基于Siamese卷积神经网络的影像瓦片变化检测技术

针对地理信息变化较快而传统更新方式效率不高的问题,目前许多学者提出了各类变化检测的方法,但这些方法大都是基于影像数据进行试验,对影像预处理要求较高,且检测精度的稳定性较差,受数据源质量影响较大。而天地图、百度地图、谷歌地图等地图中均可免费下载各种级别的影像瓦片,因此本文提出利用天地图影像瓦片进行试验,采用Siamese卷积神经网络（SCNN）和深度学习技术,开发基于SCNN的高精度变化监测算法,以快速发现变化区域,实现地理信息变化信息检测。     

深度学习在高分辨率遥感影像冬油菜提取中的应用

近年来,深度学习在基于高分辨率遥感影像的农作物种植信息提取领域应用广泛。本文充分利用油菜在盛花期的光谱特征,提出了基于深度学习理论的单时相高分辨率遥感影像油菜分布提取方法。以2016年湖北省沙洋县作为研究区域,获取油菜盛花时期高分一号（GF-1）影像,并以沙洋县为基础影像,通过手工标记制作油菜训练样本。设计两种深度学习框架模型,一种以卷积神经网络（CNN）为框架,构建一维卷积神经网络（1D-CNN）模型,第二种以循环神经网络（RNN）为框架,组合门控循环单元（GRU）模型,训练标准样本模型,完成油菜分类提取。最后,与传统支持向量机（SVM）、随机森林（RF）方法进行了结果对比。试验结果表明,本文设计的基于深度学习CNN和RNN模型提取的冬油菜空间分布精度和面积精度皆优于其他两种方法,为进一步实现冬油菜提取自动化提供试验基础。     

基于BP人工神经网络平潭海域赤潮叶绿素a浓度模型演算研究

以福建平潭海域为研究对象、以叶绿素a浓度为输出指标,根据2009-2018年赤潮期数据规律及2013-2017年海洋监测数据主成分分析结果,对拟构建的BP模型进行输入指标筛选,选定结果包括4个气象因子和4个水质因子。基于此结果,对2013-2017年的698组海洋监测数据中叶绿素a浓度进行归一化处理并进行模型演算,随机选取80%数据作为演算模型的训练样本,其余进行模型验证。通过交叉变换输入指标,寻求最优的输入节点组合,以气温、溶解氧浓度、日照时长指标为输入参数时,BP模型误差较小(均方根误差为0.05μg/L,平均绝对误差为0.03μg/L),演算结果精度较高(可决系数R~2=0.81)。以上结果表明,气温、溶解氧浓度和日照时长对叶绿素a浓度表征效果较好,可为平潭海域以叶绿素a浓度作为判定指标的赤潮预警研究提供参考。     

基于长短时记忆神经网络的辽东湾海冰延伸期预报方法研究

通过合成分析和回归分析,研究了影响辽东湾海冰变化的局地和大尺度环流因子,并基于一种深度学习方法——长短时记忆神经网络(LSTM),建立了辽东湾海冰延伸期预报模型。结果表明,LSTM模型能较好地预报出未来15 d辽东湾海冰的总体发展趋势、浮冰外缘线离岸距离的振荡变化及峰值发生时间等关键特征,1～15 d预报的平均绝对误差为4.1～5.7 n mile~①,均方根误差为5.4～7.5 n mile。LSTM模型的预报时效可达到15 d,较目前海冰数值预报(5～7 d)的时效延长一倍,且运算速度极快,能够节省大量的计算资源和时间成本。该模型的建立为利用深度学习方法开展海洋和气象预报提供了一种新思路。     

基于EMD-NAR神经网络的大坝变形预测

为了使大坝变形的预测精度更高,针对大坝形变量的时间序列中存在着非平稳和非线性等曲线特性,使用一种经验模态分解(EMD)和非线性自回归动态神经网络(NAR)相结合的EMD-NAR模型对大坝形变时间序列进行预测。以某大坝实测的时间序列数据为算例,分别使用BP模型、NAR模型和EMD-NAR模型进行实验对比,结果表明,BP、NAR、EMD-NAR模型预测的均方根误差(RMSE)分别为0.9449,0.6993,0.4678;模型预测的平均相对误差(MRE)分别为0.1492,0.1065和0.0688,从三种模型预测结果对比可知,组合的EMD-NAR模型预测精度最高且稳定性最好,为时间序列的大坝形变预测提供一种新的参考思路。     

