1. На главную
  2. Электронные версии
  3. Исследование Земли из Космоса
  4. № 6, 2023

Исследование Земли из Космоса, 2023, № 6, стр. 86-97

Разработка методики автоматического выделения линеаментов на основе нейросетевого подхода

Г. А. Гришков a, *, И. О. Нафигин a, С. А. Устинов a, В. А. Петров a, В. А. Минаев a

a Федеральное государственное бюджетное учреждение науки Институт геологии рудных месторождений, петрографии, минералогии и геохимии Российской академии наук (ИГЕМ РАН)
г. Москва, Россия

* E-mail: gorgulini@yandex.ru

Поступила в редакцию 04.04.2023

Аннотация

Целью научной работы является изучение потенциала нейросетевых технологий в области извлечения линейных структур из цифровых моделей рельефа SRTM. Линейные структуры, также известные как линеаменты, играют важную роль при заверке известных разломов, выявлении разломно-трещинных структур, детализации каркаса разрывных нарушений, а также при разведке полезных ископаемых. Их точное и эффективное извлечение при решении обозначенных задач имеет принципиальное значение. Привлечение нейросетевых технологий дает ряд преимуществ перед последовательными алгоритмами, включая возможность поиска универсальных критериев для выделения линеаментов на основе обучающей выборки. В работе рассматривается комплексная инновационная методология, включающая несколько ключевых этапов. Первый этап является авторским методом подготовки данных, который помогает обеспечить качество обучающей выборки и минимизировать влияние шума. Второй этап заключается в разработке алгоритма векторизации результатов работы нейронной сети, позволяющего легко экспортировать результаты (линеаменты) в географическую информационную систему (ГИС). Третий этап обеспечивает метод минимизации шумовой составляющей обучающей выборки и оптимизации выбора синаптических весовых коэффициентов путем дообучения нейронной сети с использованием смоделированных данных, отражающих различные условия локализации линеаментов. Для верификации полученных результатов проведено пространственное сравнение линейных структур, извлеченных нейронной сетью, и линеаментов, выделенных оператором. Результаты этого сравнения демонстрируют высокий потенциал предложенного подхода и показывают, что использование нейросетевых технологий является актуальным и перспективным подходом для решения задачи извлечения линейных структур из цифровых моделей рельефа. Сделаны положительные выводы о целесообразности использования полученных результатов для их практического применения в области наук о Земле.

Ключевые слова: линеаменты, нейронные сети, цифровая модель рельефа, линейные структуры, неотектоника, геоинформационная система, разрывные нарушения, python, tensorflow, keras

Список литературы

  1. Баранов Р.П., Фаворская М.Н. Алгоритмы скелетизации объектов на изображении // Актуальные проблемы авиации и космонавтики. 2011. Т. 1. № 7. С. 349–349.

  2. Брауде-Золотарев М., Гребнев Г., Протасов П., Ралько А., Сербина Е. Свободное программное обеспечение в организации: сборник материалов. 3-е изд. М.: “Интернет-Полиграфия” INFO-FOSS.RU. 2008. 124 с.

  3. Гафаров Ф.М., Галимянов А.Ф. Искусственные нейронные сети и приложения: учебное пособие. Казань: Издательство Казанского университета. 2018. 121 с.

  4. Григорьева Е.Г., Клячин В.А., Клячин А.А. Универсальный программный комплекс для решения многомерных вариационных задач // Математическая физика и компьютерное моделирование. 2017. № 2(39). С. 39–55.

  5. Гришков Г.А., Устинов С.А., Нафигин И.О., Петров В.А. Нейронные сети и возможности их применения для анализа пространственных геологических данных // Материалы XV Международной научно-практической конференции. В 7-ми томах. Т. 4. Развитие новых идей и тенденций в науках о Земле: инновационные технологии геологической разведки горного и нефтегазового дела, бурение скважин, математическое моделирование и разведочная геофизика. М.: Российский государственный геологоразведочный университет им. С. Орджоникидзе, 2021. С. 33–36.

  6. Кац Я.Г., Полетаев А.И., Румянцева Э.Ф. Основы линеаментной тектоники. М.: Недра. 1986. 140 с.

  7. Логинов Г.Н., Петров А.М. Автоматическое выделение геоэлектрических границ по данным бокового каротажного зондирования с помощью глубокой сверточной нейронной сети // Геология и геофизика. 2019. Т. 60. № 11. С. 1650–1657.

  8. Молчанов А.Б., Гордеев Н.А. Автоматизация метода реконструкции неотектонических напряжений Л.А. Сим с применением алгоритмов компьютерного зрения // Труды Ферсмановской научной сессии ГИ КНЦ РАН. 2021. № 18. С. 301–304. https://doi.org/10.31241/FNS.2021.18.056

  9. Рябов А.А., Алгоритм Рамера-Дугласа-Пекера Методы и средства обработки и хранения информации: Межвузовский сборник научных трудов. М.: “Курс”, 2017. С. 40–43.

