云南地下流体数字化资料异常信息提取方法研究.docxVIP

云南地下流体数字化资料异常信息提取方法研究

一、引言

地下流体作为地下水、油气等液态和气态物质在地下环境中的流动状态，在诸多领域有着广泛应用前景。因其难以直接观测和测量，需借助大量地下水位、水温、水化学性质等数字化资料，来研究其分布、运移及演化等过程。并且，提取和分析地下流体异常信息，对地质灾害预警、矿产资源评价意义重大。云南地质灾害频发且水资源丰富，开展地下流体异常信息提取与分析研究，具有极高的应用价值。

二、云南地下流体数字化资料特点及异常信息表现形式

2.1资料特点

云南地区地下流体数字化资料涵盖多种参数，如水位、水温、水化学等。这些资料在时间尺度上具有不同的采样频率，从分钟值到日值、旬均值等。在空间上，分布于全省不同地质构造区域的观测站点，各区域地质条件复杂多样，使得资料呈现出显著的地域特征。例如，在断裂带附近的观测点，其地下流体参数变化往往更为复杂且频繁。

2.2异常信息表现形式

2.2.1水位异常

在地震孕育等地质活动过程中，地下水位可能出现突发性的上升或下降。如在一些震例中，震前数月部分观测井水位出现明显高于或低于正常波动范围的变化，且这种变化并非由降水、开采等常规因素导致。同时，水位变化速率也可能发生异常，正常情况下水位平稳变化，而异常时其上升或下降速率会突然加快或减慢。

2.2.2水温异常

水温异常常表现为水温的突然升高或降低。在某些构造活动活跃区域，观测到水温在短时间内偏离多年均值，出现数摄氏度的变化。此外，水温的年变规律也可能被打破，原本呈现稳定年变特征的水温，在异常情况下其年变曲线出现扭曲、提前或滞后等现象。

2.2.3水化学异常

水化学指标如氡、汞、氯离子等含量会发生改变。例如，震前部分测点的氡含量出现明显升高，超出正常背景值范围。不同离子之间的比例关系也可能出现异常，这种比例失衡反映了地下流体化学环境的变化，与地质构造活动密切相关。

三、异常信息提取方法

3.1统计分析方法

3.1.1时间序列分析

对地下流体参数的时间序列数据进行分解，将其分为趋势项、周期项和随机项。通过分析趋势项的变化，可识别出长期的异常趋势。例如，利用滑动平均法对水位时间序列进行处理，若发现实际水位值偏离滑动平均值超过一定阈值，可判定为异常。对于周期项，对比历年同一周期内的数据，若某一时期的周期特征与以往明显不同，也可能指示异常。

3.1.2主成分分析

将多个地下流体参数（如水位、水温、多种水化学离子浓度）作为变量，通过主成分分析，将这些相关性较高的变量转换为少数几个不相关的主成分。在正常情况下，主成分的变化较为稳定。当出现异常时，某些主成分的贡献率会发生显著改变，或者主成分得分超出正常范围，以此来提取异常信息。例如，在对某区域多个观测点的多种地下流体参数进行主成分分析后，发现某一主成分在特定时间段内得分异常升高，进一步研究发现该主成分主要与地震活动相关的构造应力变化有关。

3.2机器学习方法

3.2.1支持向量机（SVM）

构建支持向量机模型，将地下流体的各类参数作为输入特征，正常数据标记为一类，异常数据标记为另一类。通过对大量已知样本的学习，SVM模型能够找到一个最优分类超平面，用于对未知数据进行分类。在实际应用中，收集云南地区多年的地下流体数字化资料，包括正常时期和出现过异常的时期的数据，对SVM模型进行训练和优化。当新的地下流体数据输入时，模型可判断其是否为异常数据。例如，在对某观测井的水位、水温及水化学数据进行SVM分类时，模型准确识别出了一次因附近小型构造活动引起的地下流体异常。

3.2.2随机森林（RF）

随机森林由多个决策树组成，通过对训练数据进行有放回抽样，构建多个不同的决策树模型，然后综合这些决策树的结果进行最终决策。在地下流体异常信息提取中，将地下流体参数作为特征变量输入随机森林模型。每个决策树对数据进行分类，最后根据多数决策树的投票结果确定数据是否异常。该方法具有较好的稳定性和泛化能力，能够处理高维数据和复杂的非线性关系。例如，利用随机森林模型对云南某区域多个观测点的多种地下流体参数进行分析，成功提取出了与地震活动相关的异常信息，且该模型在不同地质条件区域的测试中表现出较高的准确率。

3.3深度学习方法

3.3.1卷积神经网络（CNN）

针对地下流体时间序列数据，构建一维卷积神经网络。CNN通过卷积层、池化层和全连接层等结构，自动提取数据中的特征。在处理地下流体数据时，卷积层的卷积核可对时间序列数据进行局部特征提取，池化层则对特征进行降维，减少计算量。全连接层将提取到的特征进行分类判断。例如，将某观测井连续多年的水位分钟值数据作为输入，经过CNN模型训练后，模型能够有效识别出水位数据中的异常波动特征，与传统方法相比，CNN在处理复杂时间序列数据时具有更高的准确性