Development of a Technique for Automatic Lineament Allocation Based on a Neural Network Approach

G. A. Grishkov; Гришков Г. А.; I. O. Nafigin; Нафигин И. О.; S. A. Ustinov; Устинов С. А.; V. A. Petrov; Петров В. А.; V. A. Minaev; Минаев В. А.

doi:10.31857/S0205961423060040

Development of a Technique for Automatic Lineament Allocation Based on a Neural Network Approach

作者: Grishkov G.A.¹, Nafigin I.O.¹, Ustinov S.A.¹, Petrov V.A.¹, Minaev V.A.¹
隶属关系:
1. Federal State Budgetary Institution of Science Institute of Geology of Ore Deposits, Petrography, Mineralogy and Geochemistry of the Russian Academy of Sciences (IGEM RAS)
期: 编号 6 (2023)
页面: 86-97
栏目: МЕТОДЫ И СРЕДСТВА ОБРАБОТКИ И ИНТЕРПРЕТАЦИИ КОСМИЧЕСКОЙ ИНФОРМАЦИИ
URL: https://journals.rcsi.science/0205-9614/article/view/231791
DOI: https://doi.org/10.31857/S0205961423060040
EDN: https://elibrary.ru/DGOQRA
ID: 231791

如何引用文章

全文:

开放存取

##reader.subscriptionAccessGranted##
受限制的访问

订阅存取

详细
作者简介
参考
补充文件
统计

详细

The purpose of the scientific work is to study the potential of neural network technologies in the field of extracting linear structures from digital terrain models SRTM. Linear structures, also known as lineaments, play an important role in the verification of known faults, the identification of fault-fracture structures, the detailing of the framework of discontinuous faults, as well as in the exploration of minerals. Their accurate and effective extraction in solving the designated tasks is of fundamental importance. The use of neural network technologies provides a number of advantages over sequential algorithms, including the ability to search for universal criteria for selecting lineaments based on a training sample. The paper considers a comprehensive innovative methodology that includes several key stages. The first stage is the author’s method of data preparation, which helps to ensure the quality of the training sample and minimize the impact of noise. The second stage is to develop an algorithm for vectorizing the results of the neural network, which allows you to easily export the results (lineaments) to a geographic information system (GIS). The third stage provides a method for minimizing the noise component of the training sample and optimizing the selection of synaptic weighting coefficients by retraining the neural network using simulated data reflecting various localization conditions of the lineaments. To verify the results obtained, a spatial comparison of linear structures extracted by a neural network and lineaments isolated by the operator was carried out. The results of this comparison demonstrate the high potential of the proposed approach and show that the use of neural network technologies is an actual and promising approach to solving the problem of extracting linear structures from digital terrain models. Positive conclusions are made about the expediency of using the results obtained for their practical application in the field of Earth sciences.

关键词

lineaments, neural networks, digital relief model, linear structures, neotectonics, geoinformation system, discontinuous violations, python, tensorflow, keras

