CN118112663A - 一种航空瞬变电磁快速成像方法及*** - Google Patents
一种航空瞬变电磁快速成像方法及*** Download PDFInfo
- Publication number
- CN118112663A CN118112663A CN202410516659.6A CN202410516659A CN118112663A CN 118112663 A CN118112663 A CN 118112663A CN 202410516659 A CN202410516659 A CN 202410516659A CN 118112663 A CN118112663 A CN 118112663A
- Authority
- CN
- China
- Prior art keywords
- transient electromagnetic
- network model
- data
- composite network
- aviation transient
- 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.)
- Granted
Links
- 230000001052 transient effect Effects 0.000 title claims abstract description 191
- 238000003384 imaging method Methods 0.000 title claims abstract description 38
- 239000002131 composite material Substances 0.000 claims abstract description 190
- 238000000034 method Methods 0.000 claims abstract description 98
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 57
- 238000010276 construction Methods 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 17
- 230000004044 response Effects 0.000 claims description 16
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 description 17
- 238000003860 storage Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 8
- 238000005457 optimization Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000005672 electromagnetic field Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种航空瞬变电磁快速成像方法及***，属于地球物理方法技术领域，方法为：将航空瞬变电磁数据以及航空瞬变电磁***飞行高度数据输入至构建完毕的卷积神经网络与长短时记忆神经网络构建的复合网络模型中，提取航空瞬变电磁数据的空间特性和时间特性，对航空瞬变电磁进行成像。本申请可以实现航空瞬变电磁的快速成像，提高数据反演的精度和效率。
Description
技术领域
本申请属于地球物理方法技术领域，更具体地，涉及一种航空瞬变电磁快速成像方法及***。
背景技术
航空瞬变电磁法（ATEM）作为一项先进的地球物理勘探技术，通过搭载飞行平台上的电磁设备进行空中电磁场的发射与接收，使其能够在短时间内覆盖广阔的调查区域，从而提供精确的地下电阻率模型。该技术最为显著的优点包括其能够广泛覆盖探测区域、拥有高效的数据收集效率和相对较低的数据采集成本。更为重要的是，ATEM能够适用于多种复杂地形，包括但不限于高山、森林、沙漠、戈壁、湖泊、沼泽以及海域，这些地形对于地面勘探手段来说常常构成巨大挑战。随着ATEM数据采集及处理技术的持续进步，特别是在观测精度、数据处理效率及反演解释分辨率方面的提高，ATEM已经成为航空地球物理技术中最常用的方法之一，并在矿产资源勘查、水资源勘查和环境监测等多个领域得到了广泛应用。
然而，ATEM技术的一个显著挑战在于处理和解释大规模数据集时的高效率需求。鉴于地下介质的真实情况往往是复杂的三维结构，理论上三维反演技术为最合适的解释手段。尽管计算机技术的发展促进了电磁数据三维正反演算法的改进，减少了计算量，但完整的三维反演任务仍然面临着极高的计算成本和时间成本。因此，在实际应用中，一维正反演成为了一种既有效又实用的解决方案。尽管存在诸如AarhusInv这样的基于数值方法设计的稳定快速正反演程序，但面对大量ATEM数据时，无论是确定性反演还是贝叶斯反演，所需的计算时间仍然巨大。据此，如何进一步提升ATEM数据反演的效率成为了一个研究热点。
目前，为了增强反演算法的效率，地球物理学界主要采用两种方法，一是通过并行计算等技术加速正演过程，二是优化反演流程或提出新的高效反演方法。目前并行技术和GPU编程的应用已将数值方法的效率提升至一定极限，这迫使研究人员探索新的方法以进一步提高正反演效率。
发明内容
针对现有技术的缺陷，本申请的目的在于提供一种航空瞬变电磁快速成像方法及***，旨在解决增强反演算法效率的并行技术和GPU编程应用已将数值方法的效率提升至一定极限，导致无法更进一步提高正反演效率的问题。
为实现上述目的，第一方面，本申请提供了一种航空瞬变电磁快速成像方法，具体为：
将航空瞬变电磁数据以及航空瞬变电磁***飞行高度数据输入至复合网络模型中，通过提取航空瞬变电磁数据的空间特性和时间特性，对航空瞬变电磁进行成像；
其中，所述复合网络模型为卷积神经网络与长短时记忆神经网络构建。
进一步优选地，所述复合网络模型的构建方法，具体包括以下步骤：
S1：在航空瞬变电磁***数据采集区域的普查测线上获取用于构建复合网络模型的观测航空瞬变电磁数据；
