非均匀采样干涉数据光谱反演技术研究
- 格式:pdf
- 大小:240.50 KB
- 文档页数:4
有色反演技术在海外A油田评价中的应用胡滨【摘要】近年来出现的有色反演技术是一种频率域测井约束下的地震反演新技术,其核心是设计匹配算子使地震频谱和井的波阻抗频谱相匹配,该技术具有无需初始模型、受人为干扰小和计算速度快等方面的优势,特别适用于海外勘探项目评价中常遇到钻井少、研究时间短的问题.海外A油田的实际应用表明,低通频率是影响匹配算子的关键参数,反演结果在保留地震数据原有地质特征基础上,增加了测井数据的高频信息,改善了反演结果的分辨率.针对研究区油层具有明显相对低纵波阻抗的特征,通过定量标定,可快速清晰地刻画和识别油层.经2017年新钻井证实,油层解释结果可靠.【期刊名称】《石油地质与工程》【年(卷),期】2019(033)001【总页数】6页(P25-29,33)【关键词】海外A油田;有色反演;稀疏脉冲反演;油气评价【作者】胡滨【作者单位】中海油研究总院有限责任公司,北京100028【正文语种】中文【中图分类】P631.4常规地震资料主要反映地层界面的起伏变化,经过反演可以把界面型的地震资料转换成岩层型的波阻抗资料。
最早出现的道积分和递归反演等方法分辨率低,满足不了精细勘探的需求。
随后发展出了稀疏脉冲反演[1-2]、分频波阻抗反演[3]、地震特征反演[4]、地质统计反演[5-7]、谱反演[8]与随机模拟反演[9]等技术,这些反演技术针对特定的基础资料条件和地质问题,均具有一定技术优势,但也均存在一定的缺陷[10]。
近年来,在有色滤波技术的基础上发展起来一种新的反演技术——有色反演,该方法克服了上述技术的缺陷,取得了较好的应用效果[11]。
1 有色反演技术1.1 基本原理与技术流程有色反演是一种频率域测井约束波阻抗反演技术,其核心是设置一个合适的算子,使地震频谱和井的波阻抗频谱相匹配,然后通过褶积完成反演,其过程无需子波提取,从井震标定到反演均快捷方便,但也存在相应的问题[12]:①地震记录有限的频带宽度和高频噪音会对反演精度产生一定影响;②实际地震子波是形状复杂、具有时空变化性质的动态子波,对子波的相位特性及时空变化情况所作的假设,必然导致反演结果具有一定误差。
气溶胶光学厚度遥感反演方法研究气溶胶光学厚度是指大气中可见光波段的气溶胶对光的吸收和散射能力,是研究大气污染和气候变化的重要参数之一。
随着遥感技术的发展,气溶胶光学厚度的遥感反演方法也越来越多样化。
本文将围绕气溶胶光学厚度的遥感反演方法展开探讨,并介绍其中几种常用的方法。
首先,我们来介绍一种基于太阳辐射的反演方法,即通过观测太阳辐射在大气中的衰减程度来推导气溶胶光学厚度。
该方法的基本原理是:利用太阳辐射的特定波段观测数据,与大气传输模型进行比对,通过比较模型计算的大气透过率和实际观测得到的透过率之间的差异,推导出气溶胶光学厚度。
这种方法的优点是简单且操作直观,但是需要准确的大气传输模型和太阳辐射观测数据。
另一种常用的反演方法是利用遥感数据中的多光谱信息进行反演。
这种方法利用多光谱数据中不同波长的光谱信息和气溶胶光学特性之间的关系,从而反演出气溶胶光学厚度。
常用的多光谱遥感数据包括MODIS卫星的数据和Landsat卫星的数据。
这种方法的优点是获取的数据较全面和准确,但是对大气参数和气溶胶光学特性的准确性要求较高。
此外,还有一些基于亮温数据的反演方法。
亮温是指地物在遥感图像中反射和辐射出的热能,不同的地物有不同的亮温值。
利用亮温数据可以推导出地表和大气的温度分布,从而推导出气溶胶光学厚度。
这种方法适用于全球遥感数据,但是对地表和大气温度的准确性有一定要求。
在不断深入研究中,一些新的反演方法也得到了发展。
例如,基于人工神经网络的反演方法。
通过训练神经网络,能够从遥感数据中学习到气溶胶光学厚度和其他大气参数之间的复杂非线性关系,从而实现准确的反演。
这种方法的优点是能够适应复杂的遥感数据,减少传统方法中的模型假设和参数要求,提高了反演的准确性。
综上所述,气溶胶光学厚度的遥感反演方法多样化且不断发展。
通过太阳辐射观测、多光谱数据分析、亮温数据推算和人工神经网络等方法,可以准确地反演出气溶胶光学厚度。
未来随着遥感技术的不断进步,反演方法将更加精细化和高效化,为大气污染和气候变化研究提供更加可靠的数据支持。
中国农业科技导报ꎬ2021ꎬ23(5):132-142JournalofAgriculturalScienceandTechnology㊀收稿日期:2020 ̄08 ̄24ꎻ接受日期:2020 ̄10 ̄24㊀基金项目:内蒙古自治区科技重大专项(2019ZD003)ꎮ㊀联系方式:陈昊宇E ̄mail:chenhaoyu0807@163.comꎻ∗通信作者杨光E ̄mail:yg331@126.com基于连续小波变换的土壤有机质含量高光谱反演陈昊宇ꎬ㊀杨光∗ꎬ㊀韩雪莹ꎬ㊀刘昕ꎬ㊀刘峰ꎬ㊀王宁(内蒙古农业大学沙漠治理学院ꎬ内蒙古自治区风沙物理与防沙治沙工程重点实验室ꎬ呼和浩特010010)摘㊀要:以托克托县境内120个土壤有机质含量以及对应光谱数据为数据源ꎬ探究了不同土壤类型与土地利用类型下土壤有机质高光谱反演研究的可行性ꎬ采用连续小波变换对原始光谱(R)㊁光谱倒数(1/R)㊁光谱对数(LnR)㊁光谱一阶微分(Rᶄ)进行分解生成小波系数并与土壤有机质进行相关系分析ꎬ提取特征波段建立BP神经网络与支持向量机模型(SVM)ꎮ结果表明:①R㊁1/R㊁LnR㊁Rᶄ与土壤有机质相关系数经过连续小波变换后ꎬ较之前增加了0.204㊁0.090㊁0.199㊁0.252ꎬ表明连续小波变换可深度挖掘光谱潜在信息ꎬ提升与有机质含量之间的相关系数ꎮ②未经过连续小波处理前ꎬSVM无法实现对当地土壤有机质含量的预测ꎬ经过处理后ꎬ模型SVM ̄CWT ̄R与SVM ̄CWT ̄Rᶄ的精度决定系数分别达到了050㊁0.56ꎬ均方根误差为0.17㊁0.15ꎬ相对分析误差为1.62㊁1.53ꎬ实现了对土壤有机质的有效估算ꎮ③经过连续小波变换后BP神经网络预测模型结果得到提升ꎬ其中BP ̄CWT ̄LnR预测模型效果最佳ꎬ精度决定系数达到0.76ꎬ较之前BP ̄LnR提升了0.2ꎻ均方根误差达到0 15ꎬ降低0.04ꎻ相对分析误差为2.12ꎬ增加了0.87ꎮ因此利用BP ̄CWT ̄LnR高光谱反演模型进行区域土壤有机质遥感监测ꎬ可为当今精准农业提供理论参考与技术支持ꎮ关键词:连续小波变换ꎻBP神经网络ꎻ支持向量机ꎻ精准农业doi:10.13304/j.nykjdb.2020.0742中图分类号:S127㊀㊀㊀文献标识码:A㊀㊀㊀文章编号:1008 ̄0864(2021)05 ̄0132 ̄11HyperspectralInversionofSoilOrganicMatterContentBasedonContinuousWaveletTransformCHENHaoyuꎬYANGGuang∗ꎬHANXueyingꎬLIUXinꎬLIUFengꎬWANGNing(KeyLaboratoryofAeolianPhysicsandDesertificationControlEngineeringfromInnerMongoliaAutonomousRegionꎬCollegeofDesertControlScienceandEngineeringꎬInnerMongoliaAgriculturalUniversityꎬHohhot010010ꎬChina)Abstract:Takingorganicmattercontentsof120soilsamplesandcorrespondingspectraldatainTuoketuoCountyasdatasourcesꎬthefeasibilitiesofhyperspectralinversionofsoilorganicmattersunderdifferenttypeofsoilsandlandsofdifferentusewereexplored.Theoriginalspectrum(R)ꎬspectralreciprocal(1/R)ꎬspectrallogarithm(LnR)andspectralfirst ̄orderdifferential(Rᶄ)weredecomposedbycontinuouswavelettransformtogeneratewaveletcoefficientsꎬandthecorrelationbetweensoilorganicmatterandwaveletcoefficientswasanalyzedꎬandBPneuralnetworkandsupportvectormachine(SVM)wereestablishedbyextractingthecharacteristicbands.Theresultswerefollowed.①ThecorrelationcoefficientsbetweenRꎬ1/RꎬLnRꎬRᶄandsoilorganicmatterwereincreasedby0.204ꎬ0.090ꎬ0.199and0.252aftercontinuouswavelettransformꎬrespectivelyꎬwhichshowedthatcontinuouswavelettransformcoulddeeplyminethepotentiallyspectralinformationandenhancethecorrelationwithorganicmattercontent.②BeforecontinuouswaveletprocessingꎬSVMcouldnotpredictthecontentofsoilorganicmatterꎬwhileafterprocessingꎬtheaccuracies(R2)ofSVM ̄CWT ̄RandSVM ̄CWT ̄Rᶄwere0.50and0.56ꎬRootmeansquareerrors(RMSE)were0.17and0.15ꎬresidualpredictivedeviations(RPD)were1.62and1.53ꎬrespectivelyꎬwhichrealizedtheeffectiveestimationofSOM.③AftercontinuouswavelettransformꎬtheresultsofBPneuralnetworkpredictionmodelwereimproved.AmongthemꎬBP ̄CWT ̄LnRpredictionmodelhadthebesteffectꎬR2was0.76ꎬwhichwashigherthanBP ̄lnRꎬRMSEwas0.15reducedby0.04ꎬRPDwas2.12increasedby0.87.ThereforeꎬtheBP ̄CWT ̄LnRhyperspectralinversionmodelcouldprovidetheoreticalreferenceandtechnicalsupportforprecisionagriculture.Keywords:continuouswavelettransformꎻBPneuralnetworkꎻsupportvectormachineꎻprecisionagriculture㊀㊀精准农业作为目前农业发展的主要方向ꎬ是一种基于信息和知识管理的现代化生产系统ꎬ主要是通过3S(GPS㊁GIS和RS)技术与现代农业相结合ꎬ最大限度地提高农业生产力ꎮ所以快速㊁无损㊁精确地获取土壤中水分㊁养分的空间分布成为了实现精准农业的关键环节ꎬ近年来ꎬ光谱分析在土壤化学分析领域得到了迅猛发展ꎬ为实现土壤养分的快速诊断提供了新思路[1]ꎮ有机质是土壤养分供应能力和肥力的重要指标之一ꎬ在全球碳循环中发挥着重要作用ꎮ因此ꎬ快速准确地估测土壤有机质含量对于发展精准农业具有重要意义[2]ꎮ传统的土壤有机质测定方法虽然精度比较高ꎬ但周期较长㊁成本较高ꎬ只能达到瞬测量ꎬ很难进行长时间大面积测量ꎮ高光谱遥感具有波段多㊁波段窄㊁信息丰富和实时高效等特点ꎬ为快速测量土壤有机质含量提供了一种新的方法和手段[3]ꎮ国内外已经有大量研究表明ꎬ通过对光谱数据进行不同的数学变换(主要通过对光谱进行倒数㊁对数㊁微分㊁平方根㊁吸收峰深度㊁包络线去除等方法)可以有效提高光谱数据与土壤有机质含量之间的相关系数ꎬ有效筛选出光谱信息中的敏感波段[4]ꎮ现在各学者主要将研究重心放到了模型建立上[5]ꎬ普遍运用的线性模型有多元逐步回归与偏最小二乘回归[6]ꎻ常见的非线性模型包括BP神经网络[7]㊁支持向量机[8]㊁决策树[9]等ꎬ而且随着非线性模型算法的逐步改良与完善ꎬ在土壤有机质含量估算中已经成为不可取代的一部分ꎮ随着小波算法的改进与发展ꎬ最初仅运用于植物叶绿素㊁冠层成分含量预测中[10 ̄11]ꎬ目前已成为土壤养分预测的热点问题[12 ̄13]ꎬ连续小波变换是目前被广泛应用的一种方法ꎮ王祥浩[14]选择土地裸露地区为样区ꎬ利用神经网络算法对光谱连续小波变换㊁一阶导数㊁对光谱的平均值处理㊁光谱背景及深度4种方法建模ꎬ模型结果表明ꎬ小波变换方法得到的神经网络模型精度最高ꎻ包青岭等[15]选择渭干河-库车河三角洲具有代表性的干旱区绿洲为研究区ꎬ对光谱进行8层分解ꎬ结果表明小波变换不同分解层ꎬ从低频到高频范围内与土壤有机质含量的相关性呈现先减后增的趋势ꎬ结合随机森岭模型可以对干旱区土壤有机质含量进行有效的估算ꎻ王延仓等[16]以北京东部区潮土为例ꎬ对不同梯度重采样的光谱进行连续小波变换后ꎬ利用偏最小二乘法建立模型ꎬ结果表明连续小波分析算法可深入挖掘土壤光谱内的有益信息ꎬ提升对有机质含量的估测能力ꎬ与土壤高光谱反射率相比ꎬ经连续小波技术处理后ꎬ模型精度得到了有效的提升ꎻ叶红云等[17]同样针对干旱区土壤ꎬ通过对两种常用光谱变换Rᶄ㊁Ln(1/R)进行连续小波变换建立偏最小二乘模型ꎬ结果表明连续小波变换不会因人类干扰程度的提高而使模型精度大幅度降低ꎬ更加适用于干旱区有机质含量的预测ꎻ林鹏达等[18]通过解决黑土有机质高光谱野外反演的困难ꎬ同样证明了连续小波变换可有效提升模型精度ꎮ小波技术在土壤有机质高光谱反演研究中逐渐趋于成熟ꎬ但目前学者的研究多数都在同一土壤类型下或同一区域内ꎬ对于不同土壤类型及土地利用下土壤有机质高光谱反演是否存在影响的研究目前并不多ꎮ本文研究区内土壤类型主要包括3类:沙壤土㊁栗钙土㊁盐碱土ꎬ且部分区域土壤盐渍化程度严重ꎬ导致土壤养分空间分布上存在较大差异ꎬ取样表层土地利用类型主要包括:耕地㊁林地㊁草地㊁盐渍地㊁荒地ꎮ通过对原始光谱(R)㊁原始光谱倒数(1/R)㊁原始光谱对数(LnR)以及原始光谱一阶微分(Rᶄ)4种不同情况进行连续小波变换ꎬ利用BP神经网络以及支持向量机2种模型ꎬ探究了不同土壤类型与不同土地利用类型下是否会对土壤有机质高光谱反演模型产生影响ꎬ小波变换前后土壤有机质反演模型的精度ꎬ旨为区域土壤有机质含量监测及实现精准农业提供理论与技术支持ꎮ1㊀材料与方法1.1㊀研究区概况托克托县隶属于内蒙古自治区呼和浩特市ꎬ位于自治区中部㊁大青山南麓㊁黄河上中游分界处北岸的土默川平原上(图1)ꎮ地理坐标东经3315期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演111ʎ2ᶄ30ᵡ 