深度残差神经网络频率域下蚀变岩石光谱分类模型研究

以往的蚀变岩石光谱分类方法包括机器学习模型和浅层神经网络模型,且均使用光谱波形特征作为模型分类依据.小波变换能够将光谱数据转换为频谱图进行奇异性探测,显示光谱瞬态突变信息.该文使用5种不同蚀变类型的石英闪长玢岩光谱数据,通过Symlets小波变换将光谱数据转换为频谱图,作为深度卷积分类模型的基础数据,再利用50层深度残差网络(ResNet50)模型对数据进行分类,并选取准确率、损失值、召回率、精确率以及F1参数对结果进行评价.通过与传统的机器学习方法及其他方法进行比较,证明该模型的准确率和F1参数均优于对比模型,测试集分类准确率达到99.67％,表明该模型对蚀变岩石光谱数据分类的适用性较强,且具有较好的鲁棒性和泛化性.     

干旱区稀疏芦苇盖度遥感信息提取

选择对角线法、之字型法、随机采用法及全采样法提取干旱区稀疏芦苇覆盖度,对比分析不同采样方法获取参数的精度,同时结合遥感影像,采用线性混合像元分解模型、亚像元变密度分解模型、三波段最大梯度差模型提取样地覆盖度信息,与地面实测覆盖度参量信息进行对比分析,探讨适宜的干旱区植被盖度野外监测方法及遥感模型。研究表明:对角线法及之字型法所获取参数可以满足样地总体植被覆盖度参数精度要求;地面验证结果表明:2006年线性混合像元分解模型所提取的覆盖度精度最高,为19.72%,与地面实测值20%最为接近,证明该模型可有效提取干旱区低覆盖度植被信息,但端元的正确选取较难,从而影响其运用;亚像元分解模型预测值为22.30%,高于实际覆盖度值,绝对误差为11.5%;而三波段最大梯度差法模型与实测值相差最大,绝对误差达到了-75%,说明该模型对于极端干旱区稀疏植被敏感度低。     

基于随机森林算法的土壤有机质含量高光谱检测

为了探讨既能保留光谱信息又能准确对土壤有机质含量进行快速检测。以新疆南部渭干河—库车绿洲内部73个土壤样点及其对应的高光谱数据为研究对象，采用小波变换与数学变换进行光谱数据预处理，分析各小波分解重构光谱在不同有机质含量与不同土壤类型下光谱曲线差异，通过相关分析确定最大小波分解层并筛选敏感波段，结合灰色关联分析与随机森林预测分类模型对各小波分解特征光谱进行重要性分析，最后基于最优特征光谱建立多元线性预测模型并进行分析。结果表明：（1） 耕作土壤与林地土壤光谱曲线波段相较盐渍土壤和荒漠土壤光谱曲线变化较为平缓，同时在水分吸收波段处，盐渍土壤光谱曲线吸收谷最深。（2） 小波变换分解光谱与土壤有机质含量的相关性随着分解层数增加呈现先减后增趋势，在第6层中，特征光谱曲线与敏感波段数量变化趋于稳定，确定为小波变换最大分解层。（3） 随机森林模型相比灰色关联分析对于各小波分解层因子的筛选符合预期，按照对土壤有机质含量影响从高到低排序为L3-(1/LgR)′、L4-(1/LgR)′、L6-(1/LgR)′、L5-(1/LgR)′、L2-(1/LgR)′、L0-1/LgR、L1-1/LgR。（4）在小波分解光谱中，中频范围特征光谱对干旱区土壤有机质含量的估测能力优于高频与低频范围特征光谱，同时基于L-MC建立的模型精度最高。研究表明：基于机器学习分类方法结合小波分解的土壤光谱有机质含量监测，可以有效的减少噪声波段干扰，并提高特征波段的分类预测精度。     

不同分辨率遥感图像混合像元线性分解方法研究

混合像元的存在是传统像元级遥感分类和面积量测精度难以达到实用要求的主要原因,为了提高遥感应用精度,须解决混合像元分解问题。传统的方法主要通过改进分解模型提高分解精度,该文在不改变线性分解模型的条件下,分析不同分辨率尺度对于线性分解精度的影响。实验中运用像元合并的方法,得到不同分辨率的TM系列遥感图像,分别选取植被、裸地、水体3种典型地物进行线性分解;以分辨率更高的Quickbird图像分类结果作为真值进行精度评价。实验结果表明:随着图像分辨率的降低,植被的RMSE值不断缩小,在30 m分辨率尺度上均值为0.36,在150 m尺度上均值为0.17,分解精度提高了1倍左右;但随着分辨率进一步降低,由于混合像元现象加剧,RMSE值上升,分解精度随之降低。     