S2：将用于构建复合网络模型的观测航空瞬变电磁数据结合横向约束，反演出用于构建复合网络模型的电阻率模型；
S3：将用于构建复合网络模型的电阻率模型、航空瞬变电磁***飞行高度和观测航空瞬变电磁数据作为构建复合网络模型的数据集输入至复合网络模型中，以用于构建复合网络模型的观测电阻率值和预测电阻率值的均方误差和平均绝对误差之和最小为损失函数，采用Adam优化器和Adagrad优化器优化复合网络模型。
进一步优选地，步骤S3中将用于构建复合网络模型的观测航空瞬变电磁数据通过数据填充技术统一至相等长度，并将用于构建复合网络模型的电阻率模型、航空瞬变电磁***飞行高度和观测航空瞬变电磁数据进行归一化处理后输入至复合网络模型中。
进一步优选地，在复合网络模型构建过程中生成初始预测电阻率模型的方法，具体包括以下步骤：
将用于构建复合网络模型的观测航空瞬变电磁数据分别输入至两个卷积池层，提取用于构建复合网络模型的观测航空瞬变电磁数据中的特征图；
将提取的特征图与航空瞬变电磁***飞行高度合并输入至长短时记忆神经网络中生成初始预测电阻率模型。
进一步优选地，航空瞬变电磁快速成像方法，还包括对构建完毕的复合网络模型进行评估，评估方法具体包括以下步骤：
在航空瞬变电磁***数据采集区域的详查测线上获取用于评估复合网络模型的观测航空瞬变电磁数据；
将用于评估复合网络模型的观测航空瞬变电磁数据输入至构建完毕的复合网络模型中，获取预测电阻率模型；
将预测的电阻率模型经过正演获取预测的航空瞬变电磁数据；
计算用于评估复合网络模型的观测航空瞬变电磁数据与预测的航空瞬变电磁数据之间的数据拟合差以及用于构建的电阻率模型与预测的电阻率模型之间的模型拟合差，用于评估复合网络模型的构建优劣。
进一步优选地，S2中横向约束为：
。
进一步优选地，用于构建复合网络模型的电阻率模型归一化处理公式为：
其中，是归一化后的用于构建复合网络模型的电阻率；/>是用于构建复合网络模型的电阻率；/>和/>分别是用于构建复合网络模型的电阻率的最大值和最小值；a为-1；b为1；
用于构建复合网络模型的观测航空瞬变电磁数据归一化处理公式为：
其中，是/>归一化后的值；/>是用于构建复合网络模型的观测航空瞬变电磁数据；/>和/>分别是t时刻取对数后每个时间门电磁响应的最大最小值；/>是经过对数函数映射后的电磁响应；
用于构建复合网络模型的航空瞬变电磁***飞行高度的归一化处理公式为：
其中，是归一化后的航空瞬变电磁***飞行高度；/>是用于构建复合网络模型的航空瞬变电磁***飞行高度；/>和/>分别是航空瞬变电磁***飞行高度的最大值或最小值。
进一步优选地，所述复合网络模型构建中的损失函数为：
其中，是预测的电阻率模型第m层的权重；/>和/>分别是第m层的用于构建复合网络模型的观测电阻率值和预测电阻率值；/>是预测的电阻率模型的层数；为均方误差函数；/>为平均绝对误差函数。
进一步优选地，所述数据拟合差的计算方法为：
所述模型拟合差的计算方法为：
其中，电磁响应是根据预测的电阻率模型/>生成的航空瞬变电磁数据；/>代表用于评估复合网络模型的观测航空瞬变电磁数据；/>为通过横向约束反演获取的用于构建复合网络模型的电阻率模型；/>是航空瞬变电磁数据中能够使用的数据点个数；是预测的电阻率模型的层数；m代表电阻率模型的第m层；n代表第n个用于评估复合网络模型的观测航空瞬变电磁数据。
第二方面，本申请提供了一种航空瞬变电磁快速成像***，包括：数据采集模块和复合网络处理模块；
数据采集模块用于采集航空瞬变电磁数据以及航空瞬变电磁***飞行高度数据；
复合网络处理模块用于将航空瞬变电磁数据以及航空瞬变电磁***飞行高度数据输入至构建完毕的卷积神经网络与长短时记忆神经网络构建的复合网络模型中，获取航空瞬变电磁数据的空间特性和时间特性，对航空瞬变电磁进行成像。
进一步优选地，本申请提供的航空瞬变电磁快速成像***还包括网络模型构建处理模块，网络模型构建处理模块包括模型构建单元和网络模型构建处理单元；
模型构建单元用于将用于构建复合网络模型的观测航空瞬变电磁数据结合横向约束，反演出用于构建复合网络模型的电阻率模型；
网络模型构建处理单元用于将用于构建复合网络模型的电阻率模型、航空瞬变电磁***飞行高度和观测航空瞬变电磁数据作为构建复合网络模型的数据集输入至复合网络模型中，以用于构建复合网络模型的观测电阻率值和预测电阻率值的均方误差和平均绝对误差之和最小为损失函数，采用Adam优化器和Adagrad优化器优化复合网络模型。
进一步优选地，网络模型构建处理单元包括数据处理器，用于将用于构建复合网络模型的观测航空瞬变电磁数据通过数据填充技术统一至相等长度，并将用于构建复合网络模型的电阻率模型、航空瞬变电磁***飞行高度和观测航空瞬变电磁数据进行归一化处理后输入至复合网络模型中。
进一步优选地，网络模型构建处理单元还包括初始电阻率模型构建处理器，用于将用于构建复合网络模型的观测航空瞬变电磁数据分别输入至两个卷积池层，提取用于构建复合网络模型的观测航空瞬变电磁数据中的特征图；将提取的特征图与航空瞬变电磁***飞行高度合并输入至长短时记忆神经网络中生成初始预测电阻率模型。
进一步优选地，本申请提供的航空瞬变电磁快速成像***还包括网络模型评估处理模块，网络模型评估处理模块包括电阻率模型预测处理器、正演处理器和评估参数处理器；
电阻率模型预测处理器用于将用于评估复合网络模型的观测航空瞬变电磁数据输入至构建完毕的复合网络模型中，获取预测电阻率模型；
正演处理器用于将预测电阻率模型经过正演获取预测的航空瞬变电磁数据；
评估参数处理器用于计算用于评估复合网络模型的观测航空瞬变电磁数据与预测的航空瞬变电磁数据之间的数据拟合差以及用于构建的电阻率模型与预测的电阻率模型之间的模型拟合差，用于评估复合网络模型的构建优劣。
进一步优选地，模型构建单元中横向约束为：
。
进一步优选地，数据处理器中用于构建复合网络模型的电阻率模型归一化处理公式为：
其中，是归一化后的用于构建复合网络模型的电阻率；/>是用于构建复合网络模型的电阻率；/>和/>分别是用于构建复合网络模型的电阻率的最大值和最小值；a为-1；b为1；
用于构建复合网络模型的观测航空瞬变电磁数据归一化处理公式为：
