基于SAE-ELM方法的多金属遥感地球化学反演

发布时间：2021-03-19 11:19

　　在矿产勘查的过程中,根据地球化学数据圈定多金属异常至关重要。为解决传统线性反演模型复杂度高、运行速度慢和模型效果差等问题,提出基于栈式自编码器（SAE）和极限学习机（ELM）构建遥感地球化学非线性反演模型,以湖南郴州为研究区,对铜、铅、锌、钨、钼等元素的土壤地球化学含量及异常分布进行反演实验。实验表明,SAE-ELM反演结果精度较高,各元素相对误差的平均值为0.222,且异常分布与多金属异常参考图空间对应关系良好。 

【文章来源】：世界地质. 2020,39(04)

【文章页数】：8 页

【部分图文】：

研究区大地构造简图

构建SAE-ELM模型。自动编码器层数初步设定为3层，分类器设定为极限学习机，激活函数选取Sigmoid函数，隐层节点数L=500。初始化模型参数，输入训练数据进行训练，获得SAE--ELM反演模型，将测试数据X test代入模型，得到预测数据3.2 元素反演异常结果分析

通过对比反演异常图和原始异常图中各元素异常区域分布范围和异常强度可发现，反演得到的异常带基本涵盖原始数据圈定的异常带，在空间分布上对应良好，说明SAE--ELM反演模型能够体现出区域地球化学特征，遥感地球化学反演数据较原始数据具有更强的异常识别能力。4 结论

【参考文献】：
期刊论文
[1]基于极限学习机的遥感地球化学反演模型[J]. 孙立影,杨晨,赵海士,常志勇.  吉林大学学报(地球科学版). 2020(06)
[2]基于极限学习机的GF-2影像分类[J]. 王明常,张馨月,张旭晴,王凤艳,牛雪峰,王红.  吉林大学学报(地球科学版). 2018(02)
[3]化探背景异常划分的多背景变差衬度法[J]. 赵玉岩,李兵,郝立波,陆继龙,赵禹,孙立吉,王晓丽.  物探化探计算技术. 2018(02)
[4]基于超限学习机的矿区土壤重金属高光谱反演[J]. 马伟波,谭琨,李海东,闫庆武.  生态与农村环境学报. 2016(02)
[5]西藏多龙矿集区铜元素遥感地球化学模型[J]. 姚佛军,杨建民,陈红旗,张天平,李玉彬,刘朝强,耿新霞.  岩石矿物学杂志. 2015(05)
[6]基于ASTER的遥感地球化学统计预测模型及应用——以金川铜镍矿床外围找矿为例[J]. 陈三明,吴虹,谭泛,张振.  桂林理工大学学报. 2010(04)
[7]遥感地球化学异常信息提取研究——以青海省白日其利沟地区为例[J]. 陈勇敢,刘桂阁,路彦明,王美娟,韩先菊,张慧玉,常春郊.  矿床地质. 2010(S2)
[8]桂东南植被覆盖区的抗干扰遥感蚀变信息优化提取与找矿预测[J]. 陈三明,钱建平,陈宏毅.  桂林理工大学学报. 2010(01)

硕士论文
[1]自动编码器的改进及其应用研究[D]. 刘晓敏.广东工业大学 2019
[2]基于ETM+的遥感地球化学非线性反演模型研究[D]. 赵海士.吉林大学 2017
[3]极限学习机与自动编码器的融合算法研究[D]. 林雨.吉林大学 2016



本文编号：3089487