基于人工神经网络的大地电磁时序分类研究

随着社会的发展,各类干扰日益加剧,高质量的大地电磁采集也变得愈加困难。为了提高数据质量,学者们针对不同类型的噪声提出了很多对应的去噪方法,由于大地电磁数据量都比较大,去噪前不可能对每条数据进行人工判读,急需一种高效率的噪声识别和分类方法。基于此,本文将人工神经网络应用于大地电磁时间序列分类中,为了选取最为合适的大地电磁时间序列分类网络模型,使用模拟方波、工频、脉冲噪声以及实测无噪声数据4类时间序列类型,分别对LSTM、FCN、ResNet、LSTM-FCN及LSTM-ResNet模型进行了噪声分类训练和实测数据分类对比试验。结果表明,FCN及LSTM-FCN在大地电磁时序分类中具有相对较好的效果。其中,FCN模型对实测数据分类准确率最高可达99.84%,每个epoch平均用时9.6 s, LSTM-FCN较FCN具有更高的分类精度,实测数据集最高分类准确率近乎100%,但是其每个epoch平均用时24.6 s,且较FCN也更易过拟合。总体来看,如果数据量较少使用LSTM-FCN可以获取更高的分类精度,数据量较大时需考虑时间成本,使用FCN则更为合适。最后,利用LSTM-FCN分类模型和...     

基于随机森林模型的城市不透水面提取研究 ——以呼和浩特市为例

城市不透水面信息对于城市生态环境动态演化过程研究具有重要意义。以Landsat 8遥感影像为数据源,以呼和浩特市为实证区域,进行了随机森林模型应用于城市不透水面的提取研究,并与目前应用广泛的支持向量机模型进行了对比分析。研究表明：在不同的抽样比例训练样本条件下,随机森林模型对于城市不透水面的提取精度均优于支持向量机的提取精度;对于随机森林模型和支持向量机模型,70%的训练样本比例均为最佳训练样本抽样比例。在该抽样比例下,随机森林模型提取城市不透水面的总体分类精度为93.29%,Kappa系数为0.9051,支持向量机模型的总体分类精度为91.26%,Kappa系数为0.8757;随机森林模型对于城市裸土的识别度较高,能更好地将城市裸土和不透水面进行区分,而支持向量机模型对于城市裸土、不透水面和绿地的区分能力均弱于随机森林模型。综合而言,随机森林模型对城市不透水面的提取精度优于支持向量机模型,随机森林模型可以有效应用于城市不透水面提取领域,进一步丰富了城市不透水面提取方法体系构成。     

基于不同机器学习模型的石油测井数据岩性分类对比研究

特定的计算工具帮助地质学家识别和分类油井钻探的岩石岩性,降低成本并提高工作效率。机器学习方法集成了大量信息,能够高效地实现模式识别和准确决策。文章将挪威海5口油井进行岩性分类,通过将数据随机分为训练集(70%)和测试集(30%),利用多变量测井参数数据进行训练和验证,对比多层感知器(MLP)、决策树、随机森林和XGboost等模型的应用效果。研究结果显示,XGBoost模型在数据的泛化性方面表现更佳,其准确率为95%;随机森林模型次之,准确率为94%;而多层感知机(MLP)和决策树模型表现出较好的鲁棒性,准确率分别为92%和90%。     

EGM2008重力场模型在兴城物探测量中的应用

以吉林大学兴城物探教学实习测网为例,基于EGM2008重力场模型,采用二次曲面、移动曲线、最小二乘配置、三次样条和反距离加权改正插值法,计算了不同GPS水准点密度情况下的水准面模型,并利用二等水准测量方法验证了计算精度,分析了该模型的适定性。结果表明,三次样条插值法的精度和稳定性最高,其次是移动曲线法和最小二乘配置法;二次曲面拟合的精度最低,反距离加权改正法稳定性最差。所有算法都表明,在研究区,当GPS水准点间隔20 km时,基于EGM2008模型确定的大地水准面精度在0.1 m以内;而采用单独GPS水准点的区域大地水准面模型能达到14cm,完全满足各种比例尺情况下的石油物探测量要求。     

