CN114565046A - 一种基于遥感高光谱的矿产资源探测系统及探测方法 - Google Patents
一种基于遥感高光谱的矿产资源探测系统及探测方法 Download PDFInfo
- Publication number
- CN114565046A CN114565046A CN202210196164.0A CN202210196164A CN114565046A CN 114565046 A CN114565046 A CN 114565046A CN 202210196164 A CN202210196164 A CN 202210196164A CN 114565046 A CN114565046 A CN 114565046A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- remote sensing
- mineral
- hyperspectral
- 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.)
- Pending
Links
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 101
- 239000011707 mineral Substances 0.000 title claims abstract description 101
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 230000004927 fusion Effects 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 8
- 230000003595 spectral effect Effects 0.000 claims description 32
- 238000011426 transformation method Methods 0.000 claims description 4
- 230000006698 induction Effects 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 239000000463 material Substances 0.000 abstract description 3
- 238000001228 spectrum Methods 0.000 description 11
- 238000004088 simulation Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000000862 absorption spectrum Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033558 biomineral tissue development Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000001089 mineralizing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052755 nonmetal Inorganic materials 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V8/00—Prospecting or detecting by optical means
- G01V8/10—Detecting, e.g. by using light barriers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Remote Sensing (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Computational Linguistics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提出一种基于遥感高光谱的矿产资源探测系统，包括数据采集模块、数据融合模块、特征提取模块、模型分析模块以及结果图表生成模块；一种基于遥感高光谱的矿产资源探测系统的探测方法，包括数据获取、数据融合、信息提取及分析以及结果输出四个步骤；本发明通过确定需要探测的地区，并获得该地区的多源高光谱遥感数据，相比单相的高光谱遥感数据，本发明数据采集的更加全面，且能够从多方面提供了目标信息，并利用遥感数据融合技术，能够提升遥感图像数据的精度，继而方便后续的特征提取，从而通过提升采集数据精准度来提升矿产资源探测的效率，同时，无需人工过多的介入，能够适应多地区的矿产资源探测，节省人力物力。
Description
技术领域
本发明涉及矿产资源探测技术领域，尤其涉及一种基于遥感高光谱的矿产资源探测系统及探测方法。
背景技术
矿物资源，又名矿产资源，是指经过地质成矿作用而形成的，天然赋存于地壳内部或地表埋藏于地下或出露于地表，呈固态、液态或气态的，并具有开发利用价值的矿物或有用元素的集合体，矿产资源属于非可再生资源，其储量是有限的，世界已知的矿产有160多种，其中80多种应用较广泛，按其特点和用途，通常分为四类：能源矿产11种；金属矿产59种；非金属矿产92种；水气矿产6种。共有168种矿种；
