集成的像素智能遥感和可解释的机器学习用于普里卡斯皮亚盆地的东南部,哈萨克斯坦西部的天然气勘探
Dennis Delali Kwesi Wayo1,2, Leonardo Goliatt3, Randy Hazlett1
1School of Mining and Geosciences, Nazarbayev University, Astana, 010000, Kazakhstan.
Scientific reports
|February 26, 2026
概括
这项研究引入了一种机器学习方法,使用卫星图像来绘制潜在的天然 (H2) 沉积物的地图. 该方法通过确定有前途的领域来增强勘探,使清洁能源的发现更有效率.
科学领域:
- 地质化学 地质化学
- 地质物理学 地质物理学
- 遥感 遥感 遥感 遥感
背景情况:
- 天然 (H2) 是一种清洁的能源,具有显著的勘探潜力.
- 目前的勘探依赖于表面调查,这些调查往往稀疏,缺乏可靠的检测方法.
- 识别H2表面表达是具有挑战性的,阻碍了高效的探索.
研究的目的:
- 开发和应用基于机器学习的遥感技术,用于自然的前景映射.
- 为哈萨克斯坦阿提拉提地区创建像素智能的气前景性地图.
- 展示自然探的可扩展和可解释的方法.
主要方法:
- 利用 Sentinel-2 Level-2A 图像,提取光谱带,光谱指数 (NDVI,NDWI) 和纹理特征.
- 在一个大标记像素数据集上训练了四个机器学习分类器 (RF,XGB,SGD,LGBM).
- 使用可解释AI (SHAP) 来解释特征贡献和与地质特征的空间相关性.
主要成果:
- 在检测H2异常时,XGB (91.8%) 和LGBM (93.1%) 实现了高回忆率,尽管存在阶级不平衡.
- 对于XGB,ROC AUC达到0.81,这表明该模型的性能强.
- SHAP分析揭示了预测的异常与已知的地质结构 (如断层) 之间的相关性.
结论:
- 机器学习工作流提供了一个可扩展,可解释和具有成本效益的方法来进行天然探测.
- 该技术有效地缩小了勘探区域,指导了随后的实地调查.
- 这种方法可以适应全球数据稀疏盆地的天然气勘探.
