面向高光谱遥感图像分类的连续空间依赖增强型空—谱卷积神经网络

利用深度学习技术对高光谱图像进行地表覆被的精细识别与分类已取得瞩目成果.其中,A2 S2 K-ResNet方法分类精度高、综合性能稳定,但其自适应卷积核选取机制未对卷积神经网络的感受野起到实质性的优化作用,进而影响分类结果.该文提出一种面向高光谱遥感图像分类的连续空间依赖增强模块,以弥补A2 S2 K-ResNet方法的不足,并借助三维残差网络框架,形成一种全新的空—谱卷积神经网络.实验采用4组高光谱图像分类标准测试数据集,并结合3种国际通用的精度评价指标进行方法验证.定性分析结果表明,该文方法可增强空间依赖信息,有效抑制噪声现象,大幅减少分类误判现象;定量分析结果显示,相比A2 S2 K-ResNet,该文方法的分类精度更高,计算复杂度更低,且随着训练样本数量递减,其优势逐渐增大.研究结果有助于解决极少训练样本支持下的高光谱图像分类问题,并提高高光谱图像分类模型的泛化能力.     

基于双分支多尺度残差融合嵌套的SAR和多光谱图像融合架构与实验

基于深度学习融合合成孔径雷达(SAR)和多光谱(MS)图像的方法主要通过增加卷积层数量描述网络模型尺度,但未能提高算法对不同尺度空间细节特征的提取能力。该文设计双分支的多尺度残差融合嵌套连接网络架构(Double-branch Multiscale Residual-fusion Nested-connections Net, DMRN-Net),将融合任务划分为细节提升和光谱保持两部分：在细节提升分路中,将SAR和MS图像中的高频信息分别经过多深度特征提取层、多尺度残差融合网络层及嵌套连接解码器得到重建图像;在光谱保持分路中,通过融合上采样后的MS图像和细节提升分路结果,将光谱信息注入融合图像中,从而得出融合结果。通过DMRN-Net和传统算法以及普通双分支网络的对比实验表明,DMRN-Net在主观判断和客观评价上均取得较好的融合结果,能在保持光谱信息的基础上,进一步增加图像的空间细节信息,验证了DMRN-Net在图像融合领域的重要价值。     

基于LBV数据变换方法的海岸带多光谱影像分类方法研究

在传统的海岸带多光谱影像分类方法的基础上,提出了运用LBV数据变换方法对海岸带多光谱影像进行地物分类识别的方法,通过图像数据变换能够分别提取出表示地物总辐射水平、可见光-近红外辐射平衡和表示波段辐射变化矢量(方向和速度)L、B、V的值.通过应用青岛海岸带TM多光谱影像,提取LBV变换图像并与原始假彩色合成图像比较,分别进行监督分类试验.运用LBV数据变换方法获得的图像信息量更丰富,地物类别更鲜明,有利于图像的目视解译,分类精度提高约3.12%.     

乐安河流域土壤重金属含量高光谱间接反演模型及其空间分布特征研究

选取江西省乐安河及其支流流域作为研究区域,探讨了使用土壤高光谱数据间接反演其重金属(Cu、Zn、Pb)含量的方法。选用偏最小二乘模型对土壤有机质含量进行高光谱反演,引入人工神经网络回归模型建立土壤有机质含量与重金属含量的相关关系,从而提取出土壤中痕量级的重金属元素,并针对其空间分布情况进行关联分析和对比分析。实验结果表明,此方法在反演Cu、Zn元素时可有效反映其空间分布特征,具有在类似泛滥平原区域推广的适宜性,也为该区域土壤及水文生态环境监测提供了相关参考。     

Reservoir Characterization Using Multi-component Seismic Data in a Novel Hybrid Model Based on Clustering and Deep Neural Network

Natural Resources Research - Effective use of the difference between longitudinal and converted shear waves in reservoir sensitivity analysis is a key component to reduce the multi-solution problem...     

