專利名稱：一種稀疏植被地區(qū)的高光譜遙感油氣勘探方法
技術(shù)領(lǐng)域：
本發(fā)明屬于油氣勘探技術(shù)領(lǐng)域，特別是在地表有植被覆蓋而非裸露地區(qū)進(jìn)行基 于高光譜遙感圖像的油氣勘探技術(shù)。
背景技術(shù)：
自20世紀(jì)90年代末以來，國際上已進(jìn)行了近10例的高光譜遙感油氣勘探的研 究和實(shí)踐，并取得了一定成果。試驗(yàn)結(jié)果表明，土壤吸附烴在1.69 1.79 μ m、2.27 2.46 μ m譜段具有“指紋”光譜特征；油氣微滲漏相關(guān)蝕變礦物的特征吸收光譜則出現(xiàn) 在2.1 2.4 μ m?；谝陨稀爸讣y，光譜特征，西方國家的一些石油公司競相開展了高 光譜遙感油氣勘探技術(shù)應(yīng)用研究。在已經(jīng)有成功勘探經(jīng)驗(yàn)的地區(qū)，如柴達(dá)木盆地三湖地 區(qū)(地貌主要為鹽堿灘、小丘陵、沙漠及部分水網(wǎng)、濕地等)，具有無植被覆蓋、背景單 一的特點(diǎn)，高光譜遙感油氣勘探實(shí)驗(yàn)中所利用的油氣微滲漏地表形跡主要為蝕變礦物異 常、地表土壤烴類異常等。對于地表有植被覆蓋的區(qū)域，植被的存在對地表的真實(shí)狀況產(chǎn)生了遮擋，此時 若僅采用地表土壤的蝕變礦物異常、地表土壤烴類異常作為烴類滲漏的指示標(biāo)志，進(jìn)行 高光譜遙感油氣勘探，則植被的覆蓋將在一定程度上影響探測結(jié)果的精度。因此，在稀 疏植被覆蓋地區(qū)，如何借助高光譜遙感對地物和地物成分的精細(xì)識別能力，排除植被光 譜的嚴(yán)重干擾影響，實(shí)現(xiàn)油氣微滲漏信息提取，是極具研究價值的。目前，國際上在利用航天高光譜影像探測油氣滲漏引起的植被異常，進(jìn)而輔助 圈定油氣勘探遠(yuǎn)景區(qū)的研究尚處于初級階段，且多數(shù)研究致力于利用植被異常探測地下 天然氣管道滲漏，而國內(nèi)在此領(lǐng)域的研究尚屬空白。

發(fā)明內(nèi)容
本發(fā)明提供了一種稀疏植被地區(qū)的高光譜遙感油氣勘探方法，通過在勘探地區(qū) 利用地表蝕變礦物異常在裸露地表區(qū)域進(jìn)行高光譜油氣信息勘探，并在植被覆蓋地區(qū)利 用植被異常信息提取油氣信息，從而根據(jù)兩者綜合圈定該地區(qū)的油氣異常區(qū)域。本發(fā)明的技術(shù)方案包括如下步驟第一步對原始高光譜影像進(jìn)行基于K-mean聚類的地物分類；將地物分類結(jié) 果分為裸露地表區(qū)域和植被覆蓋地表區(qū)域；第二步在裸露地表區(qū)域，對高光譜影像進(jìn)行基于蝕變礦物的油氣信息提?。坏谌皆谥脖桓采w區(qū)域，對高光譜影像進(jìn)行基于植被光譜異常的油氣信息提 ??；第四步綜合第二步和第三步得到的分類結(jié)果進(jìn)行油氣藏分布區(qū)域圈定。本發(fā)明第二步中包括基于小波PCA的分類方法、基 于端元信息提取的高光譜圖 像分類方法、以及基于蝕變礦物特征光譜匹配的分類方法分別對高光譜影像進(jìn)行油氣信 息提取，并根據(jù)上述3種方法分別得到的基于蝕變礦物油氣信息異常區(qū)域進(jìn)行綜合加權(quán)判定，得到裸露地表區(qū)域的油氣異常區(qū)域分類圖。