CN112462442B - 重磁位场场源位置估计方法、系统、介质及电子设备 - Google Patents

重磁位场场源位置估计方法、系统、介质及电子设备 Download PDF

Info

Publication number
CN112462442B
CN112462442B CN202011372448.8A CN202011372448A CN112462442B CN 112462442 B CN112462442 B CN 112462442B CN 202011372448 A CN202011372448 A CN 202011372448A CN 112462442 B CN112462442 B CN 112462442B
Authority
CN
China
Prior art keywords
gravity
window
inversion
data
source position
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.)
Active
Application number
CN202011372448.8A
Other languages
English (en)
Other versions
CN112462442A (zh
Inventor
丁然
田招招
邵瀛杰
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.)
Shandong University
Original Assignee
Shandong University
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 Shandong University filed Critical Shandong University
Priority to CN202011372448.8A priority Critical patent/CN112462442B/zh
Publication of CN112462442A publication Critical patent/CN112462442A/zh
Application granted granted Critical
Publication of CN112462442B publication Critical patent/CN112462442B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V7/00—Measuring gravitational fields or waves; Gravimetric prospecting or detecting
    • 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

Abstract

本公开提供了一种重磁位场场源位置估计方法、系统、介质及电子设备，获取重磁位场的重磁异常数据，根据重磁异常数据得到三个方向的梯度数据；在任一个窗口节点内，根据重磁异常数据、梯度数据和预设构造指数参数，建立欧拉方程得到反演结果并计算该窗口的特征值；通过滑动窗口，得到多个反演结果以及对应的窗口特征值；将窗口特征值从大到小排序，根据总的反演结果数量，选择预设比例的在前窗口特征值对应的解集作为筛选后的反演结果；根据筛选后的反演结果，得到场源位置数据的估计值；减少了人为影响并简化筛选过程，保证了筛选结果质量和数量的可靠性，提高了反演结果的可靠性与欧拉反褶积方法的实际应用能力，提高了场源位置预测的准确性。

