大范围地表沉降时序深度学习预测法

地表沉降不仅影响社会经济的可持续发展,还威胁人类的生命安全.高精度的地表沉降预测对人类预防地质灾害具有重要意义.现有的预测方法因模型参数难以获取或相关数据的缺乏而难以得到可靠的预测结果,针对此问题,本文提出一种基于深度学习的地表沉降预测方法.首先采用多主影像相干目标小基线干涉技术MCTSB-InSAR获取大区域高精度地表形变时序反演结果;其次利用循环神经网络作为网络架构,用长短期记忆(LSTM)模型进行地表沉降特征学习;最后采用网格搜索的方法调整模型参数,进而获取最优的模型参数组合方案.实际观测结果显示,相较于现有地表沉降预测方法,本文提出的预测模型平均绝对误差(0.3 mm)至少降低了27.3％,差分沉降量平均预测精度至少提高了8.9％.空间格局分析的结果表明,LSTM模型对于大区域时序形变的短期预测是有效的.     

不同方法对冬小麦地块级估产的适用性研究

为了探究不同估产模型对冬小麦估产的精度和适用性,提高像元级和地块级冬小麦估产精度。利用机器学习方法支持向量机（SVM）模型、随机森林（RF）模型和深度学习方法长短期记忆（LSTM）模型,对冬小麦进行产量预估。结果表明：在像元级上,LSTM模型、RF模型估产精度高于SVM模型,LSTM模型不仅能够表征作物在生育期的生长变化,还能降低人为因素干扰,估产结果更加客观真实,而SVM模型、RF模型易受到特征共线性和过拟合的影响,因此SVM模型、RF模型更适用于区域性小范围估产。在地块级上,SVM模型、RF模型和LSTM模型地块级估产精度比像元级估产精度均有提高,且LSTM模型估产精度明显高于SVM模型和RF模型,因此LSTM模型更适用于地块级估产,且LSTM模型泛化能力强、普适性高,适用于大范围农作物估产。     

小波-LSTM神经网络在地铁沿线沉降预测中的应用

为缓解城市交通压力,地铁工程的修建日益加快,但其施工、运营都会造成沿线地表沉降,为有效预防地表沉降引起的地质灾害。本文基于51景升轨Sentinel-1A卫星影像,应用差分干涉测量短基线集时序分析（SBAS-InSAR）技术获取青岛地铁三号线沿线地表形变信息,分析地铁沿线主要沉降区域的成因,并对沉降区域内的特征点使用小波分解、重构,对降噪后的形变时间序列进行了模拟和预测。发现了4个主要的沉降区域,其中青岛北站周边沉降最为严重,沉降速率为-10.42 mm/a。优化后的长短期记忆（LSTM）神经网络模型对形变时间进行预测,其精度比传统LSTM、多层前馈BP神经网络模型更优,证明该模型在城市地铁沿线的地质灾害预防中具有广泛应用价值。     

多尺度特征融合神经网络的地表覆盖提取

深度学习的快速发展,为高分辨率卫星遥感影像解译提供了更好的技术手段和应用前景。围绕高分卫星遥感影像地表覆盖信息提取,利用高分辨率卫星遥感影像制作5种常见的地表覆盖类型的像素级样本数据集,并提出一种基于注意力增强与多尺度特征融合的语义分割方法,实现地表覆盖自动提取。通过影像波段选择、预训练模型迁移学习、损失函数改进等方法,提升语义分割模型识别精度,最优的提取结果中,5种地表覆盖类型的F₁均值、IoU均值和总体精度分别达到了78.6%、66.8%、85.0%,除道路之外,耕草、林地、建筑、水体的F₁均超过80%,且分类图斑边界能够与影像中的地物边界很好套合。实验表明建立的卫星影像地表覆盖分类样本数据集和分类方法,能够应用于高分辨率卫星影像地表覆盖信息提取。     

顾及相似用户特征的个人位置预测算法

个体位置预测在传染病精准防控、公共设施科学规划等应用中具有重要意义,既有位置预测算法主要侧重对个体纵向历史轨迹特征进行挖掘建模,从而实现位置预测,对横向相似性用户的规律特性考虑较少。因此,基于图卷积和长短期记忆模型（long short-term memory,LSTM）框架,提出顾及横向相似用户轨迹特征以及纵向历史规律性特征的个体位置预测算法。首先,构建用户轨迹相似性算法并筛选高相似度用户;然后,利用图卷积模型提取待预测用户相似高的用户轨迹特征;最后,利用LSTM框架提取历史轨迹特征,集成相似用户轨迹特征,从而实现个体位置预测。基于某市8万多个用户连续4个工作日的数据进行实验,结果表明,所提算法的准确率随预测时间步长增加而下降,而夜间预测准确率明显高于白天,但相比于既有模型均有10%以上提高;以15 min为预测时间步长时,模型准确率达80.45%。     

