运用机器学习方法提取Sentinel-2影像烃微渗漏异常——以Marsel探区为例

油气藏的烃微渗漏是一种普遍存在的现象,遥感技术为油气藏的烃微渗漏地表检测提供了高效快捷的方法.传统的基于烃微渗漏机理的方法通过检测烃微渗漏引起的地表异常(植被、蚀变矿物等)响应以提取烃微渗漏位置,方法简单,但多解性强.本文以哈萨克斯坦Marsel探区为研究对象,提出了一种基于机器学习的遥感影像烃微渗漏异常提取方法.首先以研究区地表微生物检测结果为基础制作训练样本,为了对比不同样本学习结果,分别制作了斑块样本(patch sample)数据集和像元样本(pixel sample)数据集,在此基础上采用逻辑回归、支持向量机、随机森林、LeNet、AlexNet、GoogLeNet、ResNet算法构建两类数据集的学习模型.结果表明,对于经典机器学习算法,斑块样本最高准确率达0.833,像元样本最高达0.771;对于深度学习算法,斑块样本最高达0.782,像元样本最高达0.914.最后把这准确率最高的四种算法模型应用于哈萨克斯坦Marsel探区,并与地质地震资料进行对比,发现ResNet-18-1D对像元样本的预测结果与地震地质分析资料的对应性最佳,且准确率达0.914,Kappa系数达0.892.