典型矿区尾矿库特征污染物识别研究

通过对典型尾矿库土壤样品分析,利用重金属超标率、植物体BCF、污染因子的权重值筛选等通进行典型污染物识别,为开展尾矿库污染治理工作提供依据。     

PNN在煤田随钻测井岩性判识应用研究

介绍了PNN方法原理及其算法训练学习过程,详细阐述了网络识别岩性参数的选取、岩性识别模型的建立过程.通过对比研究PNN与其他6种岩性识别方法,分析相同条件下预测结果,得到不同识别方法的优劣性.经研究发现,PNN概率神经网络方法在生产应用中效果更佳、训练识别用时最短.利用人工智能神经网络对测井数据进行自动解释分析,可满足随钻测井时效性及快速解释处理的地质导向需求.     

复杂曲流带识别标志及其内部点坝叠加接触模式

以现代沉积为指导,通过岩芯、测井地质、地震沉积学分析研究复杂曲流带边界砂体类型及其内部结构特征,提出了识别地下复杂曲流带的典型标志,即曲流带边界处废弃河道的长度与曲流带边界的长度比值大于65%,尤其在曲流带凹岸一侧此比值超过85%。通过对比分析正演模型、测井地质剖面及分频后地震反射轴的波形及振幅,识别并总结出研究区曲流带内部主要发育点坝主体-初期点坝-初期河道边缘、点坝伊始-废弃河道、点坝伊始-点坝伊始、废弃河道-废弃河道、废弃河道-点坝伊始、末期河道-点坝等点坝间边界叠加类型,并在此基础上建立了研究区曲流带内部结构模式。     

基于岩石图像深度学习的岩性自动识别与分类方法

岩石岩性的识别与分类对于地质分析极为重要,采用机器学习的方法建立识别模型进行自动分类是一条新的途径。基于Inception-v3深度卷积神经网络模型,建立了岩石图像集分析的深度学习迁移模型,运用迁移学习方法实现了岩石岩性的自动识别与分类。采用此方法对所采集的173张花岗岩图像、152张千枚岩图像和246张角砾岩图像进行了学习和识别分类研究,通过训练学习建立岩石图像深度学习迁移模型,并分别采用训练集和测试集中的岩石图像对模型进行了检验分析。对于训练集中的岩石图像,每组岩石分别用3张图像测试,三种岩石的岩性分类均正确,且分类概率值均达到90%以上,显示了模型良好的鲁棒性;对于测试集中的岩石图像,每组岩石分别采用9张图像进行识别分析,三种岩石的岩性分类均正确,并且千枚岩组图像分类概率均高于90%,但是花岗岩组2张图像和角砾岩组的1张图像分类概率值不足70%,概率值较其他岩石图像低,推测其原因是训练集中相同模式的岩石图像较少,导致模型的泛化能力减小。为了提高识别精确度,对准确率较低的岩石图像进行截取,分别取其中的3张图像加入训练集进行再训练,增加与测试图像具有相同模式的训练样本;在新的模型中,对3张图像进行二次检验,测试概率值均达到85%以上,说明在数据足够的状况下模型具有良好的学习能力。与传统的机器学习方法相比,所提出的岩石图像深度学习方法具有以下优点:第一,模型通过搜索图像像素点提取物体特征,不需要手动提取待分类物体特征;第二,对于图像像素大小,成像距离及光照要求低;第三,采用适当的训练集可获得较好的识别分类效果,并具有良好鲁棒性和泛化能力。     

山区输变电工程崩塌(滚石)灾害识别与预测方法

山区输变电工程崩塌随着国家“一带一路”和“全球能源互联网”战略的构建和实施,山区复杂地质环境条件下的输变电工程建设越来越多。然而,现阶段对于输变电工程崩塌（滚石）灾害识别、预测和评价方法等方面的研究相对较少,难以有效解决山区崩塌（滚石）灾害频发与输变电工程安全建设、运营之间不断增长的矛盾。鉴于此,作者借助航空遥感、无人机航测、岩体结构分析工具、崩塌（滚石）运动数值模拟软件等新技术方法等,对山区输变电工程中崩塌（滚石）灾害识别与预测方法等开展了相关研究。提出:（1）基于区域工程地质分区-区段遥感分析-山体无人机航拍-岩体结构特征分析的思路,实现对长距离、大区域山区输变电工程的崩塌（滚石）危岩体快速识别和分析;（2）利用三维崩塌（运动）模拟方法快速识别崩塌（滚石）在杆塔（变电站）范围的到达情况,然后再利用多种方法对比确定能到达杆塔（变电站）范围内崩塌（滚石）的冲击特征;（3）山区输变电工程崩塌（滚石）灾害风险计算方法。     