其中，是/>归一化后的值；/>是用于构建复合网络模型的观测航空瞬变电磁数据；/>和/>分别是t时刻取对数后每个时间门电磁响应的最大最小值；/>是经过对数函数映射后的电磁响应；
用于构建复合网络模型的航空瞬变电磁***飞行高度的归一化处理公式为：
其中，是归一化后的航空瞬变电磁***飞行高度；/>是用于构建复合网络模型的航空瞬变电磁***飞行高度；/>和/>分别是航空瞬变电磁***飞行高度的最大值或最小值。
进一步优选地，网络模型构建处理单元中损失函数为：
其中，是预测的电阻率模型第m层的权重；/>和/>分别是第m层的用于构建复合网络模型的观测电阻率值和预测电阻率值；/>是预测的电阻率模型的层数；为均方误差函数；/>为平均绝对误差函数。
进一步优选地，评估参数处理器中数据拟合差的计算方法为：
模型拟合差的计算方法为：
其中，电磁响应是根据预测的电阻率模型/>生成的航空瞬变电磁数据；/>代表用于评估复合网络模型的观测航空瞬变电磁数据；/>为通过横向约束反演获取的用于构建复合网络模型的电阻率模型；/>是航空瞬变电磁数据中能够使用的数据点个数；是预测的电阻率模型的层数；m代表电阻率模型的第m层；n代表第n个用于评估复合网络模型的观测航空瞬变电磁数据。
第三方面，本申请提供一种电子设备，包括：至少一个存储器，用于存储程序；至少一个处理器，用于执行存储器存储的程序，当存储器存储的程序被执行时，处理器用于执行第一方面或第一方面的任一种进一步优选地所描述的方法。
第四方面，本申请提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，当计算机程序在处理器上运行时，使得处理器执行第一方面或第一方面的任一种进一步优选地所描述的方法。
第五方面，本申请提供一种计算机程序产品，当计算机程序产品在处理器上运行时，使得处理器执行第一方面或第一方面的任一种进一步优选地所描述的方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
总体而言，通过本申请所构思的以上技术方案与现有技术相比，具有以下有益效果：
本申请提供了一种航空瞬变电磁快速成像方法，其中，将航空瞬变电磁数据以及航空瞬变电磁***飞行高度数据输入至卷积神经网络与长短时记忆神经网络构建的复合网络模型中，可以充分捕捉到航空瞬变电磁数据的空间特性和时间特性；更为具体地，CNN通过卷积层有效提取数据的空间特性，识别地下结构的形态和分布；而LSTM处理时间序列数据，能够捕获航空瞬变电磁数据随时间变化的规律和依赖关系；复合网络模型能够在处理航空瞬变电磁数据时同时可以考虑空间连续性和时间动态性，可以实现航空瞬变电磁的快速成像，提高数据反演的精度和效率。
本申请提供了一种航空瞬变电磁快速成像方法，可以在航空瞬变电磁***数据采集区域中普查测线上获取用于构建复合网络模型的观测航空瞬变电磁数据，同时可以同步在航空瞬变电磁***数据采集区域中详查测线上获取用于评估复合网络模型的观测航空瞬变电磁数据，能够极大地提升航空瞬变电磁勘探工作效率与数据解释效率（数据解释指的是将数据转化为能够分析与解释的资料，并能够结合地质背景进行相应的分析，包括地球物理成像与地球物理反演）。
本申请提供了一种航空瞬变电磁快速成像方法，其中，将用于构建和评估复合网络模型的观测航空瞬变电磁数据通过数据填充统一至相等长度输入至复合网络模型中，相比于现有技术对于不符合数据处理条件的数据直接舍弃，对观测航空瞬变电磁数据进行长度统一能够提升神经网络反演对数据的利用效率。
本申请提供了一种航空瞬变电磁快速成像方法，其中，将用于构建复合网络模型的电阻率模型、航空瞬变电磁***飞行高度和观测航空瞬变电磁数据均输入至复合网络模型中，能够使得神经网络学习到电阻率模型的特征，从而导致反演结果光滑且连续。
本申请提供了一种航空瞬变电磁快速成像方法，将用于构建复合网络模型的瞬变电磁数据与横向约束相结合进行反演获取电阻率模型，引入横向约束可以将相邻的界面深度和电阻率联系起来，产生的电阻率模型具有横向平滑过渡的分层剖面，使电阻率模型更加光滑且连续。
附图说明
图1是本申请实施例提供的航空瞬变电磁快速成像方法流程图；
图2是本申请实施例提供的数据采集方法示意图；
图3是本申请实施例提供的复合网络结构图；
图4是本申请实施例提供的使用不同反演方法得到的电阻率示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。
在本申请实施例中，“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
本申请提供了一种基于神经网络的航空瞬变电磁数据反演方法，传统的瞬变电磁数据反演方法通常依赖于计算灵敏度矩阵以优化电阻率模型；而在处理大型数据集时，尤其是ATEM的高密度数据集时，这一过程往往导致反演时间变得过长。此外，现有的基于神经网络的反演方法由于神经网络结构和构建集大小的限制，不仅难以处理长度不一的ATEM数据，且其反演结果往往难以达到理想的数据拟合精度。为了克服上述这些问题，本申请通过引入一种高效的神经网络框架，以显著提升反演效率及精度；通过对构建复合网络模型的数据集中的ATEM数据采用数据填充技术，本申请能够适应不同长度的ATEM数据输入，从而提高了数据利用率和反演的灵活性。此外，通过引入部分实测数据作为网络构建集，增强了网络的鲁棒性，提高了数据拟合的精度。以上改进措施，使得本申请能够有效处理大规模的ATEM数据集，并生成更为准确和连贯的地电模型。
实施例1
如图1所示，本申请实施例提供了一种航空瞬变电磁快速成像方法，包括以下步骤：
S101：在启动ATEM（航空瞬变电磁法）数据反演过程前，先对调查区域内的数据采集方法进行选择，明确划分普查测线与详查测线；普查测线布局相对稀疏，旨在全面覆盖调查区域，而详查测线布局则更为密集，确保对特定区域的详尽覆盖；据此，依据普查测线的规划先行执行数据采集工作；普查测线和详查测线的设计如图2所示；
更为具体地，数据采集方法包括以下步骤：
S101-1：根据项目需求，圈出航空瞬变电磁***数据采集区域；
S101-2：根据数据采集区域的大小，指定普查测线的线距，使得普查测线上的观测点从直观上来看是数据采集区域的粗略采样；
S101-3：根据普查测线的线距，指定详查测线的线距，通常详查测线的线距是普查测线的线距的1/10以下；
