基于u-net网络的两阶段多源数据融合地质填图方法
技术领域
1.本发明涉及地质填图技术领域，尤其涉及基于u-net网络的两阶段多源数据融合地质填图方法。
背景技术：2.地质填图是矿产普查和勘探中的一种基本工作方法。然而，由于气候、地形、法律等因素，野外开展地质调查工作会受到限制，同时也会消耗大量的人力、物力与财力，并且通常情况下采集到的数据是不完整的，人工无法采集到的地质数据会直接影响地质填图的结果。因此，将现代信息技术应用于地质调查领域，利用深度学习进行智能地质填图就显得尤为重要。
3.目前地质填图方法有：(1)地表地质调查：以路线地质调查和实测剖面测制为主要手段，分析前人研究资料，开展调查。(2)遥感地质解译：以地形、水系及地质体的纹影、色调、粗糙度等为解译标志对地质体进行圈闭，总结不同地质单元的遥感影像特征编制遥感解译地质图。(3)基于统计学的地质填图，包括：
①
航磁数据反演：基于岩石间磁性差异，通过聚类分析等方法进行磁性单元的划分，为地质填图地质单元的建立提供依据。
②
土壤地球化学反演：利用土壤成分与下伏岩石之间化学成分的继承性，通过土壤成分反演下伏基岩的成分特征，为地质填图提供化学依据。(4)基于机器学习的地质填图方法，如利用随机森林、支持向量机等机器学习方法对给定目标区域地质结构进行分类。
4.深度学习(deep learning,dl)是机器学习的一个重要分支，是人工智能领域新的研究方向，其动机在于建立、模拟人脑进行分析学习的神经网络，已经成功地应用于图像分类、语义分割、目标检测以及图像生成等领域，正推动着人工智能和人机交互大踏步前进。深度学习网络在训练完成后不需要调参，在gpu的环境下可以快速重建大规模数据，这是大多数现有算法难以做到的。关于dl应用于地质填图方法，主要工作有：chen等人通过sentinel-2与aster数据联合，利用卷积神经网络(convolutional neural network,cnn)对mount isa地区七种岩性进行填图，预测精确度可以达到75％。该方法首先对不同波段的多传感器遥感数据和地球物理数据进行空间重采样，并将其融合作为模型的输入，然后训练网络，最后根据定义的概率阈值将多波段图像的每个像素分类为不同类型的岩石。但是该方法预测类别少、训练区域远大于待测区域，且预测结果分辨率低，很多地方无法准确预测。付偲等人提出了一种多模态特征融合的地质体识别方法。综合考虑地球物理、地球化学数据和遥感影像数据，利用深度神经网络(deep neural networks，dnn)和cnn分别提取不同模态数据的特征，然后进行特征拼接得到多模态特征，最后利用全连接神经网络进行特征融合完成地质体分类。然而针对浅覆盖区的研究结果显示，预测图中有部分地质体出现分类与实测图空间位置矛盾的情况。
5.这些研究结果展示了dl在地质填图领域的巨大潜力，同时也暴露出一个重要的问题：庞大的训练样本要求与网络难以泛化、难以预测的问题。即若要网络测试效果好，就需要有大量带标签的训练数据，如果训练数据规模不够大，一般的神经网络泛化性能就会较
差。
技术实现要素：6.为了针对以上技术问题，本发明提供基于u-net网络的两阶段多源数据融合地质填图方法，该方法充分挖掘伽玛能谱数据及其他物探数据与不同地质类型之间的联系，兼顾整体和部分填图的特点，显著减少野外地质勘探的成本。通过网络对特征的提取，可以在有植被覆盖区的情况下完成对地质体的分类预测。本发明所提出的算法在1:5万湖南省鲤鱼塘幅上具有较高的分辨率和泛化能力。方法包括以下步骤：
7.s1、获取待填图区域的多源地质数据，将待填图区基础地质图记为ω
total
；
8.s2、对多源地质数据进行预处理，得到预处理后的多源地质数据；
9.s3、采用u-net神经网络对整个待填图区域的基础地质图ω
total
进行粗分，得到第一阶段粗分的智能填图结果；
10.s4、采用u-net神经网络对第一阶段粗分的智能填图结果进行细分，得到第二阶段细分的智能填图结果；
11.s5、将第二阶段细分的智能填图结果整合至第一阶段粗分的智能填图结果上，得到整个待填图区域的基础地质图ω
total
的智能填图结果；
12.s6、对整个待填图区域的基础地质图ω
total
的智能填图结果进行野外验证，得到修正后的智能填图结果；
