PolSAR数据区域海冰LSSVM分类

本文给出了一种结合影像分割和最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)的海冰监督分类方法。考虑到SAR数据的斑点噪声影响分类精度,首先利用分水岭算法和等级区域合并执行影像分割,利用分割后的区域代替像素开展分类研究,由于分割尺度影响分类精度,文中利用LSSVM算法对不同尺度下的分割结果执行分类,通过评估分类精度确定最优分类结果及其对应最优分割尺度,从而克服经验选择分割尺度缺乏理论依据的不足。利用两组SIR-C数据验证了算法,实验结果表明本文算法的总体分类精度超过85%,能较好的识别不同类型的海冰。     

人工神经网络技术在海底沉积物声速预报中的应用

海底沉积物物理力学若干项参数与其声学性质存在着一定的关系.用回归拟合方法获得海底沉积物声速预报方程存在不足,难以获得3参数以上的声速预报方程.采用人工神经网络智能方法,建立了多参数声速预报神经网络模型.研究表明:2参数神经网络模型的预报误差比相应的2参数回归模型小,3参数神经网络模型的预测精度要高于2参数神经网络模型.为海底沉积物的声速预报提供了一条新途径.     

海底沉积物纵波速度与强度参数关系模型研究

海底沉积物具有质地松软、强度低的特点,其强度参数与海上平台插桩就位、导管架的安装等工程关系紧密,与海上作业安全息息相关。常规钻孔取芯与静力触探等强度参数获取方法成本较高、取样点少,且对沉积物扰动较大,利用易获取的声学资料预测海底沉积物的强度参数具有重要研究意义。本文基于Wood方程、Biot-Stoll模型、Dvorkin等效介质模型等声波传播理论,计算不同物性参数（密度、孔隙度）梯度下的理论纵波速度,结合室内模拟地层声学实验,对比了模型计算声速与实测声速的变化特征,建立了声速与物性参数关系模型。基于室内模拟地层土力学试验,揭示了沉积物物性与抗剪强度、黏聚力等参数之间的关系,建立了物性与强度参数关系模型。以物性参数为桥梁,建立基于声学特征的海底沉积物强度参数预测模型。此模型既避免了原位取样沉积物失水扰动的问题,又弥补了经验公式局限性的缺点,具有普适性与准确性,有效提高无法取样地区沉积物强度参数的精度,提高了经济效益,对浅层的勘探与开发起到了理论指导的作用。     

奇偶交叉样本检核在测深数据模型构建中的应用

利用最小二乘支持向量机(LSSVM)算法构造稳健的海底趋势面需要对多波束测深数据进行筛选,得到反映测深数据整体变化趋势的训练样本。根据多波束测深数据采集的特点提出单个扇区测深数据奇偶交叉样本检核的方法,并利用选取的训练样本对测深数据模型进行构建,通过测试样本的交叉检核及调整核参数得到精确的模型。为了检验奇偶交叉样本检核法的有效性,选取实测的多波束测深数据进行验证,计算结果表明奇偶交叉样本检核法可以合理的选取测深训练样本,构建的测深数据模型更为有效。     

基于 Biot-Stoll 模型声速反演中的参数选择——以南海南部沉积物为例

研究海底表层沉积物性质对海洋矿产资源探测、海洋工程建设等有重要的意义。Biot-Stoll模型可以模拟预测海底沉积物的物理性质,但采用不同的参数模拟的效果不同。Stoll参数是各种海洋环境下模型达到最佳预测的单一数值的形式;Schock参数则是对渗透率、孔隙大小、沉积物孔隙曲折度等修改后的函数表达式形式,更接近沉积物实际情况。采用Stoll参数和Schock参数分别计算了南海南部海区海底沉积物纵波速度,并对南海南部沉积物样品进行了计算和实测对比,结果表明,采用Stoll参数计算误差较大,平均为3.962%;采用Schock参数计算误差较小,平均为0.847%。因此,在南海南部海区采用Schock参数预测海底表层沉积物物理性质更准确。     

