CN113408019A - 一种基于bme-gwr的水系沉积物地球化学异常制图方法 - Google Patents
一种基于bme-gwr的水系沉积物地球化学异常制图方法 Download PDFInfo
- Publication number
- CN113408019A CN113408019A CN202110697285.9A CN202110697285A CN113408019A CN 113408019 A CN113408019 A CN 113408019A CN 202110697285 A CN202110697285 A CN 202110697285A CN 113408019 A CN113408019 A CN 113408019A
- Authority
- CN
- China
- Prior art keywords
- water system
- geochemical
- data
- bme
- gwr
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于BME‑GWR的水系沉积物地球化学异常制图方法,包括以下步骤:基于ASTGTM2DEM数据提取地形因子,地形因子包括坡度、坡向和地形起伏度信息;基于GWR方法对提取的地形因子和研究区平均降雨量信息构建研究区的概率型软数据模型;以1:20万水系沉积地球化学数据为硬数据,基于BME方法对建立的概率型软数据模型和硬数据识别研究区水系沉积物地球化学异常;对识别的水系沉积物地球化学异常与普克里格插值结果对比,并进行插值精度和不确定性评价。本发明采用上述结构的一种基于BME‑GWR的水系沉积物地球化学异常制图方法,提高了水系沉积物地球化学异常的识别精度和降低了不确定性。
Description
技术领域
本发明涉及图像处理技术领域,尤其是涉及一种基于BME-GWR的水系沉积物地球化学异常制图方法。
背景技术
地球化学异常识别方法是地球化学勘查研究的热点之一,综合信息集成、融合与矿化相关的数据信息是解决覆盖区地球化学信息缺失和不完整问题的有效途径之一,对开展地球化学异常信息识别具有重要的意义。传统的异常识别方法仅依赖地球化学数据进行异常识别,常常不能得到满意的结果。水系沉积物地球化学元素的异常分布受到表层地球化学景观的影响,因此融合水系沉积物地球化学数据和地形影响因子等信息进行地球化学异常识别对地球化学勘查具有重要意义。贝叶斯最大熵(Baysian Maximun Entropy,BME)方法是一种以时空随机场理论为基础的时空分析与成图方法,能够综合利用同一研究区的不同时期、不同精度的地球化学数据和影响地球化学元素分布的高程、坡度等地球化学景观因子,有效提高预测精度(Christakos,1990;1992)。地球化学异常分布受到多种相互制约因素的影响,把地形因子数据和平均降雨量等作为地球化学异常识别的辅助数据,可以弥补地球化学数据局部缺失数据的问题,从而提高预测的精度,降低地球化学异常识别的不确定性。因此,将BME方法应用于地球化学异常信息识别,可以为地球化学异常的识别和评价提供新思路。
发明内容
本发明的目的是提供一种基于BME-GWR的水系沉积物地球化学异常制图方法,提高了水系沉积物地球化学异常的识别精度和降低了不确定性。
为实现上述目的,本发明提供了一种基于BME-GWR的水系沉积物地球化学异常制图方法,包括以下步骤:
(1)基于ASTGTM2 DEM数据提取地形因子,地形因子包括坡度、坡向和地形起伏度信息;
(2)基于GWR方法对提取的地形因子和研究区平均降雨量信息构建研究区的概率型软数据模型;
(3)以1:20万水系沉积地球化学数据为硬数据,基于BME方法对建立的概率型软数据模型和硬数据识别研究区水系沉积物地球化学异常;
(4)对识别的水系沉积物地球化学异常与普克里格插值结果对比,并进行插值精度和不确定性评价。
优选的,所述基于ASTGTM2 DEM数据提取地形因子包括坡度、坡向和地形起伏度信息,包括以下步骤:
基于ArcGIS对下载的DEM数据进行镶嵌融合,裁剪出研究区范围一致的DEM数据,提取坡度、坡向和地形起伏度的因子信息,并依据坡向对水系沉积物的影响程度进行分类,从小到大为315°-360°和0°-45°,45°-135°和225°-315°,135°-225°并依次赋予0-1的权重,据此对其做归一化处理,得到归一化的影响因子。
优选的,基于GWR方法对提取的地形因子和研究区平均降雨量信息构建研究区的概率软数据模型,包括以下步骤:
首先依据降雨量对水系沉积物异常的影响程度,对其归一化处理;
其次基于GWR方法对提取的地形因子和研究区平均降雨量信息获取研究区的局部平均预测值,并依据预测值与实际测量值之间的差的平方作为概率软数据的方差,得到概率软数据的均值和方差。
优选的,以1:20万水系沉积地球化学数据为硬数据,基于BME方法对建立的概率型软数据模型和硬数据计算未采样点的概率密度分布函数,并以均值分布作为未采样点的估计值,最终预测研究区水系沉积物地球化学异常空间分布。