本發(fā)明中基于小波P CA的分類方法具體步驟為(a)采用基于小波PCA的算法對原始圖像進(jìn)行特征提取，保留特征提取結(jié)果的 前5個譜段作為特征圖像；(b)結(jié)合第一步中給出的K-Mean地物粗分結(jié)果，從圖像中選取各類地物的樣本 集；(c)以(b)中選取的樣本集作為訓(xùn)練樣本，采用最大似然法進(jìn)行地物細(xì)分；(d)結(jié)合原始圖像的空間、光譜信息，分析細(xì)分所得各類地物的波譜特性以及地 理地質(zhì)情況，從而決定各類地物之間的合并或進(jìn)一步細(xì)分關(guān)系；(e)利用掩膜技術(shù)保留感興趣的類，只對感興趣區(qū)進(jìn)行自動κ-mean聚類，從結(jié) 果中選取新的訓(xùn)練樣本，再次采用最大似然法進(jìn)行分類；(f)重復(fù)步驟(d)、(e),直到分類結(jié)果滿意時，輸出全景分類圖；(g)結(jié)合已知?dú)馓飬^(qū)的位置以及細(xì)分時與氣田區(qū)吻合區(qū)域的分類情況，精選氣田 區(qū)樣本，并改變似然比，對于該區(qū)域采用最大似然法進(jìn)行精分，從而得到與已知?dú)馓飬^(qū) 油氣微滲漏地表異常特征相似的區(qū)域。本發(fā)明中基于端元信息提取的高光譜圖像分類方法為采用基于線性解混理論 的高光譜圖像分類方法進(jìn)行油氣蝕變信息提取，首先通過最小噪聲分離變換降低原始數(shù) 據(jù)的維數(shù)，隨后通過數(shù)學(xué)方法即純凈像元指數(shù)交互式地從圖像中提取純凈端元作為礦物 端元，最后運(yùn)用光譜角制圖、混合調(diào)制匹配濾波方法進(jìn)行礦物填圖及異常識別。本發(fā)明中基于蝕變礦物特征光譜匹配的分類為根據(jù)已知的典型氣田區(qū)光譜為 特征光譜，用光譜角制圖法衡量圖像中各點(diǎn)光譜與蝕變礦物特征光譜曲線的相似程度， 并進(jìn)行分類。本發(fā)明還包括第三步中將最大似然法與植被指數(shù)相結(jié)合提取烴類微滲漏引起的 植被異常的決策樹分類方法，具體步驟為(a)節(jié)點(diǎn)1，基于最大似然法的地物細(xì)分對細(xì)分結(jié)果進(jìn)行分析，遴選出有植被 覆蓋的類，進(jìn)行下一層的分類，即轉(zhuǎn)向(b)，對于不含植被的區(qū)域不進(jìn)行進(jìn)一步分析；(b)節(jié)點(diǎn)2，植被指數(shù)，決策規(guī)則為設(shè)定NDVI閾值，大于閾值的數(shù)據(jù)子集表示 植被覆蓋率較高的區(qū)域，將作為感興趣的數(shù)據(jù)子集進(jìn)行下一層分類，即轉(zhuǎn)向(c)；小于閾 值的為無植被覆蓋或低覆蓋區(qū)域，對此數(shù)據(jù)子集不作進(jìn)一步分析；(c)節(jié)點(diǎn)3，綜合型葉綠素光譜指數(shù)TCOS，選擇可有效反演葉綠素濃度的植被 指數(shù)，逐像元計(jì)算該植被指數(shù)，設(shè)定閾值，將數(shù)據(jù)進(jìn)一步劃分為兩個子集，植被指數(shù)計(jì) 算結(jié)果大于閾值的子集具有較高的葉綠素濃度水平，認(rèn)為此子集可進(jìn)一步劃分為無異常 區(qū)域及某種程度的異常區(qū)域，轉(zhuǎn)向(e)；小于閾值的子集具有相對較低的葉綠素水平，認(rèn) 為此子集整體為異常區(qū)域，但仍可進(jìn)一步劃分為兩個不同異常等級的子集，轉(zhuǎn)向(d)，(d)節(jié)點(diǎn)4，修正型葉綠素吸收反射率指數(shù)MCARL對于葉綠素水平異常的數(shù)據(jù) 