近年来，由于矿产资源开采速度加快，探测矿产资源的任务紧迫而艰巨，而矿产字样探测的方式通常是需要人工进行实地勘探，而矿产资源勘探又称矿床勘探，是对矿床地质、经济技术条件作全面调查的方法；在详查阶段以后，选择具有工业价值的矿床，应用地质、地球物理和地球化学探矿技术和探矿工程，对矿床的成矿地质条件和开采技术经济条件进行全面调查研究；
但实地的矿产资源勘探的方式，较为繁琐，同时，耗费大量的时间和人力，同时，针对不同地区的勘探，耗费时间更广，效率较更低，因此本发明提出一种基于遥感高光谱的矿产资源探测系统及探测方法以解决现有技术中存在的问题。
发明内容
针对上述问题，本发明的目的在于提出一种基于遥感高光谱的矿产资源探测系统及探测方法，该种基于遥感高光谱的矿产资源探测系统及探测方法具有适应不同地区、探测效率高的优点，解决现有技术中无法适应多地区、效率低的问题。
为实现本发明的目的，本发明通过以下技术方案实现：一种基于遥感高光谱的矿产资源探测系统，包括数据采集模块、数据融合模块、特征提取模块、模型分析模块以及结果图表生成模块，所述数据采集模块用于获取探测地区的多源高光谱遥感数据，且数采集模块的输出端与数据融合模块的输入端连接，所述数据融合模块用于融合输入的多源高光谱遥感数据，且数据融合模块的输出端与特征提取模块的输入端连接，所述特征提取模块用于提取融合后高光谱遥感数据中的光谱数据，且特征提取模块的输出端与模型分析模块的输入端连接，所述模型分析模块用于通过模型对输入的光谱数据进行分析匹配，且模型分析模块的输出端与结果图表生成模块的输入端连接，所述结果图表生成模块用于根据模型分析的结果进行图表生成，完成矿产资源的探测作业。
进一步改进在于：还包括有网络连接模块和矿产资源数据库，所述网络连接模块用于系统内的网络连接，所述矿产资源数据库用于系统内数据的调用。
进一步改进在于：还包括有用户登录模块和数据查询模块，所述用户登录模块用于系统内的用户登录，且用户登录模块的输出端有数据查询模块的输入端连接，所述数据查询模块用户用户进行数据查询，且数据查询模块的输出端与矿产资源数据库的输入端连接。
一种基于遥感高光谱的矿产资源探测系统的探测方法，包括以下步骤：
步骤一、数据获取
确定需要探测矿产地区，并在确定好地区之后，获取该地区的多源高光谱遥感数据，之后，再针对该地区，获得该地区的相关矿产信息，再将获得的多源高光谱遥感数据与该地区的相关矿产信息以及先验知识进行结合，构建该地区的矿产资源数据库；
步骤二、数据融合
对步骤一中获得的多源高光谱遥感数据采用IHS变换方法进行融合，同时，在进行数据融合前，需要将该地区的不同高光谱遥感图像数据进行数据配准，以保证融合数据后的一致性；
步骤三、信息提取及分析
将步骤二融合得到的高光谱遥感数据，进行特征提取作业，即在高光谱遥感数据中，提取所需要的光谱数据，并将提取的光谱数据输送至光谱矿物识别模型内，通过光谱矿物识别模型对输入的光谱数据进行分析匹配；
步骤四、结果输出
根据步骤三分析匹配的结果，对矿产地区进行矿产资源的预估。
进一步改进在于：所述步骤一中，相关矿产信息包括该地区的地理位置、地质情况、地质质量和地质经济价值信息。
进一步改进在于：所述步骤一中，多源高光谱遥感数据包括该地区的不同平台、不同时相、不同分辨率的高光谱遥感数据。
进一步改进在于：所述步骤二中，数据配准即是对多源高光谱遥感数据进行统一化，其包括空间配准和数据关联，空间配准的目的是确保融合数据间地理坐标的统一，而数据关联是确保数据结构的统一。
进一步改进在于：所述步骤三中，光谱矿物识别模型是基于步骤一中的矿产资源数据库所构建的，是将输入的光谱数据与现有的参考光谱数据进行分析匹配，对矿物资源进行识别。
本发明的有益效果为：该种基于遥感高光谱的矿产资源探测系统及探测方法通过确定需要探测的地区，并获得该地区的多源高光谱遥感数据，相比单相的高光谱遥感数据，本发明数据采集的更加全面，且能够从多方面提供了目标信息，并利用遥感数据融合技术，能够提升遥感图像数据的精度，继而方便后续的特征提取，从而通过提升采集数据精准度来提升矿产资源探测的效率，同时，无需人工过多的介入，能够适应多地区的矿产资源探测，节省人力物力。
附图说明
图1是本发明的结构示意图。
图2是本发明的步骤流程示意图。
具体实施方式
为了加深对本发明的理解，下面将结合实施例对本发明做进一步详述，本实施例仅用于解释本发明，并不构成对本发明保护范围的限定。
实施例一
根据图1所示，一种基于遥感高光谱的矿产资源探测系统，包括数据采集模块、数据融合模块、特征提取模块、模型分析模块以及结果图表生成模块，数据采集模块用于获取探测地区的多源高光谱遥感数据，且数采集模块的输出端与数据融合模块的输入端连接，数据融合模块用于融合输入的多源高光谱遥感数据，且数据融合模块的输出端与特征提取模块的输入端连接，特征提取模块用于提取融合后高光谱遥感数据中的光谱数据，且特征提取模块的输出端与模型分析模块的输入端连接，模型分析模块用于通过模型对输入的光谱数据进行分析匹配，且模型分析模块的输出端与结果图表生成模块的输入端连接，结果图表生成模块用于根据模型分析的结果进行图表生成，完成矿产资源的探测作业，其中，模型分析模块内还设有光谱解混子模块和填图子模块。
还包括有网络连接模块和矿产资源数据库，网络连接模块用于系统内的网络连接，矿产资源数据库用于系统内数据的调用。
还包括有用户登录模块和数据查询模块，用户登录模块用于系统内的用户登录，且用户登录模块的输出端有数据查询模块的输入端连接，数据查询模块用户用户进行数据查询，且数据查询模块的输出端与矿产资源数据库的输入端连接。
根据图2所示，一种基于遥感高光谱的矿产资源探测系统的探测方法，包括以下步骤：
步骤一、数据获取
确定需要探测矿产地区，并在确定好地区之后，获取该地区的多源高光谱遥感数据，之后，再针对该地区，获得该地区的相关矿产信息，再将获得的多源高光谱遥感数据与该地区的相关矿产信息以及先验知识进行结合，构建该地区的矿产资源数据库，相关矿产信息包括该地区的地理位置、地质情况、地质质量和地质经济价值信息，多源高光谱遥感数据包括该地区的不同平台、不同时相、不同分辨率的高光谱遥感数据；
