共查询到10条相似文献,搜索用时 15 毫秒
1.
2.
基于地球物理反演算法,利用地表沉降信息快速获取油田储层状态信息,对于油田储层安全的实时监控具有重要意义。目前国内外对油田储层参数反演的研究相对较少,因此本文以典型的因石油开采引起地表沉降的辽河盘锦地区作为研究区域,以InSAR沉降监测结果作为观测数据,以Okada模型作为反演模型,首次将非线性贝叶斯反演算法引入到油田储层参数反演中。在试验过程中,发现油田地下存在不止一个油层,首次将双Okada模型引入到油田储层参数反演中。试验表明:①非线性贝叶斯反演算法不仅能够获取模型参数的最优值,同时可以对反演结果的不确定性做出解释。②与单源Okada模型相比,双Okada模型更符合该地区油田储层参数变化与地表沉降之间的映射关系,基于双Okada模型反演得到的油田储层参数更可靠。 相似文献
3.
一种计算水体中悬浮物后向散射系数的方法 总被引:1,自引:0,他引:1
基于生物光学模型的水质参数反演分析方法是水质遥感监测算法的发展趋势.分析方法中需要以水体中悬浮物后向散射系数作为参数.水体中悬浮物后向散射系数目前主要有3种测量方法,但是这些方法要么因为仪器稀缺而无法普及,要么测量精度不高.提出了一种计算水体中的悬浮物后向散射系数的方法,该方法利用水面比较容易测量的反射率光谱和实验室内比较容易测量的水体各组分的吸收系数光谱,基于生物光学模型推导得出水体中的悬浮物后向散射系数.利用太湖梅梁湾试验区获取的数据检验了这种方法,并取得了较好的效果.这种方法的主要优势是:它基于生物光学模型,有严密的理论基础,具有较高的精度和通用性;另外,它使用的数据比较容易测量,方法容易实施,可为水质参数反演分析方法的建立奠定坚实的数据基础. 相似文献
4.
5.
6.
7.
航天飞机极化干涉雷达数据反演地表植被参数 总被引:7,自引:0,他引:7
利用基于极化干涉测量的基本原理和相干散射模型。提出了基于模拟加温-退火算法的极化干涉雷达数据地表植被参数的反演算法,首先,对极化干涉测量的基本原理和一个考虑了地表和植被散射的二层相干散射模型进行了阐述。接着,对模拟退火算法的基本理论和基于模拟加温-退火算法的地表植被参数反演模型进行了论述,最后,利用和田地区1994年10月9日和10日的航天飞机SIR-CL波段单视散射短阵复数据进行了地表植被参数反演的计算,将反演结果与实测数据比较,表明该反演算法能以较好的精度获取地表植被的高度。 相似文献
8.
《国土资源遥感》2020,(1)
对油田储层参数及开采量进行反演,可以及时掌握油田的储层状态及开采量变化,有效监控储层的健康和安全。目前国内对于油田储层参数反演的研究较少。以辽河油田最大的采油厂——曙光采油厂为研究对象,采用2007年1月—2010年9月的21景L波段ALOS/PALSAR数据,使用StaMPS (stanford method for persistent scatterers)技术提取该区域的形变结果,并以此为观测量,分别使用Mogi模型和椭球模型对储层参数进行反演和分析,并与经典的Okada模型的反演结果进行对比。结果表明:①曙光采油厂沉降显著,监测周期内最大沉降速率高达-189. 6 mm/a,最大累积沉降量约为750 mm,沉降面积约为28 km~2;②与Okada模型和Mogi模型相比,椭球模型反演的储层深度精度最高,且模拟的形变结果与观测形变结果最吻合,说明椭球模型的反演结果更可靠,更适用于该油田储层参数的反演。本研究可为InSAR油田沉降监测及储层参数反演提供科学参考。 相似文献
9.
基于贝叶斯理论的线性与非线性模型反演方法(Fukuda-Johnson,F-J)已广泛应用于地球物理模型的线性-非线性参数反演。但F-J方法的反演结果可能受马尔可夫链蒙特卡洛采样(Markov chain Monte Carlo,MCMC)经验参数选择的影响,而反复调试合适的经验参数需耗费大量计算时间。对线性与非线性模型进行线性化后,也可以利用迭代最小二乘方法反演,但该方法难以选择合适的初始值。为提高参数反演计算效率和避免参数初值选择影响,提出了一种以F-J方法模型解为初始值的迭代最小二乘方法。该方法只需计算一次F-J方法模型解和有限次最小二乘迭代,既提高了F-J方法的反演效率,又能获得迭代最小二乘全局最优解。针对模拟数据实验和实际数据算例,分别采用F-J方法、随机生成初始值的迭代最小二乘方法和以F-J方法结果为初值的迭代最小二乘方法进行参数反演。结果表明,直接使用F-J方法时,MCMC采样参数会影响反演结果;直接进行迭代最小二乘反演时,初始值选取不当会导致迭代无法收敛到正确的结果;以F-J方法的结果作为迭代最小二乘方法的初始值进行反演,可以充分发挥F-J方法的全局最优性和迭代最小二乘方法计算量小、稳定性好的优势。 相似文献
10.
在遥感反演中,通常假设反演参数和模型误差的先验分布服从正态分布,这个假设通常不太符合实际。为此,本文提出由Bootstrap方法估计反演参数和模型误差的先验分布的方案。同时对先验数据按照地物分类,统计假设检验表明将先验知识分类的合理性。最后,以RossThick-LiTransit核组合的线性核驱动BRDF模型为例,用NOAA-AVHRR观测数据对使用Bootstrap方法的反演算法进行试验,并与正态假设下的Tikhonov正则化反演和Bayes反演结果比较,说明对先验知识分类和使用Bootstrap方法的遥感反演方法能明显减小参数反演结果的不确定性,提高其可信度。 相似文献