无人机高光谱影像分层分类的松材线虫病监测

松材线虫病在秦岭以南传播广、蔓延快,利用遥感技术提取病害松可为疫情防控提供数据支撑。以无人机获取的高分辨率、高光谱数据为基础,捕捉区分病害松与健康松的特征波段,提出一种结合植被指数与小波神经网络的林地分层分类新方法,用于提取病害松树冠图斑。病害松识别结果与实地核查数据对比表明,分层分类结果与实地核查情况基本一致,病害松识别总精度达到89.87%,优于单一使用支持向量机、小波神经网络的分类结果。林地分层分类新方法与传统分类方法相比,分类精度更高,所需的样本更少。无人机高光谱数据信息丰富,病害松、健康松在可见光、近红外范围内均有光谱敏感特征,后续应进行病害松时序光谱监测,进一步研究松材线虫病害影响因子。     

基于多输入卷积神经网络的天然地震和爆破事件识别

天然地震和爆破事件识别是地震监测预警的重要内容.近年来,快速发展的深度学习算法以其强大的数据特征挖掘和图像识别能力,能够较快并准确地约束地震事件属性.利用多输入卷积神经网络算法构建天然地震和爆破事件自动分类网络模型,其中输入信息包括多台站地震波形和单台站的地震时频数据,使得卷积神经网络同时获取事件的波形、频谱和极性特征...     

水下航行体远场低频声特征提取鉴别方法综述

针对水下大型航行体的小样本远场低频特征提取与鉴别问题,从3个方面综述了目前国内外小样本低频特征提取与鉴别的传统方法和智能方法。时频域单独、时频域结合和视听感官特征提取的传统方法需要一定的先验知识与假设,易受环境干扰;专家系统、统计类方法和BP神经网络等早期的智能方法存在可移植性差、学习能力差、上限低、梯度消失等问题;深度置信网络（DBN）、卷积神经网络（CNN）、循环神经网络（RNN）、自编码器（AE）神经网络、生成对抗网络（GAN）、迁移学习深度网络等深度智能方法对先验知识依赖度低,可以提取深度不变特征,较其他方法更稳定,识别精度更高,但是也存在依赖数据量、可解释性不足的缺点。未来,传统方法与智能方法更深度的互补融合有望减少当前方法对数据量的依赖,提高深度特征的可解释性。     

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。     

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。     

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。     

车载探地雷达地下目标实时探测法

中国的城镇化加快了地下空间大规模开发与利用的进程。摸清地下空间目标的分布状况,保障城市可持续发展和地下空间资源的永久利用,是维护未来城市安全中的重要任务。探地雷达(GPR)凭借其数据采集速度快、成像分辨率高、无损检测等优点在地下空间资源调查中得以广泛应用。但仍存在GPR数据地下目标识别不准确、自动化程度低等缺陷,自动检测GPR数据中的地下目标或目标缺陷仍然是一个亟待解决的难题。为此,本文分析并确定了GPR影像中可进行识别的城市道路地下空间的7类典型目标(如雨水井、电缆等)。并根据其反射信号特征,标记了GSSI SIR30设备以400 MHz波段采集的GPR数据中的典型地下目标,构建了GPR地下目标样本库,共包含7类总数为3033个。通过迁移学习的方法,精调预训练后的Darknet53网络参数,通过端到端的YOLOV3检测方法完成地下目标的自动识别与定位。最后,利用深圳福田区彩田路GSSI SIR30装备以400 MHz波段采集的GPR数据进行试验验证。试验结果表明,本文提出的基于深度学习的地下目标探测方法对城市典型地下目标的检测精度和召回率达到85%以上,检测速度达到了16帧/s,能够有效探测GPR数据中的城市地下目标。