融合边缘特征与语义信息的人工坑塘精准提取方法

针对高空间分辨率遥感影像目标提取中定位精度低、边缘粗糙等问题,提出一种融合目标边缘特征与语义信息的人工坑塘提取网络模型。方法首先利用改进的U-Net语义分割网络模块来提取遥感影像中丰富的目标语义信息,然后拓展上述语义分割网络构建边缘提取子网络来获取遥感影像的多尺度边缘特征,最后借助于编码-解码子网络融合边缘特征与语义信息,实现遥感影像目标的精准提取。将该方法运用到雷州半岛复杂背景条件下人工坑塘提取实验中,实验结果中本文提出的方法在F分数以及边界F分数等评价指标上表现最优,达到97.61%与83.01%,验证了融合高层语义信息结合低层的边缘特征在提升遥感目标提取精确度上的有效性。     

基于RCNN的无人机巡检图像电力小部件识别研究

随着无人机（UAV)在电力巡线作业中的应用推广,对无人机巡检图像的信息挖掘或目标识别需求也越来越强烈。传统的电力部件识别流程常使用经典的机器学习算法,如支持向量机（SVM）、随机森林或adaboost,结合梯度、颜色或纹理等浅层特征来对电力部件进行识别,难以充分利用无人机巡检图像的信息,并且难以达到较高的准确率。卷积神经网络（CNN）在目标识别中表现优异,在很多目标识别场景之中成为首选算法。基于区域的卷积神经网络（RCNN）通过使用CNN从图像中提取可能含有目标的区域来检测并识别目标,但是计算复杂,难以满足识别海量电力巡检图片的需求。Fast R-CNN和Faster R-CNN利用CNN网络提取图像特征,后接一个区域提议层,优化了提取可能含有目标区域的方式并改进识别目标的分类器,使目标的检测和识别几乎实时。本文详细描述了Faster R-CNN算法流程,并在无人机电力线巡检图像部件检测中使用,然后分别对DPM、SPPnet和Faster R-CNN识别方法进行了对比分析,利用实际采集的电力小部件巡检数据构建的数据集对3种方法进行测试验证,并讨论了不同参数对识别结果的影响。实验结果表明,基于深度学习的识别方法实现电力小部件的识别是可行的,而且利用Faster R-CNN进行多种类别的电力小部件识别定位可以达到每张近80 ms的识别速度和92.7%的准确率。     

基于众包数据的室内定位方法和平台

随着WLAN的普及,基于Wi-Fi的室内定位方法逐渐成为研究与应用的热点。虽然,其中基于位置指纹的定位算法研究相对广泛,应用效果较好,然而现有的指纹定位方法或系统仍存在以下3个问题：① 离线阶段的数据标定和定位模型的训练需要耗费大量人力物力,以及时间消耗,使系统很难得到实际应用;② 真实环境中WLAN信号波动呈现高动态性,采集的数据存在显著的时效性,无法提供长时间的有效定位保证;③ 实际环境中AP设备变动频繁,导致训练数据与定位数据特征维度不等长,造成模型失效。针对上述问题,本文提出了一种基于众包数据的模型更新方法,通过不断融合增量数据,使定位模型保持实时有效。该方法主要包括半监督极速学习机(SELM)、具有时效机制的增量式定位方法(TMELM)和特征自适应的在线极速学习机(FA-OSELM)3部分。基于上述方法,本文设计并实现了基于众包数据的室内定位平台系统。实际应用表明,本文提出的方法能够显著降低模型训练阶段的数据采集工作量,有效提升模型训练速度,并且长时间保持较高的定位精度。     

设施农业典型地物改进Faster R-CNN识别方法

深度学习方法可有效提高传统基于遥感影像的设施农业典型地物识别与提取方法的结果精度,对传统农业的转型和发展意义重大。本文针对遥感影像大背景小目标的特点,以及设施农业典型地物的图像特征,结合深度残差思想和Faster R-CNN提出DRTOMA算法：首先,使用深度残差网络作为其基础特征提取网络,以此获得更深层次的图像特征,并抑制网络退化和衰退问题;然后在残差单元和全连接层之间加入改进的空间金字塔池化层,从而去除输入图像固定大小的限制,增加网络对图像尺度的敏感度;最后,在全连接层间添加dropout层,减少网络计算的复杂度,提升抗过拟合效果。仿真结果表明：同部分已有的检测算法相比,DRTOMA算法的平均识别准确率和召回率均取为最优,分别为91.87%和90.63%;在最优识别精度近似的情况下,DRTOMA算法比Faster R-CNN算法的召回率高约2%,网络更易收敛,训练难度较低。综上所述,DRTOMA算法是一种有效可行的设施农业典型地物检测方法。     