S102：采集到的普查测线上的用于构建复合网络模型的观测ATEM数据随即接受带约束的确定性反演处理，以便得到与观测ATEM数据相对应的用于构建复合网络模型的电阻率模型；同时启动详查测线的数据采集工作，以进一步精细化调查；在本实施例中，使用的方法为横向约束反演方法；
更为具体地，以横向约束反演方法以解释这一过程，用于构建复合网络模型的观测ATEM数据接受带约束的确定性反演的一般目标函数为：
其中，第一项代表了用于构建复合网络模型的观测ATEM数据与电阻率模型参数向量/>的正向响应/>之间差的二范数的平方；这一项反映了用于构建复合网络模型的电阻率模型的预测值与观测的ATEM数据观测值之间的差异程度；第二项/>是一个通用的正则化项，它允许引入先验信息或对方程施加平滑性约束；/>和/>分别是用于构建复合网络模型的观测ATEM数据和用于构建复合网络模型的电阻率模型的权重矩阵；在本申请中，/>设定为一个对角矩阵，其中包含了用于构建复合网络模型的观测ATEM数据方差的倒数；而/>用于指定与/>描述的空间约束相关联的不同程度的可变性；
使用列文伯格-马夸尔特最小化算法优化目标函数，能够为k+1次迭代提供一种迭代模型的更新公式，从而实现电阻率模型参数的逐步优化；这种算法适用于解决非线性最小化问题，如电磁数据的反演问题；在每次迭代中，算法根据当前电阻率模型参数的估计值，结合数据的实际观测值和正向模型的预测值，计算出新的电阻率模型更新方向和步长，并优化电阻率模型：
该迭代优化算法主要基于第n次迭代的电阻率模型的雅可比矩阵；/>为单位矩阵；/>是基于数据不确定度的协方差矩阵，而/>代表了正则化强度；/>是Marquart阻尼参数，用于在反演过程中稳定迭代并提高反演性能；第一个方括号中的第一项体现了由数据和数据误差所建议的模型优化方向和步长；第二项则表示由正则化约束所建议的方向和步长；在第二个方括号中，第一项是根据与观测数据的失配程度调整的方向，而第二项则是根据与所建议约束的失配程度来平衡步长；
横向约束反演是一种基于一维分层地球模型的横向约束反演方法，旨在对一条测量剖面的一维电阻率模型进行约束；该方法将所有一维数据集和电阻率模型作为一个整体进行反演，产生具有横向平滑过渡的分层剖面；电阻率模型通过横向相等约束进行正则化，这些约束将相邻层的界面深度和电阻率联系起来；先验信息，例如来自电测井的数据，可以通过横向约束迁移到相邻模型中，从而在一定程度上解决等效性问题，其横向约束矩阵为：
通过上述带约束的确定性反演方法便可以得到普查测线上用于构建复合网络模型的观测ATEM数据所对应的用于构建复合网络模型的电阻率模型；
S103：通过应用数据填充技术处理普查测线的用于构建复合网络模型的观测ATEM数据，结合确定性反演所得到的用于构建复合网络模型的电阻率模型，并采用数据归一化技术进行优化，从而构建出一个准备就绪的用于构建复合网络模型的数据集；
在本实施例中，通过应用数据填充技术处理普查测线的用于构建复合网络模型的观测ATEM数据，并将用于构建复合网络模型的观测ATEM数据和用于构建复合网络模型的电阻率模型进行归一化处理；数据填充技术是一种处理不等长数据序列的放大，通过在数据序列的适当位置添加填充值（在本申请中一般设置为0或-1），使所有序列达到统一的长度，从而便于用于构建复合网络模型的观测ATEM数据的统一处理和分析；
用于构建复合网络模型的电阻率模型的归一化处理公式为：
其中，是归一化后的用于构建复合网络模型的电阻率；/>是用于构建复合网络模型的电阻率；/>和/>分别是用于构建复合网络模型的电阻率的最大值和最小值；a是归一化后数据的最小值；b是归一化后数据的最大值，这里分别取-1，1；
用于构建复合网络模型的航空瞬变电磁***飞行高度的归一化处理公式为：
其中，是归一化后的航空瞬变电磁***飞行高度；/>是观测的航空瞬变电磁***飞行高度；/>和/>分别是数据集中航空瞬变电磁***飞行高度相应的最大值或最小值；归一化后，电阻率值、飞行高度映射到了指定范围内；
ATEM数据的归一化处理公式为：
其中，是/>归一化后的值；/>是ATEM数据；/>和分别是t时刻取对数后每个时间门电磁响应的最大最小值；/>是经过对数函数映射后的电磁响应；
基于上述数据预处理方法，能够组合得到基于观测数据的用于构建复合网络模型的数据集；
S104：基于卷积神经网络（CNN）与长短时记忆神经网络（LSTM）技术，构建一个复合网络架构，旨在充分捕捉用于构建复合网络模型的观测ATEM数据的空间与时间特性；CNN部分通过其卷积层有效提取数据的空间特征，识别地下结构的形态和分布，而LSTM部分专门处理时间序列数据，能够捕获用于构建复合网络模型的观测ATEM数据随时间变化的规律和依赖关系；通过这种结合，复合网络能够在处理ATEM数据时，同时考虑其空间连续性和时间动态性，从而提高数据反演的精度和效率；
在本实施例中，网络结构如图3所示，在初始阶段，ATEM数据被分别送入两个卷积池化层（卷积池化层上的数字为卷积核数量），主要目的是从数据中提取关键特征；提取的特征图与飞行高度数据合并，构成BiLSTM层的输入；此种分区和后续融合旨在考虑飞行高度和电磁数据对电阻率建模的独特影响；因此，它们最初不被组合用于特征提取；最终，BiLSTM层的输出通过一个全连接层，生成电阻率模型；
更为具体地，为精确度量ATEM数据反演误差与优化方向，设计损失函数，确保网络构建的方向与电阻率模型优化目标的一致性；在本实施例中，损失函数为：
其中，是预测的电阻率模型第m层的权重；/>和/>分别是第m层的用于构建复合网络模型的观测电阻率值和预测电阻率值；/>是预测的电阻率模型的层数，本申请为30层；/>为均方误差函数；/>为平均绝对误差函数；
更为具体地，利用已构建的实测数据集对复合网络进行构建，通过实际数据驱动模型的自我优化与学习，提升模型的泛化能力和反演精度；在本实施例中，采用Adam优化器和Adagrad优化器对网络进行优化；
更为具体地，利用已构建的实测数据集对复合网络进行构建，提升模型的泛化能力和反演精度；在构建过程中，首先采用Adam优化器，利用Adam结合了动量（Momentum）和RMSprop的优点，能够在构建初期通过自适应学习率实现快速且有效的优化；它通过计算梯度的一阶矩估计和二阶矩估计以调整每个参数的学习率，适合处理大规模数据及参数的场景，特别是在初期当网络权重远离最优解时，能够加速学习过程；
