CN113094655B - 地学数据各向异性信息结构的分析识别方法及装置 - Google Patents

地学数据各向异性信息结构的分析识别方法及装置 Download PDF

Info

Publication number
CN113094655B
CN113094655B CN202110388751.5A CN202110388751A CN113094655B CN 113094655 B CN113094655 B CN 113094655B CN 202110388751 A CN202110388751 A CN 202110388751A CN 113094655 B CN113094655 B CN 113094655B
Authority
CN
China
Prior art keywords
anisotropic
azimuth angle
sampling
windows
sampling points
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
CN202110388751.5A
Other languages
English (en)
Other versions
CN113094655A (zh
Inventor
王文磊
祝茂强
赵洁
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.)
INSTITUTE OF GEOMECHANICS CHINESE ACADEMY OF GEOLOGICAL SCIENCES
Original Assignee
INSTITUTE OF GEOMECHANICS CHINESE ACADEMY OF GEOLOGICAL SCIENCES
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 INSTITUTE OF GEOMECHANICS CHINESE ACADEMY OF GEOLOGICAL SCIENCES filed Critical INSTITUTE OF GEOMECHANICS CHINESE ACADEMY OF GEOLOGICAL SCIENCES
Priority to CN202110388751.5A priority Critical patent/CN113094655B/zh
Publication of CN113094655A publication Critical patent/CN113094655A/zh
Application granted granted Critical
Publication of CN113094655B publication Critical patent/CN113094655B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本申请提供一种地学数据各向异性信息结构的分析识别方法及装置，所述方法包括：获取研究区内空间采样点的采样值；以任一采样点为中心，通过改变预设等效半径，在每种预设等效半径下，通过改变方位角，构建每种方位角下的不同压缩系数的多个椭圆窗口；基于当前所述预设等效半径，针对同一方位角下的多个椭圆窗口，根据椭圆窗口内所有采样点的样本均值与预设分类阈值的相对差异值，选取方位角下的最优椭圆；根据多种方位角下的最优椭圆的并集区域，构建目标窗口，得到对应于中心采样点的各向异性窗口及各向异性信息结构。本申请通过构建各向异性的目标窗口，揭示了地学数据的空间各向异性分布信息，充分挖掘了地学数据的多尺度各向异性信息结构。

