WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

загрузка...
   Добро пожаловать!

Pages:     | 1 || 3 | 4 |

В первой главе диссертации обсуждаются физико-технические основы использования космических снимков для целей прогноза нефтегазоносности предполагаемых месторождений углеводородов, рассматриваются особенности современной технологии получения, обработки и интерпретации космических снимков земной поверхности, формулируется математическая постановка задачи классификации в условиях временной несогласованности данных ОВ и РО, объективно порождаемой самой технологией проведения космических съемок.

Использование, наряду с традиционными методами разведки месторождений, космических снимков для целей прогноза нефтегазоносности является активно развиваемой областью исследований, базирующейся на том факте, что залежи углеводородов проявляются в тепловых полях. Таким образом, проводя со спутника съемку исследуемого района в видимой или инфракрасной (ИК) области спектра, можно проводить оценку перспектив нефтегазоносности локальных геологических структур, на основе выявления присущих им яркостных (тепловых) аномалий.

Для этих целей на боту ИСЗ используется специальная целевая аппаратура, например прибор ETM+ (Enhanced Thematic Mapper Plus) – мультиспектральный сканирующий радиометр, установленный на борту спутника Landsat-7. Аппаратура EТM+ обеспечивает съемку земной поверхности 7-ми спектральных каналах (Таблица 1).

Таблица 1. Спектральные характеристики прибора ETM+

№ канала

Длина волны, мкм

Разрешение, м

1

0,45 – 0,52

30

2

0,52 – 0,60

30

3

0,63 – 0,69

30

4

0,76 – 0,90

30

5

1,55 – 1,75

30

6

2,08 – 2,35

60

7

11,35 – 12,50

30

Landsat – это общее наименование серии американских искусственных спутников Земли, предназначенных для съемки ее поверхности. Данные, полученные с этого аппарата, в настоящее время наиболее широко применяются при решении задач поиска и прогнозирования полезных ископаемых.

Таблица 2. Характеристики ИСЗ Landsat-7

Параметры орбиты ИСЗ Landsat-7

Орбита

Гелиосинхронная

Высота

705 км

Наклонение

98,2 0

Период обращения

98,9 минут

Повтор орбитального цикла

16 дней (233 витка)

Размер сцены

185 х 170 км

Полный орбитальный цикл

57784 сцены

Существенной особенностью технологии получения космических снимков, значительно осложняющей процесс их дальнейшей интерпретации, является смещение трассы спутника от витка к витку. В этих условиях, учитывая ограниченность полосы обзора целевой аппаратуры спутника, а также то, что исследуемый район может быть достаточно протяженным, достаточно распространенной является ситуация, при которой различные его области отражены на снимках, полученным в различные моменты времени. Кроме того, в момент съемки исследуемая территория может быть полностью или частично закрыта облачностью, что приводит к получению снимков неудовлетворительного качества. При этом повторная съемка одного и того же участка возможна только после завершения полного орбитального цикла, который для спутника Landsat-7 составляет 16 суток. Именно эти обстоятельства в значительной степени затрудняют последующую интерпретацию космических снимков исследуемого района, информация об объектах которого может содержаться на снимках, полученных в различные, не совпадающие временные периоды.

Современная технология обработки космических снимков предполагает выполнение 2-х этапов. Первым этапом является дешифрирование снимка. На данном этапе проводится:

  • предварительная обработка снимка с целью устранения геометрических искажений, подавления аддитивных и импульсных шумов;
  • экспертная оценка на основе анализа ландшафтных и геологических особенностей потенциально нефтегазоносных геологических структур;
  • расчет значений спектральных яркостей (радиационных температур) в границах выделенных экспертами прогнозируемых геологических структур.

В диссертационной работе предполагается, что дешифрирование проведено с необходимым качеством, а объектом исследования является следующий этап. Вторым этапом обработки космического снимка является этап интерпретации результатов съемок. Целью данного этапа является оценка перспектив нефтегазоносности прогнозируемых структур, выделенных на первом этапе экспертами-геологами, на основе анализа значений спектральных яркостей. В распространенной ситуации, когда объектом интерпретации являются снимки хорошо исследованного в геологическом отношении района, содержащего ранее разведанные месторождения, задача интерпретации может быть сформулирована как задача классификации с обучением. В этом случае в качестве объектов обучающей выборки (эталонных объектов) выступают ранее разведанные геологические структуры, нефтегазоносный потенциал которых достоверно установлен. Эти эталонные объекты образуют в совокупности два эталонных класса – нефтегазоносных и пустых структур. Вектор признаков распознавания представляет собой 7-мерный вектор, компонентами которого выступают средние по площади структуры значения спектральных яркостей, соответствующие различным каналам (табл. 1).

