测井地质学前世、今生与未来——写在《测井地质学·第二版》出版之时

测井地质学以地质学和测井学的方法理论为指导,综合运用各种测井信息,来解决基础地质和石油地质的地质问题。经过数十年发展,测井地质学在油气勘探开发各个环节得到广泛应用。非常规油气的兴起使得测井地质学正面临多重挑战和全新探索,亟需建立针对非常规油气的测井地质学综合方法理论体系。本文以《测井地质学·第二版》出版为契机,系统归纳了测井地质学的起源及发展历程、主要研究内容和研究方法流程。然后总结了测井资料与地震、地质信息的匹配性,并分析了不同探测特性测井方法纵向分辨率区间特征。在此基础上评述了测井地质学在井旁构造解析、沉积学特征研究、层序地层划分、地应力方向判别及大小计算、井壁裂缝识别与评价、烃源岩评价以及非常规油气“七性关系”综合评价当中的应用。但由于测井资料的负载能力有限性、测井与地质信息属性不对应性以及测井资料本身的多解性,使得测井地质学在测井—地质转换、非常规油气测井评价及其与人工智能融合方面还存在一定的问题。因此加强基础岩石物理研究,挖掘测井曲线中包含的地质信息,并与人工智能相结合,将拓展测井地质学研究的精度和广度,从而使其未来可更好地应用至非常规油气测井评价等实践工作中。     

探索地理信息智能化处理技术

GIS自产生至今30多年来，世界各国都竞相开展GIS技术研究和应用开发，使其得到了迅速的发展，已形成较为完整的理论体系和大批实用系统，并已在社会各专业领域得到广泛应用并产生了巨大效益，目前，开始朝着产业化、集成化、智能化和社会化的方向发展。随着3S技术的集成应用，人们对GIS的运行效率及其深入的应用提出了更高的要求，地理信息智能化处理已成为地图学和GIS建设必须解决的问题，也是GIS发展的必然方向。在地理信息处理中采用人工智能技术，发展智能GIS或者专家GIS，是解决复杂地学问题的重要途径，也是目前GIS最吸引人的一个应用方向。目前在地理信息处理的许多领域都在使用人工智能技术，比如地图模式识别、地理数据的自动分类、地学专家系统、智能GIS、空间数据挖掘等。本文通过对当前地理信息智能化处理技术发展现状的阐述，旨在探索人工智能在地理信息处理中的应用前景。     

地理信息系统的现状及其技术系统的研究动向

地理信息系统作为新兴的高技术系统，已经应用于整个空间信息的处理领域。本文将在分析现有系统应用水平和存在问题的基础上，着重讨论了六个方面值得重视的研究课题。     

APPLICATIONS OF ARTIFICIAL INTELLIGENCE TECHNIQUES TO REMOTE SENSING*

Remote sensing is a geographic analysis tool capable of producing large quantities of data in the spectral, temporal and spatial domains. Techniques for automating the image analysis process would be advanced by the inclusion of artificial intelligence techniques in the design of image processing systems. The remote sensing application which show promise for successful implementation of artificial intelligence techniques are intelligent onboard processing, advanced database interrogation, and the automated analysis of multispectral imagery.     

Toward an expert system for identification of minerals in thin section

Minerals may be identified by optical inspection and x-ray diffraction analysis. Full and correct identification, however, requires experience and extensive knowledge of mineral characteristics and association. Computer systems designed to approach levels of human expertise in similarly complex identification tasks have become increasingly effective with the application and refinement of various Artificial Intelligence (AI) techniques. These knowledge-based systemsuse the skills, knowledge, and rules of thumb that distinguish the expert from the knowledgeable layman to emulate human expertise. They also may be modified to serve a tutorial role whereby a nonexpert's approach to the task may be compared with that of the expert (system), and criticized accordingly. Such a knowledge-based system capable of identifying minerals from their optical characteristics is being developed at the University of Reading.     

GeoCube： 面向大规模分析的多源对地观测时空立方体

随着对地立体观测体系的建立,遥感大数据不断累积。传统基于文件、景/幅式的影像组织方式,时空基准不够统一,集中式存储不利于大规模并行分析。对地观测大数据分析仍缺乏一套统一的数据模型与基础设施理论。近年来,数据立方体的研究为对地观测领域大数据分析基础设施提供了前景。基于统一的分析就绪型多维数据模型和集成对地观测数据分析功能,可构建一个基于数据立方的对地观测大数据分析基础设施。因此,本文提出了一个面向大规模分析的多源对地观测时空立方体,相较于现有的数据立方体方法,强调多源数据的统一组织、基于云计算的立方体处理模式以及基于人工智能优化的立方体计算。研究有助于构建时空大数据分析的新框架,同时建立与商业智能领域的数据立方体关联,为时空大数据建立统一的时空组织模型,支持大范围、长时序的快速大规模对地观测数据分析。本文在性能上与开源数据立方做了对比,结果证明提出的多源对地观测时空立方体在处理性能上具有明显优势。     

遥感影像制图综合的智能化研究

本文以人工智能为基础,用计算机模拟一般制图人员对遥感图像进行制图综合的过程,用框架的知识表示方法建立了一个实验性的知识库,并设计了一个推理机。对蒙古人民共和国乌布苏淖尔地区的ＴＭ分类图进行了实验,取得了较好的效果。     

城市暴雨内涝综述：特征、机理、数据与方法

建成环境的高空间异质性与致灾过程的复杂性给城市暴雨内涝研究带来巨大的挑战,具体表现为模型代表性不够、计算效率低、基础数据和验证数据匮乏。以机器学习为代表的人工智能技术、高分遥感和互联网大数据的快速发展则为城市暴雨内涝研究提供了新的契机。论文结合人工智能、高分遥感和互联网大数据等新技术发展,从特征、机理、数据与方法4个维度对暴雨内涝的研究现状和发展趋势进行了系统总结,主要结论包括：① 暴雨内涝具有短历时性、空间散布性、连锁性和突变性,其热点呈现空间上的动态迁移特征。② 降雨时空特征和城市化程度决定暴雨内涝灾害的量级,地形条件尤其是微地形则决定发生位置和内涝频率。地形控制作用指数(topographic control index, TCI)对暴雨内涝发生位置具有良好的指示能力。③ 排水管网、高精度地形和不透水面分布是暴雨内涝模拟的关键基础数据;降雨过程的高时空变异性是暴雨内涝近实时预报预警的主要瓶颈,需要充分利用天气雷达观测提高其精准度;互联网众包大数据是获取高空间覆盖度暴雨内涝灾情信息的新途径,但也面临不同类型信息融合、提炼和质量控制的挑战。④ 结合水动力模拟与机器学习可建立兼具物理基础和计算效率的暴雨内涝模拟方法,是实现近实时模拟与快速预报预警的有效途径。     

新型智能化互感器校验仪的研究与实现

通过分析互感器比、角差测量方法,提出并实现了一种基于精密90°锁相移相电路的新型智能化互感器校验仪自动化测量方案。