韧性剪切带型脉状金矿床成矿深度研究的思考

脉状金矿床主要指石英脉型金矿床,它的形成与韧性剪切带和一定的含矿热液活动密切相关,可以产于从太古宙至第三系的各个时代地层岩石中,受区域构造、岩浆活动和围岩等多因素的控制。近十几年来,对脉状金矿床的研究取得了很大的进展。     

共偏移距可分表示法叠前深度偏移

基于双平方根方程的共偏移距可分表示法叠前深度偏移用于复杂介质成像, 该方法在中点-偏移距坐标中同时向下延拓炮点和检波点波场, 实现方式采用正反傅立叶变换.构造的双平方根方程波场延拓算子能够使波数域变量与空间(速度) 域变量分离, 波数域内进行相移计算, 在空间域对因介质横向变速引起的时移作修正.地震数据偏移不需要逐炮计算, 具有较高的效率.对Marmousi模型数据的偏移成像结果显示, 该方法较好地成像强横向变速介质中的复杂构造.      

Pasisar:一种深拖式高分辨率地震采集系统

我们知道 ,由于海水对声波的吸收作用 ,目前我们在进行深海地震勘探时 ,往往会得到令人失望的结果 ,主要是由于震源的能量不够强所致 ,例如 ,以８００Ｊ电火花作震源 ,当水深大于１５００ｍ时 ,穿透深度几乎为零。如果要大大提高震源的能量 ,除了技术上的难度外 ,代价也是非常巨大的。法国ＩＦＲＥＭＥＲ的科学家研制了一种深拖于海底的高分辨率混合地震采集系统 ,这一系统可在水深６０００ｍ以内采集到高分辨率地震剖面［１］。１Ｐａｓｉｓａｒ系统介绍Ｐａｓｉｓａｒ系统主要由震源、接收电缆和一个ＳＡＲ深潜器组成 (图１) ,ＳＡＲ是十…     

吉林西部地下水特征及其与土壤盐渍化的关系

研究了吉林西部地下水的主要类型及水文地质特征,新构造运动对第四纪环境和地下水赋存的影响,分析了不同地貌区地下水元素地球化学分异性,元素迁移地球化学过程的转化,探讨了潜水埋深、矿化度、组成、径流条件等对内陆盐渍土壤形成的影响,潜水向上迁移速率与水位的关系,提出了潜水埋深及矿化度与土壤盐渍化程度的定量指标。     

基于正则化思想的tilt-Euler法在边缘深度反演中的应用

地质体边缘深度在重、磁位场数据半定量解释中起着至关重要的作用。由于重、磁异常及其各阶导数均满足欧拉齐次方程,tilt-Euler法在边缘深度反演方面备受青睐。然而,当重、磁异常的总水平导数或者总梯度模等于0时,倾斜角的一阶导数无法计算,导致倾斜角不能满足欧拉方程,tilt-Euler法无法使用。为了解决此问题,本文基于正则化思想,对倾斜角的一阶导数进行修改,使得重、磁异常的总水平导数或者总梯度模等于0时,倾斜角的一阶导数依然可以计算,修改后的倾斜角导数依然满足欧拉方程,称改进的方法为rtilt-Euler法;同时利用识别精度更高的归一化总水平导数垂向导数(NVDR-THDR)边缘识别方法对反演结果进行约束,剔除偏离边缘位置的坏点。理论模型试验结果表明,改进后的方法消除了重、磁异常总水平导数或者总梯度模很小或者等于0时,倾斜角导数无法计算以及反演结果不稳定的问题。将该方法应用到澳大利亚奥林匹克坝氧化铁铜金矿床边缘深度反演中,反演结果显示氧化铁铜金矿床边缘深度主要集中在0～100 m和100～200 m这两个深度段内,与沉积物剖面显示的矿床边缘深度0～200 m相符,证明了该方法的有效性。     

基于增强注意力门控U-Net的建筑物提取研究

针对经典深度学习语义分割网络对建筑物提取存在精度较低、边界模糊和小目标识别困难的问题,本文提出一种增强注意力门控的U型网络(advanced attention gate U-Net,AA＿UNet)用于改善建筑物提取的效果,该网络改进经典U-Net的结构,使用VGG16作为主干特征提取网络、注意力门控模块参与跳跃连接、双线性插值法代替反卷积进行上采样.实验采用武汉大学建筑物数据集(WHU building dataset,WHD)对比提出的网络与部分经典语义分割网络的提取效果,并探究网络改进的各个模块对提取效果的影响.结果显示：该网络对建筑物提取的总精度、交并比、查准率、召回率和F1分数分别为98.78%、89.71%、93.30%、95.89%、94.58%,各项评价指标均优于经典语义分割网络,且改进的各个模块有效提高了提取精度,改善了建筑物轮廓不清晰和小目标建筑物破碎的问题,可用于精准提取高分辨率遥感影像中的建筑物信息,对城市规划、土地利用、生产生活、军事侦察等具有指导意义.     

矿山压力对底板破坏深度监测研究

目前肥城煤田6 1%的煤炭储量受底板奥陶系灰岩岩溶水威胁,采场底板破坏深度的监测是该煤田底板水害防治的重要内容,选择肥城煤田曹庄井田8煤层和9煤层开采作为监测对象,利用向底板岩层注水方法监测岩层破坏情况。利用专利产品“钻孔双端封堵测漏监测仪”,监测煤层采前的底板原始裂隙发育程度和采后矿山压力底板的破坏深度。监测结果表明,8煤层开采造成的底板破坏深度可达36.5m;9煤层开采底板破坏深度可达14.2m。      

低秩张量嵌入的高光谱图像去噪神经网络

随着遥感卫星技术的快速发展,高光谱图像在环境检测、资源管理、农业预警等领域得到了广泛应用。然而,由于设备误差和大气因素等原因,采集的高光谱图像中常常存在噪声,这会影响后续任务的准确性。因此,高光谱图像去噪成为了一个重要的研究方向。高光谱图像的空间关联、光谱关联和空间—光谱联合关联导致干净的高光谱图像存在低维子空间中。低秩先验是高光谱图像普遍的物理性质,然而基于低秩表示的方法通常需要复杂的参数设置和计算。基于深度学习方法直接从数据中学习到干净图像的先验信息,具有较强的表达能力,但依赖大量数据且缺乏对高光谱图像物理知识如低秩性的有效利用。为了解决这些问题,本文利用高光谱图像的空间—光谱低秩特性,提出一种低秩张量嵌入深度神经网络方法,可以有效去除高光谱图像中的噪声。该方法采用低秩张量分解模块对高光谱图像的特征图进行低秩表示,通过全局池化和卷积等操作完成秩一向量的生成和低秩张量的重构。同时,将低秩张量分解模块与Unet相结合,对浅层特征进行低秩张量表示,以捕捉高光谱图像的空间—光谱低秩特性,提高了模型的去噪能力。当噪声标准差在[0—95]时,算法可以取得41.02 dB的PSNR和0.9888...     

模态间匹配学习的高光谱和激光雷达联合分类

如何有效地提取和融合不同模态的特征是高光谱图像和激光雷达数据联合分类的关键。近年来,得益于深度学习强大的特征学习能力,其在高光谱图像和激光雷达数据联合分类领域受到了越来越多的关注。然而,现有的深度学习模型大多基于监督学习的模式,分类性能依赖标注样本的数量和质量。为此,本文提出了一种基于模态间匹配学习的联合分类方法,充分利用未标注样本的信息,减少对标注信息的依赖性。具体而言,本文首先通过高光谱图像和激光雷达数据之间的匹配关系和KMeans聚类算法,构造模态匹配标签。然后,利用该标签训练含有多个卷积层的匹配学习网络。该网络由两个并行分支构成,每个分支负责提取单个模态的特征。最后,以该网络为基础,构造高光谱图像和激光雷达数据联合分类模型。该模型的参数由匹配学习网络进行初始化,因而只需要少量标注样本进行微调即可达到理想的分类效果。为了验证本文方法的有效性,在Houston和MUUFL两个常用的高光谱图像和激光雷达数据联合分类数据集上进行了大量的实验。实验结果表明,与已有的分类模型相比,本文方法能够获得更高的分类性能。     

基于SE-Mask-RCNN建筑遗产识别与空间可视化分析

传统建筑是中国宝贵的建筑遗产,承载着优秀的民族建筑文化,是反映城市特色风貌的重要指标。现阶段深度学习识别建筑物的技术相对成熟,但使用街景图片识别建筑遗产并进行地图可视化展示的研究较少,因此,本研究基于Mask-RCNN(mask region-based convolutional neural network)模型,融合SE(squeeze and excitation)注意力机制,提出一种基于SE-Mask-RCNN识别街景图片中建筑遗产的方法。首先,通过路网数据获取百度街景图片,制作数据集。其次,在模型的残差网络（residual network,ResNet）中引入SE注意力机制;并与已有相关方法 U-net(u-shaped network)、全卷积网络（fully convolutional network,FCN）、Mask-RCNN三种模型进行实验对比评价。最后,使用本方法识别研究区域内的街景图片,形成可视化地图,分析建筑遗产在空间上的分布情况。结果表明,本方法可以有效识别城市中的建筑遗产,识别结果较Mask-RCNN、U-Net、FCN模型分别提高了2%、3.1%、4...