松辽平原黑土区Aster数据光谱特征及自动分类研究

为研究松辽平原黑土退化状况，以Aster数据光谱特征作为选择最佳波段组合的理论依据，人机交互处理达到计算机自动分类的目的。通过多波段假彩色合成对比发现，Aster数据可见光／近红外波段3N、2、1的组合效果最佳，选择这种组合进行分类有助于提高分类精度。研究区分类结果表明：最大似然分类法总体精度比最小距离法约高6％，两种分类方法配合使用可综合提高分类精度。     

基于光谱-环境随机森林回归模型的MODIS积雪面积比例反演研究

积雪面积比例（Fractional Snow Cover, FSC）数据能在亚像元尺度上定量的描述像元内积雪覆盖的程度,相比二值积雪面积数据可以更加精确地估计积雪覆盖的面积。基于机器学习的随机森林回归模型可以表示高维的非线性关系,可显著提高MODIS FSC的反演精度。采用随机森林回归模型结合光谱、环境信息构建了一个新的回归模型——光谱-环境随机森林回归（Spectral Environment Random Forest Regressor, SE-RFR）模型,用于MODIS数据反演中国区域的FSC。利用中国典型积雪区内由Landsat 8地表反射率数据获取的FSC数据作为参考值,对SE-RFR模型的反演精度进行评估。研究表明,利用“SE-RFR”获取的FSC数据RMSE、MAE分别为0.160、0.104,精度较高。此外,根据SE-RFR模型与未加入环境信息的随机森林回归（S-RFR）模型比较结果可知,加入环境信息的随机森林回归模型提高了FSC反演的精度,特别是在受环境信息影响较大的青藏高原地区,RMSE从0.200降低到0.181。最后,将SE-RFR模型与目前使用广泛的MODIS FSC反演模型FSC_NDSI、MODSCAG和SSEmod进行了比较,结果表明SE-RFR模型的RMSE与FSC_NDSI、MODSCAG和SSEmod模型的RMSE相比,平均RMSE分别提高了12.0%、8.3%和5.5%。总体来说,SE-RFR模型可以准确地提取MODIS FSC,对于区域乃至全球FSC产品制备具有广泛的应用前景。     

基于非开挖随钻检测系统与随机森林的地层岩性识别

通过自主研发设计的非开挖随钻检测系统,采集非开挖钻进参数,进行非开挖钻进实时地层岩性识别,为非开挖施工提供安全信息保证。针对非开挖工程工勘资料缺乏,掘进地层岩性难以判断的问题,提出了一种基于非开挖随钻检测系统实时采集数据,利用随机森林算法建立地层识别模型,通过模型去识别未知地层,并将识别结果可视化展示。通过非开挖随钻检测系统在工程现场的实际应用,获得了包括钻速、扭矩、转速、拉力、泵压、泵量等钻进敏感参数作为训练样本,利用随机森林算法对采集的钻进参数进行训练,构造决策树与随机森林,对钻进参数进行分类,建立了以典型非开挖地层岩性分类为目标的分类模型,分别确定了杂填土、黏土、粉细砂、砾石和淤泥的地层分类标签。进一步,基于机器学习的分类结果,利用PCA主成分分析将地层识别特征降维至三维,实现了地层岩性识别结果的三维展示。将预测模型应用于实际工程,以验证其有效性。结果表明,该方法能在非开挖实时钻进条件下快速识别钻进地层,识别正确率高达92%。该研究成果通过采集导向随钻参数,识别非开挖掘进段地层岩性,为非开挖扩孔阶段钻具选型、泥浆设计等提供了重要信息。     

基于知识图谱与随机森林的落叶松毛虫害遥感识别

落叶松毛虫害的大规模爆发导致了森林生态系统和经济的严重损失,快速、准确地对落叶松毛虫害发生区域进行识别具有重要的意义。本研究采用知识图谱技术,对与森林虫害相关的敏感特征进行筛选,并综合利用多源数据,分别构建3种不同数据组合的随机森林模型,对研究区内落叶松毛虫害发生区进行遥感识别。结果表明：1)依据图谱构建流程可以实现知识图谱构建及筛选,本研究实现了构建森林虫害遥感识别特征图谱,并筛选了中国东北地区落叶松毛虫害的遥感识别特征;2)知识图谱与遥感技术手段相结合,能够为构建虫害识别模型提供有效特征;3)与单一数据源相比,基于多源数据的落叶松毛虫害识别效果更好,本研究综合使用Sentinel-1A、Sentinel-2A和地形数据的总精度和Kappa系数分别为92.78%,0.876 6。     