13.s7、根据修正后的智能填图结果，完成地质解译图。
14.进一步地，步骤s3具体为：
15.s31：获取训练集s
input_stage1
，并将训练集s
input_stage1
的对应的预测标签记为s
label_stage1
；
16.s32：构建粗分地质类型预测u-net神经网络；
17.s33：利用训练集s
input_stage1
和对应的预测标签s
label_stage1
，训练所述粗分地质类型预测u-net神经网络，获取预测损失，最小化损失得到优化后的网络参数
18.s34：根据优化后的网络参数得到训练完成的粗分地质类型预测u-net神经网络；
19.s35：将整个待填图区域预处理后的多源地质数据输入至训练完成的粗分地质类型预测u-net神经网络，得到第一阶段粗分的智能填图结果，使整个待填图区域的基础地质图ω
total
被划分为n种粗分类型区域ωk(k＝1,2,...,n)。
20.进一步地，步骤s4具体为：
21.s41：获取训练集，并根据n种粗分类型区域ωk(k＝1,2,...,n)将训练集对应的预处理后的多源地质数据随机裁剪为多个n
×
n大小的子块，得到n个子训练集对应的预测标签记为
22.s43：构建n个子细分地质类型预测u-net神经网络；
23.s44：利用n个子训练集，一一对应训练n个子细分地质类型预测u-net神经网络，获取预测损失，最小化损失得到优化后的网络参数
24.s45：根据优化后的网络参数得到训练完成的n个子细分地质类型预测u-net神经网络；
25.s46：将n种粗分类型区域ωk(k＝1,2,...,n)对应的多源数据分别输入至对应的训练完成的n个子细分地质类型预测u-net神经网络，得到第二阶段细分的智能填图结果
26.步骤s33、步骤s44所涉及的优化后的网络参数其通用表示公式如下：
[0027][0028]
其中，f为粗分地质类型预测u-net神经网络或者n个子细分地质类型预测u-net神经网络中的一个，s
label
为s
label_stage1
或x∈φ，为训练集中的数据点；映射l:φ
→
{1,2,...,m}表示每个数据点对应的真实类别。
[0029]
本发明提供的有益效果是：
[0030]
本发明的基于u-net网络的两阶段多源数据融合地质填图的方法，利用收集到的多源数据，使用深度学习方法，自动地提取各种数据的特征，充分挖掘数据与不同地质类型之间的关系，采用两阶段策略完成智能地质填图，辅助地质专家开展地质调查工作。
[0031]
本发明所提出的算法及实现过程可以利用较少的训练区域，gpu环境下加速完成待填图区的预测，在1:5万湖南省鲤鱼塘幅上实验结果证明算法具有较高的分辨率和泛化能力，并且对覆盖区和受限工作区的填图工作有一定的指导意义。
附图说明
[0032]
图1是本发明方法流程示意图。
[0033]
图2是本发明的基于u-net网络的两阶段多源数据融合的地质填图方法的算法框架示意图。
[0034]
图3为1:5万湖南省鲤鱼塘基础地质图。
[0035]
图4为鲤鱼塘地区航空伽玛能谱数据，其中(a)为放射性伽玛能谱总量数据，记为γ；(b)为大地电磁数据；(c)为伽玛能谱和大地电磁解译线。
[0036]
图5为经过处理与变换的航磁异常数据，其中(a)为δt化极后磁异常，记为ma；(b)为δt磁异常化极上延2km剩余场，记为rf；(c)为航磁资料小波多尺度分析中的三阶细节，记为三阶细节。
[0037]
图6为第一阶段粗分，其中(a)为鲤鱼塘5类粗分标签；(b)为5类粗分结果。
[0038]
图7为第二阶段细分，其中(a)为鲤鱼塘26类标签；(b)为26类细分结果。
[0039]
图8为野外产状点验证结果，其中(a)为粗分产状点验证；(b)为细分产状点验证。
[0040]
图9为根据智能填图结果专家勾图后的智能地质解译图。
具体实施方式
[0041]
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方
式作进一步地描述。
[0042]
请参考图1，图1是本发明方法流程示意图；基于u-net网络的两阶段多源数据融合地质填图方法，包括以下：
[0043]
s1、获取待填图区域的多源地质数据，将待填图区基础地质图记为ω
total
；
[0044]
需要说明的是，多源地质数据准备的过程具体如下：