优选的,对识别的水系沉积物地球化学异常与普通克里格结果对比,计算二者估计值的均值、平均绝对误差、均方根误差,并计算估计值与实测数据的相关性,进行估计结果的不确定性评价。
一种电子设备,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现了上述一种基于BME-GWR的水系沉积物地球化学异常制图方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现了上述的一种基于BME-GWR的水系沉积物地球化学异常制图方法的步骤。
因此,本发明采用上述结构的一种基于BME-GWR的水系沉积物地球化学异常制图方法,提高了水系沉积物地球化学异常的识别精度和降低了不确定性。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1是一种基于BME-GWR的水系沉积物地球化学异常制图方法的流程图;
图2是基于ASTGTM2 DEM遥感数据提取的坡度、坡向、地形起伏度和平均降雨量分布图;
图3是提取的坡度、坡向、地形起伏度和平均降雨量归一化分布图;
图4是基于归一化的坡度、坡向、地形起伏度和平均降雨量的GWR预测分布图;
图5是基于BME和普通克里格(OK)对研究区Mo元素含量空间分布图;
图6是BME和普通克里格(OK)预测值与测量数据相关系数图一;
图7是BME和普通克里格(OK)预测值与测量数据相关系数图二。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
本发明提供了一种基于BME-GWR的水系沉积物地球化学异常制图方法,包括以下步骤:
(1)基于ASTGTM2 DEM数据提取地形因子,地形因子包括坡度、坡向和地形起伏度信息,包括以下步骤:
基于ArcGIS对下载的DEM数据进行镶嵌融合,裁剪出研究区范围一致的DEM数据,提取坡度、坡向和地形起伏度的因子信息,并依据坡向对水系沉积物的影响程度进行分类,从小到大为315°-360°和0°-45°,45°-135°和225°-315°,135°-225°并依次赋予0-1的权重,据此对其做归一化处理,得到归一化的影响因子。
(2)基于GWR方法对提取的地形因子和研究区平均降雨量信息构建研究区的概率型软数据模型,包括以下步骤:
首先依据降雨量对水系沉积物异常的影响程度,对其归一化处理;
其次基于GWR方法对提取的地形因子和研究区平均降雨量信息获取研究区的局部平均预测值,并依据预测值与实际测量值之间的差的平方作为概率软数据的方差,得到概率软数据的均值和方差。
(3)以1:20万水系沉积地球化学数据为硬数据,基于BME方法对建立的软数据模型和硬数据计算未采样点的概率密度分布函数,并以均值分布作为未采样点的估计值,最终预测研究区水系沉积物地球化学异常空间分布;
(4)对识别的水系沉积物地球化学异常与普通克里格(OK)结果对比,计算二者估计值的均值、平均绝对误差、均方根误差,并计算估计值与实测数据的相关性,进行估计结果的精度和不确定性评价。
一种电子设备,包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现了上述一种基于BME-GWR的水系沉积物地球化学异常制图方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现了上述的一种基于BME-GWR的水系沉积物地球化学异常制图方法的步骤。
如图1所示,一种基于BME-GWR的水系沉积物地球化学异常制图方法包括如下步骤:
S110:先验阶段:基于最大熵的先验PDF计算。
基于最大熵原理,就是在所提供数据有限或概率空间不完备的情况下,在估计随机变量的概率分布时,选择出具有最大熵的一种概率分布,作为估计的先验结果。在先验阶段将定性的知识转化为定量的数学约束,找出包含信息量最大的先验分布,保证将最丰富的先验信息融入估计过程中。假设随机变量Xmap=(x1,x2,...,xm,xk),其对应的空间坐标为[p1,p2,...,pm,pk],xk表示某个待估点pk上的值,fG(Xmap)表示Xmap的PDF。信息熵计算公式为:
H[Xmap,fG(Xmap)]=-∫ln[fG(Xmap)]fG(Xmap)dXmap (1)
其中式(1)在约束条件下取得最大值,约束条件的通式可表示为:
E[gα]=∫gα(Xmap)fG(Xmap)dXmap (2)
gα(Xmap)关于Xmap的某已知函数常,约束条件个数α=[1,2,…,Nc]与Xmap总个数(m+1)有关,常使用的gα(Xmap)形式为归一化约束、数学期望约束、方差约束、协方差约束、以及与变异函数模型和多点地统计约束等。
S120:后验阶段,基于贝叶斯的后验PDF计算。
基于地理加权回归的软数据模型构建:软数据一般与估计的目标变量具有不同程度的相关性,蕴藏着丰富的信息。本实施例选取的离散型变量主要为坡向数据,根据对水系沉积物次生晕形成的影响程度,权重从小到大为315°-360°和0°-45°,45°-135°和225°-315°,135°-225°,依次赋予0-1内的权重值;连续型变量中的和平均降雨量数据等,坡度和地形起伏度通过ASTGTM2 DEM遥感数据获取。本发明基于地理加权回归方法构建概率软数据,