Description

重磁位场场源位置估计方法、系统、介质及电子设备
技术领域
本公开涉及重磁位场反演技术领域，特别涉及一种重磁位场场源位置估计方法、系统、介质及电子设备。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。
欧拉反褶积是一种可以快速确定场源位置信息的位场反演方法，它能在较少先验信息条件下，自动或半自动地圈定场源位置和范围，并且不受磁化方向的影响，不依赖场源密度参数，仅与场源位置及形态的几何参数相关，可以使得反演问题得到简化，在处理大面积、多目标数据方面具有明显优势。由于具有较强的灵活性和适应性、计算过程快速简便、反演结果表现直观等特点，该方法已逐渐成为重力场和磁场反演解释中的常用方法，在水下与陆地磁性目标探测、矿产资源勘测及地质地球物理调查领域中得到了广泛应用。
欧拉反褶积方法是利用位场异常、背景场异常、位场异常导数以及与场源形态相关的构造指数参数，通过求解欧拉方程来估计场源位置。求解过程为：利用窗口内的异常数据组成方程组获得反演结果，然后采用滑动窗口的方式获得一系列离散的反演结果。但是目前几乎所有的欧拉反褶积算法都无法避免大量杂乱分布的虚假反演结果的产生，为了准确获取每个场源空间位置参数，就必须对这些离散欧拉解进行有效地筛选，关于如何筛选反演结果的问题，目前还没得到很好地解决。
常用的筛选方法有，如利用估算的场源深度和构造指数的关系进行筛选，通常需要进行多次试验，并根据实验的结果进行选择。如利用水平梯度滤波、主体异常距离、聚散度准则进行筛选，其中水平梯度滤波准则会选择一个滤波系数，滤掉水平梯度模较小的区域，选择水平梯度模较大的区域参与反演；主体异常距离准则会选择一个距离大小，较近的反演结果保留，而较远的被淘汰；聚散度准则会给定一个作用半径,统计该半径作用的圆周内有多少反演结果，保留聚合度高的结果。如利用反演结果的分布密度进行筛选，比如模糊聚类、层次聚类等的基于密度的聚类方法，不仅需要反复迭代运算，且在样本量较大时,要获得聚类结论有一定困难。
本公开发明人发现，以上方法均过度地依赖人工干预，其中阈值的设定会严重影响结果筛选的质量，阈值设定过于严格，或会删除掉准确的解，或会使解的数量极少，可靠性降低；阈值设定过于宽松，结果或会包含虚假解，可靠性降低；且对于不同目标或规模的异常数据，反演结果的分布和数量会有差异，需要人为重新调整阈值，以适应不同异常带来的影响，并且通常需要根据多次实验的结果进行选择，使得筛选过程适应性较差且筛选结果受人为影响较大，降低反演结果的可靠性，进而降低了位置预测的准确性。
发明内容
为了解决现有技术的不足，本公开提供了一种重磁位场场源位置估计方法、系统、介质及电子设备，通过对窗口特征值大小和数量的筛选，从而实现对反演结果的筛选，可以适应不同目标或规模的异常数据，减少了人为影响并简化筛选过程，保证了筛选结果质量和数量的可靠性，提高了反演结果的可靠性与欧拉反褶积方法的实际应用能力，提高了场源位置预测的准确性。
为了实现上述目的，本公开采用如下技术方案：
本公开第一方面提供了一种重磁位场场源位置估计方法。
一种重磁位场场源位置估计方法，包括以下步骤：
获取重磁位场的重磁异常数据，根据重磁异常数据得到三个方向的梯度数据；
在任一个窗口节点内，根据重磁异常数据、梯度数据和预设构造指数参数，建立欧拉方程得到反演结果并计算该窗口的特征值；
通过滑动窗口，得到多个反演结果以及对应的窗口特征值；
将窗口特征值从大到小排序，根据总的反演结果数量，选择预设比例的在前窗口特征值对应的解集作为筛选后的反演结果；
根据筛选后的反演结果，得到场源位置数据的估计值。
本公开第二方面提供了一种重磁位场场源位置估计系统。
一种重磁位场场源位置估计系统，包括：
数据获取模块，被配置为：获取重磁位场的重磁异常数据，根据重磁异常数据得到三个方向的梯度数据；
特征值计算模块，被配置为：在任一个窗口节点内，根据重磁异常数据、梯度数据和预设构造指数参数，建立欧拉方程得到反演结果并计算该窗口的特征值；
窗口滑动模块，被配置为：通过滑动窗口，得到多个反演结果以及对应的窗口特征值；
反演筛选模块，被配置为：将窗口特征值从大到小排序，根据总的反演结果数量，选择预设比例的在前窗口特征值对应的解集作为筛选后的反演结果；
位置估计模块，被配置为：根据筛选后的反演结果，得到场源位置数据的估计值。
本公开第三方面提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的重磁位场场源位置估计方法中的步骤。
