基于重磁数据梯度比值的深度学习技术实现场源位置反演方法          下载免费PDF全文

马国庆  吴琪  熊盛青  李丽丽 《地球科学》2021,46(9):3365-3375

场源中心位置的计算是重磁数据反演的主要任务之一,现主要通过异常与场源位置之间的数学物理方程来估算地质体的位置.为了快速、准确获得地质体的位置信息,提出基于重磁梯度比值的深度学习技术实现场源位置的获取;其利用深度学习技术所建立的重磁梯度比值水平分布与地质体埋深、构造指数的关系,快速实现异常场源位置计算,且提出利用多个值的相互关系来更加准确、稳定地计算出地质体的信息.该方法可以计算复杂地质体的中心位置,且避免了以往线性方程反演方法需对结果进行筛选的复杂过程,对于存在剩磁的磁异常则采用解析信号的深度学习方法来进行位置反演.理论模型试验证明利用梯度比值的深度学习方法可以准确获得地质体的深度,且通过对比更多点的深度学习计算结果发现,采用多个不同比例极值点可以减弱噪声带来的干扰,从而得到更加准确的位置.最后将该方法应用于实测磁异常的反演工作,获得了地下磁性物体的中心位置,且计算结果与欧拉反褶积法相接近,因此该方法具有良好的实用性.   相似文献   

循环神经网络在雷达临近预报中的应用          下载免费PDF全文

韩丰  龙明盛  李月安  薛峰  王建民 《应用气象学报》2019,30(1):61-69

该文将循环神经网络（recurrent neural network,RNN）应用于雷达临近预报。使用预测循环神经网络（predictive RNN）架构,利用雷达历史组合反射率因子建模,给出雷达组合反射率因子未来1 h的预报结果。预测循环神经网络的核心是在长短时记忆单元（long short-term memory,LSTM）中增加时空记忆模块,能够提取雷达回波不同尺度的空间特征,配合循环神经网络架构,可以有效解决反射率因子预测问题。北京大兴雷达和广州雷达长时间序列的独立检验结果和2个强对流天气个例检验结果表明:该方法和传统的基于交叉相关法的1 h雷达外推临近预报相比,在20 dBZ和30 dBZ检验项目内,临界成功指数（CSI）可以提升0.15~0.30,命中率（POD）提高0.15~0.25,虚警率（FAR）降低0.15~0.20,该方法对反射率因子强度变化有一定预报能力。  相似文献   

火成岩岩石薄片智能识别及分类方法     

曹蒙  王志章  李冰涛  曲康  裴升杰  贾小玉 《地质论评》2023,69(2):2023020001-2023020001

在油气勘探、评价及开发中,岩性识别和薄片鉴定是十分重要的基础工作,准确的薄片识别结果可以为勘探和开发提供可靠的依据。传统的人工判定方法或实验室分析方法具有主观性强、效率低、自动化程度低等问题。目前基于内容的智能图像识别技术在准确性和具体应用方面还面临着许多难题。论文基于国内外相关研究成果与油气勘探与开发中岩芯薄片图像的特点及要求,设计并研制成功薄片图像自动识别系统和薄片智能鉴定系统。利用图像梯度分布和色彩分析进行火成岩岩石薄片智能分类,对所有像素进行类别划分进而得到整体的鉴定结果,实现了省时、高效、高精度的薄片智能鉴定成果。  相似文献   

来自大别山深成侵入岩图像深度迁移学习的可解释性研究     

陈忠良  袁峰  李晓晖  郑超杰 《地质论评》2023,69(3):2023030017-2023030017

岩石图像识别是以深度学习为代表的感知智能在地质领域的典型应用场景。已有研究显示网络结构简单的深度卷积神经网络能够在岩石图像上取得比复杂网络结构高的分类准确率。这与ImageNet数据集上网络结构越深越好的趋势相悖。如何解释这一现象？深成侵入岩为显晶质,自形—半自形粒状结构,块状构造,其分类的依据是其矿物成分及相对含量。大别山地区岩浆活动广泛,中生代深成侵入岩广泛出露。岩石类型包括超镁铁质岩类、辉长岩类、闪长岩类、正长岩类、二长岩类和花岗岩类,基本覆盖IUGS推荐的深成侵入岩分类方案中的岩石类型。选取大别山地区中生代深成岩图像开展不同网络结构预训练模型迁移学习对比试验,能够专注于深度学习对矿物成分特征的学习解释,降低构造因素的影响。借助局部可理解的模型解释技术和特征图可视化技术,分别从全连接层分类决策区域可视化和卷积隐层可视化两方面对深度学习模型开展可解释性研究。结果表明简单网络结构的卷积神经网络能够提取不同矿物所表现出的颜色特征以及不同矿物组合所表现出的纹理特征。AlexNet模型的削减试验进一步证明：对于岩石图像深度学习,网络结构并不总是越深越好。  相似文献   

