CN117274520A - 一种地质勘探的测绘方法 - Google Patents
一种地质勘探的测绘方法 Download PDFInfo
- Publication number
- CN117274520A CN117274520A CN202311356021.2A CN202311356021A CN117274520A CN 117274520 A CN117274520 A CN 117274520A CN 202311356021 A CN202311356021 A CN 202311356021A CN 117274520 A CN117274520 A CN 117274520A
- Authority
- CN
- China
- Prior art keywords
- data
- geological
- remote sensing
- exploration
- analysis
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000013507 mapping Methods 0.000 title claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 25
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 238000005516 engineering process Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 230000000704 physical effect Effects 0.000 claims abstract description 7
- 238000007405 data analysis Methods 0.000 claims abstract description 4
- 238000005259 measurement Methods 0.000 claims description 24
- 238000005070 sampling Methods 0.000 claims description 20
- 238000011156 evaluation Methods 0.000 claims description 12
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 230000005484 gravity Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 8
- 239000011707 mineral Substances 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000011835 investigation Methods 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000000007 visual effect Effects 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 239000011435 rock Substances 0.000 claims description 4
- 241001415846 Procellariidae Species 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims description 3
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 230000008021 deposition Effects 0.000 claims description 3
- 238000005553 drilling Methods 0.000 claims description 3
- 238000011985 exploratory data analysis Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 239000013049 sediment Substances 0.000 claims description 3
