面向高光谱影像分类的生成式对抗网络

为了提高高光谱影像分类精度,提出了一种基于生成式对抗网络的高光谱影像分类方法。生成式对抗网络由生成器、判别器和分类器3部分组成,其中生成器用于模拟高光谱样本的数据分布,生成特定类别的样本;判别器是一个二值分类器,用于判断输入的样本是否为真实数据;分类器用于对输入的样本进行分类。利用反向传播算法依次更新生成器、判别器和分类器的网络参数使损失函数最小,从而达到训练网络的目的。生成器和判别器能够模拟高光谱影像的样本分布来辅助训练分类器,因此能够提高高光谱影像的分类精度。分别采用Pavia大学和Salinas高光谱数据集进行分类试验,试验结果表明提出的分类方法能够在小样本条件下提高高光谱影像的分类精度。     

嵌入性对古村落旅游地经济可持续发展的影响机制研究——以西递、宏村为例

以西递和宏村发展路径的演变为例,借助嵌入性概念,解释了2个古村落兴衰交替的成因和影响,揭示该类旅游目的地可持续发展的机制。结论认为,高嵌入性可以带来较稳定的社区发展模式和和谐的利益分配方式,但是对产业升级存在双重制约作用,而低嵌入性所起到的作用刚好相反,二者的权衡在于旅游漏损的多与少、学习渠道的盈与缺之间。从动态角度看,对于古村落旅游可持续发展而言,学习机制比利益分配机制更重要;当学习机制有效发挥作用,带动产业升级发展,从而带来更加丰厚的利润时,分配不均的矛盾有机会被消解。     

Learning from data for wind-wave forecasting

Along with existing numerical process models describing the wind-wave interaction, the relatively recent development in the area of machine learning make the so-called data-driven models more and more popular. This paper presents a number of data-driven models for wind-wave process at the Caspian Sea. The problem associated with these models is to forecast significant wave heights for several hours ahead using buoy measurements. Models are based on artificial neural network (ANN) and instance-based learning (IBL) .To capture the wind-wave relationship at measurement sites, these models use the existing past time data describing the phenomenon in question. Three feed-forward ANN models have been built for time horizon of 1, 3 and 6 h with different inputs. The relevant inputs are selected by analyzing the average mutual information (AMI). The inputs consist of priori knowledge of wind and significant wave height. The other six models are based on IBL method for the same forecast horizons. Weighted k-nearest neighbors (k-NN) and locally weighted regression (LWR) with Gaussian kernel were used. In IBL-based models, forecast is made directly by combining instances from the training data that are close (in the input space) to the new incoming input vector. These methods are applied to two sets of data at the Caspian Sea. Experiments show that the ANNs yield slightly better agreement with the measured data than IBL. ANNs can also predict extreme wave conditions better than the other existing methods.     

基于特征压缩激活Unet网络的建筑物提取

自动提取城市建筑物对城市规划、防灾避险等行业应用具有重要意义,当前利用高空间分辨率遥感影像进行建筑物提取的卷积神经网络在网络结构和损失函数上都存在提升的空间。本研究提出一种卷积神经网络SE-Unet,以U-Net网络结构为基础,在编码器内使用特征压缩激活模块增加网络特征学习能力,在解码器中复用编码器中相应尺度的特征实现空间信息的恢复;并使用dice和交叉熵函数复合的损失函数进行训练,减轻了建筑物提取任务中的样本不平衡问题。实验采用了Massachusetts建筑物数据集,和SegNet、LinkNet、U-Net等模型进行对比,实验中SE-Unet在准确度、召回率、F1分数和总体精度 4项精度指标中表现最优,分别达到0.8704、0.8496、0.8599、0.9472,在测试影像中对大小各异和形状不规则的建筑物具有更好的识别效果。     

基于街景图像的城市环境评价研究综述

城市环境评价研究传统上采用基于现场调研的方法,难以在大范围、精细化的尺度上进行评估。街景图像具有覆盖面广、能提供街道层级景观信息,且数据采集成本低的优势,为城市环境评价研究提供了大样本数据源和新的研究思路。人工智能技术的不断突破和其在各领域的应用,使得在大范围空间尺度上,基于街景图像进行城市环境评价研究成为可能。本文首先对城市环境评价常用的3种数据源（街景图像、遥感影像和地理标记社交媒体数据）进行对比分析,归纳街景图像在城市环境评价中的优势;然后,从方法学的角度把基于街景图像进行城市环境评价过程中使用的方法分为4大类别（基于图像分析的方法、基于统计分析的方法、基于人工智能的方法和基于空间分析的方法）;接着,从城市物理环境、社会环境、经济环境、美学环境,综述了街景图像在城市环境评价中的应用研究进展;最后,对现有研究成果进行了总结并对未来研究方向提出展望。     