本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的重磁位场场源位置估计方法中的步骤。
与现有技术相比，本公开的有益效果是：
1、本公开所述的方法、系统、介质或电子设备，窗口特征值是利用窗口节点内垂向导数的标准差与水平方向的标准差进行组合，该特征值能够反映出窗口内异常的局部变化，然后根据总的反演结果数量，选择一定占总比率的解集作为筛选后的结果，能够保证结果数量和质量的可靠性，提高反演结果的可靠性。
2、本公开所述的方法、系统、介质或电子设备，通过对窗口特征值大小和数量的筛选，从而实现对反演结果的筛选，可以适应不同目标或规模的异常数据，减少人为影响并简化筛选过程，并保证筛选结果质量和数量的可靠性，提高了反演结果的可靠性与欧拉反褶积方法的实际应用能力，提高了场源位置预测的准确性。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例1提供的重磁位场场源位置估计方法的流程示意图。
图2为本公开实施例1提供的仿真模型一的球体-重力图。
图3为本公开实施例1提供的仿真模型一的球体-欧拉反褶积方法的反演区域图。
图4为本公开实施例1提供的仿真模型一的球体-反演结果图。
图5为本公开实施例1提供的仿真模型一的球体-利用特征值筛选后的结果图。
图6为本公开实施例1提供的仿真模型二的水平圆柱体-重力图。
图7为本公开实施例1提供的仿真模型二的水平圆柱体-欧拉反褶积方法的反演区域图。
图8为本公开实施例1提供的仿真模型二的水平圆柱体-反演结果图。
图9为本公开实施例1提供的仿真模型二的水平圆柱体-利用特征值筛选后的结果图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例1：
针对重磁异常数据，本公开实施例1提出了一种基于特征值的欧拉反褶积的结果筛选方法，综合利用三个方向上重磁梯度数据标准差的窗口特征值，可以用来反映该窗口异常的局部变化，能够很好地增强异常中突变点和细节信息；
在窗口进行欧拉反褶积法反演的同时计算特征值，将反演结果与特征值进行对应；在获得一系列的反演结果后，将按照窗口特征值大小进行排序，选择前面最大的占总反演结果数量的一定百分比率的特征值对应的解集作为筛选后结果，通过对窗口特征值大小和数量的筛选，实现对反演结果质量和数量的筛选；
最后计算筛选后解集中深度的均值并绘出反演结果图，根据反演情况对结果进行解释。
具体的，包括以下步骤：
S1：根据异常数据，获得异常数据三个方向上的梯度数据。
S2：在窗口节点内，建立欧拉方程得到反演结果并计算该窗口的特征值。
S3：通过滑动窗口，得到一系列反演结果以及对应的窗口特征值。
S4：将窗口特征值从大到小排序，根据总的反演结果数量，选择前面一定总占比率的窗口特征值对应的解集，作为筛选后的反演结果。
S5：计算筛选后解集中深度的均值并绘出反演结果图，根据反演情况对结果进行解释。
步骤S1中，具体包括：
根据重磁异常数据T，通过求导计算得到其三个方向上的梯度数据：
Figure BDA0002807148380000071
步骤S2中，具体包括：
S2.1：根据重磁异常的规模、场源大小和形态，合理选择窗口大小以及构造指数N。当选择窗口尺寸过小时，包含有效信息不足会使反演结果的可信度降低，而当窗口尺寸过大时，包含的异常信息成分复杂，且容易会忽略掉规模较小但重要的目标，估算的反演结果可信度也会较低；构造指数与场源形态相关，通常需要依照相关异常性质的先验信息或依照场源体的物理形状来选择。
S2.2：根据重磁异常数据、异常梯度数据、构造指数参数，在窗口节点内建立欧拉方程，并利用最小二乘法求解欧拉方程，得到场源位置和背景场异常：
Figure BDA0002807148380000072
其中，(x,y,z)为观测点坐标，(x0,y0,z0)为场源位置，B为背景场异常。
S2.3：在该窗口节点内，同时计算窗口特征值：
Figure BDA0002807148380000073
其中，
Figure BDA0002807148380000074
表示窗口内异常数据的标准差，标准差计算公式为：
Figure BDA0002807148380000075
其中n表示样本个数，x1,x2,x3,...,xn表示样本数据，x表示样本均值。
标准差(方差)是重要的统计特征之一，能够反映数据集的离散程度，可以有效表征数据局部变化的大小，并很好地增强异常的细节信息，对突变点、边界位置等有很好的反映。窗口特征值是利用垂向导数的标准差与水平导数的标准差进行组合，对于不同目标、不同规模的异常数据，对应的特征值会有不同，利用窗口特征值反映出异常的变化，实现对不同异常的适应。