步骤二、数据融合
对步骤一中获得的多源高光谱遥感数据采用IHS变换方法进行融合，同时，在进行数据融合前，需要将该地区的不同高光谱遥感图像数据进行数据配准，以保证融合数据后的一致性，数据配准即是对多源高光谱遥感数据进行统一化，其包括空间配准和数据关联，空间配准的目的是确保融合数据间地理坐标的统一，而数据关联是确保数据结构的统一；
步骤三、信息提取及分析
将步骤二融合得到的高光谱遥感数据，进行特征提取作业，即在高光谱遥感数据中，提取所需要的光谱数据，并将提取的光谱数据输送至光谱矿物识别模型内，通过光谱矿物识别模型对输入的光谱数据进行分析匹配，光谱矿物识别模型是基于步骤一中的矿产资源数据库所构建的，是将输入的光谱数据与现有的参考光谱数据进行分析匹配，对矿物资源进行识别；
步骤四、结果输出
根据步骤三分析匹配的结果，对矿产地区进行矿产资源的预估。
本实施例中，先验知识包括但不限于现有的矿物光谱遥感数据。
由于高光谱遥感数据是将成像技术与光谱探测技术的结合，在对目标的空间特征成像的同时，对每个空间像元经过色散形成几十个乃至几百个窄波段以进行连续的光谱覆盖，由于不同成分对光谱吸收不同，继而光谱信息能充分反应样品内部的物理结构、化学成分的差异，在本申请中，获取多源高光谱遥感数据，即该地区的不同平台、不同时相、不同分辨率的高光谱遥感数据，并对其进行数据配准，使得多源高光谱遥感数据进行统一化，之后，对统一化的多源高光谱遥感数据利用IHS(色相饱和度)变换方法进行融合，即是将多源的数据融合为单组数据，相对而言，该单组数据的整体的精确度会更高，之后，利用融合后的数据进行特征提取，并根据提取的特征与现有确定的矿物光谱进行比对，即通过选择吸收谱段，计算光谱吸收特征等方法实现对岩矿识别，从矿物光谱形成原理本身出发，获取矿物的诊断特征并用于识别，来确定矿产资源。
实施例二
本实施例提出了一种基于遥感高光谱的矿产资源探测系统，包括数据采集模块、数据融合模块、特征提取模块、模型分析模块以及结果图表生成模块，数据采集模块用于获取探测地区的多源高光谱遥感数据，且数采集模块的输出端与数据融合模块的输入端连接，数据融合模块用于融合输入的多源高光谱遥感数据，且数据融合模块的输出端与特征提取模块的输入端连接，特征提取模块用于提取融合后高光谱遥感数据中的光谱数据，且特征提取模块的输出端与模型分析模块的输入端连接，模型分析模块用于通过模型对输入的光谱数据进行分析匹配，且模型分析模块的输出端与结果图表生成模块的输入端连接，结果图表生成模块用于根据模型分析的结果进行图表生成，完成矿产资源的探测作业。
还包括有网络连接模块和矿产资源数据库，网络连接模块用于系统内的网络连接，矿产资源数据库用于系统内数据的调用。
还包括有用户登录模块和数据查询模块，用户登录模块用于系统内的用户登录，且用户登录模块的输出端有数据查询模块的输入端连接，数据查询模块用户用户进行数据查询，且数据查询模块的输出端与矿产资源数据库的输入端连接。
本实施例与实施例一的区别主要在于，本实施例还包括有数据模拟输入模块和参数设定模块，数据模拟输入模块用于用户输入模拟的光谱数据，且数据模拟输入模块的输出端与参数设定模块的输入端连接，参数设定模块用于设定所需要的光谱数据，方便用户输入数据时更加方便、精准，且参数设定模块的输出端与数据采集模块的输入端连接，通过设置的数据模拟输入模块，方便用户进行矿产资源的模拟探测。
本发明通过确定需要探测的地区，并获得该地区的多源高光谱遥感数据，相比单相的高光谱遥感数据，本发明数据采集的更加全面，且能够从多方面提供了目标信息，并利用遥感数据融合技术，能够提升遥感图像数据的精度，继而方便后续的特征提取，从而通过提升采集数据精准度来提升矿产资源探测的效率，同时，无需人工过多的介入，能够适应多地区的矿产资源探测，节省人力物力。
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种基于遥感高光谱的矿产资源探测系统，其特征在于：包括数据采集模块、数据融合模块、特征提取模块、模型分析模块以及结果图表生成模块，所述数据采集模块用于获取探测地区的多源高光谱遥感数据，且数采集模块的输出端与数据融合模块的输入端连接，所述数据融合模块用于融合输入的多源高光谱遥感数据，且数据融合模块的输出端与特征提取模块的输入端连接，所述特征提取模块用于提取融合后高光谱遥感数据中的光谱数据，且特征提取模块的输出端与模型分析模块的输入端连接，所述模型分析模块用于通过模型对输入的光谱数据进行分析匹配，且模型分析模块的输出端与结果图表生成模块的输入端连接，所述结果图表生成模块用于根据模型分析的结果进行图表生成，完成矿产资源的探测作业。
2.根据权利要求1所述的一种基于遥感高光谱的矿产资源探测系统，其特征在于：还包括有网络连接模块和矿产资源数据库，所述网络连接模块用于系统内的网络连接，所述矿产资源数据库用于系统内数据的调用。
3.根据权利要求2所述的一种基于遥感高光谱的矿产资源探测系统，其特征在于：还包括有用户登录模块和数据查询模块，所述用户登录模块用于系统内的用户登录，且用户登录模块的输出端有数据查询模块的输入端连接，所述数据查询模块用户用户进行数据查询，且数据查询模块的输出端与矿产资源数据库的输入端连接。
4.应用于权利要求1所述的一种基于遥感高光谱的矿产资源探测系统的探测方法，其特征在于：包括以下步骤：
步骤一、数据获取
确定需要探测矿产地区，并在确定好地区之后，获取该地区的多源高光谱遥感数据，之后，再针对该地区，获得该地区的相关矿产信息，再将获得的多源高光谱遥感数据与该地区的相关矿产信息以及先验知识进行结合，构建该地区的矿产资源数据库；