海底沉积物声学特征定量分析及其智能分类研究

海底底质特性描述及分类是当今浅海声学的研究热点,海底沉积物的物理结构特性与其声学响应特征密切相关。在分析海底沉积物声传播特性的基础上,应用现代计算机信号分析技术手段,对海底沉积物声学响应波形提取了4个特征参数:声速、波幅指数、波形关联维分形指数和声波频谱的频率矩。以这4个特征参数作为输入向量,海底沉积物的结构类型作为输出向量,建立径向基概率神经网络模型。研究表明建立的神经网络模型具有较强的海底沉积物分类预报能力。     

基于Chirp数据和Biot-Stoll模型反演南海北部陆坡海底表层沉积物物理性质

浅地层剖面是基于声学信号(频率在几百至几千赫兹)在沉积物中的传播得到可反映沉积地层结构的数据，海底反射系数与沉积物物理性质密切相关。Biot-Stoll声波传播理论模型可以预测海底沉积物的物理性质，构建反射系数等声学参数与物理参数之间的关系，但在不同的海域采用不同的参数所获得的效果不同。为此，本文基于南海北部陆坡海底表层沉积物的实测物理参数，利用Biot-Stoll模型建立研究区海底反射系数和沉积物物理性质之间的关系，结果表明模型计算值与样品实测值吻合度总体较好，偏差在0.1%～4.9%之间，并建立了频率3.5 kHz时海底反射系数与沉积物孔隙度、密度、平均粒径之间的关系方程，且方程拟合度较高，可决系数R2均大于0.99。在对典型Chirp剖面数据计算其海底反射系数的基础上，反演了海底表层沉积物的孔隙度、密度、颗粒平均粒径等物理性质，其中反演孔隙度、密度、平均粒径与实测孔隙度、密度、平均粒径相对误差均小于5%，结果与实测值基本相符，表明该反演方法在南海北部陆坡区的应用是可行的。     

基于WOA-BP算法的海底管道腐蚀速率预测

管道腐蚀速率的影响因素众多且各因素协同作用,构成异常复杂的腐蚀体系,很难对其进行准确预测。针对单一BP模型由于初始权值和阈值的选取不当容易陷入局部最优等问题,引入WOA算法优化BP神经网络对海底管道腐蚀速率进行预测,并与GA和PSO算法优化BP预测模型进行对比,验证WOA-BP模型的预测效果和可行性。结果表明：WOA-BP模型的平均绝对百分误差和均方根误差分别为3.689%和0.1537,远低于单一BP、PSO-BP、GA-BP模型,具有较高的预测精度和稳定性,可以为海底管道内腐蚀防护和油气管道流动保障提供决策支持。     

双探针型海底热流计数据解算模型选取

选取适合于双探针型海底热流计数据解算的简化模型，是双探针型海底热流计结构优化的理论基础，对提高海底热流数据解算精度具有重要意义。本文基于脉冲式双探针海底工作的有限元数值模型，对双探针的脉冲加热时间、体生热率、热物性、长度及半径等因素在双探针脉冲法的3个线热源简化模型中所引起的模型误差作了详细的分析和讨论，并以模型误差最小为原则选取简化模型。结果表明：1）脉冲加热有限长线热源（PFLS: pulsed finite line source）模型是双探针脉冲法中较为实用的简化模型，它可消除加热时间和探针长度对介质热物性参数求解的影响；2）在PFLS模型下，探针热导率对待测介质热物性测量的影响可以忽略;而探针间距越大、半径越小及其体积比热容与待测介质越接近，则所求介质热物性的模型误差就越小;在保证温度传感器能有效记录到温度变化的前提下，探针脉冲功率的大小基本不影响介质热物性求解的模型误差。     

基于遗传算法-支持向量机模型在热带气旋强度预报中的应用

利用遗传算法对支持向量机(SVM)模型参数进行寻优,找到最优参数组合后代入SVM模型中,得到基于遗传算法的支持向量机模型(GA-SVM),利用此模型对热带气旋强度进行预报实验。该模型对热带气旋强度12 h、24 h和48 h的预报平均绝对误差分别为3.01 m/s、4.46 m/s和6.57 m/s;比最小二乘回归法的预报精度分别提高了12%、11%、14%。     

支持向量机在湄池站洪峰水位预报中的应用

支持向量机(SVM,Support Vector Machines)是在统计学习理论中发展起来的一种处理非线性分类和非线性回归的有效方法.感潮河段洪水位是复杂的洪、潮非线性组合问题,本文尝试将SVM方法应用于感潮河段湄池站洪峰水位预报,通过选取湄池站历史洪水中分别反映上游来水和下游顶托作用的预报因子,建立湄池站洪峰水位...     