其中W(u)为u处的n×n权重矩阵,由点之间距离d的函数
w(uu′)=exp(-d2/2b2)计算,权重n为距离b邻域内的建模点个数,z(n)即表示该邻域内的属性值,为n×1的向量。σGWR(u)为标准差,计算公式为:
计算未测点后验PDF。
变量X在预测位置pk上的后验PDF为:
其中,xhard=[x1,x2,...,xh],xsoft=[xh+1,xh+2,...,xm],h,m-h分别为待预测点周围一定范围内硬数据和软数据个数。
S130:地球化学异常信息识别评价阶段。
得到的后验PDF一般为非高斯分布,可以描述未知点位置属性的完全分布特征。根据不同的制图目的,可提取不同的值赋予每个点作为地球化学图件中的像素值,如BME众数估计,表示最可能出现的预测值;BME均值估计,表示具有最小均方估计误差的预测值;BME中值估计,表示具有最小平均绝对误差的预测值。根据本发明的目的,选择BME均值估计作为地球化学估计值,进行地球化学异常识别。
后验概率的方差度量预测精度:
此方差对应于估计方差误差,依赖于选取的软数据和硬数据集,当后验概率分布不复杂时,可以度量分布函数的预测精度,当后验PDF分布较复杂时,使用置信域度量预测精度较为理想。
实施例
本实施例是以内蒙集宁覆盖区为研究区,研究区的1:20万地球化学数据为硬数据,分别基于ASTGTM2 DEM提取研究区的坡度、坡向和地形起伏度数据和收集的研究区的平均降雨量数据进行预处理,根据对水系沉积物次生晕形成的影响程度,坡向权重从小到大为315°-360°和0°-45°,45°-135°和225°-315°,135°-225°,依次赋予0-1内的权重值。对坡度和平均降雨量数据进行归一化处理,得到研究区水系沉积物地形和气候影响因子的归一化空间分布。基于地理加权回归方法构建上述变量的概率型软数据。以1:20万水系沉积地球化学数据为硬数据,基于BME方法对建立的软数据模型和硬数据计算未采样点的概率密度分布函数,并以均值分布作为未采样点的估计值,最终预测研究区水系沉积物地球化学异常空间分布。
对识别的水系沉积物地球化学异常与普通克里格(OK)结果对比,二者识别异常的空间分布趋势相似,但BME抑制了一些地形或平滑导致的假异常,揭露了一些局部异常和覆盖层下的弱异常分布。计算二者估计值的均值、平均绝对误差、均方根误差,基于BME的预测结果的平均绝对误差、均方根误差更小,且散点图显示BME估计值与实测数据的相关性更好,表明融入地形因子和气候因子识别的水系沉积物异常的预测结果不确定性较低,精度较高。
结合图1,得到计算流程图。
结合图2,经过步骤(1)得到平均降雨量和基于ASTGTM2 DEM提取的坡度、坡向和地形起伏度空间分布。
结合图3,对步骤(1)提取的平均降雨量和基于ASTGTM2 DEM提取的坡度、坡向和地形起伏度归一化空间分布。
结合图4,经过步骤(2)GWR获取的软数据均值分布。
结合图5,经过步骤(3)获取基于BME和OK的研究区水系沉积物异常分布。
结合图6和图7,经过步骤(4)得到BME和OK的预测值与观测值的散点图。
结合表1,经过步骤(4)得到BME和OK的预测值交叉验证参数表。
表1
该实施例的终端设备包括:处理器、存储器以及存储在所述存储器中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计算机程序时实现上述方法实施例中的步骤,例如图1所示的步骤S110至S130。
本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
因此,本发明采用上述结构的一种基于BME-GWR的水系沉积物地球化学异常制图方法,提高了水系沉积物地球化学异常的识别精度和降低了不确定性。
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (7)
1.一种基于BME-GWR的水系沉积物地球化学异常制图方法,其特征在于:包括以下步骤:
(1)基于ASTGTM2 DEM数据提取地形因子,地形因子包括坡度、坡向和地形起伏度信息;
(2)基于GWR方法对提取的地形因子和研究区平均降雨量信息构建研究区的概率型软数据模型;
(3)以1:20万水系沉积地球化学数据为硬数据,基于BME方法对建立的概率型软数据模型和硬数据识别研究区水系沉积物地球化学异常;
(4)对识别的水系沉积物地球化学异常与普克里格插值结果对比,并进行插值精度和不确定性评价。
2.根据权利要求1所述的一种基于BME-GWR的水系沉积物地球化学异常制图方法,其特征在于,所述基于ASTGTM2 DEM数据提取地形因子包括坡度、坡向和地形起伏度信息,包括以下步骤:
基于ArcGIS对下载的DEM数据进行镶嵌融合,裁剪出研究区范围一致的DEM数据,提取坡度、坡向和地形起伏度的因子信息,并依据坡向对水系沉积物的影响程度进行分类,从小到大为315°-360°和0°-45°,45°-135°和225°-315°,135°-225°并依次赋予0-1的权重,据此对其做归一化处理,得到归一化的影响因子。
