工程物探方法在浅海域地质调查中的应用

通过对浅层地震、浅地层剖面、旁侧声纳、海磁等近几年应用较广的物探方法及其工程实例介绍，指出物探方法在浅海域地质调查中的优点及不足。     

Spatial landslide susceptibility assessment using machine learning techniques assisted by additional data created with generative adversarial networks

In recent years,landslide susceptibility mapping has substantially improved with advances in machine learning.However,there are still challenges remain in landslide mapping due to the availability of limited inventory data.In this paper,a novel method that improves the performance of machine learning techniques is presented.The proposed method creates synthetic inventory data using Generative Adversarial Networks(GANs)for improving the prediction of landslides.In this research,landslide inventory data of 156 landslide locations were identified in Cameron Highlands,Malaysia,taken from previous projects the authors worked on.Elevation,slope,aspect,plan curvature,profile curvature,total curvature,lithology,land use and land cover(LULC),distance to the road,distance to the river,stream power index(SPI),sediment transport index(STI),terrain roughness index(TRI),topographic wetness index(TWI)and vegetation density are geo-environmental factors considered in this study based on suggestions from previous works on Cameron Highlands.To show the capability of GANs in improving landslide prediction models,this study tests the proposed GAN model with benchmark models namely Artificial Neural Network(ANN),Support Vector Machine(SVM),Decision Trees(DT),Random Forest(RF)and Bagging ensemble models with ANN and SVM models.These models were validated using the area under the receiver operating characteristic curve(AUROC).The DT,RF,SVM,ANN and Bagging ensemble could achieve the AUROC values of(0.90,0.94,0.86,0.69 and 0.82)for the training;and the AUROC of(0.76,0.81,0.85,0.72 and 0.75)for the test,subsequently.When using additional samples,the same models achieved the AUROC values of(0.92,0.94,0.88,0.75 and 0.84)for the training and(0.78,0.82,0.82,0.78 and 0.80)for the test,respectively.Using the additional samples improved the test accuracy of all the models except SVM.As a result,in data-scarce environments,this research showed that utilizing GANs to generate supplementary samples is promising because it can improve the predictive capability of common landslide prediction models.     

基于A- CGAN的深反射地震数据随机噪声压制方法研究

基于深度学习的地震数据噪声压制方法是当前地震数据去噪处理的重要方向。深度学习方法突破了传统滤波处理的局限,在对常规地震数据的噪声压制中表现出效率高、信噪分离效果好的特点。但针对深部弱有效反射数据,当前的深度学习方法特征提取能力有限,难以取得较好的去噪效果。笔者等结合深反射地震数据特点,针对当前深度学习噪声压制方法在特征提取及对数据集依赖上的局限,提出了基于注意力循环生成对抗网络(Attention Cycle- Consistent Generative Adversarial Networks,A- CGAN)的深反射地震数据随机噪声压制方法。借助循环一致生成对抗网络(Cycle- Consistent Generative Adversarial Networks,Cycle- GAN)的域映射思想,降低对数据集的要求。为了构建适用于深反射地震数据的去噪网络,从3个方面对Cycle- GAN进行改进：在Cycle- GAN的生成器（去噪器）中加入残差结构和注意力机制,用于加深网络深度和提高其特征提取能力;在Cycle- GAN的鉴别器中使用块判决,提高鉴别精度和准确度;在损失函数部分加入感知一致性损失函数,提升网络模型恢复纹理细节信息的能力。通过合成地震数据和实际深反射地震数据测试,验证了优化算法的有效性,体现了良好的应用价值。     

城市活断层地震勘探的最佳组合方法与应用研究

根据近年来在全国开展的大城市活断层地震探测实践,在简要介绍各种地震勘探方法的基本原理和工作方法的基础上,着重分析了不同地震勘探方法的适用范围、获得的主要成果和所解决的主要问题。讨论了现阶段用地震勘探获取地壳结构和对不同深度断层定位的最佳组合方法,即对于有沉积覆盖的隐伏数百米深度至地表的断层,可用浅层地震勘探对其进行追踪,基底(埋深数公里)以上断层可采用高分辨地震折射探测;对于地壳中、深断裂应用反射地震勘探和深地震宽角反射/折射联合探测方法;还可以进一步采用三维深地震测深方法获得城市下方的三维结构和构造信息。采用这样的组合探测方法能够较好地获得断层在不同深度的产状与展布以及由深至浅完整的分布图像,并给出了应用实例     

查表法设计华北地区最大震级时间序列模糊预测系统

本文介绍了查表法设计模糊系统(FSLE)的方法与原理,然后基于该方法建立了华北地区及主要地震带最大震级时间序列的预测模型,并进行了预测内符检验。分析认为,该方法的建模与预测精度较高,模型外推泛化能力较强,原理简单直观,计算结果稳健。因此,FSLE方法可作为地震趋势建模与预测分析工作中的一种有效工具。     