基于GIS的区域群发性降雨型滑坡时空预报研究

以滑坡灾害突出的雅安市雨城区为例,综合考虑降雨强度、前期降雨量及下垫面(地形、岩性、植被覆盖等)构建了基于GIS分析获取的易发指数+BP型神经网络时空预报模型。首先通过试验确定了模型的网络参数和网络结构,然后通过危险性区划图获取降雨型滑坡易发指数,并利用GIS的空间插值功能和雨量站数据获取相应降雨型滑坡的雨量数据,将量化后下垫面的易发指数和降雨数据作为神经元输入层数据。将模型应用于研究区,其中46个降雨型滑坡数据作为训练样本,10个降雨型滑坡数据作为检验样本,预测精度达到90%,显示该模型对于降雨型滑坡的时空预报精度较高。     

风速分辨率对土壤风蚀模数计算结果的影响

风是土壤风蚀的驱动力,风力直接影响土壤风蚀的强度。风速是土壤风蚀预报模型的主要输入参数,高时间分辨率和高空间分辨率的风速数据能提高模型模拟效果。为对比风速处理方法及风速数据时空分辨率对模型模拟结果的影响,基于修正风蚀模型（RWEQ）评估该模型对于各输入参数的敏感性,分别选取中国北方农牧交错带内130个气象站（基准气候站和基本气象站）中不同类型及不同数量的气象站数据,利用线性插值法和风蚀预报系统（WEPS）的WINDGEN风速生成法将1日4次风速数据和1日2类风速数据生成24 h风速数据输入模型,结合1日4次风速数据直接输入模型构建了不同气象站数量及不同风速数据类型的6种模拟情景,计算了研究区在不同模拟情景下的潜在风蚀模数。结果表明：RWEQ模型估算的区域潜在风蚀模数会随气象站点的数量和风速时间分辨率的提升而增加;风速数据的线性插值方法在RWEQ模型中应用效果不理想,与WEPS模型的WINDGEN风速生成方法相比,线性插值法使地面2 m处大于临界起沙风速（5 m·s^-1）的风速频率降低,过低估计潜在风蚀模数和区域土壤风蚀状况。     

基于小波分析的土壤速效K含量高光谱反演

选取新疆奇台县的134个土壤样本,利用土壤反射率对数的一阶导数光谱分别对4 种小波函数进行多层离散分解,采用PLSR方法分别建立了土壤速效钾含量的反演模型,并对其精度值进行检验。结果表明：小波分解获得的各层低频系数以1～3层较高,而其余各层则较低。所有函数分解的6层中,均以第2层低频系数建模的精度最高,随着分解层数（>2层）的增加,其精度值和显著性明显降低。相同尺度下,采用4种小波函数的低频系数构建的反演模型的精度差异较小,而Bior1.3为最优函数;基于Bior 1.3分解的ca2低频系数建模的R²达0.964,RMSE仅为8.19 mg·kg^-1,且为极显著水平,为最佳反演模型,经样本检验后发现,此模型可用以快速、准确估算土壤高光谱速效钾含量。     

地下水资源评价中降水量的时间序列--马尔可夫模型

降水量的预报精度对以其为直接或间接补给源的地下水资源评价具有重要的影响，将时间序列方法与随机过程离散状态的马尔可夫链理论相结合，提出了时间序列－马尔可夫模型以预报大气降水量，模型根据降水序列的特征，采用一维非平衡时间序列模型进行预测，预测结果总体效果较好，但峰值点处误差较大，为了提高模型对波动性较大随机变量的预报精度，利用随机过程马尔可夫概率状态转移矩阵预报方法对其预测值进行二次拟合，实例计算表明，时间序列－马尔可夫模型预报效果良好，预报精度明显高于单一的时间序列模型精度，该结果拓宽了时间序列预报模型的应用范围，且对以大气降水为最终补给源的地下水资源评价具有重要的实用价值及理论意义。     

基于土壤水分和气象要素的林火预报研究——以广东省为例

基于国内现行的森林火险气象指数和单因子火险贡献度模型,以及逻辑回归模型和随机森林模型,在林火预报中引入微波遥感土壤水分信息,使用MCD14DL火点数据集和地面气象观测资料对广东省不同时间尺度的林火发生概率进行预测。结果表明：逻辑回归模型和随机森林模型构建的林火预测模型显著优于现行的森林火险气象指数和单因子火险贡献度模型,预测精度提升约20%。其中,随机森林模型对林火频数的解释程度最高（两者相关系数为0.476）。此外,加入微波土壤水分信息后,相较原有的基于气象要素的林火预测模型,2种机器学习模型的预测精度均略有提升,体现了表层土壤水分信息在林火预报中的重要性。研究可为高效提取对地观测信息,以改进华南地区不同时间尺度的林火预报工作提供参考。     