河口型水源地供水安全风险分类评估方法比选研究

为科学评估河口型水源地供水安全风险,基于水源地特点,在建立相应供水安全风险评估指标体系的基础上,采用层次分析法确定指标权重,结合选取灰色关联度法和BP神经网络法对某河口型水源地分别开展供水安全风险分类评估。以某次咸潮入侵事件数据为例,经采用两种方法评估后对比表明:灰色关联度法能较好地解决评价指标难以准确量化和统计的问题,具有定性与定量相结合评价精度较高的优点,更适合于河口型水源地供水安全风险分类评估。该水源地风险分类评价等级由高到低依次排序:水量风险(较高)→应急风险(较低)→工程风险(较低)→水质风险(低),其结果与实际相符。     

优选小波函数的小波神经网络预报GPS卫星钟差

为了提高卫星钟差预报的精度,针对小波神经网络(WNN)模型未能根据实际情况选取合适的小波函数的问题,本文提出一种基于"Shannon熵-能量比"的优选小波函数的小波神经网络钟差预报模型。首先利用小波函数对钟差一次差分数据进行连续小波变换,得到变换后的小波系数。然后分别计算小波系数的能量值和Shannon熵值,将"Shannon熵-能量比"(SEE)作为最优小波函数选择的评价指标,以指导选择最适合的小波函数作为WNN模型的激活函数。最后利用优选的WNN模型对卫星钟差进行预报,对预报的结果进行对比分析。结果表明:该评价指标能够根据卫星钟差实际情况准确指导WNN模型选择合适的小波函数,提高WNN模型的预报精度和适用性,使该模型可以实现卫星钟差较高精度的预报。     

基于深度学习的高分四号卫星图像超分辨率重建

针对高分四号卫星图像中波红外谱段空间分辨率远低于相应的可见光近红外谱段,提出一种基于深度学习的高分四号卫星图像中波红外谱段超分辨率重建方法。首先,设计卷积回归网络进行初步重建,利用8倍下采样的可见光近红外谱段和原始中波红外谱段训练回归网络。然后,设计卷积重建网络进行进一步重建,利用低分辨率初步重建结果和原始中波红外谱段训练重建网络。最后,将原始可见光近红外谱段依次输入到训练好的回归网络和重建网络,得到最终的中波红外谱段超分辨率重建结果。以湖北和江西部分地区真实数据进行试验,结果表明该方法能有效提高中波红外谱段空间分辨率,与其他方法对比均方根误差至少下降了7.54,且目视效果更清晰自然,有利于扩展高分四号卫星的应用范围。     

基于Sentinel-1A的全球有效波高的反演研究

本文利用神经网络的技术手段,针对Sentinel-1A二级波模式数据提出一种用于海浪有效波高(Hs)反演的模型——N_N模型。该模型在基于ERS2 SAR波模数据开发的双参数模型的基础上,加入经度、纬度、方位向截断波长(λ_c)、图像偏斜(skewness,skew)、图像峰度(kurtosis,kurt)、卫星平台距目标物的距离与卫星飞行速度之比(β)等其他参数信息,根据不同输入参数的组合,建立了14个模型用于Hs反演,旨在分析各参数对有效波高反演的影响。通过分析表明,14个N_N模型相关系数都在0.8以上。随着λ_c、β参数的加入,N_N模型性能均大幅上升,且λ_c参数对模型性能的改善作用更加明显,相关系数提升0.06左右,均方根误差(Root Mean Squared Error,RMSE)下降0.12m左右。另外,skew与kurt的加入也使N_N模型性能有所改善,RMSE下降0.03m左右,相关系数提升0.01左右。其中,N_N10模型效果最佳且性能最稳定,与欧洲中程天气预测中心(the European Centre for Medium-Range Weather Forecasts,ECMWF)数据对比,相关系数(CORR)达到0.905,散射指数(Scattering Index,SI)与RMSE最低,分别为18.74%、0.502m,与独立测量的浮标数据的相关系数达到了0.894。     

基于粒子群算法优化的BP神经网络在海水水质评价中的应用

针对目前存在的海水水质受多因素影响、评价难的现状,提出了一种基于粒子群算法（PSO）优化误差反向传播（BP）神经网络的海水水质评价模型。该模型通过PSO得到BP神经网络最优的权值和阈值,结合青岛东部海域10个监测站点的数据得到水质评价结果。实验证明,该模型和单因子评价、传统的BP神经网络评价相比较,具有训练时间短、预测精度高的特点,在海水水质评价中具有良好的应用价值。