步骤二、数据融合
对步骤一中获得的多源高光谱遥感数据采用IHS变换方法进行融合，同时，在进行数据融合前，需要将该地区的不同高光谱遥感图像数据进行数据配准，以保证融合数据后的一致性；
步骤三、信息提取及分析
将步骤二融合得到的高光谱遥感数据，进行特征提取作业，即在高光谱遥感数据中，提取所需要的光谱数据，并将提取的光谱数据输送至光谱矿物识别模型内，通过光谱矿物识别模型对输入的光谱数据进行分析匹配；
步骤四、结果输出
根据步骤三分析匹配的结果，对矿产地区进行矿产资源的预估。
5.根据权利要求4所述的一种基于遥感高光谱的矿产资源探测系统的探测方法，其特征在于：所述步骤一中，相关矿产信息包括该地区的地理位置、地质情况、地质质量和地质经济价值信息。
6.根据权利要求4所述的一种基于遥感高光谱的矿产资源探测系统的探测方法，其特征在于：所述步骤一中，多源高光谱遥感数据包括该地区的不同平台、不同时相、不同分辨率的高光谱遥感数据。
7.根据权利要求4所述的一种基于遥感高光谱的矿产资源探测系统的探测方法，其特征在于：所述步骤二中，数据配准即是对多源高光谱遥感数据进行统一化，其包括空间配准和数据关联，空间配准的目的是确保融合数据间地理坐标的统一，而数据关联是确保数据结构的统一。
8.根据权利要求4所述的一种基于遥感高光谱的矿产资源探测系统的探测方法，其特征在于：所述步骤三中，光谱矿物识别模型是基于步骤一中的矿产资源数据库所构建的，是将输入的光谱数据与现有的参考光谱数据进行分析匹配，对矿物资源进行识别。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210196164.0A CN114565046A (zh) | 2022-03-01 | 2022-03-01 | 一种基于遥感高光谱的矿产资源探测系统及探测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210196164.0A CN114565046A (zh) | 2022-03-01 | 2022-03-01 | 一种基于遥感高光谱的矿产资源探测系统及探测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114565046A true CN114565046A (zh) | 2022-05-31 |
Family
ID=81715760
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210196164.0A Pending CN114565046A (zh) | 2022-03-01 | 2022-03-01 | 一种基于遥感高光谱的矿产资源探测系统及探测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114565046A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117949397A (zh) * | 2024-03-27 | 2024-04-30 | 潍坊市勘察测绘研究院 | 高光谱遥感地质测绘控制系统及方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2818100A1 (en) * | 2013-06-27 | 2014-12-31 | China Medical University | Method for analyzing tissue cells using hyperspectral imaging |
| CN111666313A (zh) * | 2020-05-25 | 2020-09-15 | 中科星图股份有限公司 | 基于多源异构遥感数据关联构建及多用户数据匹配方法 |
| CN111742329A (zh) * | 2020-05-15 | 2020-10-02 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台 |
| CN112329853A (zh) * | 2020-11-05 | 2021-02-05 | 湖南省沅江市安沅水利水电建设有限公司 | 基于影像融合的交通事故检测方法、装置、设备及介质 |
-
2022
- 2022-03-01 CN CN202210196164.0A patent/CN114565046A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2818100A1 (en) * | 2013-06-27 | 2014-12-31 | China Medical University | Method for analyzing tissue cells using hyperspectral imaging |
| CN111742329A (zh) * | 2020-05-15 | 2020-10-02 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于多源遥感数据融合和深度神经网络的矿山开采典型地物动态监测方法及平台 |
| CN111666313A (zh) * | 2020-05-25 | 2020-09-15 | 中科星图股份有限公司 | 基于多源异构遥感数据关联构建及多用户数据匹配方法 |
| CN112329853A (zh) * | 2020-11-05 | 2021-02-05 | 湖南省沅江市安沅水利水电建设有限公司 | 基于影像融合的交通事故检测方法、装置、设备及介质 |