基于深度学习的钨钼找矿靶区预测方法研究

随着矿产勘查工作由浅部矿向深部隐伏矿、由易识别矿向难识别矿发展,找矿难度日益增大,地质专家越来越重视新理论、新方法、新技术的应用。深度学习作为人工智能的前沿领域/技术,对于实现矿产资源预测“智能化预测评价”具有得天独厚的优势。本文以陕西省镇安县西部钨钼矿集区单元素化探异常原始数据为基础,提出了基于深度学习的钨钼矿产评价方法。该方法以归一化地球化学数据作为模型训练数据,通过深度学习中深度自编码网络方法实现异常值提取进而识别重点成矿有利地段,实现矿产资源找矿远景区定性预测。研究结果表明,在对957条单元素化探异常原始数据分类且做好模型标签后,整个过程在计算机的“黑盒子”中自动完成学习和预测,相较于传统预测研究方法,本文方法具有自动化程度高和客观性强的特征。此外,本文利用已知矿点构建训练数据集,采用随机森林方法对预测区进行矿产资源找矿靶区预测圈定,为进一步缩小找矿靶区范围提供科学依据。     

高分辨率遥感影像目标分类与识别研究进展

高分辨率遥感影像的目标分类与识别,是对地观测系统进行图像分析理解,以及自动目标识别系统提取目标信息的重要手段。本文综述了当前国内外在可见光、红外、合成孔径雷达和合成孔径声纳等遥感影像的目标分类与识别的关键技术和最新研究进展。首先,讨论了高分辨率遥感影像的目标分类与识别问题的主要研究层次和内容;其次,深入分析了高分辨率遥感影像目标分类与识别,在滤波降噪、特征提取、目标检测、场景分类、目标分类和目标识别的关键技术及其所存在的问题;最后,结合并行计算、神经计算和认知计算等技术,讨论了目标分类与识别的可行性方案。具体包括：（1）高性能并行计算在高分辨率遥感图像处理的主流技术,并给出了基于Hadoop+OpenMP+CUDA的高分辨率遥感影像混合并行处理架构;（2）深度学习对于提升目标分类和识别精度的应用前景,以及基于深度神经网络的多层次遥感影像目标识别方法;（3）认知计算在解决遥感影像大数据不确定性分析的模型与算法,并讨论了层次主题模型的多尺度遥感影像场景描述方案。此外,根据媒体神经认知计算的相关研究,探讨了遥感影像大数据的目标分类和识别的发展趋势和研究方向。     

Underwater Target Detection Based on Reinforcement Learning and Ant Colony Optimization

Underwater optical imaging produces images with high resolution and abundant information and hence has outstanding advantages in short-distance underwater target detection.However,low-light and high-noise scenarios pose great challenges in un-derwater image and video analyses.To improve the accuracy and anti-noise performance of underwater target image edge detection,an underwater target edge detection method based on ant colony optimization and reinforcement learning is proposed in this paper.First,the reinforcement learning concept is integrated into artificial ants’movements,and a variable radius sensing strategy is pro-posed to calculate the transition probability of each pixel.These methods aim to avoid undetection and misdetection of some pixels in image edges.Second,a double-population ant colony strategy is proposed,where the search process takes into account global search and local search abilities.Experimental results show that the algorithm can effectively extract the contour information of underwater targets and keep the image texture well and also has ideal anti-interference performance.     

基于随机森林的光子计数激光雷达点云滤波

新一代星载激光雷达卫星ICESat-2首次采用了微脉冲光子计数激光雷达技术,由于单光子探测的灵敏性导致数据在大气和地表下层产生了大量噪声,因此对光子计数激光雷达点云数据实现信号和噪声的分离是开展进一步应用研究的前提和基础。本文选择美国俄勒冈州和弗吉尼亚州2个研究区,采用MATLAS数据,根据光子点云数据的特点构造了12个光子点云特征,对所构造的特征利用随机森林进行变量筛选,用机器学习方法对光子点云进行分类,并将建立好的模型推广到整个研究区。研究结果表明,本文构建的分类器分类总精度达到了96.79%,Kappa系数为0.94,平均生产者精度和用户精度分别为97.1%和96.8%。在相对弱噪声、平坦地形区域和强噪声、复杂地形区域都取得较好的分类结果。本文结果显示了基于少量样本通过机器学习的方法构建模型,可以推广到较大范围区域的光子点云分类应用中。     

