纵览九州

正龙岩:促进军民融合产业加快发展2016年以来,福建省龙岩市通过实施军民融合产业发展专项行动、推进产业集聚发展、强化服务落实责任等措施,以促进军民融合产业深度发展,培育新经济增长点,推动产业转型升级。推进产业集聚发展。加快推进龙岩经济技术开发区(龙岩高新区)为主体、一区多园的国家军民结合新型工业化产业示范基地创建工作,支持地方政府规划建设军民融合产业园(基地)。对获得国家、省级新型工业     

便携式高频地波雷达海流探测长周期工作性能试验

2013年1月29日至3月15日在台湾海峡西南部海域进行了OSMAR-S100便携式高频地波雷达与浮标观测海流数据的长周期对比试验,验证了雷达系统在探测海流方面的准确性、可靠性和稳定性.通过实测海流与雷达矢量流的复相关分析,选定3 m层的海流为对比代表层.试验期间实测流速为0.0~120.0 cm/s,雷达海流有效探测区内的矢量流流速、流向的观测误差较小,能够满足实时监测海洋表层流的需要,高精度区流速、流向的均方根误差分别为9.1 cm/s和24.8°,边缘区的均方根误差为13.3~24.8 cm/s和39.4°~39.6°,与国内外达到业务化运行要求的同类产品实际观测精度相当.     

中国航磁大地构造单元划分

本文以我国截止到2011年基本覆盖陆域及部分海域的航磁数据编制的全国航磁系列图为基础,以航磁反映的区域磁场和磁性基底起伏特征为依据,汲取主流大地构造观的划分理念,以板块构造理论及大陆动力学思想为指导,以磁场反映的构造特征为切入点,结合重力、遥感、地质资料对中国陆域构造单元进行划分。大地构造单元划分4个级别:一级构造单元为陆块区和造山系,共划分出8个;二级构造单元为陆块、弧盆系和地块,共划分出32个;三级构造单元为盆地、坳陷带(区)和隆起带(区),共划分出85个;四级构造单元为隆起和坳陷,共划分出332个。本划分方案旨在为油气地质构造背景研究及油气勘探提供一份地球物理资料。文中重点讨论了一、二级构造单元界线厘定的磁场依据及与前人划分存在的不同之处,而三、四级构造单元完全依据磁场及磁性基底起伏情况进行划分,并在盆地和坳陷区给出了深度信息,这为油气勘探者提供了必要的技术支撑。同时,借助丰富的航磁信息提示出一些地质构造方面难解现象,供同行专家参考与讨论。     

包气带反硝化强度空间分布规律的整合分析

依据1970~2017年间发表的3955篇包气带反硝化强度相关论文,筛选出197组反硝化强度数据,利用整合分析,重点研究了包气带反硝化强度在典型生态类型（水平）和不同采样深度（垂向）的空间分布规律,识别了包气带反硝化强度的主控因素并研究其函数关系。结果表明:水平空间上,包气带表层0~0.5 m反硝化强度的分布特征显著,由大到小排序为:森林（8.03±0.21 mg/（kg·d））、农田（3.54±0.08 mg/（kg·d））、草地（3.38±0.12 mg/（kg·d））、湿地（2.32±0.23 mg/（kg·d））、沙漠（2.15±0.56 mg/（kg·d））。垂向空间上（6 m内）,各生态类型反硝化强度随深度的增加均呈“S”型变化规律。不同生态类型和不同采样深度下包气带反硝化强度的主控因素存在一定差异,主要为黏粒、有机质、全氮、硝态氮、有效磷,并给出了包气带反硝化强度与主控因素的回归方程。     

