顾及形态特征和语义信息的双线道路识别方法

双线道路识别与提取是城市路网综合的关键。提出了一种城市双线道路提取的方法。在构建好的道路网眼的基础上,综合考虑双线道路网眼形态特征以及构成网眼路段之间的语义相似度,设计了识别双线道路网眼的综合指标。通过判断网眼综合指标确定最终的双线道路网眼,最后根据识别出的双线道路网眼提取出双线道路。实验表明,该方法能有效提取出城市道路数据中的双线道路。     

利用双线偏振雷达分析人工防雹作业效果

以北京市平谷区2011年6月11日防雹作业为例,利用双线偏振雷达资料,选取与作业区条件十分接近的云块为对比区,根据回波移动方向和速度,跟踪分析在不同高度上防雹作业前后云体宏观结构特征和粒子相态等微物理变化过程。作业后云体所呈现特征为:1作业区的云顶高度、强回波中心高度迅速下降,对比区变化不明显;2作业区水平反射率Zh减小,差分反射率Zdr、零相关系数ρhv增大,单位差分传播相移Kdp小范围内波动,对比区Zh、Zdr、Kdp变化不明显;ρhv增大;3作业区对流减弱,高层较大冰雹粒子、大雨滴下沉明显,最终以霰粒子为主;而对比区域则对流仍然旺盛,冰雹粒子有增多趋势。以上特征表明防雹作业可有效抑制冰雹胚胎成长为冰雹的过程,通过偏振雷达观测参量可对防雹作业效果进行较好的验证。     

支持向量机的车载雷达点云目标识别

为了进一步研究移动测量系统的数据处理问题,该文根据点云的基本特征,归纳了由7个特征构成的点云原始特征向量,在此基础上,结合语义环境构建了由17个特征构成的点云扩展特征向量,并采用支持向量机模型对车载LiDAR点云进行行道树点云识别的一系列实验。实验中采用粒子群优化算法和遗传算法对支持向量机进行参数寻优;采用不同特征向量和不同数目样本对点云进行学习和目标识别;分析了特征向量的学习曲线和识别精度。实验结果表明,支持向量机模型能够在行道树点云识别中取得较高的精度。     

海-塔盆地中部断陷带南屯组沉积体系配置及有利相带分析

本文充分利用岩芯、测井、地震及分析化验等资料,对海-塔盆地中部断陷带4个主力凹陷的南屯组砂体类型及分布特征进行了详细研究。结果表明,南屯组主要发育扇三角洲、近岸水下扇、辫状河三角洲和湖底扇等4种典型类型砂体,并从沉积背景、发育部位、沉积特征、搬运机制以及地震反射特征等5个方面,分不同角度、不同层次详细阐述了扇三角洲、近岸水下扇、辫状河三角洲和湖底扇的识别标志;其中扇三角洲主要分布在乌尔逊凹陷和贝尔凹陷的陡坡带,近岸水下扇主要分布在南贝尔凹陷和塔南凹陷的陡坡带,而辫状河三角洲主要分布乌尔逊凹陷、贝尔凹陷和南贝尔凹陷的缓坡带。从盆地边部向盆地中心方向,沉积相由扇三角洲、近岸水下扇和辫状河三角洲沉积逐渐过渡为半深湖-深湖相沉积,局部半深湖-深湖相中发育湖底扇沉积体系,整体具有“南北分块、东西分带”的沉积格局。综合研究表明,扇三角洲前缘、近岸水下扇中扇和辫状河三角洲前缘砂体是油气富集的有利沉积相带,而洼槽边缘的湖底扇砂体为岩性油气藏勘探的重点对象。     

基于贝叶斯理论的抗剪强度参数最优Copula函数识别

提出基于贝叶斯理论的抗剪强度参数最优Copula函数识别方法,首先简要介绍了基于Copula函数的岩土体抗剪强度参数相关结构表征方法,给出常用的识别最优Copula函数的最小平方欧氏距离法和AIC(akaike information criterion)准则。其次,采用蒙特卡洛模拟方法验证了贝叶斯理论识别最优Copula函数的有效性,比较了3种方法的最优Copula函数识别能力,并分析了影响贝叶斯理论识别精度的主要因素。最后,收集了实际工程共23组抗剪强度参数试验数据,研究了贝叶斯理论在抗剪强度参数最优Copula函数识别中的应用。结果表明,贝叶斯理论能够有效地识别表征抗剪强度参数间相关结构的最优Copula函数,且能有效考虑先验信息对识别结果的影响;与传统的最小平方欧氏距离法和AIC准则相比,贝叶斯理论的识别能力和识别精度都更高;抗剪强度参数的样本数目、相关性大小、真实Copula函数类型以及先验信息都对贝叶斯理论的识别精度具有重要的影响。此外,常用的Gaussian Copula函数并不总是表征抗剪强度参数间相关结构的最优Copula函数。     

鱼是如此完美

正由于水族自称为"虽",且其他民族多以"水家"称之,1956年,经过民族识别并尊重其民族意愿,国务院批准,将操壮侗语族水语支的人们共同体统一称为"水族"。也就是说,"水族"名称的诞生不是直接因为水。可无法否认的是,水族传统生活却和水里的鱼有着密切的联系,人们对鱼始终存在一份特殊的感情,而鱼,也在水族人生活里占据着特殊的地位。《越绝书》记载:"大越海滨之民。"意思是说,古百越族乃生活在海边的民族。而水族属     

典型矿区尾矿库特征污染物识别研究

通过对典型尾矿库土壤样品分析,利用重金属超标率、植物体BCF、污染因子的权重值筛选等通进行典型污染物识别,为开展尾矿库污染治理工作提供依据。     

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。     

山区输变电工程崩塌(滚石)灾害识别与预测方法

山区输变电工程崩塌随着国家“一带一路”和“全球能源互联网”战略的构建和实施,山区复杂地质环境条件下的输变电工程建设越来越多。然而,现阶段对于输变电工程崩塌（滚石）灾害识别、预测和评价方法等方面的研究相对较少,难以有效解决山区崩塌（滚石）灾害频发与输变电工程安全建设、运营之间不断增长的矛盾。鉴于此,作者借助航空遥感、无人机航测、岩体结构分析工具、崩塌（滚石）运动数值模拟软件等新技术方法等,对山区输变电工程中崩塌（滚石）灾害识别与预测方法等开展了相关研究。提出:（1）基于区域工程地质分区-区段遥感分析-山体无人机航拍-岩体结构特征分析的思路,实现对长距离、大区域山区输变电工程的崩塌（滚石）危岩体快速识别和分析;（2）利用三维崩塌（运动）模拟方法快速识别崩塌（滚石）在杆塔（变电站）范围的到达情况,然后再利用多种方法对比确定能到达杆塔（变电站）范围内崩塌（滚石）的冲击特征;（3）山区输变电工程崩塌（滚石）灾害风险计算方法。     

基于错误式学习的低空影像人行横道多角度自动识别

提出了一种基于特征的错误式学习分类器半自动迭代训练方法,该分类器能够自动识别多角度低空影像上的人行横道线,在人行横道线管控与数据库建立、道路网提取上有较好的应用。介绍了基于错误式学习的分类器训练思路与方法,并提出了将同一地区不同角度低空影像的识别结果进行合并,从而尽可能全面的检测出被城区高楼以及车辆遮挡的人行横道线的思路。通过对比实验该方法的鲁棒性,并在其基础上随机选取多组数据进行系列实验,证实了基于错误式学习的分类器比传统方式训练的分类器有更好的综合性能,能够在不降低识别耗时的前提下产生高准确率、低漏检率和低误识别率的识别结果。