航空瞬变电磁数据处理方法、装置及计算设备制造方法及图纸

本申请公开了一种航空瞬变电磁数据处理方法、装置及计算设备，所述方法包括：利用去噪自编码器对获得的含噪观测数据中的有用信号与多源噪声进行分离；利用自编码器从分离得到的有用信号中提取其深度特征；利用循环神经网络建立有用信号深度特征与大地电阻率模型之间的映射关系，实现数据反演；所述的去噪自编码器、自编码器、以及循环神经网络集成在一个栈式自编码器中。所述装置包括分离模块、提取模块和反演模块。所述种计算设备包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序，所述处理器执行所述计算机程序时实现本申请所述的方法。

【技术实现步骤摘要】
航空瞬变电磁数据处理方法、装置及计算设备
本申请涉及航空瞬变电磁数据处理技术，特别是涉及航空瞬变电磁数据处理方法。
技术介绍
航空瞬变电磁法(AirborneTransientElectromagnetic,ATEM)是一种基于飞行平台的电磁探测方法，其利用闭合回线源对大地进行激励，通过观测大地响应电磁场的时空分布规律，实现对地下电性结构信息的提取。ATEM方法可有效克服地形地貌条件限制，高效、精细地完成对大面积测区的覆盖，已广泛应用于矿产、地下水等资源勘探及地质填图、环境保护等领域。该方法能够克服沙漠、沼泽、森林覆盖区等地形地貌限制，快速获取地下电性信息，是国际公认的“摸清矿产资源家底”的重要手段。利用ATEM观测数据提取大地电阻率分布信息，首先要对观测数据进行处理。ATEM数据处理中，除系统响应效应去除、飘移矫正、飞行姿态矫正等工作外，最核心的任务是进行噪声去除。对于ATEM观测，飞行平台有限的搭载与供电能力限制了系统的发射磁矩，且发收天线还与大地间存在几十米距离，导致ATEM信号显著弱于同类地面观测。同时，由于采用航空观测方式，观测系统位置不断改变，不但导致无法像地面静态观测那样针对一个固定的位置，通过长时间数据叠加实现信噪比提升，也会引入诸如运动噪声这类地面静态观测数据中没有的噪声类型。目前主要的噪声去除方案是针对天电、人文、背景及运动等不同的噪声设计不同的处理方法，分步实现对ATEM数据中多源噪声的处理。对于海量的受多源噪声干扰的低信噪比ATEM观测数据，上述处理流程将包含诸多环节，结构相对松散，对操作人员的个人经验要求高，且面对海量观测数据，往往难以保证对整个数据集执行相同的处理标准。这就意味着，如果数据处理无法保证较高的可靠性，则数据中的剩余干扰将作为信号进入反演。在完成对数据的上述处理后，采用反演方法提取大地电阻率分布信息。面向海量ATEM数据，高维反演虽具有诸多优势，但其计算效率仍难以满足需求。近年来已有研究人员提出多种加速方案，如移动足迹法、矩阵分解法等,但距实用化仍有距离。目前，国际主流ATEM服务所提供的反演结果均为一维反演及基于一维反演的拟多维反演。由于现有反演方法属于模型反演方法，一般仅能通过计算估计模型响应与输入数据的偏差来评价估计模型的可靠性，无法同时分析输入数据中有用信号的“纯粹性”，也即：由于反演与噪声处理是彼此独立的两个处理环节，作为下游环节的反演，一旦其输入数据中含有剩余干扰，反演结果的可靠性将无法得到保证。由此可见，ATEM观测具有数据量大、有用信号弱、噪声来源多样且特征复杂等特点，去噪处理难度大；由于采用与去噪处理相互独立的模型反演方法，当去噪处理效果不佳、去噪后数据中仍有剩余干扰时，反演结果可靠性会受到严重影响。因此，实现对观测数据的有效噪声去除、准确提取出大地电性信息是推进ATEM发展的关键技术问题。
技术实现思路
本申请的目的在于克服上述问题或者至少部分地解决或缓减解决上述问题。根据本申请的一个方面，提供了一种航空瞬变电磁数据处理方法，所述方法包括：利用去噪自编码器对获得的含噪观测数据中的有用信号与多源噪声进行分离；利用自编码器从分离得到的有用信号中提取其深度特征；利用循环神经网络建立有用信号深度特征与大地电阻率模型之间的映射关系，实现数据反演；所述的去噪自编码器、自编码器、以及循环神经网络集成在一个栈式自编码器中。可选地，所述的栈式自编码器在训练过程中采用MSE作为基本损失函数。可选地，所述的栈式自编码器在训练过程中采用“MSE+干扰项”作为损失函数。可选地，所述的栈式自编码器在训练过程中采用adam作为最优化函数。可选地，所述方法还包括：对不同观测条件下的观测数据进行数据反演，根据反演结果评估各观测参数可接受的变化范围，并对所述的栈式自编码器进行优化。本申请的航空瞬变电磁数据处理方法，由于建立了包含三个子网络的栈式自编码器深度学习系统，开展了ATEM观测数据多源噪声去除与实用化反演的一体化处理，不仅能够有效克服多源噪声的影响，所采用的数据驱动反演方法也将进一步提升探测结果的客观性与可靠性，对促进ATEM数据高质量处理方法研究将具有积极的理论意义与应用价值。根据本申请的另一个方面，还提供了一种航空瞬变电磁数据处理装置，所述装置包括：分离模块，其配置成利用去噪自编码器对获得的含噪观测数据中的有用信号与多源噪声进行分离；提取模块，其配置成利用自编码器从分离得到的有用信号中提取其深度特征；反演模块，其配置成利用循环神经网络建立有用信号深度特征与大地电阻率模型之间的映射关系，实现数据反演；所述的去噪自编码器、自编码器、以及循环神经网络集成在一个栈式自编码器中。可选地，所述的栈式自编码器在训练过程中采用MSE作为基本损失函数。可选地，所述的栈式自编码器在训练过程中采用adam作为最优化函数。可选地，所述装置还包括：优化模块，其配置成对不同观测条件下的观测数据进行数据反演，根据反演结果评估各观测参数可接受的变化范围，并对所述的栈式自编码器进行优化。本申请的航空瞬变电磁数据处理装置，由于建立了包含三个子网络的栈式自编码器深度学习系统，开展了ATEM观测数据多源噪声去除与实用化反演的一体化处理，不仅能够有效克服多源噪声的影响，所采用的数据驱动反演方法也将进一步提升探测结果的客观性与可靠性，对促进ATEM数据高质量处理方法研究将具有积极的理论意义与应用价值。根据本申请的第三个方面，还提供了一种计算设备，所述计算设备包括存储器、处理器和存储在所述存储器内并能由所述处理器运行的计算机程序，其中，所述处理器执行所述计算机程序时实现本申请所述的方法。根据下文结合附图对本申请的具体实施例的详细描述，本领域技术人员将会更加明了本申请的上述以及其他目的、优点和特征。附图说明后文将参照附图以示例性而非限制性的方式详细描述本申请的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比例绘制的。附图中：图1是根据本申请一个实施例的航空瞬变电磁数据处理方法的示意性流程图；图2是根据本申请一个实施例的栈式自编码器的神经网络结构示意图；图3是根据本申请一个实施例的电阻率小梯度下降与大梯度上升的组合测试结果，其中，(a)为“去噪”子网络的处理效果；(b)为“特征提取”子网络的处理效果；(c)为“反演”子网络的输出结果；图4是根据本申请一个实施例的电阻率大梯度下降与小梯度上升的组合测试结果，其中(a)为“去噪”子网络的处理效果；(b)为“特征提取”子网络的处理效果；(c)为“反演”子网络的输出结果；图5是根据本申请一个实施例的测试飞行航迹图；图6是根据本申请一个实施例的实测数据处理结果，其中，(a)为“去噪”子网络处理结果；(b)为“反演”子网络输出结果与传统反演方法结果的对比；图7是根据本文档来自技高网...

