利用短波红外高光谱数据勘探天然气的研究

 

引 言

 

早期仅靠地面油气显示来勘探油气藏的方法已逐步被地质方法所代替.随着科学技术的发展和寻找复杂油气藏的需要，地震、油气化探和卫星遥感方法被逐步引入油气勘探工作中。而高光谱遥感技术的发展，把遥感的油气勘探应用推向更高、更有效、定量化的应用层次。本文此次研究是利用高光谱遥感图像，对× ×地区烃类微渗漏造成的遥感异常信息进行提取，运用文中使用的特征提取算法以及所设计的分类系统，作为天然气综合勘探方法中的重要一环，可为实现该地区天然气蚀变异常区的圈定、进而确定地下天然气富集、最终为天然气勘探，提供新的重要的参考依据。

 

 

高光谱遥感成像示意

1数据预处理

在对数据进行分析和处理之前，为了真实地反映地貌信息，预处理过程必不可少。文中进行了如图1所示的各项预处理工作。首先对Level 1B数据进行绝对辐射率转换，VNIR波段除以40.0，SWIR波段除以80.0。由于高光谱传感器个别通道存在坏的探测元，导致其对应的采样像素列不响应，DN(DigitalNumber)值为零。对这些死像素列(坏线)，采用光谱线性插值的方法实现校正。光谱仪系统中每一行的各CCD光谱响应不一致，导致在每个谱段上出现了竖的条纹，即列向条带噪声。文中采用二次多项式拟合的方法去除条带噪声。针对高光谱在SWIR波段范围内的低信噪比，文中采用了小波域小波强制消噪方法去除图像随机噪声。辐射校正则采用ENVI模块FLAASH 4.1大气辐射校正软件包处理完成。

 

 

图1  预处理

2油气特征提取与分类方法

2.1 基于小波PCA的特征提取方法

遥感反射率 Rrs=Lw/Ed(0+) ， 即对水体的遥感反射率的计算必须要测量水体的离水辐亮度 Lw与水体表面 入射辐照度 Ed(0+) 。

针对× ×地区地表油气信息微弱、高光谱数据的空间分辨力不够高、SWIR波段信噪比较低等因素，一种有效的特征提取算法就极为重要，也是研究工作的难点。一些传统的特征提取算法经试用后效果甚微。文中采用了基于小波PCA的改进型特征提取方法，它充分结合了小波分解以及主成分分析的优势，能够有效地提取微弱信息。主成分分析(PCA)能利用谱段之间的相互关系，在尽可能地不丢失信息的同时，除去谱段间多余信息，将多谱段的图像信息压缩到少数几个谱段而仍能保持有效性。

 

 

图2　基于小波PCA的特征提取流程

另一方面，小波变换能在光谱域内针对每一个像元进行数据降维。它不仅可以减少数据量，同时也能保留光谱信号中的差别，使典型光谱中的峰谷信息保留下来，这对大多数基于像元运算的分类器很有优势。由于小波分解是作用于每一个像元的，所以，在空间域内基于小波的降维不能很好区分相邻像元间的不同类。而PCA则能弥补这一不足，它能提供更多的不同类在相邻像元间的局部空间信息。因此，由小波分解和PCA结合而成的特征提取算法，有助于更好地进行地物分类，提取烃类微渗漏蚀变特征。此算法的具体流程如图2所示。

2.2 分类系统设计

在高光谱分类中，实际感兴趣的地物，如农作物、森林覆盖、自然植被、矿物以及城区中的感兴趣地物都是以多种状态存在的，并在不同的光照条件下获取，呈现出相当大的统计可变性。因此用单一的平均光谱或典型地物光谱响应不足以表征这些地物，而应该用一族响应来表征。量化地表征这一族响应的最有力、并有多种用途的方法之一就是将每个响应用多元概率密度函数建模，从而可以采用统计模式识别方法对样本进行分类。监督训练与非监督训练是互为补充的。前者将分析员对该区域的知识施加于分析中以约束其结果，而后者则根据该地区所代表的地物辐射特性(谱特性)的相似性和相异性来分类，不受关于该区域外部知识的约束.本文结合两者的优点，运用K-Mean聚类法/最大似然法混合训练策略，采用粗分→细分→精分思想，完成对天然气蚀变异常区的分类.具体分类过程如图3所示。

