通过将卷积神经网络(CNN)与普通克里金(OK)方法相结合来提升地质数据插值效果:以武汉为例的案例研究

《Geocarto International》:Enhancing geological data interpolation by integrating convolutional neural networks (CNN) with the Ordinary Kriging (OK) method: a case study of Wuhan

【字体: 大 中 小 】 时间:2026年04月30日 来源:Geocarto International 3.5

编辑推荐:

  摘要 快速的城市化进程导致了对地下基础设施(包括交通系统、公用设施和污水网络)的需求显著增加。然而,缺乏一个全面可靠的地下地质模型给工程师和城市规划者带来了挑战。本研究旨在通过提供一个强大的地质模型来改善城市规划和风险评估,从而解决这一问题。我们通过整合改进的普通克里金(OK

  摘要
快速的城市化进程导致了对地下基础设施(包括交通系统、公用设施和污水网络)的需求显著增加。然而,缺乏一个全面可靠的地下地质模型给工程师和城市规划者带来了挑战。本研究旨在通过提供一个强大的地质模型来改善城市规划和风险评估,从而解决这一问题。我们通过整合改进的普通克里金(OK)方法开发了预测性地质模型,以构建能够考虑地下不整合性的分层地质模型。为了解决岩性钻探数据的空间分布不均问题,我们开发了一个使用卷积神经网络(CNN)的框架,用于在数据稀疏区域预测地质特征。这些结果通过提供对地下条件的更清晰理解,减少了与地下基础设施项目相关的风险,从而提升了城市规划的质量。我们整合了一个包含2340个岩性钻孔的数据集,这些钻孔覆盖了16个不同的地质层。这些模型通过降低不确定性,支持了地下基础设施的发展。

关键词:地质模型;机器学习;城市地质学;数据科学;城市规划

1. 引言
1.1 背景与情境
特大城市的快速城市化(例如武汉)对地下基础设施的需求不断增加,给城市规划者、工程师和岩土专家带来了诸多挑战(Cui等人,2021年)。为交通网络、公用设施和污水系统扩展地下空间会引入诸如地面沉降、滑坡和水溃等重大风险,这些风险都受到地下地质条件的影响(Yao等人,2023年;Zhang等人,2022年)。这些地质灾害凸显了精确岩土数据的重要性,以确保基础设施开发的安全。为此,三维地质建模提供了详细的地下表示,提高了施工期间地面行为的预测能力(Petrone等人,2023年;Wang等人,2024a年)。该模型作为理解地质属性与城市基础设施之间相互作用的工具(Petrone等人,2023年)。本研究将多尺度三维地质建模应用于中国中部的快速发展的特大城市武汉(Tan等人,2023年;Zhu等人,2022年),以解决评估地下基础设施岩土风险时缺乏可靠地下数据的问题。该模型基于钻孔数据和地质图开发,旨在预测地下条件、识别地质灾害并支持决策制定(Von der Tann等人,2020年)。通过提供详细的地质数据,三维模型提高了风险评估能力,并有助于预测施工行为(Giacomelli等人,2023年)。它展示了地质层及其属性(如土壤强度、渗透性和含水量),这些属性影响着地下结构的稳定性(Kim和Ji,2022年;Soriano-Cuesta等人,2023年)。武汉多样的地质条件(包括冲积沉积物和基岩)需要一种准确的方法来模拟地下复杂性(Huang等人,2023年)。本研究解决了地质条件的空间变异性问题,这对城市发展和风险管理至关重要。了解土壤属性对于基础设计至关重要(Aslam等人,2019年)。三维地质模型有助于识别易发生不稳定的区域(如土壤较弱或含水量高的区域),从而指导采取诸如土壤稳定和排水系统等缓解措施(He等人,2020年;Price等人,2018年)。将岩土属性(如土壤强度、渗透性和含水量)整合到三维地质模型中,对于设计地下基础设施至关重要。三维模型还有助于识别需要特殊基础或加固的高风险区域(如土壤柔软或地震活跃的区域),并减轻包括土壤液化 and 沉降在内的风险(Lai等人,2023年)。这些因素影响地面应力、稳定性和承载能力,进而影响隧道和基础(Erharter等人,2023年)。在武汉,该模型提供了精确的地下数据,确保选择了适当的施工技术(Li等人,2024年)。这项研究将通过提供准确的地质数据,指导城市设计师、工程师和政策制定者改进武汉的地下基础设施,从而提升决策质量。它还将为城市地质学和岩土工程做出贡献,提供一种适用于其他快速城市化城市的方法(Lai等人,2021年)。随着城市的扩张,对可靠地下数据的需求也在增加,本研究提供了一个将地质建模与城市发展相结合的模型,以确保基础设施的稳定性(Deng等人,2023年)。最近的研究探索了多种提高地质建模精度的技术,包括将机器学习算法(如CNN)与传统地质统计学结合的深度学习方法。Miao等人(2025年)的文章介绍了一种基于深度学习的环境数据空间插值新方法,展示了CNN如何增强地质建模。同样,Azarm等人(2025年)展示了CNN增强型地面沉降插值方法,其中CNN改进了传统插值方法。同时,Hang等人(2025年)提供了一种专为三维地质建模设计的CNN,突显了深度学习在地质学应用中的进步。尽管普通克里金(OK)已被广泛用作空间模型,但在采样稀疏区域的有效性仍然有限。Abdelsattar和Hemdan(2025年)指出,CNN与地质统计学的结合是一种新的方法,可以解决这一限制并提高空间预测的准确性。此外,Song和Tsai(2024年)回顾了普通克里金(OK)和空间建模的最新进展,包括其在数据稀疏区域的局限性,并强调了需要新的方法(如CNN增强型普通克里金(OK))。本文介绍了一种创新方法,其中CNN增强了普通克里金(OK)的插值,用于地质表面重建。通过将CNN应用于改进普通克里金(OK),该模型在数据稀疏区域提高了精度,解决了地质建模中的一个重要挑战。这种方法通过将机器学习与传统地质统计技术相结合,增强了空间预测能力,并揭示了更精确的地质特征。本研究展示了CNN在插值过程中如何增强普通克里金(OK)对数据有限情况下复杂地质环境的建模能力,为地下特征描述提供了一种新工具。