然而，随着构建的进行，当优化过程进入更为平缓的误差面或遇到瓶颈时，Adam的性能可能会因其自适应学习率而导致优化速度放缓，甚至停滞不前；这是，转而使用Adagrad优化器可以是一个有效的方法；Adagrad通过对频繁更新的参数使用较小的学习率，对不断频繁更新的参数使用较大的学习率，能够帮助模型在构建后期更细致地调整参数，尤其是在稀疏数据上的表现较好；此方法通过在构建初期利用Adam的快速收敛能力，在构建后期切换到Adagrad以精细调整和优化，旨在整个构建过程中持续降低网络的损失，避免构建早期的快速收敛带来的过拟合风险，同时保证了在接近最优解时的稳定性和精度；
S105：对详查测线上采集到的数据执行数据填充与归一化处理，以标准化数据格式并提升其适用性，以用于步骤S104构建的复合网络模型；在本实施例中，S105与S103相同；
S106：将经过充分构建并优化的神经网络模型部署至处理后的详查测线数据上，以此为基础，反演得到该区域内所有测线上的电阻率模型，实现对地下结构的高精度解析；在本实施例中，通过对比图4可以明显看出，本申请的方法能够高效精确地反演出与常规确定性反演方法相似的电阻率模型，而一般的神经网络方法不具有这样的能力；
进一步优选地，将经过充分构建并优化的神经网络模型部署至处理后的详查测线数据，用于衡量反演结果的优劣标准为：
数据拟合差的大小：
模型拟合差的大小：
其中，电磁响应是根据预测的电阻率模型/>生成的航空瞬变电磁数据；/>代表用于评估复合网络模型的观测航空瞬变电磁数据；/>为通过横向约束反演获取的用于构建复合网络模型的电阻率模型；/>是航空瞬变电磁数据中能够使用的数据点个数；是预测的电阻率模型的层数；m代表电阻率模型的第m层；n代表第n个用于评估复合网络模型的观测航空瞬变电磁数据。
本申请的快速航空瞬变电磁数据反演，形成基于神经网络的反演算法和数据采集处理流程；对于电阻率较为连续的地层，本申请可得到光滑且可解释性更强的反演结果，其使用效果好，实用性强。
实施例2
本申请提供了一种航空瞬变电磁快速成像***，包括：数据采集模块和复合网络处理模块；
数据采集模块用于采集航空瞬变电磁数据以及航空瞬变电磁***飞行高度数据；
复合网络处理模块用于将航空瞬变电磁数据以及航空瞬变电磁***飞行高度数据输入至构建完毕的卷积神经网络与长短时记忆神经网络构建的复合网络模型中，获取航空瞬变电磁数据的空间特性和时间特性，对航空瞬变电磁进行成像。
进一步优选地，本申请提供的航空瞬变电磁快速成像***还包括网络模型构建处理模块，网络模型构建处理模块包括模型构建单元和网络模型构建处理单元；
模型构建单元用于将用于构建复合网络模型的观测航空瞬变电磁数据结合横向约束，反演出用于构建复合网络模型的电阻率模型；
网络模型构建处理单元用于将用于构建复合网络模型的电阻率模型、航空瞬变电磁***飞行高度和观测航空瞬变电磁数据作为构建复合网络模型的数据集输入至复合网络模型中，以用于构建复合网络模型的观测电阻率值和预测电阻率值的均方误差和平均绝对误差之和最小为损失函数，采用Adam优化器和Adagrad优化器优化复合网络模型。
进一步优选地，网络模型构建处理单元包括数据处理器，用于将用于构建复合网络模型的观测航空瞬变电磁数据通过数据填充技术统一至相等长度，并将用于构建复合网络模型的电阻率模型、航空瞬变电磁***飞行高度和观测航空瞬变电磁数据进行归一化处理后输入至复合网络模型中。
进一步优选地，网络模型构建处理单元还包括初始电阻率模型构建处理器，用于将用于构建复合网络模型的观测航空瞬变电磁数据分别输入至两个卷积池层，提取用于构建复合网络模型的观测航空瞬变电磁数据中的特征图；将提取的特征图与航空瞬变电磁***飞行高度合并输入至长短时记忆神经网络中初始生成预测的电阻率模型。
进一步优选地，本申请提供的航空瞬变电磁快速成像***还包括网络模型评估处理模块，网络模型评估处理模块包括电阻率模型预测处理器、正演处理器和评估参数处理器；
电阻率模型预测处理器用于将用于评估复合网络模型的观测航空瞬变电磁数据输入至构建完毕的复合网络模型中，获取预测的电阻率模型；
正演处理器用于将预测的电阻率模型经过正演获取预测的航空瞬变电磁数据；
评估参数处理器用于计算用于评估复合网络模型的观测航空瞬变电磁数据与预测的航空瞬变电磁数据之间的数据拟合差以及用于构建的电阻率模型与预测的电阻率模型之间的模型拟合差，用于评估复合网络模型的构建优劣。
进一步优选地，模型构建单元中横向约束为：
。
进一步优选地，数据处理器中用于构建复合网络模型的电阻率模型归一化处理公式为：
其中，是归一化后的用于构建复合网络模型的电阻率；/>是用于构建复合网络模型的电阻率；/>和/>分别是用于构建复合网络模型的电阻率的最大值和最小值；a是归一化后数据的最小值；b是归一化后数据的最大值，这里分别取-1，1；
用于构建复合网络模型的观测航空瞬变电磁数据归一化处理公式为：
其中，是/>归一化后的值；/>是用于构建复合网络模型的观测航空瞬变电磁数据；/>和/>分别是t时刻取对数后每个时间门电磁响应的最大最小值；/>是经过对数函数映射后的电磁响应；/>
用于构建复合网络模型的航空瞬变电磁***飞行高度的归一化处理公式为：
其中，是归一化后的航空瞬变电磁***飞行高度；/>是用于构建复合网络模型的航空瞬变电磁***飞行高度；/>和/>分别是航空瞬变电磁***飞行高度的最大值或最小值。
进一步优选地，网络模型构建处理单元中损失函数为：
其中，是预测的电阻率模型第m层的权重；/>和/>分别是第m层的用于构建复合网络模型的观测电阻率值和预测电阻率值；/>是预测的电阻率模型的层数；为均方误差函数；/>为平均绝对误差函数。
进一步优选地，评估参数处理器中数据拟合差的计算方法为：
模型拟合差的计算方法为：
其中，电磁响应是根据预测的电阻率模型/>生成的航空瞬变电磁数据；/>代表用于评估复合网络模型的观测航空瞬变电磁数据；/>为通过横向约束反演获取的用于构建复合网络模型的电阻率模型；/>是航空瞬变电磁数据中能够使用的数据点个数；是预测的电阻率模型的层数；m代表电阻率模型的第m层；n代表第n个用于评估复合网络模型的观测航空瞬变电磁数据。