鄂尔多斯盆地直罗组地层岩性测井响应特征

为了准确划分直罗组地层岩性、识别地层及解译矿层,通过综合分析鄂尔多斯盆地4个主要铀矿集区侏罗系直罗组地层的定量伽马、自然电位、三侧向电阻率、密度4条测井曲线参数,采用归类统计和测井曲线形态分析,结果显示不同地区直罗组的伽马照射量率数值差异不大,东南缘地区电阻率值明显高于其他地区,密度值变化呈现"南高北低"特征;垂向上直罗组上段的伽马背景值和电阻率相对直罗组下段偏低,密度值变化不大;区域上直罗组地层中从粗砂岩到泥岩的伽玛背景值逐渐增高;密度值略微增高,电阻率和自然电位异常幅度由大变小。根据不同类型岩石测井参数和相系差异,建立了东北缘地区电阻率与密度交会图版岩性识别模型。煤田钻孔测井岩性解译时具有放射性异常的砂岩段粒度应提高1~2个级别。      

基于错误式学习的低空影像人行横道多角度自动识别

提出了一种基于特征的错误式学习分类器半自动迭代训练方法,该分类器能够自动识别多角度低空影像上的人行横道线,在人行横道线管控与数据库建立、道路网提取上有较好的应用。介绍了基于错误式学习的分类器训练思路与方法,并提出了将同一地区不同角度低空影像的识别结果进行合并,从而尽可能全面的检测出被城区高楼以及车辆遮挡的人行横道线的思路。通过对比实验该方法的鲁棒性,并在其基础上随机选取多组数据进行系列实验,证实了基于错误式学习的分类器比传统方式训练的分类器有更好的综合性能,能够在不降低识别耗时的前提下产生高准确率、低漏检率和低误识别率的识别结果。     

一种彩色栅格地图注记识别方法

栅格地图中的注记包含了丰富的地理位置信息,传统的栅格地图注记识别方法在识别过程中将注记和其对应的地理要素相分离,因此难以处理倾斜注记和弯曲注记。以连通域单元为基本处理对象,提出了一种基于几何特征的彩色栅格地图注记识别方法。首先利用连通域单元的方向、尺寸、密度、邻域四个特征提取注记像素集合,然后通过地理要素中心线对非水平注记进行方向确定,最后对注记进行聚类和重新排列,完成注记识别。通过对GoogleMap（谷歌地图）瓦片中的注记进行提取和识别实验,证明了该方法的合理性和有效性。     

轨迹数据的时间采样间隔对停留识别和出行网络构建的影响

个体轨迹数据已经广泛用于人群活动的研究中。在静止的局部空间开展的活动是个体日常生活的基本元素,在轨迹数据中对应停留部分。因此学者常从轨迹数据中识别停留来研究个体活动信息。然而,轨迹数据的时间采样间隔会对停留识别带来影响。针对该问题,首先提出了一个框架,量化不同持续时间长度的活动在不同时间采样间隔的轨迹数据中被识别为停留的概率。其次,考虑到个体出行网络依赖于停留识别结果,基于该框架,研究分析了时间采样间隔对出行网络分析结果的影响。最后,利用该框架分别对深圳市居民出行调查数据和手机轨迹数据进行了分析。研究表明,在面向人群活动的研究和应用中,该框架能支持时间采样间隔的选择决策和面向活动类型的研究结果评价。     

基于时间序列InSAR分析的西部山区滑坡灾害隐患早期识别——以四川丹巴为例

滑坡是仅次于地震、发生最频繁、造成损失最严重的一种地质灾害,中国西部山区则是世界上滑坡灾害分布最密集的地区之一。广域范围内滑坡灾害隐患的早期识别是地质灾害防治工作中的一项关键任务,基于星载合成孔径雷达重复轨道观测的时间序列雷达干涉测量（interferometric synthetic aperture radar,InSAR）技术在此领域具有巨大的应用潜力,但以永久散射体干涉测量为代表的传统时序InSAR方法在西部山区应用中往往受到植被覆盖等不利因素的影响,滑坡探测识别的可靠性较差。针对这一问题,以大渡河上游丹巴县为例,采用自主研发的相干散射体时序InSAR（coherent scatterer InSAR,CSI）方法,从历史存档的ALOS PALSAR和ENVISAT ASAR数据集中成功识别出了17处持续变形中的不稳定坡体,通过与外部观测数据比对和实地调查核实等手段验证了CSI方法探测结果的有效性和优势,并探讨了影响时序InSAR方法滑坡监测应用效果的主要因素及未来的优先研究方向。