步骤S3中，具体包括：
在选定的重磁异常反演区域内，通过滑动窗口，利用欧拉方程与窗口特征值的公式计算，得到一系列反演结果以及对应的窗口特征值。
步骤S4中，具体包括：
将窗口特征值从大到小排序，根据总的反演结果数量，选择前面一定总占比率的窗口特征值对应的解集作为筛选后的反演结果，如可以选择总反演结果数量的10％，保证筛选结果的质量和数量的可靠性。
步骤S5中，具体包括：
计算筛选后解集中深度的均值并绘出反演结果图，根据反演情况对结果进行解释。
仿真模型一：
(1-1)异常区域为x方向0-100米，y方向0-100米，一球体半径为10米，深度为30米，中心坐标为(50，50)米，采样间距为1米，产生的重力异常如图2。
(1-2)通过求导计算，得到三个方向上的梯度数据，选择窗口大小为4×4，构造指数为2，选择异常的反演区域如图3。
(1-3)在窗口节点内，建立欧拉方程，利用最小二乘法得到反演结果与背景异常，并计算该窗口的特征值，通过在反演区域内滑动窗口，得到一系列的反演结果及对应的窗口特征值，反演结果的空间位置如图4。
(1-4)通过将特征值从大到小排序，选择前面最大的、占总反演结果数量10％的特征值对应解集为筛选后的反演结果，如图5。
(1-5)计算筛选后结果中深度的均值作为最终结果，均值为30.0628米，与模型设定深度30米相近，筛选后结果可靠。
仿真模型二：
(2-1)异常区域为x方向0-100米，y方向0-100米，一水平圆柱体半径为2米，长为60米，深度为20米，中心坐标为(50，50)米，采样间距为1米，产生的重力异常如图6。
(2-2)通过求导计算，得到三个方向上的梯度数据，选择窗口大小为4×4，构造指数为1，选择异常的反演区域如图7。
(2-3)在窗口节点内，建立欧拉方程，利用最小二乘法得到反演结果与背景异常，并计算该窗口的特征值，通过在反演区域内滑动窗口，得到一系列的反演结果及对应的窗口特征值，反演结果的空间位置如图8。
(2-4)通过将特征值从大到小排序，选择前面最大的、占总反演结果数量10％的特征值对应解集为筛选后的反演结果，如图9。
(2-5)计算筛选后结果中深度的均值作为最终结果，均值为19.3675米，与模型设定深度20米相近，筛选后结果可靠。
对于仿真模型一和仿真模型二，选择占总的反演结果中排序后最大的前10％的特征值对应的解集作为筛选后的结果，并计算解集中反演深度的均值，与实际深度接近，能够说明该方法的可行性，通过对特征值大小和数量的筛选，能够保证结果数量和质量的可靠性，提高反演结果的可靠性。
对比仿真模型一和仿真模型二，对于不同异常数据，该过程中窗口特征值的计算与百分比率的选择不变，筛选后反演结果与实际结果接近，说明该方法能够适应不同的异常数据。
本实施例所述方法，利用窗口特征值来反映异常变化，通过对特征值大小和数量的筛选，从而实现对反演结果的筛选，可以适应不同目标、不同规模的异常数据，减少了人为影响并简化筛选过程，并保证了筛选结果质量和数量的可靠性，提高了反演结果的可靠性与欧拉反褶积方法的实际应用能力。
综上所述，本实施例所述方法有效克服了现有技术中的种种缺点而具高度产业利用价值。
实施例2：
本公开实施例2提供了一种重磁位场场源位置估计系统，包括：
数据获取模块，被配置为：获取重磁位场的重磁异常数据，根据重磁异常数据得到三个方向的梯度数据；
特征值计算模块，被配置为：在任一个窗口节点内，根据重磁异常数据、梯度数据和预设构造指数参数，建立欧拉方程得到反演结果并计算该窗口的特征值；
窗口滑动模块，被配置为：通过滑动窗口，得到多个反演结果以及对应的窗口特征值；
反演筛选模块，被配置为：将窗口特征值从大到小排序，根据总的反演结果数量，选择预设比例的在前窗口特征值对应的解集作为筛选后的反演结果；
位置估计模块，被配置为：根据筛选后的反演结果，得到场源位置数据的估计值。
所述系统的工作方法与实施例1提供的重磁位场场源位置估计方法相同，这里不再赘述。
实施例3：
本公开实施例3提供了一种介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的重磁位场场源位置估计方法中的步骤，所述步骤为：
获取重磁位场的重磁异常数据，根据重磁异常数据得到三个方向的梯度数据；
在任一个窗口节点内，根据重磁异常数据、梯度数据和预设构造指数参数，建立欧拉方程得到反演结果并计算该窗口的特征值；