1.2 地质背景
本研究聚焦于中国湖北省的武汉,该城市位于长江和汉江的交汇处。图1显示了研究区域。由于武汉复杂的地质条件和独特的建筑挑战,这里非常适合进行高级地质建模和地下基础设施分析(Zhang等人,2024年)。武汉江汉盆地的第四纪沉积物覆盖在中生代和古生代岩层之上。软粘土、沙层和变化的地下水使得地铁隧道建设变得复杂。快速的城市发展和地下水枯竭加剧了地震活动和地面沉降。本研究使用钻孔数据、原位测试和实验室岩土实验来评估地下施工地质条件。施工面临松散的人工填充层(土壤、垃圾和碎石)带来的挑战。下面柔软且可压缩的第四纪冲积土需要稳定处理。中更新世时期的淤泥、粘土和砾石提供了更稳定的基础,但它们的化学差异影响了隧道施工。下更新世时期的沙子和砾石影响了地下水流动的变异性。对风化的白垩纪-第三纪东湖群基岩进行彻底建模对于识别脆弱性至关重要。监测地下水(尤其是孔隙水和裂隙水)对施工安全至关重要。武汉现场的多样地层、不同的土壤和岩石风化程度以及独特的地下水条件对于地下施工规划至关重要。评估这些特征有助于工程师制定有效的风险降低策略,改进施工技术,并确保地下结构的稳定性,从而减少挖掘过程中的意外挑战(Wu等人,2022年)。

图1. 该图分为两个面板,显示了湖北省和带有钻孔及高程数据的详细建模区域,数据来源于Mkono等人(2023年)。
两个面板分别展示了地理和高程数据。面板a显示了带有红色轮廓的湖北省地图,湖北省内的一个较小且颜色较深的区域标记为武汉。比例尺表示1厘米等于58公里。面板b详细展示了以武汉为中心的建模区域,绿色轮廓表示城市区域。许多小黑圆圈代表钻孔,它们密集分布在武汉周围并向外延伸。面板b的背景是地形图,显示了从最低18米到最高858米的高程值。比例尺表示1厘米等于9公里。面板下方的图例定义了钻孔、湖北省、城市区域和高程值的符号。

1.3 目标与范围
本研究对武汉的三维地质进行建模,以解决由于快速城市化导致的缺乏可靠地下地质模型的问题。钻孔数据包括层深度和岩土属性(如渗透性、含水量和抗力)。普通克里金(OK)和卷积神经网络(CNN)被用来预测地下特征,本文将展示CNN如何在数据稀疏区域增强普通克里金(OK)的空间数据插值能力。线性回归被用来通过考虑空间相关性来改进预测。

2. 方法论
本节概述了本研究使用的方法论,包括三个阶段:数据描述、预处理以及异常值检测和质量保证。每个阶段共同作用,以清理、处理和分析数据集,确保其适用于准确的地质建模。数据描述涉及编译钻孔信息,包括深度测量和岩土属性。在预处理阶段,数据被清理,并识别和移除异常值以提高模型精度。最后,异常值检测和质量保证通过消除不一致性和确保数据可靠性来保证数据集的完整性。图2展示了整个过程的工作流程,说明了准备和分析地质数据的逐步程序。

图2. 数据分析和属性计算流程图。
流程图详细说明了从开始节点到结束节点的数据分析步骤。首先是数据描述,然后是输入岩性数据集(BORENOID, X, Y, Z-START, Z-END),接着是定义参数:岩性名称、阈值和输出文件夹。接下来是数据预处理,分为预处理方法(包括缺失值处理、厚度计算和数据一致性检查)以及筛选/选择(包括阈值定义、钻孔过滤和层选择)。这两个分支都通向异常值检测和质量保证,其中包括基于IQR的异常值检测、统计过滤和视觉检查。这导致了最终预处理数据,然后是表面准备,包括归一化图像(TIFF格式,仅保存)和CSV格式(用于后续所有步骤),以及线性回归平滑处理。这又分为克里金方法(变异函数建模、各向同性/各向异性分析、普通克里金),进而得到插值表面,以及CNN方法(网格生成、补丁提取、CNN训练),最终得到增强表面。插值表面和增强表面都通向三维可视化,最终达到结束节点。

2.1 数据描述
本研究收集了武汉城市增长区域内多个钻孔的数据,以评估地下基础设施的地下条件和风险分析。数据集包括钻孔ID、空间坐标(X, Y)、深度测量(Z-START和Z-END)以及岩性分类。共记录了十六个岩性层,包括粘土、沙子、砾石和泥岩,每个层都被赋予了一个唯一的标识符(LAYNO)。所有钻孔的数据被整合起来,创建了该区域的详细三维地质模型。

2.2 预处理
预处理对于确保模型的准确性和一致性至关重要。本研究将钻孔数据组织成每个地质层的单独CSV文件,其中包含钻孔ID、空间坐标、层厚度和深度测量值。M表示钻孔数量,N表示地质层的数量。零厚度数据通常表示钻孔中不存在该层,而不是错误,必须仔细检查以防止模型失真。缺失的层用占位符([0, 0, 0])标记,以保持所有钻孔之间的一致性。这种方法有助于保留地质多样性,同时为建模和分析提供统一的框架。数据集经过交叉验证以确保完整性,缺失值要么被移除(以消除无效数据),要么被插补(使用邻近钻孔的值)。这一过程确保了地层的一致性,保留了关键的地质指标,并为地下建模提供了可靠的基础。