基于反射法的海底浅层沉积物声学原位测量方法

开展基于反射法的海底浅层沉积物声学原位测量方法研究,针对实际海洋环境中具有分层结构的沙或泥质沉积物,建立了具有粗糙界面的层状介质中球面波的三维反射模型,根据特点优化算法并建立海底沉积物特性参数快速反演方法,设计了海底浅层沉积物声学原位测量装置,该研究结果将为海底浅层沉积物快速实时原位精确观测提供科学依据。     

中国东南近海海底沉积物声学物理性质及其相关关系

在获得的数据资料基础上,发现了中国东南近海海底沉积物声学物理参数的平面分布规律,通过对这些参数的回归分析以及对声速和沉积物密度的估计,建立了经验公式。结果显示,中国东南近海海底沉积物的基本声学物理特性如下:沉积物类型多样而且复杂,从黏土到砂砾有13个颗粒组分组合;沉积物物理力学参数变化范围较大;沉积物声学性质相对于附近海域的数据变化范围更大。这些都与海底沉积环境、沉积物来源、沉积条件和沉积作用过程有关。该项研究有助于建立海底地声模型及开展应用。     

基于Sentinel-2 MSI影像与面向对象相结合的红树林树种精细化分类方法研究

红树林是最典型的滨海生态系统之一，红树林种间类型的精确识别对于红树林生态系统保护、修复及碳储量评估具有重要意义。遥感是开展红树林种间类型识别的有效手段，但传统的遥感红树林分类方法多是基于像元开展的，分类结果“椒盐”现象严重且精度还有很大提升空间。因此，本研究以东寨港红树林保护区为例，基于Sentinel-2 MSI影像，在传统遥感分类方法的基础上引入图像分割技术，分别构建了面向对象的支持向量机（Support Vector Machine,SVM）和随机森林（Random Forest,RF）分类法，并在此基础上对各模型的分类精度和适用性进行了分析。模型对比结果表明：（1）图像分割技术的引入能有效改善分类结果的“椒盐”现象，提升红树林种间类型的识别精度，基于像元使用SVM和RF分类算法总体分类精度分别可达78.82%(Kappa=0.75)和82.94%(Kappa=0.82)，面向对象的SVM和RF模型分类总体精度分别可达81.5%(Kappa=0.78)和92.67%(Kappa=0.88)，相较于以像元为分类对象的模型而言，后者精度分别提高了2.68%和7.43%;(2)从4个模...     

联合BEMD与LS-SVM的多波束异常数据探测方法

针对多波束水深数据非线性、非平稳性的特点,将二维经验模态(BEMD)和最小二乘支持向量机(LSSVM)引入到多波束水深数据异常值探测中,构建BEMD和LSSVM混合模型。首先,利用二维经验模态将多波束水深数据分解为不同频率的若干个本征模态函数;然后,考虑到异常数据处在高频部分,利用最小二乘支持向量机探测高频本征模态函数(IMF1、IMF2)中包含的异常值;最后,综合两组异常值判定原始水深数据中异常数据。通过实验证明方法的可行性且相比单一模型取得更好的异常值探测效果。     