3.根据权利要求1所述的一种基于BME-GWR的水系沉积物地球化学异常制图方法,其特征在于,基于GWR方法对提取的地形因子和研究区平均降雨量信息构建研究区的概率软数据模型,包括以下步骤:
首先依据降雨量对水系沉积物异常的影响程度,对其归一化处理;
其次基于GWR方法对提取的地形因子和研究区平均降雨量信息获取研究区的局部平均预测值,并依据预测值与实际测量值之间的差的平方作为概率软数据的方差,得到概率软数据的均值和方差。
4.根据权利要求1所述的一种基于BME-GWR的水系沉积物地球化学异常制图方法,其特征在于:以1:20万水系沉积地球化学数据为硬数据,基于BME方法对建立的概率型软数据模型和硬数据计算未采样点的概率密度分布函数,并以均值分布作为未采样点的估计值,最终预测研究区水系沉积物地球化学异常空间分布。
5.根据权利要求1所述的一种基于BME-GWR的水系沉积物地球化学异常制图方法,其特征在于:对识别的水系沉积物地球化学异常与普通克里格结果对比,计算二者估计值的均值、平均绝对误差、均方根误差,并计算估计值与实测数据的相关性,进行估计结果的精度和不确定性评价。
6.一种电子设备,其特征在于:包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的一种基于BME-GWR的水系沉积物地球化学异常制图方法的步骤。
7.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的一种基于BME-GWR的水系沉积物地球化学异常制图方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110697285.9A CN113408019B (zh) | 2021-06-23 | 2021-06-23 | 一种基于bme-gwr的水系沉积物地球化学异常制图方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110697285.9A CN113408019B (zh) | 2021-06-23 | 2021-06-23 | 一种基于bme-gwr的水系沉积物地球化学异常制图方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113408019A true CN113408019A (zh) | 2021-09-17 |
CN113408019B CN113408019B (zh) | 2022-04-22 |
Family
ID=77682515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110697285.9A Active CN113408019B (zh) | 2021-06-23 | 2021-06-23 | 一种基于bme-gwr的水系沉积物地球化学异常制图方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113408019B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109641A (zh) * | 2023-04-13 | 2023-05-12 | 南京航天宏图信息技术有限公司 | 地球化学景观的异常圈定方法、装置、电子设备和存储介质 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103176221A (zh) * | 2013-03-07 | 2013-06-26 | 李春华 | 基于不同地质单元背景值与衬值的成矿异常特征识别方法 |
CN103529486A (zh) * | 2013-07-02 | 2014-01-22 | 核工业北京地质研究院 | 一种地球化学异常圈定方法 |
CN103903057A (zh) * | 2012-12-25 | 2014-07-02 | 核工业北京地质研究院 | 基于元素地球化学异常的碳硅泥岩型铀矿靶区优选方法 |
CN106126882A (zh) * | 2016-06-15 | 2016-11-16 | 中国地质大学(北京) | 基于肯德尔和谐系数排序的勘查区元素地球化学数据优选方法 |
CN106446444A (zh) * | 2016-10-14 | 2017-02-22 | 中国科学院遥感与数字地球研究所 | 基于贝叶斯最大熵与先验知识的土壤水分空间预测研究 |
CN106908855A (zh) * | 2017-02-23 | 2017-06-30 | 中国地质大学(武汉) | 一种基于gis空间分析选择地球化学元素组合的方法 |
CN107194054A (zh) * | 2017-05-16 | 2017-09-22 | 武汉大学 | 一种顾及土壤有机碳密度空间异质性的克里格插值模型 |
CN107341586A (zh) * | 2017-05-12 | 2017-11-10 | 成都理工大学 | 一种基于降雨的地质灾害发生频率的计算方法 |