通过滑动窗口，得到多个反演结果以及对应的窗口特征值；
将窗口特征值从大到小排序，根据总的反演结果数量，选择预设比例的在前窗口特征值对应的解集作为筛选后的反演结果；
根据筛选后的反演结果，得到场源位置数据的估计值。
详细步骤与实施例1提供的重磁位场场源位置估计方法相同，这里不再赘述。
实施例4：
本公开实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的重磁位场场源位置估计方法中的步骤，所述步骤为：
获取重磁位场的重磁异常数据，根据重磁异常数据得到三个方向的梯度数据；
在任一个窗口节点内，根据重磁异常数据、梯度数据和预设构造指数参数，建立欧拉方程得到反演结果并计算该窗口的特征值；
通过滑动窗口，得到多个反演结果以及对应的窗口特征值；
将窗口特征值从大到小排序，根据总的反演结果数量，选择预设比例的在前窗口特征值对应的解集作为筛选后的反演结果；
根据筛选后的反演结果，得到场源位置数据的估计值。
详细步骤与实施例1提供的重磁位场场源位置估计方法相同，这里不再赘述。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种重磁位场场源位置估计方法，其特征在于：包括以下步骤：
获取重磁位场的重磁异常数据，根据重磁异常数据得到三个方向的梯度数据；
在任一个窗口节点内，根据重磁异常数据、梯度数据和预设构造指数参数，建立欧拉方程得到反演结果并计算该窗口的特征值；
通过滑动窗口，得到多个反演结果以及对应的窗口特征值；
将窗口特征值从大到小排序，根据总的反演结果数量，选择预设比例的在前窗口特征值对应的解集作为筛选后的反演结果；
根据筛选后的反演结果，得到场源位置数据的估计值。
2.如权利要求1所述的重磁位场场源位置估计方法，其特征在于：
计算筛选后解集中深度的均值并绘出反演结果图，根据反演情况对场源位置估计结果进行解释。
3.如权利要求1所述的重磁位场场源位置估计方法，其特征在于：
根据重磁异常的规模、场源大小和形态，选择窗口大小以及构造指数。
4.如权利要求3所述的重磁位场场源位置估计方法，其特征在于：
根据异常性质的先验信息或依照场源体的物理形状选择构造指数。
5.如权利要求1所述的重磁位场场源位置估计方法，其特征在于：
根据重磁异常数据、梯度数据和构造指数参数，在窗口节点内建立欧拉方程，并利用最小二乘法求解欧拉方程，得到初步的场源位置和背景场异常。
6.如权利要求1所述的重磁位场场源位置估计方法，其特征在于：
根据窗口内异常梯度数据的标准差得到该窗口的特征值。
7.如权利要求6所述的重磁位场场源位置估计方法，其特征在于：
窗口特征值为垂向的梯度数据除以两个水平向梯度数据的平方和的二分之一次方。
8.一种重磁位场场源位置估计系统，其特征在于：包括：
数据获取模块，被配置为：获取重磁位场的重磁异常数据，根据重磁异常数据得到三个方向的梯度数据；
特征值计算模块，被配置为：在任一个窗口节点内，根据重磁异常数据、梯度数据和预设构造指数参数，建立欧拉方程得到反演结果并计算该窗口的特征值；
窗口滑动模块，被配置为：通过滑动窗口，得到多个反演结果以及对应的窗口特征值；
反演筛选模块，被配置为：将窗口特征值从大到小排序，根据总的反演结果数量，选择预设比例的在前窗口特征值对应的解集作为筛选后的反演结果；
位置估计模块，被配置为：根据筛选后的反演结果，得到场源位置数据的估计值。
9.一种介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的重磁位场场源位置估计方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的重磁位场场源位置估计方法中的步骤。
CN202011372448.8A 2020-11-30 2020-11-30 重磁位场场源位置估计方法、系统、介质及电子设备 Active CN112462442B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011372448.8A CN112462442B (zh) 2020-11-30 2020-11-30 重磁位场场源位置估计方法、系统、介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011372448.8A CN112462442B (zh) 2020-11-30 2020-11-30 重磁位场场源位置估计方法、系统、介质及电子设备

