- AI地质图生成技术与方法--基于地质路线深度学习
- - 作者：编者:李超岭//李丰丹//刘畅//唐振//林敏等|责编:张诚//费详惠//吴宁魁
  - 出版社：地质
  - ISBN：9787116142626
  - 出版日期：2024/07/01
  - 页数：297
- 售价：51.2

内容大纲
本书详细介绍了把数字填图地质路线数据转换成填图对象知识标签，再通过半监督的标签数据增强和多模态数据同化处理的技术方法，建立了基于知识标签多模态数据多级中间层融合提取特征的全连接神经网络模型，实现了细粒度填图对象的高精度识别与定位和人工智能地质图输出。并给出了火山岩区、沉积岩区、变质岩区、造山带5个试点图幅的示范结果和效果的评价与分析。
本书可供地质填图、地质调查、地质信息技术、AI技术等专业技术人员和大中专院校相关专业的师生参考。
作者介绍
目录
序
前言
第1章  引言
  1.1  人工智能与地质调查融合迎来落地阶段
  1.2  2019-2023年十大战略技术趋势，AI技术一直占主导
    1.2.1  2019年Gartner发布的战略技术趋势涉及AI的内容
    1.2.2  2020年Gartner发布的战略技术趋势涉及AI的内容
    1.2.3  2021年Gartner发布的战略技术趋势涉及AI的内容
    1.2.4  2022年Gartner发布的战略技术趋势涉及AI的内容
    1.2.5  2023年Gartner发布的战略技术趋势涉及AI的内容
  1.3  深度学习模型的主要能力和水平完全满足地质对象识别模型的构建
  1.4  人工智能地质图技术方法主要解决的科学问题与实现的目标
    1.4.1  传统地质填图存在的一些问题
    1.4.2  人工智能地质图技术方研究内容与目标意义
第2章  深度学习基本概念与技术方法综述
  2.1  深度学习模型的发展
    2.1.1  深度学习的基本概念
    2.1.2  深度学习的主要任务和内容
  2.2  深度学习的主要框架
    2.2.1  TensorFlow
    2.2.2  PaddlePaddle
    2.2.3  Caffe
    2.2.4  Theano
    2.2.5  MXNet
    2.2.6  Torch
    2.2.7  PyTorch
    2.2.8  Keras
    2.2.9  Deeplearning4j
    2.2.10  Cognitive Toolkit
  2.3  深度学习神经网络主要特点
    2.3.1  深度学习神经网络基本特点
    2.3.2  深度学习神经网络（DNN）的基本类型和体系结构
    2.3.3  深度学习神经网络（DNN）体系结构主要特点
    2.3.4  深度学习神经网络（DNN）主要模型和训练算法
    2.3.5  深度学习神经网络（DNN）代表性模型软件
第3章  基于深度学习技术的地质体识别研究现状
  3.1  概述
  3.2  利用机器学习或深度学习开展岩性填图或分类研究现状
  3.3  多模态数据融合研究现状
  3.4  深度学习技术在岩石填图应用中的主要相关论文摘要
    3.4.1  使用支持向量机，利用遥感数据实现岩性自动分类
    3.4.2  基于支持向量机的风化层地质填图
    3.4.3  利用遥感数据和形态学特征进行岩性制图的不同机器学习算法比较
    3.4.4  使用随机森林通过机器学习识别不列颠哥伦比亚火山地形中的侵入岩
    3.4.5  基于地球物理和遥感数据，使用随机森林进行岩石学制图
    3.4.6  采用K临近、支持向量机、自适应增强在火山岩测井岩性识别中的方法对比
    3.4.7  基于10种机器学习算法的隧道围岩智能分类
    3.4.8  基于多传感器数据和卷积神经网络的岩性分类
    3.2.9  基于深度卷积神经网络的岩相微相分类
    3.4.10  一种基于注意力的深度扩张卷积神经网络用于可解释空间谱图的地震相分析

