基于卷积完全匹配层的非规则网格时域有限元探地雷达数值模拟

复频移完全匹配层(Complex Frequency-Shifted PML,CFS-PML)在长时间时域计算中对凋落波、倏失波具有好的吸收效果,并被广泛应用于时域有限差分模拟中.而本文采用卷积方法将CFS-PML应用于时域有限元求解GPR波动方程的数值模拟中.论文以TM波为例,推导了基于CPML(Convolutional PML)边界的时域有限元GPR波动方程求解公式,采用Newmark-β方法对时间导数进行离散,有效改善了时域有限元GPR数值计算程序的稳定性.并以狭长模型为例,开展了CPML边界中关键参数m、R和κ的选取实验,通过对比反射误差大小确定了综合最优参数组合.相同时刻UPML与CPML波场快照、3个检测点的反射误差比较,说明CPML较UPML具有更好的吸收效果.最后,采用非规则四边形网格对1个复杂GPR模型进行剖分,应用加载CPML边界条件的FETD程序对该模型进行了正演,得到了二维剖面法、宽角法正演GPR剖面图,说明非规则四边形对复杂模型的良好适应性,基于CPML边界条件的FETD可有效减少边界反射误差,能实现对任意复杂不规则模型的正演模拟.     

基于U-Net神经网络的声波测井曲线重构

本文提出了一种基于U-Net神经网络的声波测井曲线重构方法。通过编码器提取自然伽马(GR)、密度(RHOB)等测井曲线的数据特征,利用解码器建立数据特征与声波测井曲线之间的映射关系,实现了声波测井曲线的精准重构。实验结果表明,该方法在保留原始声波测井低频信息的基础上,兼顾了输入测井曲线的高频特征,实现了对原始声波测井泥岩层段数据噪音的有效压制,在渤中凹陷东南环测井数据重构中取得了良好的效果,验证了该方法较高的精度和实用性。     

注意力密集卷积网络遥感影像多目标检测

针对遥感影像目标检测中背景复杂、正负样本严重不均衡问题,提出一种基于注意力与密集连接的遥感影像目标检测模型。在特征提取层使用卷积注意力模块分别沿通道、空间域聚合特征图正样本特征,同时通过密集连接加强层间交流;利用上下层特征融合与连续上采样构建3个尺度的特征增强金字塔。实验结果表明,本文模型对不同复杂程度场景下的各类别目标均能够实现稳定检出,且精度优于现有主流目标检测模型,具有良好的泛化能力与实时性。     

基于SegNet＿CRF的遥感影像水体提取方法

水体的自动提取对于洪水监测、水资源管理等方面有着重要意义。本文提出了SegNet＿CRF语义分割方法,可从遥感影像上自动提取水体。首先,在SegNet编码器和解码器之间植入空洞卷积特征提取块,融合不同尺度的特征,然后在分类后处理中引入条件随机场,对提取结果进行精细化处理,最后与FCN、经典SegNet网络水体提取结果对比,结果表明,SegNet＿CRF网络结构在Recall、Precision以及F1-score指标上都有所提高,水体提取结果更加准确完整,抑制噪声能力更强。SegNet＿CRF网络可有效地实现水体提取任务。     

三种非线性时变识别方法的对比研究——以2021年日本福岛地震为例

利用2021年日本福岛地震(M_JMA 7.3)中6个KiK-net台站的观测记录,分别基于移动窗解卷积法、移动窗谱比法和移动窗自相关函数法对场地非线性时变过程进行研究,分析非线性发生的阈值和程度。研究表明：三种方法识别场地非线性时变特征的稳定性不同。移动窗解卷积法更容易获得较为稳定的土体非线性时变过程,但其反映的是地表至井下平均波速的变化,识别的非线性程度偏低。对于存在强波阻抗比的浅表层土体,移动窗谱比法和移动窗自相关函数法识别的非线性程度更强;对于较低波阻抗比的浅表层土体,则不容易识别出稳定的非线性时变结果。三种方法识别的非线性最强时刻基本一致,皆位于整条记录加速度峰值附近。基于三种方法识别的6个台站的非线性阈值约在40～140 gal,剪切波速下降比在16%～53%之间,场地非线性程度较明显。     

基于深度学习和时空特征融合的海洋渔船密度预测方法

为了从海量渔船轨迹数据中挖掘隐含的信息和知识,进而为渔业行政主管部门的决策提供科学依据,本研究以AIS渔船轨迹数据为研究对象,提出了一种基于深度学习和面向时空特征融合的海洋渔船密度预测方法：首先,利用渔船轨迹数据集对渔船行驶区域进行网格划分;其次,筛选出渔船高密度区域进行研究,避免数据稀疏性问题;再次,根据渔船轨迹数据的时空分析,构建三维时空融合矩阵;最后,通过卷积循环神经网络模型捕获渔船分布的时间和空间特征,并利用卷积神经网络的堆叠加强对空间特征的学习。实验通过东海海域渔船真实轨迹数据进行具体测试,结果表明渔船密度预测值与真实值非常接近,平均绝对误差为4×10-4,模型较好地拟合了渔船密度分布特征,有效地提高了渔船捕捞热点预测的准确性和鲁棒性。     

一种基于学习型特征的多模态影像匹配方法

多模态影像在辐射特征和几何特征方面存在的显著差异,会造成高精度匹配困难。因此,本文提出了一种融合多尺度深度学习特征的多模态影像匹配方法,主要利用深度残差神经网络结构自主训练学习影像的学习型特征,得到多模态图像之间更为丰富和更为准确的同名特征点对,实现了对多尺度、多时相影像的协同稳健匹配。结果表明,本文方法对于多组实验均能够得到数量丰富且分布相对均匀的同名特征点对,并具有高效、稳健的匹配性能。     

基于年际增量法的卷积神经网络模型对中国夏季降水的预测研究

将前冬的500 hPa位势高度、向外长波辐射和海表温度的年际增量作为预测因子,建立基于卷积神经网络(Convolutional Neural Network, CNN)的非线性预测模型,对中国160个测站夏季降水展开预测研究,并与基于线性奇异值分解(Singular Value Decomposition, SVD)的预测模型进行效果对比。结果表明：CNN在1981—2020年的交叉检验中所回报的降水平均PS评分和距平相关系数(ACC)分别为74.33和0.12,比SVD高2.15和0.06,说明CNN比SVD在整体上对夏季降水具有更好的预测能力。其中,CNN对SVD预测较好年份的预测效果提升较为明显,对SVD预测较差的年份则改进不大。CNN对中国降水预测存在一定的系统性偏差,订正后CNN对拉尼娜年的降水预测改进较大。结果表明,基于年际增量法的CNN预测模型展示出较好的潜在应用价值。