子集進(jìn)行指數(shù)計(jì)算，設(shè)定閾值，將數(shù)據(jù)進(jìn)一步劃分為兩個子集，指數(shù)計(jì)算結(jié)果大于閾值 的子集具有相對較低的葉綠素濃度和相對較高的葉面積指數(shù)，將其定義為二級異常區(qū)； 植被指數(shù)計(jì)算結(jié)果小于閾值的子集具有相對較低的葉綠素濃度和相對較低的葉面積指 數(shù)，將其定義為一級異常區(qū)。
(e)節(jié)點(diǎn)5，紅邊位置REP，對節(jié)點(diǎn)3評價中未見異常的數(shù)據(jù)子集進(jìn)行分析并計(jì) 算紅邊藍(lán)移量，設(shè)定閾值，計(jì)算結(jié)果大于閾值的子集具有相對較高的葉綠素濃度及相對 較高的葉面積指數(shù)水平，將其定為無異常區(qū)，計(jì)算結(jié)果小于閾值的子集具有相對高的葉 綠素濃度和相對低的葉面積指數(shù)水平，將其定為存在異常的區(qū)域，轉(zhuǎn)向(f)；(f)節(jié)點(diǎn)6，修正型葉綠素吸收反射率指數(shù)MCARL同節(jié)點(diǎn)4再次對樣本葉綠素 含量水平進(jìn)行評估，作為對節(jié)點(diǎn)3結(jié)果的修正，設(shè)定閾值，將指數(shù)計(jì)算結(jié)果大于閾值的 數(shù)據(jù)子集定為二級異常區(qū)；將植被指數(shù)計(jì)算結(jié)果大于閾值的數(shù)據(jù)子集定為三級異常區(qū)。


圖1特征提取與分類分系統(tǒng)結(jié)構(gòu)流程圖2決策樹分類流程
具體實(shí)施例方式本發(fā)明設(shè)計(jì)了三種有效的油氣地面共生異常識別流程，分別從蝕變礦物異常和 植被異常對稀疏植被地區(qū)進(jìn)行油氣微滲漏信息探測。這三個識別流程為(1)基于光譜特征分析的流程本流程采用的主要方法是提取圖像數(shù)據(jù)中光譜曲線的宏觀特征、局部特征，并 利用蝕變光譜特征庫中典型蝕變特征進(jìn)行光譜特征匹配，可實(shí)現(xiàn)流程化處理。光譜宏觀特征提取與分類的方法是采用基于小波變換的PCA降維去除冗余數(shù) 據(jù)，計(jì)算目標(biāo)光譜與參考光譜的光譜角距離，并進(jìn)行分類。光譜局部特征分析的方法為建立典型蝕變礦物吸收峰位置、寬度、深度、面 積、對稱度等光譜特征的信息庫，對于目標(biāo)光譜，采用兩層的分類處理，并首先基于吸 收峰位置進(jìn)行第一次分類，再在各類中基于吸收峰深度、半寬度進(jìn)行分類。(2)基于小波PCA特征提取的流程在本方案中，考慮到不同植被覆蓋地區(qū)的油氣勘探需求，處理流程如下(a)計(jì)算圖像中的植被指數(shù)，并采用非監(jiān)督分類進(jìn)行類別劃分；對圖像直接進(jìn)行 非監(jiān)督分類(K-mean分類)；(b)綜合植被指數(shù)分類結(jié)果及K-mean分類的結(jié)果，在植被覆蓋度較高的區(qū)域中 采用分類樹進(jìn)行植被生化參量異常的提取，并劃定異常區(qū)；(c)對步驟(a)中整幅圖像非監(jiān)督分類的粗分結(jié)果進(jìn)行分析，從圖像中選取各類 地物樣本；(d)對圖像進(jìn)行小波PCA特征提取，并保留信息量大的主成份作為特征圖像進(jìn) 