福海叶绿素含量的人工神经网络反演模型

在圆明园福海同时进行光谱测量与叶绿素测定。使用传统经验统计算法、BP人工神经网络和径向基函数(Radial Basis Function,RBF)网络,分别建立光谱值反演叶绿素浓度模型。结果表明,径向基函数网络具有结构自适应确定、输出不依赖初始权值、速度快、结果可靠、能充分利用光谱信息等优良特性,得到了相当好的拟合结果,是一种值得推广的预测叶绿素浓度的神经网络模型。     

粒子群神经网络混合模型在农用地分等中的应用

针对常规农用地分等模型因子权重计算存在人为干扰和神经网络模型自身优化过程中易陷入局部最优的情况,该文综合了BP神经网络非线性权重数据挖掘特性和粒子群的全局优化能力,建立了农用地分等计算的粒子群神经网络混合模型(PSO-BP网络模型),并应用于广东省揭西县农用地分等计算中,发现PSO-BP网络模型能避免定级因子权重确定的人为干扰,同时具有较高的优化效率,应用效果较好。     

Use of a Probabilistic Neural Network to Reduce Costs of Selecting Construction Rock

Rocks used as construction aggregate in temperate climates deteriorate to differing degrees because of repeated freezing and thawing. The magnitude of the deterioration depends on the rock's properties. Aggregate, including crushed carbonate rock, is required to have minimum geotechnical qualities before it can be used in asphalt and concrete. In order to reduce chances of premature and expensive repairs, extensive freeze-thaw tests are conducted on potential construction rocks. These tests typically involve 300 freeze-thaw cycles and can take four to five months to complete. Less time consuming tests that (1) predict durability as well as the extended freeze-thaw test or that (2) reduce the number of rocks subject to the extended test, could save considerable amounts of money. Here we use a probabilistic neural network to try and predict durability as determined by the freeze-thaw test using four rock properties measured on 843 limestone samples from the Kansas Department of Transportation. Modified freeze-thaw tests and less time consuming specific gravity (dry), specific gravity (saturated), and modified absorption tests were conducted on each sample. Durability factors of 95 or more as determined from the extensive freeze-thaw tests are viewed as acceptable—rocks with values below 95 are rejected. If only the modified freeze-thaw test is used to predict which rocks are acceptable, about 45% are misclassified. When 421 randomly selected samples and all four standardized and scaled variables were used to train aprobabilistic neural network, the rate of misclassification of 422 independent validation samples dropped to 28%. The network was trained so that each class (group) and each variable had its own coefficient (sigma). In an attempt to reduce errors further, an additional class was added to the training data to predict durability values greater than 84 and less than 98, resulting in only 11% of the samples misclassified. About 43% of the test data was classed by the neural net into the middle group—these rocks should be subject to full freeze-thaw tests. Thus, use of the probabilistic neural network would meanthat the extended test would only need be applied to 43% of the samples, and 11% of the rocks classed as acceptable would fail early.     

制图数据的模糊分级处理模型研究

传统的制图数据分级方法存在对原始数据信息的歪曲、普适性不强及计算复杂等问题。基于此,结合现实分级问题的模糊性,提出基于模糊统计分析模型的制图数据分级处理方法。首先通过专家系统获取各模糊样本集,利用统计分析方法求得样本分布函数;然后利用分布函数获得模糊隶属函数,进而求取各模糊集的最模糊点;最后根据最模糊点获得各模糊集的区域划分,从而实现对制图数据的分级处理。该方法不需要对影响级别划分的多因子进行分析和转换,降低了计算的复杂度;另外,该方法是在获得原始数据实际分布的基础上进行的,在后续的分级过程中避免了对原始数据信息的歪曲。     

地表水质评价的径向基神经网络模型设计

该文以MATLAB6．5为平台介绍了神经网络工具箱中径向基函数网络的基本原理、训练算法以及实现函数，指出该实现函数具有自适应确定网络结构和无需人为确定初始权值的特性。将其应用于某市的地表水质评价，研究了训练样本集、检测样本集及其目标输出的构造、原始数据的预处理、神经网络的构建、训练、检测及结果评价整个过程，收到了良好效果，为地表水质评价中神经网络的应用与设计奠定了扎实的基础。另外，还与BP网进行了对比，BP网表现出结构和初始权值确定的人为性。     