2.3 异常值检测和质量保证
异常值检测对于确保数据集的可靠性至关重要。本研究应用IQR方法来检测和消除异常值,其中IQR的计算公式为:(Frery, 2023):
IQR = Q3 - Q1
其中Q1和Q3分别表示顶部(Z-START)、底部(Z-END)和厚度的第25百分位数和第75百分位数。使用IQR方法进行异常值检测,通过同时评估这些参数来确保异常值的可靠检测。每个参数的允许范围是根据IQR的下限和上限确定的(Chang等人)。引用2022:(2) 下限 = Q1 - 1.5×IQR(2) (3) 上限 = Q1 + 1.5×IQR(3) 图3和S1通过比较钻孔厚度及其与研究区域中心的距离来说明异常值检测。蓝点代表有效测量值,红点表示使用IQR方法移除的异常值。这种可视化突出了空间模式,并确认了过滤过程的有效性。图3. 地质层的异常值检测:厚度与距离中心的关系。阅读该图的详细描述。这个双面板散点图显示了厚度与距离中心的关系。a面板,碳酸盐层,显示蓝色接受点聚集在较低的厚度值附近,通常低于20,红色异常点散布在较高的厚度值附近,最高达到40。b面板,粘土层,显示蓝色接受点大多低于7.5的厚度,红色异常点散布在较高的厚度值附近,有些超过17.5。两个面板都有一个标有“距离中心”的水平轴,范围从0到35000。两个面板的垂直轴都标有“厚度”。每个面板中的图例将蓝色圆圈标识为“接受”,红色圆圈标识为“异常值”。显示全尺寸。Z-START和Z-END列中的缺失值被替换为0,以确保数据的一致性。这种计算错误保持了厚度计算的完整性(Lin和Tsai引用2020):(4) 如果缺失,则ZSTART=0 (5) 如果缺失,则ZEND=0。对于数据不完整的钻孔,使用插值法估计缺失的地层。在两个相邻地层之间没有地质层的情况下,其初始和终止深度使用以下公式计算:(6) 如果缺失,则ZSTART=前一层地层的ZEND (7) 如果缺失,则ZEND=前一层地层的ZSTART。插值法估计了数据不完整的钻孔中的缺失地层。对于缺乏地质层的相邻地层,层厚度是在预处理过程中通过Z-END和Z-START之间的差值计算得出的(Zalachoris和Rathje引用2015):(8) 厚度 = ZEND - ZSTART。为了纠正数据集中的差异,包括由于不准确而产生的负厚度值,厚度按以下方式进行了修正(Wang等人引用2022):(9) 厚度 = max(0, ZEND - ZSTART)。这一步专注于从预处理后的数据集中提取有意义的见解。LAYNO列标识了每个地质层并分类了岩石类型(例如粘土、沙子)。它有助于分析深度、厚度和地理分布。使用IQR方法移除了每个层的异常值(Ren等人引用2022;Shashel和Sui引用2022)。预处理产生了用于详细分析的干净数据集。箱形图显示了Z-START、Z-END和厚度在不同岩石类型中的显著变化。砾石、土壤和残余土壤显示出广泛的范围,表明了强烈的地质异质性,而水层和泥岩裂隙带等单元则更加均匀。几个地层中的异常值表明存在异常或测量错误。砾石土壤和砂岩砾岩2中的厚度变化尤为明显,表明沉积或侵蚀不规则。图4和S2突出了地质数据的复杂性以及需要进一步调查的区域。图4. 使用箱形图的带有异常值的地质数据。阅读该图的详细描述。这个双面板箱形图是水平排列的。a面板,标记为碳酸盐层,显示了Z-START、Z-END和厚度列的箱形图。垂直轴标有“值”,范围从0到100。Z-START的箱形图显示中位数约为20,范围大约在5到40之间,异常值接近80和95。Z-END的箱形图显示中位数约为55,范围大约在50到60之间,异常值接近10、35、40和98。厚度的箱形图显示中位数约为30,范围大约在25到45之间,异常值接近0、5和8。b面板,标记为粘土层,显示了Z-START、Z-END和厚度列的箱形图。垂直轴标有“值”,范围从0到35。Z-START的箱形图显示中位数约为10,范围大约在0到24之间。Z-END的箱形图显示中位数约为14,范围大约在9到27之间,有一个异常值接近35。厚度的箱形图显示中位数约为5,范围大约在0到19之间。显示全尺寸。图5和S3显示了移除异常值后的Z-START、Z-END和厚度的分布,显示出更窄的IQR和减少的变异性。像碳酸盐层和含水单元这样的均匀层保持稳定,而像砾石土壤和泥岩这样的不均匀层得到了控制。清理后的数据明确了厚度趋势,并暴露了更连贯的模式。移除异常值产生了更可靠的数据集,适用于插值和地质建模。图5. 使用箱形图的没有异常值的地质数据。阅读该图的详细描述。这个双面板箱形图显示了碳酸盐层和粘土层的Z-START、Z-END和厚度列。a面板,碳酸盐层,显示了三个箱形图。Z-START的箱形图显示中位数接近45,范围大约在30到52之间, whiskers达到8和78。Z-END的箱形图显示中位数接近50,范围大约在35到58之间, whiskers达到10和82。厚度的箱形图显示中位数接近8,范围大约在5到10之间, whiskers达到2和22。b面板,粘土层,显示了三个箱形图。Z-START的箱形图显示中位数接近2,范围大约在1.5到3之间, whiskers达到0.5和7.5。Z-END的箱形图显示中位数接近6,范围大约在4到7.5之间, whiskers达到1.5和13.5。厚度的箱形图显示中位数接近3,范围大约在2到4.5之间, whiskers达到0.5和9。两个面板的垂直轴都标有“值”。水平轴都标有“列”。显示全尺寸。2.4. 规范化在地质建模中,可视化对于解释和结果交流至关重要。插值表面的三维视图使用各种颜色来突出显示层边界、厚度变化和结构模式(Manchuk和Deutsch引用2019)。规范化应用于TIFF和CSV文件。对于TIFF图像,规范化是为了充分利用0-255的灰度范围,提高视觉对比度和层间的可比性。对于CSV数据,规范化是为了确保数据集的一致性和可比性。所有分析都依赖于原始的、未经规范化的数据,规范化仅影响图像显示,而不影响地质解释(Ghose等人引用2023):(10) Znorm = (Z - min(Z)) / (max(Z) - min(Z)),其中min(Z)和max(Z)代表数据集中的最小值和最大值,确保所有值都在范围内,以提高可比性。2.5. 线性回归普通克里金(OK)插值产生了不一致的结果,因此应用线性回归来移除极端Z值并使表面更加平滑。该方法模拟空间趋势,减少异常值,并改进参考表面的校准(Gu等人引用2024)。该模型遵循以下方程:(11) Z = β0 + β1X + β2Y + ε,其中Z代表插值深度,X和Y是空间坐标,β0、β1和β2是回归系数,ε是随机误差。该方法通过移除异常值来最小化均方误差(MSE),从而创建平滑表面。误差计算如下:(12) MSE = 1/n ∑i=1n(Zi - Zi^2)。2.6. 