综上所述，本申请与现有技术相比，存在以下优势：
本申请提出的ATEM数据采集方法能够在制作构建复合网络模型的数据集的同时，采集详查测线上的数据，能够极大的提升数据解释的效率。
使用数据填充方法使得神经网络能够处理不等长的ATEM数据，提升了神经网络反演对数据的利用效率。
使用实测数据和相应的模型，能够使得神经网络学习到该区域电阻率模型的特征，从而导致反演结果光滑且连续。
应当理解的是，上述***用于执行上述实施例中的方法，***中相应的程序模块，其实现原理和技术效果与上述方法中的描述类似，该***的工作过程可参考上述方法中的对应过程，此处不再赘述。
基于上述实施例中的方法，本申请实施例提供了一种电子设备。该设备可以包括：至少一个用于存储程序的存储器和至少一个用于执行存储器存储的程序的处理器。其中，当存储器存储的程序被执行时，处理器用于执行上述实施例中所描述的方法。
基于上述实施例中的方法，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，当计算机程序在处理器上运行时，使得处理器执行上述实施例中的方法。
基于上述实施例中的方法，本申请实施例提供了一种计算机程序产品，当计算机程序产品在处理器上运行时，使得处理器执行上述实施例中的方法。
可以理解的是，本申请的实施例中的处理器可以是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、晶体管逻辑器件，硬件部件或者其任意组合。通用处理器可以是微处理器，也可以是任何常规的处理器。
本申请的实施例中的方法步骤可以通过硬件的方式来实现，也可以由处理器执行软件指令的方式来实现。软件指令可以由相应的软件模块组成，软件模块可以被存放于随机存取存储器(Random Access Memory，RAM)、闪存、只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable Rom，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)、寄存器、硬盘、移动硬盘、CD-ROM或者本领域熟知的任何其它形式的存储介质中。一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于ASIC中。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程***。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。
可以理解的是，在本申请的实施例中涉及的各种数字编号仅为描述方便进行的区分，并不用来限制本申请的实施例的范围。
本领域的技术人员容易理解，以上所述仅为本申请的较佳实施例而已，并不用以限制本申请，凡在本申请的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本申请的保护范围之内。
Claims (9)
1.一种航空瞬变电磁快速成像方法，其特征在于，具体为：
将航空瞬变电磁数据以及航空瞬变电磁***飞行高度数据输入至复合网络模型中，通过提取航空瞬变电磁数据的空间特性和时间特性，对航空瞬变电磁进行成像；
其中，所述复合网络模型为卷积神经网络与长短时记忆神经网络构建；
所述复合网络模型的构建方法，具体包括以下步骤：
S1：在航空瞬变电磁***数据采集区域的普查测线上获取用于构建复合网络模型的观测航空瞬变电磁数据；
S2：将用于构建复合网络模型的观测航空瞬变电磁数据结合横向约束，反演出用于构建复合网络模型的电阻率模型；
S3：将用于构建复合网络模型的电阻率模型、航空瞬变电磁***飞行高度和观测航空瞬变电磁数据作为构建复合网络模型的数据集输入至复合网络模型中，以用于构建复合网络模型的观测电阻率值和预测电阻率值的均方误差和平均绝对误差之和最小为损失函数，采用Adam优化器和Adagrad优化器优化复合网络模型。
2.根据权利要求1所述的航空瞬变电磁快速成像方法，其特征在于，步骤S3中将用于构建复合网络模型的观测航空瞬变电磁数据通过数据填充技术统一至相等长度，并将用于构建复合网络模型的电阻率模型、航空瞬变电磁***飞行高度和观测航空瞬变电磁数据进行归一化处理后输入至复合网络模型中。
3.根据权利要求1或2所述的航空瞬变电磁快速成像方法，其特征在于，在复合网络模型构建过程中生成初始预测电阻率模型的方法，具体包括以下步骤：
将用于构建复合网络模型的观测航空瞬变电磁数据分别输入至两个卷积池层，提取用于构建复合网络模型的观测航空瞬变电磁数据中的特征图；
将提取的特征图与航空瞬变电磁***飞行高度合并输入至长短时记忆神经网络中生成初始预测电阻率模型。
4.根据权利要求1所述的航空瞬变电磁快速成像方法，其特征在于，还包括对构建完毕的复合网络模型进行评估，评估方法具体包括以下步骤：
在航空瞬变电磁***数据采集区域的详查测线上获取用于评估复合网络模型的观测航空瞬变电磁数据；
将用于评估复合网络模型的观测航空瞬变电磁数据输入至构建完毕的复合网络模型中，获取预测电阻率模型；
将预测电阻率模型经过正演获取预测的航空瞬变电磁数据；
计算用于评估复合网络模型的观测航空瞬变电磁数据与预测的航空瞬变电磁数据之间的数据拟合差以及用于构建的电阻率模型与预测的电阻率模型之间的模型拟合差，用于评估复合网络模型的构建优劣。
5.根据权利要求1所述的航空瞬变电磁快速成像方法，其特征在于，S2中横向约束为：
。
6.根据权利要求2所述的航空瞬变电磁快速成像方法，其特征在于，用于构建复合网络模型的电阻率模型归一化处理公式为：
其中，是归一化后的用于构建复合网络模型的电阻率；/>是用于构建复合网络模型的电阻率；/>和/>分别是用于构建复合网络模型的电阻率的最大值和最小值；a为-1；b为1；
用于构建复合网络模型的观测航空瞬变电磁数据归一化处理公式为：
其中，是/>归一化后的值；/>是用于构建复合网络模型的观测航空瞬变电磁数据；/>和/>分别是t时刻取对数后每个时间门电磁响应的最大最小值；/>是经过对数函数映射后的电磁响应；
用于构建复合网络模型的航空瞬变电磁***飞行高度的归一化处理公式为：