Non-Patent Citations (2)
| Title |
|---|
| 兰进京: "多源遥感影像数据融合理论与方法的研究", 《太远科技》 * |
| 梁繁: "云南中甸地区高光谱遥感矿物信息提取", 《万方学位论文》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117949397A (zh) * | 2024-03-27 | 2024-04-30 | 潍坊市勘察测绘研究院 | 高光谱遥感地质测绘控制系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN100547438C (zh) | 一种油气勘探方法及系统 | |
| Chen et al. | Geostatistical method for inferring RMR ahead of tunnel face excavation using dynamically exposed geological information | |
| Carneiro et al. | Semiautomated geologic mapping using self-organizing maps and airborne geophysics in the Brazilian Amazon | |
| Wilson et al. | From outcrop to flow simulation: Constructing discrete fracture models from a LIDAR survey | |
| CN106682377B (zh) | 一种钻孔岩芯蚀变矿物的高光谱提取与定量估算方法 | |
| CN107192673B (zh) | 基于aster和地下岩芯光谱测量技术的一体化地质填图方法 | |
| CN110728402B (zh) | 一种基于地质标本分析的区域矿产资源预测系统 | |
| CN110991075A (zh) | 一种金属矿产快速勘查评价方法 | |
| CN105064986A (zh) | 利用常规测录井资料构建储层四性关系谱的方法 | |
| Zaitouny et al. | Fast automatic detection of geological boundaries from multivariate log data using recurrence | |
| Mohammadpour et al. | Automatic lineament extraction method in mineral exploration using CANNY algorithm and hough transform | |
| Ghamisi et al. | The potential of machine learning for a more responsible sourcing of critical raw materials | |
| CN108318534B (zh) | 岩心约束的电成像测井图像处理方法和装置 | |
| CN114565046A (zh) | 一种基于遥感高光谱的矿产资源探测系统及探测方法 | |
| Leung et al. | Sample truncation strategies for outlier removal in geochemical data: the MCD robust distance approach versus t-SNE ensemble clustering | |
| CN111273372B (zh) | 一种基于化探异常编制潜在成矿温度组合图的编图方法 | |
| CN109738955B (zh) | 一种基于成分-结构分类下的变质岩岩性综合判别方法 | |
| CN116976115A (zh) | 面向量化分析与判断的遥感卫星应用需求仿真方法及装置 | |
| Maiti et al. | A k-means clustering–based approach for 3D mapping and characterization of rock faces using digital images | |
| Dhara et al. | Automatic extraction and analysis of lineament features using ASTER and Sentinel 1 SAR data | |
| Monsen et al. | The automated interpretation of photorealistic outcrop models | |
| CN110702632B (zh) | 一种深部岩矿高光谱信息三维建模方法 | |
| CN110795513B (zh) | 河流相源储异位型致密油气甜点区分布的预测方法 | |
| CN113720952A (zh) | 用于储层解释评价的图版生成方法、装置、设备及介质 | |
| Tusa et al. | Extraction of structural and mineralogical features from hyperspectral drill-core scans |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220531 |
|
| RJ01 | Rejection of invention patent application after publication |