Publications (2)

Publication Number Publication Date
CN112462442A CN112462442A (zh) 2021-03-09
CN112462442B true CN112462442B (zh) 2022-04-08

Family

ID=74805951

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011372448.8A Active CN112462442B (zh) 2020-11-30 2020-11-30 重磁位场场源位置估计方法、系统、介质及电子设备

Country Status (1)

Country Link
CN (1) CN112462442B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113138426B (zh) * 2021-04-12 2022-04-01 中南大学 一种基于多变量核密度欧拉解概率密度成像方法
CN113096107A (zh) * 2021-04-20 2021-07-09 湖南科技大学 基于傅立叶变换的b样条函数欧拉解概率密度成像方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6025726A (en) * 1994-02-03 2000-02-15 Massachusetts Institute Of Technology Method and apparatus for determining three-dimensional position, orientation and mass distribution
CN101116010A (zh) * 2005-02-09 2008-01-30 探索科技公司 应用盲信号检测的主成分分析的埋地物体定位和跟踪方法及系统
CN105807323A (zh) * 2016-03-09 2016-07-27 哈尔滨工程大学 一种利用小子域识别算法确定磁性目标位置的方法
CN106168682A (zh) * 2016-07-11 2016-11-30 中南大学 一种基于旋转重力场的运动目标体监测方法
CN106291725A (zh) * 2015-05-13 2017-01-04 核工业北京地质研究院 一种快速反演地下地质体空间位置的方法
CN108508479A (zh) * 2018-03-07 2018-09-07 吉林大学 一种空地井立体重磁数据协同目标位置反演方法
CN108646307A (zh) * 2018-06-15 2018-10-12 山东大学 一种基于动态调整数据权重值的四维电阻率反演方法
CN110989021A (zh) * 2019-12-03 2020-04-10 国家海洋局东海海洋环境调查勘察中心 水深反演方法、装置和计算机可读存储介质
CN111123380A (zh) * 2019-12-18 2020-05-08 山东大学 基于重磁梯度数据张量不变量的目标深度估计方法及系统
CN111721301A (zh) * 2020-07-13 2020-09-29 中南大学 一种基于重力矢量及其梯度的差分定位方法与装置
CN111814329A (zh) * 2020-07-07 2020-10-23 西北大学 一种基于解析信号振幅约束的欧拉反褶积方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130018588A1 (en) * 2011-07-11 2013-01-17 Technolmaging, Llc. Method of real time subsurface imaging using gravity and/or magnetic data measured from a moving platform
WO2015145195A1 (en) * 2014-03-24 2015-10-01 University Of The Witwatersrand, Johannesburg Determining location and depth of subsurface magnetic sources
CN106443775B (zh) * 2016-05-25 2018-09-28 中国石油集团东方地球物理勘探有限责任公司 高分辨率转换波裂缝预测方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6025726A (en) * 1994-02-03 2000-02-15 Massachusetts Institute Of Technology Method and apparatus for determining three-dimensional position, orientation and mass distribution
CN101116010A (zh) * 2005-02-09 2008-01-30 探索科技公司 应用盲信号检测的主成分分析的埋地物体定位和跟踪方法及系统
CN106291725A (zh) * 2015-05-13 2017-01-04 核工业北京地质研究院 一种快速反演地下地质体空间位置的方法
CN105807323A (zh) * 2016-03-09 2016-07-27 哈尔滨工程大学 一种利用小子域识别算法确定磁性目标位置的方法
CN106168682A (zh) * 2016-07-11 2016-11-30 中南大学 一种基于旋转重力场的运动目标体监测方法
CN108508479A (zh) * 2018-03-07 2018-09-07 吉林大学 一种空地井立体重磁数据协同目标位置反演方法
CN108646307A (zh) * 2018-06-15 2018-10-12 山东大学 一种基于动态调整数据权重值的四维电阻率反演方法
CN110989021A (zh) * 2019-12-03 2020-04-10 国家海洋局东海海洋环境调查勘察中心 水深反演方法、装置和计算机可读存储介质
CN111123380A (zh) * 2019-12-18 2020-05-08 山东大学 基于重磁梯度数据张量不变量的目标深度估计方法及系统
CN111814329A (zh) * 2020-07-07 2020-10-23 西北大学 一种基于解析信号振幅约束的欧拉反褶积方法
CN111721301A (zh) * 2020-07-13 2020-09-29 中南大学 一种基于重力矢量及其梯度的差分定位方法与装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"Avoidable Euler Errors – the use and abuse of Euler deconvolution applied to potential fields";Alan B. Reid 等;《Geophysical Prospecting》;20141231;第62卷(第5期);第1162-1168页 *
"利用重、磁资料研究盘古山地区断裂构造及花岗岩体分布";王云鹏;《中国优秀硕士学位论文全文数据库 基础科技辑》;20150215(第2（2015）期);正文第32页第1段-37页第2段 *
"基于阻尼最小二乘法的位场欧拉反演方法";刘强 等;《地球物理学报》;20191231;第62卷(第10期);正文第3711左栏第1段-3712页右栏最后一段、附图1 *

