【技术实现步骤摘要】
本专利技术属于地热预测，特别涉及一种基于机器学习和gis的地热有利区域预测方法及系统。
技术介绍
1、随着传统化石能源的广泛使用，不可再生资源日益减少，迫切需求转变能源结构，增加新能源的利用比例，促进国民经济可持续发展。地热能是一种清洁、低碳、分布广泛的新能源资源。地热资源与风能、太阳能等多种新能源相比，具有许多优势，但在勘探开发与利用程度相差甚远。地热资源受到复杂的地质条件影响，主要赋存于地下深部。地热资源勘探开发难度较大，勘探程度较低的地区钻探风险较大，且难以实现高温地热资源的精确定位。
2、随着人工智能技术的迅速发展，国外研究人员已经应用随机森林、支持向量机、贝叶斯概率神经网络和k-means聚类等多种机器学习方法，针对多个地区地热系统多源异构数据，开展了地热资源有利区预测研究。与国外相比，国内基于地热成因特征的地热资源有利区预测技术处于发展阶段。国内研究人员主要采用模糊逻辑和证据权重等传统方法开展地热资源有利区预测研究，极少开展基于人工智能融合多源异构数据和gis(地理信息系统)的地热有利区域预测，故亟需开发基于机器学习及gis的地热资源有利区域预测和利用技术，提升地热资源有利区预测的精度，降低地热资源勘探风险，助力实现地热资源高效开发利用。
技术实现思路
1、本专利技术提供一种基于机器学习和gis的地热有利区域预测方法及系统，针对国内地热资源有利区域预测的研究，主要应用模糊逻辑和证据权重等传统方法，利用传统地质资料开展分析，预测地热资源有利区域。通过收集地质资
2、为解决上述问题，本专利技术提供的技术方案如下：
3、本专利技术实施例提供了一种基于机器学习和gis的地热有利区域预测方法，其中，包括以下步骤：
4、步骤s1，收集研究区地质、地热点、地球物理、地球化学、遥感的地热资源多源异构数据，通过gis数字化处理统一坐标系，建立地热资源数据库；
5、步骤s2，基于gis平台空间分析及插值方法建立研究区地热资源多元信息要素图层；
6、步骤s3，应用gis平台中图形转点工具将不同地热资源多元信息要素图层转化为相应位置的特征值；
7、步骤s4，采用四分位数法iqr处理地热资源要素特征异常值，采用最小和最大归一化min-max normalization方法处理剔除异常值后的数据；
8、步骤s5，基于已知地热点，选取适宜的预测比例尺，划分数据集，构建训练样本；
9、步骤s6，应用多种具有代表性的机器学习方法如随机森林rf、人工神经网络ann和支持向量机svm，开展地热有利区域预测研究，并生成预测数据，基于gis平台实现预测数据可视化效果，生成地热资源有利区域预测图。
10、本专利技术一优选实施例，步骤s1中的地热资源数据库包括多种结构化、非结构化和半结构化数据，其中，该地热资源数据库数据集包括地温梯度、重力异常、大地热流、莫霍面深度、地温、火山、湖泊、矿物、热导率、地震和岩石断裂等。
11、本专利技术一优选实施例，步骤s2中的研究区地热资源多元信息要素图层包括大地热流值图层、断裂距离图层、地震震中图层、地震震源深度图层、温泉温度图层、地温梯度图层、莫霍面深度值图层、重力异常值图层、热导率值图层等。
12、本专利技术一优选实施例，步骤s6中的地热资源有利区预测图包括地热资源很低区域、地热资源低区域、地热资源中等区域、地热资源高区域和地热资源很高区域。
13、本专利技术实施例还提供一种基于机器学习和gis的地热有利区域预测系统，其中，包括：
14、地热资源数据库模块，用于收集研究区地质、地热点、地球物理、地球化学、遥感的地热资源多源异构数据，通过gis数字化处理统一坐标系，建立地热资源数据库；
15、地热资源多元信息要素图层模块，用于根据gis平台空间分析及插值方法建立研究区地热资源多元信息要素图层；
16、特征值转换模块，用于根据gis平台中图形转点工具将不同地热资源多元信息要素图层转化为相应位置的特征值；
17、异常值剔除模块，用于采用四分位数法iqr处理地热资源要素特征异常值，采用最小和最大归一化min-max normalization方法处理剔除异常值后的数据；
18、训练样本模块，用于根据已知地热点，选取适宜的预测比例尺，划分数据集，构建训练样本；