111ʎ32ᶄ21ᵡ㊁北纬40ʎ5ᶄ55ᵡ 40ʎ35ᶄ15ᵡꎬ总面积1409.67km2ꎬ平均海拔1117mꎬ属于温带大陆性干旱气候ꎬ年均气温7.3ħꎬ年均降雨362mmꎮ托克托县耕地总面积达400km2ꎬ其中古城镇㊁新营子镇和五申镇的耕地较多ꎬ占全县耕地面积的60%以上[19]ꎬ主要作物包括小麦㊁玉米㊁莜麦ꎮ工农业及生产生活用水主要来源于大黑河和黄河水资源ꎬ整个地形以大黑河为轴ꎬ呈现由丘陵向平原过渡的趋势ꎬ地势为东南高㊁西北和西南低ꎮ东南向西北土壤类型依次为栗钙土㊁砂壤石灰性冲积土㊁盐渍化石灰性冲积土[20]ꎬ土壤类型的不同导致土壤养分存在差异性分布ꎮ植被类型从西向东依次为草甸草原㊁干草原和退化灌丛草原分布ꎮ以Landsat8OLI影像为基础数据源ꎬ运用人工目视解译与BP神经网络分类法得到托克托县2019年7月份土地利用数据ꎬ其中耕地面积最大为730.12km2ꎬ占51.79%ꎻ林草地338.7km2ꎬ占24.02%ꎻ盐碱地141.1km2ꎬ占10.00%ꎮ详细土地利用空间分布见图1ꎮ图1㊀土样采集点及土地利用空间分布Fig.1㊀Collectionpointsofsoilsamplesandspatialdistributionoflanduse1.2㊀研究方法1.2.1㊀土样采集与处理㊀土壤样本点均匀地分布在托克托县境内ꎬ采集方法为五点采样法ꎬ采集深度为0 20cmꎬ共采集120个点ꎮ采集的土样置于通风干燥室内进行自然风干㊁研磨ꎬ过10目筛ꎬ进行土壤光谱测定ꎻ过100目筛ꎬ采用重铬酸钾外加热法进行土壤有机质含量测定ꎮ1.2.2㊀光谱测量及光谱处理㊀土壤光谱于暗室内测量ꎬ采用SVCHR ̄1024(北京东方佳气科技有限公司)便携式光谱仪ꎬ光谱范围在350~2500nmꎮ在350~1000nm波段之间光谱分辨率ɤ3.5nmꎻ在1000~1850nm波段之间ꎬ光谱分辨率ɤ9.5nmꎻ在1850~2500nm波段之间ꎬ光谱分辨率ɤ6.5nmꎮ光源采用与太阳光接近的50W卤素灯ꎬ将土壤样品放入深2cm㊁宽10cm的黑色器皿内ꎬ用直尺将土壤表面刮平ꎬ探头距离土样10cmꎬ光源距离土壤表面30cmꎬ天顶角为15ʎꎮ测量前用白板进行标定ꎬ每个土样采集5条光谱作为该土样的光谱数据ꎮ由于受噪音与仪器暗电流的的影响ꎬ导致光谱数据混入噪音等信息ꎬ因此删除350~399nm和2400~2500nm的波段ꎬ采用五点平滑法对光谱进行平滑处理ꎬ并将光谱重采样至5nmꎬ同时对原始光谱(R)进行一阶微分(Rᶄ)㊁倒数(1/R)㊁对数(LnR)等传统数学变换ꎮ1.2.3㊀连续小波变换㊀采用连续小波变换ꎬ并用Mexh小波母函数对原始光谱㊁原始光谱的倒数㊁对数㊁一阶微分进行10层小波变换ꎬ生成一系列小波系数ꎮΨaꎬb=1㊀aΨλ-baæèçöø÷(1)式中ꎬa为伸缩因子ꎬb为平移因子ꎬλ为土壤高光谱数据的波段数ꎮWfaꎬb()=fꎬΨaꎬb()=ʏ+ɕ-ɕfλ()Ψaꎬbλ()dy(2)式中ꎬfλ()为土壤光谱反射率ꎬ小波系数Wfaꎬb()包含二维ꎬ分别为波长(350~2500)与分解尺度(1ꎬ2ꎬ3 10)ꎬ故小波系数行为尺度数ꎬ列为波长数的矩阵[16]ꎮ1.2.4㊀模型及精度验证㊀采用BP神经网络与支持向量机模型(supportvectormachineꎬSVM)建立土壤有机质预测模型ꎬ支持向量机采用线性核函数ꎬ相对于径向基函数(radialbasisfunctionꎬ431中国农业科技导报23卷RBF)来说计算高效ꎬ不易过拟合ꎮBP神经网络的迭代次数设置为1000ꎬ学习率0.01ꎬ训练的均方根误差(rootmeansquareerrorꎬRMSE)小于0.001ꎮ依据相关系数筛选的特征波段以及小波系数作为自变量ꎬ土壤有机质含量为因变量ꎬ分别建立模型ꎬ模型精度采用决定系数(R2)㊁均方根误差(RMSE)㊁相对分析误差(relativepercentdeviationꎬRPD)以及1ʒ1线共同评价ꎮR2表征模型的稳定性ꎬ越接近于1模型越稳定ꎬ拟合程度越好ꎮ均方根误差(RMSE)用来检验模型的预报能力ꎬRMSE越小则表明模型的估测能力越好ꎮRPD是样本的标准差与RMSE的比值ꎬRPD<1.4时ꎬ模型无法对样品进行预测ꎻ1.4ɤRPD<2时ꎬ模型效果一般ꎬ可以用来对样品进行粗略评估ꎻRPDȡ2时ꎬ模型具有极好的预测能力ꎮ1ʒ1线表示实测值与预测值构成的点偏离y=x线的程度[21]ꎮ2㊀结果与分析2.1㊀土壤有机质含量统计分析建模样品集㊁不同土地利用方式㊁不同土壤类型下土壤有机质含量描述性统计见表1ꎮ本研采样点内土地利用方式主要包括林地㊁草地㊁耕地㊁盐渍地ꎬ土壤有机质在草地内均值含量最大(0 80%)ꎬ其次为林地(0.72%)㊁耕地(0.67%)㊁盐渍地有机质含量最低(0.63%)ꎻ土壤有机质含量最大值位于耕地(1.28%)ꎬ最小值位于林地(0 19%)ꎮ采样点内主要土壤类型为栗钙土㊁沙壤土㊁盐碱土ꎬ沙壤土有机质含量最高(0.77%)ꎬ其次为盐碱土(0.68%)和栗钙土(0.67%)ꎬ土壤有机质含量最大值位于沙壤土内(1.28%)ꎬ最小值位于盐碱土内(0.19%)ꎮ表1㊀土壤有机质含量描述性统计结果Table1㊀Descriptivestatisticsresultsoforganicmattercontentinsoilsamples项目Item样品集及类型Samplesetandtype土样数Numberofsamples最大值Maximum/%最小值Minimumvalue/%均值Meanvalue/%标准差Standarddeviation/%模型样品集Modelsampleset样品全集Wholeset1201.200.1940.710.276建模集Modelingset901.200.190.720.227验证集Validationset301.280.250.70.257土地利用方式Landusepattern耕地Cultivatedland551.280.200.670.20林地Woodland201.150.190.720.23草地Grassland251.180.250.800.21盐渍地Salinesoil201.030.250.630.22土壤类型Soiltype栗钙土Chestnutsoil541.20.20.670.22沙壤土Sandyloam511.280.250.770.24盐碱土Saline ̄alkalisoil151.150.190.680.222.2㊀土壤反射光谱特征对R㊁1/R㊁LnR㊁Rᶄ进行小波变换ꎬ变换结果如图2所示ꎬR㊁1/R㊁LnR光谱曲线较为平滑ꎬ分解曲线随波峰波谷变化.Rᶄ其光谱曲线并不规则存在较多波峰波谷ꎬ分解小波系数与前三者不同ꎮR㊁1/R㊁LnR㊁Rᶄ分解后ꎬ小波系数均随分解尺度的增加而增加ꎬ同时可以看出ꎬ由Mexh小波母函数进行的连续小波变换ꎬ对于光谱波峰与波谷有较高的敏感性ꎬ对于放大㊁挖掘光谱信息有着显著的作用ꎮ2.3㊀相关性分析2.3.1㊀不同导数变换光谱与土壤有机质含量相关性㊀土壤有机质含量与光谱相关性曲线及敏感波段见图3ꎮR与土壤有机质含量呈负相关关系(相关系数r=-0.463)ꎬ主要集中于735~780nm处波段ꎻ1/R与土壤有机质的相关性则与R相反ꎬ呈正相关关系(r=0.462)ꎬ集中于600~800nm与1800~2200nm处波段ꎻLnR的相关性曲线图与R相关性曲线类似ꎬ总体呈现负相关关系ꎬ相关系数(r=-0.465)ꎬ主要集中于745~7955315期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演nm处的波段ꎻRᶄ相关性在500nm(r=-0.589)与1400nm(r=-0.411)处为负相关ꎬ在800nm(r=0.408)与1380nm(r=0.412)处为正相关ꎬ相关系数曲线变换趋势与前三者不同ꎬ呈无规律变化ꎮ2.3.2㊀不同分解尺度小波系数与土壤有机质含量的相关性㊀图4为不同光谱变换方式经过连续小波变换后与土壤有机质含量的相关系数矩阵图ꎬ其中红色代表相关性高的区域ꎬ蓝色代表相关性低的区域ꎮR在800~1000㊁1400~1600nm处相关性明显增加ꎬ在500㊁800㊁2200nm波段处相关系数达到最大值(r=0.667)ꎻ1/R在800~1200nm处相关系数达到最大值(r=0.552)ꎬ在2400~2500nm处相系数达到0.4ꎬ受噪音和仪器本身的影响ꎬ此波段的相关系数不进行相关性参考ꎻLnR在分解尺度1下相关性较低ꎬ在2~10尺度下ꎬ相关性出现最大值(r=0.664)ꎻRᶄ相关性主要集中在500~900㊁1200~1600㊁2100~2300nm处ꎮ筛选的敏感波段与尺度如表2所示ꎮ有效的光谱信息主要存在于低分解尺度ꎬ随分解尺度的增加呈递减趋势ꎬ相关性最大值较未处理前分别增加了0.204㊁0.09㊁0.199㊁0.252ꎬ对于挖掘潜在光谱信息有着重要意义ꎮ2.4㊀土壤有机质高光谱模型建立2.4.1㊀BP神经网络预测模型㊀采用BP神经网络构建反演模型ꎬ结果如表3所示ꎮ未进行连续小波变换处理的模型中ꎬBP ̄R与BP ̄Rᶄ效果较好ꎬR2分别为0.69和0.73ꎬRPD为1.45与1.53ꎬ模型能粗略估算土壤有机含量ꎬBP ̄LnR与BP ̄1/R样本外预测能力较差ꎬ同时RPD未达到1.4以上ꎬ不能对土壤有机质未能进行有效预测ꎻ连续小图2㊀连续小波变换光谱特性Fig.2㊀Spectralcharacteristicsofcontinuouswavelettransform631中国农业科技导报23卷图3㊀土壤光谱相关性曲线及敏感波段Fig.3㊀Correlationcurveandsensitivebandofsoilspectrum图4㊀土壤有机质与小波系数相关性Fig.4㊀Correlationbetweensoilorganicmatterandwaveletcoefficients7315期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演表2㊀筛选的敏感波段Table2㊀Sensitivebandforscreening处理方式Treatmentmethod相关系数Correlationcoefficient分解尺度Decompositionscale敏感波段Sensitiveband/nmCWT ̄R0.6671~10214㊁212㊁91㊁91㊁109㊁109㊁109㊁110㊁111㊁112CWT ̄1/R0.5521~7400㊁212㊁108㊁108㊁108㊁108㊁109CWT ̄LnR0.6642~8213㊁212㊁45㊁45㊁45㊁109㊁110CWT ̄Rᶄ0.6641~10212㊁215㊁215㊁216㊁99㊁99㊁99㊁98㊁98㊁98波变换处理之后的模型ꎬ仅BP ̄CWT ̄1/R模型RPD未达到预测水平ꎬ其余3种模型R2与RPD较未处理前均有所增加ꎬRMSE均减少ꎬ其中BP ̄CWT ̄LnR模型预测效果较好ꎬRPD达到2.12可以有效地对土壤有机质进行预测ꎮ将BP ̄CWT处理的4个模型的实测值与预测值进行1ʒ1线分析ꎮ由图5可知ꎬ除BP ̄CWT ̄1/R模型外ꎬ其余模型的实测值与预测值样点基本分布在1ʒ1线附近ꎬBP ̄CWT ̄LnR效果较为明显ꎬ且估算精度高ꎬ可较好地进行土壤有机质含量的估算ꎮ2.4.2㊀支持向量机预测模型㊀SVM构建反演模型ꎬ结果如表4所示ꎮ未经过连续小波处理的光谱特征波段未能较好地对土壤有机质进行预测反演ꎬ经过CWT后模型SVM ̄CWT ̄R与SVM ̄CWT ̄Rᶄ预测结果较之前有较大的提升ꎬR2分别达到了0.50与0.56ꎬ二者RPD均达到1.4以上ꎬ可以粗表3㊀土壤有机质BP神经网络估测模型结果Table3㊀ResultsofBPneuralnetworkestimationmodelforsoilorganicmatter模型Model建模集ModelingsetR2RMSE验证集ValidationsetR2RMSERPDBP ̄R0.690.170.520.191.45BP ̄1/R0.680.170.330.221.25BP ̄LnR0.560.190.240.221.25BP ̄Rᶄ0.730.160.520.181.53BP ̄CWT ̄R0.800.140.540.171.62BP ̄CWT ̄1/R0.640.180.210.280.98BP ̄CWT ̄LnR0.760.150.740.132.12BP ̄CWT ̄Rᶄ0.770.140.660.161.72表4㊀土壤有机质支持向量机估测模型结果Table4㊀Supportvectormachineestimationmodelresultsofsoilorganicmatter模型Model建模集ModelingsetR2RMSE验证集ValidationsetR2RMSERPDSVM ̄R0.210.200.190.201.38SVM ̄1/R0.210.200.200.211.31SVM ̄LnR0.210.200.200.211.31SVM ̄Rᶄ0.430.170.270.201.38SVM ̄CWT ̄R0.500.160.480.171.62SVM ̄CWT ̄1/R0.290.190.160.211.31SVM ̄CWT ̄LnR0.490.160.270.201.38SVM ̄CWT ̄Rᶄ0.560.150.410.181.53831中国农业科技导报23卷图5㊀BP ̄CWT模型土壤实测值与预测值对比Fig.5㊀ComparisonofmeasuredvalueandpredictedvalueofBP ̄CWTmodel略地对土壤有机质进行预测ꎮ同时根据图6ꎬSVM ̄CWT模型进行1:1线分析ꎬ二者实测值与预测值分布情况在4种模型下较好ꎬ虽然模型SVM ̄CWTLnR分布同样较为集中ꎬ但其样本外预测情况较差(RPD=1.38)ꎬ综合考虑不对其进行土壤有机质预测ꎮ结合表3和表4的结果分析ꎬ连续小波变换能够有效地提升模型精度与模型泛化能力ꎬ对于光谱信息挖掘有着重要意义ꎬBP神经网络与支持向量机对CWT ̄R与CWT ̄Rᶄ都能够提升R2减少RMSEꎬ可对土壤有机质做出较好的预测ꎮ虽然BP神经网络与支持向量机在处理非线性回归问题中有较强的能力ꎬ但本身模型中存在不稳定性ꎬ对模型的环境设置同样要求较高ꎬ所以未能对所有数据集进行良好的预测ꎮ3㊀讨论本研究采用连续小波变换对光谱进行处理ꎬ用BP神经网络与支持向量机(SVM)两种模型对土壤有机质含量进行反演预测ꎮ未经过连续小波变换前ꎬR㊁1/R㊁LnR㊁Rᶄ与土壤有机质的相关系系数最大值分别为-0.463㊁0.462㊁-0.465㊁0.589ꎬ可以看出ꎬRᶄ与土壤有机质的相关系数最高ꎬ与吴倩等[22]㊁张新乐等[23]的研究结果相同ꎻ经过连续小波变换后ꎬCWT ̄R㊁CWT ̄1/R㊁CWT ̄LnR㊁CWT ̄Rᶄ相关系数最大值分别为0 667㊁0.552㊁0 664㊁0.662ꎬ较之前分别增加了0 20㊁0.09㊁0.19㊁0.07ꎮ王延仓等[1]㊁于雷等[4]㊁叶红云等[17]等同样证明连续小波变换可有效提高与土壤有机质含量的相关系数ꎮ不同分解尺度对于光谱数据的深度挖掘有着重要意义ꎬ本研究只利用Mexh小波母函数进行处理ꎬ未对其他函数进行考虑ꎬ分解层数同样是根据前人经验所得[4ꎬ10]ꎬ小波技术的研究与发展仍然有很大的探索空间ꎮ相对于两种模型来看ꎬ未进行连续小波处理9315期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演图6㊀利用SVM ̄CWT模型土壤实测值与预测值的对比Fig.6㊀ComparisonofsoilmeasuredvalueandpredictedvalueofSVM ̄CWTmodel的支持向量机模型中ꎬ只有SVM ̄Rᶄ模型R2最高达到0.43ꎬ其余三者均未到达0.4ꎮ综合多种模型评价方法ꎬ由于其RPD未达到1.4以上ꎬ无法对土壤有机质含量进行预测ꎮ经过连续小波处理后ꎬ各模型的R2有明显提高ꎬ其中SVM ̄CWT ̄R与SVM ̄CWT ̄Rᶄ模型效果较好ꎬR2分别提高了0.29㊁0.13ꎬRPD达到1.62与1.53实现了对土壤有机质有效的预测ꎬ但预测结果较BP神经网络较低ꎮ在BP神经网络预测模型中ꎬ未进行连续小波变换前ꎬBP ̄R与BP ̄Rᶄ预测效果较好ꎬR2达到0.69与0.73ꎬRPD为1.45与1.53ꎻ进行连续小波处理后ꎬ除SVM ̄CWT ̄1/R模型未到达预测效果ꎬ其余3种模型预测结果较之前均有明显改善ꎬ可实现对土壤有机质较好的预测ꎬ其中BP ̄CWT ̄LnR预测模型效果最佳R2达到0.76ꎬRPD达到2.12ꎮ根据1:1线分析图也可看出ꎬ其实测值与预测值分布较为集中ꎬ于雷等[4]㊁叶红云等[17]㊁林鹏达等[18]同样通过连续小波变换有效提升了模型的精度与泛化能力ꎮ针对土壤有机质高光谱反演研究中ꎬ姚聪[24]对耕层土壤通过BP神经网络与支持向量机模型ꎬ反演精度R2分别为0.42与0.67ꎻ叶红云等[17]采用连续小波变换对干旱区土壤有机质反演ꎬ模型精度R2=0.75㊁EMSE=0.71ꎻ谢文[25]在森林土壤有机质反演研究中ꎬBP神经网络模型R2=0 78㊁EMSE=0.77ꎬ支持向量机模型R2=0.87㊁EMSE=0.76ꎮ本研究对耕地㊁林草地㊁盐碱地㊁栗钙土㊁沙壤土㊁盐渍土等不同土地利用类型与土壤类型进行综合反演ꎬ最佳反演模型为BP ̄CWTLnRꎬR2=0.76㊁EMSE=0.15㊁RPD=2.12ꎬ与前人研究的结果基本相符ꎬ证明通过连续小波变换处理ꎬ不同土壤类型与土地利用类型未对土壤反演模型精度产生影响ꎮ所以采用连续小波变换进行光谱数据挖掘ꎬ采用BP ̄CWT ̄LnR神经网络建041中国农业科技导报23卷立反演模型ꎬ可对不同土地利用于土壤类型条件下土壤有机质高光谱反演提供一定的理论支持与应用价值ꎮ参㊀考㊀文㊀献[1]㊀王延仓ꎬ杨秀峰ꎬ赵起超ꎬ等.二进制小波技术定量反演北方潮土土壤有机质含量[J].光谱学与光谱分析ꎬ2019ꎬ39(9):2855-2861.WANGYCꎬYANGXFꎬZHAOQCꎬetal..Quantitativeinversionofsoilbasedonbinarywavelettransform[J].SpectroscopySpectralAnal.ꎬ2019ꎬ39(9):2855-2861. [2]㊀于雷ꎬ洪永胜ꎬ耿雷ꎬ等.基于偏最小二乘回归的土壤有机质含量高光谱估算[J].农业工程学ꎬ2015ꎬ31(14):103-109.YULꎬHONGYSꎬGENGLꎬetal..Hyperspectralestimationofsoilorganicmattercontentbasedonpartialleastsquaresregression[J].Trans.CSAEꎬ2015ꎬ31(14):103-109. [3]㊀钟浩ꎬ李西灿ꎬ翟浩然ꎬ等.耕层土壤有机质高光谱间接估测模型[J].测绘科学技术学报ꎬ2019ꎬ36(1):74-78ꎬ85.ZHONGHꎬLIXCꎬZhAIHRꎬetal..Hyperspectralindirectestimationmodelofsoilorganicmattercontentinploughlayer[J].J.GeomaticsTechnol.ꎬ2019ꎬ36(1):74-78ꎬ85. [4]㊀于雷ꎬ洪永胜ꎬ周勇ꎬ等.连续小波变换高光谱数据的土壤有机质含量反演模型构建[J].光谱学与光谱分析ꎬ2016ꎬ36(5):1428-1433.YULꎬHONGYSꎬZHOUYꎬetal..Inversionofsoilorganicmattercontentusinghyperspectraldatabasedoncontinuouswavelettransformation[J].SpectroscopySpectralAnal.ꎬ2016ꎬ36(5):1428-1433.[5]㊀STENBERGBꎬVISCARRARRAꎬMOUAZENAMꎬeta1..Visibleandnearinfraredspectroscopyinsoilscience[J].Adv.Agron.ꎬ2010ꎬ107:163-215.[6]㊀聂哲ꎬ李秀芬ꎬ吕家欣ꎬ等.东北典型黑土区表层土壤有机质含量高光谱反演研究[J].土壤通报ꎬ2019ꎬ50(6):1285-1293.NIEZꎬLIUXFꎬLYUJXꎬetal..HyperspectralretrievalofsurfacesoilorganicmattercontentinatypicalblacksoilregionofnortheastChina[J].Chin.J.SoilSci.ꎬ2019ꎬ50(6):1285-1293.[7]㊀沈润平ꎬ丁国香ꎬ魏国栓ꎬ等.基于人工神经网络的土壤有机质含量高光谱反演[J].土壤学报ꎬ2009ꎬ46(3):391-397.SHENRPꎬDINGGXꎬWEIGSꎬetal..Retrievalofsoilorganicmattercontentfromhyper ̄spectrumbaseonAnn[J].ActaPedol.Sin.ꎬ2009ꎬ46(3):391-397.[8]㊀沈强ꎬ张世文ꎬ夏沙沙ꎬ等.基于支持向量机的土壤有机质高光谱反演[J].安徽理工大学学报(自然科学版)ꎬ2019ꎬ39(4):39-45.SHENQꎬZHANGSWꎬXIASSꎬetal..Hyperspectralinversionofsoilorganicmatterbasedonsupportvectormachine[J].J.AnhuiUniv.Sci.Technol.(Nat.Sci.)ꎬ2019ꎬ39(4):39-45.[9]㊀BREIMANLꎬFRIEDMANJHꎬOLSHENRAꎬetal..ClassificationandRegressionTrees[M].Belmont:WadsworthInternationalGroupꎬ1984.[10]㊀方圣辉ꎬ乐源ꎬ梁琦.基于连续小波分析的混合植被叶绿素反演[J].