 

 

图3　天然气特征区分类系统流程

3结果分析

3.1 实验结果分析

遥感反射率 Rrs=Lw/Ed(0+) ， 即对水体的遥感反射率的计算必须要测量水体的离水辐亮度 Lw与水体表面 入射辐照度 Ed(0+) 。

研究区内富含石英、石盐、方解石、白云石、钾长石、斜长石、文石、石膏以及和一些粘土矿物，如蒙脱石、伊利石、高岭石和绿泥石等。根据其岩性特点，结合上述这些粘土矿物的光谱特征，可分析出含Al-OH基团矿物(如高岭石、蒙脱石、伊利石)的特征谱段是2.16～ 2.24μm，含Mg-OH基团矿物(如绿泥石)的特征谱段是2.30～ 2.40μm。根据以上特征谱段，我们研究的目标数据是B 180～B 224，共45个谱段，其对应的谱段范围为1.951～ 2.395μm。特征提取时保留前5个主成分作为特征图像，用于后续分类过程.在完成分类之后，我们对8景天然气蚀变异常区分类图进行了几何校正及镶嵌处理，以同一经纬度的ASTER数据为底图，输出完整的× ×地区天然气蚀变异常区分类图，如图4所示(红点即为天然气特征点，用浅蓝色标识出蚀变异常区，分别用字母表示)。

 

 

图4　× ×地区天然气特征区分类图

3.2 地质解译

遥感反射率 Rrs=Lw/Ed(0+) ， 即对水体的遥感反射率的计算必须要测量水体的离水辐亮度 Lw与水体表面 入射辐照度 Ed(0+) 。

工作区主要为第四系内部构造。该区已有2个探明气田，储量较大，即一号、二号气田(图4中蓝圈所示)，它们属于背斜式构造，目前已在进行天然气的钻井开采工作。从图4可观察到，特征点在B、C区域密度很大，与已在进行生产的一号、二号气田吻合得非常好。在图4的西北角有蚀变异常区A显示。分析地质资料，可发现此位置是属于构造岩性异常体，储量较一号、二号气田小。西南角也有蚀变异常区D显示，可用第四系沉积相来解释。

地质资料表明，南部区域属于第四系浅-较深湖相，是生气区。西南角从新第三纪开始就已是生气区，南部从第四纪开始才为生气区，故而西南角相对密集。蚀变异常区E目前没有准确的地质资料，所以无法对其进行准确分析，需要后期采用地震、物化探测等其他勘探手段去验证。该地区所得到的地物分类结果，与本研究开展的地面同步测量及其他地质资料(包括付出极高的经济、人力、时间代价所获得的地震法等地质结构分析资料)具有很高的复合程度，表现了十分优良的分类精度；后期根据综合结果在该地区若干钻井，均有天然气发现。说明此方法对资源勘探起到了重要的作用，在经济性、有效性、快速性、大面积普查可能性等方面具有突出的优势，未来有巨大的发展空间。

4总 结

运用上述特征提取及分类系统，利用高光谱数据，基本实现了× ×地区天然气蚀变异常区的分类。根据该地区的地质资料可知，具有异常显示的区域与该地区气藏形成条件相吻合。文中采用的基于小波PCA的特征提取方法，有效地提取了该地区地表微弱的天然气蚀变特征。在分类时，文中采用的非监督/监督分类混合训练策略，有效地将干扰地物区分开，实现了天然气蚀变异常区的聚类。油气勘探历来是一门地球物理、地球化学、石油地质学等学科综合应用的科学。高光谱遥感作为一项新世纪以来逐渐走向实用的新技术，可以在众多业已成熟的油气勘探技术中，作为新的一员，充分发挥自己的能量。

审核编辑：符乾江