变分模态分解与长短时神经网络的大坝变形预测

为了提高大坝变形数据的预测精度,该文提出一种变分模态分解和长短时记忆神经网络相组合的预测模型.对大坝的历史变形数据进行变分模态分解,利用长短时记忆神经网络进行预测,累加各模态分量的预测值完成重构.以江西省某蓄能水电厂2010-2014年大坝监测数据为例,设置不同的对比实验验证VMI-LSTM组合模型的有效性和稳定性.研究表明:组合模型能够有效减小单一模型的误差,VMD能够将变形序列分解为不同频带的分量,减少非线性、非平稳性对预测精度的干扰,且VMD-LSTM神经网络的预测精度要优于其他模型,对于大幅提升大坝变形的预测精度有一定的参考价值.     

基于多源数据融合的武汉市精细尺度城市房价预测

获得精细尺度城市房价制图对城市发展研究及相关政策制定至关重要。然而由于过去的房价预测方法没有对多源数据进行融合,单一数据源有偏性使得房价制图及预测无法达到精细尺度。本文拟从多源空间数据融合的角度出发,通过深度学习的方法建立耦合卷积神经网络和随机森林拟合模型的武汉市城市房价预测模型,在精细尺度上模拟武汉市房价分布。实验表明预测模型可以有效地对武汉市房价做出预测,同时表明融合高分辨率遥感影像和社交媒体数据的模型能够得到比传统使用单一数据源的网络得到精度更高的预测结果。     

长短期记忆压缩激励全卷积神经网络建筑物变化检测

针对当前遥感影像建筑物变化检测未考虑时序信息,导致变化特征提取效果欠佳,本文提出了一种长短期记忆压缩激励全卷积神经网络。在全卷积神经网络框架下,搭建了结合长短期记忆网络与压缩激励网络原理的长短期记忆压缩激励单元,使算法能够充分结合纹理特征及时序特征优势,提高遥感影像建筑物变化检测精度。以遥感影像建筑物变化检测公开数据集LEVIR-CD作为实验数据对该方法进行验证,结果显示,F1-score达86.35%,相较于FC-EF、FC-CONC、FC-DIFF算法,F1-score分别高出2.35%、3.47%、4.52%。     

基于SBAS-InSAR技术和LSTM-GS模型的矿区开采沉陷预测

以鄂尔多斯东部某碳矿的3014工作面作为研究对象,利用2018-09-15～2019-02-18的14景SAR数据对矿区进行监测,将小基线集技术（SBAS-InSAR）得到的时序累积沉降量作为训练样本,并与网格搜索算法（GS）优选超参数的长短期记忆网络（LSTM）进行结合,对矿区开采沉陷做出预测。结果表明：SBAS-InSAR技术反演值能够满足矿区开采沉陷预测,结合LSTM-GS模型对矿区开采沉陷进行预测,得到的最大均方根误差为3.569 3 mm,最大平均绝对误差为3.252 4 mm,最小决定系数为0.57,说明该模型预测精度能够满足工程需求。     

面向城市道路的多传感器融合定位导航技术

方便地获取高精度、高可靠的轨迹数据是交通、旅游等行业智能化发展的关键。鉴于此,本文设计一款集GPS、SINS和OBD于一体的多源车载组合导航系统来收集轨迹数据,提出数据融合的方法来弥补因传感器噪声导致的位置累积误差,并在GPS失锁时有效预测轨迹位置信息。此方法通过梯度提升与决策树相结合建立INS误差补偿模型,并引用粒子群算法优化模型的回归参数,可有效避免误差积累;再利用联邦滤波器实现GPS、SINS和OBD数据融合,提高了轨迹信息的准确性。实际道路测试证明,基于此方法的组合导航系统,在多种路况下可收集连续精准的轨迹数据。     

基于复杂网络的城市道路重要度评价及路网自动综合方法

利用复杂网络理论,构建城市复杂路网模型,基于该模型从道路的结构和功能特征角度,以连接度、介中心和接近度为度量指标定义道路重要度评价模型,并顾及路网的整体形态及路网的拓扑连通性,提出基于复杂网络理论的路网综合算法。为检验方法有效性,针对成都市道路网络进行实验分析。实验结果表明,该道路重要度评价模型较好地反映道路在整个路网结构和功能上的重要程度,复杂路网综合算法能较好地保持原始路网的整体形态结构特征。     

