基于多源信息融合和深度学习的智能故障识别方法.
Dashu Guo1, Xiaoshuang Yang1, Peng Peng2
1School of Resources and Environment, Anhui Agricultural University, Hefei, 230036, China.
Scientific reports
|February 24, 2025
概括
本研究介绍了一种多源信息融合方法,用于使用遥感图像和深度学习准确地识别地质断层. 这种方法增强了故障特征提取,从而导致精确而智能的故障映射.
科学领域:
- 地质地质地质地质地质地
- 遥感 遥感 遥感 遥感
- 人工智能的人工智能
背景情况:
- 地质断层是关键结构,传统上使用基于线性特征的遥感图像 (RSI) 来识别.
- 提高断层的形态特征是快速,精确和智能识别的关键.
研究的目的:
- 开发和验证一个多源信息融合方法,用于智能地质断层识别.
- 整合光谱,地形,地形和结构特征,以改进故障检测.
主要方法:
- 分析和融合RSI,数字海拔模型和地质地图数据.
- 在光谱,地形,地形和结构领域提取了16个影响因素.
- 机器学习用于因素重要性预测和卷积神经网络 (CNN) 的应用,用于智能故障识别.
主要成果:
- 分类和回归树 (CART) 模型实现了高精度 (0.993),真实阳性率 (0.988),和F1得分 (0.994).
- 地形位置指数 (TPI),山谷线 (VL),表面切割深度 (SCD) 和RSI被确定为关键因素.
- CNN模型表现出强的性能,验证精度为0.990和验证损失为0.025.
结论:
- 多源信息融合显著提高了地质断层的识别.
- 基于深度学习的图像识别,特别是CNN,为智能故障映射提供了有效的工具.
- 拟议的方法准确地识别了复杂的地质区域的断层,如在金县所示.