Специфической особенностью задачи классификации, возникающей в процессе интерпретации космических снимков является то обстоятельство, что в силу ранее указанных особенностей процесса получения космических снимков, данные по распознаваемым объектам и по объектам обучающей выборки могут соответствовать различным моментам времени. То есть имеет место специфическая задача классификации, когда данные обучающей выборки и распознаваемых объектов не синхронизированы во времени

На основе проведенного в первой главе анализа особенностей процесса интерпретации космических снимков сформулирована математическая постановка задачи классификации с обучением в условиях временной несогласованности данных ОВ и РО, опирающаяся на следующие общие предположения. Имеется набор эталонных классов (ЭК) S1,S2,…,Sm, образованных совокупностью эталонных объектов. Свойства каждого из эталонных объектов, описываются реализациями векторов признаков Xkj=(xkj1,xkj2,…,xkjn)Т, k=1,…,m, j=1,..,Nk, k=1,…,m, полученными в различные моменты времени t1, t2,,,tr.. В дальнейшем предполагается, что случайные процессы Xkj(t), описывающие изменение векторов признаков объектов ОВ во времени, – гауссовские.

Имеется реализация вектора признаков Y(t*)=(y1(t*),y2(t*),…,yn(t*))Т, рассчитанного на основе обработки измерений, проведенных в момент времени t*, характеризующего свойства РО. Предполагается, что свойства РО и ЭК описываются одним и тем же набором признаков. Считаем, что момент наблюдения t* в общем случае не совпадает с моментами времени t1,t2,…,tr, для которых получены элементы обучающей выборки (реализации случайных процессов Xk(t)). Необходимо в рассматриваемых условиях решить задачу классификации, целью которой является обоснованное отнесение РО к одному из ЭК.

Во второй главе проведен анализ традиционной схемы решения задачи классификации с обучением и возможности ее использования в условиях временной несогласованности данных ОВ и РО. Традиционная схема включает ряд последовательных этапов (рис 1):

  • формирование обучающей выборки, объединяющей объекты, принадлежность которых к эталонным классам достоверно известна;
  • выбор метода классификации. В настоящее время разработано большое количество методов классификации, в числе которых методы статистической классификации, методы, основанные на известном классе решающих функций, методы нечеткой классификации, экстенсиональные методы. Решение о выборе того или иного метода принимается в зависимости от того, какой объем информации доступен для анализа, от того, в каком виде должно быть получено решение задачи;
  • оптимизация параметров решающего правила на основании процедуры обучения;
  • непосредственная классификация распознаваемого объекта на основании сформированного решающего правила.

Видим, что традиционная схема решения задачи классификации не учитывает факт временной несогласованности данных ОВ и РО. Это обстоятельство, как показано в главе 3 диссертационной работы на основе интерпретации космических снимков района Тимано-Печорского нефтегазоносного бассейна, приводит к неудовлетворительным результатам классификации и неверным выводам в оценках нефтегазоносного потенциала геологических структур.

Рис 1.

Учитывая это обстоятельство, в работе предложена адаптация традиционной схемы решения задачи классификации (рис 2) к условиям временной несогласованности данных ОВ и РО, в основе которой лежит ее дополнение еще одним этапом – этапом временной синхронизации данных. Данный этап включается в традиционную схему, в случае наличия космических снимков, полученных в разные моменты времени. Его целью является привязка всех данных, полученных в различные моменты периоды, к одному моменту времени и формирование на основе пересчитанных значений объединенной синхронизированной обучающей выборки, которая в дальнейшем будет использоваться для настройки алгоритма классификации.

.

В основе предлагаемого метода синхронизации лежит предположение о том, что векторы признаков объектов обучающей выборки представляют собой результаты измерения гауссовского случайного процесса в определенные моменты времени. Заметим, что предположение о гауссовском характере случайного процесса в случае распознавания геологических структур вполне обосновано, так как в качестве признаков распознавания используются средние по площади структур значения яркостей, имеющие асимптотически нормальное распределение. В рамках такого представления в качестве оптимальных оценок векторов признаков объектов обучающей выборки в некоторый момент времени предлагается использовать их условные математические ожидания, которые могут быть получены с помощью следующего соотношения:

, (1)

где

– условное математическое ожидание вектора признаков Xj(t*) в прогнозируемый момент времени t*, полученное при условии, что известна его реализация Xj(ti) в момент времени ti;

- векторное математическое ожидание размерности nx1 случайного процесса X(t) для прогнозируемого момента времени t*;

(2) - ковариационные матрицы размерности nxn, описывающие статистическую взаимосвязь между компонентами векторов признаков X(ti) в момент времени ti;

(3) - взаимные ковариационные матрицы, характеризующие статистическую взаимосвязь между векторами признаков, соответствующими прогнозируемому моменту времени t* и моменту ti

Особенность предлагаемого метода состоит в том, что входящее в соотношение для условных математических ожиданий (1) математическое ожидание и ковариационные матрицы случайного процесса заранее не известны, а значит, возникает необходимость получения их оптимальных оценок. В качестве критерия оптимальности в работе предлагается использовать частоту правильной классификации эталонных объектов, рассчитанную на основе данных после их пересчета и привязки к единому моменту времени. Поскольку определение параметров решающего правила в прогнозируемый момент времени (t*) проводится на основании процедуры обучения, определяемые параметры зависят от оценок векторов признаков ОВ в прогнозируемый момент времени.

(4)

В свою очередь, вероятность правильного распознавания объектов ОВ зависит от параметров полученного решающего правила, и, следовательно, также является функцией векторов признаков объектов ОВ.

(5)

Pages:     | 1 || 3 | 4 |






© 2011 www.dissers.ru - «Бесплатная электронная библиотека»