Also Published As

Publication number Publication date
CN112462442A (zh) 2021-03-09

Similar Documents

Publication Publication Date Title
JP6660313B2 (ja) 画像解析を用いた核のエッジの検出
CN112462442B (zh) 重磁位场场源位置估计方法、系统、介质及电子设备
AU2008322505B2 (en) Seismic data processing
US9377546B2 (en) Automatic extraction and characterization of fault and fracture populations
Ghiasi-Freez et al. Semi-automated porosity identification from thin section images using image analysis and intelligent discriminant classifiers
CN105760673B (zh) 一种河流相储层地震敏感参数模板分析方法
EP2031423A1 (en) Identifying geological features in an image of an underground formation surrounding a borehole
CN106910204B (zh) 一种对海面船只自动跟踪识别的方法和系统
CN104867130B (zh) 一种基于裂纹图像子区灰度均值的自适应分割方法
CN108830842B (zh) 一种基于角点检测的医学图像处理方法
AU2014235543A1 (en) Systems and methods for improving direct numerical simulation of material properties from rock samples and determining uncertainty in the material properties
CN108399430B (zh) 一种基于超像素和随机森林的sar图像舰船目标检测方法
JP7348588B2 (ja) 異常検出システム、及び異常検出プログラム
CN106327468A (zh) 曲线检测方法和曲线检测装置
Emery Co-simulating total and soluble copper grades in an oxide ore deposit
CN114930402A (zh) 点云法向量计算方法、装置、计算机设备和存储介质
CN115372995A (zh) 一种基于欧式聚类的激光雷达目标检测方法及系统
CN112313702B (zh) 显示控制设备、显示控制方法以及显示控制程序
CN115390155A (zh) 针对非均质储层的测井解释方法、装置、电子设备及介质
CN113435460A (zh) 一种亮晶颗粒灰岩图像的识别方法
CN115292971B (zh) 基于贝叶斯的裂缝属性分析方法、装置及存储介质
CN115761467A (zh) 一种基于高低频特征差分金字塔神经网络的水下目标检测方法
CN105095552A (zh) 一种通用概率分布参数估计流程与分析方法
Wade et al. Estimating microstructural feature distributions from image data using a Bayesian framework
WO2013068781A1 (en) Methods and apparatus for image analysis using profile weighted intensity features

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