[0045]
收集待填图区已有的地质基础资料、物探数据、化探数据、遥感数据以及公开发表的论文和测试分析数据。
[0046]
s2、对多源地质数据进行预处理，得到预处理后的多源地质数据；
[0047]
需要说明的是，数据预处理过程如下：
[0048]
对收集到的多源地质数据进行统一数据格式与大小、规范属性意义、涉密数据脱密等处理，旋转、解析延拓、化磁极、小波多尺度分析等变换，专家解译、标签制作。
[0049]
s3、采用u-net神经网络对整个待填图区域的基础地质图ω
total
进行粗分，得到第一阶段粗分的智能填图结果；
[0050]
需要说明的是，步骤s3具体为：
[0051]
s31：获取训练集s
input_stage1
，并将训练集s
input_stage1
的对应的预测标签记为s
label_stage1
；
[0052]
需要说明的是，在实际实际处理过程中，首先将ω
totoal
经过人为干预，粗略划分出了n种类型，记为ω
stage1
。但这里的类型是人工干预划分的，而不是经过模型预测得到的。
[0053]
而这里的粗分区域训练集s
input_stage1
，也对应粗略划分的n种类型，经过随机裁剪成n个n
×
n大小的子块。
[0054]
s32：构建粗分地质类型预测u-net神经网络；
[0055]
s33：利用训练集s
input_stage1
和对应的预测标签s
label_stage1
，训练所述粗分地质类型预测u-net神经网络，获取预测损失，最小化损失得到优化后的网络参数
[0056]
s34：根据优化后的网络参数得到训练完成的粗分地质类型预测u-net神经网络；
[0057]
s35：将整个待填图区域预处理后的多源地质数据输入至训练完成的粗分地质类型预测u-net神经网络，得到第一阶段粗分的智能填图结果，使整个待填图区域的基础地质图ω
total
被划分为n种粗分类型区域ωk(k＝1,2,...,n)。
[0058]
s4、采用u-net神经网络对第一阶段粗分的智能填图结果进行细分，得到第二阶段细分的智能填图结果；
[0059]
需要说明的是，步骤s4具体为：
[0060]
s41：获取训练数据，并根据n种粗分类型区域ωk(k＝1,2,...,n)将训练数据对应的预处理后的多源地质数据随机裁剪为多个n
×
n大小的子块，得到n个子训练集对应的预测标签记为
[0061]
s43：构建n个子细分地质类型预测u-net神经网络；
[0062]
s44：利用n个子训练集，一一对应训练n个子细分地质类型预测u-net神经网络，获取预测损失，最小化损失得到优化后的网络参数
[0063]
s45：根据优化后的网络参数得到训练完成的n个子细分地质类型预测u-net神经网络；
[0064]
s46：将n种粗分类型区域ωk(k＝1,2,...,n)对应的多源数据分别输入至对应的训练完成的n个子细分地质类型预测u-net神经网络，得到第二阶段细分的智能填图结果
[0065]
需要说明的是，步骤s33、步骤s44所涉及的优化后的网络参数需要说明的是，步骤s33、步骤s44所涉及的优化后的网络参数其通用表示公式如下：
[0066][0067]
其中，f为粗分地质类型预测u-net神经网络或者n个子细分地质类型预测u-net神经网络中的一个，s
label
为s
label_stage1
或x∈φ，为训练集中的数据点；映射l:φ
→
{1,2,...,m}表示每个数据点对应的真实类别。在第一阶段粗分阶段，ω
total
包含n个类别，即m＝n；在第二个阶段细分阶段，ωk包含tk种地质类型，即m＝tk。为网络的输出结果，表示数据点x属于第m种地质类型的概率，所述优化的网络参数θf使网络预测数据点x的地质类型为真实类别l(x)的概率接近于1。
[0068]
s5、将第二阶段细分的智能填图结果整合至第一阶段粗分的智能填图结果上，得到整个待填图区域的基础地质图ω
total
的智能填图结果；
[0069]
对ω
total
进行粗分时，u-net网络每一个通道的预测结果p
(m)
见公式：
[0070][0071]
其中φm(m＝1,2,...,n)，表示不同的地质类型。
[0072]
对ωk，训练过程u-net网络每一个通道的预测结果p
(m)
见公式：