普通克里金(OK)方法过滤后,保留了13个地质层及其顶部和底部边界,共得到26个表面。移除了异常值以提高一致性,创建了一个覆盖从地表填充到更深地层的完整数据集。处理后的数据突出了对普通克里金(OK)插值至关重要的区域厚度模式。然后使用普通克里金(OK)来估计未测量值,生成3D地质模型的连续表面,包括可视化和厚度图。普通克里金(OK)是一种用于空间预测的地质统计插值方法,根据变异图得出的相关性来估计未测量位置的值(Behzadi和Jalilzadeh引用2020)。它遵循Tobler的第一地理定律,即空间相关性随距离增加而减小(Xu等人引用2020)。允许基于接近度进行加权插值。未采样位置Z?(x, y)的估计值是通过附近观测值的加权和计算得出的(He等人引用2020):(13) Z?(x, y) = ∑i=1N λiZ(xi, yi),其中Z?(x, y)是坐标(x, y)处的估计值,N是用于插值的相邻数据点的数量,Z?(x, y)是邻近位置的观测值,λi表示分配给每个数据点的权重。普通克里金(OK)的特点是通过最小化预测误差方差来计算权重λi(Rado?aj等人引用2022):(14) ∑i=1N λi = 1。这个约束确保预测值无偏,权重之和为一,从而保持数据的平均值。权重(λi)来自变异图,反映了数据点之间的空间相关性(Liu和Wang引用2022)。变异图评估了不同距离处的值差异,以评估空间依赖性(Zhao等人引用2024)。普通克里金(OK)使用空间相关性和基于距离的加权来估计值,捕捉全局趋势和局部变化,如断层(Juang等人引用2019)。它为地下分析、资源评估和环境研究生成连续表面。这项研究在50×50网格上应用了带有高斯模型的普通克里金(OK),通过捕捉宏观和微观尺度波动来提高效率(Liu和Wang引用2022)。2.7. 卷积神经网络(CNN)方法研究表明,数据的空间分布需要针对稀疏和密集区域采取不同的方法。稀疏数据集阻碍了局部变异性的捕捉,而密集数据集则因地质复杂性而面临挑战。传统方法,如普通克里金(OK),在这两种情况下都难以应对(Leal-Villaseca等人引用2025)。CNN分析密集区域中的模式,通过使用来自采样良好的位置的数据来改善稀疏区域的预测。研究区域包括稀疏和密集部分,边缘区域的钻孔覆盖有限,而中心区域的数据更为详细(Liu等人引用2024;Wang等人引用2024b)。密集区域能够实现精确的层分辨率,而稀疏区域则产生较粗糙的重建。CNN通过识别密集区域中的模式来提高稀疏区域的预测准确性。CNN模型使用多层(Ahmed等人引用2023),检查2D地质网格并预测缺失值。在训练时使用了90%的信息被省略的数据,它使用50×50网格来关注局部模式并改进预测。这项技术展示了CNN识别空间模式的能力,并提供了可靠的地质数据重建,特别是在钻孔覆盖有限的区域,如图6所示。图6. 创建了密集网格块(50×50网格)。阅读该图的详细描述。这个双面板热图显示了一个稀疏输入网格和一个掩码,并排排列。a面板,标题为“稀疏输入网格”,显示了一个50×50的网格。水平轴范围从0到40,垂直轴范围从0到40。右侧的垂直颜色条表示从0.00到0.16的值。网格包含许多小方块区域,其值大于0.00,在深色背景下显示为亮点。b面板,标题为“掩码(1表示已知,0表示未知),也显示了一个50×50的网格。水平轴范围从0到40,垂直轴范围从0到40。右侧的垂直颜色条表示从0.0到1.0的值。这个网格显示了亮区域的模式,代表已知值,而在深色背景下代表未知值。掩码中的亮区域对应于稀疏输入网格中的非零值位置。显示全尺寸。网络的层次结构使得从输入数据中提取和增强模式成为可能,使其在预测复杂地质数据集中的缺失值方面非常有效(Cao等人引用2024)。每个层都改进了整体预测,帮助模型理解局部和全局地质特征。CNN训练数据集是在预处理和移除异常值后从钻孔记录中组装的。分析了13个地质层,每个层都有单独的顶部和底部表面,总共得到26个表面。数据被插值到网格上,训练样本被分类为密集(中心)和稀疏(外部)区域,以帮助CNN学习这两个区域的空间模式。表面被划分为50×50的块,使CNN能够学习局部和更广泛的空间关系。块被分为70%用于训练,30%用于测试,没有单独的测试集。密集块提供了结构数据,而稀疏块测试了模型预测缺失值的能力。数据预处理包括从含有缺失数据的网格中提取N×N的块,并使用最小-最大缩放(Mabadeje Citation2024;Makhmudov等人Citation2024)对它们进行标准化:(15) x?ij = (xij ? min(X)) / (max(X) ? min(X))。这种标准化确保输入值落在标准范围内,使卷积神经网络(CNN)能够区分输入值xij和输出值x?ij之间的关系,从而实现精确预测。卷积层使用大小为K×K的滤波器Wk对输入网格X进行处理,在位置(i, j)处执行操作,如下所示(McMillan和Varga Citation2022):(16) yij = ∑(m=0)^k?1 ∑(n=0)^k?1 (xi+mj + wn,n)。卷积之后,使用ReLU激活函数将非线性引入模型,定义如下(Nazir等人Citation2023):(17) f(x) = max(0, x)。最大池化操作减少了特征图的空间维度,有助于缓解过拟合问题。最大池化操作的定义如下(Zafar等人Citation2022):(18) yij_pool = max({xi+mj+n | (m,n) ∈ 2×2})。此操作确保保留最相关的特征,同时去除不太重要的信息。卷积和池化之后,全连接层聚合特征以生成最终预测结果。输出的计算公式如下(Geng等人Citation2024;Zafar等人Citation2022):(19) y?i = ∑(j) wj * fj,其中wj表示学习到的权重,fj是来自前层的特征。CNN模型通过监督学习进行训练,旨在最小化损失函数以预测缺失值。使用均方误差(MSE)损失函数进行评估,计算公式如下(Hussain等人Citation2022):(20) L = 1/N * ∑(i=1)^N ∑(j=1)^N (y?ij ? yij)^2。其中y?ij和yij分别是预测值和实际值。Adam优化器用于最小化均方误差(MSE)损失,使用以下更新规则(Hassan等人Citation2025):(21) θt+1 = θt ? α * mt * vt?。CNN模型使用了来自密集区域和稀疏区域的块进行训练。从采样良好的区域提取密集块(Nd)以分析空间模式,而通过隐藏密集块的部分或采样孔隙覆盖率有限的区域来创建稀疏块(Ns)。稀疏块使模型能够通过将它们与完整块进行比较来估计缺失值。在推理过程中,CNN增强了稀疏区域,提高了分辨率并重建了地质表面。这种方法使模型能够在密集数据中识别模式,并有效地泛化到稀疏区域。