武汉大学学报ꎬ2015ꎬ40(3):296-302.FANGSHꎬLEYꎬLIANGQ.Retrievalofchlorophyllcontentusingcontinuouswaveletanalysisacrossarangeofvegetationspecies[J].GeomaticsInform.Sci.WuHanUniv.ꎬ2015ꎬ40(3):296-302.[11]㊀何汝艳ꎬ乔小军ꎬ蒋金豹ꎬ等.小波法反演条锈病胁迫下冬小麦冠层叶片全氮含量[J].农业工程学报ꎬ2015ꎬ31(2):141-146.HERYꎬQIAOXJꎬJIANGJBꎬetal..Retrievingcanopyleaftotalnitrogencontentofwinterwheatbycontinuouswavelettransform[J].Trans.CSAEꎬ2015ꎬ31(2):141-146. [12]㊀陈红艳ꎬ赵庚星ꎬ李希灿ꎬ等.小波分析用于土壤速效钾含量高光谱估测研究[J].中国农业科学ꎬ2012ꎬ45(7):1425-1431.CHENHYꎬZHAOGXꎬLIXCꎬetal..Applicationofwaveletanalysisforestimationofsoilavailablepotassiumcontentwithhyperspectralreflectance[J].Sci.Agric.Sin.ꎬ2012ꎬ45(7):1425-1431.[13]㊀高洪智ꎬ卢启鹏.土壤主要养分近红外光谱分析及其测量系统[J].光谱学与光谱分析ꎬ2011ꎬ31(5):1245-1249.GAOHZꎬLUQP.Nearinfraredspectralanalysisandmeasuringsystemforprimarynutrientofsoil[J].SpectroscopySpectralAnal.ꎬ2011ꎬ31(5):1245-1249.[14]㊀王祥浩.土壤有机质高光谱反演模型研究[J].黑龙江工程学院学报ꎬ2019ꎬ33(5):34-39.WANGXH.Researchonhighspectralinversionmodelofsoilorganicmatter[J].J.HeilongjiangInstituteTechnol.ꎬ2019ꎬ33(5):34-39.[15]㊀包青岭ꎬ丁建丽ꎬ王敬哲ꎬ等.基于随机森林算法的土壤有机质含量高光谱检测[J].干旱区地理ꎬ2019ꎬ42(6):1404-1414.BAOQLꎬDINGJLꎬWANGJZꎬetal..Hyperspectraldetectionoforganicmattercontentbasedonrandomforestalgorithm[J].AridLandGeographyꎬ2019ꎬ42(6):1404-1414.[16]㊀王延仓ꎬ张兰ꎬ王欢ꎬ等.连续小波变换定量反演土壤有机质含量[J].光谱学与光谱分析ꎬ2018ꎬ38(11):3521-3527.WANGYCꎬZHANGLꎬWANGHꎬetal..Quantitativeinversionofsoilorganicmattercontentbasedoncontinuouswavelettransform[J].SpectroscopySpectralAnal.ꎬ2018ꎬ38(11):3521-3527.[17]㊀叶红云ꎬ熊黑钢ꎬ张芳ꎬ等.基于CWT的人类不同程度干扰下干旱区土壤有机质含量估算研究[J].激光与光电子学进展ꎬ2019ꎬ56(5):115-124.YEHYꎬXIONGHGꎬZHANGFꎬetal..CWT ̄Basedestimationofsoilorganicmattercontentinaridareaunderdifferenthumandisturbancedegrees[J].LaserOptoelectronicsProgr.ꎬ2019ꎬ56(5):115-124.[18]㊀林鹏达ꎬ佟志军ꎬ张继权ꎬ等.基于CWT的黑土有机质含量野外高光谱反演模型[J].水土保持研究ꎬ2018ꎬ25(2):46-52ꎬ57.LINPDꎬTONGZJꎬZHANGJQꎬetal..Inversionofblacksoilorganicmattercontentwithfieldhyperspectralreflectancebasedoncontinuouswavelettransformation[J].Res.SoilWaterConnserv.ꎬ2018ꎬ25(2):46-52ꎬ57.1415期陈昊宇等:基于连续小波变换的土壤有机质含量高光谱反演[19]㊀范晓冰ꎬ鲁丽波ꎬ范海娇.托克托县耕地动态变化及驱动因子分析[J].内蒙古师范大学学报ꎬ2017ꎬ46(1):151-155.FANGXBꎬLULBꎬFANGHJꎬetal..AnanalysisofdynamicchangesanddrivingfactorsofarablelandinTogtohcounty[J].J.InnerMongoliaNorm.Univ.ꎬ2017ꎬ46(1):151-155. [20]㊀李政葵.内蒙古托克托县潜水与土壤中氟化物的分布规律及其相关性研究[D].呼和浩特:内蒙古大学ꎬ硕士学位论文ꎬ2015.LIKZ.DistributionandcorrelationoffluoridebetweenunconfinedwaterandsoilofInnerMongoliaTuoketuocounty[D].Hohhot:InnerMongoliaUniversityꎬMasterDissertationꎬ2015.[21]㊀VISCARRARAꎬMCGLYNNRNꎬMCBRATNEYAB.Determiningthecompositionofmineral ̄organicmixesusingUV ̄vis ̄NIRdiffusereflectancespectroscopy[J].Geodermaꎬ2007ꎬ137(1/2):70-82.[22]㊀吴倩ꎬ姜琦刚ꎬ史鹏飞ꎬ等.基于高光谱的土壤碳酸钙含量估算模型研究[J/OL].国土资源遥感ꎬ2020:[2020-09-16].https://kns.cnki.net/kcms/detail/11.2514.P.20200810.1518.004.html.WUQꎬJIANGQGꎬSHIPFꎬetal..Estimationofsoilcalciumcarbonatecontentbasedonhyperspectraldata[J/OL].RemoteSensingLandResourcesꎬ2020:[2020-09-16].https://kns.cnki.net/kcms/detail/11.2514.P.20200810.1518.004.html.[23]㊀张新乐ꎬ于滋洋ꎬ李厚萱ꎬ等.东北水稻叶片SPAD遥感光谱估算模型[J].中国农业大学学报ꎬ2020ꎬ25(1):66-75.ZHANGXLꎬYUZYꎬLIHXꎬetal..RemotesensingestimationmodelofSPADforriceleavesinNortheastChina[J].J.Chin.Agric.Univ.ꎬ2020ꎬ25(1):66-75.[24]㊀姚聪.基于卷积神经网络的耕层土壤有机质含量估测模型研究[D].山东泰安:山东农业大学ꎬ硕士学位论文ꎬ2020.YAOC.Studyonestmationmodelofsoilorganicmattercontentinplowedlayerbasedonconvolutionalneuralnetwork[D].ShandongTaian:ShandongAgriculturalUniversityꎬMasterDissertationꎬ2020.[25]㊀谢文.基于高光谱技术的森林土壤不同养分含量光谱特征及估测模型研究[D].南昌:江西农业大学ꎬ博士学文论文ꎬ2017.XIEW.Studyonspectralcharacteristicsandestimationmodelsofdifferentnutrientcontentsinforestsoilsbasedonhyperspectraltechnology[D].Nanchang:JiangsuAgriculturalUniversityꎬDoctorDissertationꎬ2017.(责任编辑:陈凌云)241中国农业科技导报23卷。
