.png){kind=icon}
返回
Multiphysics property prediction from hyperspectral drill core data
.png){kind=icon}
OA
AI
DOI：10.5194/se-16-351-2025.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
高光谱数据提供了关于岩石的矿物学及精细尺度纹理特性的丰富信息，这些特性也控制着其岩石物理特性。我们提出，某些岩石物理性质可以直接从高光谱数据中预测，从而改善岩石物理表征并减少对通常费时测量工作的需求。在本研究中，我们使用深度卷积神经网络探索高光谱数据与岩石物理数据之间的相关性。我们的模型从高维高光谱数据中学习相关特征，以预测慢度、密度和伽马射线值，训练和测试数据来源于德国斯普伦贝格。结果表明，通过仔细的预处理和彻底的数据清洗，可以克服分辨率差异以学习高光谱数据与岩石物理学之间的关系。我们使用来自空间独立钻孔的测试数据集，生成了一个像素分辨率（约1 mm²）的岩石物理性质模型，并将其重采样以匹配测井数据。该测试表明预测具有显著精度，慢度、密度和伽马射线的R²分数分别为0.7、0.86和0.90，均方根误差（RMSE）分别为16.55 μs m⁻¹、0.06 g cm⁻³和15.29 API。我们还分析了模型的Shapley值以更深入地了解其预测机制。这些发现为构建能够从高光谱数据预测岩石物理和力学性质的深度学习模型奠定了基础。此类模型可提供所需的高分辨率、大范围数据，以连接不同尺度的力学和岩石物理表征。
Keyword:
MINERALIZATION
期刊
IF:
2.7
论文数:
1.3K
被引数:
3.2K
机构
引用论文
分享收藏Porosity, strength, and alteration – Towards a new volcano stability assessment tool using VNIR-SWIR reflectance spectroscopy孔隙度、强度和蚀变——利用可见-近红外-短波红外反射光谱学构建新的火山稳定性评估工具
OAAI
OAAI分享收藏Multi-scale, multi-sensor data integration for automated 3-D geological mapping.png)
Ore Geology ReviewsOAAI
Ore Geology ReviewsIF3.6
OAAI分享收藏分享收藏
查看更多内容