3. 结果与讨论
本节讨论了将CNN集成到普通克里金(OK)中如何提高插值精度,从而实现更准确的地质预测。它评估了地质表面模型的准确性、厚度估计的可靠性以及它们与该地区地质特征的一致性。研究表明,将深度学习与普通克里金(OK)结合使用可以增强地质构造和结构中空间模式的可视化。

3.1. 普通克里金(OK)方法的空间结构和变异图解释
对各向同性和各向异性变异图(图7和S4)的检查显示没有各向异性,表明空间变异性在所有方向上是一致的。通常,各向异性变异图会随方向变化;然而,在这种情况下,所有曲线显示出相似的模式,表明各向同性。这支持在地质统计分析中使用各向同性模型。空间相关函数ρ(h)用于测量相隔距离h的点之间的空间依赖性,定义如下:(22) ρ(h) = 1 ? γ(h)C,其中γ(?)表示实验半变异图,C表示变异性平台(变异图的平坦部分),?表示点对之间的滞后距离。如图7和S4所示(见补充材料),半变异图在短距离内迅速增加,表明存在一个明确的范围,超过该范围后点之间不再相关。这种模式在泥质土壤、粉砂、粘土和砂砾等构造中观察到,表明存在可预测的空间异质性,即点之间的相关性随距离增加而减小。空间相关系数用于测量滞后?时点之间的相似程度,定义如下:(23) r(h) = 1 ? γ(h) / γ(∞),其中r(h)表示空间相关系数,γ(h)表示半变异图,γ(∞)表示最高半方差。
各向异性和各向同性变异图(图7和S4)显示r(h)在所有方向上均稳步下降,表明空间相关性不依赖于方向。如果存在各向异性,则r(h)在不同方向上的变化应该是可见的,但在这里并未观察到。尽管如此,某些变异图(如碳酸盐底部的变异图)有所偏离,其半方差表明存在持续的空间相关性或增加的内部异质性。这表明需要一个定制的模型。各向异性变异图显示的趋势与各向同性变异图相似,证实了没有方向依赖性。

图7. 变异图分析用于调整地质层参数和检测空间结构。
该双面板图并排排列。面板a标题为“碳酸盐顶部”,包含两个子图。上部子图是一个条形图,垂直轴标记为Z,范围从0到1000。水平轴未标记。条形图显示了不同的高度。下部子图是一个折线图,垂直轴标记为Semivariance matheron,范围从0到10,水平轴标记为Lag dash,范围从0到10000。一条绿线在Lag 2000时从0急剧上升到大约8,然后在水平轴的其余部分波动在8到9之间。蓝点散布在绿线周围。面板b标题为“碳酸盐底部”,也包含两个子图。上部子图是一个条形图,垂直轴标记为Z,范围从0到1000。水平轴未标记。条形图显示了不同的高度。下部子图是一个折线图,垂直轴标记为Semivariance matheron,范围从0到10,水平轴标记为Lag dash,范围从0到10000。一条绿线在Lag 2000时从0急剧上升到大约9,然后在水平轴的其余部分波动在9左右。蓝点散布在绿线周围。

上下界限的变异图展示了空间模式,蓝色点表示实验半方差,绿色曲线表示拟合模型,红色条形表示数据可靠性。如砂砾1和老粘土这样的层显示出强烈的空间关联,而残余土壤显示出更大的变异性和较弱的相关性。实验值和模型值之间的一致性验证了数据的有效性,使其适合进行普通克里金(OK)插值,尽管存在某些限制。
上部和下部地质表面的3D表示使用从蓝色(低)到红色(高)的颜色渐变来突出地理变化,如图8所示。硅酸盐岩层在较低海拔处显示蓝色和绿色,而红色区域表示较高的地形。粘土层具有相似的颜色,但残余土壤层显示出更多的变异性,红色和橙色区域表示地质差异。砂岩砾岩层具有多种颜色,突出了复杂的特征。这种颜色编码的地图支持三维地质建模和地质技术风险评估。

图8. 使用普通克里金(OK)方法对十三个地质层的原始表面顶部和底部进行三维可视化,强调空间变化和岩性差异。
该双面板3D表面图显示了硅酸盐岩的空间变化和岩性差异。面板a标题为“硅酸盐岩底部”,显示了一个3D表面,水平X坐标范围从492228到558964,垂直Y坐标范围从3.35482到3.41290。表面显示了不同的Z值,右侧的刻度条范围从211.5到348.6。表面有几个高区域,最高的Z值出现在左上部和中心区域,最低的Z值出现在右下部。面板b标题为“硅酸盐岩顶部”,展示了类似的3D表面图,X和Y坐标范围相同。其Z值刻度条范围从208.8到320.3。这个表面也显示了高区域,最高的Z值出现在左上部和中心区域,最低的Z值出现在右下部,与面板a的模式相似,但Z值范围不同。

3.2. CNN重建结果
我们使用卷积神经网络(CNN)与普通克里金(OK)相结合,以改善样本较少区域的地质数据重建。普通克里金(OK)在采样密集的区域表现良好;然而,由于数据有限,在稀疏区域的准确性会降低。CNN通过从采样良好的区域学习空间模式并将其应用于数据点较少的区域,从而提高分辨率和连续性。本节展示了CNN在减少数据稀疏性和改善地下特征描述方面的优势。图9和S5展示了稀疏输入数据与重建输出之间的视觉对比,进一步证明了卷积神经网络(CNN)模型的有效性。输入网格(图9a和S5)显示了分布不规则的值,表明数据集的观测值有限且分布不均匀。这种输入数据对传统插值技术提出了重大挑战,因为缺乏连续性通常会导致重建不准确且无法捕捉复杂的地质变化。相比之下,CNN预测(图9b和S5)生成了一个连续的表面,不仅填补了缺失数据留下的空白,还保留了数据集中密集区域的固有空间模式。绝对差异图(图9c和S5)进一步显示了改进效果,因为稀疏输入和CNN输出之间的差异明显减少,大多数不一致性集中在高变异性的小区域内。总体而言,结果证实CNN显著提高了稀疏数据场景下的分辨率和连续性,使其成为可靠的地下特征描述和地质建模的宝贵工具。

