CN116109641B - 地球化学景观的异常圈定方法、装置、电子设备和存储介质 - Google Patents
地球化学景观的异常圈定方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116109641B CN116109641B CN202310392023.0A CN202310392023A CN116109641B CN 116109641 B CN116109641 B CN 116109641B CN 202310392023 A CN202310392023 A CN 202310392023A CN 116109641 B CN116109641 B CN 116109641B
- Authority
- CN
- China
- Prior art keywords
- area
- upstream
- contribution
- sediment
- element content
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 112
- 239000013049 sediment Substances 0.000 claims abstract description 90
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 61
- 238000012937 correction Methods 0.000 claims abstract description 48
- 239000012895 dilution Substances 0.000 claims abstract description 37
- 238000010790 dilution Methods 0.000 claims abstract description 37
- 238000005070 sampling Methods 0.000 claims abstract description 18
- 239000000126 substance Substances 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 10
- 238000010191 image analysis Methods 0.000 abstract description 4
- 239000000463 material Substances 0.000 abstract description 4
- 238000013416 safety cell bank Methods 0.000 description 17
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 16
- 229910052802 copper Inorganic materials 0.000 description 16
- 239000010949 copper Substances 0.000 description 16
- 238000004458 analytical method Methods 0.000 description 13
- 238000012876 topography Methods 0.000 description 12
- 239000000243 solution Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 229910052500 inorganic mineral Inorganic materials 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 239000011707 mineral Substances 0.000 description 4
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000003705 background correction Methods 0.000 description 3
- 230000033558 biomineral tissue development Effects 0.000 description 3
- 230000008021 deposition Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 239000010438 granite Substances 0.000 description 2
- 238000001095 inductively coupled plasma mass spectrometry Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000010453 quartz Substances 0.000 description 2
- 238000009958 sewing Methods 0.000 description 2
- 238000004846 x-ray emission Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000283070 Equus zebra Species 0.000 description 1
- 235000019738 Limestone Nutrition 0.000 description 1
- 230000002378 acidificating effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000001479 atomic absorption spectroscopy Methods 0.000 description 1
- 238000001391 atomic fluorescence spectroscopy Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010252 digital analysis Methods 0.000 description 1
- 238000004993 emission spectroscopy Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 238000000673 graphite furnace atomic absorption spectrometry Methods 0.000 description 1
- 238000001676 hydride generation atomic fluorescence spectroscopy Methods 0.000 description 1
- 150000004678 hydrides Chemical class 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 238000012625 in-situ measurement Methods 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002715 modification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003969 polarography Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 229910010271 silicon carbide Inorganic materials 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Processing (AREA)
Abstract
本申请提供了一种地球化学景观的异常圈定方法、装置、电子设备和存储介质,涉及卫星遥感图像分析技术领域,包括:确定地面指定区域的数字高程数据、采样点并构建样本集水区;进行三维背景元素含量校正得到去除不同岩性单元中的背景元素含量;计算上游贡献面积、地形的粗糙度指数和平均坡度,计算上游沉积物贡献潜力,对样本集水区进行下游稀释校正得到各个样本集水区的元素含量残差,结合浓度‑面积分型模型进行拟合,将拟合线的断点作为识别河流沉积物化学异常分类的阈值,以圈定河流沉积物地球化学景观的单一元素异常区。本申请提升了圈定的异常区域精准性和处理效率,同时节省实地测量地形数据的人力和物力资源。
Description
技术领域
本申请涉及卫星遥感图像分析技术领域,尤其是涉及一种地球化学景观的异常圈定方法、装置、电子设备和存储介质。
背景技术
识别河流沉积物地球化学数据中的异常点是矿产勘探中最热门的话题之一。相关技术中采用地球化学的方式进行河流沉积物的分析。连续场的河流沉积物地球化学数据是基于各种插值技术获得的,如反距离加权法、克里金法和多分形插值法等。然而,目前的地球化学异常检测的方法,可能导致圈定的异常区域精准性较差。
发明内容
本申请的目的在于提供一种地球化学景观的异常圈定方法、装置、电子设备和存储介质,提升了圈定的异常区域精准性和处理效率,同时节省实地测量地形数据的人力和物力资源。
第一方面,本发明提供一种地球化学景观的异常圈定方法,所述方法包括:采集多景卫星遥感影像,基于所述多景卫星遥感影像确定地面指定区域的数字高程数据;根据所述数字高程数据确定采样点,并基于所述采样点构建样本集水区;对所述样本集水区进行三维背景元素含量校正,得到去除不同岩性单元中的背景元素含量;基于所述数字高程数据计算上游贡献面积、地形的粗糙度指数和平均坡度;根据上游贡献面积、地形的粗糙度指数和平均坡度计算各个样本集水区的上游沉积物贡献潜力;基于所述背景元素含量和所述上游沉积物贡献潜力对样本集水区进行下游稀释校正,得到各个样本集水区的元素含量残差;将所述元素含量残差与浓度-面积分型模型进行拟合,将拟合线的断点作为识别河流沉积物化学异常分类的阈值;根据所述阈值圈定河流沉积物地球化学景观的单一元素异常区。
在可选的实施方式中,采集多景卫星遥感影像,基于所述多景卫星遥感影像确定地面指定区域的数字高程数据,包括:通过高分辨率卫星搭载的传感器对地面指定区域以同轨或者异轨的方式进行立体观测,采集多景卫星遥感影像,并确定同一地面景物的立体像对;根据相机模式构建影像金字塔;基于预设地面控制点在所述述影像金字塔进行外定向,并通过光束平差区域网法进行空中三角测量;提取地面指定区域的数字高程数据。
在可选的实施方式中,采用以下公式对所述样本集水区进行三维背景元素含量校正:
其中,为第i个SCB中第j个岩性单元的三维表面积(i=1, 2, …, n; j=1, 2,…, m);/>为由第j个岩性单元贡献的加权平均元素含量;/>为第i个SCB的实测元素含量;为经过校正的该单元背景元素含量。
在可选的实施方式中,根据上游贡献面积、地形的粗糙度指数和平均坡度计算各个样本集水区的上游沉积物贡献潜力,包括:基于地形的粗糙度指数计算上游贡献面积的平均加权系数;根据上游贡献面积、上游贡献面积的平均加权系数和平均坡度计算各个样本集水区的上游沉积物贡献潜力。
在可选的实施方式中,基于地形的粗糙度指数计算上游贡献面积的平均加权系数,包括:
其中,W为上游贡献面积的平均加权系数;RI为指定地面区域的粗糙度指数;RIMAX为指定地面区域粗糙度指数的最大值。
在可选的实施方式中,根据上游贡献面积、上游贡献面积的平均加权系数和平均坡度计算各个样本集水区的上游沉积物贡献潜力,包括:
其中,Dup为上游沉积物贡献潜力;A为上游贡献面积(m2);为上游贡献面积的平均加权系数;/>为平均坡度(m/m)。
在可选的实施方式中,基于所述背景元素含量和所述上游沉积物贡献潜力对样本集水区进行下游稀释校正,得到各个样本集水区的元素含量残差,包括:
通过以下下游稀释校正公式进行下游稀释校正为:
其中,为下游稀释校正后的元素含量残差;/>为第i个样本集水区的上游贡献面积;K为上游沉积物贡献潜力系数,上游沉积物贡献潜力系数与所述上游沉积物贡献潜力具有对应关系;/>为第i个样本集水区的实测元素含量,/>为经过校正的样本集水区的背景元素含量。
第二方面,本发明提供一种地球化学景观的异常圈定装置,所述装置包括:影像处理模块,用于采集多景卫星遥感影像,基于所述多景卫星遥感影像确定地面指定区域的数字高程数据;样本集水区构建模块,用于根据所述数字高程数据确定采样点,并基于所述采样点构建样本集水区;背景元素含量校正模块,用于对所述样本集水区进行三维背景元素含量校正,得到去除不同岩性单元中的背景元素含量;第一计算模块,用于基于所述数字高程数据计算上游贡献面积、地形的粗糙度指数和平均坡度;第二计算模块,用于根据上游贡献面积、地形的粗糙度指数和平均坡度计算各个样本集水区的上游沉积物贡献潜力;下游稀释校正模块,用于基于所述背景元素含量和所述上游沉积物贡献潜力对样本集水区进行下游稀释校正,得到各个样本集水区的元素含量残差;拟合模块,用于将所述元素含量残差与浓度-面积分型模型进行拟合,将拟合线的断点作为识别河流沉积物化学异常分类的阈值;异常圈定模块,用于根据所述阈值圈定河流沉积物地球化学景观的单一元素异常区。
第三方面,本发明提供一种电子设备,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现前述实施方式任一项所述的地球化学景观的异常圈定方法。
第四方面,本发明提供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可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现前述实施方式任一项所述的地球化学景观的异常圈定方法。
本申请提供的地球化学景观的异常圈定方法、装置、电子设备和存储介质的有益效果:
通过卫星遥感图像获取地貌图像,集合下游稀释校正公式,圈定的异常区域范围更精准,与已知矿点的重合率更高,具有更高的含矿概率;利用卫星遥感图像分析方法,和传统地球化学分析方法相比,具有方便、快捷、精准等优势,可以节省实地测量地形数据的人力和物力资源。基于立体像对获取的数字高程数据对于中小范围研究区来说效率更高,分辨率更高,数字化分析的结果更准确。
附图说明
为了更清楚地说明本申请具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本申请的一些实施方式,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的附图。
图1为本申请实施例提供的一种地球化学景观的异常圈定方法的流程图;
图2为本申请实施例提供的DEM数据获取流程图;
图3为本申请实施例提供的另一种地球化学景观的异常圈定方法的流程图;
图4为本申请实施例提供的研究区位置、地质情况和样品位置示意图;
图5为本申请实施例提供的一种河流上游与下游连通性示意图;
图6为本申请实施例提供的研究区域的数字地形分析结果图;
图7为本申请实施例提供的校正后的残差与C-A模型的拟合对数图;
图8为本申请实施例提供的绘制的河流沉积物地球化学异常图;
图9为本申请实施例提供的结果的预测-面积(P-A)图;
图10为本申请实施例提供的一种地球化学景观的异常圈定装置的结构图;
图11为本申请实施例提供的一种电子设备的结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,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清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
应注意到: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。
识别河流沉积物地球化学数据中的异常点是矿产勘探中最热门的话题之一。从河流沉积物的地球化学数据中识别地球化学异常可以为仍处于初级阶段的矿产勘探提供重要信息。
河流沉积物地球化学数据可以根据流域和地貌的不同分为离散场或连续场。连续场的河流沉积物地球化学数据是基于各种插值技术获得的,如反距离加权法、克里金法和多分形插值法等。为了区分连续场河流沉积物地球化学数据中的异常和背景,前人提出了空间域的浓度-面积(C-A)分形模型、频率域的频谱-面积(S-A)多分形模型等。近年来,各种机器学习和深度学习算法也被广泛开发并应用于地球化学异常的测绘。然而,河流沉积物的化学成分多来自于集水盆地上游岩石和土壤的风化和侵蚀。因此,上述基于内插法的技术忽视了地貌和流体力学因素,即运输和沉积的过程。针对这一问题,有学者提出通过绘制离散的河流沉积物地球化学数据异常图来解决。绘制方法包括通过样本集水盆地(SCB)、河流顺序、扩展样本流域(ESCB)和加权排水流域(WDCB)等进行分析。在这些方法中,与相邻样本相连的离散区域内的浓度值是相同的,排除了相邻样本之间的“数学干扰”。
绘制离散的河流沉积物地球化学数据异常图需要考虑两个因素:背景校正与下游稀释校正。背景校正用于消除岩性本身的元素浓度对河流沉积物中元素值的影响,广泛使用的方法为加权平均法估计每个岩性单元的每一种元素的背景浓度;对于背景校正后的下游稀释校正,有学者提出了使用最为广泛的理想化公式:
式中为集水区面积;/>为矿化源面积;/>为集水区的元素含量;/>为来自矿化源的假定异常元素含量;/>为由于表面积为/>的非矿化岩石造成的背景元素含量。
然而,尽管地形和地貌是河流沉积物中元素含量变化的重要因素,上述校正方法却并未考虑地貌特征带来的影响。随着技术的发展,涉及地形分析的各种技术急剧增加,本申请采用高分辨率卫星遥感图像进行数字高程获取以及地形分析,提供了一种地球化学景观的异常圈定方法、装置、电子设备和存储介质,提升了圈定的异常区域精准性和处理效率,同时节省实地测量地形数据的人力和物力资源。
参见图1所示,本申请实施例提供了一种地球化学景观的异常圈定方法,该方法主要包括以下步骤:
步骤S102,采集多景卫星遥感影像,基于多景卫星遥感影像确定地面指定区域的数字高程数据;
步骤S104,根据数字高程数据确定采样点,并基于采样点构建样本集水区;
步骤S104,对样本集水区进行三维背景元素含量校正,得到去除不同岩性单元中的背景元素含量;
步骤S106,基于数字高程数据计算上游贡献面积、地形的粗糙度指数和平均坡度;
步骤S108,根据上游贡献面积、地形的粗糙度指数和平均坡度计算各个样本集水区的上游沉积物贡献潜力;
步骤S110,基于背景元素含量和上游沉积物贡献潜力对样本集水区进行下游稀释校正,得到各个样本集水区的元素含量残差;
步骤S112,将元素含量残差与浓度-面积分型模型进行拟合,将拟合线的断点作为识别河流沉积物化学异常分类的阈值;
步骤S114,根据阈值圈定河流沉积物地球化学景观的单一元素异常区。
为便于理解,以下对上述方法进行详细说明。
在一可选的实施方式中,上述步骤S102,在采集多景卫星遥感影像,基于多景卫星遥感影像确定地面指定区域的数字高程数据时,可以包括以下步骤1-1至步骤1-4:
步骤1-1,通过高分辨率卫星搭载的传感器对地面指定区域以同轨或者异轨的方式进行立体观测,采集多景卫星遥感影像,并确定同一地面景物的立体像对;
步骤1-2,根据相机模式构建影像金字塔;
步骤1-3,基于预设地面控制点在述影像金字塔进行外定向,并通过光束平差区域网法进行空中三角测量;
步骤1-4,提取地面指定区域的数字高程数据。
在一种实施方式中,可以通过高分辨率卫星搭载的传感器对地以同轨或者异轨的方式立体观测,获取同一地面景物的立体像对;根据相机模式构建影像金字塔;借助已知的地面控制点进行外定向;利用光束平差区域网法进行空中三角测量;提取数字高程数据(Digital elevation model,DEM),参见图2所示。
在可选的实施方式中,采用以下公式对样本集水区进行三维背景元素含量校正:
其中,为第i个SCB中第j个岩性单元的三维表面积(i=1, 2, …, n; j=1, 2,…, m);/>为由第j个岩性单元贡献的加权平均元素含量;/>为第i个SCB的实测元素含量;为经过校正的该单元背景元素含量。
进一步,根据上游贡献面积、地形的粗糙度指数和平均坡度计算各个样本集水区的上游沉积物贡献潜力,在具体实施时,可以包括以下步骤2-1和步骤2-2:
步骤2-1,基于地形的粗糙度指数计算上游贡献面积的平均加权系数。在计算平均加权系数时,上游贡献面积的平均加权系数用以表示由于地球表面的特征(如植被覆盖、表面岩性、颗粒大小)而导致的排水和沉积物转移的阻碍作用,因此该系数可以利用粗糙度RI进行计算可以采用计算,其中,W为上游贡献面积的平均加权系数;RI为指定地面区域的粗糙度指数;RIMAX为指定地面区域粗糙度指数的最大值。
步骤2-2,根据上游贡献面积、上游贡献面积的平均加权系数和平均坡度计算各个样本集水区的上游沉积物贡献潜力。在计算时,通过计算,其中,Dup为上游沉积物贡献潜力;A为上游贡献面积(m2);/>为上游贡献面积的平均加权系数;/>为平均坡度(m/m)。
在一种实施方式中,上游贡献面积的计算方法为:像素点面积与通过像素点排水数量的乘积,流向通过D-infinity方法,由块状中心网格上的平面三角形面的最陡的下坡决定。
上述粗糙度指数(RI)的计算方法为:,其中,/>为n×n个单元的移动窗口内的单元数,/>是指特定单元内的残余地形值,/>是n×n个单元的平均值。
在一可选的实施方式中,基于背景元素含量和上游沉积物贡献潜力对样本集水区进行下游稀释校正,得到各个样本集水区的元素含量残差,在计算时,可以通过以下下游稀释校正公式进行下游稀释校正为:
其中,为下游稀释校正后的元素含量残差;/>为第i个样本集水区的上游贡献面积;K为上游沉积物贡献潜力系数,上游沉积物贡献潜力系数与所述上游沉积物贡献潜力具有对应关系;/>为第i个样本集水区的实测元素含量,/>为经过校正的样本集水区的背景元素含量。
在一种实施方式中,上式中K的计算方法为:根据样本流域的值设置为1、0.75、0.5或0.25。即根据/>值从大到小排序,如果/>值属于前四分之一,该流域的K设置为1,如果一个SCB根据/>值属于底四分之一,其K设置为0.25。
图3示出了另一种地球化学景观的异常圈定的方法流程,通过立体像对获取研究区数字高程数据(DEM);根据DEM确定采样点进行采样,利用河流沉积物单一元素地球化学数据构建样本集水区,经过三维背景元素含量校正,去除不同岩性单元中背景元素含量对数据的影响;再利用数字化地形分析,通过多流向D-infinity法计算上游贡献面积,结合地形的粗糙度指数和平均坡度计算不同集水区的上游沉积物贡献潜力,进而利用改进的下游稀释校正公式进行下游稀释校正,得到不同集水区的元素含量残差;再利用最小二乘回归法对浓度-面积分型模型进行拟合,将拟合线的断点作为识别河流沉积物化学异常分类的阈值,从而圈定河流沉积物地球化学景观的单一元素异常区。
为便于理解,提供一种具体的实施例进行说明:
以位于西藏东南部的某地区为例,对该区域进行基于卫星遥感图像分析的铜元素地球化学异常圈定包括以下步骤:
1)通过立体像对获取研究区DEM数据:
利用高分变率卫星对研究区域进行航向重叠率超过60%的立体观测,获得研究区域同一地物的立体像对,通过已知控制点的地面摄影测量坐标进行外定向,将立体像对的坐标系转换为地面摄影测量坐标系;再利用光束平差区域网法进行空中三角测量,包括①获取每张像片外方位元素及待定点坐标的近似值;②从每张像片上控制点、待定点的像点坐标出发,按共线条件列出误差方程式;③逐点法化建立改化法方程式,按循环分块的求解方法,先求出每张相片的外方位元素;④按空间前方交会求待定点的地面坐标。
2)采集河流沉积物样品,构建样本集水区(SCB):
研究区位于南岗地成矿带的东部,是雅鲁藏布缝合带和班公-怒江缝合带之间的世界级铜金属成矿带,参见图4所示,面积约450平方公里,具有复杂的构造形态,主要表现为区域性的E-W向压缩断层、N-S向拉伸断层和NE至NW向的冲击滑动断层。研究区南部广泛分布着晚白垩世至中新世的生物金刚砂、花岗石-斑岩和花岗岩斑岩。该地区已知的矿床类型主要是斑岩和矽卡岩铜多金属矿床,与中新世中酸性超深海岩浆作用有关。本实施例由西藏地质调查所在研究地区进行了高密度采样(每平方公里1个样品),采集了451个河流沉积物样品,采样点的选择是基于对研究区数字高程模型(DEM)的分析。数据包括13种元素(Au, Ag, Ba, Bi, Cd, Cu, Fe, Mo, Pb, Sb, Sn, W, Zn)的浓度,除了Au(ppb)和Fe(%)以外单位均为ppm(表1)。这些元素的浓度由不同的分析方法测定,具有不同的检测限(表2)。根据采样地点构建了样本集水区。
表1 溪流沉积物样本中元素值的描述性统计(N=451)
P=第25、75和95个百分位数的数值;MAD = 与中位数绝对偏差的中位数;CV = 变异系数。除非另有提及,浓度的单位均为ppm。
表2 用于分析13种元素的方法和相应的检测限
ES:发射光谱法;GF-AAS:石墨炉原子吸收光谱法;XRF:X射线荧光光谱法;HG-AFS:氢化物生成-原子荧光光谱法;ICP-MS:电感耦合等离子体质谱法;POL:极谱法
3)对SCB进行三维背景元素含量校正
三维背景元素校正采用如下公式:
式中:为第i个SCB中第j个岩性单元的三维表面积(i=1, 2, …, n; j=1, 2,…, m);/>为由第j个岩性单元贡献的加权平均元素含量;/>为第i个SCB的实测元素含量;为经过校正的该单元背景元素含量。
表3显示了基于三维表面区域的每个岩性单元的铜的背景浓度。同一岩性单元的背景铜浓度没有巨大差异;但是,不同岩性的铜值差异很大。铜的Mj值在17.68到101.02ppm之间。生物岩花岗斑岩(γδπN1)、石灰岩和泥岩(J3d)的Mj值最高,分别为99.88ppm(101.02ppm)和54.82ppm(55.17ppm)。相比之下,砂质砾岩和玄武岩安山岩(E1d)、石英砂岩和砾岩(J3K1l)的Mj值最低,分别为17.89ppm(17.68ppm)和18.33ppm(18.38ppm)。对于其他岩性单元,Mj值从20.05 ppm(20.03 ppm)到30.81 ppm(31.01 ppm)。
根据Taylor(1964),铜的克拉克值为55ppm,而研究区的大多数岩性单元的Mj值都低于这个克拉克值。
表3 基于三维表面积的每个岩性单元的铜的背景浓度(浓度单位为ppm)
4)利用数字化地形分析方法计算集水区的上游沉积物贡献潜力
对于山区的集水区,如本实施例研究地区,沉积物连通性指数(IC)可用于分析沉积物转移过程。这种分析代表了控制沉积物从上坡源向下坡沉积区转移的连接程度。该指数在考虑土地利用和地形特征的基础上,提供了一个方便的工具来估计河流网络的潜在联系。IC可以计算为:
式中:和/>分别表示河流连通网络的上游和下游部分,参见图5所示。/>代表沉积物的脱流潜力,它产生于上游源区;/>指的是沉积物在到达被研究的邻近地物之前必须经过的流路长度。为了更好地分析下游稀释效应,我们把重点放在上坡沉积物的脱流潜力上,/>的计算公式为:
式中:A为上游贡献面积(m2);为上游贡献面积的平均加权系数;/>为平均坡度(m/m)。
上游贡献面积的计算方法为:像素点面积与通过像素点排水数量的乘积,流向通过D-infinity方法,由块状中心网格上的平面三角形面的最陡的下坡决定。
上游贡献面积的平均加权系数用以表示由于地球表面的特征(如植被覆盖、表面岩性、颗粒大小)而导致的排水和沉积物转移的阻碍作用。该系数可以利用粗糙度RI进行计算,计算方法为:
式中W为上游贡献面积的平均加权系数;RI为研究区的粗糙度指数;RIMAX为研究区粗糙度指数的最大值。
粗糙度指数(RI)的计算方法为:
式中:为n×n个单元的移动窗口内的单元数,/>是指特定单元内的残余地形值,是n×n个单元的平均值。
研究区的坡度在0°到63°之间,而主要分布区间为20°至40°。陡坡主要位于研究区的中部地区,以及研究区西北部靠近拉萨河的地区(图6中(a)、(b))。沿河道的上游贡献面积高于沿山脊的面积(图6中的(e)(f)),而且SCB的上游沉积物贡献区面积随着河流自上而下顺序的增加而增加。这一结果与每个网格单元的贡献面积是其自身加上来自上游相邻单元的贡献面积是相符合的。的值有着与贡献区类似的空间分布(如图5)。
5)利用改进的下游稀释校正公式对SCB进行下游稀释校正,得到不同集水区的元素含量残差。
改进的下游稀释校正公式为:
式中:为下游稀释校正后的元素含量残差;K为上游沉积物贡献潜力系数。K的计算方法为:根据4)获得的样本流域的/>值设置为1、0.75、0.5或0.25。即根据/>值从大到小排序,如果/>值属于前四分之一,该流域的K设置为1,如果一个SCB根据/>值属于底四分之一,其K设置为0.25。
6)将残差结果与拟合,确定化学异常分类的阈值,并绘制铜元素河流沉积物地球化学异常图。
利用最小二乘回归法对浓度-面积分型模型进行拟合,将拟合线的断点作为识别河流沉积物化学异常分类的阈值。本实施例基于铜元素数据的SCB表示法创建的模型绘制了C-A模型的对数图,参见图7所示。C-A对数图是通过绘制元素浓度(C)与浓度值大于C所占的面积(A)得到的,本实施例使用最小二乘回归法对C-A模型进行了五次拟合。沿着拟合线的四个断点代表地球化学数据分类的阈值(表4),定义了五个地球化学等级:背景(等级1)、弱异常(等级2)、中度异常(等级3)、异常(等级4)和强异常(等级5)。根据阈值绘制了铜元素河流沉积物地球化学异常图,参见图8所示。
表4 通过C-A模型得到的河流沉积物化学异常分类的阈值
计算结果:
为了评估本方法绘制地球化学异常的性能,本实施例使用了预测-面积(P-A)图(图9)。图中的两条曲线一条是异常圈定面积,另一条是已知矿化物出现的概率,与阈值进行对比分析。在这两条曲线的相交点可以找到归一化密度(ND)。ND的值可以表示为:
式中:P为预测率,A为异常圈定面积。ND越高,地球化学异常测绘的效率就越高。
总的来说,研究区东南部的铜浓度最低,根据简化地质图(图4中的(b)部分),研究区东南部的岩性单元(主要是J3k1l,由石英砂岩和砾岩组成)与其第二低的铜背景浓度有关(表3)。根据本实施例绘制的铜元素河流沉积物地球化学异常图,铜的空间分布是分散的。作为地图比较的参考,所有已知的矿点和SCB的部分都用数字标出。
根据本实施例的P-A图可知,定义的阈值与已知矿点的百分比直接相关(表5),与异常圈定面积成反比。表5显示了每个预先定义的阈值所绘制的矿点数量,由较高的阈值所定义的区域具有较高的探矿概率。
表5 每个阈值划定的矿点数量
表6显示了从P-A图中提取的ND值。本实施例采用的方法得到的ND值为6.62,远远高出传统方法(均值在3左右)。因此,本方法在地球化学异常绘图中具有极高性能。
表6 从P-A图中提取的归一化密度(ND)值
尽管在河流沉积物地球化学异常的绘图中纳入地貌因素的分析可能很复杂,但本方法通过数字地形分析更好地还原了地球表面的过程,即河流沉积物的运输和沉积。采用本发明提供的基于卫星遥感图像分析的地球化学异常圈定方法,相较于传统方法可以绘制更高质量的河流沉积物地球化学异常图,在矿产勘探中起到重要作用,特别是在勘探的初步阶段,它可以有效地帮助缩小目标区域,作为勘探的有力指导。
基于上述方法实施例,本申请实施例还提供一种地球化学景观的异常圈定装置,参见图10所示,该装置主要包括以下部分:
影像处理模块1002,用于采集多景卫星遥感影像,基于多景卫星遥感影像确定地面指定区域的数字高程数据;
样本集水区构建模块1004,用于根据数字高程数据确定采样点,并基于采样点构建样本集水区;
背景元素含量校正模块1006,用于对样本集水区进行三维背景元素含量校正,得到去除不同岩性单元中的背景元素含量;
第一计算模块1008,用于基于数字高程数据计算上游贡献面积、地形的粗糙度指数和平均坡度;
第二计算模块1010,用于根据上游贡献面积、地形的粗糙度指数和平均坡度计算各个样本集水区的上游沉积物贡献潜力;
下游稀释校正模块1012,用于基于背景元素含量和上游沉积物贡献潜力对样本集水区进行下游稀释校正,得到各个样本集水区的元素含量残差;
拟合模块1014,用于将元素含量残差与浓度-面积分型模型进行拟合,将拟合线的断点作为识别河流沉积物化学异常分类的阈值;
异常圈定模块1016,用于根据阈值圈定河流沉积物地球化学景观的单一元素异常区。
在可选的实施方式中,上述影像处理模块1002,还用于:通过高分辨率卫星搭载的传感器对地面指定区域以同轨或者异轨的方式进行立体观测,采集多景卫星遥感影像,并确定同一地面景物的立体像对;根据相机模式构建影像金字塔;基于预设地面控制点在述影像金字塔进行外定向,并通过光束平差区域网法进行空中三角测量;提取地面指定区域的数字高程数据。
在可选的实施方式中,上述背景元素含量校正模块1006,还用于:
式中:为第i个SCB中第j个岩性单元的三维表面积(i=1, 2, …, n; j=1, 2,…, m);/>为由第j个岩性单元贡献的加权平均元素含量;/>为第i个SCB的实测元素含量;/>为经过校正的该单元背景元素含量。
在可选的实施方式中,上述第二计算模块1010,还用于:基于地形的粗糙度指数计算上游贡献面积的平均加权系数;根据上游贡献面积、上游贡献面积的平均加权系数和平均坡度计算各个样本集水区的上游沉积物贡献潜力。
在可选的实施方式中,上述第二计算模块1010,还用于:
其中,W为上游贡献面积的平均加权系数;RI为指定地面区域的粗糙度指数;RIMAX为指定地面区域粗糙度指数的最大值。
在可选的实施方式中,上述第二计算模块1010,还用于:
其中,Dup为上游沉积物贡献潜力;A为上游贡献面积(m2);为上游贡献面积的平均加权系数;/>为平均坡度(m/m)。
在可选的实施方式中,上述下游稀释校正模块1012,还用于:
通过以下下游稀释校正公式进行下游稀释校正为:
其中,为下游稀释校正后的元素含量残差;/>为第i个样本集水区的上游贡献面积;K为上游沉积物贡献潜力系数,上游沉积物贡献潜力系数与上游沉积物贡献潜力具有对应关系;/>为第i个样本集水区的实测元素含量,/>为经过校正的样本集水区的背景元素含量。
本申请实施例提供的地球化学景观的异常圈定装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,地球化学景观的异常圈定装置的实施例部分未提及之处,可参考前述地球化学景观的异常圈定方法实施例中相应内容。
本申请实施例还提供了一种电子设备,如图11所示,为该电子设备的结构示意图,其中,该电子设备100包括处理器111和存储器110,该存储器110存储有能够被该处理器111执行的计算机可执行指令,该处理器111执行该计算机可执行指令以实现上述任一项地球化学景观的异常圈定方法。
在图11示出的实施方式中,该电子设备还包括总线112和通信接口113,其中,处理器111、通信接口113和存储器110通过总线112连接。
其中,存储器110可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口113(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线112可以是ISA(IndustryStandard Architecture,工业标准体系结构)总线、PCI(Peripheral ComponentInterconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述总线112可以分为地址总线、数据总线、控制总线等。为便于表示,图11中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器111可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器111中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器111可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processor,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器111读取存储器中的信息,结合其硬件完成前述实施例的地球化学景观的异常圈定方法的步骤。
本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令在被处理器调用和执行时,该计算机可执行指令促使处理器实现上述地球化学景观的异常圈定方法,具体实现可参见前述方法实施例,在此不再赘述。
本申请实施例所提供的地球化学景观的异常圈定方法、装置、电子设备和存储介质的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本申请的范围。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个处理器可执行的非易失的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所述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。
在本申请的描述中,需要说明的是,术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本申请的限制。此外,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。
最后应说明的是:以上各实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述各实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。
Claims (9)
1.一种地球化学景观的异常圈定方法,其特征在于,所述方法包括:
采集多景卫星遥感影像,基于所述多景卫星遥感影像确定地面指定区域的数字高程数据;
根据所述数字高程数据确定采样点,并基于所述采样点构建样本集水区;
对所述样本集水区进行三维背景元素含量校正,得到不同岩性单元中的背景元素含量;
基于所述数字高程数据计算上游贡献面积、地形的粗糙度指数和平均坡度;
根据上游贡献面积、地形的粗糙度指数和平均坡度计算各个样本集水区的上游沉积物贡献潜力;
基于所述背景元素含量和所述上游沉积物贡献潜力对样本集水区进行下游稀释校正,得到各个样本集水区的元素含量残差;通过以下下游稀释校正公式进行下游稀释校正:
其中,为下游稀释校正后的元素含量残差;/>为第i个样本集水区的上游贡献面积;K为上游沉积物贡献潜力系数,上游沉积物贡献潜力系数与所述上游沉积物贡献潜力具有对应关系;/>为第i个样本集水区的实测元素含量,/>为经过校正的样本集水区的背景元素含量;
将所述元素含量残差与浓度-面积分型模型进行拟合,将拟合线的断点对应的浓度-面积的对数值作为识别河流沉积物化学异常分类的阈值;
根据所述阈值圈定河流沉积物地球化学景观的单一元素异常区。
2.根据权利要求1所述的地球化学景观的异常圈定方法,其特征在于,采集多景卫星遥感影像,基于所述多景卫星遥感影像确定地面指定区域的数字高程数据,包括:
通过高分辨率卫星搭载的传感器对地面指定区域以同轨或者异轨的方式进行立体观测,采集多景卫星遥感影像,并确定同一地面景物的立体像对;
根据相机模式构建影像金字塔;
基于预设地面控制点在所述影像金字塔进行外定向,并通过光束平差区域网法进行空中三角测量;
提取地面指定区域的数字高程数据。
3.根据权利要求1所述的地球化学景观的异常圈定方法,其特征在于,采用以下公式对所述样本集水区进行三维背景元素含量校正:
其中,为第i个样本集水区中第j个岩性单元的三维表面积,/>为由第j个岩性单元贡献的加权平均元素含量;/>为第i个样本集水区的实测元素含量;/>为经过校正的该单元背景元素含量。
4.根据权利要求1所述的地球化学景观的异常圈定方法,其特征在于,根据上游贡献面积、地形的粗糙度指数和平均坡度计算各个样本集水区的上游沉积物贡献潜力,包括:
基于地形的粗糙度指数计算上游贡献面积的平均加权系数;
根据上游贡献面积、上游贡献面积的平均加权系数和平均坡度计算各个样本集水区的上游沉积物贡献潜力。
5.根据权利要求4所述的地球化学景观的异常圈定方法,其特征在于,基于地形的粗糙度指数计算上游贡献面积的平均加权系数,包括:
其中,W为上游贡献面积的平均加权系数;RI为指定地面区域的粗糙度指数;RIMAX为指定地面区域粗糙度指数的最大值。
6.根据权利要求5所述的地球化学景观的异常圈定方法,其特征在于,根据上游贡献面积、上游贡献面积的平均加权系数和平均坡度计算各个样本集水区的上游沉积物贡献潜力,包括:
其中,Dup为上游沉积物贡献潜力;A为上游贡献面积(m2);为上游贡献面积的平均加权系数;/>为平均坡度(m/m)。
7.一种地球化学景观的异常圈定装置,其特征在于,所述装置包括:
影像处理模块,用于采集多景卫星遥感影像,基于所述多景卫星遥感影像确定地面指定区域的数字高程数据;
样本集水区构建模块,用于根据所述数字高程数据确定采样点,并基于所述采样点构建样本集水区;
背景元素含量校正模块,用于对所述样本集水区进行三维背景元素含量校正,得到不同岩性单元中的背景元素含量;
第一计算模块,用于基于所述数字高程数据计算上游贡献面积、地形的粗糙度指数和平均坡度;
第二计算模块,用于根据上游贡献面积、地形的粗糙度指数和平均坡度计算各个样本集水区的上游沉积物贡献潜力;
下游稀释校正模块,用于基于所述背景元素含量和所述上游沉积物贡献潜力对样本集水区进行下游稀释校正,得到各个样本集水区的元素含量残差;通过以下下游稀释校正公式进行下游稀释校正:
其中,为下游稀释校正后的元素含量残差;/>为第i个样本集水区的上游贡献面积;K为上游沉积物贡献潜力系数,上游沉积物贡献潜力系数与所述上游沉积物贡献潜力具有对应关系;/>为第i个样本集水区的实测元素含量,/>为经过校正的样本集水区的背景元素含量;
拟合模块,用于将所述元素含量残差与浓度-面积分型模型进行拟合,将拟合线的断点对应的浓度-面积的对数值作为识别河流沉积物化学异常分类的阈值;
异常圈定模块,用于根据所述阈值圈定河流沉积物地球化学景观的单一元素异常区。
8.一种电子设备,其特征在于,包括处理器和存储器,所述存储器存储有能够被所述处理器执行的计算机可执行指令,所述处理器执行所述计算机可执行指令以实现权利要求1至6任一项所述的地球化学景观的异常圈定方法。
9.一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可执行指令,所述计算机可执行指令在被处理器调用和执行时,计算机可执行指令促使处理器实现权利要求1至6任一项所述的地球化学景观的异常圈定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310392023.0A CN116109641B (zh) | 2023-04-13 | 2023-04-13 | 地球化学景观的异常圈定方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310392023.0A CN116109641B (zh) | 2023-04-13 | 2023-04-13 | 地球化学景观的异常圈定方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116109641A CN116109641A (zh) | 2023-05-12 |
CN116109641B true CN116109641B (zh) | 2023-07-25 |
Family
ID=86264182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310392023.0A Active CN116109641B (zh) | 2023-04-13 | 2023-04-13 | 地球化学景观的异常圈定方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116109641B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942841A (zh) * | 2013-08-15 | 2014-07-23 | 中国地质科学院矿产资源研究所 | 基于gis的矿产资源多元信息处理方法及其系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408019B (zh) * | 2021-06-23 | 2022-04-22 | 河北地质大学 | 一种基于bme-gwr的水系沉积物地球化学异常制图方法 |
-
2023
- 2023-04-13 CN CN202310392023.0A patent/CN116109641B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942841A (zh) * | 2013-08-15 | 2014-07-23 | 中国地质科学院矿产资源研究所 | 基于gis的矿产资源多元信息处理方法及其系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116109641A (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Capolupo et al. | Photogrammetry for environmental monitoring: The use of drones and hydrological models for detection of soil contaminated by copper | |
Zhang et al. | Retrieving soil heavy metals concentrations based on GaoFen-5 hyperspectral satellite image at an opencast coal mine, Inner Mongolia, China | |