四种常用的全球1km土地覆盖数据中国区域的精度评价

精确的全球及区域土地覆盖数据是陆地表层过程研究的重要基础.对数据质量的了解与数据本身同等重要,定量的数据精度评估不仅是对数据本身包含信息的丰富,而且对有助于发现问题,从而促进土地覆盖制图方法的发展.基于一个新的分类系统(森林、灌木草地、农田、裸地、城市、湿地和水体),以中国1∶10万土地利用数据为参考数据,从类型面积一致性、空间一致性两方面对4种全球土地覆盖数据集在中国区域的分类精度进行了评价,包括美国地质调查局为国际地圈-生物圈计划的全球土地覆盖数据集(IGBPDISCover);美国马里兰大学的全球土地覆盖数据集(UMd);欧盟联合研究中心(JRC)空间应用研究所(SAI)的2000年全球土地覆盖数据产品(GLC2000);MODIS 2000年的土地覆盖数据产品(MOD12Q1).并对4种土地覆盖产品误差的空间和类型分布进行了分析.结果表明:在4种土地覆盖分类产品中,GLC2000和MODIS土地覆盖数据有更高的整体分类精度,IGBP数据的整体分类精度次之,但是3种数据在局部都存在明显的分类错误;UMd的分类精度整体最低.通过对4种数据分类精度的空间和类型分布规律的分析,认为4种数据都不能很好的满足陆地表层过程模拟的需要.建议发展土地覆盖类型决策融合方法,将现存多源土地覆盖分类信息融合起来,制备更高精度的中国土地覆盖分类图.     

基于迁移卷积神经网络的黄土含水率智能识别

黄土含水率深层原位精准探测是揭示黄土重大工程灾变机理及灾害预警的有效手段,基于卷积神经网络提出了一种原位孔洞探测黄土含水率的智能识别方法。首先,通过搭建室内实验平台采集间隔等级为2%的7种不同含水率下的图像信息,生成用于神经网络训练的数据集。然后,基于迁移学习思想建立了多种迁移卷积神经网络模型,并对比分析了不同模型的黄土含水率识别精度,通过混淆矩阵可视化验证模型的可靠性。结果表明：针对所建立的黄土含水率图像数据集,基于VGG19、ResNet101、DesNe201的深度迁移网络模型的测试准确率都在90%以下,并且在一定程度上出现了过拟合现象,如推广应用则会出现超过10%的误判现象;而基于Xception、MobileNet、NASNetMobile的轻量化迁移网络模型在训练后泛化能力较好,测试准确率都达到了90%以上,其中Xception迁移网络模型的识别精度最高,达到了94.6%。搭建的轻量化迁移网络模型识别精度高、计算速度快,可为开发黄土地质信息原位探测机器人的视觉系统提供算法支持。     

基于多特征随机森林算法的深圳市土地利用分类

城市土地利用分类对土地资源可持续利用具有重要意义。为了进行深圳市土地利用信息提取,利用Sentinel-2影像,基于遥感光谱、光谱指数和图像纹理等多种特征信息,构建了多特征随机森林城市土地利用分类模型。并在相同分类条件下,与最大似然、K最邻近监督分类方法进行对比分析,利用混淆矩阵进行精度评价,分析随机森林分类算法的优缺点。研究表明,多特征信息融合丰富了遥感数据的信息内容,多特征随机森林分类方法具有更高的分类精度。     

流域降雨径流时间序列的混沌识别及其预测研究进展

混沌和随机在本质上是两种不同的特征,对这两种特征的描述方法各不相同,确定流域降雨径流时间序列的混沌性和随机性是对其进行模拟和预测的重要基础。近10多年来,许多学者相继开展了流域降雨径流时间序列的混沌识别及其预测研究。着重回顾其中最为重要的相空间重构、混沌识别和混沌预测方法,对将混沌理论应用于降雨径流时间序列的限制条件(序列的数据量大小和数据噪声)也进行了探讨。     