参考

Баранов Р.П., Фаворская М.Н. Алгоритмы скелетизации объектов на изображении // Актуальные проблемы авиации и космонавтики. 2011. Т. 1. № 7. С. 349–349.
Брауде-Золотарев М., Гребнев Г., Протасов П., Ралько А., Сербина Е. Свободное программное обеспечение в организации: сборник материалов. 3-е изд. М.: “Интернет-Полиграфия” INFO-FOSS.RU. 2008. 124 с.
Гафаров Ф.М., Галимянов А.Ф. Искусственные нейронные сети и приложения: учебное пособие. Казань: Издательство Казанского университета. 2018. 121 с.
Григорьева Е.Г., Клячин В.А., Клячин А.А. Универсальный программный комплекс для решения многомерных вариационных задач // Математическая физика и компьютерное моделирование. 2017. № 2(39). С. 39–55.
Гришков Г.А., Устинов С.А., Нафигин И.О., Петров В.А. Нейронные сети и возможности их применения для анализа пространственных геологических данных // Материалы XV Международной научно-практической конференции. В 7-ми томах. Т. 4. Развитие новых идей и тенденций в науках о Земле: инновационные технологии геологической разведки горного и нефтегазового дела, бурение скважин, математическое моделирование и разведочная геофизика. М.: Российский государственный геологоразведочный университет им. С. Орджоникидзе, 2021. С. 33–36.
Кац Я.Г., Полетаев А.И., Румянцева Э.Ф. Основы линеаментной тектоники. М.: Недра. 1986. 140 с.
Логинов Г.Н., Петров А.М. Автоматическое выделение геоэлектрических границ по данным бокового каротажного зондирования с помощью глубокой сверточной нейронной сети // Геология и геофизика. 2019. Т. 60. № 11. С. 1650–1657.
Молчанов А.Б., Гордеев Н.А. Автоматизация метода реконструкции неотектонических напряжений Л.А. Сим с применением алгоритмов компьютерного зрения // Труды Ферсмановской научной сессии ГИ КНЦ РАН. 2021. № 18. С. 301–304. https://doi.org/10.31241/FNS.2021.18.056
Рябов А.А., Алгоритм Рамера-Дугласа-Пекера Методы и средства обработки и хранения информации: Межвузовский сборник научных трудов. М.: “Курс”, 2017. С. 40–43.
Соснин А.С., Суслова И.А. Функции активации нейросети: сигмоида, линейная, ступенчатая, ReLu, THAN // НАУКА. ИНФОРМАТИЗАЦИЯ. ТЕХНОЛОГИИ. ОБРАЗОВАНИЕ. Материалы XII международной научно-практической конференции. Екб.: Российский государственный профессионально-педагогический университет, 2019. С. 237–246.
Тикунов В.С. Геоинформатика: учебное пособие для студентов. М.: МГУ. 2008. 361 с.
Чернова И.Ю., Нугманов И.И., Кадыров Р.И. Автоматизированный линеаментный анализ: учебно-методическое пособие. Казань: Казанский (Приволжский) федеральный университет. 2012. 38 с.
Шевырев С.Л. Программа LEFA: автоматизированный структурный анализ космической основы в среде MATLAB // Успехи современного естествознания. 2018. № 10. С. 138–143.
Щепин М.В., Евдокимов С.В., Головченко С.В. Выявление кольцевых структур по результатам обработки изображений космических снимков // Исслед. Земли из космоса. 2007. № 4. С. 74–87.
Barbu T. Variational Image Denoising Approach with Diffusion Porous Media Flow // Abstract and Applied Analysis. 2013. P. 1–8. https://doi.org/10.1155/2013/856876
Dramsch J. 70 years of machine learning in geoscience in review // Advances in Geophysics. 2020. V. 61. P. 1–55.
Farr T.G., Rosen P.A., Caro E., Crippen R., Duren R., Hensley S., Kobrick M., Paller M., Rodriguez E., Roth L., Seal D., Shaffer S., Shimada J., Umland J., Werner M., Oskin M., Burbank D., Alsdorf, D. The Shuttle Radar Topography Mission // Reviews of Geophysics. 2007. V. 45. № 2. P. 1–33.
Gonbadi A.B., Tabatabaei S.H., Carranza E.J.M. Supervised geochemical anomaly detection by pattern recognition // J. Geochemical Exploration. 2015. V. 157. P. 81–91.
Kong Q., Trugman D.T., Ross Z.E., Bianco M.J., Meade B.J., Gerstoft P. Machine learning in seismology: Turning data into insights // Seismological Research Letters. 2019. V. 90. № 1. P. 3–14.
Lary D.J., Alavi A.H., Gandomi A.H., Walker A.L. Machine learning in geosciences and remote sensing // Geoscience Frontiers. 2016. V. 7. № 1. P. 3–10. https://doi.org/10.1016/j.gsf.2015.07.003
LeCun Y., Bengio Y., Hinton G. Deep learning // Nature. 2015. V. 521. № 7553. P. 436–444.
Shen C. A transdisciplinary review of deep learning research and its relevance for water resources scientists // Water Resources Research. 2018. V. 54. № 11. P. 8558–8593.
Suzuki S., Abe K. Topological Structural Analysis of Digitized Binary Images by Border Following // CVGIP. 1985. V. 30. № 1. P. 32-46.
Valentine A.P., Kalnins L.M. An introduction to learning algorithms and potential applications in geomorphometry and earth surface dynamics // Earth Surface Dynamics. 2016. V. 4. P. 445–460.
Wang Z., Di H., Shafiq M A., Alaudah Y., AlRegib G. Successful leveraging of image processing and machine learning in seismic structural interpretation: A review // The Leading Edge. 2018. V. 37. № 6. P. 451–461.
Zhao J., Chen S., Zuo R. Identifying geochemical anomalies associated with Au–Cu mineralization using multifractal and artificial neural network models in the Ningqiang district, Shaanxi, China // J. Geochemical Exploration. 2016. V. 164. P. 54–64.
Zlatopolsky A.A. Program LESSA (Lineament Extraction and Stripe Statistical Analysis) automated linear image features analysis – experimental results // Computers & Geoscience. 1992. V. 18. № 9. P. 1121–1126.
Zuo R., Xiong Y., Wang J., Carranza E. J. M. Deep learning and its application in geochemical mapping // Earth-Science Reviews. 2019. V. 192. P. 1–14.
Zuo R.G., Xiong Y.H. Big data analytics of identifying geochemical anomalies supported by machine learning methods // Nat Resour Res. 2018. V. 27. № 1. P. 5–13.