Description

地学数据各向异性信息结构的分析识别方法及装置
技术领域
本申请涉及空间分析建模技术领域，具体而言，涉及一种地学数据各向异性信息结构的分析识别方法及装置、电子设备、计算机可读存储介质。
背景技术
地学空间数据包括资源、环境、经济和社会等领域中经常使用的带有地理坐标的数据，是地理实体的空间特征和属性特征的数字描述。
在地球系统内，各向异性(即，非均匀性)代表了在不同方向上对物体进行观测时物体所表现出物理、化学等性质差异的特征。例如，地层、构造、岩石等地质体的各向异性及对地质体进行观测所获得的地质、地球物理、地球化学、遥感等资料的各向异性。研究各向异性有助于提取丰富的多元地学信息，也是了解地球内部地质作用的重要手段之一。在成矿作用下，岩石、土壤等介质以及构造发育方向等具有变化性和复杂性特点的影响因素造成成矿元素空间分布具有各向异性的特征。除成矿元素在空间浓度上的变化趋势以外，其局部变化和空间结构信息经常反映一定的地质控制因素。
例如，勘查地球化学数据是一种典型的地理空间学数据，其所记录反映的地球化学元素分布规律是在多个地质过程混合、叠加、耦合的作用下形成，具有各向异性。通过各向异性分析，探索其空间分布模式，并进一步挖掘所经历过的非线性地质过程在不同尺度上的作用影响，对于确定异常范围及探讨矿床成因大有裨益。
目前对于地球化学数据的各向异性信息结构的讨论主要包括：
1、空间U统计方法，通常用来揭示勘查地球化学采样数据空间分布规律，该方法通过构造不同参数的椭圆窗口并通过计算椭圆窗口内元素含量均值与设定阈值间的相对差异来区分勘查地球化学数据的背景与异常。
2、构造定向矩形窗口方法，以构造行迹作为空间约束条件，沿断层线垂直方向定义的矩形窗口，以此来分析断层影响作用下的元素各向异性空间分布规律。
3、基于空间加权技术的各向异性度量方法。在空间上根据与度量元素相关的属性(如与成矿相关的构造)来构造空间加权因子，进一步利用主成分分析方法将空间加权因子与局部奇异性指数进行融合，表征地球化学奇异性在空间上受到方向性因素的影响。
4、基于全方位优选的矩形统计窗口方法，通过计算每个方位的浓度变化速率，优选变化速率最大的方向代表地球化学元素迁移方向，定量表征地球化学元素在二维空间内的各向异性。
在现有技术中，采用各向同性窗口统计地学数据一定程度上抑制了其内含的各向异性信息，不适用于分析不同尺度下地学数据的各向异性特征。
基于空间U统计量、断裂行迹、空间加权等方法的窗口构建模式，仍属于规则定向窗口，其结果往往表征某些特定方向的地学属性分布规律，各向异性信息结构未能进一步有效识别与挖掘。
同时，上述方法局限应用于地球化学元素各向异性分布规律探讨，未能将方法应用领域拓展至具有相似各向异性信息结构的地理空间学数据或其他领域空间数据，进一步挖掘不同数据的各向异性信息结构。
发明内容
本申请实施例的目的在于提供一种地学数据各向异性信息结构的分析识别方法，通过构建多种方位角下的最优椭圆，获取每种方位角下的最优椭圆所覆盖的区域，构造各向异性的目标窗口，从而构建了不同尺度各向异性目标窗口构造模式。
本申请实施例第一方面提供了一种地学数据各向异性信息结构的分析识别方法，包括：
获取研究区内空间采样点的采样值；
以任一采样点为中心，通过改变预设等效半径，在每种预设等效半径下，通过改变方位角，构建每种方位角下的不同压缩系数的多个椭圆窗口；
基于当前所述预设等效半径，针对同一方位角下的多个椭圆窗口，根据所述椭圆窗口内所有采样点的样本均值与预设分类阈值的相对差异值，选取所述方位角下的最优椭圆；
根据多种方位角下的最优椭圆的并集区域，构建目标窗口，得到多个对应于中心采样点的各向异性窗口及各向异性信息结构。
于一实施例中，在所述获取研究区内空间采样点的采样值之后，所述方法还包括：
将以任一采样点为中心的预设等效半径范围内的采样点的采样值作为浓度-面积模型的输入，获得所述浓度-面积模型输出的所述预设分类阈值。
于一实施例中，所述基于当前所述预设等效半径，针对同一方位角下的多个椭圆窗口，根据所述椭圆窗口内所有采样点的样本均值与预设分类阈值的相对差异值，选取所述方位角下的最优椭圆，包括：
计算多个所述椭圆窗口内所有采样点的样本均值与预设分类阈值的相对差异值；
选取所述相对差异值中最大值对应的椭圆窗口作为所述方位角下的最优椭圆。
于一实施例中，在根据多种方位角下的最优椭圆的并集区域，构建目标窗口，得到多个对应于中心采样点的各向异性窗口及各向异性信息结构之后，所述方法还包括：
遍历所述研究区内空间所有采样点，得到多个对应于所述研究区内空间所有采样点的各向异性窗口及各向异性信息结构。
本申请实施例第二方面提供一种地学数据各向异性信息结构的分析识别装置，包括：
获取模块，用于获取研究区内空间采样点的采样值；
第一构建模块，用于以任一采样点为中心，通过改变预设等效半径，在每种预设等效半径下，通过改变方位角，构建每种方位角下的不同压缩系数的多个椭圆窗口；
选择模块，用于基于当前所述预设等效半径，针对同一方位角下的多个椭圆窗口，根据所述椭圆窗口内所有采样点的样本均值与预设分类阈值的相对差异值，选取所述方位角下的最优椭圆；
第二构建模块，用于根据多种方位角下的最优椭圆的并集区域，构建目标窗口，得到多个对应于中心采样点的各向异性窗口及各向异性信息结构。
于一实施例中，该装置还包括：