其中，是归一化后的航空瞬变电磁***飞行高度；/>是用于构建复合网络模型的航空瞬变电磁***飞行高度；/>和/>分别是航空瞬变电磁***飞行高度的最大值或最小值。
7.根据权利要求1或2所述的航空瞬变电磁快速成像方法，其特征在于，所述复合网络模型构建中的损失函数为：
其中，是预测的电阻率模型第m层的权重；/>和/>分别是第m层的用于构建复合网络模型的观测电阻率值和预测电阻率值；/>是预测的电阻率模型的层数；/>为均方误差函数；/>为平均绝对误差函数。
8.根据权利要求4所述的航空瞬变电磁快速成像方法，其特征在于，所述数据拟合差的计算方法为：
所述模型拟合差的计算方法为：
其中，电磁响应是根据预测的电阻率模型/>生成的航空瞬变电磁数据；/>代表用于评估复合网络模型的观测航空瞬变电磁数据；/>为通过横向约束反演获取的用于构建复合网络模型的电阻率模型；/>是航空瞬变电磁数据中能够使用的数据点个数；/>是预测的电阻率模型的层数；m代表电阻率模型的第m层；n代表第n个用于评估复合网络模型的观测航空瞬变电磁数据。
9.一种航空瞬变电磁快速成像***，其特征在于，包括：数据采集模块、复合网络处理模块和网络模型构建处理模块；
数据采集模块用于采集航空瞬变电磁数据以及航空瞬变电磁***飞行高度数据；
复合网络处理模块用于将航空瞬变电磁数据以及航空瞬变电磁***飞行高度数据输入至复合网络模型中，通过提取航空瞬变电磁数据的空间特性和时间特性，对航空瞬变电磁进行成像；
其中，所述复合网络模型为卷积神经网络与长短时记忆神经网络构建；
所述网络模型构建处理模块包括模型构建单元和网络模型构建处理单元；
所述模型构建单元用于将用于构建复合网络模型的观测航空瞬变电磁数据结合横向约束，反演出用于构建复合网络模型的电阻率模型；
所述网络模型构建处理单元用于将用于构建复合网络模型的电阻率模型、航空瞬变电磁***飞行高度和观测航空瞬变电磁数据作为构建复合网络模型的数据集输入至复合网络模型中，以用于构建复合网络模型的观测电阻率值和预测电阻率值的均方误差和平均绝对误差之和最小为损失函数，采用Adam优化器和Adagrad优化器优化复合网络模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410516659.6A CN118112663B (zh) | 2024-04-28 | 2024-04-28 | 一种航空瞬变电磁快速成像方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410516659.6A CN118112663B (zh) | 2024-04-28 | 2024-04-28 | 一种航空瞬变电磁快速成像方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118112663A true CN118112663A (zh) | 2024-05-31 |
| CN118112663B CN118112663B (zh) | 2024-07-26 |
Family
ID=91220982
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410516659.6A Active CN118112663B (zh) | 2024-04-28 | 2024-04-28 | 一种航空瞬变电磁快速成像方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118112663B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2020101013A4 (en) * | 2020-06-16 | 2020-07-23 | Institute Of Geology And Geophysics, Chinese Academy Of Sciences | A method for airborne transient electromagnetic data processing |
| CN112861790A (zh) * | 2021-03-10 | 2021-05-28 | 西南交通大学 | 一种基于深度学习的电磁探测网络组网方式识别方法 |
| CN113568056A (zh) * | 2021-07-16 | 2021-10-29 | 北京大学 | 一种基于卷积神经网络的航空瞬变电磁数据反演方法 |
| CN113568055A (zh) * | 2021-07-16 | 2021-10-29 | 北京大学 | 一种基于lstm网络的航空瞬变电磁数据反演方法 |
| CN115508900A (zh) * | 2022-11-23 | 2022-12-23 | 中国地质大学（武汉） | 一种地面拖拽式瞬变电磁成像方法及*** |
| CN116881633A (zh) * | 2023-07-19 | 2023-10-13 | 东华理工大学 | 一种基于残差去噪卷积网络与移不变稀疏编码的可控源电磁数据去噪方法 |
-
2024
- 2024-04-28 CN CN202410516659.6A patent/CN118112663B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU2020101013A4 (en) * | 2020-06-16 | 2020-07-23 | Institute Of Geology And Geophysics, Chinese Academy Of Sciences | A method for airborne transient electromagnetic data processing |
| CN112861790A (zh) * | 2021-03-10 | 2021-05-28 | 西南交通大学 | 一种基于深度学习的电磁探测网络组网方式识别方法 |
| CN113568056A (zh) * | 2021-07-16 | 2021-10-29 | 北京大学 | 一种基于卷积神经网络的航空瞬变电磁数据反演方法 |