行最大似然分類，即細(xì)分處理；(e)調(diào)用評價模塊，計(jì)算各類的類內(nèi)統(tǒng)計(jì)值及類間距離等參數(shù)，并反饋給用戶， 用戶可根據(jù)各類地物的波譜特性、地理地質(zhì)情況結(jié)合類統(tǒng)計(jì)參數(shù)，決定各類地物之間的 合并或者細(xì)分關(guān)系，并選取感興趣區(qū)進(jìn)行蒙層處理(即掩膜技術(shù))；(f)只對感興趣區(qū)進(jìn)行自動K-mean聚類，從而提供新的訓(xùn)練樣本，再進(jìn)行最大 似然分類；(g)循環(huán)步驟(e)、(f)，直到迭代精度達(dá) 預(yù)計(jì)設(shè)定的要求、分類結(jié)果較為滿意時，輸出分類圖；(h)綜合(b)與(f)的結(jié)果，給出 最終的異常區(qū)劃分結(jié)果。(3)基于線性光譜解混的流程本流程中首先采用最小噪聲分離變換對高光譜數(shù)據(jù)進(jìn)行降維，去除大量冗余的 光譜信息，通過對特征值的統(tǒng)計(jì)，僅保留包含有用信息的MNF特征影像序列，刪除噪聲 為主的特征影像。對保留特征影像序列進(jìn)行端元光譜提取。采用的方法為純凈像元指數(shù)(Pixel Purity Index, PPI)方法。系統(tǒng)可自動進(jìn)行上千次的PPI運(yùn)算迭代處理，得到PPI影像。 對于端元的選擇，系統(tǒng)中采用η維可視化技術(shù)，使得用戶可以在屏幕上交互地查看和旋 轉(zhuǎn)η維光譜空間中的端元。最純像元位于數(shù)據(jù)云的凸角處，用戶可以手工定義數(shù)據(jù)類、 或采用算法對數(shù)據(jù)進(jìn)行聚類，最終實(shí)現(xiàn)純凈像元的提取。將提取出的純凈像元與標(biāo)準(zhǔn)光 譜庫中的物質(zhì)光譜進(jìn)行匹配，綜合考量匹配結(jié)果及純凈像元在原始高光譜影像中實(shí)際空 間位置，將純凈像元標(biāo)識為特定的端元類型。進(jìn)行端元提取后，由用戶從光譜庫中選定端元或使用圖像中提取出的端元，進(jìn) 行填圖；采用光譜角制圖方法，確定影像波譜與端元波譜之間的相似性；使用線性光譜 解混技術(shù)，確定物質(zhì)的豐度。(4)油氣藏分布區(qū)域圈定綜合上述三種分類流程得到的4類油氣光譜異常分類圖，依據(jù)各類異常信息的 大小，以及四個分類圖上異常信息的聚合度，綜合圈定出油氣異常區(qū)。
權(quán)利要求
1.一種稀疏植被地區(qū)的高光譜遙感油氣勘探方法，其特征在于包括以下步驟第一步對原始高光譜影像進(jìn)行基于κ-mean聚類的地物分類；將地物分類結(jié)果分為裸露地表區(qū)域和植被覆蓋地表區(qū)域；第二步在裸露地表區(qū)域，對高光譜影像進(jìn)行基于蝕變礦物的油氣信息提??；第三步在植被覆蓋區(qū)域，對高光譜影像進(jìn)行基于植被光譜異常的油氣信息提??；第四步綜合第二步和第三步得到的分類結(jié)果進(jìn)行油氣藏分布區(qū)域圈定。
2.根據(jù)權(quán)利要求1所述的一種稀疏植被地區(qū)的高光譜遙感油氣勘探方法，其特征在 于第二步中包括基于小波PCA的分類方法、基于端元信息提取的高光譜圖像分類方 法、以及基于蝕變礦物特征光譜匹配的分類方法分別對高光譜影像進(jìn)行油氣信息提取， 并根據(jù)上述3種方法分別得到的基于蝕變礦物油氣信息異常區(qū)域進(jìn)行綜合加權(quán)判定，得 到裸露地表區(qū)域的油氣異常區(qū)域分類圖。
