Знание геологических структур и их топологических взаимосвязей (например, разломов, соединений, магматических контактов и несоответствий) важно для широкого круга геологических исследований и промышленности, включая разведку полезных ископаемых, секвестрацию CO2, подземные воды и геотермальную энергию.
Структурные карты обычно показывают местоположение, геометрию, ориентацию и протяженность интересующих конструкций. Дополнительная информация, обычно собираемая, может также включать информацию о расстоянии между ударами, шероховатости и плотности.
Наиболее фундаментальными из этих свойств являются местоположение, геометрия и ориентация поверхности, поскольку эти свойства являются важнейшими компонентами широко используемых методов, таких как двухмерная (2D) конструкция поперечного сечения, балансировка поперечного сечения, трехмерная (3D) визуализация геологии и моделирование геофизических данных.
Такие подходы могут давать обильные и высококачественные данные, но на их завершение могут уйти недели и даже месяцы. Благодаря последним достижениям в области технологий сбора аэрофотоснимков с самолетов и беспилотников появилась возможность получать изображения поверхности горных пород с высоким разрешением и анализировать геологические структуры в этих наборах данных в цифровом формате.
Фотограмметрия - это метод, который захватывает 3D-информацию об особенностях с двух или более фотографий одного и того же объекта, полученных с разных углов. В частности, структура от движения (SfM) представляет собой фотограмметрический метод, в котором положение и ориентация камеры решаются автоматически, в отличие от традиционной фотограмметрии, где требуется априори знание этих параметров.
SfM использует перекрывающиеся фотографии для построения 3D облаков точек, из которых относительно просто вычислять модели поверхности, такие как каркасы или цифровые модели рельефа (ЦМР), и, наконец, создавать ортотрансформированные фотомозаики или текстурные поверхности.
Визуальная интерпретация является субъективным и трудоемким процессом, который в значительной степени зависит от опыта и способностей человека.
Субъективность вовлечена в идентификацию линейных признаков и истинных ее расширений. Например, визуальная интерпретация дает результаты, которые в основном не воспроизводимы, поскольку разные интерпретаторы обладают разным уровнем знаний или могут использовать разные критерии идентификации.
Даже один и тот же наблюдатель не воспроизводит все линии в одних и тех же местах в многочисленных испытаниях. Такая субъективность может быть сведена к минимуму путем объединения результатов нескольких наблюдателей или привлечения одного наблюдателя для участия в нескольких испытаниях.
Однако оба решения могут потребовать значительного количества человеко-часов для получения интерпретации. Автоматическое обнаружение объектов на снимках является активной областью исследований в области обработки изображений, включая многие приложения, такие как извлечение дорог и медицинские приложения.
Установлено, что визуальный метод позволяет выявить около 50% дефектов, а автоматизированный - 53,7-69,2% дефектов на основании порогового значения.
Таким образом, эффективность автоматизированных методов может быть эквивалентна или чуть более эффективной, чем визуальная интерпретация для обнаружения линеаментов.
В автоматизированных методах очень важен оптимальный выбор параметров в соответствии с различными контрастами и рельефами местности. Более того, автоматизированные методы часто обнаруживают линии соприкосновения с негеологическими структурами, такими как линии электропередач, дороги и объекты, созданные человеком. Таким образом, автоматизированные методы обнаруживают значительно больше признаков, чем фактические признаки, присутствующие в исследуемом районе. Эти ложные срабатывания необходимо было отредактировать или удалить для получения окончательной карты, что отнимало много времени.
Ограничения автоматизированных методов показывают, что для создания более качественной структурной карты требуется определенная степень взаимодействия с пользователями. Для преодоления этих ограничений в работе использовали искусственные нейронные сети для отделения реальных функциональных сегментов от ложных срабатываний, обнаруженных их автоматизированным методом.
Основы метода БПЛА
БПЛА для сбора данных уже широко используются в различных целях, включая цифровую реконструкцию архитектуры и картирование моховых зарослей для мониторинга изменения климата. Использовался восьмироторный вертолет для съемки примерно 140 фотографий на высоте 30-40 м над уровнем моря в точке Пиканинини на восточном побережье Тасмании, Австралия. На снимках была сделана многослойная измерительная последовательность, пересекаемая рядом дамб и разломов. Для данного исследования было создано облако точек, представляющее собой набор опорных точек в 3D системе координат, с использованием методов SfM.
Пакет программного обеспечения Bundler был использован для создания разреженного облака точек. Точки объектов были определены с помощью алгоритма SIFT и сопоставлены с использованием приближенного метода kd-дерева ближайшего соседа. Алгоритм RANSAC отфильтровывал слабые совпадения и, наконец, для расчета 3D-координат каждого объекта использовался блок настройки пучка. Это редкое облако точек использовалось в качестве входа в программное обеспечение Patch View Multi-Stereo (PMVS2) и было создано плотное облако точек. Наконец, система координат облака точек была преобразована в реальную мировую систему координат и построена цифровая модель рельефа (ЦМР). Отдельные фотографии были привязаны к местности и сшиты вместе для создания единой мозаики. Относительная точность набора данных составляет порядка 10-25 см.
Рабочий процесс по анализу данных фотограмметрии
Данный метод повышает ценность традиционных методов исследования и обеспечивает получение объективных и последовательных результатов, которые могут быть запрошены и воспроизведены. Рабочий процесс состоит из трех этапов:
- Сначала нанесли на карту геологические структуры с помощью полуавтоматического анализа изображений фотографического набора данных.
- После определения соответствующих координат 3D геологического строения на основе матрицы высот рассчитываются коэффициенты наиболее подходящей плоскости.
- Наконец, рассчитывается направление падения и падения плоскостей конструкции.
Генерация управляемой пользователем карты повреждений
Стандартные методы определения краев определяют края путем определения точек на изображении, в которых интенсивность изображения резко изменяется. Существует множество методов обнаружения кромок. При сравнении эффективности этих широко используемых методов пространственного определения границ домена результаты показали, что метод хорошо работает и способен обнаруживать сильные и слабые края.
Фазовая симметрия - это метод определения признаков для хребтов или долин, т.е. объектов типа линий. Этот алгоритм уже используется в геологии и геофизике для обнаружения областей магнитной неоднородности . Одним из преимуществ этого метода является то, что он инвариантен к локальной силе сигнала.
В этом методе ось линии соответствует пикселям, которые симметричны вдоль различных профилей, отсортированных со всех ориентаций, кроме параллельной ориентации. Ось симметрии в пространственной области соответствует точкам, где все частотные составляющие находятся либо на максимуме, либо на минимуме.
Метод фазовой конгруэнтности - это метод краевой детекции, который обнаруживает особенности путем определения точек, в которых компоненты находятся в фазе максимальной концентрации. Согласованность фаз обеспечивает меру, инвариантную величине сигнала. Для определения краев изображения можно использовать фазовую конгруэнтность. Особенности были впервые обнаружены с помощью алгоритмов фазовой совместимости и симметрии на фотографиях с геопривязкой высокого разрешения, сделанных на платформе БПЛА.
Затем выходные данные обрабатывались на тонкие края, а затем пороговое значение определялось для выделения пикселей края от других пикселей. Характеристики были уменьшены с помощью техники не-максимального подавления, которая подавляет пиксели, не входящие в состав локальной максимы. Затем разреженный выход был обработан порогом гистерезиса, который помечает все пиксели со значениями выше верхнего порога как разметки и отвергает все пиксели со значениями ниже нижнего порога. Оставшиеся промежуточные пиксели помечаются как края, только если они соединены с пикселями с высоким порогом .