基于时序MODIS NDVI的黑河流域土地覆盖分类研究

归一化植被指数(NDVI)是植被生长状态及植被覆盖度的最佳指示因子,其时序数据也已成为基于生物气候特征开展大区域植被和土地覆盖分类的基本手段。基于时序NDVI数据的土地覆盖分类,即通过提取NDVI时间信号所包含的植被生物学参数,构建起一个包含植被生物学信息的分类特征空间。利用2006年重建得到的MODIS NDVI 16天合成时间序列数据,并结合1 km分辨率的DEM数据、野外实地调查资料等辅助数据,综合分析了不同土地覆盖类型对应的时序NDVI谱线及其第一、二谐波的特征阈值,建立决策树对黑河流域的土地覆盖开展分类研究。结果表明,基于时序MODIS NDVI谱线特征的决策树分类精度为78%,Kappa系数为0.74。利用1 km时序MODIS NDVI时间序列获得较为准确的黑河流域土地覆盖类型是可行的。     

基于机器学习的矿物智能识别方法研究进展与展望

矿物智能识别是地球科学与信息科学的重要交叉方向,显示出强大的生命力.本文在调研国内外研究动态的基础上,把矿物智能识别划分为4个阶段,即矿物采集、数据获取、模型构建、分类判别;根据测试方法和获得的数据类型,把矿物智能识别分为基于化学成分、显微光学图片、光谱分析的3条基本路线;总结了应用于矿物智能识别的机器学习方法和技术,包括统计学习、线性回归模型、距离度量模型、树结构模型、神经网络模型及其与样本问题相关的新技术.在此基础上,提出消除地质学与人工智能的鸿沟、建设可用于学习的高质量矿物数据集、完善适合矿物智能识别的机器学习方法、增进模型可解释性、加强工业推广的实践是该领域未来的重点发展方向.      

基于随机森林算法的泥页岩岩相测井识别

泥页岩岩相识别是页岩油空间分布及勘探目标预测的一项重要工作,受地层非均质性及测井信息冗余的制约,基于测井响应方程的岩相识别十分困难.本文建立了一种基于随机森林算法的岩相识别模型,使用SHAP方法量化测井参数重要性.结果表明：随机森林算法可以很好地识别泥页岩岩相,其准确率高于支持向量机、KNN和XGBoost,并且对数据集中岩相类别不均衡的分类问题更加有效;对模型识别岩相最重要的前3项测井参数是自然电位、井径和声波时差;该模型可快速识别单井岩相,再根据总孔隙度、游离烃S1、TOC等参数可确定有利岩相类型,进而确定研究区有利岩相分布,为后续“甜点”预测提供依据.     

基于机器学习的洋岛玄武岩主量元素预测稀土元素

地学共享数据库(如GEOROC、PetDB等)可为地球科学研究提供重要基础数据。然而,这些数据库均存在一个明显缺陷:样品的9种主量元素(SiO2、TiO2、Al2O3、CaO、MgO、MnO、K2O、Na2O和P2O5)均有准确数据,但稀土元素(rare earth elements,REE)数据大量缺失。鉴于REE在地球化学领域的重要作用,我们尝试为数据库缺失的REE值提供一个补全方案,即利用机器学习中的随机森林方法实现由9种主量元素预测REE值。以洋岛玄武岩(ocean island basalt,OIB)为例,把从GEOROC库中搜集到的1 283组OIB数据按8∶2的比例分为两组,其中80%的数据作为训练数据集用于建模,20%的数据作为测试数据集验证模型。比较了随机森林和多元线性回归方法对相同数据进行建模和预测的效果差异,发现无论是回归建模还是预测,随机森林方法都优于多元线性回归,且随着输入参数与输出参数之间关系的复杂化,这种优势更加明显。随机森林对测试数据集的预测效果整体较好,只是随着REE原子序数的增大,预测效果逐渐减弱。这一方面可能是因为原子序数大的REE与主量元素的关系更弱;另一方面可能是由于原子序数大的REE与主量元素的关系更加复杂。其次,随机森林方法预测的REE配分曲线与实际配分曲线吻合度较高,且预测所得配分曲线的区分能力较强,能够反映实际配分曲线之间的相对差异,这一点对推断地球化学过程尤为重要。随机森林方法随着训练数据的增多,其建立的模型也将越稳定,预测结果也会更精确。因此,随着数据库的不断完善,对数据库中REE值的预测也将更为可信、可行。     

