同類熱銷排行榜

AI地質圖生成技術與方法--基於地質路線深度學習

作者：編者:李超嶺//李豐丹//劉暢//唐振//林敏等|責編:張誠//費詳惠//吳寧魁
出版社：地質
ISBN：9787116142626

出版日期：2024/07/01
裝幀：平裝
頁數：297

人民幣：RMB 128 元售價：元

內容大鋼

本書詳細介紹了把數字填圖地質路線數據轉換成填圖對象知識標籤，再通過半監督的標籤數據增強和多模態數據同化處理的技術方法，建立了基於知識標籤多模態數據多級中間層融合提取特徵的全連接神經網路模型，實現了細粒度填圖對象的高精度識別與定位和人工智慧地質圖輸出。並給出了火山岩區、沉積岩區、變質岩區、造山帶5個試點圖幅的示範結果和效果的評價與分析。
本書可供地質填圖、地質調查、地質信息技術、AI技術等專業技術人員和大中專院校相關專業的師生參考。

作者介紹

編者:李超嶺//李豐丹//劉暢//唐振//林敏等|責編:張誠//費詳惠//吳寧魁

序
前言
第1章  引言
  1.1  人工智慧與地質調查融合迎來落地階段
  1.2  2019-2023年十大戰略技術趨勢，AI技術一直占主導
    1.2.1  2019年Gartner發布的戰略技術趨勢涉及AI的內容
    1.2.2  2020年Gartner發布的戰略技術趨勢涉及AI的內容
    1.2.3  2021年Gartner發布的戰略技術趨勢涉及AI的內容
    1.2.4  2022年Gartner發布的戰略技術趨勢涉及AI的內容
    1.2.5  2023年Gartner發布的戰略技術趨勢涉及AI的內容
  1.3  深度學習模型的主要能力和水平完全滿足地質對象識別模型的構建
  1.4  人工智慧地質圖技術方法主要解決的科學問題與實現的目標
    1.4.1  傳統地質填圖存在的一些問題
    1.4.2  人工智慧地質圖技術方研究內容與目標意義
第2章  深度學習基本概念與技術方法綜述
  2.1  深度學習模型的發展
    2.1.1  深度學習的基本概念
    2.1.2  深度學習的主要任務和內容
  2.2  深度學習的主要框架
    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  深度學習神經網路主要特點
    2.3.1  深度學習神經網路基本特點
    2.3.2  深度學習神經網路（DNN）的基本類型和體系結構
    2.3.3  深度學習神經網路（DNN）體系結構主要特點
    2.3.4  深度學習神經網路（DNN）主要模型和訓練演算法
    2.3.5  深度學習神經網路（DNN）代表性模型軟體
第3章  基於深度學習技術的地質體識別研究現狀
  3.1  概述
  3.2  利用機器學習或深度學習開展岩性填圖或分類研究現狀
  3.3  多模態數據融合研究現狀
  3.4  深度學習技術在岩石填圖應用中的主要相關論文摘要
    3.4.1  使用支持向量機，利用遙感數據實現岩性自動分類
    3.4.2  基於支持向量機的風化層地質填圖
    3.4.3  利用遙感數據和形態學特徵進行岩性製圖的不同機器學習演算法比較
    3.4.4  使用隨機森林通過機器學習識別不列顛哥倫比亞火山地形中的侵入岩
    3.4.5  基於地球物理和遙感數據，使用隨機森林進行岩石學製圖
    3.4.6  採用K臨近、支持向量機、自適應增強在火山岩測井岩性識別中的方法對比
    3.4.7  基於10種機器學習演算法的隧道圍岩智能分類
    3.4.8  基於多感測器數據和卷積神經網路的岩性分類
    3.2.9  基於深度卷積神經網路的岩相微相分類
    3.4.10  一種基於注意力的深度擴張卷積神經網路用於可解釋空間譜圖的地震相分析

    3.4.11  基於全卷積網路和多源地質數據的岩性成圖
    3.4.12  基於融合多分類器的多光譜和高光譜遙感圖像岩性優化成圖
    3.4.13  模糊ARTMAP神經網路方法在衛星圖像和布爾邏輯地質製圖中的性能評估
第4章  研究區、數據及數據預處理介紹
  4.1  研究區位置介紹
  4.2  參與建模的主要數據說明
  4.3  數據來源與主要預處理方法
    4.3.1  數據來源
    4.3.2  地球化學、地球物理、遙感數據空間解析度的同化技術
    4.3.3  遙感數據處理（基礎方法）
    4.3.4  地球化學數據預處理
    4.3.5  地球物理數據預處理
    4.3.6  數據歸一化處理
第5章  人工智慧地質圖生成技術總體框架與主要應用流程
  5.1  人工智慧地質圖生成技術總體框架
    5.1.1  地質填圖知識庫
    5.1.2  深度學習人工智慧地質圖基本演算法模型和算力
    5.1.3  深度學習人工智慧地質圖基本內容和概念
  5.2  深度學習人工智慧地質圖技術方法應用流程
第6章  多模態數據中期融合深度神經網路地質圖生成模型結構（IF-DNN）與評價指標
  6.1  人工智慧地質圖自動生成模型
    6.1.1  人工智慧地質圖建模的多模態數據（訓練數據）融合方法
    6.1.2  多模態數據中期融合深度神經網路地質圖生成模型結構
  6.2  人工智慧地質圖自動生成模型評價指標
    6.2.1  模型定量評價指標
    6.2.2  人工智慧地質圖自動生成模型應用定性評價指標
  6.3  人工智慧地質圖自動生成模型難點和技術性問題
第7章  地質路線填圖對象知識標籤構建方法
  7.1  數字填圖PRB技術及PRB數據簡述
    7.1.1  PRB數據模型
    7.1.2  地質路線PRB的基本過程組合的規則
    7.1.3  地質路線PRB數據結構化與非結構化表達實例
  7.2  地質路線填圖對象知識標籤構建
    7.2.1  地質路線填圖對象知識標籤的分類粒度
    7.2.2  地質路線填圖對象知識標籤表的結構與內容
  7.3  地質路線PRB數據標籤數據處理與生成方法
    7.3.1  地質路線上地質點P及採樣數據標注
    7.3.2  地質路線R（地質分段路線）數據標注
    7.3.3  地質路線採樣數據由線轉為有效標注點預處理
  7.4  地質路線PRB知識標籤製作操作步驟與數據質量控制
    7.4.1  數字填圖系統分別輸出P、R、S電子錶文件
    7.4.2  檢查P、R、S邏輯關係是否準確
    7.4.3  P、R、S電子錶分別標準化前11個欄位
    7.4.4  從標準化后的P、R、S電子錶合併成一個完整PRB知識標籤庫
    7.4.5  在完整PRB知識標籤庫中進行岩石地層單位和岩性標籤分類
    7.4.6  形成最終完整PRB知識標籤庫
第8章  半監督地質路線高可信偽標籤生成方法
  8.1  半監督地質路線高可信計算標籤生成方法流程
  8.2  地質路線真標籤做法
    8.2.1  地質路線真標籤做法（GRTL）