基于模糊C均值聚类-支持向量机的海底沉积物分类识别

在总结了目前海底底质分类研究的基础之上,率先提出利用计算机数值模拟技术对海底底质进行分类识别研究。相较于目前海底底质分类研究中所使用的水槽实验法,提出采用计算机数值正演技术模拟实际地震勘探中数据采集过程。在分类识别算法上,分别采用支持向量机(SVM)和模糊C均值聚类(FCM)算法对采集的数据进行分类,为使支持向量机分类识别率达到最大,引入差分进化算法对支持向量机中关键参数进行最优化搜索,并研究了向原始地震记录中加入10%,30%,50%的高斯白噪音时算法的稳定性。在分析了这两种算法分类识别的正确率及其各自的优缺点后,提出了海底底质分类识别的两步法,即(1)先利用模糊C均值聚类进行一粗糙的预测分类,在每一类中挑选聚类性较好的数据作为支持向量机的训练样本;(2)将上一步中筛选的样本作为支持向量机的训练样本,并用差分进化算法优化支持向量机分类参数,再利用训练好的支持向量机对其余数据做预测分类。鉴于计算机数值模拟的可重复性、高效快速性及本文提出的模糊C均值聚类-支持向量机方法的鲁棒性,为便于开展进一步研究,归纳总结了一套行之有效的采用计算机数值模拟技术开展海底底质分类识别研究的一般化流程。     

基于主元分析技术的海底沉积物声速预报方程

通过应用主元分析技术建立预报海底沉积物声速的经验方程，将前人研究报道的经验方程进行分析研究，指出其计算误差，运用南海南部大陆架和大陆坡数据，建立了主元回归计算模型。从理论上研究了如何在众多影响声速的物理参数中，排除相互关联的参数，优选出相互独立的、且对声速有显著影响的少数几个物理参数，用优选后的物理参数建立了南海南部海域大陆架及大陆坡沉积物的3参数（孔隙度n、颗粒中值粒径Ma、塑限W，）声速预报方程：Cp=1774-5．0944n＋12．499Md＋0．9985Wp，该方程的相对预报误差仅为-4．48％-3．77％。     

基于机器学习的SMAP卫星海表盐度反演

针对传统海表盐度的物理机制反演模型拟合过程复杂且反演精度不高等问题,借助大范围、全天时、L波段探测的SMAP卫星微波海洋遥感产品,以北太平洋(135°～165°E,15°～45°N)范围为研究海域,利用深层神经网络(Deep Neural Network,DNN)和支持向量机(Support Vector Machin...     

收发分置声纳浅海近程混响信号建模研究

研究了收发分置声纳浅海近程混响的建模与仿真,模型主要基于单元散射理论,依据散射系数相关半径来划分海面、海底散射单元,通过模拟海面、海底混响形成的物理过程建立单接收与多接收模型。模型中考虑声纳设备参数(指向性、收发位置、发射信号)及环境因素(海面运动、海底粗糙程度)对混响建模的影响。设计程序实现浅海近程单接收与多接收混响信号模型并仿真计算出混响时间序列,提供GUI(Graphical User Interface)用户图形界面支持。对建模仿真的混响信号进行统计分析,验证了论文建立的浅海混响信号模型的正确性。     

菲律宾海深海海底沉积物声学特性与物理性质相关关系

为研究深海海底沉积物声学特性与物理性质相关关系,于2016年11月在实验室对水深3164～5 592 m的菲律宾海深海海底沉积物柱状样品的声学特性进行测量,获取了沉积物声速、声速比、声阻抗、声阻抗指数等声学特性参数。结合沉积物的孔隙度和密度等物理性质参数,分析了海底沉积物声速、声速比、声阻抗、声阻抗指数与孔隙度、密度的相关关系,建立了该海域海底沉积物声学特性回归方程。研究结果表明:研究区深海数据与浅海回归方程符合度较差,与深海回归方程符合度较好;Hamilton校正方法有助于修正实验室测量引起的温度和压力误差,声速比与Hamilton方程符合度比声速好;声阻抗和声阻抗指数与物理性质参数的相关性优于声速和声速比。此外,研究认为由于海底沉积物的沉积环境较为复杂,其声学特性回归方程存在差异。由于上述差异的存在,在使用基于不同海域数据建立的回归方程进行海底沉积物声学特性预测时,应加以区别对待。该研究丰富了深海海底沉积物声学数据,对促进深海海底沉积物声学深入研究具有一定的借鉴意义。