2017, Vol. 32
2. 中国地质科学院矿产资源研究所, 国土资源部成矿作用与资源评价重点实验室, 北京 100037
3. 中国地质大学 (武汉), 武汉 430074
2. MLR Key Laboratory of Metallogeny and Mineral Assessment, Institute of Mineral Resources, Chinese Academy of Geological Sciences, Beijing 100037, China
3. China University of Geosciences (Wuhan), Wuhan 430074, China
岩性是指岩石颜色、成分、结构、构造等特征的总和，岩性识别是指通过一些特定的方法来认识和区别岩性的过程.如何刻画、认识地下岩性分布历来都是地质学中的重要问题：在油气勘探中，岩性识别是一项即基础又重要的环节，它是把储集岩分类成不同单元的过程，这些单元是经过相似的地质条件和相似的成岩改造得到的沉积物.岩性的准确识别是孔隙度和含油饱和度准确确定的前提，也是储层特征研究、储量计算和地质建模的基础；在矿产资源勘探中，尤其是在固体金属矿产资源勘探中，岩性识别同样发挥着不可估量的作用，精细的岩性识别是厘定目标区不同岩性空间展布、数量的可靠依据，从而为区域地质特征描绘提供特定的地质信息，在挖掘矿石含矿种类和品位等微观信息、获取复杂构造下的岩矿石运移状态等宏观认识中给予坚实基础.在结合成矿理论和成矿模式前提下，提供可信的找矿指示和优良的靶区预测，也为后期储量估算和三维建模给出有力佐证.
目前岩性识别的方法主要有重磁、测井、地震、遥感、电磁、地球化学、手标本及薄片分析方法等方法.国外岩性识别最早起源于20世纪初期，国内20世纪90年代首次引入岩性识别技术.重磁岩性识别技术的理论基础是通过密度和磁化率散点图，分析不同岩性对应的磁化率和密度组合特征和逻辑关系，来判断和识别岩性.测井和地震岩性识别具有较大的探测深度和相对较高的垂向分辨率，因此，测井和地震岩性识别是油气勘探中最常用的岩性识别方法.同时，测井在油气勘探中被比喻成人的眼睛，测井资料所携带的地质信息是确定地层含油储量和制订开采规划的重要依据.地震岩性识别能够圈定岩层界面的埋藏深度和形状，认识地下地质构造，以寻找油气圈闭.相比传统的构造油气藏，陆续发现的火成岩油气藏带动了测井响应特征识别技术、多参数交会图技术、重磁电异常编码识别技术等的发展.遥感岩性识别技术是基于空间信息技术的不断进步，大比例尺区域地质填图结合现代3S技术的需求日益强烈发展起来的.遥感技术因具有独特光谱优势，再结合野外验证手段进行岩性填图，成为快速、准确进行大比例尺地质填图的有效途径，也是开展现代地质填图的新技术新方法之一.
物性是连接地球物理与地质的纽带和桥梁，细致的物性研究是识别和区分岩性的关键步骤，常用到的物性有密度、磁化率、电导率和波阻抗等.早期地质工作者所作出的大量地质填图反应的仅为近地表的岩性，随着资源的利用和匮乏，浅表矿产的开发殆尽，挖掘深层次的资源成为满足当今需求的必然趋势，而传统的地质填图大大限制了勘探深度.因此开展具有深度上的岩性识别技术势在必行.本文从岩性识别原理、方法、效果以及进展等方面入手，结合实例，对比分析了当前四种主要岩性识别技术的特点.综合分析认为，三维岩性识别将是资源勘查中重要的一个环节，如何准确识别地下岩性的三维分布特征是实现深部矿产、油气资源勘查突破的关键；从技术层面分析，认为开展大型矿集区深部精细结构探测研究，通过岩性识别与填图实现矿集区“透明化”，发现深部矿产、揭示成矿规律是实现资源可持续发展的主要途径.鉴于重力和磁力数据覆盖面积广、采样密度高，重磁三维反演算法比较成熟，施工成本比反射地震、天然地震及大地电磁低等特点，采用钻孔等先验信息约束，开展重磁三维反演，获取地下密度和磁化率模型，根据物性与岩性的逻辑关系，识别岩性的三维分布特征是现阶段三维岩性识别最有可能成功并适合推广的方法.
1 岩性识别的主要方法 1.1 重磁技术长期以来，重磁综合解释是用来刻画、识别地下目标体有效方法之一.最初，人们仅对重力和磁力异常图进行直接的对比，进行平面上的定性分析，解释不同重磁异常组合可能对应的地质单元实现“地表地质填图”.除了直接对异常图进行解释，还有研究者从重力和磁力之间对应关系人手，开展提取更多信息用于岩性识别的研究.Kanasewich和Agarwal (1970)在波数域实现了求取磁化率与密度比值的方法，并用实例验证了该比值在岩性识别方面的效果.Dransfield等 (1994)通过泊松方程直接实现了重磁异常梯度的对应关系求解，Price和Dransfield (1995)将这种方法用于视岩性填图，取得了一定效果.鉴于重磁测量技术的发展，现在已经可以直接测量重磁的梯度，高精度的梯度数据为岩性识别带来了方便 (Braga et al., 2009；Martinez et al., 2011).除了直接利用重磁数据计算视磁化率和视密度图，通过反演获取磁化率和密度研究岩性分布特征是当前重磁技术发展的重要方向.Lane和Guillen (2005)探索了用反演所得的磁化率和密度作为辅助信息进行岩性分类识别的方法，Williams和Dipple (2007)以先验地质信息为参考模型，进行三维物性反演，获得了密度和磁化率三维模型，结合钻孔资料，探索了矿化蚀变填图方法，Richard和Simon (2011)将该方法发展到流体蚀变中，在澳大利亚Cobar矿区开展了重磁三维反演，根据蚀变与密度、磁化率的关系，成功的刻画了黄铁矿化、硅化、绢英岩化等与斑岩铜矿关系密切蚀变的三维分布特征.Kowalczyk等 (2010)用重磁三维反演获得了区域磁化率和密度差模型，根据密度和磁化率的散点图，确定了岩性与物性之间的对应关系，用该模型区分识别了不同岩性单元的分布.
严加永等 (2014)以安徽庐枞矿集区为例，提出了基于重力、磁力三维反演的岩性填图流程并开展了填图试验.在分析岩性和密度、磁化率关系的基础上，采用高精度的重力和航磁数据，进行先验信息约束的重磁三维反演，对反演所得的密度体和磁化率体进行逻辑拓扑运算，获得了庐枞矿集区地下5km以内五类主要岩性的三维分布.岩性填图结果反映了深部岩性的变化，弥补了地表地质填图的不足.庐枞矿集区岩性填图试验结果表明，开展基于重磁三维反演的岩性填图，是了解矿集区深部岩性特征，发现深部矿产的有效方法.
岩性填图是在物性-岩性分析的基础上，找出密度、磁化率与岩性的对应关系，对约束反演所获得的密度模型和磁化率模型进行逻辑拓扑运算 (交集、并集等)，判断不同岩性所属的网格单元，并通过切片、等位面的方式进行显示，确定不同岩性的三维空间形态和相互关系.孙喜明等 (2008)在哈萨克斯坦南部S盆地，利用地震及钻井数据的控制，对剩余重力场进行分层剥皮反演工作.
应用实例
以安徽庐枞矿集区为例，根据岩性与物性关系，对反演所得的磁化率和密度差三维数据体进行逻辑拓扑运算，对满足某种逻辑关系的网格体单元 (cell) 赋予对应的岩性编码，实现岩性填图.
如对高磁高重的超基性及铁磁性岩石识别的运算表达式为
|
(1) |
式中：mafic表示超基性及铁磁性岩石的数据体，grav表示反演所得的密度差，mag表示反演所得的磁化率.该表达式表示当密度差大于等于0.4g/cm3且磁化率大于0.04SI时，给mafic这个数据体返回表示超基性及铁磁性岩石代码520，如果不满足，则返回数值0.完成逻辑运算后，得到mafic这个数据体，其中数值等于520的部分为超基性及铁磁性岩石.对每种岩性组合进行类似的逻辑判断，最后将各岩性代码的三维数据体相加，即可获得了代表不同岩性的三维数据体，采用不同颜色表示不同的岩性，从而实现三维岩性填图.
1.2 地震技术地震反演是进行岩性圈闭识别和解释常用的有效手段.然而不同岩性的弹性参数范围常常存在一定程度的重叠，所以给岩性识别带来了很大的困难.纪学武等 (2008)指出在高分辨地震资料解释中，层序地层学、储层描述、三维可视化等已成为岩性地层圈闭的主要识别技术.其做法的核心是找准最大洪泛面和层序边界.
在对岩性圈闭识别时，要求地震资料为髙分辨率资料，只有地震资料主频达到45~50 Hz以上，能够有效分辨出15~20 m厚的薄砂层，岩性圈闭的识别和研究才具有实际意义，其发现数量、研究水平和精确度才能得到保障.靳军等 (2002)认为地震资料在处理过程中，保持振幅处理至关重要，因为振幅信息和以此转换得到的波阻抗信息中包含着丰富的岩性变化因素，是进行砂体横向追踪的基础.因此保持空间相对振幅，是提髙岩性圈闭识别精度的前提条件.在保幅髙分辨率处理的基础上，可以采用行之有效的目标处理手段，如优势频率处理、三维P波处理、小波变换处理等，进一步突出目的层的分辨率和信噪比.
常规三维地震的反射振幅则根本不能识别岩性，在有些环境下可对岩石物理AVO模型进行约束，从而使含水砂岩和含气砂岩的反射掩盖其他所有反射，这种占优势的岩性地层反射与泊松比有关，当砂岩与泥岩的声阻抗几乎相等时，泊松比曲线与SP曲线类似.Fred Hilterman (1998)指出在此情况下，大角度道的振幅实际上是泊松反射率，指示的是岩性特征.常规叠加结果，特别是第二类情况中的常规叠加结果，是年代地层与岩性地层的综合反映，假定泥岩是围岩，含气砂岩的PR反射振幅最强，纯净含水砂岩的次之，泥质含水砂岩的最弱.
田玉昆等 (2013)提出了一种利用反演的弹性参数识别岩性的方法.该方法是以叠前反演的弹性参数为基础，通过马尔科夫随机场 (Markov Random Field简写为MRF) 建立先验模型，按照解释好的测井资料，对不同岩性的弹性参数进行统计，得到计算所需的参数，在贝叶斯 (Bayesian) 框架下建立岩性分类的目标函数，达到岩性识别的目的.该方法主要的优势在于，对于有一定范围重叠或者误差的弹性参数，本方法能够在最大程度上避免识别错误，且高效快捷.该方法的岩性识别主要通过马尔科夫随机场邻域系统的调整来实现.然而马尔科夫随机场本身并不是一种岩性识别方法，但它可以作为一个先验模型嵌入到某种特定的算法中，以达到影响岩性识别结果的目的.马尔科夫随机场优点是能够很好的描述剖面上弹性参数表示出的轮廓和结构，空间上有一定的连续性，能够细致刻画地下构造空间上的形态，得到合适的分类结果.马尔科夫随机场模型在反映岩性剖面随机性的同时，又能反映剖面的一些潜在固有的空间结构，可以更有效地描述地下构造.本方法采用纵横波速度和密度参数进行岩性识别，事实上，在具体使用中，并不限于这三种弹性参数，采用对岩性更为敏感的参数，能够使本方法的识别结果更精确.此外，马尔科夫随机场先验模型产生的是一个块的识别结果，如果识别的地层需要强调一种连续的变化，该方法会有一定的局限.
甘利灯等 (2004)将垂直入射时波阻抗的概念推广到非零入射角对应的弹性阻抗，解决了苏里格地区有效储层识别问题.Lörtzer (1993)对于复杂的岩性反演问题提出了一种用地震速度，和密度的空间分布作为输入的新体系.在每个地下网格点上，反演结果包括最有可能的岩性型 (天然气、砂岩、页岩等) 和与之相关的岩性参数 (骨架强度、孔隙度等).反演方法基于参数估计理论，这个理论允许输入中的一些不精确性成分并可结合地质知识所提出的反演，方法的一个重要优点在于对每种实际情兄都能预先确定速度和密度的必要精度，以便区分一具体的岩性型或用预先规定的精度估计具休的岩性参数.
洪忠等 (2013)认为地震波形分类技术在识别和划分岩相的应用中有其独特的优点，但也存在一定的局限性.研究表明：时窗类型及大小、地震属性体的选择是影响波形分类结果最重要的因素；不同的岩相在地震振幅、频率、相位、时间厚度上存在差异性是正确应用波形分类方法的前提；当岩相间的地震响应差别不明显，或同一岩相横向波形变化较快，无法建立统一的岩相地震波形特征时，波形分类方法的结果不能准确地划分岩相，也没有明确的地质意义.回归到岩相地震响应特点的分析，建立地震响应与岩相的对应关系，开展波形分类技术应用的先验性研究，是成功应用该技术的基础和关键.
何又雄和姚姚 (2005)开展了基于参考道的岩性预测方法，该方法对岩性变化和砂岩尖灭敏感，适用于叠后地震资料的岩性定性研究.但此方法只能预测井点附近的岩性，因此在分析BH地区测井资料的基础上，提出非线性函数反演岩性剖面的方法，结合测井资料，建立密度和孔隙度之间的函数关系，在声阻抗反演的基础上反演岩性剖面，减少了常规岩性解释中物性参数值重叠时划分岩性的多解性.周宇航 (2015)利用地震资料进行火山岩预测时，通过采用与火山岩形成时地貌最接近的构造层位逐一提取对火山岩敏感的各属性切片的方法，解决了边界不易确定的问题.
应用实例
以应用地震波形分类技术为例，分析典型沉积相的地震响应特点如图 2，砂岩相表现为中一强振幅连续反射；砂泥岩过渡相为中一弱振幅中一弱连续反射；泥岩相几乎为空白反射.振幅强度在波形分类对比中起主导作用，图 2波形分类结果清晰地展示了砂层组砂体的展布特征.
|
图 1 反演结果、岩性填图垂向切片对比图 (据严加永等修编，2014) (a) 密度差切片；(b) 磁化率切片；(c) 岩性填图切片；1.超基性岩体、铁磁性岩石；2.火山岩、中性岩体；3.酸性岩体、A型花岗岩、正长岩；4.高密度地层，灰岩；5.红层、泥岩、第四系、第三系沉积；6.未能识别的岩性；(d) 地表地质. Figure 1 The vertical slice map of inversion results, lithologic mapping and geology (a) Density contrast slice; (b) Susceptibility slice; (c) Lithologic mapping section:1. ultrabasic rocks, ferromagnetic rocks; 2. volcano rock, intermediate rock; 3. acid rock mass, A-type granite, syenite; 4. high density formation, limestone; 5. red layer, mudstone, Quaternary and Tertiary sedimentary; 6. unidentify lithology; (d) Surface geology. |
|
图 2 歧口凹陷滨海斜坡带沙一上亚段碎屑岩目标波形分类 (据宏忠等修编，2007) Figure 2 Clastic coastal slope with a target waveform classification in seaside slope belt of Qikou depressed |
砂岩的密度 (2.4~2.6 g/cm3) 仅稍高于藻灰岩密度 (2.2~2.4 g/cm3)，两者在地震剖面上均为中-强振幅中连续反射 (图 3).
|
图 3 柴达木盆地跃西地区沙三二亚段岩性目标波形分类 (据宏忠等修编，2007) Figure 3 Waveform classification of lithology target of Yuexi area in Qaidam basin |
测井资料中包含丰富的地层岩性信息，是岩性分析的基础资料.数据信息的精度往往会严重的影响到识别的准确率，同时复杂的岩性状况也加大了测井解释的难度.
测井在垂向是连续的，比岩屑录井获得的岩性剖面具有更髙的分辨率.利用测井划分岩性大方向可分为两种方法：一种是根据不同矿物的物理性质，综合利用多种测井方法，通过确定矿物组成达到划分岩性的目的；另一种是通过元素测井得到的岩石中的元素含量，再根据地球化学的规律求出矿物含量，进一步达到划分岩性的目的.测井岩性识别具有纵向分辨率高、针对性强、方法众多、算法齐全等优点.目前来说是岩性识别中较成熟的一种方法.
宫清顺等 (2012)在区域重磁资料圈定火山岩岩体范围的基础上，优选对岩性反应敏感的自然伽马、电阻率、补偿密度及声波时差等测井物理量，并对其进行岩心、薄片资料精细刻度，釆用交会图方法，建立火山岩的测井响应识别模板，实现了对火山岩的测井岩性识别.徐德龙等 (2012)基于交会图法和岩心资料，分析研究了国外M油田的常规测井曲线特征与岩性和流体类型的关系.确定了该油田不同类型的岩性和流体的识别标准值范围.李伟才等 (2012)采用测井曲线交会图版法，统计了不同岩性之间的测井曲线特征，分别制定了低阻层段与高阻层段岩性识别标准，并编制了识别程序，共识别出砂岩、砂质泥岩、泥质砂岩、泥岩和钙质砂岩5种岩性.
田艳等 (2010)提出利用逐步法和Fisher判别方法进行岩性识别，将苏德尔特油田岩性分为凝灰岩、含钙粉砂岩、砂砾岩、粉细砂岩和泥岩.罗德江 (2013)考虑到致密碎屑岩岩性识别是储层预测中的难题之一，直接利用测井曲线或弹性参数很难识别.利用测井获得的纵横波资料，计算出了各种弹性参数，再利用Fisher判别方法，将砂岩、泥岩、粉砂岩3类岩性的样本投影到最佳的方向，实现各类样本之间最大程度的分离.鞠武等 (2012)在应用有序聚类分析方法开展测井曲线自动分层的基础上，综合应用自然电位 (SP)、自然伽玛 (GR)、声波时差 (AC)、深探测电阻率 (Rt)、浅探测电阻率 (Rxo) 测井资料和岩心分析资料，建立了粗砂岩、不等粒砂岩、细砂岩和泥岩的判别函数.应用效果表明，Bayes逐步判别法识别岩性符合率达到了86%，能够满足辛176区块沙四段储层岩性识别的需要.张志刚等 (2015)在自动分层的基础上，利用模式识别方法对火山碎屑岩储层进行了岩性自动识别.自动分层采用了活度函数法与聚类分析法相结合的办法，在此基础上应用模式识别方法识别复杂岩性.杨明合等 (2007)从模糊事件概率理论基础入手，简要介绍了应用模糊概率识别火山岩的基本思路，构建了用于火山岩模糊概率识别功能函数，为复杂岩性地层的测井解释开辟了新思路.连增增等 (2013)选取影响岩性识别的7个主要参数，结合某地实际测井资料，建立基于模糊模式识别法的岩性识别标准模型.验证了应用模糊模式识别法进行测井岩性识别的可行性和科学性.王泽华等 (2015)以准噶尔盆地为例，建立火成岩的测井岩性识别和测井相划分的方法，运用火成岩岩石学理论和岩石物理学的技术方法，确立了火成岩岩性、岩相的测井分类标准.提出了常规测井+成像测井+ECS测井+岩心标定的火成岩岩性识别模式和技术方法，综合判定火成岩岩石的类型、成分、结构和构造，提高了复杂火成岩岩性识别的准确率.范宜仁等 (2012)在取心分析、薄片鉴定、电镜扫描的基础上，分析总结不同岩性的测井响应特征，综合应用常规测井、ECS测井和成像测井资料，采用“结构成分粒级”的三级分类方法，利用交会图技术进行岩性识别.同时为能利用多条测井曲线识别岩性，并能避免分析问题的难度和复杂性，采用自动判别分析、主成分分析方法进行岩性自动识别，取得了较好的效果.
朱澈等 (2013)将神经网络方法引入到测井资料的处理和解释中，以辽河油田某取心井为实例，建立神经网络测井岩性识别模型，对混合花岗岩、混合片麻岩、角闪岩进行岩性识别预测.周家纪等 (2003)提出遗传神经网络及其在岩性识别中应用的方法，该方法是将遗传算法引入到网络的权值和阈值的调整过程中，使得该网络在寻找全局最优上具有明显的能力.李建国等 (2015)把深度神经网络用在地球物理测井岩性的识别中.杨辉等 (2013)针对常规测井岩性识别准确率不高的状况，提出利用BP神经网络进行复杂岩性测井识别.解决了蜀南地区须家河组地层岩性复杂，低孔、低渗致密气藏，致密砂岩地层天然气勘探中所面临的关键问题和难点.于建华 (1993)应用人工神经网络误差反传递算法 (又称BP算法)，通过监督学习、训练网络模型，达到联想记忆的目的，完成自动识别岩性.通过普通的误差反传递算法的分析，修正了神经网络传递函数.使收敛速度明显加快.本方法较之传统的识别方法具有如下特点：无需太多的预处理工作；计算速度快；广泛的适用性和较高的容错性.陈潮等 (2008)认为具有分布处理、自学习、自组织和高度非线性的神经网络能够较好地解决测井资料与地层岩性的非线性映射关系.将径向基神经网络应用到测井资料岩性识别中，建立了收敛速度快，且识别正确率较高的基于径向基神经网络的岩性识别模型.刘明军等 (2011)针对BP算法在反演中测井数据识别样本大，提出了利用GA算法来同时优化BP神经网络的结构和连接权值的解决方案，建立了基于GA优化BP神经网络的测井数据岩性识别模型.张治国等 (2005)引入具有较强的聚类和容错能力的自组织特征映射 (SOFM) 神经网络.孟耀华等 (2009)利用过程神经元网络建立了复杂的非线性岩性辨识模型；同时，为了提高对实际问题求解的适应性和算法执行效率，开发了一种基于样条函数拟合的过程神经元网络学习算法.基于样条过程神经元网络的岩性辨识方法避免了采用传统BP神经网络预先建立复杂的数学或物理模型来提取小层测井曲线形态模式特征的过程，有效改善了网络的运算速度和对实际数据的抗扰性，具有较好的稳定性和泛化能力.鉴于沉积环境的复杂性及测井参数分布的模糊性，表征各类复杂岩性的特征参数值没有明显的区分界限，同时，相同的岩性对应的特征参数值范围很大，多条测井曲线响应值往往呈现模糊性，Baldwm等 (2010)提出了用自组织特征映射神经网络识别岩性的方法.纪福全等 (2007)探索了人工神经网络方法可对复杂的高维数据进行非线性映射，在模式识别领域得到越来越广泛的应用.针对传统的BP神经网络算法存在收敛速度慢、隐层数以及隐层节点数难以确定等缺点，研究了一种构造性神经网络学习算法级联算法 (Cascade Correlation Algorithm，简称CC算法) 及其在石油工程中的应用.
罗明璋等 (2012)提到由于岩性识别是一个典型的高维非线性模式识别过程在利用计算机进行测井岩性识别过程中，往往需要非常多的计算次数.提出了一种基于支持向量机的最小闭球岩性识别方法，试验结果表明：与SMO-K、MDM-R两种典型的支持向量机算法相比，该算法在取得相同分类成功率的同时，核计算的次数大大减少，运算速度有了明显的提高.适用于地质条件和沉积环境复杂的情况.龙熙华等 (2013)认为聚类分析方法只有在样本趋于无穷大时，才能从理论上保证结果的精度；神经网络容易陷入局部最小，使用范围受到限制.提出一种新型的超球体支持向量机，并用粒子群优化算法进行参数寻优，建立测井岩性识别模型.应用结果表明，建立的模型可以准确地反映测井资料与地层岩性的非线性映射关系，且识别精度高，具有良好的学习和泛化能力.张翔等提出了基于模糊支持向量机的岩性识别方法.该方法着重强调岩性识别的准确性，对同样识别成功率下的计算次数或计算时间关注不够，而在利用计算机进行岩性识别过程中，计算时间的长短往往是决定识别方法是否实用的有力依据.魏志华和张俊儒 (2014)总结了传统的SVM寻优方法存在耗时长的缺陷，将传统SVM寻优当中的留一交叉法改为K折交叉法，提高了识别正确率和收敛速度.最小二乘支持向量机是在统计学习理论基础上发展起来的模式识别方法.与传统统计学相比，它能有效解决有限样本、非线性、高维数模型的建立问题，而且建立的模型具有很好的预测性能.岩性识别本质是解决分类问题，牟丹等 (2015)基于最小二乘支持向量机解决分类问题的优势，首先用GR、CNL、DEN、AC、Rlld等常规测井曲线数据建立样本空间；然后通过耦合模拟退火和交叉验证的方法寻找最佳参数，优化最小二乘支持向量机分类器；最后建立了最小二乘支持向量机岩性识别模型.程国建等 (2010)为了精确解决测井岩性识别问题，提出了一种将粒子群优化算法 (PSO) 与最小二乘支持向量机 (LSSVM) 相结合对实际测井资料进行岩性识别的方法.首先使用粒子群优化算法对LSSVM建模过程中的重要参数进行优化调整，然后利用参数优化调整后得到的具有较优分类效果的PS0-LSSVM模型对某油田的测井资料进行岩性识别.该方法能够很好描述测井数据和岩性类别之间的非线性映射关系，识别精度高，并提高了算法的自动化程度.马海等 (2009)为了更好地解决测井岩性识别问题，引入了一种基于粒子群优化的支持向量机算法.通过实际测井资料和岩性剖面资料进行学习训练支持向量机，并利用粒子群优化算法对支持向量机参数进行优化，建立了测井岩性识别的支持向量机模型.
朱建伟等 (2012)在对松辽盆地野外地质勘查、岩心描述、测井和测试资料分析及综合研究的基础上，提出了油页岩定性和定量测井识别技术，得出在测井响应上，油页岩表现为高电阻率、高自然伽马、高声波时差和低密度特征；油页岩含油率与测井响应的一元线性回归关系好于二元线性回归关系和三元线性回归关系；油页岩的含油率与电阻率的相关性最好的结论.王淑盛等 (2004)提出了加权K近邻的方法，进一步增强了利用测井数据识别岩性的能力.张章华 (2009)为了达到应用模式识别对储层岩性进行准确的识别，根据不同性质分类器的组合可以较全面描述一个模式从而降低识别错误及增强识别鲁棒性这种特性，结合模糊数学中的隶属度实现了多个分类器的定量组合.应用了几种不同的分类器进行组合，使分类器的性能得到提高.
李雪英等 (2015)针对超浅疏松地层压实程度低，未压实的粉砂质泥岩具有一定的孔隙度，与泥质粉砂岩的电性特征相接近，不易区分，提出了稳定泥质单元控制下的岩性划分技术.该技术的核心思想是：在测井曲线上将厚层稳定的泥岩段定义为泥质单元，将泥质单元所分隔的大套砂体部分定义为非泥质单元.在泥质单元内采用电阻率的回返率和自然伽马的交会识别泥质粉砂岩和粉砂质泥岩；在非泥质单元内，按照沉积韵律控制下电阻率曲线的相对变化来区分泥质粉砂岩和粉砂质泥岩.
以伊拉克鲁迈拉油田M组碳酸盐岩储集层为例，吴煜宇等 (2013)阐述了研究区不同岩石类型及沉积相在XRMI成像测井资料上的响应特征.以成像测井资料为主体，通过岩心刻度成像测井并结合GR能谱测井、岩性密度测井和其他常规测井资料识别出粘土矿物、致密灰岩、生物礁灰岩，生屑滩灰岩等岩性；总结了缓坡相、生物礁相、生屑滩相等沉积相的成像测井响应特征，建立了研究区各沉积相的电成像测井相解释图版，并对单井进行了连续的测井相划分.
多道X荧光仪地球化学测井在岩性识别方法中，通常采用能够代表岩样的测井参数值，作为确定岩性与测井参数对应关系的基础数据，然后通过数学手段建立岩性识别模式.邹永祥等 (2008)尝试用多道X荧光仪地球化学测井所测得的岩层元素含量来分类岩性，结果表明，通过岩层的化学含量来识别岩性具有较高的准确率，较广的识别范围.张大权等 (2015)通过对准噶尔盆地石炭系火山岩储层典型井的岩心观察，结合对岩石薄片及测井资料的详细分析，总结了火山岩的测井响应特征，提出了火山岩岩性测井识别方法.李中亚等 (2007)针对复杂类型油气储层的岩性识别难的问题，提出了一种新的基于生长分层自组织映射网络的岩性识别模型，它是一种操作简便、易于实现的模型；既保留了自组织映射网络的优点，又具备其自身的优势；不但能对输入数据进行正确的聚类，而且能将输人数据中的层次继承关系直观地展现出来，从而可进一步提取出输入数据的共性与特性，并有助于对高维数据的深层次分析.
寻知锋等 (2008)应用多元统计方法和计算机技术对测井数据进行岩性识别.以济阳坳陷中的某钻井测井资料为例，首先进行了层次聚类和means聚类分析，然后根据聚类分析结果进行判别分析，两种统计方法相结合识别钻井岩性，得出了预测岩性剖面和录井剖面基本吻合的综合柱状图.张宪国等 (2015)以塔南凹陷白垩系为例，探索了复杂岩性地层的测井岩性识别方法.解决了复杂岩性低渗透储层中的测井岩性识别难题，为油藏开发提供了技术支持. 宋延杰等 (2015)发现决策树模型的精度要高于测井响应交会图法和系统聚类模型.刘倩茹等 (2013)以梨树断陷砂砾岩储层为研究对象，结合岩心、EMI成像图及常规测井曲线，建立砂砾岩岩性与测井响应的关系.藻灰岩油藏是南翼山地区重要勘探领域，该区粉砂岩和藻灰岩混合沉积，藻灰岩层多而薄，导致在测井上难于识别，严重影响了储量计算中藻灰岩厚度参数的确定.李昌等 (2013)基于岩心观察，采用多方法测井综合识别.
应用实例
在建立的准噶尔盆地石炭系自然伽马一密度火成岩岩性识别图版 (图 4) 中，自然伽马、体积密度较好地反映了火成岩的化学成分和结构特征.图版中熔岩区和碎屑岩区有一定的重叠，这恰恰反映了火成岩岩性过渡的特点.
|
图 4 准噶尔盆地石炭系自然伽马-密度交会图岩性识别图版 (据王泽华等修编，2015) Figure 4 Lithology identification crossplot of gamma ray and density about Carboniferous in Junggar basin |
以岩性为基础，根据建立的火成岩岩相为指导，综合应用各种地质信息，分析火成岩发育的时空关系、产出状态及外貌特征，在划分喷发期次、旋回的前提下，由大到小逐级划分火成岩的岩相.火成岩的相划分方法步骤：(1) 在火成岩发育井段，首先划分出火成岩及每个喷发间断发育的沉积单元，或火成岩内部发育的不整合，以此为依据，划分出火山发育期次.(2) 按火山发育演化序列划分大的火山旋回，如从基性火成岩到酸性火成岩的正序列演化旋回，或从酸性火成岩到基性火成岩的反序列旋回.大的旋回可包括喷发间断.(3) 按爆发的能量大小，火山从爆发到溢流直至消亡的过程划分小的旋回.爆发到溢流可以称为正旋回，反之，可称为反旋回.或按火成岩岩石成分划分旋回，如玄武旋回、安山旋回等.划分方法可以根据地质需求及火山机构的描述需求选择.(4) 在大小旋回、发育期次划分的基础上进行4类岩相的划分，在4类岩相划分的基础上进行亚相的详细划分.图 5为火成岩测井岩相划分的实例.
|
图 5 准噶尔盆地C25井石炭系测井解释单井相图 (据王泽华等修编，2015) Figure 5 Logging interpretation single-well facies of Carboniferous in Well C25, Junggar basin |
遥感地质是综合应用现代遥感技术来研究地质规律，进行地质调查和资源勘察的一种方法.它从宏观的角度，着眼于由空中取得的地质信息，以各种地质体对电磁辐射的反应作为基本依据，来分析、判断一定地区内的地质情况.遥感岩性识别作为遥感地质中重要的一部分，近年来在国内外发展迅速.
随着经济持续快速发展，资源需求进一步增大，生态环境恶化加剧，急需引进遥感技术来加快调查速度并提高调查质量，加快资源开发和生态重建的进度.目前，国内在南方地区开展的遥感岩性识别研究工作较少，并没有成熟的经验可以借鉴.其主要原因在于，气候湿润、雨水丰沛，土壤和植被很发育，岩石裸露率低，遥感图像上所表现的通常是植被、土壤和岩石三者的混合光谱信息，进行遥感岩性填图的难度还很大.
遥感岩性识别存在受数据来自不同的卫星精度不一样，存在“同物异谱”和“异物同谱”现象，纵向分辨率低，几乎仅反映地表的岩性情况，受大气和地表植被影响较多等不足.优点是探测面积大而迅速，影像和光谱处理手段较多.数据融合、图像增强、纹理信息提取和波段比值运算等数据处理手段.整体来说在地球物理中同样发挥着不可替代的作用.
刘超群等 (2007)认为深入研究岩石矿物的光谱学机理，不仅要测量单个矿物的光谱，分析其诊断性特征，建立和完善矿物的光谱库，更重要的是测量和研宄多种矿物、岩石组成的岩性地层单位的成分与光谱的相关性特征、规律及其诊断性特征.
Hyperion高光谱数据在蚀变矿物填图方面已广泛应用，而在岩性识别方面大多仍在探讨中.毕晓佳 (2009)，项甜甜等 (2013)总结出高光谱遥感具有以下几点优点：(1) 图像包含了丰富的空间、辐射和光谱三重信息，在遥感图像光谱分辨率上更是实现了突破性的提高.其图谱合一的特点在传统的二维遥感图像基础上增加了光谱维，形成了一种独特的三维遥感，在区域地质填图和矿产勘探方面具有重要的应用价值.(2) 高光谱遥感在地质调查领域 (地质调查、地质找矿和制图) 应用空间广阔，在岩石出露程度较大的区域优势尤为明显，效果尤为突出.相对传统地质调查、找矿制图的方法，高光谱地质填图成本低、消耗低.(3) 在地质环境复杂，交通不便的青藏高原实施开展高光谱遥感技术的地质填图工作，在该研究区实属新技术新方法，对辅助区域基础地质调查、矿产普查，具有重要的应用价值.
岩石的吸收光谱主要是由杂质、包体、蚀变及替代成分产生的，不同类型的岩石放射性元素的合量和分布特怔是不同的.岩石放射性信息是岩性识别研究的重要根据.遥感与航空放射性信息的集成.既能提取光谱图像中的光谱信息和空间纹理信息，又可利用航空放射性信息常常具有的甚至是诊断性的岩性识别能谱标志.能明显提高识别岩性的精度.更重要的是能谱不受植被的影响，有利于识别植被覆盖区的岩性.因此，张万良 (2005)认为这可能是遥感岩性识別研究的发展趋势之一.
杨建民等 (2007)通过利用多光谱遥感技术对新疆东天山地处荒漠戈壁区的尾亚椭圆形杂岩体这样一个面积较大，岩石裸露，岩相复杂的杂岩体进行岩性识别，扩大了多光谱遥感技术在地质中的应用领域.刘超群 (2007)阐述了岩石光谱学机理，重点研究了碳酸盐岩的光谱特征，分析了碳酸盐岩中主要岩性白云岩和灰岩的光谱特征差异，为碳酸盐岩岩性信息提取提供了理论依据；研究认为，高光谱遥感数据是进行遥感岩性填图的最佳数据源，利用高空间分辨率遥感数据，能很好的识别碳酸盐岩与非碳酸盐岩，并能较好的识别碳酸盐岩中的白云岩和灰岩.
郑硕等 (2013)通过对西准噶尔克拉玛依花岗岩体岩石样品及光谱库中相关矿物的可见光-近红外及短波红外 (VNIR-SWIR) 与热红外 (TIR) 的光谱测试与特性分析，采用ASTER SWIR-TIR比值13/12(R)，4/6(G)，(12×12)/(11×13)(B) 假彩色合成技术识别与提取出研究区碱长花岗岩、花岗岩、花岗闪长岩与二长花岗岩四种花岗岩类，证明了ASTERSWIR-TIR多光谱数据，尤其是TIR数据，对花岗岩类岩性识别的能力.
金剑等 (2013)针对新疆维吾尔自治区西昆仑乌鲁克萨依地区的岩性出露情况，采用WorldView-2遥感影像数据进行岩性识别研究.在分析研究区内不同岩性的实测光谱曲线特征的基础上，针对在岩性识别过程中出现的不同岩性色彩反差弱、异物同谱、岩层表层浅覆盖等一系列问题，结合高空间分辨率WorldView-2数据波段特点和数据统计特征，确定了最佳波段组合，并采用主成分分析降低了波段间的高相关性.在此基础上进行反差增强、纹理增强等处理，提高了不同岩性对比度，去除了外界因素对光谱信息的干扰.张斌等 (2015)提出了一种对Landsat-8和Worldview-2协同后的岩性分类方法.首先对Landsat-8和Worldview-2影像进行协同：在对Landsat-8全色波段与其多光谱进行自协同后，与Worldview-2多光谱第8波段数据协同，将协同后的Landsat-8中短波红外数据与Worldview-2数据进行叠加，得到最后协同结果.焦润成等 (2014)在综合考虑异物同 (近) 谱、表层浅覆盖等的基础上，结合WoridView-2数据的波段特点和数据统计特征，确立了波段组合-波谱增强-去相关增强-纹理信息融合的处理方法.有效提高了不同岩性之间的对比度，改善了外界因素对光谱信息的干扰.
莫源富和奚小双 (2010)在植被茂密的南方岩溶区利用多源遥感数据，如EIM、SPOT、ASTER数据进行碳酸盐岩的计算机自动岩性识别，克服了植被覆盖层光谱信息干扰问题.王润生 (1987)研究了遥感影象的典型变换可最大限度地增强某些岩石之间的波谱差异，提高遥感图象的地质解释效果和自动分类精度.将岩石地面波谱数据的典型分析结果直接应用于遥感图象处理，在理论上是可行的，在实践上也是有效的，这一方法也为地面波谱的实际应用开创了-条新的途径.马睿等 (2015)运用ASTER遥感数据识别与提取新疆南天山铜花山地区蛇绿混杂岩带岩性信息，得出把ASTER的可见光亚红外、短波红外波段数据结合在一起进行岩性分类，可以达到比单独用短波红外数据分类更高的分类精度的结论.胡滨等 (2014)采用遥感0LI数据和ASTER数据在西藏朱诺地区进行岩性识别.使用ASTER数据的SWIR波段进行波段组合和MNF变换提取岩性信息；用主成分分析法来处理0LI数据得到研究区的铁染和羟基信息；用高光谱技术从ASTER数据提取白云母信息.结合实地勘测结果，证实遥感数据对斑岩铜矿黄铁绢英岩化蚀变带的识别效果较好.黄照强等 (2010)通过对HU光谱库中岩石矿物热红外光谱特征的分析，以及对ASTER影像TK波段光谱特征进行分析，利用比值法和光谱角制图法SAM相结合进行石英、砂岩和硅酸盐岩类等造岩矿物识别并在西藏冈底斯东段泽当矿田中应用.刘磊等 (2013)指出ASTER (先进星载热发射和反射辐射仪) 已被广泛应用于岩性识别研究中，但在国内综合采用多种方法增强并识别镁铁一超镁铁岩体信息的研究较少.以甘肃北山辉铜山地区为研究区，综合应用比值法、最小噪声分离和镁铁岩指数等方法处理研究区ASTER数据，以突出辉铜山地区镁铁一超镁铁岩信息.该方法可以应用于西部地区镁铁一超镁铁岩体识别工作中.
王贤敏和牛瑞卿 (2009)针对三峡库区这一地形复杂、地质灾害频繁、土壤植被发育的地区进行遥感影像岩性分析，提出了一种增量式概念格构造算法，采用像素邻域的统计特征，构造光谱、纹理、植被覆盖3类指标集.王爱云等 (2011)以中甸普朗典型斑岩铜矿区和松诺典型矿点的2种主要含矿岩性为实验研究对象，将特征岩性实测波谱数据转换为Hyperion影像像元数据，并利用MNF变换对高光谱数据进行降噪和降维，以第一个MNF变换主成分作为分析数据，以所构建像元的亮度值为参考分割点，通过密度分割，进行岩性识别.赵建华等 (2004)根据分形理论和遥慼影像的特征，提出一种图像分形纹理计算方法.分形纹理能够准确刻画图像的空间特征信息，在遥慼图像分类中作为空间特征信息的补充.说明分形纹理对岩性空间特征信息有较好的描述.
王志刚等 (1999)指出光谱角度填图 (SAM) 是成像光谱图像处理技术中，对岩石矿物进行谱形识别的主要方法之一，但其应用效果并不十分理想.据此探讨了利用均值图像参与分类的处理方案，从而改善了光谱角度填图方法中易于产生“异类同谱”的不足. 谭衢霖 (2009)利用新疆北部山区雷达遥感数据，通过遥感数字图像处理与增强，生成雷达遥感假彩色合成影像应用于岩性判释.对不同岩性岩石，利用极化雷达提供的地表岩石的多种散射信息作为输入进行计算机神经网络分类，与常规雷达数据分类对比，分类精度与岩石识别正确率均有显著提高.
江平和石世民 (1995)建立了一套用fBm模型分析影像纹理的方法，并在所选实验区内分别用等混合距离法和最大似然法进行了岩性纹理分类，取得了比较满意的结果，影像中碳酸盐岩、碎屑粘土岩及二者的互层岩等三种主要影像岩石类型基本被识别开来.但fBm模型是个长相关模型，它对于纹理的低频特性反应比较灵敏，而对纹理的高频频率特征却不能很好地提取.因而，它比较适合于在地形起伏平缓，岩石地貌类型发育较好，影像纹理均一的地区进行岩石类型分类.刘灿和王宏伟 (2011)提出数据融合、图像增强、纹理信息提取和波段比值运算等数据处理手段对干旱区和岩石裸露区的岩性识别来说是有效地方法，对于高植被覆盖区遥感岩性识别来说则只是处理的基础，必须综合利用现有地质资料、高光谱数据和野外实测数据等多源信息进行多技术集成分类，才能达到有效的识别精度.
应用实例
以河北滦平实验区为例，研究区主要岩石的实测光谱曲线如图 6所示，野外实际测到的光谱曲线含有水汽噪声.岩矿光谱研究表明，岩石在2000~2500 nm之间有一系列可诊断性光谱信息特征，从图 6也可以看出.
|
图 6 河北滦平区域野外实测光谱 (据项甜甜等修编，2013) Figure 6 Regional field measured spectra in Luanping, Hebei |
对比分类的结果 (图 7)，SAM方法能有效避免因岩石矿物光谱漂移或光谱变异而造成的单个光谱特征的不匹配，并能充分综合利用弱的光谱信息.SID方法的数据处理时间长，分类精度较SAM低，较BE方法较高.BE方法算法最简单，处理数据的速度最快，时间最短，提高了处理的效率，但是BE方法的分类精度不高.
|
图 7 3种方法的岩性分类图 (据项甜甜等修编，2013) (a) SAM方法岩性分类图；(b) SID方法岩性分类图；(c) BE方法岩性分类图. Figure 7 Three methods of lithology classification figure (a) SAM method lithology classification figure; (b) SID method lithology classification figure; (c) BE method lithology classification figure. |
王耀辉等 (2013)提出盆地基底岩性岩相对于研究盆地构造格架、构造演化以及对后期沉积特征及油气分布的影响等具有重要意义.勘探困难区，构造复杂、基底埋深大、岩性岩相复杂，造成地震资料识别基底岩性岩相存在诸多困难.不同岩性的火成岩具有不同的密度、磁化率和电阻率特征及组合特征，使应用多方法组合提高解释精度成为可能.物性统计结果表明，火成岩与碳酸岩、碎屑岩等围岩之间在密度、磁化率、电阻率等方面有时差异很大，这为重磁电资料识别岩性岩相提供了条件，由于重磁电勘探都存在体积效应，单方法难以取得好的效果，组合起来应用效果更佳.刘云祥等 (2006)地震方法能够发现火成岩，并高精度确定火成岩深度，甚至圈定火成岩范围，但难以确定火成岩岩性岩相.重磁电资料能够识别具有密度、磁性和电阻率等特征差异的火成岩岩性岩相，对火成岩体平面位置的确定具有一定精度，但对深度确定精度不高.在高精度资料的基础上，采用地震与重磁电联合处理解释技术，能有效地提高重磁电方法的勘探精度，使重磁电异常更直接反映深部火成岩.
重磁电震综合勘探识别火成岩岩性的配套技术主要包括高精度采集，联合处理，辩证综合解释3个部分.其中高精度采集是基础，联合处理和综合解释是关键.鲁宝亮等 (2011)应用重磁震-岩性解释模型逐一对南海盆地北部主干剖面进行地质-地球物理综合解释，从而实现了盆地基底岩性的平面填图.这种从盆缘剖面到盆地内部、从岩石物性测量到地质-地球物理综合解释的方法，在资料获取难度大、地质条件复杂的南海盆地基底地质研究中，业已证明是行之有效的.柴达木盆地西部南区的阿尔金山前带沉积物源多、砂层薄，仅用常规的、单一的方法难以取得岩性地层油气藏勘探的效果，据此，陈海清等 (2007)应用重矿物组分、测井响应、波阻抗反演等多种方法进行沉积物源和岩性圈闭的综合识别.
此外，王祝文等 (2004)提出基于灰色系统理论的岩性识别的方法.王超等 (2015)在石油勘探领域，细碎岩屑样品的岩性识别，特别是物性接近的火成岩的高精度识别是地质学的难题之一.针对这一问题，提出了一种基于激光诱导击穿光谱技术 (LIBS) 元素分析和全碱-硅 (TAS) 图版的新方法.陈树军 (2007)针对浅覆盖区地质填图单元划分困难、效率低的问题，依据不同地质单元、不同岩性的岩石，由于成因不同，形成年代不同，地质演化过程不同，其放射性元素U、Th和K的含量不同，利用航空伽马能谱测量数据在浅覆盖地区进行地质填图单元的划分，为野外地质工作人员在填图时提供一定的依据.其核心思想是分析了浅覆盖层对航空伽马能谱测量的影响，并采用熵平均等方法对数据进行了修正.采用U、Th、K和总道计数率等值线图，钾变异系数等值线图，主成分分析，动态聚类分析，钍归一化等方法对数据进行处理，绘制各种等值线图，对测区填图单元进行划分，并在此基础上利用多元统计分析方法，对地质单元进行统计，分析各单元放射性元素U、Th、K的含量和总道计数率，使地质填图达到定量化.王卫平等 (2009)提出利用航空电磁法进行岩性构造填图，可以弥补航空磁法对无磁性地层较难划分的问题，并对今后有效利用航空物探进行地质填图具有一定的指导意义.
2 岩性识别技术对比综合分析对比当前四种主要的岩性识别技术，得出各自的优缺点不一，对比的各技术的优缺点如表 1所示.重磁技术虽然具有数据覆盖面积广、采样密度高，三维反演算法较成熟，易获得大范围的岩性识别结果等优势，但如果不对其施加约束条件，则容易导致垂向分辨率较差，多解性强的缺陷.地震技术即使识别深度范围大，精度高，然而高昂的成本严重制约其工作广泛的开展.测井技术尽管精度高，技术成熟，方法繁多，算法齐全，可是只能在确定钻孔附近小范围识别岩性，难于开展面积性的特别是没有钻孔区域的岩性识别.纵然遥感技术在速度和面积上占有绝对优势，却因为探测深度小，受植被大气等影响大，在植被覆盖区域难于获取有效信息而限制其采纳几率.
|
表 1 岩性识别主要技术优缺点对比表 Table 1 Main technical of lithology identification advantages and disadvantages comparison table |
测井岩性识别发展历史悠久，技术成熟，算法丰富，具有极高的直观性和针对性，纵向分辨率高等优势，缺点是钻孔成本高昂，测井岩性识别难于在量上有突破，在大范围大面积上没有代表性.若能将测井岩性识别中较好的算法应用到其他岩性识别技术上定会取得更大的突破.
3.2虽然遥感识别具有快速、面积广泛、宏观认识强等优点，同时遥感岩性识别仅限于地表，甚至还会受植被大气等影响，目前只在西北荒漠地带较适合，受天气影响等局限性，往往在地质勘探方面仅取到指示性作用，应多结合当地的地质资料使结果更全面更有说服力.
3.3地震岩性识别具有较高的分辨率，在深度上也具有其他岩性识别方法不可取代的地位，尤其是在油气田勘探中成功的应用.但不容忽视的是它的作业成本昂贵，也难于在短时间内单独取得较大发展.
3.4在重磁方面的岩性识别技术相对测井和遥感还很欠缺.我国大范围的重磁数据已相当齐全，然而重磁岩性识别及填图工作相当少，随着无人机的发展，大比例尺的航磁数据将会变得更加齐全，为大规模开展重磁岩性识别及填图提供绝佳条件.在增加垂向的先验信息约束前提下，借鉴测井岩性识别先进算法加以辅助，重磁岩性识别定会取得更好的效果.同时三维岩性识别将是资源勘查中重要的一个环节，如何准确识别地下岩性的三维分布特征是实现深部矿产、油气资源勘查突破的关键.采用钻孔等先验信息约束，开展重磁三维反演，获取地下密度和磁化率模型，根据物性与岩性的逻辑关系，识别岩性的三维分布特征是现阶段三维岩性识别最有可能成功并适合推广的方法.
3.5岩性识别中应当尽量避免学科孤立性，加大交叉和互参考性，结合多个岩性识别方法来提高准确性.在不同工作阶段或针对不同的工作目标采用不同的岩性识别解释，如在普查阶段可借鉴遥感岩性识别做参考，概查时期充分运用好重磁岩性识别，详查时有针对性的进行测井和地震岩性识别，在带约束下结合多方法提高准确性和精确度，最大限度的避免反演的多解性，从而尽可能高效的实现岩性识别.
致谢 感谢审稿专家提出的修改意见和编辑部的大力支持！| [] | Aboelkhair H, Ninomiya Y, Watanabe Y, et al. 2010. Processing and interpretation of ASTER TIR data for mapping of rare-metal-enriched albite granitoids in the Central Eastern Desert of Egypt[J]. Journal of African Earth Sciences, 58(1): 141–151. DOI:10.1016/j.jafrearsci.2010.01.007 |
| [] | Abrams M J, Rothery D A, Pontual A. 1988. Mapping in the Oman ophiolite using enhanced Landsat Thematic Mapper images[J]. Tectonophysics, 151(1-4): 387–401. DOI:10.1016/0040-1951(88)90254-5 |
| [] | Amer R, Kusky T, Ghulam A. 2010. Lithological mapping in the Central Eastern Desert of Egypt using ASTER data[J]. Journal of African Earth Sciences, 56(2-3): 75–82. DOI:10.1016/j.jafrearsci.2009.06.004 |
| [] | Bi X J. 2009. Hyperspectral remote sensing used in rocks and minerals mapping application research (in Chinese)[MSc thesis]. Chengdu:Chengdu University of Technology. |
| [] | Bi X J, Miao F, Ye C M, et al. 2012. Lithology identification and mapping by hyperion hyperspectral remote sensing[J]. Computing Techniques for Geophysical and Geochemical Exploration, 34(5): 599–603. |
| [] | Buland A, Kolbjørnsen O, Hauge R, et al. 2008. Bayesian lithology and fluid prediction from seismic prestack data[J]. Geophysics, 73(3). |
| [] | Chen H Q, Yang B, Shou J F, et al. 2007. Comprehensive identification of sedimentary derivation and determination of lihologic trap:An example of Qigequan area in Qaidam basin[J]. Oil Geophysical Prospecting, 42(3): 283–289. |
| [] | Chen S J. 2007. The application of Airborne Gamma-ray spectrometric survey in classification of geological mapping element in shallow overburden area (in Chinese)[MSc thesis]. Changchun:Jilin University. |
| [] | Doveton J H. 1994. GA2:Geologic log analysis using computer methods[J]. Tulsa:AAPG. |
| [] | Eidsvik J O, Avseth P, Omre H, et al. 2004. Stochastic reservoir characterization using prestack seismic data[J]. Geophysics, 69(4): 978–993. DOI:10.1190/1.1778241 |
| [] | Fahlman S E. 1988. Fast-learning variations on back-propagation:An empirical study[A]. Touretzky D, Hinton G, Sejnowski T eds. Proceedings of the 1988 Connectionist Models Summer School[M]. San Mateo, CA:Morgan Kaufmann. |
| [] | Fred Hilterman. 1998. Gulf lithology identification[J]. Cao H, Trans. Petroleum Exploration Renditions (in Chinese), (3):39-47. |
| [] | Gan L D, Zhao B L, Du W H, et al. 2004. Elastic impedance inversion and its application in the identification of lithology[C].//(in Chinese). Xi'an:Chinese Geophysical Society. |
| [] | Gong Q S, Huang G P, Meng X C, et al. 2012. Methods for lithology discrimination of volcanics in Santanghu Basin[J]. China Petroleum Exploration, 43(3): 37–41. |
| [] | Gupta J N D, Sexton R S. 1990. Comparing backpropagation with a genetic algorithm for neural network training[J]. Omega, 27(6): 679–684. |
| [] | Harilal, Rao C G, Saxena R C P, et al. 2006. Mapping thin sandstone reservoirs:Application of 3-D visualization and spectral decomposition techniques[C].//77th SEG Annual Meeting. New Orleans, Louisiana:Society of Exploration Geophysicists. |
| [] | He Y X, Yao Y. 2005. Lithological profile non-linear inversion by reference trace-based lithological identification[J]. Petroleum Exploration and Development, 32(3): 61–63. |
| [] | Hinton G E, Osindero S, Teh Y W. 2006. A fast learning algorithm for deep belief nets[J]. Neural Computation, 18(7): 1527–1554. DOI:10.1162/neco.2006.18.7.1527 |
| [] | Hong Z, Zhang M G, Su M J. 2013. The applicability and limitations of the seismic wave-form classification technology to the identification of lithological facies[J]. Geophysical and Geochemical Exploration, 37(5): 904–910. |
| [] | Hu B, Wang R, He Z W, et al. 2014. Application of remote sensing technique for lithologic identification in Zhunuo region of Tibet[J]. Journal of Guilin University of Technology, 34(4): 651–658. |
| [] | Huang Z Q, Zhao Z M, Yan D C, et al. 2010. Lithological identification of eastern of Gangdise in Tibet using ASTER thermal infrared data[J]. Geology and Exploration, 46(6): 1092–1098. |
| [] | Ji X W, Xia Y P, Kang N C, et al. 2008. Work steps identifying lithostratigraphic traps and associated techniques[J]. Oil Geophysical Prospecting, 43(1): 101–106. |
| [] | Jiang P, Shi S M. 1995. fBm texture analysis model and its application in rock recognition[J]. Remote Sensing of Environment China, 10(1): 38–44. |
| [] | Jiao R C, Qin Y P, Zhang S Y, et al. 2014. A preliminary exploration of methods to enhance remote sensing lithology with worldview-2 data in sedimentary rocks area——a case study in Kashi Altas district of Xinjiang[J]. Northwestern Geology, 47(4): 277–283. |
| [] | Jin J, Liu L J, Shao Y, et al. 2002. Discussion on identifying method for identification of lithologic traps in Junggar Basin by comprehensive geophysical method[J]. Oil Geophysical Prospecting, 37(3): 287–290, 299. |
| [] | Jing J, Tian S F, Jiao R C, et al. 2013. Lithology identification with WorldView-2 data based on Spectral analysis of surface features:A case study of Wulukesayi district in Xinjiang[J]. Geoscience, 27(2): 489–496. |
| [] | Ju W, Han X H, Zhi L F, et al. 2012. A lithology identification method in Es4 reservoir of Xin 176 block with Bayes stepwise discriminant method[J]. Computing Techniques for Geophysical and Geochemical Exploration, 34(5): 576–581. |
| [] | Kennedy J, Eberhart R. 1995. Particle swarm optimization[C].//Proceedings of IEEE International Conference on Neural Networks. Perth, WA, Australia:IEEE, 4:1942-1948. |
| [] | Liu C Q. 2007. The study on remote sensing lithologic information mapping method in Carbonate Terrane (in Chinese)[MSc thesis]. Beijing:Chinese Academy of Geologecal Sciences. |
| [] | Liu C Q, Ma Z L, Mo Y H. 2007. Progress and prospect of study on remote sensing lithologic identification[J]. Journal of Guangxi Academy of Sciences, 23(2): 120–124, 128. |
| [] | Liu L, Zhou J, Feng M, et al. 2013. Lithological discrimination of the mafic rocks, Huitongshan, Beishan, Gansu, using remote sensing data[J]. Remote Sensing Technology and Application, 28(3): 520–525. |
| [] | Liu S, Wang H W. 2011. High vegetation coverage area Lithology Recognition of Remote Sensing[J]. Acta Mineralogica Sinica(S): 966–967. |
| [] | Liu Y X, He Z X, Zhang B T, et al. 2006. Integrated geophysical techniques for identification of igneous rocks[J]. Progress in Exploration Geophysics, 29(2): 115–118. |
| [] | Lörtzer G J M. 1993. Complete lithology inversion method of the first part theory[J]. Yang Q, Trans. Foreign Oil and Gas Exploration, 5(4): 414–428. |
| [] | Lu B L, Shun X M, Zhang G C, et al. 2011. Seismic-potential field response characteristics and identification of basement lithology of the northern South China Sea basin[J]. Chinese J. Geophys., 54(2): 563–572. DOI:10.3969/j.issn.0001-5733.2011.02.036 |
| [] | Luo M Z, Zhang X, Liu Z B. 2012. A novel algorithm for maximal margin classifier and Its application in logging lithologic identification[J]. Journal of Oil and Gas Technology, 34(2): 98–102. |
| [] | Ma R, Zhang X F, Chen C. 2015. Lithological discrimination of the ophiolitic mixtite belt using ASTER data[J]. Journal of Remote Sensing, 19(2): 195–208. |
| [] | Meng Y H, Shang Y Y, Wang B. 2009. Research on the application of spine process neural network to logging lithological identification[J]. Electronic Test(6): 1–5. |
| [] | Mo Y H, Xi X S. 2010. Carbonate rock lithological discrimination by remote sensing data for areas with flourishing vegetation——a case from Guanjiang drainage area[J]. Journal of Guilin University of Technology, 30(1): 41–46. |
| [] | Mukerji T, Avseth P, Mavko G, et al. 2001. Statistical rock physics:Combining rock physics, information theory, and geostatistics to reduce uncertainty in seismic reservoir characterization[J]. The Leading Edge, 20(3): 313–319. DOI:10.1190/1.1438938 |
| [] | Qi L Q. 2005. Eigenvalues of a real supersymmetric tensor[J]. Journal of Symbolic Computation, 40(6): 1302–1324. DOI:10.1016/j.jsc.2005.05.007 |
| [] | Riedmiller M, Braun H. 1993. A direct adaptive method for faster backpropagation learning:The RPROP algorithm[C].//Proceedings of IEEE International Conference on Neural Networks. San Francisco, CA:IEEE, 1:586-591. |
| [] | Rowan L C, Bowers T L, Crowley J K, et al. 1995. Analysis of airborne visible-infrared imaging spectrometer (AVIRIS) data of the Iron Hill, Colorado, carbonatite-alkalic igneous complex[J]. Economic Geology, 90(7): 1966–1982. DOI:10.2113/gsecongeo.90.7.1966 |
| [] | Rowan L C, Mars J C, Simpson C J. 2005. Lithologic Mapping of the Mordor, NT, Australia ultramafic complex by using the Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER)[J]. Remote Sensing of Environment, 99(1-2): 105–126. DOI:10.1016/j.rse.2004.11.021 |
| [] | Sun X M, Zhang B T, Yun Z N, et al. 2008. Application of gravity data to carry out lithologic mapping of basement in S basin of south Kazakhstan[J]. Oil Geophysical Prospecting, 43(S1): 136–138, 145. |
| [] | Tan Q L. 2009. Application of SAR remote sensing data to lithological identification and rock classification[J]. Contributions to Geology and Mineral Resources Research, 24(4): 349–353. |
| [] | Tian Y, Sun J M, Wang X, et al. 2010. Identifying reservoir lithology by step-by-step method and Fisher discriminant[J]. Progress in Exploration Geophysics, 33(2): 126–129, 134. |
| [] | Tian Y K, Zhou H, Yuan S Y. 2013. Lithologic discrimination method based on Markov random-field[J]. Chinese J. Geophys., 56(4): 1360–1368. DOI:10.6038/cjg20130430 |
| [] | Ulvmoen M, Omre H, Buland A. 2010. Improved resolution in Bayesian lithology/fluid inversion from prestack seismic data and well observations:Part 2-Real case study[J]. Geophysics, 75(2): B73–B82. DOI:10.1190/1.3335332 |
| [] | Vapnik V N. 1999. An overview of statistical learning Theory[J]. IEEE Transactions on Neural Networks, 10(5): 988–999. DOI:10.1109/72.788640 |
| [] | Wang A Y, Liu S H, Wang A J, et al. 2011. A study of the lithologic identification based on Hyperion and field spectra[J]. Geological Bulletin of China, 30(5): 773–782. |
| [] | Wang C, Zhang W G, Yan Z Q. 2015. High precision identification of igneous rock lithology by laser induced breakdown spectroscopy[J]. Spectroscopy and Spectral Analysis, 35(9): 2463–2468. |
| [] | Wang R S. 1987. The Canonical transformation of remote sensing images and its application to lithologic discrimination[J]. Earth Science-Journal of Wuhan College of Geology, 12(6): 639–646. |
| [] | Wang S S, Xu Z G, Liu H W, et al. 2004. The advanced K-nearest neighborhood method used in the recognition of lithology[J]. Progress in Geophysics, 19(2): 478–480. DOI:10.3969/j.issn.1004-2903.2004.02.042 |
| [] | Wang W P, Fang Y Y, Wu C P. 2009. Applied effect of helicopter airborne electromagnetic method for geological structure mapping——take Wuda district of Inner Mongolia as an example[J]. Chinese Journal of Engineering Geophysics, 6(4): 411–417. |
| [] | Wang X M, Niu R Q. 2009. Analysis of lithology with remote sensing image based on concept grid algorithm in Three Gorges[J]. Remote Sensing Technology and Application, 24(1): 32–39. |
| [] | Wang Y H, Jiang Z C, Shi D Y, et al. 2013. Basement lithology lithofacies identification in the Kunse depression, Yili Basin:Using the high-precision gravity, magnetic and electric data[J]. Progress in Geophysics, 28(2): 793–799. DOI:10.6038/pg20130228 |
| [] | Wang Y H, Lei M S, Lei Y H, et al. 2008. Application of high-precision gravity and magnetic data in exploration of volcanic gas reservoir in Gulong fault depression of Songliao basin[J]. Oil Geophysical Prospecting, 43(1): 107–112. |
| [] | Wang Z G, Zhu Z H, Wang H M, et al. 1999. Applications of spectral angle mapping method in lithological identification[J]. Journal of Remote Sensing, 3(1): 60–65. |
| [] | Wang Z W, Liu J H, Li Z B.2004.Lithology recognition method based on grey system theory[C].Collection of the international geophysical conference//CPS/SEG2004.(in Chinese).Beijing:Chinese Geophysical Society. |
| [] | Wei Z H, Zhang J R. 2014. Optimization model of logging lithological identification[J]. Computer Science, 41(11A): 430–431, 450. |
| [] | William J. 1996. The Utility of Regional Gravity and Magnetic Applications[M]. Cambridge: Cambridge University Press. |
| [] | Xiang T T, Chen S B, Liu Y L, et al. 2013. Lithological information extraction from Hyperion data in Luanping area[J]. Remote Sensing Information, 28(2): 82–87, 92. |
| [] | Xu D L, Li T, Huang B H, et al. 2012. Research on the identification of the lithology and fluid type of foreign M oilfield by using the crossplot method[J]. Progress in Geophysics, 27(3): 1123–1132. DOI:10.6038/j.issn.1004-2903.2012.03.037 |
| [] | Yan J Y, Lü Q T, Chen X B, et al. 2014. 3D lithologic mapping test based on 3D inversion of gravity and magnetic data:A case study in Lu-Zong ore concentration district, Anhui Province[J]. Acta Petrologica Sinica, 30(4): 1041–1053. |
| [] | Yang H, Huang J Q, Hu X T, et al. 2013. Application of BP neural net in lithologic identification of tight sandstone gas reservoirs[J]. Petroleum Geophysics, 11(1): 39–42. |
| [] | Yang J M, Zhang Y J, Yao F J. 2007. Lithology identification of the Weiya complex by means of ETM+ remote sensing[J]. Acta Petrologica Sinica, 23(10): 2397–2402. |
| [] | Yang M H, Zhai Y H, Han H B. 2007. Application of fuzzy probability theory to identify Xujiaweizi deep volcanic lithology[J]. Oil Geophysical Prospecting, 42(2): 190–193. |
| [] | Yeh C Y, Lee S J. 2007. A kernel-based two-stage one-class support vector machines algorithm[A].//Liu D R, Fei S M, Hou Z G, et al eds. Advances in Neural Networks-ISNN 2007[M]. Berlin Heidelberg:Springer-Verlag, 515-524. |
| [] | Yu J H. 1993. Automatic lithology identification using artificial nervous network[J]. Oil Geophysical Prospecting, 28(1): 59–66. |
| [] | Zhang B, Zhang Z, Shuai S, et al. 2015. Lithological mapping by using the synergestic Landsat-8 and Worldview-2 images[J]. Geological Science and Technology Information, 34(3): 208–213, 229. |
| [] | Zhang W L. 2005. Advances on study of rock identification by remote sensing-integration of remote sensing and airborne radioactive information[J]. Bulletin of Mineralogy, Petrology and Geochemistry, 24(1): 88–91. |
| [] | Zhang Z G, Yang Y H, Xia L X. 2005. The application of self-organizing feature map neural Network to logging lithological identification[J]. Progress in Geophysics, 20(2): 332–336. DOI:10.3969/j.issn.1004-2903.2005.02.013 |
| [] | Zhang Z H. 2009. Application of classifiers Combination in the lithology recognition[J]. Computer Simulation, 26(4): 275–278. |
| [] | Zhao J H, Yang S F, Chen H L. 2004. Recognition of lithology with remote sensing image based on fractal texture[J]. Remote Sensing Information(2): 2–4. |
| [] | Zhou Y H. 2015. Gulong region Yingcheng volcanic rock boundary identification and characterization methods[J]. West-China Exploration Engineering, 27(7): 149–150, 153. |
| [] | Zhu J W, Zhao G, Liu B, et al. 2012. Identification technology and it's application of well-logging about oil shale[J]. Journal of Jilin University (Earth Science Edition), 42(2): 289–295. |
| [] | 毕晓佳. 2009.高光谱遥感岩矿填图应用研究[硕士论文].成都:成都理工大学. |
| [] | 毕晓佳, 苗放, 叶成名, 等. 2012. Hyperion高光谱遥感岩性识别填图[J]. 物探化探计算技术, 34(5): 599–603. |
| [] | 陈海清, 杨波, 寿建峰, 等. 2007. 沉积物源的综合识别与岩性圈闭的确定——以柴达木盆地七个泉地区为例[J]. 石油地球物理勘探, 42(3): 283–289. |
| [] | 陈树军. 2007.航空伽马能谱测量在浅覆盖区地质填图单元划分中的应用[硕士论文].长春:吉林大学. |
| [] | 甘利灯, 赵邦六, 杜文辉, 等. 2004.弹性阻抗反演及其在岩性识别中的应用[C].//中国地球物理学会第二十届年会论文集.西安:中国地球物理学会. |
| [] | 宫清顺, 黄革萍, 孟祥超, 等. 2012. 三塘湖盆地火山岩岩性识别方法[J]. 中国石油勘探, 43(3): 37–41. |
| [] | 何又雄, 姚姚. 2005. 基于参考道的岩性识别与岩性剖面非线性反演[J]. 石油勘探与开发, 32(3): 61–63. |
| [] | Hilterman F. 1998.墨西哥湾岩性识别[J].曹辉, 译.石油物探译丛, (3):39-47. |
| [] | 洪忠, 张猛刚, 苏明军. 2013. 应用地震波形分类技术识别岩相的适用性和局限性[J]. 物探与化探, 37(5): 904–910. |
| [] | 胡滨, 王锐, 何政伟, 等. 2014. 遥感技术在西藏朱诺地区岩性识别中的应用[J]. 桂林理工大学学报, 34(4): 651–658. |
| [] | 黄照强, 赵珍梅, 闫东川, 等. 2010. 基于热红外遥感数据的西藏冈底斯东段岩性识别[J]. 地质与勘探, 46(6): 1092–1098. |
| [] | 纪学武, 夏义平, 康南昌, 等. 2008. 岩性地层圈闭识别工作步骤及配套技术[J]. 石油地球物理勘探, 43(1): 101–106. |
| [] | 江平, 石世民. 1995. fBm纹理分析模型及其在岩性识别中的应用[J]. 环境遥感, 10(1): 38–44. |
| [] | 焦润成, 秦彦平, 张淑云, 等. 2014. Worldview-2数据在沉积岩地区的遥感岩性增强方法初探——以新疆喀什阿尔塔什地区为例[J]. 西北地质, 47(4): 277–283. |
| [] | 靳军, 刘楼军, 邵雨, 等. 2002. 综合地球物理方法识别准噶尔盆地的岩性圈闭[J]. 石油地球物理勘探, 37(3): 287–290, 299. |
| [] | 金剑, 田淑芳, 焦润成, 等. 2013. 基于地物光谱分析的WorldView-2数据岩性识别:以新疆乌鲁克萨依地区为例[J]. 现代地质, 27(2): 489–496. |
| [] | 鞠武, 韩学辉, 支乐菲, 等. 2012. 应用Bayes逐步判别分析识别辛176区块Es4储层岩性[J]. 物探化探计算技术, 34(5): 576–581. |
| [] | 刘超群. 2007.碳酸盐岩地区遥感岩性信息提取方法研究[硕士论文].北京:中国地质科学院. |
| [] | 刘超群, 马祖陆, 莫源富. 2007. 遥感岩性识别研究进展与展望[J]. 广西科学院学报, 23(2): 120–124, 128. |
| [] | 刘磊, 周军, 冯敏, 等. 2013. 甘肃北山辉铜山地区镁铁岩体遥感识别方法研究[J]. 遥感技术与应用, 28(3): 520–525. |
| [] | 刘灿, 王宏伟. 2011. 高植被覆盖区遥感岩性识别研究[J]. 矿物学报(增刊): 966–967. |
| [] | 刘云祥, 何展翔, 张碧涛, 等. 2006. 识别火成岩岩性的综合物探技术[J]. 勘探地球物理进展, 29(2): 115–118. |
| [] | Lörtzer G J M. 1993.岩性反演的完整方法第一部分:理论[J].杨谦, 译.国外油气勘探, 5(4):414-428. |
| [] | 鲁宝亮, 孙晓猛, 张功成, 等. 2011. 南海北部盆地基底岩性地震-重磁响应特征与识别[J]. 地球物理学报, 54(2): 563–572. DOI:10.3969/j.issn.0001-5733.2011.02.036 |
| [] | 罗明璋, 张翔, 刘振丙. 2012. 一种新的最大间隔分类器的求解算法及其在测井岩性识别中的应用[J]. 石油天然气学报, 34(2): 98–102. |
| [] | 马睿, 张晓帆, 陈川. 2015. 基于ASTER的蛇绿混杂岩带岩性识别[J]. 遥感学报, 19(2): 195–208. |
| [] | 孟耀华, 尚廷义, 王兵. 2009. 样条过程神经元网络在测井岩性识别中的应用研究[J]. 电子测试(6): 1–5. |
| [] | 莫源富, 奚小双. 2010. 植被覆盖茂密区碳酸盐岩岩性的遥感识别——以灌江流域为例[J]. 桂林理工大学学报, 30(1): 41–46. |
| [] | 孙喜明, 张碧涛, 贠智能, 等. 2008. 应用重力资料对哈萨克斯坦南部S盆地进行基底岩性填图[J]. 石油地球物理勘探, 43(增刊1): 136–138, 145. |
| [] | 谭衢霖. 2009. SAR遥感数据用于岩性识别与分类的研究[J]. 地质找矿论丛, 24(4): 349–353. |
| [] | 田艳, 孙建孟, 王鑫, 等. 2010. 利用逐步法和Fisher判别法识别储层岩性[J]. 勘探地球物理进展, 33(2): 126–129, 134. |
| [] | 田玉昆, 周辉, 袁三一. 2013. 基于马尔科夫随机场的岩性识别方法[J]. 地球物理学报, 56(4): 1360–1368. DOI:10.6038/cjg20130430 |
| [] | 王爱云, 刘素红, 王安建, 等. 2011. 基于实测波谱标识的Hyperion数据岩性识别方法[J]. 地质通报, 30(5): 773–782. |
| [] | 王超, 张伟刚, 阎治全. 2015. 激光诱导击穿光谱技术对火成岩岩性的高精度识别[J]. 光谱学与光谱分析, 35(9): 2463–2468. |
| [] | 王润生. 1987. 遥感图象的典型变换方法及其在岩性识别中的应用[J]. 地球科学-武汉地质学院学报, 12(6): 639–646. |
| [] | 王淑盛, 徐正光, 刘黄伟, 等. 2004. 改进的K近邻方法在岩性识别中的应用[J]. 地球物理学进展, 19(2): 478–480. DOI:10.3969/j.issn.1004-2903.2004.02.042 |
| [] | 王卫平, 方迎尧, 吴成平. 2009. 直升机航空电磁法在岩性构造填图中的应用效果——以内蒙古乌达地区为例[J]. 工程地球物理学报, 6(4): 411–417. |
| [] | 王贤敏, 牛瑞卿. 2009. 三峡库区基于概念格算法的遥感岩性分析[J]. 遥感技术与应用, 24(1): 32–39. |
| [] | 王耀辉, 姜忠诚, 石东阳, 等. 2013. 高精度重磁电资料在伊犁盆地巩乃斯坳陷基底岩性岩相识别中的应用[J]. 地球物理学进展, 28(2): 793–799. DOI:10.6038/pg20130228 |
| [] | 王玉华, 雷茂盛, 雷裕红, 等. 2008. 高精度重磁资料在松辽盆地古龙断陷火山岩气藏勘探中的应用[J]. 石油地球物理勘探, 43(1): 107–112. |
| [] | 王志刚, 朱振海, 王红梅, 等. 1999. 光谱角度填图方法及其在岩性识别中的应用[J]. 遥感学报, 3(1): 60–65. |
| [] | 王祝文, 刘菁华, 李舟波. 2004.基于灰色系统理论的岩性识别的方法[C].//CPS/SEG 2004国际地球物理会议论文集.北京:中国地球物理学会. |
| [] | 魏志华, 张俊儒. 2014. 一种测井岩性识别的寻优模型[J]. 计算机科学, 41(11A): 430–431, 450. |
| [] | 项甜甜, 陈圣波, 刘彦丽, 等. 2013. 基于高光谱数据的河北滦平地区岩性信息提取方法试验研究[J]. 遥感信息, 28(2): 82–87, 92. |
| [] | 徐德龙, 李涛, 黄宝华, 等. 2012. 利用交会图法识别国外M油田岩性与流体类型的研究[J]. 地球物理学进展, 27(3): 1123–1132. DOI:10.6038/j.issn.1004-2903.2012.03.037 |
| [] | 严加永, 吕庆田, 陈向斌, 等. 2014. 基于重磁反演的三维岩性填图试验——以安徽庐枞矿集区为例[J]. 岩石学报, 30(4): 1041–1053. |
| [] | 杨辉, 黄健全, 胡雪涛, 等. 2013. BP神经网络在致密砂岩气藏岩性识别中的应用[J]. 油气地球物理, 11(1): 39–42. |
| [] | 杨建民, 张玉君, 姚佛军. 2007. 利用ETM+遥感技术进行尾亚杂岩体的岩性识别[J]. 岩石学报, 23(10): 2397–2402. |
| [] | 杨明合, 翟应虎, 韩福彬. 2007. 模糊概率理论在徐家围子深层火山岩岩性识别中的应用[J]. 石油地球物理勘探, 42(2): 190–193. |
| [] | 于建华. 1993. 应用人工神经网络自动识别岩性[J]. 石油地球物理勘探, 28(1): 59–66. |
| [] | 张斌, 张志, 帅爽, 等. 2015. 利用Landsat-8和Worldview-2数据进行协同岩性分类[J]. 地质科技情报, 34(3): 208–213, 229. |
| [] | 张万良. 2005. 遥感岩性识别研究的发展趋势——遥感与航空放射性信息集成[J]. 矿物岩石地球化学通报, 24(1): 88–91. |
| [] | 张治国, 杨毅恒, 夏立显. 2005. 自组织特征映射神经网络在测井岩性识别中的应用[J]. 地球物理学进展, 20(2): 332–336. DOI:10.3969/j.issn.1004-2903.2005.02.013 |
| [] | 张章华. 2009. 应用分类器组合模型进行岩性识别[J]. 计算机仿真, 26(4): 275–278. |
| [] | 赵建华, 杨树锋, 陈汉林. 2004. 基于分形纹理的遥感图像岩性识别方法[J]. 遥感信息(2): 2–4. |
| [] | 周宇航. 2015. 古龙地区营城组火山岩识别及岩体边界刻画方法[J]. 西部探矿工程, 27(7): 149–150, 153. |
| [] | 朱建伟, 赵刚, 刘博, 等. 2012. 油页岩测井识别技术及应用[J]. 吉林大学学报 (地球科学版), 42(2): 289–295. |