一种新的边缘直线拟合方法

针对直线提取过程中的断裂问题,该文提出一种新的边缘拟合直线方法,首先采用Canny算法提取边缘图;接着利用改进ZS算法对边缘图进行细化处理;然后通过端点检测、交叉点跟踪、闭合边缘跟踪等方法,实现边缘链码的完整性提取;最后利用边缘链码跟踪顺序进行直线提取。通过多幅影像的实验结果表明,该文所提出的算法能够精确实现边缘直线信息的拟合,便于对影像结构信息的清晰理解。     

钢框架结构地震响应与破坏过程的耐震时程分析

耐震时程法（ETM）是一种基于动力时程的结构抗震分析方法,其典型表征在于随着持续时间的增加,地震动强度逐渐增大。本文合成了基于中国抗震反应谱的耐震时程曲线,并以此作为输入,对一个8层3跨钢框架结构的抗震性能进行了分析和评估。采用增量动力分析方法（IDA）对结构在不同耐震持时下的整体响应进行了评估;以大震下天然地震动分析结果为标准,对比了结构在耐震时程曲线（ETA）作用下的塑性铰分布概率、形成顺序和延性分布。研究结果表明：耐震时程法能较好地预测钢框架结构的非线性动力响应及破坏过程,且分析次数少,这为钢框架结构的抗震性能快速分析与评估提供了一种新的手段。     

强度变化对崩坡积体堆积机制及稳定性影响研究

利用颗粒流PFC2D建立了岩土体物理模型,在此基础上设计了均以物理模型折减计算初始模型和以前一折减计算结果为下次折减计算初始模型两类计算条件,每一类又设计了只对凝聚力折减、仅对内摩擦角折减、强度参数同时折减3种计算方案,每种计算方案又包含折减1.0、0.50、0.10、0.01、0.0倍等5个计算工况。经对坡面演替、监测点x方向速度变化曲线等计算结果的对比分析发现：凝聚力对于岩土体的直立特性起控制作用,破坏模式多为崩塌倾倒模式;内摩擦角对于稳定坡角具有重要影响;强度参数同时衰减时,强度参数弱化幅度较大情况下岩土体呈散体物质破坏模式,为滑移渐进破坏模式,其中凝聚力弱化0.1倍前后（约10 kPa）后,破坏模式由崩塌破坏转变为滑移破坏。     

RSN符号代码及其在水系地貌特征提取中的应用

研究了自相似河网模型的发生元构成,提出用符号代码标识RSN的初始元和发生元,这种代码依据三个参数:河网的价、发生的元节点数、外链分叉夹角。给出了由此代码计算地貌特征的流程图。采用四种常用内链和外链发生元作为发生元,利用模拟流域基于宽度函数的地貌瞬时单位线为优化目标生成RSN,并计算其地貌特征。     

坑道钻探施工技术规程探讨

坑道钻探在地质勘查、矿山勘探等活动中的应用越来越广泛,尤其是在地表钻探工程受地形深切割而制约搬迁时,矿山企业为延长矿山服务寿命,坑道钻探就成为了首选的勘探技术。但由于其设备模块、作业环境、安全施工条件等特点,坑道钻探的施工安全、钻深能力无法满足日益发展的地质勘查和施工管理要求。同时,我国对坑道钻探的行业规范尚待补充、完善。正确评价安全施工条件、分析其施工特点,并制定相应的工艺方法,能有效保障坑道钻探的安全施工和钻探施工能力。本文以坑道钻探设备、工艺、施工环境、施工经验等为依据,结合多年的坑道钻探经验,整理了全液压坑道钻探施工特点,并将坑道钻探普遍的方法、公约整理成标准并形成规程,在指导坑道钻探安全、高效生产的同时,为安全管理提供依据,为补充和完善行业规范提供参考。     

海洋环流模式NEMO的代码现代化

海洋数值模式是精准海洋环境预报的核心手段.随着计算分辨率的不断提高,海洋数值模式对计算性能的要求也越来越高.为了提高模式计算性能,充分发挥现代计算机的特点,选取海洋环流模式NEMO开展了代码现代化优化方案在海洋环流模式中的应用研究.首先使用Intel性能分析工具对模式的计算性能进行了分析;随后,针对热点函数,开展了编译...     

气候变化和人类活动对鄱阳湖水龄影响的定量区分

在气候变化和人类活动的双重影响下,湖泊内部的水动力条件正发生重大的变化,进而影响到湖泊水环境的变化.水龄是颗粒物从入口传输到指定点的时间,可以定量反映水体的运动和交换程度以及滞留情况.如何定量区分人类活动与气候变化对水龄的影响程度,对湖泊水资源科学管理和水环境的治理有着重要的科学意义.本文耦合了深度学习网络和传统二维水...     

区域管理信息系统数据分类体系与编码结构

区域管理信息系统是为区域规划、管理和决策服务的。经调查研究和系统设计,系统的数据分类体系一般需要7—8级分类才能把有关专题图上最小图斑的内容或属性表示出来。7—8级分类体系中最高的3级分类为高位分类,是各级区域管理信息系统中必须具有的分类。低位分类是第3级高位分类的细化,具有更强的学科性。由于它涉及的学科繁多,各专题分类形式各异。最后决定用32位数字组成区域管理信息系统的数据分类编码,其含有高位分类码、低位分类码、区位码、时间码、顺序码和机动码,分别占用4、8、6、6、4和4位码。便于各级区域管理信息系统之间的数据共享和交换。     

Multi-hazard susceptibility mapping based on Convolutional Neural Networks

Multi-hazard susceptibility prediction is an important component of disasters risk management plan. An effective multi-hazard risk mitigation strategy includes assessing individual hazards as well as their interactions. However, with the rapid development of artificial intelligence technology, multi-hazard susceptibility prediction techniques based on machine learning has encountered a huge bottleneck. In order to effectively solve this problem, this study proposes a multi-hazard susceptibility mapping framework using the classical deep learning algorithm of Convolutional Neural Networks (CNN). First, we use historical flash flood, debris flow and landslide locations based on Google Earth images, extensive field surveys, topography, hydrology, and environmental data sets to train and validate the proposed CNN method. Next, the proposed CNN method is assessed in comparison to conventional logistic regression and k-nearest neighbor methods using several objective criteria, i.e., coefficient of determination, overall accuracy, mean absolute error and the root mean square error. Experimental results show that the CNN method outperforms the conventional machine learning algorithms in predicting probability of flash floods, debris flows and landslides. Finally, the susceptibility maps of the three hazards based on CNN are combined to create a multi-hazard susceptibility map. It can be observed from the map that 62.43% of the study area are prone to hazards, while 37.57% of the study area are harmless. In hazard-prone areas, 16.14%, 4.94% and 30.66% of the study area are susceptible to flash floods, debris flows and landslides, respectively. In terms of concurrent hazards, 0.28%, 7.11% and 3.13% of the study area are susceptible to the joint occurrence of flash floods and debris flow, debris flow and landslides, and flash floods and landslides, respectively, whereas, 0.18% of the study area is subject to all the three hazards. The results of this study can benefit engineers, disaster managers and local government officials involved in sustainable land management and disaster risk mitigation.