输出模块，用于将以任一采样点为中心的预设等效半径范围内的采样点的采样值作为浓度-面积模型的输入，获得所述浓度-面积模型输出的所述预设分类阈值。
于一实施例中，所述选择模块还包括：
计算单元，用于计算多个所述椭圆窗口内所有采样点的样本均值与预设分类阈值的相对差异值；
选取单元，用于选取所述相对差异值中最大值对应的椭圆窗口作为所述方位角下的最优椭圆。
于一实施例中，所述装置还包括：
处理模块，用于遍历所述研究区内空间所有采样点，得到多个对应于所述研究区内空间所有采样点的各向异性窗口及各向异性信息结构。
本申请实施例第三方面提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，处理器被配置为执行上述地学数据各向异性信息结构的分析识别方法。
本申请实施例第四方面提供一种计算机可读存储介质，存储介质存储有计算机程序，计算机程序可由处理器执行以完成上述地学数据各向异性信息结构的分析识别方法。
本申请与现有技术相比的有益效果是：
本申请技术方案充分考虑了基于正方形窗口或定向窗口的传统空间统计分析方法不能充分表征地学数据的多尺度各向异性特征，利用空间统计量，通过构建多种方位角下的最优椭圆，根据地学数据真实的各向异性分布形态，获取每种方位角下的最优椭圆的并集区域，构造多个各向异性的目标窗口，从而构建了不同尺度各向异性目标窗口构造模式，以度量地学数据各向异性特征，揭示了地学数据的空间各向异性分布信息，充分挖掘地学数据的多尺度各向异性信息结构。
其次，利用本申请技术方案所构建的不同尺度下的各向异性窗口，可以对地学数据作局部奇异性分析，计算局部奇异性指数，探究地学数据分布的奇异性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的电子设备的结构示意图；
图2为本申请实施例提供的地学数据各向异性信息结构的分析识别方法的流程示意图；
图3为本申请实施例提供的不同预设等效半径的结构示意图；
图4为本申请实施例提供的初始椭圆窗口的结构示意图；
图5为本申请实施例提供的当前预设等效半径下的多种方位角下的最优椭圆的结构示意图；
图6为本申请实施例提供的当前预设等效半径下构建的目标窗口的结构示意图；
图7为本申请实施例提供的多个不同预设等效半径下构建的目标窗口的结构示意图；
图8为本申请实施例提供的每种预设等效半径和目标窗口内所有采样点的元素采样均值的双对数关系示意图；
图9为本申请另一实施例提供的地学数据各向异性信息结构的分析识别方法的原理流程图；
图10为本申请实施例提供的地学数据各向异性信息结构的分析识别装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参照图1，其为本申请实施例提供的电子设备100的结构示意图。该电子设备100包括：一个或多个处理器120、一个或多个存储处理器120可执行指令的存储器104。其中，所述处理器120被配置为执行本申请下述实施例提供的地学数据各向异性信息结构的分析识别方法。
所述处理器120可以是网关，也可以为智能终端，或者是包含中央处理单元(CPU)、图像处理单元(GPU)或者具有数据处理能力和/或指令执行能力的其它形式的处理单元的设备，可以对所述电子设备100中的其它组件的数据进行处理，还可以控制所述电子设备100中的其它组件以执行期望的功能。
所述存储器104可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器120可以运行所述程序指令，以实现下文所述的地学数据各向异性信息结构的分析识别方法。在所述计算机可读存储介质中还可以存储各种应用程序和各种数据，例如所述应用程序使用和/或产生的各种数据等。
于一实施例中，图1所示电子设备100还可以包括输入装置106、输出装置108以及数据采集装置110，这些组件通过总线系统112和/或其它形式的连接机构(未示出)互连。应当注意，图1所示的电子设备100的组件和结构只是示例性的，而非限制性的，根据需要，所述电子设备100也可以具有其他组件和结构。
所述输入装置106可以是用户用来输入指令的装置，并且可以包括键盘、鼠标、麦克风和触摸屏等中的一个或多个。例如，本申请中输入装置106可以为键盘和鼠标，用户通过控制键盘和鼠标，将研究区内空间采样点的采样值输入到电子设备100中，进行计算。所述输出装置108可以向外部(例如，用户)输出各种信息(例如，图像或声音)，并且可以包括显示器、扬声器等中的一个或多个。所述数据采集装置110可以采集对象的图像，并且将所采集的图像存储在所述存储器104中以供其它组件使用。示例性地，该数据采集装置110可以为摄像头。
于一实施例中，用于实现本申请实施例的地学数据各向异性信息结构的分析识别方法的示例电子设备100中的各器件可以集成设置，也可以分散设置，诸如将处理器120、存储器104、输入装置106和输出装置108集成设置于一体，而将数据采集装置110分离设置。
于一实施例中，用于实现本申请实施例的地学数据各向异性信息结构的分析识别方法的示例电子设备100可以被实现为诸如平板电脑、PC端等。
请参照图2，其为本申请实施例提供的地学数据各向异性信息结构的分析识别方法的流程示意图。请参照图2所示，该方法包括步骤S210-S240。
步骤S210：获取研究区内空间采样点的采样值。