19、地热资源有利区域预测模块，用于多种具有代表性的机器学习方法如随机森林rf、人工神经网络ann和支持向量机svm，开展地热有利区域预测研究，并生成预测数据，基于gis平台实现预测数据可视化效果，生成地热资源有利区域预测图。
20、本专利技术实施例还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种基于机器学习和gis的地热有利区域预测方法。
21、本专利技术实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种基于机器学习和gis的地热有利区域预测方法。
22、本专利技术实施例还提供一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述任一种基于机器学习和gis的地热有利区域预测方法。
23、与现有技术相比，本专利技术实施例提供一种基于机器学习和gis的地热有利区域预测方法及系统，至少具备如下有益效果：本专利技术通机器学习方法，能够整合地质、地球物理、地球化学和遥感的多种数据源，实现全面且统一的数据处理，克服了传统方法在数据整合与利用上的困难。通过机器学习算法，可以从大量多源异构数据中提取复杂特征，减少对专家经验的依赖，提高预测的客观性和准确性。其次，机器学习方法能够处理大规模数据，并准确建立地热数据间非线性关系。最后，先进的模型解释技术使得机器学习模型的预测结果具有更高的可解释性，增加了决策的透明度和可靠性；本专利技术基于机器学习和gis的地热资源预测技术在数据融合、自动化、可视化、精确性和客观性方面具有显著优势，能够有效弥补传统方法的不足。
本文档来自技高网...【技术保护点】
1.一种基于机器学习和GIS的地热有利区域预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于机器学习和GIS的地热有利区域预测方法，其特征在于，步骤S1中的地热资源数据库包括多种结构化、非结构化和半结构化数据，其中，该地热资源数据库的数据集包括地温梯度、重力异常、大地热流、莫霍面深度、地温、火山、湖泊、矿物、热导率、地震和岩石断裂等。
3.根据权利要求2所述的一种基于机器学习和GIS的地热有利区域预测方法，其特征在于，步骤S2中的研究区地热资源多元信息要素图层包括大地热流值图层、断裂距离图层、地震震中图层、地震震源深度图层、温泉温度图层、地温梯度图层、莫霍面深度值图层、重力异常值图层和热导率值图层。
4.根据权利要求3所述的一种基于机器学习和GIS的地热有利区域预测方法，其特征在于，步骤S6中的地热资源有利区预测图包括地热资源很低区域、地热资源低区域、地热资源中等区域、地热资源高区域和地热资源很高区域。
5.一种基于机器学习和GIS的地热有利区域预测系统，其特征在于，包括：
6.一种电子设备，包括存储
7.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的一种基于机器学习和GIS的地热有利区域预测方法。
8.一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述的一种基于机器学习和GIS的地热有利区域预测方法。
...【技术特征摘要】
1.一种基于机器学习和gis的地热有利区域预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于机器学习和gis的地热有利区域预测方法，其特征在于，步骤s1中的地热资源数据库包括多种结构化、非结构化和半结构化数据，其中，该地热资源数据库的数据集包括地温梯度、重力异常、大地热流、莫霍面深度、地温、火山、湖泊、矿物、热导率、地震和岩石断裂等。
3.根据权利要求2所述的一种基于机器学习和gis的地热有利区域预测方法，其特征在于，步骤s2中的研究区地热资源多元信息要素图层包括大地热流值图层、断裂距离图层、地震震中图层、地震震源深度图层、温泉温度图层、地温梯度图层、莫霍面深度值图层、重力异常值图层和热导率值图层。
4.根据权利要求3所述的一种基于机器学习和gis的地热有利区域预测方法，其特征在于，步骤s6中的地热资源有...
【专利技术属性】
技术研发人员：孙昊哲，蒋恕，张天宇，张凯，唐宇航，张浩森，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。