[0073][0074]
其中，φ
km
(k＝1,2,..,n；m＝1,2,...,tk)分别表示不同区域的不同地质类型。
[0075]
需要说明的是，获得优化的网络参数θf后，在待填图区上测试网络性能，以总体精确度(accuracy,acc)评价网络性能，公式如下：
[0076][0077]
其中，num
correct
为网络预测正确的像素点个数，num
all
为s
label
中总的像素点个数，且以精确度最高的模型为最终预测网络。
[0078]
s6、对整个待填图区域的基础地质图ω
total
的智能填图结果进行野外验证，得到修正后的智能填图结果；
[0079]
需要说明的是，步骤s6具体为，根据整个待填图区域的基础地质图ω
total
的智能填图结果，设计穿越地质体重大边界线的3至5条验证路线，对区域地质体的边界进行控制，优
化界线识别的精度，得到修正后的智能填图结果。
[0080]
s7、根据修正后的智能填图结果，完成地质解译图。
[0081]
需要说明的是，步骤s7具体为，根据修正后的智能填图结果，在综合各类地质数据的基础上，根据地层产状及地形，依据v字形法则，辅助勾绘地质边界，得到一张整体上具有地质单元界线(构造线、分类单元界线、变形样式等)和特殊地质体(地层、岩体等)识别内容的地质解译图。
[0082]
下面对本技术的整个u-net网络结构进一步说明如下。
[0083]
请参考图2，如图2所示，本发明的两阶段策略由多个u-net网络并联组成，其中粗分阶段的网络为网络1，细分阶段的网络为网络2,3,...,n+1，利用能反映各个区域地质类型特征的多源数据分别开展智能地质填图实验，损失函数为网络输出与标签的交叉熵损失。
[0084]
本发明基于u-net网络开展试验两阶段实验，并在输入层融合多源数据构成多通道输入。
[0085]
对于第一阶段——粗分阶段，首先基于基础地质资料划分相似地质类型，得到n种粗分地质类型，训练网络1，对待填图区进行粗分预测，得到粗分阶段的智能地质填图结果；第二阶段——细分，分别对n个粗分区域训练网络2,3,...,n+1，对待填图区进行细分预测，得到细分阶段的智能地质填图结果。最后将细分填图结果整合到粗分填图结果上，从而得到整个待填图区的智能地质填图结果。在此基础上，根据智能填图结果，设计穿越地质体重大边界线的3至5条验证路线，对区域地质体的边界进行控制，优化界线识别的精度。在综合各类地质数据的基础上，根据地层产状及地形，依据v字形法则，辅助勾绘地质边界，得到一张整体上具有地质单元界线(构造线、分类单元界线、变形样式等)和特殊地质体(地层、岩体等)识别内容的地质解译图。
[0086]
作为一种实施例，下面以1:5万湖南省鲤鱼塘幅为例对本发明作进一步的说明。
[0087]
湖南省鲤鱼塘区域的数据主要包括基础地质资料、物探数据、化探数据、遥感数据以及公开发表的论文和测试分析数据。本实例使用的数据主要有航空伽玛能谱仪采集到的放射性伽玛能谱总量、航空磁力仪采集到的航磁资料、基础地质图等。
[0088]
图3为基础地质图，包括全新统冲积层、古新统枣市组等26种不同的地质结构。
[0089]
图4(a)为放射性伽玛能谱总量数据，记为γ，能够反映放射性差异较大的岩体及地层分布特征；其中(b)为大地电磁数据；(c)为伽玛能谱和大地电磁解译线。
[0090]
图5中所示的揭示区域磁性基底起伏及深部构造单元分布的区域航磁异常及反应断裂体系、火成岩分布和磁性地层起伏的剩余航磁异常等(含为了突出某些信息、压制另一些信息对磁异常进行处理与换算得到的数据，如δt化极后磁异常、δt磁异常化极上延2km剩余场、三阶细节等)。
[0091]
网络的训练包括以下步骤：
[0092]
(1)数据预处理：根据鲤鱼塘幅的基础地质图ω
total
，利用matlab软件制作真值标签矩阵，大小为4338
×
5870；处理放射性伽玛能谱总量数据、航磁异常数据，通过化磁极、解析延拓、小波多尺度分析等方式进行处理，然后转化为矩阵格式，分别得到4338
×
5870大小的放射性伽玛能谱总量矩阵数据和4338
×
5870大小的航磁矩阵数据；专家对采集到的数据进行解译。最后统一数据格式和大小，从而使得基于u-net网络的监督学习方法能够实施。
[0093]
(2)第一阶段——粗分阶段：根据ω