3.根據(jù)權(quán)利要求2所述的一種稀疏植被地區(qū)的高光譜遙感油氣勘探方法，其特征在 于所述的基于小波PCA的分類方法具體步驟為(a)采用基于小波PCA的算法對原始圖像進(jìn)行特征提取，保留特征提取結(jié)果的前5個 譜段作為特征圖像；(b)結(jié)合第一步中給出的K-Mean地物粗分結(jié)果，從圖像中選取各類地物的樣本集；(c)以(b)中選取的樣本集作為訓(xùn)練樣本，采用最大似然法進(jìn)行地物細(xì)分；(d)結(jié)合原始圖像的空間、光譜信息，分析細(xì)分所得各類地物的波譜特性以及地理地 質(zhì)情況，從而決定各類地物之間的合并或進(jìn)一步細(xì)分關(guān)系；(e)利用掩膜技術(shù)保留感興趣的類，只對感興趣區(qū)進(jìn)行自動K-mean聚類，從結(jié)果中 選取新的訓(xùn)練樣本，再次采用最大似然法進(jìn)行分類；(f)重復(fù)步驟(d)、(e),直到分類結(jié)果滿意時，輸出全景分類圖；(g)結(jié)合已知?dú)馓飬^(qū)的位置以及細(xì)分時與氣田區(qū)吻合區(qū)域的分類情況，精選氣田區(qū)樣 本，并改變似然比，對于該區(qū)域采用最大似然法進(jìn)行精分，從而得到與已知?dú)馓飬^(qū)油氣 微滲漏地表異常特征相似的區(qū)域。
4.根據(jù)權(quán)利要求2所述的一種稀疏植被地區(qū)的高光譜遙感油氣勘探方法，其特征在 于基于端元信息提取的高光譜圖像分類方法為采用基于線性解混理論的高光譜圖像 分類方法進(jìn)行油氣蝕變信息提取，首先通過最小噪聲分離變換降低原始數(shù)據(jù)的維數(shù)，隨 后通過數(shù)學(xué)方法即純凈像元指數(shù)交互式地從圖像中提取純凈端元作為礦物端元，最后運(yùn) 用光譜角制圖、混合調(diào)制匹配濾波方法進(jìn)行礦物填圖及異常識別。
5.根據(jù)權(quán)利要求2所述的一種稀疏植被地區(qū)的高光譜遙感油氣勘探方法，其特征在 于基于蝕變礦物特征光譜匹配的分類為根據(jù)已知的典型氣田區(qū)光譜為特征光譜，用 光譜角制圖法衡量圖像中各點(diǎn)光譜與蝕變礦物特征光譜曲線的相似程度，并進(jìn)行分類。
6.根據(jù)權(quán)利要求1或2所述的一種稀疏植被地區(qū)的高光譜遙感油氣勘探方法，其特征 在于第三步中將最大似然法與植被指數(shù)相結(jié)合提取烴類微滲漏引起的植被異常的決策 樹分類方法，具體步驟為(a)節(jié)點(diǎn)1，基于最大似然法的地物細(xì)分對細(xì)分結(jié)果進(jìn)行分析，遴選出有植被覆蓋 的類，進(jìn)行下一層的分類，即轉(zhuǎn)向(b)，對于不含植被的區(qū)域不進(jìn)行進(jìn)一步分析；(b)節(jié)點(diǎn)2，植被指數(shù)，決策規(guī)則為設(shè)定NDVI閾值，大于閾值的數(shù)據(jù)子集表示植被覆蓋率高的區(qū)域，將作為感興趣的數(shù)據(jù)子集進(jìn)行下一層分類，即轉(zhuǎn)向(C)；小于閾值的為 無植被覆蓋或低覆蓋區(qū)域，對此數(shù)據(jù)子集不作進(jìn)一步分析；(C)節(jié)點(diǎn)3，綜合型葉綠素光譜指數(shù)TCOS，選擇可有效反演葉綠素濃度的植被指 