研究区内空间采样点的采样值可以为当前地球物理数据、地球化学数据、遥感数据等。在本申请中，以地学数据中的地球化学元素采样点对应的元素浓度值为例，作为研究区内空间采样点的元素采样值。地球化学元素采样点对应的元素浓度值，有对应坐标，对应坐标有对应数值。
请参照图3，其为本申请实施例提供的不同预设等效半径的结构示意图。以研究区内任一采样点(x1，y1)为中心，根据研究区内整体采样点的空间分布，定义最小预设等效半径和预设等效半径变化间距时应充分考虑采样点的采样间距，比如预设等效半径范围内应至少囊括多少采样点，由此定义一系列预设等效半径Ri(即分形尺度，i＝1,2,3…n)。
步骤S220：以任一采样点为中心，通过改变预设等效半径，在每种预设等效半径下，通过改变方位角，构建每种方位角下的不同压缩系数的多个椭圆窗口。
请参照图4，其为本申请实施例提供的初始椭圆窗口的结构示意图。以研究区内所有采样点中任一采样点为中心(x1，y1)，构建初始等效半径为R(
Figure BDA0003015681360000091
a为半长轴、b为半短轴)，压缩系数为β(即椭圆短轴与长轴的比值，
Figure BDA0003015681360000092
β∈(0，1))，椭圆窗口的长轴方位角与正北反向的夹角为方位角θ，方位角θ1＝0°的初始椭圆窗口。
当预设等效半径R＝1，即R1，方位角θ1＝0°，压缩系数为β1(β1为预设的一个初始值，且β1∈(0，1))时，根据椭圆的性质(c2＝a2-b2)，F1与F2为以采样点(x1，y1)为中心，以a、b、θ构建的椭圆的两个焦点，利用椭圆定义表达式|PF1|+|PF2|＝2a建立判别式，其中，P为除当前采样点(x1，y1)外的全部剩余采样点，|PF1|表示任意点P到焦点F1的距离，|PF2|表示任意点P到焦点F2的距离。当|PF1|+|PF2|≤2a，筛选得到以当前采样点(x1，y1)为中心，以R1、θ1、β1为参数定义的椭圆窗口内的采样点集。
在当前预设等效半径R1以及方位角θ1＝0°下，通过变换压缩系数βi，构建预设等效半径为R1、方位角θ1＝0°时的不同压缩系数βi的多个椭圆窗口，筛选得到多个不同压缩系数的椭圆窗口内的采样点集P1。
以当前采样点(x1，y1)为中心，在当前预设等效半径R1，通过顺时针或逆时针旋转等角度改变椭圆窗口的方位角θi，在每种方位角下，通过变换压缩系数βi(βi∈(0，1))，构建每种方位角θi下不同压缩系数βi的多个椭圆窗口，筛选得到多个不同压缩系数βi的椭圆窗口内的采样点集Pi。于一实施例中，方位角θi的变换角度可以为45°、90°、135°等。由此，分别构建当前预设等效半径为R1的前提下，方位角θ2＝45°时的不同压缩系数的多个椭圆窗口，方位角θ3＝90°时的不同压缩系数的多个椭圆窗口，以及方位角θ4＝135°时的不同压缩系数的多个椭圆窗口。当方位角θi的变换角度间隔越小，即改变的方位角θi角度越多，对于得到目标窗口内的采样点的元素各向异性分布规律的效果越好。
改变预设等效半径Ri，取预设等效半径R＝2，即R2，方位角θ1＝0°，同理，在当前预设等效半径R2以及方位角θ1＝0°下，通过变换压缩系数βi，构建预设等效半径R2、方位角θ1＝0°时的不同压缩系数βi的多个椭圆窗口。同理，分别构建当前预设等效半径为R2的前提下，方位角θ2＝45°时的不同压缩系数的多个椭圆窗口，方位角θ3＝90°时的不同压缩系数βi的多个椭圆窗口，以及方位角θ4＝135°时的不同压缩系数βi的多个椭圆窗口。
以此类推，通过改变预设等效半径Ri，在每种预设等效半径Ri(i＝1,2,3…n)下，再通过改变方位角θi，在每种方位角θi下变换压缩系数βi(i＝1,2,3…n)，构建每种方位角θi下的不同压缩系数βi的多个椭圆窗口，筛选得到多个不同压缩系数βi的椭圆窗口内的采样点集。
步骤S230：基于当前所述预设等效半径，针对同一方位角下的多个椭圆窗口，根据所述椭圆窗口内所有采样点的样本均值与预设分类阈值的相对差异值，选取所述方位角下的最优椭圆。
由于地球化学元素浓度值的空间分布受多期次、多方面地质活动的影响存在各向异性和非均一性，因此，在本申请中，采用空间U统计方法来确定当前预设等效半径时，同一方位角下的最优椭圆。
将以任一采样点为中心的预设等效半径范围内的采样点的采样值作为浓度-面积模型的输入，获得所述浓度-面积模型输出的所述预设分类阈值。
背景部分采样点的采样值与异常部分采样点的采样值分别满足不同的分形维数的分布，故背景与异常分界阈值Z0可根据两者的分形维数的不同进行划分。本申请中，选取浓度-面积模型(C-A)确定以任一采样点为中心的预设等效半径范围内的采样点所在区域内背景与异常分界点，输出背景与异常分类阈值Z0。
于一实施例中，计算多个所述椭圆窗口内所有采样点的样本均值与预设分类阈值的相对差异值；选取所述相对差异值中最大值对应的椭圆窗口作为所述方位角下的最优椭圆。
请参照图5，其本申请实施例提供的当前预设等效半径下的多种方位角下的最优椭圆的结构示意图。以当前预设等效半径R1，方位角θ1＝0°时，构建的多个不同压缩系数βi(i＝1,2,3…n)的椭圆窗口为例，在获得方位角θ1＝0°，不同压缩系数βi(i＝1,2,3…n)的多个椭圆窗口内的采样点集P1后，根据公式(1)构建方位角θ1＝0°，多个椭圆窗口内采样点的U统计量(也称为U值)，由此计算预设等效半径为R1，方位角θ1＝0°，不同压缩系数βi(i＝1,2,3…n)的多个椭圆窗口内采样点的U值，用U值表征椭圆窗口内每个采样点对应的元素采样值与预设分类阈值的相对差异性。