图9. 展示了粉砂层的CNN输入和输出。(a) 稀疏输入数据。(b) CNN生成的输出。(c) 绝对差异突出显示了连续性和分辨率的提高。
该三面板热图显示了粉砂层的真实输入数据、预测结果及其绝对差异。面板a标记为“真实输入数据”,显示了一个深紫色的热图,其中散布着明亮的黄色和绿色点。右侧的垂直颜色条范围从0.0到1.0,黄色代表1.0。面板b标记为“预测”,显示了一个主要为明亮的黄色和浅绿色的热图,垂直颜色条范围从0.02到0.12,黄色代表0.12。面板c标记为“绝对差异”,显示了一个深红色的热图,其中散布着明亮的黄色和橙色点。右侧的垂直颜色条范围从0.1到0.8,黄色代表0.8。

3.3. 模型性能指标和参数优化
模型性能指标对于评估预测模型的有效性和可靠性至关重要。在本研究中,使用RMSE、MAE、MSE和R来评估这些模型的预测准确性,特别是增强了CNN的普通克里金(OK)。这些指标量化了预测值和实际值之间的误差,提供了关于模型准确性的见解。以下部分分析了模型的预测分布和地质变量的估计。本文中使用的超参数如表1所示。性能指标对于评估应用于地质数据插值的普通克里金(OK)CNN至关重要。评估指标的选择取决于具体问题和分析目标(Ghorbanzadeh等人Citation2019)。在本研究中,我们使用了关键指标:相关系数(R)、均方根误差(RMSE)(相当于MSE的平方根)和平均绝对误差(MAE),这些指标由最新文献推荐。使用这些指标在测试集上评估CNN模型的性能(Shin等人Citation2016):
表1. 使用的模型的最佳超参数。
MSE = 1/N * ∑(i=1)^N ∑(j=1)^N (y?ij ? yij)^2
MAE = 1/N * ∑(i=1)^N ∑(j=1)^N |y?ij ? yij|
R2 = 1 ? ∑(i=1)^N ∑(i=1)^N (y?ij ? yij)^2 / ∑(i=1)^N ∑(i=1)^N (yij ? yˉij)^2
其中y?i和yi分别是网格中第(i, j)个元素的预测值和实际值,yˉi是观测值的平均值。R2接近1和RMSE/MAE值接近0表明预测误差可以忽略不计(Chicco等人Citation2021)。
Python 3.12.3和科学库高效地处理了模型训练和评估。数字准确性和空间一致性用于评估地质应用中的CNN模型(Wang等人Citation2023)。图10和S6显示了训练损失和验证损失(MAE)的一致收敛性,表明误差最小,学习效果良好。卷积神经网络(CNN)能够有效插值处理复杂的地质结构,如残余土壤和泥岩裂隙带,证明了其在数据稀缺的城市环境中的可靠性。图10展示了训练和验证损失/MAE的情况。请阅读该图的详细说明。

这个双面板折线图名为“粉砂层”,显示了训练和验证指标。a面板标有“损失”,横轴从0到40,纵轴从0.0015到0.0050。训练损失线和验证损失线都从接近0.0050开始,在第5个时期迅速下降到约0.0016,然后逐渐下降到第40个时期的0.0016。b面板标有“MAE”,横轴从0到40,纵轴从0.025到0.050。训练MAE线和验证MAE线也都从接近0.050开始,在第5个时期迅速下降到约0.026,然后逐渐下降到第40个时期的0.025。右侧的辅助纵轴标记为“学习率”。

3.4 模型的统计分析
表2展示了使用卷积神经网络(CNN)和普通克里金法(OK)进行地质数据插值的性能指标。在训练过程中,两种模型的R值都很高:CNN为0.9952,普通克里金法为0.9811,表明它们能够很好地捕捉数据的潜在结构。在测试过程中,CNN的表现优于普通克里金法,R值的下降幅度更小(CNN为0.9896,而普通克里金法为0.9724),表明其具有更好的泛化能力。CNN在训练和测试期间显著降低了RMSE、MSE和MAE,显示出比普通克里金法更高的准确性。CNN在训练期间的RMSE为0.0017,MAE为0.00059,而普通克里金法的相应数值分别为0.0071和0.0011。这些发现突显了CNN通过优化预测,在数据稀疏和异质区域增强普通克里金法的能力(见图11)。CNN插值能够细化地质表面并显著减少噪声,尤其是在数据有限的区域。通过从采样良好的区域学习,CNN模型能够捕捉空间模式,并将其应用于采样不足的区域,从而提高分辨率和连续性。这表明CNN不仅通过提高采样不足区域的预测准确性来增强普通克里金法,还提高了地下模型的鲁棒性和可靠性。因此,CNN增强了普通克里金法,使其在具有稀疏钻孔数据的城市环境中更加通用和高效。CNN的集成提高了普通克里金法在数据有限的情况下模拟复杂地质结构的能力,从而提高了地下建模的整体可靠性。

表2. 模型的统计结果。请下载CSV文件以查看完整内容。

图11. 用于比较模型的性能指标。请阅读该图的详细说明。
这个三面板条形图展示了CNN和克里金法模型在训练和测试数据上的性能指标。a面板显示了RMSE值。对于训练数据,CNN的RMSE为0.00108,克里金法的RMSE为0.0071;对于测试数据,CNN的RMSE为0.0144,克里金法的RMSE为0.0725。b面板显示了MSE值。对于训练数据,CNN的MSE为0.00302,克里金法的MSE为0.00899;对于测试数据,CNN的MSE为0.0284,克里金法的MSE为0.0675。c面板显示了MAE值。对于训练数据,CNN的MAE为5.9E-4,克里金法的MAE为0.0011;对于测试数据,CNN的MAE为0.00256,克里金法的MAE为0.00829。在所有面板中,克里金法在训练和测试数据上的误差值始终高于CNN。