| CN113568055A (zh) * | 2021-07-16 | 2021-10-29 | 北京大学 | 一种基于lstm网络的航空瞬变电磁数据反演方法 |
| CN115508900A (zh) * | 2022-11-23 | 2022-12-23 | 中国地质大学（武汉） | 一种地面拖拽式瞬变电磁成像方法及*** |
| CN116881633A (zh) * | 2023-07-19 | 2023-10-13 | 东华理工大学 | 一种基于残差去噪卷积网络与移不变稀疏编码的可控源电磁数据去噪方法 |
Non-Patent Citations (1)
| Title |
|---|
| JINFENG LI 等: "Fast imaging of time-domain airborne EM data using deep learning technology", 《GEOPHYSICS》, 31 December 2020 (2020-12-31), pages 1 - 36 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118112663B (zh) | 2024-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112446559B (zh) | 一种基于深度学习的大范围地面沉降时空预测方法和*** | |
| Xu et al. | Deep learning of rock microscopic images for intelligent lithology identification: Neural network comparison and selection | |
| CN114896564B (zh) | 采用自适应泰森多边形参数化的瞬变电磁二维贝叶斯反演方法 | |
| CN114970290B (zh) | 一种地面瞬变电磁法并行反演方法及*** | |
| Zhou et al. | Tree crown detection in high resolution optical and LiDAR images of tropical forest | |
| Wang et al. | Deep learning reservoir porosity prediction using integrated neural network | |
| US9542507B2 (en) | Feature detection in seismic volumes | |
| CN114494371A (zh) | 基于多尺度相位一致性的光学图像和sar图像配准方法 | |
| CN106600578A (zh) | 基于遥感影像的特征函数空间滤值回归模型并行化方法 | |
| CN112149502A (zh) | 一种基于卷积神经网络的不良地质定位预报方法 | |
| Wu et al. | Automatic extraction of outcrop cavity based on a multiscale regional convolution neural network | |
| Su et al. | SFPSO algorithm-based multi-scale progressive inversion identification for structural damage in concrete cut-off wall of embankment dam | |
| CN112634447B (zh) | 一种露头岩层分层方法、装置、设备及存储介质 | |
| Hajipour et al. | A novel method for GPR imaging based on neural networks and dictionary learning | |
| Yan et al. | Estimation of heterogeneous permeability using pressure derivative data through an inversion neural network inspired by the Fast Marching Method | |
| CN118112663B (zh) | 一种航空瞬变电磁快速成像方法及*** | |
| CN116794736A (zh) | 一种基于transform的大地电磁反演模型建立方法 | |
| CN116189008A (zh) | 基于定点数量化的遥感图像变化检测方法 | |
| CN115578212A (zh) | 一种地质勘查内外业一体化的信息化*** | |
| Zhang | Ensemble methods of data assimilation in porous media flow for non-Gaussian prior probability density | |
| Yu et al. | A lightweight ship detection method in optical remote sensing image under cloud interference | |
| CN117991377B (zh) | 一种基于多源信息融合的初至波走时层析成像方法及*** | |
| Liu et al. | Low-quality and multi-target detection in rsis | |
| Polok et al. | 3D reconstruction quality analysis and its acceleration on GPU clusters | |
| Dang et al. | Sampling Method Analysis and Quality Evaluation Strategy for Remote Sensing Big Data |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |