近日，地科学院硕士生叶茂林在导师王庆副教授的指导下，于SCI二区期刊《Computers & Geosciences》发表题为《A combined deep learning and morphology approach for DFS identification and parameter extraction》的研究论文，提出一种融合深度学习与河流形态学的分布式河流系统（DFS）参数自动化提取方法，为沉积盆地分析与资源勘探提供了智能化解决方案。

为了能够自动化的提取分支河流体系河道参数，便于对其进行研究表征，提出一种结合深度学习和形态学的方法，自动提取分支河流体系的河道参数。首先，提出Segformer与ASPP融合优化的Seg_ASPP模型，用于生成河网掩膜；随后使用累计成本和多项式拟合算法提取河流掩膜中心线，并设计一种根据掩膜中心线提取分支河流体系河道长度、宽度和弯曲度的方案。最后，选取柴达木盆地格尔木地区的分支河流体系区域作为实验区，使用多个深度学习模型对分支河流体系的河道进行预测。与Seg_ASPP模型提取掩膜的精度进行对比评估，将使用该方法自动提取得到的参数值与人工测量的真实值进行误差对比，长度、宽度和弯曲度的平均相对误差分别为10.22%、13.57%和5.41%；通过格网化方法，对格尔木实验区的分支河流体系的河流扇进行定量表征，根据参数距顶点距离不同的变化，将该分支河流体系分为辫状河段、辫曲共生段和低弯曲河流段。本文提出的DFS参数提取方法在实际应用中有巨大的潜力和应用前景，能对油气储层和地质研究领域提供高效的数据获取方法。

《Computers & Geosciences》是一本以地学-地球科学综合综合研究为特色的国际期刊。JCR1区，SCI二区该刊由Elsevier Ltd出版商创刊于1975年，刊期Monthly。该刊已被国际重要权威数据库SCIE收录。期刊聚焦地学-地球科学综合领域的重点研究和前沿进展，及时刊载和报道该领域的研究成果，致力于成为该领域同行进行快速学术交流的信息窗口与平台。该刊2023年影响因子为4.2。CiteScore指数值为9.3。

论文链接：https://www.sciencedirect.com/science/article/pii/S0098300425000068

图1 Seg_ASPP网络模型

图2 模型精度对比

图3 论文