基于FPN Res-Unet的高分辨率遥感影像建筑物变化检测

针对城市土地资源变化检测工作繁杂、工作量大、自动化程度低等问题，本文提出一种基于深度学习模型的高分辨率遥感影像建筑物变化检测方法，将语义分割的思想引入到遥感变化检测。基于残差结构特征较卷积层提取性能更优和特征金字塔网络多尺度预测的特点，将残差结构和特征金字塔网络融合到Unet模型中，建立FPN Res-Unet模型。该模型以Unet为基础，引入ResNet18的残差结构作为编码路径特征提取层，在每次卷积后使用边界填充，使得输入图像和输出图像尺寸一致；在解码路径每级上采样过程中，拓展支路径将特征金字塔网络融合到模型的网络主干中，将残差结构、Unet及特征金字塔网络的优点相互融合，增强了Unet的特征提取，弥补了语义分割网络对小目标检测的欠缺；在获取深层语义信息的同时关注细节信息，提高建筑物变化检测精度。实验表明，该方法在所用数据集，准确率、召回率、F₁ 3种指标均达到90%以上。     

基于岩石图像深度学习的岩性自动识别与分类方法

岩石岩性的识别与分类对于地质分析极为重要,采用机器学习的方法建立识别模型进行自动分类是一条新的途径。基于Inception-v3深度卷积神经网络模型,建立了岩石图像集分析的深度学习迁移模型,运用迁移学习方法实现了岩石岩性的自动识别与分类。采用此方法对所采集的173张花岗岩图像、152张千枚岩图像和246张角砾岩图像进行了学习和识别分类研究,通过训练学习建立岩石图像深度学习迁移模型,并分别采用训练集和测试集中的岩石图像对模型进行了检验分析。对于训练集中的岩石图像,每组岩石分别用3张图像测试,三种岩石的岩性分类均正确,且分类概率值均达到90%以上,显示了模型良好的鲁棒性;对于测试集中的岩石图像,每组岩石分别采用9张图像进行识别分析,三种岩石的岩性分类均正确,并且千枚岩组图像分类概率均高于90%,但是花岗岩组2张图像和角砾岩组的1张图像分类概率值不足70%,概率值较其他岩石图像低,推测其原因是训练集中相同模式的岩石图像较少,导致模型的泛化能力减小。为了提高识别精确度,对准确率较低的岩石图像进行截取,分别取其中的3张图像加入训练集进行再训练,增加与测试图像具有相同模式的训练样本;在新的模型中,对3张图像进行二次检验,测试概率值均达到85%以上,说明在数据足够的状况下模型具有良好的学习能力。与传统的机器学习方法相比,所提出的岩石图像深度学习方法具有以下优点:第一,模型通过搜索图像像素点提取物体特征,不需要手动提取待分类物体特征;第二,对于图像像素大小,成像距离及光照要求低;第三,采用适当的训练集可获得较好的识别分类效果,并具有良好鲁棒性和泛化能力。     

基于谱聚类算法的三维激光点云数据分类研究

基于Z+F IMAGER 5010C扫描仪采集实验区点云数据,经栅格处理后,结合纹理和形状等信息,采用谱聚类算法对其进行分类,利用混淆矩阵中的Kappa系数对分类结果进行精度评价。通过与传统的K-means算法和高斯混合模型的分类结果进行对比,结果表明:谱聚类算法的分类效果明显,且分类精度较高,且加入纹理和形状信息的分类精度会高于仅含反射强度信息的分类精度,其总体分类精度达到81.36%,Kappa系数达到0.713 8。     

