基于多时相遥感的鄂尔多斯市不透水面变化分析

不透水面作为城市发展和生态环境的重要评估因子,在保障生态环境健康和城市可持续发展中具有重大意义。本文以鄂尔多斯为研究区,通过融合多时相Landsat和夜间灯光数据,提取1990—2019年的不透水面信息,并利用重心分析法、标准差椭圆理论和景观指数理论分析时空演变规律。研究结果表明:①1990—2019年鄂尔多斯市不透水面经历了快速扩张;东北部不透水面覆盖度高于西南部;不透水面的扩张模式总体上表现为“向外扩张-向内加密”。②东北部扩张速度减缓,西南部扩张速度增快。③不透水面扩张的方向性减弱;不透水面扩张的方向有由“东北-西南”向“东-西”转变的趋势。④斑块数量及边缘斑块破碎度增加,城市与郊区的连通性增强,城市有向周边郊区扩张的趋势。本文研究对于进一步了解城市生态环境健康与城市可持续发展的相关关系具有一定的参考价值。     

基于卷积神经网络的地铁保护区风险源识别北大核心CSCD

城市轨道交通沿线的风险源识别是防止违规作业导致的安全事故的重要手段。为解决传统识别方法效率低、漏检率高、成本大等问题,本文基于无人机地铁保护区巡检系统,采用卷积神经网络对无人机采集的影像数据进行风险源识别。首先介绍无人机影像获取的流程,并在原始影像数据的基础上,通过数据增强的方式制作多角度、多尺度的风险源数据集;然后使用卷积神经网络建立风险源识别模型,对无人机采集影像中的风险源进行自动识别和定位。试验结果表明,多角度、多尺度风险源数据集的建立进一步提升了模型的识别准确率,且比传统方法具有效率高、成本低等优点。     

一种基于改进CoHOG的视觉SLAM算法

移动机器人在SLAM的闭环检测环节计算量大、运行时间长、匹配误差大,从而导致闭环检测精度较低。针对该问题,本文在CoHOG闭环检测算法的基础上进行改进,将算法中的HOG描述符改进为GDF-HOG描述符,以增强图像特征表现,提高图像特征提取效率;在匹配环节前添加GDF-HOG全局粗匹配,以减少视觉模板的数量,提高算法的计算效率;在匹配环节后添加感兴趣区域（ROI）位置匹配进行检验,以减少闭环检测的假阳性,提高准确率。将本文闭环检测算法与RatSLAM相结合,在公开数据集与真实环境中进行测试,测试结果表明,本文算法在闭环检测环节的准确率较高,且对环境的适应能力较强。     

利用HHT-EEMD方法分析云南区域GNSS应变时序孕震信息

地震的孕育和发生本质上都是地壳内部应力、应变能逐渐积累并突然或缓慢释放的结果,研究应变的变化过程对于地震危险性的判定具有重要意义。本文基于云南区域2013—2019年GNSS格网应变时间序列,利用专门适用于非线性非平稳信号处理的热门时频分析方法—整体经验模态分解（ensemble empirical mode decomposition,EEMD）的希尔伯特-黄变换（Hilbert-Huang transform,HHT）分析方法,探索云南区域中强地震前GNSS应变时序的时-频-能量分布特征,尝试挖掘应变时频信号中所携带的孕震信息。利用23号、42号格网对应的地震进行震例分析,结果显示：EEMD具有分频剖面的类似特征,它能够依据数据的时间特征尺度进行信号分解,较好地剖析信号在不同频率尺度上的变化特征;Hilbert变换能够通过瞬时频率、瞬时振幅等方式突出信号的局部瞬时特性,在固有模态分量（intrinsic mode functions,IMF）异常曲线识别无效的情况下仍能凸显异常;通过EEMD、残差趋势项分析、IMF异常识别和Hilbert变换综合动态分析应变时间序列的分析方法,能够在部分地震前夕发现一些潜在异常信息,为未来云南区域强震危险地点的判定提供一定的参考。     