3.5 增强型普通克里金法(OK)插值
本研究展示了CNN如何在地质建模中增强普通克里金法(OK)的插值效果。图12和S7中的雷达图比较了不同岩性的普通克里金法(OK,红色)和经过CNN优化的结果(蓝色)。CNN提高了普通克里金法的准确性,并减少了数据稀疏区域的误差。CNN降低了误差指标(如MSE、MAE),在泥岩裂隙带和残余土壤等复杂地质结构中取得了更好的结果。同时,普通克里金法在粘土和碳酸盐等均匀地质结构中表现良好。图12和S7说明了CNN如何减少噪声并改进模型。在地质变化剧烈的区域,CNN的表现优于普通克里金法。总体而言,CNN在数据有限的复杂地质环境中适应性更强。

图12. 通过CNN模型增强实现了普通克里金法(OK)插值的改进。请阅读该图的详细说明。
这个双面板3D表面图展示了碳酸盐顶层的克里金模型和CNN模型的输出。a面板标记为“克里金模型”,显示了一个Z值范围从243.75到296.32的3D表面。表面中心区域Z值约为288.81到296.32,边缘区域的Z值较低,介于243.75到251.26之间。横轴为X坐标,范围从492228到558964;纵轴为Y坐标,范围从3.35482到3.41290。b面板标记为“CNN模型”,显示了一个Z值范围从247.83到285.34的3D表面。这个表面中心区域较宽且平坦,Z值约为269.26到279.98,有一些局部峰值,Z值高达285.34。横轴为X坐标,范围从490000到560000;纵轴为Y坐标,范围从3.37到3.41。两个面板都包含了一个垂直的Z值刻度条。

本文展示了CNN如何在地质建模中显著增强普通克里金法(OK)的插值效果。图13(a、b、c和d)显示了训练和测试数据集的交叉图,表明CNN在预测准确性上优于普通克里金法。CNN在训练期间的R值为0.9952,在测试期间的R值为0.9896,与实际地质值高度吻合,而普通克里金法的R值分别为0.9811(训练)和0.9724(测试)。这种显著的增强在数据稀疏区域尤为明显,CNN保持了空间模式,减少了插值误差,并提高了地质表面预测的总体精度。图14的雷达图直观地对比了CNN和普通克里金法的性能。CNN在训练和测试阶段显著减少了关键参数的误差。在地质变化剧烈的区域(如断层带),CNN的表现明显优于普通克里金法。图15的泰勒图进一步强调了CNN接近参考数据的能力,相关系数接近1,表明其准确性和鲁棒性优于普通克里金法。

图13. 用于比较的模型的交叉图。请阅读该图的详细说明。
这个四面板散点图显示了预测值与实际值的对比。a面板(CNN训练)显示了R值为0.9952的强线性趋势。b面板(CNN测试)也显示了R值为0.9896的强线性趋势。c面板(克里金训练)显示实际值在50左右时呈线性趋势,随后预测值在50到60之间趋于平稳,R值为0.9811。d面板(克里金测试)显示出类似的趋势,实际值在50左右时呈线性关系,随后预测值在50到60之间趋于平稳,R值为0.9724。所有面板的横轴标记为“实际值”,纵轴标记为“预测值”,范围从0到100。

这些发现可以应用于最近的国际研究,表明深度学习算法在数据有限的环境中具有显著的空间插值和地下重建潜力。其他结合机器学习的地质统计方法也在全球不同的地质环境中得到了应用,显示出比传统插值模型更好的预测能力。因此,本研究中的CNN-Kriging框架不仅限于武汉案例,还可以应用于全球其他城市或地质背景下的地下建模挑战。这些结果的重要性在于,提高地下模型的准确性直接增强了地下基础设施设计的安全性,改善了危险分析,并支持了快速城市化地区的更好地质技术决策。

图14. 用于模型评估的雷达图。请阅读该图的详细说明。
该雷达图比较了两种模型(CNN和克里金法)在六个不同指标上的性能。指标按半径排列:训练MAE、测试MAE、训练MSE、测试MSE、训练RMSE、测试RMSE、训练R值、测试R值。同心圆表示0到1.2之间的值。CNN模型由带有方形标记的蓝线表示,在训练和测试阶段的R值均较高,测试阶段的R值约为0.8。克里金模型由带有圆形标记的橙线表示,虽然总体上跟随CNN模型,但R值略低,误差指标(MAE、MSE、RMSE)也略高。两种模型在训练和测试阶段的MAE值接近0.2。在训练和测试阶段的MSE、RMSE方面,CNN模型始终优于克里金模型。

图15. 用于比较的模型的泰勒图。请阅读该图的详细说明。
泰勒图在横轴和纵轴上绘制了标准差,范围从0到10。径向轴表示相关系数,值从0.2增加到1.0。红色方块标记了参考点,其标准差约为1.5,相关系数为1.0。蓝色圆圈代表CNN,位于参考点附近,标准差约为1.5,相关系数约为0.99。橙色圆圈代表克里金法,标准差约为2.5,相关系数约为0.95。红色弧线从横轴0延伸到纵轴0,穿过标准差为10的位置。

本文使用小提琴图评估了模型在预测钻孔岩性方面的性能。如图16所示,CNN(蓝色)模型的表现优于普通克里金法(黄色),中位数与实验数据非常吻合,显示出强大的预测能力。CNN模型还更好地表示了较低和较高的百分位数(第5和第95百分位数)以及四分位数(第25和第75百分位数),比其他方法更准确地捕捉了数据分布。相比之下,普通克里金法模型倾向于低估较低百分位数,因此存在偏向核心值的趋势。从概率密度函数来看,CNN在不同地质层之间提供了更一致的结果,极端值较少。这反映了CNN从密度采样区域到稀疏采样区域进行空间结构泛化的能力,从而显著提高了数据有限区域的插值性能。

图16. 使用小提琴图展示的模型改进效果。请阅读该图的详细说明。
小提琴图显示了垂直轴上范围值的分布,横轴上有三个类别:实验数据、CNN和克里金法。左侧的实验数据小提琴图显示了从0到10的宽分布,密度峰值在0到10之间;中间的CNN小提琴图显示了从0到5的窄分布,密度峰值在0到5之间,数据点延伸到100;右侧的克里金法小提琴图显示了更复杂的分布,有多个密度峰值,数据点延伸到60。克里金法的分布比实验数据窄,但比CNN宽,其最高密度在0到5之间,另一个峰值在30到40之间。