基于A- CGAN的深反射地震数据随机噪声压制方法研究     

韩建光  王卿  许媛  刘志伟 《地质论评》2023,69(4):2023040015-2023040015

基于深度学习的地震数据噪声压制方法是当前地震数据去噪处理的重要方向。深度学习方法突破了传统滤波处理的局限,在对常规地震数据的噪声压制中表现出效率高、信噪分离效果好的特点。但针对深部弱有效反射数据,当前的深度学习方法特征提取能力有限,难以取得较好的去噪效果。笔者等结合深反射地震数据特点,针对当前深度学习噪声压制方法在特征提取及对数据集依赖上的局限,提出了基于注意力循环生成对抗网络(Attention Cycle- Consistent Generative Adversarial Networks,A- CGAN)的深反射地震数据随机噪声压制方法。借助循环一致生成对抗网络(Cycle- Consistent Generative Adversarial Networks,Cycle- GAN)的域映射思想,降低对数据集的要求。为了构建适用于深反射地震数据的去噪网络,从3个方面对Cycle- GAN进行改进：在Cycle- GAN的生成器（去噪器）中加入残差结构和注意力机制,用于加深网络深度和提高其特征提取能力;在Cycle- GAN的鉴别器中使用块判决,提高鉴别精度和准确度;在损失函数部分加入感知一致性损失函数,提升网络模型恢复纹理细节信息的能力。通过合成地震数据和实际深反射地震数据测试,验证了优化算法的有效性,体现了良好的应用价值。  相似文献   

灰质背景下浊积岩储层预测关键技术研究——以NZ地区N872块为例     

隋明阳 《地质论评》2023,69(Z1):291-292

  相似文献   

基于长短期记忆神经网络的实时地震烈度预测模型     

胡进军  丁祎天  张辉  靳超越  汤超 《地球科学》2023,(5):1853-1864

实时烈度预测可在破坏性地震波到达前,根据P波估计地震可能造成的最大影响.预警对象可以采取措施,降低可能造成的损失.P波位移幅值是一种有效估计地震动峰值的参数,然而单个或多个参数难以全面表征地震动中的信息.同时,参数的计算需要确定时间窗大小,无法实现连续预测.为了解决上述问题,提出了一种基于长短期记忆网络的实时地震烈度预测模型.基于2010-2021年K-NET数据构建模型,并选取2022年3月M_JMA7.3地震事件作为案例验证模型.结果表明,P波到达后可以在记录的每个时间步预测烈度,P波到达3 s时在测试集中准确率为96.47%.提出的LSTM模型改善了烈度预测的准确性和连续性,可为地震预警、应急响应等提供科学依据.  相似文献   

基于卷积神经网络的磁异常反演     

薛瑞洁  熊杰  张月  王蓉 《现代地质》2023,37(1):173-183

针对传统反演方法存在的初始模型依赖、计算时间较长等问题,提出一种基于卷积神经网络的磁异常反演方法。该方法首先设计大量磁异常体模型,进行正演模拟产生样本数据集;接着借鉴经典的卷积神经网络VGG-13设计了一种全新的VGG磁异常反演网络(VGGINV);然后使用样本数据集训练该网络,并优化网络参数;最后对理论模型和实测数据进行反演实验。实验结果表明,该方法可以准确地反演出磁异常体的位置和磁化强度,具有较强的学习能力和一定的泛化能力,能有效解决磁异常数据反演问题。  相似文献   

国家精品课程“遥感原理与应用”创新教学实践     

方圣辉  张熠  潘励 《测绘通报》2015,(6):127-130

国家精品课程"遥感原理与方法"是遥感科学与技术大学本科的专业必修课,随着遥感技术发展和国家卓越工程师培养计划的逐渐深入,遥感科学与技术学科学生的基础知识和实践能力得到了很大的提高。为了使学生能够灵活使用所学知识,提高学生的实际动手能力和培养学生的创新能力,在实际教学中对教学方法进行了改革和创新,如结合我国测绘卫星的最新动态讲述卫星遥感技术的发展能够大大拓宽学生视野,从课堂教学、课后作业、课间实习和课程考试等方面逐步引导学生自主学习,高密度实验教学环节的设置用于提高学生的实践能力等。实践证明,教学改革对学生创新能力的培养取得了一定的效果,从而得到了师生的广泛认可。  相似文献   

空洞卷积U-Net的遥感影像道路提取方法     

林娜  张小青  王岚  冯丽蓉  王伟 《测绘科学》2021,46(9):109-114,156

针对从遥感影像上提取道路出现的细节特征丢失、提取结果模糊的问题,该文提出了一种基于空洞卷积U-Net的遥感影像道路提取算法:①以U-Net为基础网络,将低层细节特征与高层语义特征进行多特征融合,更好地还原道路目标细节;②为了进一步提高网络对道路细节特征的识别能力,在U-Net中引入空洞卷积模块,学习更多的语义信息来改善提取结果出现的模糊问题.在Massachusetts roads和高分辨率城市道路影像Cheng roads dataset数据集下的实验结果表明,在召回率、精度和F1-score指标分别达到了82.5％、86.7％、84.5％;93.2％、92.1％、92.6％.与基础的U-Net相比,该算法在解决细节特征丢失和提取结果模糊问题方面更具有应用价值.  相似文献