    8.2.2  地質路線真標籤擴展做法（GRTL'）
  8.3  地質路線偽標籤做法（GRPL）
  8.4  地質路線高可信偽標籤做法（GRPL'）
    8.4.1  通過半監督，形成有效GRPL標籤
    8.4.2  對有效GRPL標籤進行過濾
    8.4.3  通過欠採樣和過採樣，進行樣本均衡處理，形成GRPL'高可信偽標籤
  8.5  真標籤和偽標籤擴展半徑不同對模型精度影響的比較
第9章  AI地質圖建模結果與評價
  9.1  試點圖幅建模定量評價結果
  9.2  一致性定性評價
  9.3  準確性、可解釋性、新穎性綜合評價
    9.3.1  準確性、可解釋性綜合評價
    9.3.2  新穎性綜合評價
  9.4  完整性評價
  9.5  野外路線驗證評價
第10章  IF-DNN AI地質圖關鍵技術問題討論
  10.1  地質路線高可信偽標籤對提高模型精度有明顯效果
  10.2  IF-DNN人工智慧地質圖模型優於RF人工智慧地質圖模型
  10.3  多個共享特徵的表示（融合層）的建模精度優於單個共享特徵的表示（融合層）
  10.4  IF-DNN模型中，不採用CNN，AI地質圖成圖效果更好
  10.5  地球物理數據集參加建模有益於提高召回率
  10.6  不同疏密程度地質路線樣本標籤IF-DNN建模，可以滿足不同階段填圖要求
  10.7  地質路線標籤分類粒度對AI地質圖精度的影響
  10.8  SAR數據對揭露第四系的影響
  10.9  不同模態數據轉化為高維特徵表達的全連接層層數優化確定
  10.10  消融對比實驗結果
  10.11  模型需進一步研究與改進的問題
第11章  內蒙古1:5萬奈瑪拉吉、巨里河、荷葉哈達幅區域地質調查——深度學習地質填圖技術應用與評價（火山岩區）
  11.1  研究區概況
    11.1.1  基本地理概況
    11.1.2  預研究資料收集與認識
    11.1.3  深度學習地質填圖技術應用情況
  11.2  調查區基礎地質特徵（簡要描述）
    11.2.1  地層
    11.2.2  侵入岩
    11.2.3  火山岩
    11.2.4  變質岩
    11.2.5  構造
    11.2.6  礦產資源
    11.2.7  能源資源
  11.3  應用與評價
    11.3.1  深度學習地質填圖技術應用
    11.3.2  深度學習預測圖與實測圖對比評價
  11.4  存在的問題和建議
    11.4.1  部分地質體預測不準確
    11.4.2  其他原因與建議
第12章  楓香驛幅深度學習地質填圖技術應用
  12.1  應用概況
    12.1.1  工作任務基本情況
    12.1.2  預研究資料收集與認識

    12.1.3  深度學習地質填圖技術應用情況
  12.2  調查區基礎地質特徵
    12.2.1  地層
    12.2.2  岩漿岩
    12.2.3  構造
    12.2.4  變質岩
    12.2.5  礦產資源
  12.3  應用與評價
    12.3.1  深度學習地質填圖技術應用
    12.3.2  深度學習預測圖與實測圖對比評價
  12.4  存在的問題和建議
    12.4.1  存在問題
    12.4.2  建議
第13章  青海省都蘭縣昂日塔地區3幅1:2.5萬區域地質礦產調查——深度學習地質填圖技術應用與評價
  13.1  研究區概況
    13.1.1  基本地理概況
    13.1.2  預研究資料收集與認識
    13.1.3  深度學習地質填圖技術應用情況
  13.2  調查區基礎地質特徵（簡要描述）
    13.2.1  地層
    13.2.2  侵入岩
    13.2.3  火山岩
    13.2.4  變質岩
    13.2.5  構造
    13.2.6  礦產資源
  13.3  應用與評價
    13.3.1  深度學習地質填圖技術應用
    13.3.2  深度學習預測圖與實測圖對比評價
  13.4  存在的問題和建議
    13.4.1  存在問題
    13.4.2  建議
第14章  結語
參考文獻
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

Δ訂單支付
付款方式
運費計算方式

Δ關於我們
關於美商天龍
聯絡我們

首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032

同類熱銷排行榜

最近瀏覽的商品

AI地質圖生成技術與方法--基於地質路線深度學習