技术新讯 > 医药医疗技术的改进,医疗器械制造及应用技术 > 基于遥感地球化学融合数据的含矿伟晶岩识别方法及系统  >  正文

基于遥感地球化学融合数据的含矿伟晶岩识别方法及系统

  • 国知局
  • 2024-11-06 14:24:01

本发明属于伟晶岩识别,尤其涉及基于遥感地球化学融合数据的含矿伟晶岩识别方法及系统。

背景技术:

1、锂(li)可用于原子能、特种合金、特种玻璃和蓄电池等领域,尤其在锂电池方面的应用而被称为“能源金属”。2022年2月美国公布了50种关键矿产清单,锂矿作为全球皆紧缺的稀有金属位列其中。锂作为21世纪能源金属,支撑着我国新能源产业和洁净能源产业的发展,是我国重要的战略性矿产之一,为解决我国能源资源、环境保护等瓶颈问题发挥重要作用。但是,我国锂对外依存度高达80%,受国际供应事件影响较大,这严重影响我国的经济和国防安全。2016年,我国锂的消费量为9.24万吨,预计到2030年,我国锂资源的需求量将到195万吨,供需形势十分严峻。总体来说,在中国一般较少使用物探方法勘查伟晶岩型矿床,这主要是由于伟晶岩的物性特征与花岗岩、片岩及片麻岩没有明显的差异,特别是与花岗岩的物性差异小,难以区分,且伟晶岩岩体本身规模一般又较小,开展如重力法、磁法、电法等常规物探方法难以产生显著的异常。因此,利用遥感技术识别伟晶岩及反演元素含量为锂矿的探测提供新的思路和手段。然而含矿伟晶岩的判断需要借助地球化学指标,但是地球化学数据的采样间隔往往较大,很难满足含矿伟晶岩的识别。

技术实现思路

1、为克服相关技术中存在的问题,本发明公开实施例提供了基于遥感地球化学融合数据的含矿伟晶岩识别方法及系统。本发明目的在于提供一种基于高光谱和地球化学数据融合的方法,提高地球化学数据分辨率,并此基础上,应用超分技术,提高融合数据细节信息,引入深度复合邻域感知网络实现含矿伟晶岩识别,而且本发明基于深度学习算法将遥感数据和地球化学数据进行融合,完成元素预测,提高地球化学数据分辨率,为含矿伟晶岩识别提供了高分辨率的融合数据,在此基础上,应用超分技术,提高融合数据细节信息,引入深度复合邻域感知网络进行含矿伟晶岩识别,为基于多源数据的含矿伟晶岩的综合识别提供了新思路和新技术。

2、所述技术方案如下:一种基于遥感地球化学融合数据的含矿伟晶岩识别方法,包括:

3、s1,采集研究区的水系沉积物地球化学数据并送检,得到元素含量,整理采样位置经纬度信息,将元素含量的二维表格数据转为矢量数据,应用反距离加权插值方法将矢量数据转为栅格数据;

4、s2,基于标准化校正ds框架,应用非负最小二乘模型校正遥感图像;

5、s3,基于皮尔逊相关系数,计算光谱变换和处理后的结果与元素含量之间系数,选出相关系数最高的变换方法,确定主量和微量元素的预测顺序;

6、s4,通过高斯滤波方法将所述遥感图像划分为低频和高频数据,应用2dcnn-lstm网络结构,建立低频数据与采集的水系沉积物地球化学数据之间的关系,将训练好的cnn-lstm模型应用到高频数据,完成异常元素含量的预测,将低频数据叠加高频数据,完成遥感地化数据融合;

7、s5,将遥感地化融合数据降采样为低分辨率图像数据,优化深度先验网络dip结构参数,学习图像细节,获得具有更多空间分辨细节信息的融合数据;

8、s6,用卷积神经网络结合图神经网络构建复合邻域感知网络,运用深度度量学习方式,挖掘不同岩性样本特征,减小类内距离、增大类间距离,完成含矿伟晶岩及其相关岩性的识别;

9、s7,利用用户精度ua,生产者精度pa,总体精度的oa、aa和kappa系数指标,评价伟晶岩及其余岩性的模型识别效果。

10、在步骤s1中,得到元素含量,包括:将送检得到地球化学含量数据和对应坐标的数据,构成具有坐标信息和地球化学含量的矢量数据;应用反距离加权插值方法将矢量数据转为栅格数据,栅格数据中栅格大小考虑地球化学数据的采样间隔,采用介于最小采样点间距和最大采样点间距之间;