Figure BDA0003015681360000111
式中：
(Bx(r，β，θ))为椭圆窗口；
Zi为椭圆窗口内每个采样点对应的采样值，即地球化学元素浓度值；
n为椭圆窗口内的采样点个数；
Z0为以任一采样点为中心的预设等效半径范围内的采样点所在区域背景与异常分类阈值，即预设分类阈值；
Figure BDA0003015681360000112
表示椭圆窗口内所有采样点的样本均值与预设分类阈值的相对差异值，用U值表征相对差异性。
根据公式(2)，计算当方位角θ1＝0°时，得到不同压缩系数βi(i＝1,2,3…n)的多个椭圆窗口内采样点的U值的绝对值，筛选多个椭圆窗口内采样点的U值的绝对值最大值对应的椭圆窗口，作为当前预设等效半径R1，当前方位角θ1＝0°下的最优椭圆。
Figure BDA0003015681360000113
式中：
(Bx(r0，β0，θ0))为方位角θ＝0°时的椭圆窗口。
同理，分别获取预设等效半径R1，方位角θi分别为45°、90°、135°下的最优椭圆。如图5中所示，为方位角θi分别为0°、45°、90°、135°时的最优椭圆的叠加形态。
步骤S240：根据多种方位角下的最优椭圆的并集区域，构建目标窗口，得到多个对应于中心采样点的各向异性窗口及各向异性信息结构。
请参照图6，其为本申请实施例提供的当前预设等效半径下构建的目标窗口的结构示意图。由步骤S230可知，基于当前预设等效半径，分别构建了方位角θi为0°、45°、90°、135°时的最优椭圆，以每种方位角下的最优椭圆所覆盖的区域，即多种方位角下的最优椭圆的并集区域，构建目标窗口，从图6中可看出，目标窗口的形状是不规则的。
请参照图7，其为本申请实施例提供的多个不同预设等效半径下构建的目标窗口的结构示意图。以当前采样点(x1，y1)为中心，采用步骤S220-S240相同的原理，通过改变预设等效半径Ri，在不同预设等效半径Ri下构建每种方位角θi下的目标窗口，并获得了多个对应于中心采样点(x1，y1)的各向异性窗口及目标窗口内的采样点的各向异性信息结构。在本申请中，各向异性信息结构可以是采样点的元素各向异性分布规律等信息结构。
步骤S250：遍历所述研究区内空间所有采样点，得到多个对应于所述研究区内空间所有采样点的各向异性窗口及各向异性信息结构。
改变当前中心采样点(x1，y1)，重复步骤S210-S240，遍历研究区内空间所有采样点，获得所有采样点对应的不同等效半径下的多个各向异性窗口，以及各向异性窗口内的采样点的元素各向异性分布规律等各向异性信息结构，由此形成了不同等效半径(即多尺度)下各向异性窗口的构建方式。
采用上述步骤S210-S250所构建的多尺度各向异性窗口，除了能够获取到多个不同尺度各向异性窗口，以及各向异性窗口内的采样点的各向异性信息结构以外，还可以进行地学数据局部奇异性分析，即计算局部奇异性指数，探究地学数据分布的奇异性，计算奇异性指数的具体步骤如下所述。以研究区内地学数据中的地球化学元素采样点对应的元素浓度值为例。
基于不同的预设等效半径Ri，构建目标窗口后，获取目标窗口内所囊括的采样点集Pi，并计算目标窗口内的元素采样均值。目标窗口内的元素采样均值为目标窗口内包含的所有采样点对应的元素浓度值之和除以目标窗口内包含的所有采样点的个数。据此可以计算不同预设等效半径Ri下，目标窗口的元素采样均值。
请参照图8，其为本申请实施例提供的每种预设等效半径和目标窗口内所有采样点的元素采样均值的双对数关系示意图。在计算得到不同预设等效半径Ri下的目标窗口内所有采样点的元素采样均值后，以不同的预设等效半径Ri为横坐标，以不同预设等效半径Ri对应的目标窗口内所有采样点的元素采样均值Zi为纵坐标，作双对数图，以最小二乘法拟合出线性关系，得到线性关系的斜率k，该斜率k定量的表征了地理空间采样点在二维空间内的各向异性，根据奇异性指数计算公式(3)和(4)，计算得到中心的采样点(x1，y1)的奇异性指数。
Zi(Ri)∝(Ri)α-E (3)
α＝k+E (4)
式中：
α为奇异性指数；
k为线性关系的斜率。
E为欧几里得维数，本申请中一般采取二维平面，即E＝2。
对研究区内空间所有的采样点均采用如步骤S210-S240相同的原理，计算得到研究区内空间各采样点的奇异性指数，对研究区内空间各采样点的奇异性指数进行插值运算，最终获取研究区内的各向异性奇异性分布结果。
本申请中，采用的插值运算方法为常见的空间插值方法IDW(Inverse DistanceWeighted)空间插值方法，为常用方法，因此不再赘述空间插值方法的具体步骤。
如图9所示，其为本申请另一实施例提供的地学数据各向异性信息结构的分析识别方法的原理流程图。如图9所示，该方法具体包括步骤S310-S360。
步骤S310：获取研究区内地学空间数据。
步骤S320：以任一采样点为中心，对该点以预设等效半径为半径的圆形范围内采样点的采样值进行C-A分析确定预设分类阈值。
步骤S330：以任一采样点为中心，构建初始椭圆窗口，根据椭圆定义表达式建立判别式，获得初始椭圆窗口内的采样点集。
当预设等效半径R＝1，即R1，方位角θ1＝0°，压缩系数为β1(β1为预设的一个初始值，且β1∈(0，1))时，根据椭圆的性质(c2＝a2-b2)，F1与F2为以采样点(x1，y1)为中心，以a、b、θ构建的椭圆的两个焦点，利用椭圆定义表达式|PF1|+|PF2|＝2a建立判别式，其中，P为除当前采样点(x1，y1)外的全部剩余采样点，|PF1|表示任意点P到焦点F1的距离，|PF2|表示任意点P到焦点F2的距离。当|PF1|+|PF2|≤2a，筛选得到以当前采样点(x1，y1)为中心，以R1、θ1、β1为参数定义的椭圆窗口内的采样点集。
步骤S340：在当前预设等效半径下，通过改变方位角，构建每种方位角下的不同压缩系数的多个椭圆窗口。
以研究区内所有采样点中任一采样点为中心(x1，y1)，在当前预设等效半径R1、方位角θ1＝0°时，通过变换压缩系数βi，构建预设等效半径为R1、方位角θ1＝0°时的不同压缩系数βi的多个椭圆窗口，并得到多个不同压缩系数βi的椭圆窗口内的采样点集P1。
继续以当前采样点(x1，y1)为中心，通过顺时针或逆时针旋转等角度改变椭圆窗口的方位角θ，重复上述变换压缩系数βi(βi∈(0，1))，构建每种方位角(θi＝45°、90°、135°)下不同压缩系数βi的多个椭圆窗口的步骤，筛选得到多个不同压缩系数βi的椭圆窗口内的采样点集Pi。
步骤S350：基于当前预设等效半径，根据椭圆窗口内所有采样点的样本均值与预设分类阈值的相对差异值的U值绝对值最大值，获取每种方位角下的最优椭圆。
根据U统计方法原理以及上述公式(1)，计算当前预设等效半径为R1，方位角θ1＝0°时不同压缩系数βi(i＝1,2,3…n)的多个椭圆窗口内采样点的U值。
根据上述公式(2)，计算当方位角θ1＝0°时，不同压缩系数βi(i＝1,2,3…n)的多个椭圆窗口内采样点的U值的绝对值，对多个椭圆窗口内采样点的U值的绝对值进行筛选统计，获取不同压缩系数βi(i＝1,2,3…n)的多个椭圆窗口内采样点的U值的绝对值最大值对应的椭圆窗口，作为当前方位角θ1＝0°下的最优椭圆。
同理，分别获取当前预设等效半径为R1，方位角θi＝45°、90°、135°下的最优椭圆。计算每种方位角下的多个椭圆窗口内采样点的U值，筛选U值最大值对应的椭圆窗口作为对应方位角下的最优椭圆。
步骤S360：根据多种方位角下的最优椭圆的并集区域，构建目标窗口。
基于当前预设等效半径，分别构建了方位角θi＝0°、45°、90°、135°时的最优椭圆，以多种方位角下的最优椭圆的并集区域，构建当前预设等效半径下的目标窗口。
步骤S370：改变预设等效半径，构建多个不同预设等效半径对应的目标窗口，得到多个对应于中心采样点的各向异性窗口。
以当前采样点(x1，y1)为中心，采用步骤S320-S370相同的原理，通过改变预设等效半径Ri，在不同预设等效半径Ri下构建多个不同尺度的目标窗口，得到多个对应于中心采样点(x1，y1)的各向异性窗口，根据各向异性窗口，获取多个各向异性窗口内的采样点的各向异性信息结构，例如采样点的元素各向异性分布规律。
步骤S380：遍历研究区内空间所有采样点，得到多个对应于研究区内空间所有采样点的各向异性窗口及各向异性信息结构。
对研究区内所有的采样点均采用如步骤S310-S370相同的原理构造研究区内空间所有采样点对应的多个不同等效半径下的多个各向异性窗口，并获取多个不同尺度各向异性窗口，以及各向异性窗口内的采样点的元素各向异性分布规律等各向异性信息结构。
如图10所示，其为本申请实施例提供的地学数据各向异性信息结构的分析识别装置的结构示意图。该装置包括：获取模块200、第一构建模块300、选择模块400、第二构建模块500。
获取模块200，用于获取研究区内空间采样点的采样值；
第一构建模块300，用于以任一采样点为中心，通过改变预设等效半径，在每种预设等效半径下，通过改变方位角，构建每种方位角下的不同压缩系数的多个椭圆窗口；
选择模块400，用于基于当前所述预设等效半径，针对同一方位角下的多个椭圆窗口，根据所述椭圆窗口内所有采样点的样本均值与预设分类阈值的相对差异值，选取所述方位角下的最优椭圆；
第二构建模块500，用于根据多种方位角下的最优椭圆的并集区域，构建目标窗口，得到多个对应于中心采样点的各向异性窗口及各向异性信息结构。
于一实施例中，该装置还包括：输出模块。
输出模块，用于将以任一采样点为中心的预设等效半径范围内的采样点的采样值作为浓度-面积模型的输入，获得所述浓度-面积模型输出的所述预设分类阈值。
于一实施例中，上述选择模块400还包括：依次连接的计算单元和选取单元。
计算单元，用于计算多个所述椭圆窗口内所有采样点的样本均值与预设分类阈值的相对差异值；
选取单元，用于选取所述相对差异值中最大值对应的椭圆窗口作为所述方位角下的最优椭圆。
于一实施例中，该装置还包括：处理模块。
处理模块，用于遍历所述研究区内空间所有采样点，得到多个对应于所述研究区内空间所有采样点的各向异性窗口及各向异性信息结构。
上述装置中各个模块的功能和作用的实现过程具体详见上述地学数据各向异性信息结构的分析识别方法中的对应步骤的实现过程，在此不再赘述。
在本申请所提供的几个实施例中，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系结构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