total
划分相似地质类型，得到5个待细分的填图区ωk(k＝1,2,...,5)和5类粗分标签s
gt_stage1
，如图6(a)所示，ωk(k＝1,2,...,5)分别为古近系区(注：古近系的基岩是石炭系)、白垩系区、泥盆系-石炭系区、震旦系-寒武系区、花岗岩区。
[0094]
(3)选取放射性伽玛能谱总量(记为γ)、解译线数据作为粗分阶段的实验数据，在输入层融合这些数据，构成两通道输入。在输入数据上截取如图6(a)中红色框对应的区域作为训练数据，其余部分为测试数据。使用随机裁剪的方法，将训练数据切分成10000个128
×
128大小的子块作为训练数据集s
input_stage1
:{s1,s2,...,s
10000
}，训练区对应的真值地质图为预测标签s
label_stage1
:{p1,p2,...,p
10000
}。
[0095]
(4)通过s
input_stage1
和s
label_stage1
训练u-net网络f1，损失函数选用交叉熵损失函数，网络参数优化的公式如下：
[0096][0097]
使用adam算法更新网络参数，最小化损失，进而得到优化后的网络参数网络共训练50轮，每轮训练结束后在待填图区上测试当前模型性能。以总体精确度(accuracy，acc)评价模型性能，公式如下：
[0098][0099]
其中，num
correct
为网络预测正确的像素点个数，num
all
为s
gt_stage1
中总的像素点个数，且以精确度最高的模型为最终网络。
[0100]
(5)在输入层融合γ及解译线，构成两通道输入到训练好的u-net网络中，预测鲤鱼塘幅面的5类地质类型，得到粗分阶段的智能填图结果。
[0101]
如图6(b)所示，第一阶段5类粗分的预测精确度为95.43％，大块轮廓和边界特征已经明显分割出来。
[0102]
(6)第二阶段——细分阶段：由于δt化极后磁异常(记为ma)、δt磁异常化极上延2km剩余场(记为rf)、航次异常小波多尺度分析中的三阶细节(记为三阶细节)，可以反应出不同地质类型的细节特征，将他们与γ以不同的数据组合方式，构成不同的输入数据组合来训练u-net网络，实现对ωk(k＝1,2,...,5)细分。其中，古近系区包含3种地质类型，白垩系区包含6种地质类型，泥盆系-石炭系区包含7种地质类型，震旦系-寒武系区包含11种地质类型，花岗岩区包含3种地质类型，分别挑选合适的训练区域，尽可能囊括每一个细分的地质类型。如图7(a)所示，对于古近系区，选取红色框对应区域的物探数据作为训练数据，同理，选取黑色、紫色、蓝色、黄色框对应区域分别作为白垩系、泥盆系-石炭系、震旦系-寒武系、花岗岩的训练数据。然后对这5类粗分区域，分别训练不同的网络2,3,...,n+1。对5类粗分区域进行细分的最佳数据组合方式及最佳细分准确率如表1所示。
[0103]
表1细分阶段最佳实验结果
[0104][0105]
(7)最后将细分阶段的智能填图结果整合到粗分阶段的智能填图结果中，得到最终26类的智能地质填图结果。如图7(b)所示，准确率为80.08％。其中，古近系的精确度为86.52％、白垩系区精确度为85.34％，轮廓和边界能够很好的显现；泥盆系-石炭系的精确度为77.76％，大致轮廓在分割结果中有所体现，但由于训练数据少，地质类型多，细节未能分割地很明显；震旦系-寒武系区精确度为70.30％，由于地质类型多，结构复杂，细分的层状信息并没有完全体现出来，还要进一步发掘能够反映这一信息的数据；花岗岩区精确度达到95.75％。
[0106]
(8)野外验证。通过人工标记的产状点进行验证，图8为带产状点标记的预测结果图，从图上可以看出产状点的预测结果基本是准确的。
[0107]
(9)专家勾图。地质专家根据专业知识，将26类智能地质填图结果通过勾图处理，得到如图9所示的具有地质单元界限和特殊地质体识别内容的地质解译图。
[0108]
本发明的两阶段多源数据融合方法以经典的u-net网络作为基础网络，充分考虑了航磁异常数据等物探数据可以反应出不同地质类型丰富的特征信息，在有限样本的情况下提高了地质填图精度，同时节省了人力物力财力，并对覆盖区和受限工作区的填图工作有一定的指导意义，提高了地质填图的效率。
[0109]
