Landsat 8卫星OLI传感器波段平均太阳辐照度计算

卫星传感器波段平均太阳辐照度(solar exoatmospheric spectral irradiances,简称ESUN)是反演地表温度、大气顶部反射率的重要参数。目前,Landsat 8卫星的传感器ESUN值美国地质调查局仍未公布。采用ChKur、WRC、Thuillier、ASTM和Wehrli太阳光谱数据,结合Landsat 8卫星的相对光谱响应数据,使用代入计算的方法分别计算了OLI传感器各波段的ESUN值。与ChKur数据计算的结果相比,应用Wehrli数据计算的结果均方根误差最小,使用WRC数据计算的结果均方根误差最大。为验证结果,用同样的方法计算了基于ChKur太阳光谱数据的Landsat 7卫星ETM+传感器的ESUN值,并与美国地质调查局官方推荐的结果做对比,结果表明,基于ChKur太阳光谱数据采用该方法计算结果较为符合官方数据。     

基于Landsat 8影像赤壁-嘉鱼地区岩性划分效果分析

以鄂东南赤壁-嘉鱼地区为例,在缺少地表各岩石单元样品的情况下,对Landsat8可见光近红外和短波红外(VNIR-SWIR)波段反射率数据进行处理提取岩性信息。首先对VNIR-SWIR多波段反射率数据进行最佳指数因子(IOIF)运算,得出最佳波段组合band7-band5-band2,从其假彩色合成图像上只能识别少量岩性单元;为了减少高相关性波段之间的信息冗余度,并对波段信息进行集成,后对Landsat8VNIR-SWIR波段反射率数据采用主成分变换并进行彩色合成,能够有效增强志留系、侏罗系及第四系地质单元之间的影像差异,从而划分岩性界线。对比已有地质资料,认为提取结果可靠,能为野外地质工作提供基础信息。     

基于实测波谱标识的Hyperion数据岩性识别方法

以中甸普朗典型斑岩铜矿区和松诺典型矿点的2种主要含矿岩性为实验研究对象,将特征岩性实测波谱数据转换为Hyperion影像像元数据,并利用MNF变换对高光谱数据进行降噪和降维,以第一个MNF变换主成分作为分析数据,以所构建像元的亮度值为参考分割点,通过密度分割,进行岩性识别,并通过与已有的地质资料的对比分析和野外调查,验证结果的精度。实验结果证明,在影像处理过程中有机地融入地面实测波谱,可较有效地识别中甸地区与矿相关的石英二长斑岩和石英闪长玢岩。     

火山岩岩性识别方法研究

岩性是测井储层评价的基础,在火山岩油藏的测井评价过程中,由于火山岩岩性定名方法的不统一以及岩性识别方法的不完善,使火山岩油藏的测井评价难以开展。采用国际地科联（IUGS）推荐的TAS图方法对火山岩岩样定名,并以此为基础,使用神经网络方法利用测井资料识别火山岩岩性。研究结果表明,利用传统的统计判别方法建立的测井资料与火山岩岩性的判别关系,识别符合率只有65%;而使用神经网络方法建立的判别关系,识别符合率可达81.8%。     

基于Landsat 8 OLI数据甘肃陇南赵家庄地区遥感蚀变信息提取

利用多光谱遥感技术进行蚀变矿物(绢云母、高岭土、绿泥石、赤铁矿、褐铁矿等)信息提取已广泛应用于矿产资源勘查工作中,文章基于Landsat 8 OLI数据采用主成分分析法和主分量门限法对铁染异常和泥化异常进行提取并分级处理,取得了较好成果,为本区成矿预测及下一步找矿工作提供了依据。     

Landsat8卫星OLI遥感影像解译在云南勐海综合找矿实践中的应用研究

云南省西南部勐海地区,地区地形起伏大,气候恶劣,Landsat8卫星影像信息丰富,尝试将Landsat8卫星影像遥感解译应用于云南勐海综合找矿实践。通过遥感、地质、地球物理、地球化学等多种方法,多种手段相结合,综合分析,取得了良好的效果。遥感影像解译极大的提高了生产效率,节约了工作成本,减轻了一线人员的工作负担。     

基于人工神经网络的岩性识别方法

从神经网络的机理、特点出发,探讨了采用神经网络技术进行测井岩性识别的可行性及优越性,并以十红滩地区的找矿目的层为对象,进行了岩性分析与对比,为该方法的进一步应用开拓了前景。     