基于深度卷积网络和分水岭分割的耕地地块识别方法

耕地地块作为精准农业的重要支撑,现有地块边界大多依靠人工勾绘。随着遥感技术的发展,基于遥感影像自动提取耕地地块成为研究主要方向,其中基于深度学习的方法能够克服传统检测方法难以适应复杂场景的局限而被广泛使用,但现有检测方法仍存在问题,基于深度卷积模型直接识别耕地区域会丢失内部边界、而基于边缘检测模型识别耕地边界时则会同时得到大量无关边界;此外,现有的基于阈值提取地块的策略所提取的地块不够规整,存在内陷的问题。针对上述问题,本研究提出一种基于深度卷积网络和分水岭分割的耕地地块提取方法,从信息检测和地块提取两方面进行改进：(1)将耕地边界视作一种地物类别,在深度卷积网络中进行类别概率检测,帮助实现对耕地边界的语义识别。(2)基于改进后的D-LinknetXt网络进行检测,其网络架构适合于对耕地边界这类线性目标的提取,同时更换原始D-Linknet网络的残差单元,帮助提高了网络的特征提取能力。(3)基于分水岭分割对耕地地块进行提取,利用了区域分割方法获取边界的封闭性,并且这种以区域为单元进行分割并合并的方式,解决了原有方法在像元尺度上基于阈值提取所遇到的提取地块存在内陷的问题,使地块更规整准确...     

空间目标匹配在“天地图·福建”道路数据融合中的应用

数据融合是"天地图·福建"建设的最重要内容之一,每年都会进行1次,其成果是"天地图·福建"电子地图等产品的主要数据源。由于道路数据来源比较多,不同来源的数据之间的变化需要人工提取,导致数据融合耗时费力。本文引入空间目标匹配来提取不同来源道路数据的变化信息,分别使用不同比例尺和相似比例尺的道路数据进行了两次实验,不同比例尺道路匹配精度达93.3%,相似比例尺道路匹配精度达99.4%。空间目标匹配能有效解决属性不一致性问题,提高道路数据融合的效率。     

基于Web Services技术的GIS体系结构研究

网络化和服务化是GIS的发展方向。对于Web Services这样一种新的、基于对象／组建模型的分布式计算技术的研究正在兴起,本文重点研究了Web Services技术在GIS中的应用,分析了其中的关键技术,包括体系结构、数据组织模型,给出了一个基于Web Services技术的GIS数据组织模型,最后指出了基于Web Services技术的GIS发展前景。     

基于面向对象与深度学习的榆树疏林识别方法研究

榆树疏林是浑善达克沙地中一种特殊的植被类型,它对于维持区域生态系统稳定具有重要意义,在防风固沙、涵养水源、调节气候等方面发挥着重要的作用。本文利用无人机影像与GF-2影像,对高分辨率数据源中榆树疏林的两种自动识别方法进行了研究。在面向对象方法中,首先通过计算影像对象的局部方差变化率得到了最佳分割尺度;其次采用随机森林算法对初选特征的重要性进行排序,并删除无关特征;最后分别对支持向量机（SVM）、随机森林（RF）、深度神经网络（DNN）3种分类器进行参数寻优与榆树疏林提取。此外,在ENVI5.5中基于TensorFlow框架,利用U-Net构建深度学习模型对榆树疏林进行了提取,并与面向对象方法进行对比。结果显示：① 通过面向对象方法过程的优化,最终的识别精度较以往研究有所提升,GF-2影像中SVM总体精度为90.14%,RF总体精度为 90.57%,DNN总体精度为91.14%;无人机影像中SVM总体精度为97.70%, RF与DNN总体精度为97.42%。② 深度学习方法中,GF-2影像的总体精度为91.00%,无人机影像的总体精度达到了98.43%。研究结果说明在榆树疏林提取中,无人机影像具有更高的空间分辨率,更丰富的纹理、形状等信息,能达到比GF-2影像更高的精度。面向对象方法对于2种影像都有较高的适用性;深度学习的方法在本文中更适用于无人机影像,它可以有效地减少无人机影像中的错分现象。     