基于多特征融合与典型降维方法的高光谱影像分类

高光谱影像的冗余信息给影像的分类效果带来一定的负面影响。本文利用CB法(CfsSubsetEval评估器结合Best-First搜索策略)与PCA变换两种降维方法,分别结合随机森林分类器对4种多特征融合方案(共8种组合)进行高光谱影像分类对比,基于分类的总体精度、Kappa系数探究提高高光谱影像分类的最佳组合方法。结果表明:①多特征融合可提升高光谱影像的分类效果,两种降维方法的分类精度均随地理特征、纹理特征、指数特征的加入而逐渐提高。②两种降维方法中,经CB法降维后的分类精度均比通过PCA变换降维的分类精度高。在构造的8种组合中,基于所有特征信息(光谱特征、地理特征、纹理特征、指数特征)的CB法分类精度最高,其总体精度为98.01%;Kappa系数为0.969 9。     

基于LiDAR数据的城市道路提取与重建

本文借助于GIS强大的空间数据管理和分析功能,以Lidar点云数据为数据源,对交通信息系统基础空间数据进行快速采集和更新。文章并且在前人工作的基础上,提出了一种新的基于四维Hough变换的Lidar数据的提取和分类方法,对提取的道路信息进行重构。实践证明,此方法较之传统Lidar数据分类和提取方法,能够有效地解决其计算量过大、噪声过于敏感、道路边缘方向不平行等问题,实现道路的自动提取。     

基于D-S证据理论的多特征融合SAR图像目标识别方法

针对应用单特征SAR图像进行目标识别准确率低的问题,提出了一种将支持向量机(support vector machine,SVM)和D-S证据理论(Dempster-Shafer,D-S)相结合的多特征融合SAR图像目标识别方法.该方法在对SAR图像预处理的基础上,提取目标的纹理、Hu不变矩和峰值特征,并分别以这3类单特征的SVM分类结果作为独立证据,构造基本概率指派,通过D-S证据的组合规则进行融合,并根据分类判决门限给出最终的目标识别结果.将该方法用于SAR图像上的3类目标识别,识别率达95.5％,表明该方法是一种有效的SAR图像目标识别方法.     

Integration of neural networks and cellular automata for urban planning

This paper presents a new type of cellular automata (CA) model for the simulation of alternative land development using neural networks for urban planning. CA models can be regarded as a planning tool because they can generate alternative urban growth. Alternative development patterns can be formed by using different sets of parameter values in CA simulation. A critical issue is how to define parameter values for realistic and idealized simulation. This paper demonstrates that neural networks can simplify CA models but generate more plausible results. The simulation is based on a simple three-layer network with an output neuron to generate conversion probability. No transition rules are required for the simulation. Parameter values are automatically obtained from the training of network by using satellite remote sensing data. Original training data can be assessed and modified according to planning objectives. Alternative urban patterns can be easily formulated by using the modified training data sets rather than changing the model.     

Integration of neural networks and cellular automata for urban planning

This paper presents a new type of cellular automata (CA) model for the simulation of alternative land development using neural networks for urban planning. CA models can be regarded as a planning tool because they can generate alternative urban growth. Alternative development patterns can be formed by using different sets of parameter values in CA simulation. A critical issue is how to define parameter values for realistic and idealized simulation. This paper demonstrates that neural netowrks can simplify CA models but generate more plausible results. The simulation is based on a simple three-layer network with an output neuron to generate conversion probability. No transition rules are required for the simulation. Parameter values are automatically obtained from the training of network by using satellite remote sensing data. Original training data can be assessed and modified according to planning objectives. Alternative urban patterns can be easily formulated by using the modified training data sets rather than changing the model.     

融合多特征改进型PSPNet模型应用于复杂场景下的建筑物提取

针对复杂场景下高分辨率遥感影像中建筑物提取精度低的问题,本文提出了一种融合多特征改进型PSPNet模型,在PSPNet网络的基础上,加入膨胀卷积模块并融合图像的浅层特征.试验结果表明,融合多特征改进型PSPNet模型的预测结果总体精度为95.90％,建筑物提取精度平均为77.77％,均高于其他模型.其在不同场景上的表现...     

一种城市道路空间结构特性分析方法

为了对城市道路空间结构的特征进行研究,该文基于复杂网络理论,采用网络中心性测度方法,对北京、成都、南京、天津和武汉这5个城市道路网络的节点介数、直达性、邻近度和边介数等指标进行计算,通过对计算结果的分析发现城市道路中心性的分布特点,剖析城市道路结构的特征。结果表明:①网络中心性指标,特别是介数能够很好地描述道路网络节点的重要程度;②贯穿路网的主干路、城市环路、跨江(河)桥梁都具有较高的中心性,是城市路网的重要部分;③尽管不同城市的道路网络结构存在一些相似的特点,但各城市之间的道路空间结构差异明显。