基于多尺度循环注意力网络的遥感影像场景分类方法

高分辨率遥感影像场景分类一直是遥感领域的研究热点.针对遥感场景对尺度的需求具有多样性的问题,提出了一种基于多尺度循环注意力网络的遥感影像场景分类方法.首先,通过Resnet50提取遥感影像多个尺度的特征,采用注意力机制得到影像不同尺度下的关注区域,对关注区域进行裁剪和缩放并输入到网络.然后,融合原始影像不同尺度的特征及其关注区域的影像特征,输入到全连接层完成分类预测.此分类方法在UC Merced Land-Use和NWPU-RESISC45公开数据集上进行了验证,平均分类精度较基础模型Resnet50分别提升了1.89%和2.70%.结果表明,多尺度循环注意力网络可以进一步提升遥感影像场景分类的精度.      

基于随机森林算法的青藏高原AMSR2被动微波雪深反演

青藏高原因其复杂的地形地势和和积雪分布使得多种雪深算法未达到理想的精度。基于新一代被动微波数据AMSR2（Advanced Microwave Scanning Radiometer 2）, 应用随机森林算法（Random Forest, RF）将亮温（Brightness Temperature, BT）和亮温差（Brightness Temperature Difference, BTD）作为参数输入, 并将高程和纬度参数引入雪深反演模型中, 经过模拟退火算法进行有效反演因子筛选, 构建了基于随机森林算法的青藏高原雪深反演模型。结果表明： 与AMSR2全球雪深产品相比, 随机森林算法的拟合优度（R²）由0.41提升至0.60, 均方根误差（Root Mean Square Error, RMSE）由7.36 cm降至4.88 cm, 偏差（BIAS）由3.24 cm减小至-0.16 cm, 随机森林雪深反演模型在青藏高原的精度更高; 青藏高原平均海拔超过4 000 m, 当海拔大于青藏高原平均海拔时, 随机森林算法的反演效果最差, 但RMSE仅为3.78 cm, BIAS仅为-0.09 cm; 高原南部（25° ~ 30° N）因其复杂的地势和相对较少的气象站点使得反演效果较差, RMSE为5.94 cm, BIAS为-0.39 cm; 青藏高原的主要土地覆盖类型为草地, 随机森林算法在草地的RMSE约为3 cm, BIAS接近0 cm。     

结合化探数据的齐石滩金矿区遥感地球化学建模

地球化学勘探找矿效果较好,但成本高、周期长;遥感地球化学利用遥感技术解决地球化学问题,遥感技术与地球化学方法相结合,可以降低找矿成本,提高效率。以新疆齐石滩金矿为研究区,将金矿成矿相关元素的化探数据与该区的WorldView-2遥感数据相结合进行遥感地球化学研究。采用多元线性回归（MLR）法建立各元素的反演模型,但反演结果精度不高,且异常位置和异常形态也存在一定的偏差,可能是混合像元致使含量与遥感影像呈非线性关系。因此,引入BP神经网络方法建模,反演精度明显提高,各元素反演异常与化探异常吻合很好,异常位置和异常形态更加精确。可见,BP神经网络方法更适合于遥感地球化学建模。     

南海珊瑚礁光学浅水海域多光谱遥感水深反演

海洋水深信息对研究珊瑚礁海域资源与环境具有重要作用。南海珊瑚礁海域测深数据受多种条件限制施测困难,在时间与空间方面数量非常有限。文章针对南海岛礁海域以I类水体为主导的海水光学特性,以南沙群岛库归沙洲海域为例,使用Sentinel-2多光谱卫星遥感影像和同期过境的MODIS卫星数据,构建底质光谱,采用半分析半经验模型计算海水表面遥感反射率与海水叶绿素浓度,通过对数比值模型进行该地区光学浅水海域遥感水深反演分析,并进一步通过多时相反演水深融合提升精度。经与多波束实测水深数据验证,研究区域反演水深总体均方根误差和平均相对误差分别为2.68 m 和9.99%。该方法通过叶绿素浓度推演部分海水光学特性,可以从多光谱卫星影像中快速获取南海岛礁光学浅水海域初步水深信息,供相关海洋领域分析与应用。     

基于神经网络的沉陷区水深遥感研究

为获取煤矿积水沉陷区遥感影像数据与沉陷区水深的定量关系,建立了BP神经网络水深反演模型,并对淮南潘一矿积水沉陷区水深进行了反演。首先对Landsat卫星影像数据(TM影像)进行几何校正、大气校正和沉陷区范围提取等,然后输出像元反射率值,并与水深实测控制点坐标匹配,使水深值与反射率值对应。实验结果表明:以水深值2 m为阈值,水深值小于2 m的区域,模型反演水深值与实测水深值的平均绝对误差为0.166 3 m,平均相对误差为13.29%;水深值为2~6 m的区域,模型反演水深值与实测水深值平均绝对误差为0.578 6 m,平均相对误差为15.20%。      

基于航空高光谱遥感数据的黑土地有机质含量反演:以黑龙江省建三江地区为例

掌握黑土地有机质含量对黑土资源利用与保护具有重要意义,而高光谱卫星影像的缺乏制约了区域尺度土壤有机质反演研究的开展.以黑龙江省建三江黑土区为例,采用CASI/SASI航空高光谱数据、ASD（analytical spectral devices）地面光谱数据和土壤样品有机质含量数据,基于有机质含量与光谱反射率的相关性和定量关系,构建最优的回归模型并开展研究区土壤有机质含量遥感反演.结果表明:偏最小二乘法回归模型比多元逐步回归模型更稳定（判定系数分别为0.885和0.653）,且精度更高（均方根误差分别为0.424和0.744）;采用偏最小二乘模型反演的结果与地面化探结果基本一致.      