人工智能GIS软件技术体系初探

作为人工智能的代表性技术,深度学习已经成为大数据等各个领域中最具有突破性发展的新技术。深度学习的成功主要得益于其新颖的数据驱动的特征表示学习能力,这种能力成功地替代了传统建模中基于领域知识人为设计特征的方式。在这些技术推动下,人工智能技术在新一代GIS基础软件技术的研究与应用中发挥着极为重要的作用,而现有人工智能GIS（AI GIS）技术研究整体仍处于初步探索阶段,距离成熟阶段尚有较大距离。作为新一代GIS基础软件的方法和技术,AI GIS已经广泛应用在遥感数据分析、水资源研究、空间流行病学和环境健康等地学领域,与传统GIS模型相比大大提高了对非结构化的遥感或街景影像和文本的地理信息提取和特征理解能力,显示出巨大的价值和发展潜力,但现有研究对AI GIS软件技术体系的梳理和总结尚不够全面。大部分研究只关注地理空间人工智能算法的研究及其特定场景下的应用研究,而对相关的AI GIS软件技术体系关注较少。本文分析了地理智慧的几个层次,并讨论了其与AI GIS的关系,总体介绍了国内外现有人工智能技术与GIS软件相结合的发展现状,进而提出了AI GIS软件技术体系。根据AI与GIS的结合关系提出了AI GIS由地理空间智能算法、AI赋能GIS和GIS赋能AI三部分组成。此外,为深入介绍AI GIS各部分组成,本文以SuperMap为例,探讨了AI GIS软件的设计与实现。最后,探讨了AI GIS的未来发展中亟需解决的问题。本文基于AI GIS软件技术的初步探索,尝试为地理智能的基础GIS软件技术体系的构建提供理论基础,以促进人工智能技术与GIS技术的进一步融合和发展,为实现地理智能提供一个可行的研究方向。     

基于多尺度对比学习的弱监督遥感场景分类

遥感场景分类作为一种理解遥感影像的重要方式,在目标检测、影像快速检索等方向有着重要的应用,当前主流的场景分类方法多关注影像深层次特征的准确提取,忽略了场景目标在不同分布尺度下的差异性。此外,有限的高质量场景标签进一步限制了模型分类性能。为了解决以上问题,本研究提出了基于多尺度对比学习的弱监督遥感场景分类方法,首先利用多尺度对比学习的自监督策略,从大量无标注数据中自动获取影像不同尺度下的特征表示。其次,基于多尺度稳健特征对分类模型利用少量标签进行微调,并结合标签传播方法生成高质量样本标签。最后,结合大量无标签数据构建弱监督分类模型,进一步提升场景分类的能力。本研究在遥感场景AID数据集和NWPU-RESISC45数据集上分别使用1%、5%和10%的标注样本下分类精度分别达到了87.7%、93.67%、95.56%和86.02%、93.15%和95.38%,在有限标注样本条件下与其他基准模型相比有着明显的优势,证明了本文模型的有效性。     

基于深度学习AlexNet的遥感影像地表覆盖分类评价研究

地表覆盖分类信息是反映自然、人工地表覆盖要素的综合体,包含植被、土壤、冰川、河流、湖泊、沼泽湿地及各类人工构筑物等元素,侧重描述地球表面的自然属性,具有明确的时间及空间特性。地表覆盖分类信息数据量大、现势性强、人工评价费时,其自动化评价长期以来存在许多技术难点。本文基于面向对象的图斑分类体系,引入深度卷积神经网络对现有地理国情普查-地表覆盖分类数据进行分类评价,并通过试验利用AlexNet模型实现地表覆盖分类评价验证。试验结果表明,该方法可有效判读耕地、房屋2类图斑,正确分类隶属度优于99%,而由于数据较少、训练不充分,林地、水体图斑正确分类隶属度不高,分别为62.73%和43.59%。使用本文方法,经过大量数据充分微调的深度学习AlexNet可有效地计算图斑的地类隶属度,并实现自动地表覆盖分类图斑量化评价。     

Sound propagation in two-axis underwater channel based on beam-displacement ray-mode theory

Sound propagation in a deep ocean two-axis underwater channel is often complex and difficult to simulate between surface channel and sound fixing and ranging (SOFAR) channel. The beam-displacement ray-mode (BDRM) theory is a normal mode method for propagation modeling in horizontally stratified shallow water. An improved method for computing the upper boundary reflection coefficient in the BDRM is proposed and applied to calculate the acoustic fields of a two-axis underwater channel. Transmission losses in the two-axis underwater channel are calculated in the new BDRM. The corresponding results are in good agreement with those from the Kraken code, and furthermore the computed speed of the new BDRM excels the other methods.     