如表3所示,最近的地统计和深度学习方法在空间插值和地质建模方面的比较显示,本研究中的CNN增强型普通克里金法(OK)方法在地质表面重建方面取得了显著进展,训练阶段的R值为0.9952,测试阶段的R值为0.9896。这项性能超过了传统技术,如普通克里金法(OK)(R = 0.9724),正如宋和蔡在Citation2024中的研究所示,他们使用了区间普通克里金法(OK)。Abdelsattar和Hemdan在Citation2025中采用了经验贝叶斯普通克里金法(OK)进行三维岩性建模,获得了R值为0.952,性能显著受到数据密度的影响。表3. 本研究与以往空间建模的相对比较。下载CSV显示表格。CNN-克里金法增强了空间连续性和插值精度,特别是在钻孔数据稀疏的情况下。CNN增强的克里金方法通过利用普通克里金法(OK)的空间相关性和CNN学习到的非线性模式,在地质地下建模方面优于Miao等人的研究(Citation2025)。Azarm等人在Citation2025中发现,用于地面沉降预测的CNN模型的R值为0.980,证明了其捕捉复杂空间模式的能力。我们的克里金-CNN方法更好地处理了地质连续性,并且即使在数据有限的情况下也具有计算可行性。CNN增强的克里金框架与通常用于空间预测的马尔可夫随机场(MRFs)和隐马尔可夫模型(HMMs)不同(Zhang等人,Citation2025;Zhao等人,Citation2025),因为它更依赖于数据,并且能够捕捉地质数据中的线性和非线性关系。这使得它在地下预测方面优于传统模型,并解决了它们的缺陷。研究结果表明,所提出的方法增强了钻孔数据稀疏情况下的空间连续性和插值,并保持了空间模型的完整性,正如普通克里金法(OK)所展示的那样。与通常用于空间预测的马尔可夫随机场(MRFs)和隐马尔可夫模型(HMMs)相比(Zhang等人,Citation2025;Zhao等人,Citation2025),CNN增强的克里金框架提供了一种更数据驱动的方法。它可以捕捉地质数据中的线性和非线性空间依赖性,从而提高了预测地下特征的能力。这种方法克服了传统模型的一些局限性,例如它们对预定义状态假设的依赖以及捕捉复杂非线性关系的困难。结果表明,所提出的技术改善了钻孔数据稀疏情况下的空间连续性和插值,并保持了空间模型,正如克里金法所示。3.6 三维可视化、剖面图和体积参数模型 3D地下模型可视化显示了2D剖面图无法显示的空间连接,如图17和S8所示。虽然2D剖面图关注垂直分层,但3D模型揭示了地层的横向连续性、形状和体积,包括层厚变化和起伏的地层边界。可见的不连续性和不均匀的岩性连接有助于分析物质过渡和结构脆弱性。图18和S9展示了3D体积视图如何识别变形或不稳定性风险。3D模型通过结合垂直和横向信息,提高了2D数据的解释能力,为岩土工程评估、风险分析和地下基础设施开发提供了更全面的空间理解。图17. 剖面地质剖面:(a) 东西向剖面。阅读该图的详细描述。3D地质剖面图,标记为a,显示了一个从斜角观察的矩形块。一个深蓝色的矩形层水平穿过块的中心,左侧标记为A,右侧标记为B。该块被复杂的彩色等高线图案包围,代表不同的地质表面。右侧的图例列出了许多地质表面,每个表面都对应一个小彩色矩形。这些包括碳酸盐底原始表面、粘土底原始表面、砾石土底原始表面、泥岩裂缝带底原始表面、泥岩页岩底原始表面、老粘土底原始表面、残余土底原始表面、砂砾1底原始表面、砂砾2底原始表面、砂岩砾岩1底原始表面、砂岩砾岩2底原始表面、硅岩底原始表面和粉砂底原始表面,以及它们对应的顶面原始表面。底部的水平刻度尺表示Z值范围从-1.2e+01到3.4e+02,刻度标记位于50、100、150、200和250处。刻度尺上的颜色从左侧的深蓝色逐渐变为右侧的红色,对应于等高线的颜色。显示全尺寸图18. 参数化体积模型:(a) 右前斜视图。阅读该图的详细描述。3D参数化体积模型以右前斜视图显示了地下地质层。四个垂直钻孔穿透了分层结构。左侧的垂直颜色条表示高程,从顶部的0.00+00到底部的-3.00-02。颜色渐变从0.00+00的红色,经过黄色、绿色、浅蓝色、深蓝色和紫色,一直变化到-3.00-02。右侧的图例列出了许多地质层,每个层都有独特的颜色块,包括碳酸盐、粘土、砾石土、泥岩裂缝带、泥岩页岩、老粘土、残余土、砂砾1、砂砾2、砂岩砾岩1、砂岩砾岩2、硅岩和粉砂,每个层都有底部和顶部的原始表面条目。显示全尺寸图4. 结论与评论 本文展示了将机器学习技术,特别是CNN和普通克里金法(OK),应用于城市基础设施项目的地质建模。结果表明,CNN在数据稀疏区域通过从采样良好的区域学习空间模式并将这些知识应用于稀疏区域,从而提高了地质预测的准确性,优于普通克里金法(OK)。这种方法增强了城市规划和岩土工程风险评估,为像武汉这样快速城市化的城市提供了应对地下不确定性的有效工具。本研究的主要发现表明,CNN的R值为0.9952和0.9896,RMSE为0.00108和0.0144,MSE为0.00302和0.0284,MAE为0.00059和0.00256,显著优于普通克里金法(OK),后者的R值为0.9811和0.9724,RMSE为0.0071和0.0725,MSE为0.00899和0.0675,MAE为0.0011和0.00829。此外,CNN模型在计算时间上也有显著减少,处理网格仅需6.74秒,而普通克里金法(OK)需要32.73秒,这突显了其在大规模地下建模中的效率。CNN模型直接从地质数据中检测模式,而不依赖于预定义的假设,因此提供了更大的灵活性和更好的性能,尤其是在复杂和数据稀疏的数据集上。性能评估显示,普通克里金法(OK)和CNN模型都能有效预测地质变量,其中CNN通过建模非线性关系并在数据稀缺区域改善了预测效果。普通克里金法(OK)在空间相关性强和数据丰富的区域表现良好。总之,CNN和普通克里金法(OK)的结合使用为复杂的地质建模任务提供了强大且适应性强的解决方案。补充材料 从相应作者处可以合理请求获得用于本研究的数据、代码和补充材料。本文的补充数据可在https://doi.org/10.1080/10106049.2026.2663612获取。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号