基于多尺度特征融合网络的云和云阴影检测试验

基于深度学习的高分辨率光学影像云检测过程中,云和云阴影及其边缘细节丢失较为严重,主要原因在于不同尺度空间语义信息特征融合存在不足。针对该问题,本文构建一种基于深度学习的多尺度特征融合网络（Multi-scale Feature Fusion Network, MFFN）的云和云阴影检测方法,该算法结合防止网络退化的残差神经网络模块（Res.block）、扩大网络感受野的多尺度卷积模块（MCM）和提取并融合不同尺度信息的多尺度特征模块（MFM）。试验表明,本算法能提取丰富的空间信息与语义信息,可取得较为精细的云与云阴影掩模,具有较高检测精度,其中云检测准确率达0.9796,云阴影检测准确率达0.8307。同时,该工作可为深度学习技术应用于业务云检测提供理论支持及技术储备。     

改进的GOTURN算法

随着基于深度学习的算法在计算机视觉领域中的应用不断拓展,GOTURN(Generic Object Tracking Using Regression Networks)算法是第1个满足目标跟踪实时性要求的深度学习算法(达到100 fps),但是该算法的跟踪精度有待提高。针对此问题,采用基于运动估计的卡尔曼滤波算法与基于卷积神经网络的深度学习算法相结合的方法,将卡尔曼滤波算法融入GOTURN算法进行目标跟踪。为了验证该算法的有效性,在ILSVRC2014数据集和ALOV300++数据集中进行了训练和评估。实验结果表明,该算法不仅能够满足目标跟踪的实时性要求,而且能够提高线性系统的跟踪精度。     

基于.NET的AutoCAD二次开发绘制断面图的一种方法

本文通过用.NET对Auto CAD进行二次开发,运用反距离加权法对高程点进行内插,来实现断面图的自动绘制,提高生产效率。     

基于卷积神经网络的建筑物精细化提取

现有图像分割方法往往受图像模糊和噪声的影响,提取的轮廓不准确。为了提取建筑物的精确轮廓,提出了一种基于卷积神经网络的集成方法,包括建筑物定位、形状判断、形状匹配等步骤。实验证明,无论是对DSM图像还是多光谱影像,该方法都能获得精确的建筑物轮廓。     

超参数对GRU-CNN混合深度学习弹性阻抗反演影响研究

CNN-GRU混合深度学习反演弹性阻抗取得了较好的反演效果。但是,基于深度学习的叠前反演参数众多,包括内部深度学习网络可学习参数和外部超参数等,目前超参数选取对网络性能及计算速度影响尚缺乏系统性研究,这直接影响到了该方法的进一步推广应用。因此,本文在混合深度学习反演弹性阻抗基础上,探讨学习率、Epoch、batch_size、正则化参数及参与网络训练的测井个数等5个超参数对网络性能及计算速度的影响,为深度学习地震反演超参数选取提供依据。研究结果可为三维大面积深度学习反演提供一个可行的质控手段,对于推动深度学习方法在石油物探中广泛应用具有一定意义。     

两广地区前、后汛期降水异常反位相现象及可能机理

利用1961—2018年中国地面气象台站2 400站中广东省和广西壮族自治区(两广地区)134站逐日降水资料、英国Hadley中心逐月海表温度资料、NCEP/NCAR逐月再分析资料,筛选了两广地区前汛期降水正(负)异常、后汛期降水负(正)异常的年份,即前、后汛期降水异常反位相年份。结果表明,近60 a来,两广地区前、后汛期降水反位相现象与热带西太平洋海温异常存在密切联系。前汛期期间,当热带西太平洋海温为负异常时,大气对该冷源的Rossby波响应引起西北太平洋反气旋环流异常,且水汽由热带西太平洋向两广地区输送并辐合,同时两广地区为水汽的湿平流区域、风场异常辐合区域,其上空受异常上升运动控制,这样的环流配置有利于两广前汛期期间降水正异常。热带西太平洋海温负异常可持续至后汛期期间,大气的Rossby波响应所致的西太平洋反气旋较前汛期偏西北,两广地区为水汽异常辐散区域,同时水汽干平流且风场异常辐散,受异常下沉运动控制,不利于两广地区降水的产生。反之亦然。     

边界单元法在电法勘探中的应用

本文用加权剩余法导出点源二维地电断面的边界单元法积分方程。通过付氏反变换,可获得三维空间的电位。若干模型上正演计算结果与解析解完全一致。对实测的ρ_s曲线进行了地形攻正及选择法反演拟合,解释结果与实际地质断面符合得很好。     

浙西皖南晚奥陶世复理石的沉积环境,兼谈鲍马层序应用问题

本文研究的复理石具有多种类型的递变层理,有大量波痕,尤其是干涉波痕及浪成波痕发育,古水流方向有双向性,有多级别韵律发育等,说明这一复理石是由波浪、底流、潮流等多种水动力作用叠加而形成的,其沉积环境属浅海直至潮坪。