三峡库区塌岸灾害易发性评价方法——以奉节—云阳段为例

塌岸灾害广泛分布于中国三峡库区。塌岸易发性评价对库区灾害防治具有重要意义。当前塌岸易发性评价的研究程度低,评价模型的适用性差,评价指标的选取依据不充分,并没有考虑波浪对库岸稳定性的影响。本研究以塌岸灾害广泛发育的三峡库区奉节段至云阳段为研究对象,考虑波浪和库岸形态对研究区塌岸发育的影响,提出江岸宽度、库岸形态、风速这三个指标,并基于研究区塌岸灾害发育和分布特征共选取8个影响因子,构建三峡库区塌岸灾害易发性评价指标体系;采用三种机器学习模型,实现三峡库区塌岸灾害易发性分区及检验、模型精度预测、评价结果的分区和实地验证。结果表明：(1)江岸宽度、岸坡形态和风速等影响因子权重靠前,对奉节段塌岸发育的贡献较大;(2)ANN模型、RF模型与SVM模型的较高-高易发区灾害点数量分别占总灾害点的53.1%、48.9%和39.3%。ANN模型与RF模型塌岸强度从低至高依次增大,分区结果较为合理,而SVM模型分区结果不太理想。(3)ANN模型、RF模型和SVM模型的AUC值分别为0.798、0.793、0.766,三种机器学习模型的预测精度较为可靠;(4)RF模型高易发性区域最符合实际地质条件,其易发性...     

多种风电场风速预报订正方法的适用性研究与集成应用

以内蒙古中部某风电场为实验风电场,采用随机森林（Random forest,RF）方法、相似误差订正（Analogue correction of errors,ACE）方法以及概率密度匹配方法（Probability density function matching method,PDF）分别对风电场风速预报进行订正及适用性研究。结果表明：3种方法在各季均对中尺度天气预报模式（Weather research and forecasting model, WRF）风速预报具有不同程度的订正效果,RF方法可以有效改善WRF误差较大的问题,但兼具误差过分放大情况,ACE方法和PDF虽然对较大误差的改善能力不及RF方法,但是能够较好地控制误差过分放大问题。此外,3种方法针对小于5 m·s^-1的小风速段,订正效果不理想,随着风速的增加,订正能力逐渐增强。参照预报模型各自的优势,尝试开展多种预报模型的分风速等级集成应用,可以对不同风速等级下的WRF预报起到较好的改善作用。     

风电场风速规律分析及风电功率预报方法研究

利用陕西省某一风电场区域内的观测资料，分析了该风电场的风速规律，并引入最优训练 期方案，研究利用线性回归方法建立风电功率预报模型的可行性。结果表明：该风电场区域，不同 高度的风速及其高度间的风速差异均表现出最大值出现在夜间，最小值出现在白天，从低层到高 层的风速日变化趋势一致的特征。一日中，风速与风电功率在 09:00 ~ 17:00 时段的相关系数明显 小于其它时段。按照风速是否大于 5 m·s^-1 将训练期观测样本分为 2 组，可以明显改善风速与风电 功率的回归关系。以风机轮毂高度处的风速作为预报因子，并引入风电功率与风速之间相关系数 的日变化规律、以及不同风速量级下风速与风电功率之间回归关系的差异性，采用最优训练期方 案和一元线性回归方法建立的风电功率预报方程，具有预报误差小和最优训练期短的特点，满足 实际业务需求。     

颠覆列车强风数值模式参数敏感性对比分析

新疆的三十里风区是著名的风口,兰新线和南疆铁路线横穿此地,时有列车被强风颠覆,对铁路运输影响很大,急需大风精细预报。数值模式中有许多参数,如何确定改进预报最显著的参数是个问题。采用MM5V3模式做模拟实验,设计3重嵌套,最小格距3km,用30″数字高程数据生成模式地形。分析表明,3km格距模式分辨率对地形有较为精确的表达。无论东西剖面还是南北剖面,3km所预报的风场更为详细,风速预报更准确;不仅可以预报出强的下坡风,亦可以预报出地形波列。对强风预报而言,模式水平分辨率是一个敏感因子。     

Simulating urban land use change by integrating a convolutional neural network with vector-based cellular automata

ABSTRACT

Vector-based cellular automata (VCA) models have been applied in land use change simulations at fine scales. However, the neighborhood effects of the driving factors are rarely considered in the exploration of the transition suitability of cells, leading to lower simulation accuracy. This study proposes a convolutional neural network (CNN)-VCA model that adopts the CNN to extract the high-level features of the driving factors within a neighborhood of an irregularly shaped cell and discover the relationships between multiple land use changes and driving factors at the neighborhood level. The proposed model was applied to simulate urban land use changes in Shenzhen, China. Compared with several VCA models using other machine learning methods, the proposed CNN-VCA model obtained the highest simulation accuracy (figure-of-merit = 0.361). The results indicated that the CNN-VCA model can effectively uncover the neighborhood effects of multiple driving factors on the developmental potential of land parcels and obtain more details on the morphological characteristics of land parcels. Moreover, the land use patterns of 2020 and 2025 under an ecological control strategy were simulated to provide decision support for urban planning.     