  10. Соснин А.С., Суслова И.А. Функции активации нейросети: сигмоида, линейная, ступенчатая, ReLu, THAN // НАУКА. ИНФОРМАТИЗАЦИЯ. ТЕХНОЛОГИИ. ОБРАЗОВАНИЕ. Материалы XII международной научно-практической конференции. Екб.: Российский государственный профессионально-педагогический университет, 2019. С. 237–246.

  11. Тикунов В.С. Геоинформатика: учебное пособие для студентов. М.: МГУ. 2008. 361 с.

  12. Чернова И.Ю., Нугманов И.И., Кадыров Р.И. Автоматизированный линеаментный анализ: учебно-методическое пособие. Казань: Казанский (Приволжский) федеральный университет. 2012. 38 с.

  13. Шевырев С.Л. Программа LEFA: автоматизированный структурный анализ космической основы в среде MATLAB // Успехи современного естествознания. 2018. № 10. С. 138–143.

  14. Щепин М.В., Евдокимов С.В., Головченко С.В. Выявление кольцевых структур по результатам обработки изображений космических снимков // Исслед. Земли из космоса. 2007. № 4. С. 74–87.

  15. Barbu T. Variational Image Denoising Approach with Diffusion Porous Media Flow // Abstract and Applied Analysis. 2013. P. 1–8. https://doi.org/10.1155/2013/856876

  16. Dramsch J. 70 years of machine learning in geoscience in review // Advances in Geophysics. 2020. V. 61. P. 1–55.

  17. Farr T.G., Rosen P.A., Caro E., Crippen R., Duren R., Hensley S., Kobrick M., Paller M., Rodriguez E., Roth L., Seal D., Shaffer S., Shimada J., Umland J., Werner M., Oskin M., Burbank D., Alsdorf, D. The Shuttle Radar Topography Mission // Reviews of Geophysics. 2007. V. 45. № 2. P. 1–33.

  18. Gonbadi A.B., Tabatabaei S.H., Carranza E.J.M. Supervised geochemical anomaly detection by pattern recognition // J. Geochemical Exploration. 2015. V. 157. P. 81–91.

  19. Kong Q., Trugman D.T., Ross Z.E., Bianco M.J., Meade B.J., Gerstoft P. Machine learning in seismology: Turning data into insights // Seismological Research Letters. 2019. V. 90. № 1. P. 3–14.

  20. Lary D.J., Alavi A.H., Gandomi A.H., Walker A.L. Machine learning in geosciences and remote sensing // Geoscience Frontiers. 2016. V. 7. № 1. P. 3–10. https://doi.org/10.1016/j.gsf.2015.07.003

  21. LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. 2015. V. 521. № 7553. P. 436–444.

  22. Shen C. A transdisciplinary review of deep learning research and its relevance for water resources scientists // Water Resources Research. 2018. V. 54. № 11. P. 8558–8593.

  23. Suzuki S., Abe K. Topological Structural Analysis of Digitized Binary Images by Border Following // CVGIP. 1985. V. 30. № 1. P. 32-46.

  24. Valentine A.P., Kalnins L.M. An introduction to learning algorithms and potential applications in geomorphometry and earth surface dynamics // Earth Surface Dynamics. 2016. V. 4. P. 445–460.

  25. Wang Z., Di H., Shafiq M A., Alaudah Y., AlRegib G. Successful leveraging of image processing and machine learning in seismic structural interpretation: A review // The Leading Edge. 2018. V. 37. № 6. P. 451–461.

  26. Zhao J., Chen S., Zuo R. Identifying geochemical anomalies associated with Au–Cu mineralization using multifractal and artificial neural network models in the Ningqiang district, Shaanxi, China // J. Geochemical Exploration. 2016. V. 164. P. 54–64.

  27. Zlatopolsky A.A. Program LESSA (Lineament Extraction and Stripe Statistical Analysis) automated linear image features analysis – experimental results // Computers & Geoscience. 1992. V. 18. № 9. P. 1121–1126.

  28. Zuo R., Xiong Y., Wang J., Carranza E. J. M. Deep learning and its application in geochemical mapping // Earth-Science Reviews. 2019. V. 192. P. 1–14.

  29. Zuo R.G., Xiong Y.H. Big data analytics of identifying geochemical anomalies supported by machine learning methods // Nat Resour Res. 2018. V. 27. № 1. P. 5–13.

Дополнительные материалы отсутствуют.

Инструменты

следующая статья выпуска предыдущая статья выпуска содержание выпуска

Исследование Земли из Космоса

Архивы выпусков Информация о журнале Отправить рукопись в журнал