基于Landsat8 OLI数据的遥感蚀变信息提取与成矿远景区圈定——以青海乌兰哈莉哈德山地区为例

以青海乌兰哈莉哈德山地区为研究区,选取Landsat8 OLI遥感数据,在建立植被、冰雪和人工地物掩膜基础上,利用主成分分析和密度分割方法提取该地区的铁染和羟基蚀变异常信息。经分析验证,在综合蚀变异常中,发现3处矿化点,圈定6个成矿远景区,为该区下一步地质工作的开展提供有效的参考。     

基于梯度提升算法的岩性识别方法

传统的岩性识别方法如岩屑录井、钻井取心及测井资料解释等技术,对录井质量的依赖程度较高,识别精度与效率低,泛化能力差。随着计算机技术的迅速发展,将测井资料与计算机技术相结合开展岩性研究已成为岩性识别的有效手段。本文提出了一种基于梯度提升算法XGBoost和LightGBM的岩性识别方法。以苏里格气田苏东41-33区块下碳酸盐岩储层为例进行测试验证,采用该方法结合测井资料中的声波时差、自然伽马、光电吸收截面指数、密度、深侧向电阻率和补偿中子等6种参数进行岩性识别,并与KNN （K近邻分类器）、朴素贝叶斯和支持向量机等传统算法进行对比,结果表明,3种传统算法的岩性识别准确率分别为78.45%、74.43%和78.72%,基于梯度提升算法XGBoost和LightGBM的识别准确率分别达到了98.90%和98.72%,远高于传统算法。     

基于特征加权的KNN模型岩性识别方法

岩性识别是一项重要的地质工作,为固体矿产勘探与油气勘探奠定了坚实的地质基础。岩石物性是连接岩性和地球物理场的桥梁,可以通过物性之间的差异进行岩性识别,但不同岩石的物性数据往往存在一定重合,仅靠交会图无法准确地识别岩性。KNN(K近邻)模型是一种简单、直接的机器学习方法,准确度和灵敏度都很高,适用于多分类问题。基于此,本文将基于特征加权的KNN模型引入岩性识别中,该方法将传统KNN模型与属性特征的信息增益相结合,对不同特征赋予不同权重,可以直观地反映属性特征对分类的重要程度。实验证明,相比于传统KNN方法,基于特征加权的KNN模型对岩性交界处的识别能力有大幅提升,整体提高了岩性识别的准确性和稳定性。     

随钻测井中岩性识别方法的对比及应用

岩性识别是对地层认识及储层参数求解的基础,受沉积环境复杂性和非均质性影响,传统岩性识别方法已不能满足实际生产需要。针对传统识别方法容错能力差、自动化程度低和解释精度低的问题,通过应用神经网络自主学习预测分析手段,对比分析当下几种流行的岩性识别方法,选出更为适合现场实用的方法应用到随钻测井系统中。经研究发现,在预测方法及测井曲线相同的情况下,获得标准层段训练样本越多,准确率越高。通过对比得出结果：PNN概率神经网络方法在生产应用中效果更佳、识别准确率高、训练识别用时最短,在获取较少测井资料信息时,仍能保持较高的识别水平。     

线性降维映射方法识别火山岩岩性

随着世界对油气资源的需求不断增加,火山岩油气藏的勘探和开发逐步成为油气储量、产量的新的增长点。火山岩岩性研究是火山岩油气储层研究的基础。常规的识别岩性方法不是很有效,作者曾用主成份分析方法来识别火山岩岩性,取得了一些效果,能够把基性岩,中性岩和酸性岩三大类岩石区分开来。但当岩性中也包括结构时,识别的效果就不是很理想,很难将流纹岩和流纹质凝灰岩区分开来。对岩石薄片鉴定,全岩分析以及综合测井曲线得到的火山岩岩样应用线性降维映射方法来识别,取得了很好的效果,它能将常规主成份分析方法很难区分的流纹岩和流纹质凝灰岩区分开来。     

