本书围绕地球化学空间模式识别与异常提取,瞄准当前勘查地球化学数据处理的研究热点和前沿,研究勘查地球化学数据处理与异常识别方法和模型、勘查地球化学数据闭合效应、基于分形与多重分形模型的地球化学空间模式特征及异常识别,以及基于机器学习(包括深度学习)的地球化学空间模式识别与异常提取理论与方法:并开发勘查地球化学数据处理软件。此外,本书详细介绍每种方法的研究现状、基本原理和实现方法,并提供每种方法实现的涌代码,读者可利用这些源代码处理数据。本书中涉及的方法、代码和工具软件不仅适用于勘查地球化学数据处理,也适用于其他相关数据处理。本书部分插图配有彩图二维码,见封底。
样章试读
目录
- 目录
第1章 地球化学异常识别 1
1.1 地球化学异常识别方法概述 3
1.1.1 相关背景 3
1.1.2 基于频率分布的方法 4
1.1.3 基于频率-空间分布的方法 4
1.1.4 基于机器学习的方法 5
1.2 成分数据 6
1.3 元素组合 7
1.4 栅格单元大小 8
1.5 研究区及数据 9
第2章 Gap统计与聚类分析 11
2.1 概述 13
2.2 局域Gap统计量 15
2.2.1 基本原理 15
2.2.2 应用实例 20
2.3 基于矿化因子的聚类分析 25
2.3.1 基本原理 26
2.3.2 应用实例 29
附录 主要算法代码 34
第3章 成分数据 39
3.1 基本概念 41
3.2 分析方法 44
3.2.1 加法对数比变换 44
3.2.2 中心对数比变换 44
3.2.3 等距对数比变换 45
3.3 地球化学成分数据分析 45
3.3.1 单变量分析 45
3.3.2 双变量分析 50
3.3.3 多变量分析 52
附录 稳健主成分分析代码 56
第4章 分形与多重分形 57
4.1 概述 59
4.2 经典模型 60
4.2.1 C-A分形模型 60
4.2.2 S-A分形模型 61
4.2.3 局部奇异性分析 63
4.3 基于地质统计学模拟数据的局部奇异性分析方法 65
4.3.1 基本原理 65
4.3.2 应用实例 69
4.4 相关软件 83
4.4.1 GeoFrac2D 83
4.4.2 ArcFractal 85
附录 主要算法代码 87
第5章 机器学习 89
5.1 概述 91
5.2 机器学习的基本原理 93
5.3 局部RX算法 95
5.3.1 基本原理 95
5.3.2 应用实例 99
5.4 测度学习 101
5.4.1 基本原理 102
5.4.2 应用实例 109
5.5 深度自编码网络 112
5.5.1 基本原理 112
5.5.2 应用实例 117
5.6 地质大数据 121
5.6.1 基本原理 121
5.6.2 应用实例 126
附录 主要算法代码 128
参考文献 137