水环境非线性时序预测的高精度RBF网络模型

为提高水环境非线性时序预测模型的精度,用自相关技术分析水环境时间序列的延迟特性,确定径向基函数(RBF)网络的输入、输出向量,建立了水环境时间序列预测的高精度RBF网络模型.用32年海洋水温时间序列实测资料来训练和检验网络并用于预测.用该模型对长江流域望江楼站8年总硬度、高锰酸盐指数、五日生化需氧量、氨氮、溶解氧、挥发酚、镉、氯化物、硫酸盐等9种水环境要素时间序列进行预测.实例分析表明,所建模型预测误差均较小,好于门限自回归模型,BP神经网络模型和ELMAN神经网络模型.所建模型不仅精度高,而且收敛速度快.     

一种面向对象的最优分割尺度计算模型

作为信息提取和分类的前提,面向对象的影像分割尺度参数的设置直接影响到提取和分类的精度。本文以GF-2影像数据为例,在已有分割理论和方法的基础上提出一种基于最优分割尺度的计算模型（OS模型）。该模型以主成分分析所得的主成分以及新建的归一化植被指数（normalized vegetation index,NDVI）特征层作为分割参考层,综合考虑均质因子的影响,构建加权尺度评价指数,插值拟合最优分割尺度。构建误差系数（E_c）对模型进行评价,结果表明：OS模型误差系数（E_c=1.15%）小于传统模型（E_c=3.28%）,且分割对象更均匀、与实际地物更接近。     

基于ASTER数据的石头口门水库水质参数定量遥感反演

提出了一种基于神经网络和遥感图像相结合的水质反演模型,构建了含有一个隐含层的两层BP神经网络反演模型.以石头口门水库为例,采用ASTER数据分析了石头口门水库水质污染状况,通过波段的DN值和常规监测数据建立能反映水质状况的污染物监测模型.以ASTER数据的前三个波段的反射率作为输入,溶解氧(DO),生化需氧量(BOD),氨氮(NH3-N)含量浓度作为输出,反演了石头口门水库的水质参数浓度.并给出石头口门水库水质污染状况分析,得出污染物浓度随着远离上游而增加.     

多源遥感数据反演土壤水分方法

基于ASAR-APP影像数据和光学影像数据,根据水云模型研究了小麦覆盖下地表土壤含水量的反演方法。利用TM和MODIS影像构建的植被生物、物理参数与实测小麦含水量进行回归分析,发现TM影像提取的归一化水分指数(NDWI)反演精度较好,相关系数达到0.87。根据这一关系,结合水云模型并联立裸露地表土壤湿度反演模型,建立了基于多源遥感数据的土壤含水量反演模型和参数统一求解方案。反演结果表明:该方案可得到理想的土壤水分反演精度,并可控制参数估计的误差。反演土壤含水量和准同步实测数据的相关系数为0.9,均方根误差为3.83%。在此基础上,分析了模型参数的敏感性,并制作了研究区土壤缺水量分布图。     

东中国海表层悬浮体浓度卫星遥感反演研究进展

用卫星遥感手段反演海洋表层悬浮体浓度(Suspended Sediment Concentration,SSC)来研究其分布和输运的方法已经被广泛使用。东中国海属于水文和光学性质较为复杂的二类水体,表层悬浮体浓度的分布规律和水体的固有光学特性时空变化大,增加了遥感研究的难度。在对前人的研究进行比较和总结后发现,根据实测SSC数据对不同区域、不同时间段(季节、潮汐周期)建立分段模型可以提高整体反演精度。在选择参与反演的波段时,河口和近岸等高SSC海域以及远岸低SSC海域有各自不同的最优波段组合。高SSC海域常使用水体反射率第二反射峰、第一反射峰前波段作正比波段组合参与反演,低SSC海域常使用水体反射率第一峰波段作正比、峰前波段作反比参与反演。同时,在反演模型中考虑泥沙粒径的影响可以显著提升反演精度,并且也有可能在浅海区突破现有遥感研究手段的水深限制。目前模型精度评价标准使用较为混乱,平均相对误差、平均绝对误差和均方根误差等可以作为综合精度评价指标,模型的稳定性则可以用误差敏感性分析方法验证。高时空分辨率的海色卫星传感器的出现使得海洋短时间尺度事件的研究成为海色遥感研究的趋势之一。     