地球物理反演研究的方法与技术地球物理反演是一种通过观测和分析地球物理现象来推断地下结构和性质的方法。
反演研究的目标是揭示地下地球的内部构造,了解地球的演化历史以及地质过程。
本文将介绍常见的地球物理反演方法和技术,包括重磁法、地震波形反演、物性反演和电磁法反演。
一、重磁法反演重磁法反演是利用地球重力和地磁场的测量数据来推断地下物质分布和性质。
地球重力和地磁场是地下物质分布的重要指示器。
通过收集地面上的重力和磁场测量数据,可以建立数学模型,通过反演算法推断地下物质的密度分布和磁性特征。
重磁法反演的关键是建立准确的物理模型和有效的数学算法。
建模过程中需要考虑到地球重力和地磁场的多种因素对测量数据的影响,例如地形起伏、地表岩石性质、地下岩性边界等。
反演算法的选取也是关键,常用的反演算法包括正则化方法、模型约束方法和优化算法等。
二、地震波形反演地震波形反演是利用地震波传播过程中测量到的数据来推断地下介质的性质。
地震波在地下介质中传播时会发生折射、反射和散射,通过记录地震波的到达时间、振幅和频谱等信息,可以重建地下介质的速度和密度模型。
地震波形反演的核心是通过正演模拟和反演算法来寻找最优的地下模型。
正演模拟是利用地球物理波动方程对地震波在地下介质中的传播进行模拟,通过比较模拟波形和实际观测波形的差异来获得地下介质的模型参数。
反演算法的选择取决于地下介质的复杂程度和数据的可靠性,常用的反演算法包括全波形反演、走时反演和频率反演等。
三、物性反演物性反演是指根据物理计量描述地下介质性质的参数,如电阻率、介电常数、磁化率等,通过测量数据推断地下介质的物性分布。
常见的物性反演方法包括电法、电磁法和磁法等。
在电法反演中,通过测量电场和电流数据,利用欧姆定律推断地下介质的电阻率分布。
电磁法反演是利用地球磁场和电磁感应现象推断地下介质的导电性和磁化性。
磁法反演是利用地磁场测量数据推断地下介质的磁性特征。
物性反演的关键在于建立合理的物理模型和有效的数据处理方法。
地震反演技术简介在上世纪70~80年代,地震反演作为地球物理学的一个重要进展得到了广泛的赞扬,获得广泛应用;地震反演技术能够帮助解释人员确定地层单元而不仅仅是通过反射波确定地层单元的边界,而且能直接进行深度域成图。
在一个竞争的市场环境中,开发出了很多不同的反演算法,在基本递归反演方法的基础上不断取得进进展,一下简要介绍几种基本的地震反演方法。
主要分三大类:1、基于地震数据的声波阻抗反演:其结果有两种:相对阻抗反演(常说的道积分)与绝对阻抗反演。
主要算法有:递归反演(早期的地震反演算法)与约束稀疏脉冲反演(优化的地震反演算法)。
这种反演受初始模型的影响小,忠实于地震数据,反映储层的横向变化可靠;但分辨率有限,无法识别10米以下的薄砂层。
2、基于模型的测井属性反演:此种反演可以得到多种测井属性的反演结果,分辨率较高(可识别2-6米的薄层砂岩);但受初始模型的影响严重,存在多解性,只有井数多(工区内至少有10口以上的井,分布合理,且要求反演的属性与阻抗相关),才能得到较好的结果。
3、基于地质统计的随机模拟与随机反演:此种算法可以进行各种测井属性的模拟与岩性模拟,分辨率高(可识别2-6米的薄层砂岩),能较好的反映储层的非均质性,受初始模型的影响小,在井点处忠实于井数据,在井间忠实于地震数据的横向变化,最终得到多个等概率的随机模拟结果;但要求工区内至少有6-7口井,且分布较合理,才能得到好的模拟结果。
道积分道积分技术出现,为广大少井无井地区岩性及油气预测提供了新的途径,它能得到类似于虚速度测井的新方法,其结果对应于地层的波阻抗,它最大优点是不像虚速度测井那样依赖于井的资料和地球物理学家的经验。
尽管道积分剖面不能像GLOG波阻抗剖面那样反映地层绝对速度,而只能反映其相对速度大小,但是它反映出的层位与GLOG剖面是一样的,甚至在反映的细节上还比它多,对薄层识别也非常有利,因此道积分剖面能用于岩性和油气层解释。
先进夜视成像技术发展探讨夜视成像技术是在低照度条件下,将不可见辐射加以转换或将微弱的夜天光进行增强,以实现人眼夜间隐蔽观察的一种成像技术,在夜间侦查瞄准、辅助驾驶、导航制导等现代军事应用中发挥着重要作用。
为了确保“单向透明”,充分发挥“拥有黑夜”的技术优势,世界军事强国都投入大量人力、物力开展先进夜视成像技术研究,使夜视装备性能得以迅速发展。
夜视装备战术性能的提升主要依赖于核心夜视器件和信号处理技术的进步和发展,探测灵敏度(光通量)和空间分辨率(像元大小)是夜视装备的核心指标,且又相互制约。
高灵敏度和高分辨率夜视成像一直是夜视技术发展所面临的重要挑战。
未来先进夜视技术的发展趋势应该是基于光电转换的光强直接成像与基于计算成像的信号反演成像二者的相辅相成,即“光强直接成像”+“信号反演成像”。
据麦姆斯咨询报道,近期,南京理工大学电子工程与光电技术学院陈钱教授在《红外与激光工程》期刊上发表了以“先进夜视成像技术发展探讨”为主题的综述文章。
陈钱教授主要从事光电成像与信息处理等方面的研究工作。
先进夜视成像装备的发展历程这项研究概要地介绍了夜视成像技术当前的进展与所面临的挑战,并对未来先进夜视成像技术的发展趋势——基于光电转换的光强直接成像与基于计算成像的信号反演成像分别进行了探讨与展望。
传统夜视成像技术基于光强直接探测机理、探测器像素和目标场景之间通过建立一一对应关系来获取图像。
探测器是传统夜视成像技术的核心。
微光夜视技术利用光电效应将微弱光转换成光电子进行放大增强,实现夜间低照度条件下目标反射强度的探测,其核心器件是图像增强器。
提升夜视探测灵敏度的核心技术是光电子倍增技术,通过提高电荷倍增增益抑制输出噪声,从而提高信噪比。
图像增强器主要分真空像增强器和固态像增强器,前者主要基于外光电效应,即金属阴极表面在能力超过“红限”的辐照作用下,吸收光子并激发出自由光电子的效应。
后者主要基于内光电效应,即光照射到半导体表面时,内部电子吸收光子能量激发载流子,从而使其导电性能改变的效应。
几种常用的反演方法综述一、稀疏脉冲反演(C onstrained Sparse Spike Inversion)1、原理:①首先假设地下地层的波阻抗模型所对应的反射系数序列模型是稀疏的,即由起主导作用的强反射系数序列和具有高斯背景的弱反射系数序列叠加而成。
②将地震记录与子波进行稀疏脉冲反褶积得到地层反射系数,一般是使用最大似然反褶积求得一具有稀疏特性的反射系数序列Ri。
根据①的假设可以导出最小目标函数:R(K)为第一个采样点的反射系数,M 为反射层数, N为噪音变量的平方根,L 为采样总数,ƛ根据目标函数,对每一道,从上到下推测反射系数的位置点,判断反射系数的幅值大小。