本发明的有益效果是：本发明的基于u-net网络的两阶段多源数据融合地质填图的方法，利用收集到的多源数据，使用深度学习方法，自动地提取各种数据的特征，充分挖掘数据与不同地质类型之间的关系，采用两阶段策略完成智能地质填图，辅助地质专家开展地质调查工作。
[0110]
本发明所提出的算法及实现过程可以利用较少的训练区域，gpu环境下加速完成待填图区的预测，在1:5万湖南省鲤鱼塘幅上实验结果证明算法具有较高的分辨率和泛化能力，并且对覆盖区和受限工作区的填图工作有一定的指导意义。
[0111]
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
技术特征：1.基于u-net网络的两阶段多源数据融合地质填图方法，其特征在于：包括以下步骤：s1、获取待填图区域的多源地质数据，将待填图区基础地质图记为ω
total
；s2、对多源地质数据进行预处理，得到预处理后的多源地质数据；s3、采用u-net神经网络对整个待填图区域的基础地质图ω
total
进行粗分，得到第一阶段粗分的智能填图结果；s4、采用u-net神经网络对第一阶段粗分的智能填图结果进行细分，得到第二阶段细分的智能填图结果；s5、将第二阶段细分的智能填图结果整合至第一阶段粗分的智能填图结果上，得到整个待填图区域的基础地质图ω
total
的智能填图结果；s6、对整个待填图区域的基础地质图ω
total
的智能填图结果进行野外验证，得到修正后的智能填图结果；s7、根据修正后的智能填图结果，完成地质解译图。2.如权利要求1所述的基于u-net网络的两阶段多源数据融合地质填图方法，其特征在于：步骤s3具体为：s31：获取训练集s
input_stage1
，并将训练集s
input_stage1
的对应的预测标签记为s
label_stage1
；s32：构建粗分地质类型预测u-net神经网络；s33：利用训练集s
input_stage1
和对应的预测标签s
label_stage1
，训练所述粗分地质类型预测u-net神经网络，获取预测损失，最小化损失得到优化后的网络参数s34：根据优化后的网络参数得到训练完成的粗分地质类型预测u-net神经网络；s35：将整个待填图区域预处理后的多源地质数据输入至训练完成的粗分地质类型预测u-net神经网络，得到第一阶段粗分的智能填图结果，使整个待填图区域的基础地质图ω
total
被划分为n种粗分类型区域ω
k
(k＝1,2,...,n)。3.如权利要求2所述的基于u-net网络的两阶段多源数据融合地质填图方法，其特征在于：步骤s4具体为：s41：获取训练集，并根据n种粗分类型区域ω
k
(k＝1,2,...,n)将训练集对应的预处理后的多源地质数据随机裁剪为多个n
×
n大小的子块，得到n个子训练集对应的预测标签记为s43：构建n个子细分地质类型预测u-net神经网络；s44：利用n个子训练集，一一对应训练n个子细分地质类型预测u-net神经网络，获取预测损失，最小化损失得到优化后的网络参数s45：根据优化后的网络参数得到训练完成的n个子细分地质类型预测u-net神经网络；s46：将n种粗分类型区域ω
k
(k＝1,2,...,n)对应的多源数据分别输入至对应的训练完成的n个子细分地质类型预测u-net神经网络，得到第二阶段细分的智能填图结果ω
k1
,ω
k2
,...,4.如权利要求3所述的基于u-net网络的两阶段多源数据融合地质填图方法，其特征在
于：步骤s33、步骤s44所涉及的优化后的网络参数于：步骤s33、步骤s44所涉及的优化后的网络参数其通用表示公式如下：其中，f为粗分地质类型预测u-net神经网络或者n个子细分地质类型预测u-net神经网络中的一个，s
label
为s
label_stage1
或x∈φ，为训练集中的数据点；映射l:φ
→
{1,2,...,m}表示每个数据点对应的真实类别。
技术总结本发明公开了基于U-Net网络的两阶段多源数据融合地质填图方法，包括：获取待填图区域的多源地质数据；对多源地质数据进行预处理；采用U-Net神经网络对整个待填图区域的基础地质图Ω
技术研发人员：吕梦芝 徐亚东 陶从咏 周文孝 朱云海 张世晖 方文倩
受保护的技术使用者：中国地质大学（武汉）
技术研发日：2022.06.10
技术公布日：2022/11/1