基于粒子群优化BP神经网络的耕地自然质量分计算模型

针对常规农用地分等方法中因子权重计算存在人为因素干扰及BP神经网络模型自身优化过程中易陷入局部极小值的情况,通过粒子群算法的全局搜索能力对BP神经网络进行优化,建立耕地自然质量分计算的粒子群BP神经网络模型(PSO-BP网络模型)。对湖北省荆门市沙洋县进行实证研究,结果证明PSO-BP网络模型能避免常规方法因子权重确定的人为干扰,同时具有较高的优化效率,应用效果较好。     

应用人工神经网络模型研究福建省山仔水库叶绿素a动态

本文应用山仔水库2003-2006年叶绿素a浓度、总磷浓度、总氮浓度、水温、溶解氧浓度、高锰酸盐指数、pH值7个参数监测数据对人工神经网络模型进行训练,在此基础上应用1997-2002年除叶绿素a浓度外其他6个参数监测数据,推算出1997-2002年间缺失的叶绿素a浓度,并对1997-2006年春末夏初的叶绿素a浓度动态进行分析,结果表明:山仔水库1997年建库初期,叶绿素a浓度处于较高水平,2000年以后叶绿素a浓度开始降低,近几年基本保持稳定.2003-2006年叶绿素a浓度呈季节周期性变化,春末经夏季到初秋,叶绿素a浓度持续升高,冬季下降明显,春季又开始回升;说明近几年山仔水库水体春末夏季秋初处于富营养化水平,秋末冬季处于中营养水平.本研究结果将为山仔水库的富营养化防治提供科学依据.     

应用人工神经网络模型研究福建省山仔水库叶绿素a动态

本文应用山仔水库2003-2006年叶绿素 a浓度、总磷浓度、总氮浓度、水温、溶解氧浓度、高锰酸盐指数、pH值7个参数监测数据对人工神经网络模型进行训练,在此基础上应用1997-2002年除叶绿素a浓度外其他6个参数监测数据,推算出1997-2002年间缺失的叶绿素a浓度,并对1997-2006年春末夏初的叶绿素a浓度动态进行分析,结果表明:山仔水库1997年建库初期,叶绿素a浓度处于较高水平,2000年以后叶绿素a浓度开始降低,近几年基本保持稳定.2003-2006年叶绿素a浓度呈季节周期性变化,春末经夏季到初秋,叶绿素a浓度持续升高,冬季下降明显,春季又开始回升;说明近几年山仔水库水体春末夏季秋初处于富营养化水平,秋末冬季处于中营养水平.本研究结果将为山仔水库的富营养化防治提供科学依据.     

Bayesian and Neural Network Approaches to Estimate Deep Temperature Distribution for Assessing a Supercritical Geothermal System: Evaluation Using a Numerical Model

The temperature distribution at depth is a key variable when assessing the potential of a supercritical geothermal resource as well as a conventional geothermal resource. Data-driven estimation by a machine-learning approach is a promising way to estimate temperature distributions at depth in geothermal fields. In this study, we developed two methodologies—one based on Bayesian estimation and the other on neural networks—to estimate temperature distributions in geothermal fields. These methodologies can be used to supplement existing temperature logs, by estimating temperature distributions in unexplored regions of the subsurface, based on electrical resistivity data, observed geological/mineralogical boundaries, and microseismic observations. We evaluated the accuracy and characteristics of these methodologies using a numerical model of the Kakkonda geothermal field, Japan, where a temperature above 500 °C was observed below a depth of about 3.7 km. When using geological and geophysical knowledge as prior information for the machine learning methods, the results demonstrate that the approaches can provide subsurface temperature estimates that are consistent with the temperature distribution given by the numerical model. Using a numerical model as a benchmark helps to understand the characteristics of the machine learning approaches and may help to identify ways of improving these methods.