- 238000012732 spatial analysis Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000012876 topography Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 230000007547 defect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- Databases & Information Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种地质勘探的测绘方法，包括以下步骤：遥感采集：利用卫星遥感数据获取大范围的地表信息；物理勘探：利用地球物理勘探方法测量地下介质的物理性质；三维建模：将采集的数据整合，再利用计算机技术进行三维地质建模；自动化系统：利用自动化技术和无人系统，进行地质勘探工作；分析和学习：应用数据分析和机器学习算法，对采集的大量地质数据进行处理和解释。本发明可以减少勘探所需的时间和人力资源，从而加快勘探进程，提高生产效率，采用现代技术和自动化系统可以减少勘探的成本，降低人力和设备投入，特别是在艰苦和危险的地质环境中，可以提高勘探的效率、准确性和安全性，为地质勘探和资源开发提供更好的技术支持。
Description
技术领域
本发明涉及地质勘探领域，具体为一种地质勘探的测绘方法。
背景技术
地质勘探即是通过各种手段、方法对地质进行勘查、探测，确定合适的持力层，根据持力层的地基承载力，确定基础类型，计算基础参数的调查研究活动，是在对矿产普查中发现有工业意义的矿床，为查明矿产的质和量，以及开采利用的技术条件，提供矿山建设设计所需要的矿产储量和地质资料，对一定地区内的岩石、地层、构造、矿产、水文、地貌等地质情况进行调查研究工作；
传统的地质勘探测绘方法虽然在过去被广泛应用，并且仍然具有一定的价值，但也存在一些缺陷，以下是一些常见的缺陷：
1.传统的地质勘探测绘方法通常需要大量的人力、物力和时间来完成，例如，地质勘探人员需要进行现场调查、采样和测试，并分析所获得的数据，这可能需要数周甚至数月的时间，从而延长整个勘探过程；
2.传统方法常常依赖于有限的采样点来推断整个区域的地质情况，这可能导致采样的局限性和不全面性，无法准确捕捉到整个地质区域的复杂性和变化性。
发明内容
本发明的目的在于提供一种地质勘探的测绘方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种地质勘探的测绘方法，包括以下步骤：
步骤S1，遥感采集：利用卫星遥感数据获取大范围的地表信息，其中包括有地形参数、植被参数和水体参数等，这些采集的信息可以提供全面的地理环境数据，帮助确定潜在的地质资源位置和区域特征；
步骤S2，物理勘探：利用地球物理勘探方法测量地下介质的物理性质，其中包括有重力参数、磁场参数、电阻率参数和声波速度参数等，通过这些参数数据可以提供地下结构和地质特征的详细信息，从而减少对有限采样点的依赖；
步骤S3，三维建模：将遥感采集的数据、物理勘探采集的数据和地质采样的数据等整合，再利用计算机技术进行三维地质建模，这样可以更全面、精确地描述地质结构和地层分布，提供更准确的地质信息；
步骤S4，自动化系统：利用自动化技术和无人系统，包括遥感无人机、地下无人车等，进行地质勘探工作，这样可以提高勘探的效率和安全性，减少人力投入和对危险环境的依赖；
步骤S5，分析和学习：应用数据分析和机器学习算法，对采集的大量地质数据进行处理和解释，这样可以帮助发现数据中隐藏的模式和趋势，提高勘探预测的准确性；
进一步的，所述步骤S1中，遥感采集的具体方法：
步骤S1-1，卫星通过搭载遥感传感器，获取地球表面的影像数据，遥感传感器使用的是光学传感器、其中包括可见光、红外和多光谱传感器、雷达传感器、激光雷达传感器等，卫星遥感数据可以由国家航天局、遥感卫星提供商或相关研究机构提供；
步骤S1-2，通过对卫星遥感数据进行预处理来提高数据的质量和可用性，包括校正图像，去除大气、地形或云层等影响，并进行辐射定标、大气校正、几何校正等处理步骤；
步骤S1-3，针对特定的地表信息，如地形、植被和水体，进行分类和特征提取，使用的是计算机算法和遥感图像处理技术，包括监督分类、非监督分类、目标检测、图像分割等，通过这些方法，可以将遥感图像中的不同地表类型分离出来，并提取相应的特征；
步骤S1-4，对提取的地表信息进行进一步分析和解释，这包括使用地理信息系统等工具，将遥感数据与其他地理数据集集成，进行空间分析和模型构建，以获取更多的地表信息和发现地表特征之间的相互关系；
步骤S1-5，对遥感数据进行验证和精度评估，以确保所提取的地表信息的准确性和可靠性，通过野外调查、现场测量和与实际地貌数据对比等方法来完成；
步骤S1-6，将分析和提取得到的地表信息以图像、图表、地图等形式展示和呈现，以便决策者、研究人员和相关方便能够直观地理解和利用这些地表信息；
进一步的，所述步骤S2中，物理勘探的具体方法：
步骤S2-1，确定需要研究的地下介质特性，包括地下构造、岩性分布、地下水等，并选择感兴趣区域进行测量；