如此反复迭代修改每个反射系数的位置和幅度,使最后的修改误差最小符合似然比值的判别标准即可,这样就完成了一道的反褶积,得到该道的反射系数的分布。
③通过最大似然反演导出波阻抗Zi 反演公式为Zi=Zi-1*[(Ri+1)/Ri].具体的计算方法是稀疏脉冲序列每次建立的反射系数为一个脉冲,然后在地震资料中提取子波与初始反射系数进行褶积,得到一个初始合成地震记录,并用此合成地震记录与实际地震纪录作对比得到他们之间的残差,利用这个残差的大小来修改反射序列中脉冲的个数再次进行褶积运算,得到新的合成地震记录,再与实际地震资料对比,就这样循环迭代,直到残差达到最小,最后得到一个与实际地震资料达到最佳逼近的合成地震记录,获得宽频带的反射系数。
图1 稀疏脉冲反演每次建立反射序列为一个脉冲,增加脉冲进行循环迭代约束稀疏脉冲反演采用的是一个快速约束趋势的反演算法,约束条件主要是波阻抗趋势和地质控制,而波阻抗趋势又是由解释层位和断层来控制的,从而可以把地质模式融入进去得到一个宽带的结果,恢复地质信息中缺少的低频和高频成分。
约束稀疏脉冲反演的最小误差函数是:第二项为原始地震道与合成地震道的均方差的总和;第三项为趋势协调的补偿i 是地震道样点号;di是原始地震道;Si是合成地震记录;ri 为地震道采样点的反射系数;ti是波阻抗趋势;Zi是地震道采样点的波阻抗值,介于井约束的最大和最小波阻抗之间;ɑ是趋势最小匹配加权因子,一般情况下ɑ=1;p、q是L 模因子,一般情况下p =1,q=2是调节或平衡因子,与信噪比大小有关。
一种基于转动拉曼激光雷达反演大气温度的方法说实话基于转动拉曼激光雷达反演大气温度这事儿,我一开始也是瞎摸索。
我就知道激光雷达是个挺神奇的东西,能探测大气层里的好多信息。
我最开始就是看书看论文啊,研究那些个原理公式啥的,那简直就是看天书。
什么转动拉曼散射,那些个式子可复杂了。
我就想能不能把它给简化一下理解,就像把一道复杂的数学题拆成好多道简单的小题目一样。
我试过各种各样的方法,比如说先从一些简单的假设入手。
我假设大气是均匀的,虽然我知道这肯定不完全对,但就是想先看看这整个计算流程。
哎呀,结果那算出的温度啊,和实际偏差大得很,这就是一次失败的教训。
后来我才明白,大气的复杂性是不能这么轻易就忽略掉的。
然后我又开始捣鼓那个数据采集的过程。
这个就像是在大森林里找特定的蘑菇一样。
用激光雷达采集数据的时候,我得确定采集的高度范围、时间间隔这些。
有一次我采集数据的时候,时间间隔没调好,数据要么太多要么太少,多的时候杂乱得不行,少的时候又不够用来做准确的分析。
慢慢的,我开始摸到点门道了。
在反演大气温度的时候,这个转动拉曼散射系数的处理很关键。
这就好比是做菜的调料一样,放多放少味道都不对。
你要是把这个系数算错了一点,那最后的温度结果就错得离谱。
我好多次因为这个系数的不准确,算出来的温度完全不合逻辑。
还有校准这一块。
这个激光雷达啊,就像一个很精密的尺子,得经常校准。
不校准的话就好比你的尺子刻度都不准了,量出的长度肯定不对。
我刚开始老是忘记校准这个事儿,得出的温度数据是忽高忽低的。
我还以为是我的反演算法有问题,折腾了好久才发现是因为设备没校准。
再一个就是对噪声的处理。
测量环境总是有各种各样的噪声,这就像你在安静的图书馆里想看书,周围却有人在叽叽喳喳说话一样。
我最开始不会处理这些噪声,导致最后算出的温度波动很大。
后来我学习噪声滤波,模拟不同噪声下的情况,找到合适的滤波方法,就像把那些打扰我们看书的人请出去一样,这样最后反演出来的温度才准确多了。
度反演算法2023-11-06•引言•高分五号热红外数据介绍•地表温度反演算法原理•高分五号热红外数据地表温度反演算法设计•高分五号热红外数据地表温度反演算法实现与目应用•结论与展望录01引言研究背景与意义地表温度信息的重要性地表温度信息对于气候变化研究、生态环境监测、城市热岛效应等方面都具有重要的应用价值。
现有方法的不足现有的地表温度反演算法存在一些问题,如精度不够高、处理时间较长等,因此需要研究一种新的地表温度反演算法。
遥感技术的发展遥感技术已经成为了获取地表信息的重要手段,高分五号卫星的热红外数据对于地表温度的反演具有重要的意义。
国内外研究现状目前,国内外已经有一些关于地表温度反演的研究,主要集中在利用遥感数据和气象数据等方面。
研究发展趋势随着遥感技术的发展,利用高分五号热红外数据的地表温度反演算法将会越来越受到关注,未来的研究将会更加注重数据的精度和处理速度。
研究现状与发展研究目标本研究的目标是利用高分五号热红外数据,研究一种新的地表温度反演算法,提高反演精度和效率。
研究内容本研究将首先对高分五号热红外数据进行预处理,包括辐射定标、大气校正等,然后利用神经网络等机器学习方法进行地表温度反演,并对比不同算法的反演结果和精度。
研究目标与内容02高分五号热红外数据介绍•高分五号卫星是我国自主研发的先进地球观测卫星,具有高空间分辨率、宽光谱覆盖和多遥感数据获取能力。
该卫星搭载了热红外成像仪、短波红外成像仪、中波红外成像仪等先进仪器,可对地球表面进行高精度监测和观测。
高分五号卫星简介热红外数据特点与优势高分五号的热红外成像仪可以获取地表温度信息,具有以下特点高空间分辨率:能够获取高分辨率的热红外图像,有助于准确识别和定位地表温度异常区域。
宽光谱覆盖:可以覆盖短波、中波和长波红外波段,实现对地表温度的多角度观测。
高测量精度:能够准确测量地表温度,为地表温度反演算法提供可靠的数据基础。
数据采集与处理流程1. 卫星过境时,热红外成像仪获取地表温度信息。
全波形反演的伴随状态法解释说明1. 引言1.1 概述全波形反演是地球物理领域中一种重要的成像技术,通过利用地震波在地下传播的信息来推断地下介质的性质和结构。
随着计算机计算能力的增强和数据采集技术的发展,全波形反演在勘探地球科学、土木工程等领域中得到了广泛应用。
1.2 文章结构本文将重点介绍全波形反演的伴随状态法及其在全波形反演中的应用。
文章共分为五个部分。
第一部分为引言,对全波形反演和伴随状态法进行概述,并说明文章的目的。
第二部分详细介绍了全波形反演的伴随状态法。
首先简要介绍了全波形反演的基本原理,然后重点阐述了伴随状态法在全波形反演中所起到的作用。
第三部分为实验与结果分析。
我们将首先描述实验准备工作以及所采集到的数据,并介绍了伴随状态法在实际应用中的具体实现过程和算法细节。
最后,我们将对实验结果进行分析与讨论。
第四部分总结了本文的内容,主要包括对全波形反演的伴随状态法的研究成果进行总结,并展望了其在未来发展方向上的局限性和潜力。
最后一部分为结论部分,对研究工作进行总结回顾,并展望了结果验证和应用前景。
1.3 目的本文旨在介绍全波形反演中一种重要的技术——伴随状态法。
通过全面而系统地阐述伴随状态法的原理和在全波形反演中的应用,希望读者能够更好地理解该方法,并掌握其实现过程和算法细节。
同时,通过实验与结果分析,进一步验证伴随状态法在全波形反演中的有效性。
最后,在总结与展望部分提出对未来发展方向的思考,以促进该领域相关研究的深入推进。
2. 全波形反演的伴随状态法:2.1 全波形反演简介:全波形反演是地球物理学中一种重要的数据处理技术,它通过分析地震信号在地下介质中的传播特性,推断出地下结构信息。
全波形反演能够提供更为精确和全面的地下模型,对于油气勘探、地震监测和灾害预警等领域具有重要意义。
2.2 伴随状态法原理:伴随状态法是一种用于求解优化问题中导数的有效方法。
在全波形反演中,我们需要根据观测数据来调整初始模型参数以得到最佳的地下模型。