典型降水预报ANN多指标优选——以太湖湖西区为例

为提高多种典型人工神经网络应用于降水预报的精度与稳定性并做出优选,对太湖流域湖西区丹徒、丹阳、金坛、溧阳、宜兴5站的年降水量时间序列建立基于组成成分分析的人工神经网络模型,并通过平均相对误差、平均绝对误差、均方根误差及合格率4项评价指标对比分析预报效果。该模型采用Mann-Kendall法、秩和检验法、谱分析法进行组成成分分析;建立BP网络、小波神经网络、RBF网络、GRNN网络及Elman网络模拟并预测随机成分,与确定性成分叠加得年降水量预报结果。在湖西区的研究结果表明,基于组成成分分析的人工神经网络模型的拟合及预测精度高于原始人工神经网络和线性自回归模型,GRNN网络的预测精度与稳定性高于其他4类神经网络。     

径向基函数神经网络需水预测研究

在分析山西省历年用水量和人均用水量的基础上，建立径向基函数神经网络需水预测模型，采用最近邻聚类学习算法确定径向基函数的宽度、选取聚类中心和权值。采用丰富的需水预测因子作为模型的输入，网络输出需水预测值。预测结果表明，径向基函数神经网络需水预测模型运算速度快，有较高的预测精度。需水预测可为水资源规划和配置提供依据。     

岩溶水系统的径向基神经网络仿真

岩溶水系统的复杂性决定了其输入与输出间具有非常复杂的非线性关系,利用人工神经网络方法进行系统的仿真是一种十分有效的手段。本文以MATLAB为平台,介绍了RBF网络的基本原理与训练方法,具有结构自适应确定、输出不依赖初始权值的优良特性。试用该方法建立了济南市岩溶水系统地下水位及其影响因子间的RBF网络模型,讨论了训练样本集与检测样本集的构建、原始数据的预处理方法、神经网络训练误差设置等重要环节,并与同结构的BP网络进行了对比,其结果BP网络效果依赖初始权值,表现出极不稳定性,且训练速度更慢,RBF网络具有更好的应用价值。     

神经网络在岩体力学参数和地应力场反演中的应用

BP神经网络已广泛地应用于岩体力学参数和初始应力场的反演分析,但在实际应用中,BP网络存在着网络训练易于过度、收敛速度慢、易陷入局部极小以及隐层节点数难于确定等缺点。采用RBF网络和改进的BP网络,利用基于有限差分格式的快速拉格朗日算法进行正分析计算,依据若干测点的正应力数据,反演了计算区域的岩体力学参数以及初始应力场。算例表明,RBF神经网络与快速拉格朗日算法相结合,在样本容量相同的情况下,反演分析的精度、网络的拓扑结构以及学习、收敛速度,均优于采用BP网络的反演算法。     

Application of neural network and ANFIS model for earthquake occurrence in Iran

This study examined the spatial-temporal variations in seismicity parameters for the September 10^th, 2008 Qeshm earthquake in south Iran. To this aim, artificial neural networks and Adaptive Neural Fuzzy Inference System (ANFIS) were applied. The supervised Radial Basis Function (RBF) network and ANFIS model were implemented because they have shown the efficiency in classification and prediction problems. The eight seismicity parameters were calculated to analyze spatial and temporal seismicity pattern. The data preprocessing that included normalization and Principal Component Analysis (PCA) techniques was led before the data was fed into the RBF network and ANFIS model. Although the accuracy of RBF network and ANFIS model could be evaluated rather similar, the RBF exhibited a higher performance than the ANFIS for prediction of the epicenter area and time of occurrence of the 2008 Qeshm main shock. A proper training on the basis of RBF network and ANFIS model might adopt the physical understanding between seismic data and generate more effective results than conventional prediction approaches. The results of the present study indicated that the RBF neural networks and the ANFIS models could be suitable tools for accurate prediction of epicenteral area as well as time of occurrence of forthcoming strong earthquakes in active seismogenic areas.     

基于PSO-BP神经网络的导水裂隙带高度预测

导水裂隙带高度是西部矿区保水采煤的理论依据和关键参数。近年来,BP神经网络广泛应用于导水裂隙带高度预测,但BP神经网络存在收敛速度慢、易陷入局部极小等问题。为提高导水裂隙带高度预测的准确性,利用粒子群优化算法(PSO)对BP神经网络的权值和阈值进行优化,建立基于PSO-BP神经网络的导水裂隙带高度预测模型。选择开采厚度、开采深度、工作面倾斜长度、煤层倾角、覆岩结构特征为导水裂隙带高度主要影响因素,选取22例导水裂隙带高度实测数据对PSO-BP神经网络进行训练,将训练后的PSO-BP神经网络对2例测试样本的预测结果与实际值进行对比,并与BP神经网络预测模型及经验公式预测结果进行对比。结果表明:PSO-BP神经网络预测模型的平均相对误差为1.55%;BP神经网络预测模型的平均相对误差为4.8%,经验公式的最小相对误差为9.4%,PSO-BP神经网络预测精度明显优于BP神经网络和经验公式,且绝对误差和相对误差变化较稳定,可以有效预测导水裂隙带高度。