步骤S2-2，根据测量目标选择合适的地球物理仪器和设备，包括重力仪、磁力仪、电阻率仪、声波速度仪等，准备相关仪器并进行校准；
步骤S2-3，在感兴趣区域内进行实地观测，根据不同的地球物理方法，采用相应的测量方式，包括以下几个具体步骤：
a. 重力测量：使用重力仪器在不同测点上测量地表上的重力加速度，记录相关数据；
b. 磁力测量：使用磁力仪器测量磁场的强度和方向，记录相关数据；
c. 电阻率测量：使用电阻率仪器测量地下介质的电阻率，通过传输电流和测量电位差的方式来实现；
d. 声波速度测量：使用声波雷达发射声波信号并记录其传播速度，得到地下介质的速度信息；
步骤S2-4，对采集到的地球物理数据进行处理和解释，以获取地下介质的相关特征，具体处理方式和解释方法根据不同的地球物理方法而异，包括数据的滤波、校正、模型反演等；
步骤S2-5，对处理和解释后的地球物理数据进行分析，得出有关地下介质的结构与性质的定性或定量结果，然后通过绘制剖面图、等值线图、三维模型等方式进行展示和呈现，以便进行进一步的研究和分析；
进一步的，所述步骤S3中，三维建模的具体方法：
步骤S3-1，收集和获取遥感数据、地球物理数据和地质采样数据，遥感数据包括航空摄影、卫星图像等，地球物理数据包括重力、磁场、电阻率、声波速度等，地质采样数据包括岩芯、钻孔数据等，对收集到的数据进行预处理，包括格式转换、去噪、校正等，以确保数据的一致性和可用性，将不同数据类型的坐标系统进行统一，以便后续整合和分析；
步骤S3-2，将遥感数据、地球物理数据和地质采样数据进行空间上的一致性匹配，且需要进行地理坐标转换和数据配准，使用图像处理方法对遥感数据进行特征提取和分类，以获取地表的地貌、植被覆盖、水体分布等信息，根据地球物理数据提供的测量值，可以进行插值和反演处理，生成具有空间分布的地下介质参数，将地质采样数据进行分析和解释，提取地质层序、构造特征等，建立地质模型要素。
步骤S3-3，基于整合后的数据，在计算机软件平台上建立三维地质模型，常用的软件工具包括地学建模软件如Petrel、Leapfrog等，或通用建模软件如三维CAD工具包括AutoCAD、SketchUp等，使用地质建模软件，将地质联系确定为面、线、点等几何要素，并进行地质层、构造面等要素的建立和编辑，将遥感数据和地球物理数据作为参考，进行地质模型的纹理贴图等可视化处理，以增强模型的真实感和可视化效果，在建模过程中，结合专家知识和地质假设，进行地质层、断层、岩性、岩性属性等参数的设定和调整；
步骤S3-4，对建立的三维地质模型进行验证，将模型预测与实际地质情况进行比对和分析，以评估模型的准确性和精度，进行地质模型的分析和解释，包括构造演化、沉积分析、矿产资源评估等，根据分析结果，进行模型参数和假设的调整与优化，以提高地质模型的可靠性和预测性；
进一步的，所述步骤S5中，分析和学习的具体方法：
步骤S5-1，检测和处理缺失值、异常值和噪声，使数据更加干净和可靠，从原始数据中选择有价值的特征，并利用特征工程技术进行数据转换和提取，以提高模型的性能和精度；
步骤S5-2，使用统计分析和可视化技术，对地质数据进行探索性分析，了解数据的分布、关联性和趋势，可视化地质数据的空间分布、属性分布、潜在模式等，以便更好地理解地质特征和相互关系；
步骤S5-3，对于有标签的地质数据，使用监督学习算法来构建预测模型，例如决策树、随机森林、支持向量机、神经网络等，将地质数据分为训练集和测试集，使用训练集进行模型训练，然后使用测试集进行模型评估和验证，根据具体问题，选择适当的评估指标进行模型性能评估，包括准确度、召回率、F1分数等；
步骤S5-4，对于没有标签的地质数据，可以使用无监督学习算法来发现数据中的潜在模式和结构，包括聚类分析、主成分分析、自组织映射等，通过聚类分析可以将数据分为不同的类别或组群，揭示地质数据中的相似性和差异性，主成分分析可以帮助降低数据的维度，提取代表性的特征变量，以实现数据的简化和可视化；
步骤S5-5，对于大量的地质数据，深度学习算法包括卷积神经网络和循环神经网络等可以应用于图像和时序数据的处理与分析，对于图像数据，CNN可以用于地质图像的分类、目标检测、地物识别等任务，对于时序数据，RNN可以用于地震波形分析、沉积物倾向性预测等任务；
步骤S5-6，根据机器学习算法的输出结果，解释地质数据中的模式、趋势和关联性，进行结果的地学解释和验证，与现有的地质知识和理论进行比对和分析。
与现有技术相比，本发明的有益效果是：
本发明的地质勘探的测绘方法可以减少勘探所需的时间和人力资源，从而加快勘探进程，提高生产效率，采用现代技术和自动化系统可以减少勘探的成本，降低人力和设备投入，特别是在艰苦和危险的地质环境中，通过改进地质探测方法可以提高勘探的效率、准确性和安全性，同时降低成本，为地质勘探和资源开发提供更好的技术支持；