基于深度学习的镜下矿石矿物的智能识别实验研究

矿石矿物鉴定的智能化是智能地质学和智能矿床学的基础技术之一。计算机视觉技术和深度学习理论使矿石矿物鉴定的智能化成为可能。本研究基于深度学习系统Tensor Flow,以吉林夹皮沟金矿和河北石湖金矿的黄铁矿、黄铜矿、方铅矿、闪锌矿等硫化物矿物为例,设计有针对性的Unet卷积神经网络模型,有效自动提取矿相显微镜下矿石矿物的深层特征信息,实现镜下矿石矿物智能识别与分类。实验显示,模型在训练过程中,随着训练次数的增加,模型精度在不断增大,损失函数不断减小;经过3000个批处理之后,模型精度和损失函数基本趋于稳定。训练出的模型对测试集中的显微镜镜下矿石矿物照片的识别成功率均高于90%,说明实验所建立的模型,具有很好的图像特征提取能力,能完成镜下矿石矿物智能识别的任务。     

数字地貌形态分类优化方法

地貌形态特征分类对生态环境、水文研究及地质构造分析等地学研究具有重要意义,已成为现代地貌学的一个研究热点。利用高分辨率DEM数据,以平均坡度、截面曲率、最大曲率和最小曲率等地貌形态因子为参数,构建地貌形态分类模型;基于自组织映射神经网络提出数字地貌形态分类数学优化方法,对长春地区进行地貌分类。该方法实现自动聚类分析,获得了10种地貌类型阈值,达到地貌形态特征分类要求。这种方法突破了形态参数分类方法6种地貌类型的限制,分类种类达到10种;通过SOM聚类分析,自动获取阈值,从而减少了人为主观因素的干扰。地貌形态分类取得较好效果。     

集成空间变换结构与深度残差网络的遥感影像场景分类方法

针对传统高分辨率遥感影像的场景分类效率较低,以及卷积神经网络在遥感影像场景分类上由于空间不变性而导致的分类精度不高的问题,提出了一种结合空间变换网络和迁移学习的高分辨率遥感影像场景分类算法.首先,利用ImageNet数据集训练深度残差网络ResNet101得到预训练模型,通过知识迁移提高模型目标探测效率;之后在模型中嵌入空间变换结构,使模型能够主动在空间上变换特征映射,提高模型的鲁棒性;最后,在模型中添加Dropout层减小模型出现过拟合的概率.本方法在AID和NWPU-RESISC45两种不同规模的高分遥感影像数据集上进行了验证,在只有20%训练样本的情况下仍达到了94.30%和93.63%的分类精度.实验结果表明本次改进模型具有更好的特征提取能力,针对易误分类场景的分类结果更优.     

基于循环神经网络的找矿模型构建与预测

在大数据和人工智能背景下,基于已有的传统地质找矿模型建立与应用基础,提出基于循环神经网络的找矿模型构建与预测方法,实现对地质数据的深入分析和理解。针对地质找矿模型构建与预测的需求,结合数据清洗理论,对传统地质找矿模型进行归纳与总结,建立地质找矿知识库,为深度学习算法提供训练数据。通过分类算法研究,综合对比结果的准确率与分类所用时间,最终选用RNN分类算法对找矿概念模型进行分类。在建立研究区找矿模型中,通过关键词与控矿要素完成模型匹配,利用模型计算对模型匹配结果进行数据分析,实现区域地质找矿模型的构建与矿产资源的预测评价和分析。以大水金矿为例,快速准确地实现了找矿模型的构建,有效地对矿产资源预测工作提供了指导,验证了该方法的可行性。     

基于决策树模型的上海城市湿地遥感提取与分类

城市湿地是上海重要的生态基础并具有复杂多变的自然特性。研究采用决策树分类方法,以TM影像多光谱波段特征为主要分类变量,采用经K-T变换、IHS变换等光谱增强后的数据以及利用灰度共生矩阵分析影像第一主成分的纹理统计量作为辅助分类变量,结合城市湿地几何特征信息,构建上海城市湿地决策树分类模型,进行上海市湿地信息的遥感提取和分类。结果表明：（1）上海城市湿地总面积为1 277.40 km²;其中水田面积最大,占总面积的65.30%;其次为河流、库塘、湖泊和芦苇。（2）决策树模型的分类方法在一定程度上提高了城市湿地提取和分类的精度,使其达到89.05%;与传统的最大似然法相比,总精度提高了约10%。     

