基于Siamese卷积神经网络的影像瓦片变化检测技术

针对地理信息变化较快而传统更新方式效率不高的问题，目前许多学者提出了各类变化检测的方法，但这些方法大都是基于影像数据进行试验，对影像预处理要求较高，且检测精度的稳定性较差，受数据源质量影响较大。而天地图、百度地图、谷歌地图等地图中均可免费下载各种级别的影像瓦片，因此本文提出利用天地图影像瓦片进行试验，采用Siamese卷积神经网络（SCNN）和深度学习技术，开发基于SCNN的高精度变化监测算法，以快速发现变化区域，实现地理信息变化信息检测。     

动态数据驱动模式下的湖泊流域降雨径流模拟

湖泊流域汇水径流过程的模拟预测是一种复杂系统中的时间序列分析问题。模型选择上,现有的机理模型法与辨识模型法各有利弊。同时,现有的模型多采用静态数据驱动模拟,不能有效利用传感网实时观测数据来改善模拟不确定性的问题。本文基于深度循环神经网络技术,提出一种适应动态数据驱动的模式,可融合遥感数据与原位传感器站点数据的DTSM(Dynamic Data Driven Time Series Model)时序模拟预测模型,并在观测值与数值模拟之间建立了一种能动态反馈、自适应调整的模拟框架,解决了传统辨识模型法对时序信息挖掘较弱导致模拟精度较低的问题。通过在鄱阳湖多个子流域入湖径流的案例中验证,显示静态数据驱动模式下,以不同数据源作为输入模拟时,本文DTSM模型的纳希效率系数Ens精度比机理模型提高10个百分点以上;相比静态模式,动态数据驱动模式的模拟精度有进一步提高,尤其是对于静态模式精度较低的流域,提高更为明显。