh) | 一种水下多源声学图像特征提取方法及系统 | |
| CN109829426A (zh) | 基于高分遥感影像的铁路建设临时建筑监测方法及系统 | |
| Zádorová et al. | Harmonization of a large-scale national soil database with the World Reference Base for Soil Resources 2014 | |
| Koyan et al. | 3D ground-penetrating radar attributes to generate classified facies models: A case study from a dune island | |
| Chai et al. | Automatic discrimination of sedimentary facies and lithologies in reef-bank reservoirs using borehole image logs | |
| Liu et al. | Identification of tight sandstone reservoir lithofacies based on CNN image recognition technology: A case study of Fuyu reservoir of Sanzhao Sag in Songliao Basin | |
| CN114861515A (zh) | 层速度数据体的计算方法、装置、设备及介质 | |
| Eberle et al. | Automated pattern recognition to support geological mapping and exploration target generation–A case study from southern Namibia | |
| CN113484907B (zh) | 一种预测不同类型储层平面上分布的方法 | |
| CN112444859A (zh) | 协同异变蚂蚁体的页岩储层断裂识别方法及系统 | |
| Kadkhodaie et al. | Carbonate microfacies study by using images processing algorithms, K-mean clustering and nearest neighbor segmented classifying: an example from the Salman Oil and Gas Field, Persian Gulf, Iran | |
| CN115984689A (zh) | 一种多尺度地表复杂性特征提取及其土地利用分割方法 | |
| CN115217470A (zh) | 页岩中厘米-微米级尺度旋回划分及驱动因素识别方法 | |
| Esmaeili et al. | Simulating reservoir capillary pressure curves using image processing and classification machine learning algorithms applied to petrographic thin sections |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220419 |