RBF网络在地质样品非线性基体效应校正中的应用

基于RBF(Radial Basis Function)网络的正交最小平方算法,对攀枝花地质样品进行动态非线性基体效应校正.首先采用EDXRF仪器对样品进行测量,并对样品的荧光计数进行归一化,设计出自动分类模型和动态非线性数据基体效应校正模型的二级串联结构,用自组织神经网络(SOFM)进行分类,然后用RBF网络预测了未知样品元素Ti的百分含量.结果表明:对所预测样本的Ti的百分含量与化学分析相比的误差均小于0.5%.由此可见,用RBF方法可以有效地对地质样品进行非线性基体效应校正,能够达到工矿生产的要求.     

基于投影寻踪插值模型的围岩稳定性分类研究

由于受到多种因素的综合作用,因此对围岩稳定性进行准确分类是一个难题。选取影响围岩分类的5个主要因素,根据分类标准,采用在每级标准中随机内插的方法,得到50个标准样本,用于构建分类模型。针对上述复杂优化模型,采用遗传算法进行优化,以获得的最佳投影方向为基础,得到围岩稳定性分类的投影寻踪插值模型。实例分析表明：该模型的分类结果是准确和可靠的,与采用其他几种分类方法所得结论一致。此外,该模型可以得出每个样本的具体得分值,即使对属于同一级的样本也可以排出它们的优劣顺序,因而具有较高的分类精度,是一种更具有应用前景的新方法。     

基于云模型的隧洞围岩工程地质分类方法及应用

本文将云模型理论应用于隧洞围岩工程地质分类,通过建立隧洞围岩分类多级定量指标体系及评价等级标准,计算隧洞围岩云模型隶属度,将定性评价与定量划分成果进行结合,判定隧洞围岩工程地质类别。通过工程实践应用,该方法对围岩分类问题中的模糊性和随机性进行了统一,围岩分类结果与多位地质工程师联合判断结果相比较,在共计15段围岩中有14段相同,具有高的准确度,云模型理论应用于隧洞围岩分类是合理可行的。     

ETM影像小波变换数据融合在土地利用中的分类研究

在ERDAS软件支持下,对ETM遥感影像数据的TM1—TM5,TM7与其全色波段TM8进行小波变换融合,对融合后的影像采用混合分类方法进行土地利用分类。并对其分类结果进行评价,总体精度达到95.43%,研究结果表明此方法可行有效。     

基于随机森林的基坑监测数据填补对比研究

根据项目监测实测数据,采用随机森林算法对基坑监测数据进行填充,分析了该方法的适用性、有效性,并与其他常见的数据填充方法进行对比研究.结果表明,随机森林方法作为一种集成学习方法,通过在模型训练时构造多个决策树,并输出分类结果,可以纠正普通决策树过度拟合的训练集合,且性能通常优于普通填充方法.基于随机森林方法填充后的数据,与周边数据相关性较强.在填充后的曲线图形上,还可以看到填补后数据分类性质明显,具有明显的归类特征.高质量的数据填充结果可以有效提高数据集完整性,达到高效、优质利用原有监测数据的目的.     

多分类支持向量机在滑坡稳定性判识中的应用

如何准确地判识和评价滑坡的稳定性一直是滑坡研究中的关键问题。基于多分类支持向量机的基本理论,利用三峡库区的37个典型滑坡（27个训练样本,10个测试样本）,建立了滑坡稳定性判识的多分类支持向量机模型,并与距离判别分析方法进行了比较。结果表明,SVM模型对测试样本和训练样本的判识准确率均达到100％,而距离判别法对测试样本和训练样本的判识准确率分别为80％和77.8％,前者的判识精度明显优于后者。在此基础上,将SVM模型运用于溪洛渡库区牛滚凼滑坡的稳定性判识中,结果与实际情况吻合较好。     

基于随机森林的基坑监测数据填补对比研究

根据项目监测实测数据,采用随机森林算法对基坑监测数据进行填充,分析了该方法的适用性、有效性,并与其他常见的数据填充方法进行对比研究.结果表明,随机森林方法作为一种集成学习方法,通过在模型训练时构造多个决策树,并输出分类结果,可以纠正普通决策树过度拟合的训练集合,且性能通常优于普通填充方法.基于随机森林方法填充后的数据,与周边数据相关性较强.在填充后的曲线图形上,还可以看到填补后数据分类性质明显,具有明显的归类特征.高质量的数据填充结果可以有效提高数据集完整性,达到高效、优质利用原有监测数据的目的.     