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。     

改进的GOTURN算法

随着基于深度学习的算法在计算机视觉领域中的应用不断拓展,GOTURN(Generic Object Tracking Using Regression Networks)算法是第1个满足目标跟踪实时性要求的深度学习算法(达到100 fps),但是该算法的跟踪精度有待提高。针对此问题,采用基于运动估计的卡尔曼滤波算法与基于卷积神经网络的深度学习算法相结合的方法,将卡尔曼滤波算法融入GOTURN算法进行目标跟踪。为了验证该算法的有效性,在ILSVRC2014数据集和ALOV300++数据集中进行了训练和评估。实验结果表明,该算法不仅能够满足目标跟踪的实时性要求,而且能够提高线性系统的跟踪精度。     

基于差分筛选的YOLOv2监控视频目标检测方法

监控视频的多目标跟踪是视频智能分析的热点研究内容,其中目标的检测是目标跟踪的基础,精度高、速度快的目标检测器对于后续的实时分析任务尤为重要。提出一种针对监控视频的基于差分筛选的YOLOv2目标检测算法,采用差分算法筛选无前景目标帧及设置重叠度量阈值进行跨帧检测,改善了YOLOv2作为检测方法用于监控视频多目标跟踪任务时速度过慢的不足,同时高精度的检测结果有利于下一步多目标跟踪任务的顺利完成。利用NPLR监控视频数据集对YOLOv2目标检测算法进行了测试,并将该方法与可变型部件模型DPM进行了比较。结果表明,差分YOLOv2方法在精度上高出DPM方法0.304 6,检测时间快了26倍左右,验证了该算法的有效性。     

利用主动深度学习提取极化SAR影像建筑区

针对利用传统监督分类方法从极化SAR影像中提取建筑区存在标记样本数量不足、难以挖掘有效特征等问题,提出一种主动学习与深度学习相结合的极化SAR影像建筑区提取方法。首先通过自动编码器对训练样本训练得到初始分类器;接着利用主动学习得到未标记样本中最富有信息量的样本进行人工标记;并将标记好的样本加入到训练样本中重新训练分类器。分别采用RADARSAT-2和ALOS-2极化SAR影像进行实验。结果表明传统的SVM方法和深度学习的方法加入主动学习后建筑区的提取精度都有所提高,而主动深度学习方法的提取效果优于主动SVM方法。     

基于多源高分辨率遥感影像的2 m不透水面一张图提取

不透水率是衡量城市生态环境状况的一个重要指标。当前全球范围内仅有1 km和30 m分辨率尺度的不透水面专题信息,无法满足城市尺度水文模型建模、海绵城市规划和建设需求。提出了图谱信息融合的不透水面提取模型,实现了基于深度学习的不透水面提取新方法,研制了不透水面遥感全流程提取和监测软件。基于多源高分辨率遥感影像首次完成了中国31个省（直辖市、自治区）的2 m不透水面专题信息提取,形成全国不透水面一张图,为海绵城市和生态城市的建设提供了基础数据支撑和技术监测手段。     

波致海床瞬态液化对再悬浮贡献率的深度学习预测方法

波致瞬态液化渗流导致海床内细粒沉积物向海水中运移,这一过程对海底沉积物再悬浮的贡献率不容忽视,但是贡献率的准确估计和预测比较困难。本研究将黄河水下三角洲的观测数据(包括水深、有效波高、有效波周期、实验舱内悬沙浓度、实验舱外悬沙浓度)作为模型输入数据集,基于长短时记忆循环神经网络建立了瞬态液化对再悬浮贡献率的深度学习预测模型。为了客观评价模型的性能,以平均绝对百分比误差、均方根误差和平均平方误差-标准偏差为评判标准,将该深度学习模型与其他预测模型(支持向量回归模型、人工神经网络)的预测结果进行了比较。结果表明,基于长短时记忆循环神经网络的深度学习模型对3.5d以内的瞬态泵送再悬浮贡献率预测误差最小,其平均绝对百分比误差、均方根误差和平均平方误差-标准偏差分别为5.87%、1.6730、0.1574。因此,该模型可以有效地减少机器学习方法在连续预测中产生的误差叠加问题。