基于无人船的大洋中尺度涡观测系统展望

中尺度涡在大洋中普遍存在,研究发现其能量比大尺度海洋环流的能量大一个量级,在海洋物质能量输运和全球气候变化中起着重要的作用。受观测条件限制,目前对中尺度涡的观测主要通过卫星高度计实现,只能从海面高度来推算中尺度涡大小、分布、强度及其伴随的水体和能量输送,而卫星高度计对中尺度涡垂直结构特征认识不足,也导致了对中尺度涡所引起的上层海洋能量、热量输送估计误差偏大。目前对中尺度涡三维结构观测认识不足,展望未来将会出现基于无人船平台的大洋中尺度涡三维结构自动观测系统,该平台将集成自动水下剖面观测功能等先进技术,以便观测中尺度涡的垂直结构特征及其时空变化特征,进而可对中尺度涡带来的物质和能量输送进行系统认识。     

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。     

盾构隧道点云典型要素分割

针对盾构隧道点云及其几何特征构建八叉树索引,使用体素化网格降采样进行点云降采样,利用统计特征滤波器达到精简点云,继而实现典型要素自动分割。结合点云精简算法,提高了随机抽样一致性(RANSAC)算法效率,通过拟合模型的几何特征,设置合理阈值,自动分割隧道典型要素。实验结果表明,该方法可以精确地分割出相邻距离阈值较小的盾构隧道典型要素,拟合的隧道半径与设计半径误差仅为3 mm;相比传统RANSAC算法,该算法运行速度提高了17倍,实现了相邻距离阈值达1.0 cm精度的目标分割。     

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。     

多尺度空间分析技术遥感影像去雾方法

基于多尺度空间分析技术构建了两种影像去雾方法。多时相参考影像去雾方法利用同一地区没有雾的影像作为参考,运用多尺度空间分析技术获取地面低频信息将雾去除。自动影像去雾方法是基于拓扑分析的多尺度空间分析技术,分析影像的纹理和特征信息,将同一场景中的雾和地面信息分离,从而获得去雾后影像。通过青岛地区大量遥感影像数据测试,证明该方法是非常有效的。     

基于双波段图像的玉米长势自动观测技术研究

基于双波段图像的玉米长势自动观测方法研究     

生物技术推进蓝色经济——NOAA组学战略介绍

NOAA希望通过基因组学、蛋白组学、代谢组学等各种生物组学(‘Omics)工具加强对海洋和五大湖地区生物群落的长期监测和了解,以有利于渔业管理、水产养殖业发展、食品和水安全、物种和栖息地保护、海鲜消费者保护以及天然产物发现等,实现生态系统资源的可持续管理。相比传统人工采样,组学与自动采样结合可以更高效地指示生态状况,也提供更详细的生物信息。但更多的信息也对机构计算能力和人员能力提出了新挑战。     

2008—2017年鄂西南区域极端降水特征及成因

利用地面区域自动站逐时降水观测资料,采用百分位方法,对2008—2017年5—9月鄂西南极端降水特征进行分析,利用卫星云图TBB和NCEP 0.5°×0.5°再分析场资料,对典型个例进行成因分析。结果表明:(1)鄂西南小时强降水和日降水量极端阈值范围差别较大,各站降水极端性程度没有可比性。小时强降水和大暴雨出现频率高的站点主要分布于有地形辐合和地形抬升的山脉四周,小时强降水多发生在00:00—03:00和16:00—19:00时段;(2)鄂西南极端降水发生最多的是东南部海拔高度相差大的鹤峰附近,低空急流和地形作用,使中尺度对流系统在东移过程中存在后向传播,导致降水持续时间长,累计雨量大;(3)对于不同时期的极端降水过程,其形成的热力、动力作用和垂直结构均不相同,6月的暖区极端降水,热力作用占主导,高层系统先于低层发展,而9月极端降水锋区明显,以动力作用为主,系统整层发展加强。     

2016—2017年贵州大雾时空分布及气象要素演变分析

利用2016—2017年自动站逐小时观测资料,统计分析了贵州大雾天气的时空分布特征;同时,结合天气图资料分析筛选了锋面大雾个例31 d和辐射大雾个例17 d,对比分析大雾生消过程中风、温、湿等气象要素演变特点。结果表明：(1)贵州大雾在秋末到初春较为频发;一天中夜间02—09时是大雾频发时段,07时达到峰值。(2)贵州自西向东有4个多雾区,分别为西南部区域、中部区域、东部边缘区域和北部局部区域。(3)锋面大雾主要出现在贵州中西部,范围最广时可达20个县站左右,持续时长可达10~13 h,单站可持续60 h以上。辐射大雾以贵州中东部地区出现较多,范围最广时可接近40个县站,远比锋面大雾范围广,持续时间相对较短。(4)大雾期间,10 min平均风速为0~3 m?s-1,相对湿度为97%~100%,温度露点差为0~0.5℃;辐射大雾初期或形成前气温呈下降状态,消散期升温较明显,地气温差呈现由负到正或由低到高的变化趋势,反映出近地层大气由较为稳定的逆温环境向不稳定环境变化的过程;锋面大雾初期的降温和后期的升温现象并不突出,地气温差也没有特定的变化规律,仅有部分个例与锋面大雾情况一致。     

网络环境下的前兆数据自动编排管理系统

通过在Intemet和局域网下开发的程序,实现了安徽省地震前兆数据自动编排管理。该网络程序可以自动检索和收集各地方台站上报的数据,然后将其按照规定的格式编排,通过纠错子系统检查无误后传至中国地震局数据中心。本系统可以将数据自动分类管理并做好备份,最大的优点是速度快、准确性高、操作方便。