11、反距离权重插值法的具体步骤为:①确定未知点和已知点的坐标;②计算未知点与每个已知点之间的距离;③根据距离计算每个已知点的权重,权重的计算公式为:

12、式中,w为权重,d为距离;④根据权重和已知点的值计算未知点的值,计算公式为:

13、式中,z为未知点的值,wi为已知点i的权重,zi为已知点i的值。

14、在步骤s2中,应用非负最小二乘模型校正遥感图像,包括:提取对面采样点对应位置的高光谱图像数据,形成二维列表;将地面室内光谱数据按照图像光谱数据进行重采样,将重采样后的地面室内光谱数据作为目标变量,输入非负最小二乘nnls模型校正高光谱图像数据,得到校正后的高光谱图像数据;

15、非负最小二乘用于光谱反射率值非负的计算,在给定的线性系统中,找到非负向量x,使得||ax-b||2最小,公式(1)如下:

16、minx||ax-b||2x≥0(1);

17、其中,x≥0约束每个元素都是非负的,minx为x的最小值,a为系数矩阵,x为图像光谱变量,b为一组常数。

18、在步骤s3中,确定主量和微量元素的预测顺序包括:对校正后的gf-5遥感图像光谱进行一阶导、二阶导、标准正态变量与去包络线处理,基于皮尔逊相关系数,计算变换和处理后的结果与元素含量之间系数,优选出相关系数最高的变换方法,根据在可见光-短波红外波段有明显响应的元素与光谱相关度的平均值确定主量元素的预测顺序,再根据微量元素与主量元素相关性系数的平均值,确定微量元素的预测顺序;皮尔逊相关系数计算公式为:

19、式中,cov(x,y)为x与y的协方差,var[x]为x的方差,var[y]为y的方差。

20、(1)光谱数据预处理:利用一阶微分处理公式(10)消除线性或接近线性的噪声光谱、背景对目标光谱的影响;利用二阶微分处理公式(11)消除基线漂移和背景信号,光谱微分变换计算公式如下:

21、

22、式中,r′(λi)为光谱反射率的一阶导值,r″(λi)为光谱反射率的二阶导值,r(λi+1)为波长λi+1处的反射率,r(λi-1)为波长λi-1处的反射率,r′(λi+1)为波长λi+1处的反射率一阶导值,r′(λi-1)为波长λi-1处的反射率一阶导值,δλ为波长的间隔;利用包络线去除法cr公式(12)最大限度的突出光谱的吸收峰特征,区分光谱曲线之间的差异;包络线去除变换计算公式如下:

23、式中,r′c(λi)为波长λi处的去包络线值,r(λi)为波长λi的反射率值,rc(λi)为对应波长λi处包络线上的值;

24、(2)相关性计算:分析变换后数据与元素含量间的相关性,计算皮尔逊相关系数,皮尔逊相关系数最高值作为最优变换方式;

25、(3)主量、重金属元素排序:选择在可见光至短波红外波段有明显响应的主量和重金属元素,计算这些元素的光谱相关度,并进行排序;

26、(4)微量元素相关性系数的计算:进一步分析微量元素与上述主量元素的相关性。

27、在步骤s4中,完成遥感地化数据融合,包括:基于最优的变换方式处理遥感图像,通过高斯滤波方法把遥感图像分为低频数据和高频数据;应用2dcnn-lstm网络结构建立低频数据与采集的水系沉积物地球化学数据之间的关系;依照光谱与元素的皮尔逊相关系数由高至低的排列顺序,确定元素预测顺序,并依次预测元素含量,将含量高光谱响应明显的主量和重金属元素含量估算结果加入微量元素估算模型;将训练好的模型同样应用到高频数据完成异常元素含量的预测,将低频反演的背景地球化学含量数据叠加高频反演的异常地球化学含量数据,完成遥感地化数据融合。

28、在步骤s5中,优化深度先验网络dip结构参数,学习图像细节,获得具有更多空间分辨细节信息的融合数据,包括:

29、通过一个生成式网络架构来利用图像统计先验,在迭代过程中使网络自动降噪并优先重建图像细节;当网络迭代到一定次数,在不过度拟合噪声的情况下停止优化,恢复分辨率图像,表达式为:

30、式中,为优化得到的参数,θ为网络参数,fθ为构建的深度网络,x为低分辨率图像,z为输入的噪声。

31、在步骤s6中,完成含矿伟晶岩及其相关岩性的识别,包括:将矢量化岩性数据进行栅格化处理,使得地球化学的栅格数据和岩性栅格数据范围一致;用卷积神经网络结合图神经网络构建复合邻域感知网络识别模型,进行参数设置;其中,基于复合邻域感知coconv进行特征提取,基于标准图像卷积再进行均值运算,将特征转换到度量空间,用非参数小批量度量分类器实现伟晶岩和其余岩性分类;在模型训练过程中,使用标准的adam优化器训练复合领域感知深度度量学习模型。

32、在步骤s7中,评价伟晶岩及其余岩性的模型识别效果,包括:将地质图作为真实结果的参考图,用伟晶岩及其他岩性识别结果作为分类结果图,建立分类结果的混淆矩阵,指标通过混淆矩阵[gij]k×k计算得出,公式如下:

33、式中,g为混淆矩阵,每一行代表实际类别,每一列代表预测类别;gij为实际类别为i而预测类别为j的样本数量;

34、式中,oa为总体精度,gaa为对角线元素,k为类别数,gab为实际为a类被预测为b类的样本数量,通过将混淆矩阵g的对角线元素gaa之和除以样本总数计算模型的总体准确率;

35、ua(n)为第n类的用户准确率,将第n类的正确分类的样本数除以为第n类样本预测数计算,是类别n的正确识别比例;gnn为第n类混淆矩阵对角线上的值,gna为混淆矩阵第n行元素;

36、式中,aa为平均精度,用于衡量分类模型在所有类别上的平均性能,通过对每个类别的精度进行求和,再除以类别数k,得到所有类别的平均精度;

37、式中,pa(n)为第n类的用户准确率,通过将第n类的正确分类的样本数除以为第n类实际样本数计算,是类别n被正常识别的比例;gan为混淆矩阵第n列元素;

38、式中,kappa为评价指标,用于分类结果的一致性检验,m为样本总数,ga+为淆矩阵表示第a行总和,g+a为第a列总和。

39、本发明的另一目的在于提供一种基于遥感地球化学融合数据的含矿伟晶岩识别系统,该系统实施所述基于遥感地球化学融合数据的含矿伟晶岩识别方法,该系统包括:

40、地球化学数据融合模块,用于以遥感、地球化学和地质图数据为基础,基于2dcnn-lstm模型,完成遥感和地球化学数据的融合;

41、融合数据分辨率模块,基于深度先验超分模型dip提高融合数据分辨率;

42、含矿伟晶岩及其余岩性的识别模块,用于基于复合领域感知深度度量学习dnm-dml模型,构建含矿伟晶岩识别模型完成含矿伟晶岩及其余岩性的识别。

43、结合上述的所有技术方案,本发明所具备的有益效果为:该方法采集研究区的水系沉积物地球化学数据和地质图,对地球化学数据进行归一化处理,对地质图做矢量化处理;构建数据集;基于二维卷积神经网络-长短期记忆网络(2dcnn-lstm)模型开展遥感数据和地球化学数据融合,形成遥感地球化学融合数据;基于深度图像先验算法(dip),提高遥感地球化学融合数据的分辨率,达到对伟晶岩脉的识别需求;在此基础上,建立复合领域感知深度度量学习(dnm-dml)模型的含矿伟晶岩识别模型,进行区域的含矿伟晶岩和其他岩性的分类识别,评价识别结果。本发明不仅可以实现伟晶岩及其余岩性的识别,由于加入地球化学元素信息,还可实现含矿伟晶岩的识别,该方法为含矿伟晶岩的识别提供了新方法,对进一步缩小伟晶岩型锂矿找矿范围具有重要的作用。

44、本发明的技术方案转化后有利于锂矿的发现,可为找矿企业节约大量人力物力,并提供较大的经济收益;填补了基于遥感和地球化学融合数据进行含矿伟晶岩识别的技术空白;含矿伟晶岩的精准发现与识别一直都是找矿技术难点,尤其是高海拔深切割且人力难及的地区,含矿伟晶岩的发现更是锂矿发现的直接标志,由于海拔高很多探矿设备难以到达,并且物性参数又和其他地质体不易分辨,地质找矿工作者一直都想建立一套少量采样和非接触的含矿伟晶岩识别技术。本发明就是瞄准解决此难题,建立一套仅靠少量采样数据和非接触遥感数据相结合的方法识别含矿伟晶岩,为锂矿发现提供了前所未有的技术解决方案。

本文地址:https://www.jishuxx.com/zhuanli/20241106/321833.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。