本发明的地质勘探的测绘方法可以提供更全面、准确的地质信息，包括地下结构、地层分布、潜在资源等，帮助决策者做出更好的决策；
本发明的地质勘探的测绘方法通过自动化和无人系统的应用可以减少勘探人员进入危险地区的需求，降低事故和伤害的风险。
附图说明
图1为本发明一种地质勘探的测绘方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供一种技术方案：
一种地质勘探的测绘方法，包括以下步骤：
步骤S1，遥感采集：利用卫星遥感数据获取大范围的地表信息，其中包括有地形参数、植被参数和水体参数等，这些采集的信息可以提供全面的地理环境数据，帮助确定潜在的地质资源位置和区域特征；
步骤S2，物理勘探：利用地球物理勘探方法测量地下介质的物理性质，其中包括有重力参数、磁场参数、电阻率参数和声波速度参数等，通过这些参数数据可以提供地下结构和地质特征的详细信息，从而减少对有限采样点的依赖；
步骤S3，三维建模：将遥感采集的数据、物理勘探采集的数据和地质采样的数据等整合，再利用计算机技术进行三维地质建模，这样可以更全面、精确地描述地质结构和地层分布，提供更准确的地质信息；
步骤S4，自动化系统：利用自动化技术和无人系统，包括遥感无人机、地下无人车等，进行地质勘探工作，这样可以提高勘探的效率和安全性，减少人力投入和对危险环境的依赖；
步骤S5，分析和学习：应用数据分析和机器学习算法，对采集的大量地质数据进行处理和解释，这样可以帮助发现数据中隐藏的模式和趋势，提高勘探预测的准确性；
本发明步骤S1中，遥感采集的具体方法：
步骤S1-1，卫星通过搭载遥感传感器，获取地球表面的影像数据，遥感传感器使用的是光学传感器、其中包括可见光、红外和多光谱传感器、雷达传感器、激光雷达传感器等，卫星遥感数据可以由国家航天局、遥感卫星提供商或相关研究机构提供；
步骤S1-2，通过对卫星遥感数据进行预处理来提高数据的质量和可用性，包括校正图像，去除大气、地形或云层等影响，并进行辐射定标、大气校正、几何校正等处理步骤；
步骤S1-3，针对特定的地表信息，如地形、植被和水体，进行分类和特征提取，使用的是计算机算法和遥感图像处理技术，包括监督分类、非监督分类、目标检测、图像分割等，通过这些方法，可以将遥感图像中的不同地表类型分离出来，并提取相应的特征；
步骤S1-4，对提取的地表信息进行进一步分析和解释，这包括使用地理信息系统等工具，将遥感数据与其他地理数据集集成，进行空间分析和模型构建，以获取更多的地表信息和发现地表特征之间的相互关系；
步骤S1-5，对遥感数据进行验证和精度评估，以确保所提取的地表信息的准确性和可靠性，通过野外调查、现场测量和与实际地貌数据对比等方法来完成；
步骤S1-6，将分析和提取得到的地表信息以图像、图表、地图等形式展示和呈现，以便决策者、研究人员和相关方便能够直观地理解和利用这些地表信息；
本发明步骤S2中，物理勘探的具体方法：
步骤S2-1，确定需要研究的地下介质特性，包括地下构造、岩性分布、地下水等，并选择感兴趣区域进行测量；
步骤S2-2，根据测量目标选择合适的地球物理仪器和设备，包括重力仪、磁力仪、电阻率仪、声波速度仪等，准备相关仪器并进行校准；
步骤S2-3，在感兴趣区域内进行实地观测，根据不同的地球物理方法，采用相应的测量方式，包括以下几个具体步骤：
a. 重力测量：使用重力仪器在不同测点上测量地表上的重力加速度，记录相关数据；
b. 磁力测量：使用磁力仪器测量磁场的强度和方向，记录相关数据；
c. 电阻率测量：使用电阻率仪器测量地下介质的电阻率，通过传输电流和测量电位差的方式来实现；
d. 声波速度测量：使用声波雷达发射声波信号并记录其传播速度，得到地下介质的速度信息；
步骤S2-4，对采集到的地球物理数据进行处理和解释，以获取地下介质的相关特征，具体处理方式和解释方法根据不同的地球物理方法而异，包括数据的滤波、校正、模型反演等；
步骤S2-5，对处理和解释后的地球物理数据进行分析，得出有关地下介质的结构与性质的定性或定量结果，然后通过绘制剖面图、等值线图、三维模型等方式进行展示和呈现，以便进行进一步的研究和分析；
本发明步骤S3中，三维建模的具体方法：
步骤S3-1，收集和获取遥感数据、地球物理数据和地质采样数据，遥感数据包括航空摄影、卫星图像等，地球物理数据包括重力、磁场、电阻率、声波速度等，地质采样数据包括岩芯、钻孔数据等，对收集到的数据进行预处理，包括格式转换、去噪、校正等，以确保数据的一致性和可用性，将不同数据类型的坐标系统进行统一，以便后续整合和分析；
步骤S3-2，将遥感数据、地球物理数据和地质采样数据进行空间上的一致性匹配，且需要进行地理坐标转换和数据配准，使用图像处理方法对遥感数据进行特征提取和分类，以获取地表的地貌、植被覆盖、水体分布等信息，根据地球物理数据提供的测量值，可以进行插值和反演处理，生成具有空间分布的地下介质参数，将地质采样数据进行分析和解释，提取地质层序、构造特征等，建立地质模型要素。