    3.4.11  基于全卷积网络和多源地质数据的岩性成图
    3.4.12  基于融合多分类器的多光谱和高光谱遥感图像岩性优化成图
    3.4.13  模糊ARTMAP神经网络方法在卫星图像和布尔逻辑地质制图中的性能评估
第4章  研究区、数据及数据预处理介绍
  4.1  研究区位置介绍
  4.2  参与建模的主要数据说明
  4.3  数据来源与主要预处理方法
    4.3.1  数据来源
    4.3.2  地球化学、地球物理、遥感数据空间分辨率的同化技术
    4.3.3  遥感数据处理（基础方法）
    4.3.4  地球化学数据预处理
    4.3.5  地球物理数据预处理
    4.3.6  数据归一化处理
第5章  人工智能地质图生成技术总体框架与主要应用流程
  5.1  人工智能地质图生成技术总体框架
    5.1.1  地质填图知识库
    5.1.2  深度学习人工智能地质图基本算法模型和算力
    5.1.3  深度学习人工智能地质图基本内容和概念
  5.2  深度学习人工智能地质图技术方法应用流程
第6章  多模态数据中期融合深度神经网络地质图生成模型结构（IF-DNN）与评价指标
  6.1  人工智能地质图自动生成模型
    6.1.1  人工智能地质图建模的多模态数据（训练数据）融合方法
    6.1.2  多模态数据中期融合深度神经网络地质图生成模型结构
  6.2  人工智能地质图自动生成模型评价指标
    6.2.1  模型定量评价指标
    6.2.2  人工智能地质图自动生成模型应用定性评价指标
  6.3  人工智能地质图自动生成模型难点和技术性问题
第7章  地质路线填图对象知识标签构建方法
  7.1  数字填图PRB技术及PRB数据简述
    7.1.1  PRB数据模型
    7.1.2  地质路线PRB的基本过程组合的规则
    7.1.3  地质路线PRB数据结构化与非结构化表达实例
  7.2  地质路线填图对象知识标签构建
    7.2.1  地质路线填图对象知识标签的分类粒度
    7.2.2  地质路线填图对象知识标签表的结构与内容
  7.3  地质路线PRB数据标签数据处理与生成方法
    7.3.1  地质路线上地质点P及采样数据标注
    7.3.2  地质路线R（地质分段路线）数据标注
    7.3.3  地质路线采样数据由线转为有效标注点预处理
  7.4  地质路线PRB知识标签制作操作步骤与数据质量控制
    7.4.1  数字填图系统分别输出P、R、S电子表文件
    7.4.2  检查P、R、S逻辑关系是否准确
    7.4.3  P、R、S电子表分别标准化前11个字段
    7.4.4  从标准化后的P、R、S电子表合并成一个完整PRB知识标签库
    7.4.5  在完整PRB知识标签库中进行岩石地层单位和岩性标签分类
    7.4.6  形成最终完整PRB知识标签库
第8章  半监督地质路线高可信伪标签生成方法
  8.1  半监督地质路线高可信计算标签生成方法流程
  8.2  地质路线真标签做法
    8.2.1  地质路线真标签做法（GRTL）