加权距离判别法在泥石流危险度评价中的应用

将加权距离判别法引用到泥石流危险度分类中,建立了泥石流危险度分类模型。该模型选用了流域面积、主沟长度、流域最大相对高差、流域切割密度、主沟床弯曲系数、人口密度、泥沙补给长度比、植被覆盖率、一次泥石流（可能）最大冲出量和泥石流发生频率10项指标为建模参数,运用熵值法对这10个指标进行赋权,用已经分类的泥石流沟作为训练样本进行学习,建立了相应的判别准则。将待判泥石流沟样本代入判别准则进行判别分类,分类结果与传统分类结果100%吻合,验证了该模型的分类性能良好。该方法可以在实际工程中进行推广。     

地质领域文本实体关系联合抽取方法

地质领域实体关系抽取是构建地质知识图谱的基础，对地质领域文本信息抽取与知识库构建具有重要的作用。针对地质领域实体关系复杂、缺少人工标注语料库等特点，提出了面向地质领域实体关系联合抽取模型，着重对多地质文本中存在的复杂重叠关系进行识别，避免传统流水线模型中由于实体识别错误造成级联误差。文章构建了高质量地质领域实体关系语料库，提出了基于预训练语言模型BERT(Bidirectional Encoder Representations from Transformers)和双向门控循环单元BiGRU(Bidirectional Gated Recurrent Units)与条件随机场CRF(Conditional Random Field)的序列标注模型，实现对实体关系的联合抽取。在构建数据集上进行了实验，结果表明，本文提出的联合抽取模型在实体关系抽取上的F1值达到0.671，验证了本文模型在地质实体关系抽取的有效性。     

基于残差注意力机制的泥石流沟谷识别

针对泥石流灾害沟谷图像分类问题,文章对Resnet18网络进行改进,提出了一种改进的卷积神经网络模型。通过在网络结构中加入残差注意力模块,解决了原模型提取图像特征较差、边缘模糊的问题,改进后的网络能精确捕捉到泥石流灾害沟谷图像中的轮廓和内部山脊信息。此外,文章还对多种注意力机制结构进行了实验对比,分析其差异性,得出最适合泥石流灾害沟谷数据分类的注意力机制网络。实验表明改进后的网络模型在泥石流灾害沟谷图像的分类准确率达到75.42%,其分类性能在Resnet18网络模型的基础上提升了5.1%。     

略论水资源系统的混合模型

大系统优化的关键在于模型的降维.混合模型可看作为一种降维方法,它通过把整个系统分解为联系比较松散的几个子系统,达到降维目的.从理论上对这类模型的建模原则、优化技术及其分类和特点进行了归纳和总结,说明了在多目标复杂水资源系统和排灌系统中这种混合模型的应用是十分有效的.     

黔南荔波地区耕地土壤中硒的分布特征及影响因素分析

采用OpenPose与BP网络相结合的方法对人体整体或局部行为进行分类检测,首先利用人体姿态估计算法获得人体骨架节点坐标数据,然后利用BP分类网络对节点坐标数据进行迭代训练与学习。检测不同整体行为的分类模型,训练准确率达100%,网络损失仅为0.091,实测各类准确率及总体准确率均达100%;检测局部行为的分类模型,训练准确率亦达100%,网络损失小于10-6,实测各类准确率及总体准确率均达100%;OpenPose与BP网络相结合的方法不仅可以实现不同整体行为或局部行为快速、准确的分类检测任务,同时还克服了传统行为检测方法的不足,能够实现更高效、更准确、更快速的分类检测。