基于深度学习的中国地面气温的多模式集成预报研究

基于TIGGE资料中的欧洲中期天气预报中心、英国气象局、美国国家环境预报中心、韩国气象厅和日本气象厅2015年1月1日—9月30日中国及周边地区地面2 m气温24～168 h集合预报资料,利用长短期记忆神经网络(Long Short-Term Memory,LSTM)、浅层神经网络(Neural Networks,NN)、滑动训练期消除偏差集合平均(BREM)和滑动训练期多模式超级集合(SUP)方法对2015年9月5—30日26 d预报期进行集成预报试验。结果表明,BREM对5个单模式进行等权集成,预报结果易受预报效果较差模式的影响,整体预报技巧略低于单个最优模式ECMWF的预报技巧。其中在新疆南部,等权集成后的预报技巧更低。SUP的预报结果比所有单个模式预报更为准确。在144 h之前,SUP的误差明显小于ECMWF的预报误差,但随预报时效增加,误差增长幅度增大。NN对地面气温的预报效果与SUP的预报效果相当。LSTM整体预报效果最好,特别是在预报时效较长(超过72 h)时,比其他方法预报准确率明显提高。LSTM神经网络方法明显改进了我国西北、华北、东北、西南和华南大部分地区的气温预报,但在南疆部分地区误差较大。     

同构迁移学习理论和算法研究进展

迁移学习的目的是解决目标领域中训练样本不足的学习问题,可以把一些在其他相关的源领域中获得的知识,迁移到目标领域中.它放宽了传统机器学习中的两个基本假设：用于学习的训练样本与新的测试样本满足独立同分布的条件;必须有足够可利用的训练样本才能学习得到一个较好的分类模型.按照源领域和目标领域的特征空间是否相同可划分为同构迁移学习和异构迁移学习.本文主要针对同构迁移学习的相关研究进展进行了综述,从理论、算法、应用方面介绍了在该领域所做的研究工作,并指出了同构迁移学习未来可能的研究方向.     

数值天气预报多要素深度学习融合订正方法

数值天气预报作为现代天气预报的主流技术方法,近年来不断朝着精细化方向发展,但预报误差至今仍无法避免.文中在CU-Net模型中引入稠密卷积模块形成数值预报要素偏差订正模型Dense-CUnet,在此基础上进一步融合多种气象要素和地形特征构建了Fuse-CUnet模型,开展不同模型的偏差订正试验和对比分析.以均方根误差(R...     

基于机器学习的冰雹天气识别研究

利用2017—2019年贵州省威宁彝族回族苗族自治县的C波段天气雷达数据,提取了多种与冰雹相关的雷达特征参量,并结合地面降雹记录建立了客观的冰雹样本标记方法。通过支持向量机、决策树和朴素贝叶斯三种机器学习方法,对冰雹高发区贵州省威宁的冰雹天气过程进行建模与评估。评估结果表明,采用机器学习方法可以有效地识别冰雹天气过程。支持向量机和决策树方法的命中率(Probability of Detection, POD)均较高,分别为88.9%和90.5%;临界成功指数(Critical Success Index, CSI)分别为73.1%和70.3%;误报率(False Alarm Rate, FAR)分别为19.6%和24.1%。朴素贝叶斯方法的POD和CSI相对偏低,分别为67.8%、62.8%,但FAR最低,为10.6%。     

The Coordinated Influence of Indian Ocean Sea Surface Temperature and Arctic Sea Ice on Anomalous Northeast China Cold Vortex Activities with Different Paths during Late Summer

The Northeast China cold vortex(NCCV) during late summer(from July to August) is identified and classified into three types in terms of its movement path using machine learning. The relationships of the three types of NCCV intensity with atmospheric circulations in late summer, the sea surface temperature(SST), and Arctic sea ice concentration(SIC) in the preceding months, are analyzed. The sensitivity tests by the Community Atmosphere Model version 5.3(CAM5.3) are used to verify the statistical...