22年Q1

The Geothermal Artificial Intelligence for geothermal exploration

目的：像素级探测地热。

步骤：

一、选AOI，包括Brady和Desrt Peak

二、 地热指标分析

1）温度 temperature

2018年至2019年期间25张LANDSAT 8的二级临时地表温度产品图像

k均值聚类，k=5，一个像素投票数（总票数25）最多的两个数的均值

2）断层

断层线转密度图

3）矿物标记物 minerals

高光谱数据

玉髓、蛋白石、高岭石和石膏光谱

4）变形 Deformation：subsidence uplift

Sentinel-1 SAR数据

三、“真实”地热潜在区制作

基于5个地热指标构建25个聚类，分为两类，地热和非地热。

这个为真实数据

四、地热潜在区探测

1）根据自相关分析，设置卷积核大小，设计CNN网络。

2）训练与测试

Brady：59w像素，选6.7%训练，6.7%验证，20.2%测试。瓦片大小19像素*19像素

输入：地热指标和“真实”地热

五、我的看法

1、真实地热标签不够有说服力，如果用聚类结果就可以做出地热真实标签，为什么还要用更复杂的CNN去预测地热？

2、CNN的输入没有解释清楚，输入的是3个地热指标？地热指标是分析后的值？如果是分析后的，直接聚类就是地热了。

3、可取之处是可以根据第三步进行真实地热制作。

21年Q1

Detecting geothermal anomalies using Landsat 8 thermal infrared remotely sensed data

数据源

一、计算LST

Landset数据

二、验证LST准确性

方法1：MODIS Terra日间LST产品

方法2：气象站气温数据

验证完进行海拔校正ASTER GDEM

三、验证小区域地热探测结果

数据：2013.6到2020.6月，7年的landsat8时间序列 冬季LST

土地利用类型 CORINE land cover

计算阈值

小区域地热探测结果

四、整个研究区地热探测结果