Claims (8)

1.一种地学数据各向异性信息结构的分析识别方法，其特征在于，包括：
获取研究区内空间采样点的采样值；
以任一采样点为中心，通过改变预设等效半径，在每种预设等效半径下，通过改变方位角，构建每种方位角下的不同压缩系数的多个椭圆窗口；
基于当前所述预设等效半径，针对同一方位角下的多个椭圆窗口，根据所述椭圆窗口内所有采样点的样本均值与预设分类阈值的相对差异值，选取所述方位角下的最优椭圆，包括：
计算多个所述椭圆窗口内所有采样点的样本均值与预设分类阈值的相对差异值；
选取所述相对差异值中最大值对应的椭圆窗口作为所述方位角下的最优椭圆；
根据多种方位角下的最优椭圆的并集区域，构建目标窗口，得到多个对应于中心采样点的各向异性窗口及各向异性信息结构。
2.根据权利要求1所述的方法，其特征在于，在所述获取研究区内空间采样点的采样值之后，所述方法还包括：
将以任一采样点为中心的预设等效半径范围内的采样点的采样值作为浓度-面积模型的输入，获得所述浓度-面积模型输出的所述预设分类阈值。
3.根据权利要求1所述的方法，其特征在于，在根据多种方位角下的最优椭圆的并集区域，构建目标窗口，得到多个对应于中心采样点的各向异性窗口及各向异性信息结构之后，所述方法还包括：
遍历所述研究区内空间所有采样点，得到多个对应于所述研究区内空间所有采样点的各向异性窗口及各向异性信息结构。
4.一种地学数据各向异性信息结构的分析识别装置，其特征在于，包括：
获取模块，用于获取研究区内空间采样点的采样值；
第一构建模块，用于以任一采样点为中心，通过改变预设等效半径，在每种预设等效半径下，通过改变方位角，构建每种方位角下的不同压缩系数的多个椭圆窗口；
选择模块，用于基于当前所述预设等效半径，针对同一方位角下的多个椭圆窗口，根据所述椭圆窗口内所有采样点的样本均值与预设分类阈值的相对差异值，选取所述方位角下的最优椭圆，包括：
计算单元，用于计算多个所述椭圆窗口内所有采样点的样本均值与预设分类阈值的相对差异值；
选取单元，用于选取所述相对差异值中最大值对应的椭圆窗口作为所述方位角下的最优椭圆；
第二构建模块，用于根据多种方位角下的最优椭圆的并集区域，构建目标窗口，得到多个对应于中心采样点的各向异性窗口及各向异性信息结构。
5.根据权利要求4所述的装置，其特征在于，所述装置还包括：
输出模块，用于将以任一采样点为中心的预设等效半径范围内的采样点的采样值作为浓度-面积模型的输入，获得所述浓度-面积模型输出的所述预设分类阈值。
6.根据权利要求4所述的装置，其特征在于，所述装置还包括：
处理模块，用于遍历所述研究区内空间所有采样点，得到多个对应于所述研究区内空间所有采样点的各向异性窗口及各向异性信息结构。
7.一种电子设备，其特征在于，所述电子设备包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行权利要求1-3任意一项所述的地学数据各向异性信息结构的分析识别方法。
8.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序可由处理器执行以完成权利要求1-3任意一项所述的地学数据各向异性信息结构的分析识别方法。
CN202110388751.5A 2021-04-12 2021-04-12 地学数据各向异性信息结构的分析识别方法及装置 Active CN113094655B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110388751.5A CN113094655B (zh) 2021-04-12 2021-04-12 地学数据各向异性信息结构的分析识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110388751.5A CN113094655B (zh) 2021-04-12 2021-04-12 地学数据各向异性信息结构的分析识别方法及装置