步骤S3-3，基于整合后的数据，在计算机软件平台上建立三维地质模型，常用的软件工具包括地学建模软件如Petrel、Leapfrog等，或通用建模软件如三维CAD工具包括AutoCAD、SketchUp等，使用地质建模软件，将地质联系确定为面、线、点等几何要素，并进行地质层、构造面等要素的建立和编辑，将遥感数据和地球物理数据作为参考，进行地质模型的纹理贴图等可视化处理，以增强模型的真实感和可视化效果，在建模过程中，结合专家知识和地质假设，进行地质层、断层、岩性、岩性属性等参数的设定和调整；
步骤S3-4，对建立的三维地质模型进行验证，将模型预测与实际地质情况进行比对和分析，以评估模型的准确性和精度，进行地质模型的分析和解释，包括构造演化、沉积分析、矿产资源评估等，根据分析结果，进行模型参数和假设的调整与优化，以提高地质模型的可靠性和预测性；
本发明步骤S5中，分析和学习的具体方法：
步骤S5-1，检测和处理缺失值、异常值和噪声，使数据更加干净和可靠，从原始数据中选择有价值的特征，并利用特征工程技术进行数据转换和提取，以提高模型的性能和精度；
步骤S5-2，使用统计分析和可视化技术，对地质数据进行探索性分析，了解数据的分布、关联性和趋势，可视化地质数据的空间分布、属性分布、潜在模式等，以便更好地理解地质特征和相互关系；
步骤S5-3，对于有标签的地质数据，使用监督学习算法来构建预测模型，例如决策树、随机森林、支持向量机、神经网络等，将地质数据分为训练集和测试集，使用训练集进行模型训练，然后使用测试集进行模型评估和验证，根据具体问题，选择适当的评估指标进行模型性能评估，包括准确度、召回率、F1分数等；
步骤S5-4，对于没有标签的地质数据，可以使用无监督学习算法来发现数据中的潜在模式和结构，包括聚类分析、主成分分析、自组织映射等，通过聚类分析可以将数据分为不同的类别或组群，揭示地质数据中的相似性和差异性，主成分分析可以帮助降低数据的维度，提取代表性的特征变量，以实现数据的简化和可视化；
步骤S5-5，对于大量的地质数据，深度学习算法包括卷积神经网络和循环神经网络等可以应用于图像和时序数据的处理与分析，对于图像数据，CNN可以用于地质图像的分类、目标检测、地物识别等任务，对于时序数据，RNN可以用于地震波形分析、沉积物倾向性预测等任务；
步骤S5-6，根据机器学习算法的输出结果，解释地质数据中的模式、趋势和关联性，进行结果的地学解释和验证，与现有的地质知识和理论进行比对和分析。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (5)
1.一种地质勘探的测绘方法，其特征在于，包括以下步骤：
步骤S1，遥感采集：利用卫星遥感数据获取大范围的地表信息，其中包括有地形参数、植被参数和水体参数等，这些采集的信息可以提供全面的地理环境数据，帮助确定潜在的地质资源位置和区域特征；
步骤S2，物理勘探：利用地球物理勘探方法测量地下介质的物理性质，其中包括有重力参数、磁场参数、电阻率参数和声波速度参数等，通过这些参数数据可以提供地下结构和地质特征的详细信息，从而减少对有限采样点的依赖；
步骤S3，三维建模：将遥感采集的数据、物理勘探采集的数据和地质采样的数据等整合，再利用计算机技术进行三维地质建模，这样可以更全面、精确地描述地质结构和地层分布，提供更准确的地质信息；
步骤S4，自动化系统：利用自动化技术和无人系统，包括遥感无人机、地下无人车等，进行地质勘探工作，这样可以提高勘探的效率和安全性，减少人力投入和对危险环境的依赖；
步骤S5，分析和学习：应用数据分析和机器学习算法，对采集的大量地质数据进行处理和解释，这样可以帮助发现数据中隐藏的模式和趋势，提高勘探预测的准确性。
2.根据权利要求1所述的一种地质勘探的测绘方法，其特征在于：所述步骤S1中，遥感采集的具体方法：
步骤S1-1，卫星通过搭载遥感传感器，获取地球表面的影像数据，遥感传感器使用的是光学传感器、其中包括可见光、红外和多光谱传感器、雷达传感器、激光雷达传感器等，卫星遥感数据可以由国家航天局、遥感卫星提供商或相关研究机构提供；
步骤S1-2，通过对卫星遥感数据进行预处理来提高数据的质量和可用性，包括校正图像，去除大气、地形或云层等影响，并进行辐射定标、大气校正、几何校正等处理步骤；
步骤S1-3，针对特定的地表信息，如地形、植被和水体，进行分类和特征提取，使用的是计算机算法和遥感图像处理技术，包括监督分类、非监督分类、目标检测、图像分割等，通过这些方法，可以将遥感图像中的不同地表类型分离出来，并提取相应的特征；
步骤S1-4，对提取的地表信息进行进一步分析和解释，这包括使用地理信息系统等工具，将遥感数据与其他地理数据集集成，进行空间分析和模型构建，以获取更多的地表信息和发现地表特征之间的相互关系；
步骤S1-5，对遥感数据进行验证和精度评估，以确保所提取的地表信息的准确性和可靠性，通过野外调查、现场测量和与实际地貌数据对比等方法来完成；
步骤S1-6，将分析和提取得到的地表信息以图像、图表、地图等形式展示和呈现，以便决策者、研究人员和相关方便能够直观地理解和利用这些地表信息。
3.根据权利要求1所述的一种地质勘探的测绘方法，其特征在于：所述步骤S2中，物理勘探的具体方法：
步骤S2-1，确定需要研究的地下介质特性，包括地下构造、岩性分布、地下水等，并选择感兴趣区域进行测量；
步骤S2-2，根据测量目标选择合适的地球物理仪器和设备，包括重力仪、磁力仪、电阻率仪、声波速度仪等，准备相关仪器并进行校准；
步骤S2-3，在感兴趣区域内进行实地观测，根据不同的地球物理方法，采用相应的测量方式，包括以下几个具体步骤：
a. 重力测量：使用重力仪器在不同测点上测量地表上的重力加速度，记录相关数据；
b. 磁力测量：使用磁力仪器测量磁场的强度和方向，记录相关数据；
c. 电阻率测量：使用电阻率仪器测量地下介质的电阻率，通过传输电流和测量电位差的方式来实现；
d. 声波速度测量：使用声波雷达发射声波信号并记录其传播速度，得到地下介质的速度信息；
步骤S2-4，对采集到的地球物理数据进行处理和解释，以获取地下介质的相关特征，具体处理方式和解释方法根据不同的地球物理方法而异，包括数据的滤波、校正、模型反演等；
步骤S2-5，对处理和解释后的地球物理数据进行分析，得出有关地下介质的结构与性质的定性或定量结果，然后通过绘制剖面图、等值线图、三维模型等方式进行展示和呈现，以便进行进一步的研究和分析。
4.根据权利要求1所述的一种地质勘探的测绘方法，其特征在于：所述步骤S3中，三维建模的具体方法：
步骤S3-1，收集和获取遥感数据、地球物理数据和地质采样数据，遥感数据包括航空摄影、卫星图像等，地球物理数据包括重力、磁场、电阻率、声波速度等，地质采样数据包括岩芯、钻孔数据等，对收集到的数据进行预处理，包括格式转换、去噪、校正等，以确保数据的一致性和可用性，将不同数据类型的坐标系统进行统一，以便后续整合和分析；
步骤S3-2，将遥感数据、地球物理数据和地质采样数据进行空间上的一致性匹配，且需要进行地理坐标转换和数据配准，使用图像处理方法对遥感数据进行特征提取和分类，以获取地表的地貌、植被覆盖、水体分布等信息，根据地球物理数据提供的测量值，可以进行插值和反演处理，生成具有空间分布的地下介质参数，将地质采样数据进行分析和解释，提取地质层序、构造特征等，建立地质模型要素。步骤S3-3，基于整合后的数据，在计算机软件平台上建立三维地质模型，常用的软件工具包括地学建模软件如Petrel、Leapfrog等，或通用建模软件如三维CAD工具包括AutoCAD、SketchUp等，使用地质建模软件，将地质联系确定为面、线、点等几何要素，并进行地质层、构造面等要素的建立和编辑，将遥感数据和地球物理数据作为参考，进行地质模型的纹理贴图等可视化处理，以增强模型的真实感和可视化效果，在建模过程中，结合专家知识和地质假设，进行地质层、断层、岩性、岩性属性等参数的设定和调整；
步骤S3-4，对建立的三维地质模型进行验证，将模型预测与实际地质情况进行比对和分析，以评估模型的准确性和精度，进行地质模型的分析和解释，包括构造演化、沉积分析、矿产资源评估等，根据分析结果，进行模型参数和假设的调整与优化，以提高地质模型的可靠性和预测性。
5.根据权利要求1所述的一种地质勘探的测绘方法，其特征在于：所述步骤S5中，分析和学习的具体方法：
步骤S5-1，检测和处理缺失值、异常值和噪声，使数据更加干净和可靠，从原始数据中选择有价值的特征，并利用特征工程技术进行数据转换和提取，以提高模型的性能和精度；
步骤S5-2，使用统计分析和可视化技术，对地质数据进行探索性分析，了解数据的分布、关联性和趋势，可视化地质数据的空间分布、属性分布、潜在模式等，以便更好地理解地质特征和相互关系；
步骤S5-3，对于有标签的地质数据，使用监督学习算法来构建预测模型，例如决策树、随机森林、支持向量机、神经网络等，将地质数据分为训练集和测试集，使用训练集进行模型训练，然后使用测试集进行模型评估和验证，根据具体问题，选择适当的评估指标进行模型性能评估，包括准确度、召回率、F1分数等；
步骤S5-4，对于没有标签的地质数据，可以使用无监督学习算法来发现数据中的潜在模式和结构，包括聚类分析、主成分分析、自组织映射等，通过聚类分析可以将数据分为不同的类别或组群，揭示地质数据中的相似性和差异性，主成分分析可以帮助降低数据的维度，提取代表性的特征变量，以实现数据的简化和可视化；
步骤S5-5，对于大量的地质数据，深度学习算法包括卷积神经网络和循环神经网络等可以应用于图像和时序数据的处理与分析，对于图像数据，CNN可以用于地质图像的分类、目标检测、地物识别等任务，对于时序数据，RNN可以用于地震波形分析、沉积物倾向性预测等任务；
步骤S5-6，根据机器学习算法的输出结果，解释地质数据中的模式、趋势和关联性，进行结果的地学解释和验证，与现有的地质知识和理论进行比对和分析。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311356021.2A CN117274520A (zh) | 2023-10-19 | 2023-10-19 | 一种地质勘探的测绘方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311356021.2A CN117274520A (zh) | 2023-10-19 | 2023-10-19 | 一种地质勘探的测绘方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117274520A true CN117274520A (zh) | 2023-12-22 |
Family
ID=89206102
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311356021.2A Pending CN117274520A (zh) | 2023-10-19 | 2023-10-19 | 一种地质勘探的测绘方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117274520A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117576581A (zh) * | 2024-01-17 | 2024-02-20 | 山东元鸿勘测规划设计有限公司 | 基于图像处理的地质勘探遥感监测方法 |
| CN117593477A (zh) * | 2024-01-19 | 2024-02-23 | 中国煤炭地质总局勘查研究总院 | 融合无人机三维模型和地质填图的三维地质图填绘方法 |
| CN118035847A (zh) * | 2024-04-10 | 2024-05-14 | 山东司南地理信息有限公司 | 一种基于地质矿产勘查的数据提取方法及系统 |
| CN118113805A (zh) * | 2024-04-29 | 2024-05-31 | 山东省国土测绘院 | 一种基于深度学习的地理信息勘测校准方法及系统 |
-
2023
- 2023-10-19 CN CN202311356021.2A patent/CN117274520A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117576581A (zh) * | 2024-01-17 | 2024-02-20 | 山东元鸿勘测规划设计有限公司 | 基于图像处理的地质勘探遥感监测方法 |
| CN117576581B (zh) * | 2024-01-17 | 2024-04-05 | 山东元鸿勘测规划设计有限公司 | 基于图像处理的地质勘探遥感监测方法 |
| CN117593477A (zh) * | 2024-01-19 | 2024-02-23 | 中国煤炭地质总局勘查研究总院 | 融合无人机三维模型和地质填图的三维地质图填绘方法 |
| CN117593477B (zh) * | 2024-01-19 | 2024-04-19 | 中国煤炭地质总局勘查研究总院 | 融合无人机三维模型和地质填图的三维地质图填绘方法 |
| CN118035847A (zh) * | 2024-04-10 | 2024-05-14 | 山东司南地理信息有限公司 | 一种基于地质矿产勘查的数据提取方法及系统 |
| CN118113805A (zh) * | 2024-04-29 | 2024-05-31 | 山东省国土测绘院 | 一种基于深度学习的地理信息勘测校准方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117274520A (zh) | 一种地质勘探的测绘方法 | |
| Wellmann et al. | Uncertainty estimation for a geological model of the Sandstone greenstone belt, Western Australia–insights from integrated geological and geophysical inversion in a Bayesian inference framework | |
| US7184991B1 (en) | Pattern recognition applied to oil exploration and production | |
| Cao et al. | Automatic fracture detection based on Terrestrial Laser Scanning data: A new method and case study | |
| CN107748399B (zh) | 利用重力界面反演识别山前带深部构造层方法 | |
| CN111596978A (zh) | 用人工智能进行岩相分类的网页显示方法、模块和系统 | |
| WO2007106711A2 (en) | Method and system for trace aligned and trace non-aligned pattern statistical calculation in seismic analysis | |
| CN109763814B (zh) | 基于多维测井数据的地层匹配可视分析方法 | |
| Chen et al. | Identification of thin-layer coal texture using geophysical logging data: Investigation by wavelet transform and linear discrimination analysis | |
| Florinsky | Quantitative topographic method of fault morphology recognition | |
| CN115879648A (zh) | 一种基于机器学习的三元深部成矿预测方法及系统 | |
| CN104011566A (zh) | 用于分析地质构造的特性的基于小波变换的系统和方法 | |
| Lindsay et al. | Inversion and geodiversity: searching model space for the answers | |
| Peacock et al. | Causes of bias and uncertainty in fracture network analysis | |
| CN102576370A (zh) | 空隙度分析的系统和方法 | |
| CN109073772A (zh) | 利用光流确定在地震图像之间的位移 | |
| Ovaskainen et al. | A new subsampling methodology to optimize the characterization of two-dimensional bedrock fracture networks | |
| CN115292890A (zh) | 基于多源辅助数据开发的场地土壤污染物浓度三维空间预测方法 | |
| CN110968840A (zh) | 一种基于大地电磁测深电阻率判定隧围岩等级的方法 | |
| Marques et al. | Deep learning application for fracture segmentation over outcrop images from UAV-based digital photogrammetry | |
| Aitken et al. | Semiautomated quantification of the influence of data richness on confidence in the geologic interpretation of aeromagnetic maps | |
| Liu et al. | (ChinaVis 2019) uncertainty visualization in stratigraphic correlation based on multi-source data fusion | |
| Lorentzen et al. | Mapping Cretaceous faults using a convolutional neural network-A field example from the Danish North Sea. | |
| Lharti et al. | Partitioning a rock mass based on electrical resistivity data: the choice of clustering method | |
| CN115758792A (zh) | 一种基于数字数值一体化的地质灾害评估方法及装置 |
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 |