基于高分遥感影像和集成机器学习的祁连山区融冻泥流识别研究

受气候变暖影响，青藏高原的多年冻土正在发生广泛的退化，主要表现为融冻泥流事件的频繁发生，对生态系统和当地基础设施造成深刻影响。融冻泥流的精准识别有助于理解融冻泥流的发生和演变机制。近年来尽管基于深度学习的融冻泥流识别取得了进展，但机器学习算法在该领域的识别能力仍有待探究。本研究基于GF-2卫星遥感数据构建了一种基于集成机器学习的优化面向对象融冻泥流识别算法，引入了纹理和几何等空间信息来辅助识别融冻泥流，并基于面向对象技术改善了识别模型的错分问题。此外，基于集成学习整合不同机器学习模型的优势，以获得不低于常用深度学习模型的识别精度。结果表明，基于递归特征消除（RFE）特征选择算法剔除了多维特征数据集中的冗余特征，证明了纹理和几何信息是融冻泥流识别的有效数据补充。在优化后的面向对象机器学习模型中，随机森林（RF）的识别精度最高，总体精度为87.43%。McNemar检验表明，与单一模型相比，集成机器学习模型显著提高了融冻泥流识别精度，其总体精度为93.14%。对研究区内融冻泥流的地形特征进行统计分析后发现融冻泥流主要发生在海拔3 200～3 500 m之间，坡度介于5°～25°，并且以东北...     

地下水观测井水位自动化监测合理配置研究

自动化监测仪在地下水水位监测中已经广泛应用,但数据冗余、经费限制、资源不合理利用等问题使人们必须重视自动监测仪器采样间隔的科学性.本文采用时间序列分析方法,建立采样间隔与监测精度间的关系,得出华北平原地下水监测点大致分成三类:采样间隔不宜过小,人工监测宜能满足;采样间隔、监测手段宜因需调整;采样间隔很小,宜采用自动化监测.     

基于多钻进参数和概率分类方法的地层识别研究

传统的超前钻探地质预报常以某个钻进参数的变化率作为地层识别的主要依据。钻头破岩是一个复杂的力学过程,应考虑多个参数的协同作用,仅采用单钻进参数识别地层的不确定性较大。首先,对超前钻探数据进行预处理,包括标准化、频数分布分析和敏感性分析,筛选出对地层变化敏感的关键钻进参数;其次,基于能量守恒、二元无序逻辑回归分析和多参数变异性分析原理分别建立了破岩能量、逻辑回归概率和地层硬度3种地层识别综合指标;最后,采用基于贝叶斯原理的概率分类方法建立地层识别模型,利用ROC分析方法得到模型参数,实现基于多钻进参数和概率分类方法的地层识别。以地质条件复杂的隧道工程为例,介绍了该地层识别方法的应用,结果表明：3种地层识别综合指标均具有较好的跨孔地层识别能力,识别准确率超过80%;破岩能量和逻辑回归概率指标适用于较近距离的跨孔地层识别,平均识别准确率分别为86.3%和84.1%;逻辑回归概率指标对软弱夹层识别能力较强,准确率达到94.2%;地层硬度指标适用于较远距离的跨孔地层识别;灰岩识别准确率最大达到93.2%。     

基于时间序列分析改进法的地下水位动态预报——以吉林省桦甸市为例

采用逐步回归法替代传统时间序列分析模型中的多项式拟合法和自回归法,仅选用对因变量影响较大的自变量建立方程,提高了模型的精度。依据桦甸市26130018号观测井2000—2008年逐月的地下水位埋深资料,分别利用传统的、改进的时间序列分析法建立模型,以2009—2010年的观测数据进行精度检验,选择较优的改进模型预测了2011—2013年逐月的地下水位。结果表明:2个模型均满足精度要求,但经过改进后,随机方程和趋势方程的相关系数分别由0.830 7和0.803 9增至0.913 5和0.970 9,拟合结果明显提高。