迁移学习用于多时相极化SAR影像的水体提取

基于机器学习分类器的极化合成孔径雷达（synthetic aperture radar, SAR）影像水体提取方法具有较高的可靠性,但其通常依赖于大量的训练样本,利用该方法进行多时相极化SAR影像的水体提取时,在每一景影像上都人工标注足够数量的训练样本是十分困难且耗时的。同时,SAR影像上固有的相干斑点噪声会进一步加剧样本标注的难度。对此,引入迁移学习方法,利用其知识迁移能力将已有的训练样本的类别标签信息迁移至未标注的样本,以降低获取新样本所需的人工代价,提高水体提取的时效性。使用6景极化SAR影像和4种迁移学习方法进行最佳源域影像选取、样本标签迁移和水体提取实验,实验结果表明,迁移学习方法可以准确地将源域影像上的训练样本的标签信息迁移至其他影像,有效减少其他影像进行水体提取需要的人工标注样本的数量,同时能够维持较高的水体提取精度,在洪涝灾害应急响应中具有一定的应用价值。     

应用全张量重力梯度组合识别并提取中国南海断裂

断裂构造研究是重力解释的一项重要工作,与构造单元划分密切相关。全张量重力梯度数据以其信息量大、含有更高频的信号成分,能更好地描述小的异常特征等优点在地球物理领域中得到广泛应用。基于全张量重力梯度组合研究中国南海断裂识别及提取方法。首先,比较多种重力梯度边界识别方法,包括直接利用重力梯度三分量法和全张量梯度组合法,分析它们的优缺点。通过对比分析,传统重力梯度三分量方法不能有效地均衡深浅异常的振幅,当异常中同时出现正负异常可能产生假的边界结果。全张量重力梯度组合法不仅可以有效地避免传统方法的缺陷,而且获得的边界还具有良好的连续性和收敛性。其次,利用改进的边缘检测计算理论边界提取法确定断裂的精确平面位置,得到了与全张量梯度组合法一致的结果。由此推断,南海断裂以北东走向和北西走向为主,北东东、北西、东西和近南北走向为辅。     

中国大陆强震孕育过程关联的地壳形变及孕震晚期逼近发震过程识别问题

基于地壳形变观测研究,概略回顾了中国大陆地壳形变时空动态特征及其与强震活动的关系、与强震孕育过程关联的多尺度地壳形变动态特征,以及震前各类形变异常信息提取方面的进展和认识。目前能给出明确时间尺度（10年和更短）强震预测的地壳形变有效依据仍不足,需有效识别孕震晚期强震源逼近发震的过程,推进中国大陆强震预测在较短时间尺度的进展。结合几次强震前全球导航卫星系统(global navigation satellite system,GNSS)观测到的较显著的地壳形变转入非弹性变形状态的分析,讨论了在观测技术已取得显著进步条件下,逐步实现对孕震晚期强震源逼近发震过程有效识别的可能性及相关问题。     

深度学习驱动的地震目录构建:PhaseNet和EqT模型的对比与评估

随着地震台站数目的增加,以纯人工的分析方式拾取震相到时并编制地震目录难以满足地震目录实时自动化构建的要求。随着人工智能技术的发展,涌现出多个用于震相拾取的深度学习模型,为高分辨率地震目录的自动化构建提供了机遇,但这些模型在不同应用场景中的性能和适用性仍不明确。以2019年美国加利福尼亚州Ridgecrest地震序列和2019年中国四川威远Ms 5.4地震序列为例,对当前两种先进的震相拾取深度学习模型PhaseNet和EqT（含EqT1和EqT2两套参数）的性能及其构建的地震目录的完备性和准确性进行了测试和评估。结果表明,尽管PhaseNet和EqT最初是使用来自不同地区的数据集训练的,在跨区域应用时仍然能够取得良好的效果,到时拾取的精度可以达到十几个毫秒,与人工分析相当。EqT1即便采用低检测阈值,也能保持很高的查准率,误报少,所构建地震目录的准确性更好,但查全率有限,检测到的地震数量少于PhaseNet。PhaseNet的拾取效果随阈值选择的不同具有较大的弹性,采用中低阈值时具有较高的查全率,采用高阈值则可以达到与EqT1相当的查准率。与EqT1和PhaseNet相比,EqT2性能较差,不推荐使用。