CN107480460A (zh) * | 2017-08-25 | 2017-12-15 | 中国地质科学院矿产资源研究所 | 大区域复杂背景区多元素地球化学异常识别方法 |
CN108761574A (zh) * | 2018-05-07 | 2018-11-06 | 中国电建集团北京勘测设计研究院有限公司 | 基于多源信息融合的降雨量估算方法 |
CN109002604A (zh) * | 2018-07-12 | 2018-12-14 | 山东省农业科学院科技信息研究所 | 一种基于贝叶斯最大熵的土壤含水量预测方法 |
CN109766931A (zh) * | 2018-12-25 | 2019-05-17 | 天津珞雍空间信息研究院有限公司 | 基于主被动遥感aod数据的贝叶斯最大熵融合方法 |
-
2021
- 2021-06-23 CN CN202110697285.9A patent/CN113408019B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103903057A (zh) * | 2012-12-25 | 2014-07-02 | 核工业北京地质研究院 | 基于元素地球化学异常的碳硅泥岩型铀矿靶区优选方法 |
CN103176221A (zh) * | 2013-03-07 | 2013-06-26 | 李春华 | 基于不同地质单元背景值与衬值的成矿异常特征识别方法 |
CN103529486A (zh) * | 2013-07-02 | 2014-01-22 | 核工业北京地质研究院 | 一种地球化学异常圈定方法 |
CN106126882A (zh) * | 2016-06-15 | 2016-11-16 | 中国地质大学(北京) | 基于肯德尔和谐系数排序的勘查区元素地球化学数据优选方法 |
CN106446444A (zh) * | 2016-10-14 | 2017-02-22 | 中国科学院遥感与数字地球研究所 | 基于贝叶斯最大熵与先验知识的土壤水分空间预测研究 |
CN106908855A (zh) * | 2017-02-23 | 2017-06-30 | 中国地质大学(武汉) | 一种基于gis空间分析选择地球化学元素组合的方法 |
CN107341586A (zh) * | 2017-05-12 | 2017-11-10 | 成都理工大学 | 一种基于降雨的地质灾害发生频率的计算方法 |
CN107194054A (zh) * | 2017-05-16 | 2017-09-22 | 武汉大学 | 一种顾及土壤有机碳密度空间异质性的克里格插值模型 |
CN107480460A (zh) * | 2017-08-25 | 2017-12-15 | 中国地质科学院矿产资源研究所 | 大区域复杂背景区多元素地球化学异常识别方法 |
CN108761574A (zh) * | 2018-05-07 | 2018-11-06 | 中国电建集团北京勘测设计研究院有限公司 | 基于多源信息融合的降雨量估算方法 |
CN109002604A (zh) * | 2018-07-12 | 2018-12-14 | 山东省农业科学院科技信息研究所 | 一种基于贝叶斯最大熵的土壤含水量预测方法 |
CN109766931A (zh) * | 2018-12-25 | 2019-05-17 | 天津珞雍空间信息研究院有限公司 | 基于主被动遥感aod数据的贝叶斯最大熵融合方法 |
Non-Patent Citations (3)
Title |
---|
张楚天: "贝叶斯最大熵方法时空预测关键问题研究与应用", 《中国优秀博硕士学位论文全文数据库(博士) 基础科学辑》 * |
汪海城: "基于贝叶斯最大熵的集宁覆盖区地球化学异常信息识别研究", 《2017年中国地球科学联合学术年会(CGU2017)论文集》 * |
高胜国 等: "贝叶斯最大熵及其在地球科学领域的应用进展", 《江苏农业科学》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116109641A (zh) * | 2023-04-13 | 2023-05-12 | 南京航天宏图信息技术有限公司 | 地球化学景观的异常圈定方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113408019B (zh) | 2022-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6635038B2 (ja) | シミュレーション装置、シミュレーション方法、および、記憶媒体 | |
Bouttier et al. | Data assimilation concepts and methods March 1999 | |
Kyriakidis et al. | A geostatistical approach for mapping thematic classification accuracy and evaluating the impact of inaccurate spatial data on ecological model predictions | |