基于Aster和Landsat8数据在青海赛什腾地区蚀变信息提取研究

青海赛什腾地区位于无人区,穿越条件极差,传统地质找矿勘探工作难以开展,因其植被稀少,有利于多光谱遥感数据提取矿化蚀变信息。本文以Landsat8和Aster数据为数据源,利用成像光谱法以及主成分分析法对赛什腾地区进行矿化蚀变信息的提取,成像光谱法包括最小噪声变换（MNF）,像元纯净指数（PPI）,N维可视化端元识别（N-Dimensional Visualization）以及光谱角匹配（SAM）,最终获得了赛什腾地区矿物信息分布图。利用主成分分析法对Landsat8和Aster数据分别提取黄铁矿、褐铁矿等铁染蚀变矿物和绢云母等羟基蚀变矿物,通过对Aster和Landsat8两种数据提取的蚀变信息进行空间叠加分析,定量地分析对比两种数据的蚀变信息提取效果,具有提高提取蚀变信息准确性的优势。通过样品实测光谱及镜下鉴定特征验证了研究区铁染以及羟基蚀变存在的真实性,并将矿化蚀变信息分布图与野外调查已知矿（化）点坐标进行叠加验证,结果显示矿（化）点坐标基本落在提取的矿化蚀变范围内,说明基于这两种遥感数据的处理方法以及提取结果是可靠的,为圈定找矿靶区以及扩大找矿范围提供了重要的指导意义。     

基于Aster和Landsat8数据在青海赛什腾地区蚀变信息提取研究

青海赛什腾地区位于无人区,穿越条件极差,传统地质找矿勘探工作难以开展,因其植被稀少,有利于多光谱遥感数据提取矿化蚀变信息.本文以Landsat8和Aster数据为数据源,利用成像光谱法和主成分分析法对赛什腾地区进行矿化蚀变信息的提取,成像光谱法包括最小噪声变换(MNF),像元纯净指数(PPI),n维可视化端元识别(n-...     

基于遗传算法优化的支持向量机在岩性识别中的应用

为提高测井岩性识别的精度,本文结合乌夏地区岩芯资料和测井数据,总结该地区砂砾岩测井响应特征,优选出声波、自然伽马、密度、中子孔隙度和电阻率等5条测井曲线参数作为训练和测试样本,通过遗传算法挑选出最佳的支持向量机核函数参数σ和惩罚因子C,建立支持向量机岩性识别模型。结果表明该模型实际数据预测总体符合率为81.6%,在识别准确率上与传统测井识别砂砾岩岩性方法相比都有明显提升。     

基于卷积神经网络迁移学习模型的矿岩智能识别方法

文章基于Inception-v3卷积神经网络模型,通过对采集的金矿石、铜矿石、铁矿石、铅锌矿、花岗岩、片麻岩、大理岩和页岩,8种岩石453张图像进行特征提取和迁移学习,建立了岩性分类的迁移学习模型,实现了岩性的自动识别和分类。每种岩石图像随机抽取4张作为测试集进行测试,剩余421张图像作为训练集参加训练,经测试全部图像的岩性分类结果均正确,识别正确率超过80%的岩石图像占测试集图像总数的90%以上。识别正确率未达到80%的图像经过处理后重新训练并测试,其识别正确率均超过了80%,表明了该模型具有良好的岩性识别能力且鲁棒性较好,为岩性识别和自动分类提供了一种新的智能分析方法。     

基于支持向量机的测井岩性识别在松散沉积物调查中的应用研究

砂砾质松散沉积物粒径组成复杂,钻探取心率低,导致对沉积相和相界面的判别准确度不高。本文结合岩心和测井资料,建立了松散沉积层基于支持向量机的测井数据岩性识别模型,分析了训练集样本数量对模型识别准确率的影响,并与BP神经网络模型进行了对比。结果表明,支持向量机模型的岩性识别准确率高,且对训练样本需求量低,可以有效地弥补钻孔取心率不足的问题,并降低钻探施工成本。在松散沉积物调查中,利用基于支持向量机的测井岩性识别模型自动识别沉积序列具有可行性,是实现绿色勘查的有益尝试。     

GA-BP神经网络模型在彬长矿区测井岩性识别中的应用

为提高测井岩性识别的自动化程度和地质解释精度,在分析遗传算法(Genetic Algorithm,简称GA)与误差反向传播算法(Back-Propagation,简称BP)各自特性的基础上,针对BP算法在反演中测井数据识别样本大以及BP算法本身存在的缺陷,提出了利用GA算法来同时优化BP神经网络的结构和连接权值的解决方案,建立了基于GA优化BP神经网络的测井数据岩性识别模型。该模型通过彬长矿区实际数据的检验,获得了较高的识别速度和准确率。