Publications (2)

Publication Number Publication Date
CN113094655A CN113094655A (zh) 2021-07-09
CN113094655B true CN113094655B (zh) 2021-11-19

Family

ID=76677332

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110388751.5A Active CN113094655B (zh) 2021-04-12 2021-04-12 地学数据各向异性信息结构的分析识别方法及装置

Country Status (1)

Country Link
CN (1) CN113094655B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107728204A (zh) * 2016-08-11 2018-02-23 中国石油化工股份有限公司 基于叠前纵波各向异性的裂缝预测方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10401514B2 (en) * 2015-06-17 2019-09-03 Conocophillips Company Seismic azimuthal gradient estimation
CN108446530A (zh) * 2018-03-08 2018-08-24 中国地质科学院地质力学研究所 一种地球化学元素各向异性空间定量化分析方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107728204A (zh) * 2016-08-11 2018-02-23 中国石油化工股份有限公司 基于叠前纵波各向异性的裂缝预测方法及系统

Also Published As

Publication number Publication date
CN113094655A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
Jasche et al. Physical Bayesian modelling of the non-linear matter distribution: new insights into the Nearby Universe
Hengl et al. Predictive soil mapping with R
Maletić et al. Persistent topological features of dynamical systems
Rieck et al. Persistent homology for the evaluation of dimensionality reduction schemes
Roberson et al. Inter‐instrument comparison of particle‐size analysers
Liu et al. Scale computation on high spatial resolution remotely sensed imagery multi-scale segmentation
Wan Entropy-based particle swarm optimization with clustering analysis on landslide susceptibility mapping
Panaretos et al. Principal flows
Li An enhanced dual IDW method for high-quality geospatial interpolation
Nosovskiy et al. Automatic clustering and boundary detection algorithm based on adaptive influence function
Olea A practical primer on geostatistics
Lin et al. Groundwater simulations and uncertainty analysis using MODFLOW and geostatistical approach with conditioning multi-aquifer spatial covariance
Kermarrec On estimating the Hurst parameter from least-squares residuals. Case study: Correlated terrestrial laser scanner range noise
Xu et al. A comparative study of shallow machine learning models and deep learning models for landslide susceptibility assessment based on imbalanced data
Pons et al. Statistical performance of local attractor dimension estimators in non-Axiom A dynamical systems
Chen et al. A critical review of automated extraction of rock mass parameters using 3D point cloud data
Kristóf et al. Evaluation of historical CMIP5 GCM simulation results based on detected atmospheric teleconnections
Wang et al. A Monte Carlo-based workflow for geochemical anomaly identification under uncertainty and global sensitivity analysis of model parameters
Buttafuoco et al. Improving mean annual precipitation prediction incorporating elevation and taking into account support size
CN113094655B (zh) 地学数据各向异性信息结构的分析识别方法及装置
Beilschmidt et al. A linear-time algorithm for the aggregation and visualization of big spatial point data
Wang et al. Non-parametric simulation of random field samples from incomplete measurements using generative adversarial networks
Norris et al. Towards monitoring biodiversity in Amazonian Forests: how regular samples capture meso-scale altitudinal variation in 25 km2 plots
CN113239815B (zh) 一种基于真实语义全网络学习的遥感影像分类方法、装置及设备
Harris et al. The comap as a diagnostic tool for non-stationary kriging models

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