數(shù)，逐像元計(jì)算該植被指數(shù)，設(shè)定閾值，將數(shù)據(jù)進(jìn)一步劃分為兩個子集，植被指數(shù)計(jì)算 結(jié)果大于閾值的子集具有高的葉綠素濃度水平，認(rèn)為此子集可進(jìn)一步劃分為無異常區(qū)域 及某種程度的異常區(qū)域，轉(zhuǎn)向(e)；小于閾值的子集具有相對低的葉綠素水平，認(rèn)為此子 集整體為異常區(qū)域，但仍可進(jìn)一步劃分為兩個不同異常等級的子集，轉(zhuǎn)向(d)；(d)節(jié)點(diǎn)4，修正型葉綠素吸收反射率指數(shù)MCARL對于葉綠素水平異常的數(shù)據(jù)子集 進(jìn)行指數(shù)計(jì)算，設(shè)定閾值，將數(shù)據(jù)進(jìn)一步劃分為兩個子集，指數(shù)計(jì)算結(jié)果大于閾值的子 集具有相對低的葉綠素濃度和相對高的葉面積指數(shù)，將其定義為二級異常區(qū)；植被指數(shù) 計(jì)算結(jié)果小于閾值的子集具有相對低的葉綠素濃度和相對低的葉面積指數(shù)，將其定義為 一級異常區(qū)；(e)節(jié)點(diǎn)5，紅邊位置REP，對節(jié)點(diǎn)3評價中未見異常的數(shù)據(jù)子集進(jìn)行分析并計(jì)算紅 邊藍(lán)移量，設(shè)定閾值，計(jì)算結(jié)果大于閾值的子集具有相對高的葉綠素濃度及相對高的葉 面積指數(shù)水平，將其定為無異常區(qū)，計(jì)算結(jié)果小于閾值的子集具有相對高的葉綠素濃度 和相對低的葉面積指數(shù)水平，將其定為存在異常的區(qū)域，轉(zhuǎn)向(f)；(f)節(jié)點(diǎn)6，修正型葉綠素吸收反射率指數(shù)MCARI，同節(jié) 點(diǎn)4再次對樣本葉綠素含量 水平進(jìn)行評估，作為對節(jié)點(diǎn)3結(jié)果的修正，設(shè)定閾值，將指數(shù)計(jì)算結(jié)果大于閾值的數(shù)據(jù) 子集定為二級異常區(qū)；將植被指數(shù)計(jì)算結(jié)果大于閾值的數(shù)據(jù)子集定為三級異常區(qū)。
全文摘要
本發(fā)明公開了一種稀疏植被地區(qū)的高光譜遙感油氣勘探方法，屬于油氣勘探技術(shù)領(lǐng)域。第一步對原始高光譜影像進(jìn)行基于K-mean聚類的地物分類；將地物分類結(jié)果分為裸露地表區(qū)域和植被覆蓋地表區(qū)域；第二步在裸露地表區(qū)域，對高光譜影像進(jìn)行基于蝕變礦物的油氣信息提??；第三步在植被覆蓋區(qū)域，對高光譜影像進(jìn)行基于植被光譜異常的油氣信息提取；第四步綜合第二步和第三步得到的分類結(jié)果進(jìn)行油氣藏分布區(qū)域圈定。本發(fā)明通過在勘探地區(qū)利用地表蝕變礦物異常在裸露地表區(qū)域進(jìn)行高光譜油氣信息勘探，并在植被覆蓋地區(qū)利用植被異常信息提取油氣信息，從而根據(jù)兩者綜合圈定該地區(qū)的油氣異常區(qū)域。
文檔編號G01V8/02GK102012528SQ20101056079
公開日2011年4月13日 申請日期2010年11月23日 優(yōu)先權(quán)日2010年11月23日
發(fā)明者倪國強(qiáng), 劉幸, 李倩倩, 李婷, 陳小梅 申請人:北京理工大學(xué)