【技术保护点】
1.航空瞬变电磁数据处理方法，包括：/n利用去噪自编码器对获得的含噪观测数据中的有用信号与多源噪声进行分离；/n利用自编码器从分离得到的有用信号中提取其深度特征；/n利用循环神经网络建立有用信号深度特征与大地电阻率模型之间的映射关系，实现数据反演；所述的去噪自编码器、自编码器、以及循环神经网络集成在一个栈式自编码器中。/n

【技术特征摘要】
20200616 AU 20201010131.航空瞬变电磁数据处理方法，包括：
利用去噪自编码器对获得的含噪观测数据中的有用信号与多源噪声进行分离；
利用自编码器从分离得到的有用信号中提取其深度特征；
利用循环神经网络建立有用信号深度特征与大地电阻率模型之间的映射关系，实现数据反演；所述的去噪自编码器、自编码器、以及循环神经网络集成在一个栈式自编码器中。


2.根据权利要求1所述的方法，其特征在于，所述的栈式自编码器在训练过程中采用MSE作为基本损失函数。


3.根据权利要求2所述的方法，其特征在于，所述的栈式自编码器在训练过程中采用“MSE+干扰项”作为损失函数。


4.根据权利要求1至3中任一项所述的方法，其特征在于，所述的栈式自编码器在训练过程中采用adam作为最优化函数。


5.根据权利要求1至4中任一项所述的方法，其特征在于，还包括：
对不同观测条件下的观测数据进行数据反演，根据反演结果评估各观测参数可接受的变化范围，并对所述的栈式自编码器进行优化。


6.航空瞬...

【专利技术属性】
技术研发人员：武欣，薛国强，底青云，周舟，
申请(专利权)人：中国科学院地质与地球物理研究所，
类型：发明
国别省市：北京;11