Erdoğan | Modelling the spatial distribution of DEM error with geographically weighted regression: An experimental study | |
Wilkes et al. | Using discrete‐return airborne laser scanning to quantify number of canopy strata across diverse forest types | |
CN112200362B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
Mountrakis et al. | A linearly approximated iterative Gaussian decomposition method for waveform LiDAR processing | |
Katzfuss et al. | Tutorial on fixed rank kriging (FRK) of CO2 data | |
CN112668238B (zh) | 一种降雨量处理方法、装置、设备和存储介质 | |
Xu et al. | A two-phase copula entropy-based multiobjective optimization approach to hydrometeorological gauge network design | |
CN113408019B (zh) | 一种基于bme-gwr的水系沉积物地球化学异常制图方法 | |
Zhang et al. | Bayesian inference of spatio-temporal changes of Arctic sea ice | |
Yoshida | Probabilistic Inverse Analysis for Geotechnics | |
US8510049B2 (en) | Maximum entropy application methods and systems | |
Boyles et al. | Ensemble Kalman filter updates based on regularized sparse inverse Cholesky factors | |
CN113780422B (zh) | 背景杂波相似性评估方法及装置 | |
Her et al. | Interpolating SRTM elevation data to higher resolution to improve hydrologic analysis | |
Hillier et al. | Testing techniques to quantify drumlin height and volume: synthetic DEMs as a diagnostic tool | |
Gallay et al. | Using geographically weighted regression for analysing elevation error of detailed digital elevation models | |
Mousavian et al. | Copula-based modeling of dependence structure in geodesy and GNSS applications: case study for zenith tropospheric delay in complex terrain | |
Atkinson et al. | Geostatistics and spatial interpolation | |
Wang et al. | A method for solving LiDAR waveform decomposition parameters based on a variable projection algorithm | |
Kim | The estimation of the variogram in geostatistical data with outliers | |
CN117992757B (zh) | 基于多维数据的国土生态环境遥感数据分析方法 | |
Velasco-Forero et al. | Automatic estimation of rainfall fields for hydrological applications: blending radar and rain gauge data in real time |
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 |