Study of “bright spots” in seismic reflection data

"bright spot" on reflection seismic profile has been regarded as one of the important indications of oil and gas, and it has been widely used in the oil and gas exploration.Moreover, with the development of new technologies, "bright spot" technique has been gradually applied to the exploration of coal, underground water and other fields, and also in the research of deep structure of the earth.Based on the reviewing of published literatures, the authors described the structural features and generation of "bright spot" on seismic profile for energy resources exploration and crustal-scale deep seismic reflection profiles, and further summarized the applications of the "bright spot" technique in energy resource exploration and deep structure research.     

山东招远夏甸金矿深部三维成矿可视化定位预测

招远夏甸金矿床位于华北板块之胶北隆起区内的招远-平度断裂带(简称招平断裂)中。招平断裂沿玲珑花岗岩体与前寒武纪结晶基底岩系的接触面展布,既是控矿构造,又是导矿和容矿构造,夏甸金矿床主要产于断裂下盘的碎裂状玲珑花岗岩中,在其上盘的基底岩系亦有分布,为一典型的破碎带蚀变岩型金矿床。该文以夏甸金矿田为研究对象,引入三维地质建模(3DGM)及三维可视化技术,研究探索隐伏矿体预测的三维化、定量化及可视化技术,重点突破了复杂地质体三维形态分析、控矿地质因素场模拟、成矿信息三维定量提取等关键技术,初步形成了隐伏矿体三维可视化预测的方法。依据勘探工程数据、矿体圈定规范并结合地质规律进行了矿体三维建模,结合已知的地震、重力、大地电磁等方法获得的各类数据作为研究深部地质构造的基本资料,对深部成矿构造进行了三维重构,对夏甸金矿深部进行了矿化空间分析和三维成矿信息提取,开展了三维定量成矿预测,在此基础上建立了三维定量成矿预测模型。在夏甸金矿田共圈定了Ⅰ号、Ⅱ号两个可视化立体找矿靶区,为今后深部工作优选区位提供了信息资料。     

Application of seismic interferometric migration for shallow seismic high precision data processing: A case study in the Shenhu area

The stability of submarine geological structures has a crucial influence on the construction of offshore engineering projects and the exploitation of seabed resources. Marine geologists should possess a detailed understanding of common submarine geological hazards. Current marine seismic exploration methods are based on the most effective detection technologies. Therefore, current research focuses on improving the resolution and precision of shallow stratum structure detection methods. In this article, the feasibility of shallow seismic structure imaging is assessed by building a complex model, and differences between the seismic interferometry imaging method and the traditional imaging method are discussed. The imaging effect of the model is better for shallow layers than for deep layers because coherent noise produced by this method can result in an unsatisfactory imaging effect for deep layers. The seismic interference method has certain advantages for geological structural imaging of shallow submarine strata, which indicates continuous horizontal events, a high resolution, a clear fault, and an obvious structure boundary. The effects of the actual data applied to the Shenhu area can fully illustrate the advantages of the method. Thus, this method has the potential to provide new insights for shallow submarine strata imaging in the area.     

地理空间数据来源本体及其在数据关联中的应用

数据来源是数据可靠性评价的重要参考因素,是地理空间数据本体的重要研究内容。本文针对来源这一重要的地理空间数据研究对象,系统地分析了地理空间数据来源的涵义,建立了地理空间数据来源本体模型,在此基础上,提出了地理空间数据来源本体的概念体系和来源本体概念间关系及其属性的形式化表达方法,并构建出地理空间数据来源本体。最后,以“科技基础性工作专项”项目数据资料为例,基于来源本体库,利用RDF从来源角度实现数据的语义关联,通过web前端框架D3.js技术实现数据与其来源信息的可视化。结果表明,基于来源本体的数据关联可以有效解决数据来源信息描述不规范的问题以及能够支持地学数据语义检索、智能推荐等应用,为促进地学数据共享和数据关联应用提供了一种新方法和新思路。