Puniach et al. | Application of UAV-based orthomosaics for determination of horizontal displacement caused by underground mining | |
Dickson et al. | Interpreting aerial gamma-ray surveys utilising geomorphological and weathering models | |
Elçi et al. | Assessment of the statistical significance of seasonal groundwater quality change in a karstic aquifer system near Izmir-Turkey | |
Husson et al. | Assessing biomass and metal contents in riparian vegetation along a pollution gradient using an unmanned aircraft system | |
Söderström et al. | Gamma-ray spectrometry and geological maps as tools for cadmium risk assessment in arable soils | |
Sahana et al. | Assessing the degree of soil salinity in the Indian Sundarban Biosphere Reserve using measured soil electrical conductivity and remote sensing data–derived salinity indices | |
CN112379453B (zh) | 交通困难地区沉积型碳酸盐铅锌矿勘测方法、系统、设备及应用 | |
CN116109641B (zh) | 地球化学景观的异常圈定方法、装置、电子设备和存储介质 | |
Rozpondek et al. | GIS in the studies of soil and water environment | |
Đokić et al. | Remote sensing and nuclear techniques for high-resolution mapping and quantification of gully erosion in the highly erodible area of the Malčanska River Basin, Eastern Serbia | |
Wilford et al. | Rapid mapping of soils and salt stores | |
Esmaeili Gholzom et al. | Erosion risk assessment and identification of susceptibility lands using the ICONA model and RS and GIS techniques | |
Sankaran et al. | Retrieval of suspended sediment concentration (SSC) in the Arabian Gulf water of arid region by Sentinel-2 data | |
Nguyen et al. | Estimation of suspended sediment concentration in downstream of the Ba river basin using remote sensing images | |
Goovaerts et al. | A multivariate geostatistical methodology to delineate areas of potential interest for future sedimentary gold exploration | |
Bierwirth et al. | Gamma-ray remote sensing of aeolian salt sources in the Murray–Darling Basin, Australia | |
Proske et al. | Using X-ray fluorescence core scanning to assess acid sulfate soils | |
Gangadharan et al. | GIS based GALDIT-AHP method for assess the impact of shrimp farms in coastal watershed of Tamil Nadu, INDIA | |
Zawadzki et al. | Geostatistical methods as a tool supporting revitalization of industrially degraded and post-mining areas | |
Marmo | Biogeochemical investigations in Finland | |
Tran et al. | Effect of land-use changes resulting from shrimp farming on acid sulfate soils in the Can Gio coastal wetland area (Vietnam) | |
Jafari et al. | Desert Dust Mapping and Identification Using MODIS Level 1 and AOD-AI Indices in South West of Iran | |
Souza-Filho et al. | Methodological approach and general guidelines to geochemical mapping and background-baseline analysis for environmental assessment: a case study in the Carajás Mineral Province, Brazil |
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 |