基于海洋地理信息系统的船舶轨迹异常检测分析研究

伴随着定位设备、无线电通讯技术以及智能传感器的普及和发展,大规模高质量的可用轨迹数据被广泛记录。船舶轨迹异常检测可以帮助提升海洋态势感知能力,为海事监管辅助决策等提供支撑,已经成为了数据挖掘领域的一个新的研究热点。随着人工智能技术以及软硬件处理设备的发展,利用海洋地理信息系统(MGIS)决策管理、分析评价和模拟预测等多项功能,对船舶自动识别系统(Automatic Identification System, AIS)数据和合成孔径雷达(Synthetic Aperture Radar, SAR)数据进行协同管理与分析,能更高效、准确的建立模型、挖掘信息,对于加强海上安全、维护海上贸易、提供辅助决策等都有着重大意义。     

深度学习地震数据重建方法研究综述

由于自然条件限制和人为因素的影响,实际采集得到的地震数据往往会出现地震道数据缺失的情况,会对后续的地震数据处理和解释制造困难,需要对地震数据进行重建.而传统地震数据重建方法通常存在着重建效果受先验条件约束、超参数选择需要人工干预、自动化程度低等问题.于是人们将目光投向发展迅速的深度学习领域,截至今日已经有不少深度学习方法应用于地震数据重建领域以解决上述地震数据重建过程中的问题.本文将着重分析具有代表性的深度学习地震数据重建方法,分别基于卷积神经网络、循环神经网络、卷积自编码器、生成对抗性网络.通过重建结果残差对比图,重建结果信噪比分析等方法对深度学习地震数据重建方法的优势和不足进行深入探讨.并进一步阐述深度学习地震数据重建方法的研究现状、方法优势、存在的问题以及未来发展趋势,对现今的深度学习重建方法进行总结和展望.     

基于B/S架构的广东省海岛保护管理信息平台建设

为满足广东省海岛保护管理业务需求以及提高广东省海岛保护管理信息化水平,文章在现有海岛调查数据的基础上,运用数据库管理和“一张图”集成展示技术,采用B/S架构模式,搭建集海岛属性、空间和时间数据以及多比例数据于一体的区域性海岛保护管理信息平台;该平台的建设对于全面掌握广东省海岛的数据情况、基本特点、保护管理情况和存在的突出问题发挥积极作用,同时以信息化管理技术手段加强广东省海岛保护管理,推进海岛资源合理开发利用,促进海洋经济发展。     

基于SAR和AIS的角度最近邻数据关联方法

提升海上态势感知能力是构建智慧海洋的重要环节。针对目前海上目标研究单源传感器存在感知盲区,多源传感器数据关联易受杂波干扰、在密集区表现不佳等问题,本文基于合成孔径雷达(SAR)和船舶自动识别系统(AIS)数据,提出一种抗干扰性强的角度最近邻数据关联方法,充分利用SAR与AIS船舶目标的空间角度关系,提高船舶目标在密集区域点迹关联的准确性。首先,对AIS数据进行时空滤波,实现数据粗关联,构建关联分析的数据候选集;然后,从时空数据的空间关系角度出发,在灰狼优化和匈牙利算法的启发下,利用点迹对特征向量矩阵进行运算,实现对多源空间数据的优化关联;最后结合数据几何关系对结果进行置信度评估。本文选取5幅SAR影像与AIS数据进行实验,并基于SAR影像数据及船舶轨迹点分布密度设计仿真实验,结果表明,本文所提出的角度最近邻数据关联方法,在密集分布情况下,关联精度为传统NN、GNN算法的3.62和4.61倍,运行时间为1.69 s,相较于NN算法仅增长1.36 s,仅占GNN运行时间的0.49%,在运行时间增长不大的情况下具有更强的抗干扰能力,在密集区域仍能取得较好的关联效果。