沙尘暴过程地面测量与卫星同步观测实验及数据分析——以2002年沙尘暴事件为例

2001年中日亚洲沙尘暴项目ADEC在中国的新疆、甘肃、陕西、内蒙、北京、青岛以及韩国和日本布设了雷达气溶胶探测仪、沙尘颗粒收集仪、风速测量仪,结合利用卫星技术,于2002年4~5月对起沙、输送和沉降开展了实时监测和测量,获得地面风速、TSP、PM及地表温度等实测数据。以2002年3(4月沙尘天气为例,空中观测与地面监测密切结合,综合分析卫星遥感数据和地面实测数据,为沙尘暴综合分析与预测提供了基础数据。     

Physical principle of wind erosion on sandy land surface in southern Beijing

The endangerment of aeolian sand is one of the most serious eco-environmental problems facing the southern suburb of Beijing. To control wind erosion is thus a matter of great urgency. This paper chooses typical land-use types, i.e., cultivated land, wild grassland, drifting sandy land, etc. based on the fixed experimental observation and quantitative analysis, to conduct studies on the principles and characteristics of aeolian activities and measures controlling wind erosion in Daxing District of Beijing. The results show that: the near ground wind velocity yielded the logarithmic distribution with height; there are significant differences among different ground cover roughness; there are significant differences in the corresponding friction velocities caused by different properties of the underlying surface; there are differences in the threshold wind velocities speed in different land use types; and there are minus exponential relations between the sediment discharge percentage and the height at a range of 0–20 cm air flow layer. Different land use types result in various degrees of coarse component. There is a significant exponential relation between sediment transport concentration and wind velocity.     

A hybrid integrated deep learning model for the prediction of citywide spatio-temporal flow volumes

ABSTRACT

The spatio-temporal residual network (ST-ResNet) leverages the power of deep learning (DL) for predicting the volume of citywide spatio-temporal flows. However, this model, neglects the dynamic dependency of the input flows in the temporal dimension, which affects what spatio-temporal features may be captured in the result. This study introduces a long short-term memory (LSTM) neural network into the ST-ResNet to form a hybrid integrated-DL model to predict the volumes of citywide spatio-temporal flows (called HIDLST). The new model can dynamically learn the temporal dependency among flows via the feedback connection in the LSTM to improve accurate captures of spatio-temporal features in the flows. We test the HIDLST model by predicting the volumes of citywide taxi flows in Beijing, China. We tune the hyperparameters of the HIDLST model to optimize the prediction accuracy. A comparative study shows that the proposed model consistently outperforms ST-ResNet and several other typical DL-based models on prediction accuracy. Furthermore, we discuss the distribution of prediction errors and the contributions of the different spatio-temporal patterns.     

基于判别空间条件熵加权的土地覆盖分类方法研究

针对遥感专题类别信息的机理问题,从土地覆盖参考数据的偏差程度对分类精度的影响角度,提出了一种基于判别空间条件熵加权的土地覆盖分类方法。引入判别空间模型概念,基于此模型生成土地覆盖数据类别,并分析了土地覆盖信息类别与数据类别的语义偏差出现的深层次原因;计算信息类别与数据类别的对应关系矩阵,据此得到二者的条件熵,实现对土地覆盖信息类别与数据类别的语义偏差的量化;根据信息类别与数据类别的条件熵计算修正判别变量的权重因子,实现基于判别空间条件熵加权的土地覆盖分类。采用一景SPOT-5影像进行分类实验,并利用同一地区的Landsat 5TM影像进行方法验证。实验表明,条件熵加权修正方法使土地覆盖分类精度有了显著提高,并对不同分辨率的遥感影像具有适用性。     

基于CA-ABM模型的福州城市用地扩张研究

以中国海西地区重要门户福州市为研究区,结合其地理位置多层次约束性条件,以地理加权回归模型作为元胞自动机(CA)层的转换规则,同时以2000-2015年多期LandsatTM/ETM+影像的城市用地情况为参照,借助GIS空间分析技术,对CA和多智能体(ABM)相耦合的城市用地扩张模型进行改进。然后利用传统的和改进后的CA-ABM模型,多角度、多层次地模拟福州市2000年、2005年、2010年、2015年城市用地扩张在微观格局上的变化。结果表明,传统的和改进后的CA-ABM模型的整体精度均在80%以上,模拟结果具有较强的可信度;改进的 CA-ABM模型模拟的点对点总体精度和Kappa系数均高于传统的CA-ABM模型,而且模拟结果更加接近实际的城市用地扩张分布情况。结论可为平衡城市化进程和合理规划城市用地提供重要的理论技术支撑。