    8.2.2  地质路线真标签扩展做法（GRTL'）
  8.3  地质路线伪标签做法（GRPL）
  8.4  地质路线高可信伪标签做法（GRPL'）
    8.4.1  通过半监督，形成有效GRPL标签
    8.4.2  对有效GRPL标签进行过滤
    8.4.3  通过欠采样和过采样，进行样本均衡处理，形成GRPL'高可信伪标签
  8.5  真标签和伪标签扩展半径不同对模型精度影响的比较
第9章  AI地质图建模结果与评价
  9.1  试点图幅建模定量评价结果
  9.2  一致性定性评价
  9.3  准确性、可解释性、新颖性综合评价
    9.3.1  准确性、可解释性综合评价
    9.3.2  新颖性综合评价
  9.4  完整性评价
  9.5  野外路线验证评价
第10章  IF-DNN AI地质图关键技术问题讨论
  10.1  地质路线高可信伪标签对提高模型精度有明显效果
  10.2  IF-DNN人工智能地质图模型优于RF人工智能地质图模型
  10.3  多个共享特征的表示（融合层）的建模精度优于单个共享特征的表示（融合层）
  10.4  IF-DNN模型中，不采用CNN，AI地质图成图效果更好
  10.5  地球物理数据集参加建模有益于提高召回率
  10.6  不同疏密程度地质路线样本标签IF-DNN建模，可以满足不同阶段填图要求
  10.7  地质路线标签分类粒度对AI地质图精度的影响
  10.8  SAR数据对揭露第四系的影响
  10.9  不同模态数据转化为高维特征表达的全连接层层数优化确定
  10.10  消融对比实验结果
  10.11  模型需进一步研究与改进的问题
第11章  内蒙古1:5万奈玛拉吉、巨里河、荷叶哈达幅区域地质调查——深度学习地质填图技术应用与评价（火山岩区）
  11.1  研究区概况
    11.1.1  基本地理概况
    11.1.2  预研究资料收集与认识
    11.1.3  深度学习地质填图技术应用情况
  11.2  调查区基础地质特征（简要描述）
    11.2.1  地层
    11.2.2  侵入岩
    11.2.3  火山岩
    11.2.4  变质岩
    11.2.5  构造
    11.2.6  矿产资源
    11.2.7  能源资源
  11.3  应用与评价
    11.3.1  深度学习地质填图技术应用
    11.3.2  深度学习预测图与实测图对比评价
  11.4  存在的问题和建议
    11.4.1  部分地质体预测不准确
    11.4.2  其他原因与建议
第12章  枫香驿幅深度学习地质填图技术应用
  12.1  应用概况
    12.1.1  工作任务基本情况
    12.1.2  预研究资料收集与认识

    12.1.3  深度学习地质填图技术应用情况
  12.2  调查区基础地质特征
    12.2.1  地层
    12.2.2  岩浆岩
    12.2.3  构造
    12.2.4  变质岩
    12.2.5  矿产资源
  12.3  应用与评价
    12.3.1  深度学习地质填图技术应用
    12.3.2  深度学习预测图与实测图对比评价
  12.4  存在的问题和建议
    12.4.1  存在问题
    12.4.2  建议
第13章  青海省都兰县昂日塔地区3幅1:2.5万区域地质矿产调查——深度学习地质填图技术应用与评价
  13.1  研究区概况
    13.1.1  基本地理概况
    13.1.2  预研究资料收集与认识
    13.1.3  深度学习地质填图技术应用情况
  13.2  调查区基础地质特征（简要描述）
    13.2.1  地层
    13.2.2  侵入岩
    13.2.3  火山岩
    13.2.4  变质岩
    13.2.5  构造
    13.2.6  矿产资源
  13.3  应用与评价
    13.3.1  深度学习地质填图技术应用
    13.3.2  深度学习预测图与实测图对比评价
  13.4  存在的问题和建议
    13.4.1  存在问题
    13.4.2  建议
第14章  结语
参考文献
Deep Learning-based Geological Map Generation Using Geological Routes: An English Abstract
Ⅰ. Introduction
Ⅱ. Key Techniques for Artificial Intelligence Geological Map Modeling Based on Deep Learning of Geological Routes
Ⅲ. Construction of Knowledge Labels of Geological Route Mapping Objects
Ⅳ. Composition and Assimilation of Carrier Data for Knowledge Features of Geological Objects
Ⅴ. Few-Shot Data Enhancement Technique for Knowledge Labels of Geological Route Mapping Objects
Ⅵ. Model Structure and Evaluation Indicators for Artificial Intelligence Geological Map Automatic Generation
Ⅶ. Application and Evaluation of the Geological Mapping Method for Three Rock Types and an Orogenic Belt Zone
Ⅷ. Conclusions
Acknowledgment

内容大纲

作者介绍

目录

同类热销排行榜

推荐书目