基于A- CGAN的深反射地震数据随机噪声压制方法研究

基于深度学习的地震数据噪声压制方法是当前地震数据去噪处理的重要方向。深度学习方法突破了传统滤波处理的局限,在对常规地震数据的噪声压制中表现出效率高、信噪分离效果好的特点。但针对深部弱有效反射数据,当前的深度学习方法特征提取能力有限,难以取得较好的去噪效果。笔者等结合深反射地震数据特点,针对当前深度学习噪声压制方法在特征提取及对数据集依赖上的局限,提出了基于注意力循环生成对抗网络(Attention Cycle- Consistent Generative Adversarial Networks,A- CGAN)的深反射地震数据随机噪声压制方法。借助循环一致生成对抗网络(Cycle- Consistent Generative Adversarial Networks,Cycle- GAN)的域映射思想,降低对数据集的要求。为了构建适用于深反射地震数据的去噪网络,从3个方面对Cycle- GAN进行改进：在Cycle- GAN的生成器（去噪器）中加入残差结构和注意力机制,用于加深网络深度和提高其特征提取能力;在Cycle- GAN的鉴别器中使用块判决,提高鉴别精度和准确度;在损失函数部分加入感知一致性损失函数,提升网络模型恢复纹理细节信息的能力。通过合成地震数据和实际深反射地震数据测试,验证了优化算法的有效性,体现了良好的应用价值。     

结构增强型生成对抗网络SAR图像超分辨率重建

针对利用生成对抗网络模型(Generative Adversarial Network,GAN)重建SAR(Synthetic Aperture Radar)图像存在边缘细节信息不足和“伪影”(artifacts)现象,该文基于增强型超分辨率生成对抗网络(Enhanced Super-Resolution Generative Adversarial Networks,ESRGAN)光学模型,重新设计生成网络上采样重建模块和结构损失函数,提出一种结构增强型生成对抗网络SAR图像超分辨率重建算法,包括特征提取、特征增强和上采样重建3个模块:在特征提取模块采用小尺度卷积层对输入SAR图像进行低层次特征提取;在特征增强模块采用多个级联残差密集块(Residual-in-Residual Dense Block,RRDB)和卷积层提取输入特征;在上采样重建模块交替使用最近邻插值(Nearest Neighbor Interpolation,NNI)和亚像素卷积(Sub-Pixel Convolution,SPC)对特征进行放大重建,使特征信息交互融合。与传统插值算法和经典深度学习重建算法相比,该算法在视觉效果和定量评价方面均有显著提升,能够在保持原网络模型重建图像内容信息不丢失的基础上,增强重建图像边缘细节信息和减缓“伪影”现象,有利于后续目标识别和灾害监测等工作开展。     

生成式对抗网络的高光谱遥感图像分类方法研究

针对基于深度学习的分类模型在训练样本较少时所遭受的潜在过拟合问题,提出一种具备过拟合抑制的生成式对抗网络分类算法,并应用于高光谱图像分类.该算法在每次迭代时,首先,依据训练样本的标签信息使判别器网络拟合训练样本的数据分布;然后对训练样本的高维特征进行均值最小化,该过程会重新更新判别器网络参数,减小参数的值和方差,以抑制...     

青藏块体东北缘弹性块体边界负位错反演与强震地点预测

利用青藏块体东北缘1993——1999年、1999——2001年和2001——2003年3个时段的GPS水平运动速度场成果,通过研究建立的弹性块体边界负位错模型反演,给出该区构造块体及其边界断裂运动与变形差异、构造应变场时空分布、高应变能积累部位以及强度的定性分析和定量描述. 在充分考虑区域构造及块体应变的前提下,研究与该区6级左右及6级以上地震地点预测相关的背景性前兆的共性特征.      

矿产资源评价与矿山环境监测中高光谱遥感技术方法应用的实例

近20年来,高光谱遥感技术（Hyperspectral Remote Sensing）发展迅速,已成为遥感技术的前沿,而矿产资源评价与矿山环境监测是高光谱遥感应用中最成功的领域。高光谱遥感技术具有分辨率高的特点,通过对矿物种类、丰度和成分的识别,特别是对与成矿作用、矿山污染源密切相关的蚀变矿物的识别,可以有效地圈定热液矿化蚀变带,定量或半定量地估计相对蚀变强度和蚀变矿物含量,从而进行岩石矿物的分类和填图,并为矿产资源评价与矿山环境监测提供靶区,指导进一步找矿勘探和环境监测工作的开展。介绍了高光谱遥感技术在矿产资源评价与矿山环境监测中的应用原理和成像光谱学的逐步完善,并详细列举了高光谱遥感技术在斑岩铜矿、热液型金矿、地浸砂岩型铀矿、油气、金刚石等矿种的找矿方面,以及在矿山废弃物中生成酸和缓冲酸分布的监测等方面的具体案例,以期为中国矿产资源评价与矿山环境监测中高光谱遥感技术的应用提供借鉴。