生成模型学习的遥感影像半监督分类

以生成模型最大似然估计为例,引入结合已标记样本和未标记样本的半监督分类方法来解决遥感影像分类中的小样本问题,应用已有的少量已标记样本初始化一个分类器,结合大量未标记样本,通过递归计算的方式对分类器进行优化,直到包含所有样本的似然函数收敛到局部极大值。通过分析遥感影像待分类类别与影像中地物类型固有特征之间的关系,设计两个在不同生成模型假设下的分类实验。结果表明,未标记样本的参与可在很大程度上提高小样本条件下的影像分类精度,但两种样本的数量应保持一个适当的比例。最后通过与在解决小样本分类问题方面有独特优势的SVM方法的分类比较,发现在小样本情况下,本文方法具有更好的应用潜力。     

地面数字化测图网络自主学习系统的设计与实现

以地面数字化测图模拟与仿真平台为基础,研究基于GIS技术的地面数字化测图模拟与仿真平台可视化仿真方法,建立地面数字化测图网络自主学习系统,引导学生在提出问题的基础上自主选择解决问题的方法、途径和工具,建立探究性实验教学模式,从而培养学生的实践和创新能力。     

基于Sentinel-3 OLCI影像的巢湖藻蓝素浓度年内动态遥感监测

藻蓝素(PC)是水体蓝藻的指示性色素,其浓度反映了蓝藻生物量,利用卫星遥感监测藻蓝素浓度年内动态对蓝藻水华的有效防控有着重要意义.根据不同季节的巢湖藻蓝素浓度实测数据与同期Sentinel-3 OLCI影像,构建机器学习回归反演模型,应用于巢湖2019年OLCI影像集上,对巢湖藻蓝素浓度的空间分布、年内变化进行遥感监测...     

基于深度学习到时拾取自动构建长宁地震前震目录

将深度学习到时拾取、震相关联技术与传统定位方法联系起来,构建一套连续波形自动化处理与地震目录自动构建流程,对于高效充分利用地震资料,提升微震检测能力具有十分重要的意义.我们应用最新发展的迁移学习震相识别技术、震相自动关联技术,对长宁M_S6.0地震震中附近21个台站震前半个月(6月1日—6月17日)的连续记录波形进行P、S震相识别、震相自动关联和初步定位,并应用传统绝对定位和相对定位技术得到了长宁地震震前微震活动的绝对和相对定位目录.其中绝对定位目录能在较小的误差范围匹配85%的人工处理目录,其发震时刻平均误差为0.36±0.07 s,震级平均误差为0.15±0.024级,水平定位平均误差为1.45±0.028 km,其识别的1.0级以下微震数目是人工的8倍以上,将长宁地震震前微震目录的检测下限提升至M_L-1左右,证明了基于深度学习到时识取和REAL (Rapid Earthquake Association and Location,快速震相关联和定位技术)震相自动关联来构建微震目录具有较好的实用性.我们的自动地震目录揭示了长宁M_S...     

基于SHAP值机器学习的江西暖季暴雨预报因子重要性分析

机器学习模型（Machine Learning,ML）的不可解释性给其在气象业务中的应用带来了挑战。模型解释和可视化是解决这一问题的有效途径。文中将SHAP值应用于天气预报ML模型解释,研究了江西省暖季暴雨模型的预报因子对预报结果的影响。分别选取2016—2020年、2021—2022年4—9月ECWMF（European Centre for Medium-Range Weather Forecasts）高分辨率数值模式物理量及国家站降水观测数据进行XGBoost 建模与模型解释。结果表明,全局重要性排名前4位依次是总降水（重要性42.70%）、850 hPa比湿（重要性11.17%）、925 hPa相对湿度（重要性10.44%）、500 hPa相对湿度（重要性 9.16%）。个例分析表明,命中个例中高重要性物理因子在暴雨区的 SHAP 值较大,漏报（空报）个例在漏报（空报）区域高重要性物理因子的SHAP值偏小（偏大）。SHAP值从全局和局部可定量给出ML模型有物理意义的解释,解释结果与天气学原理和业务经验较一致,有利于ML在气象业务中的深入应用。     

基于卷积神经网络的无人机影像违章建筑检测应用

无人机航拍影像具有分辨率高、回访周期短等特点,利用无人机遥感技术手段对城市范围的建设进行动态监测,可及时、有效地发现涉嫌违法的建设活动.本文结合实际项目需求,研究通过卷积神经网络方法进行违章建筑的自动检测,替代过去靠大量人力检查的模式,目前测试区域无人机影像试验取得了较好的效果,在样本数据不足5000份的情况下,准确率...     

An enhanced ensemble Kalman filter scheme incorporating model error in sequential coupling between flow and geomechanics

In this work, we construct a new methodology for enhancing the predictive accuracy of sequential methods for coupling flow and geomechanics while preserving low computational cost. The new computational approach is developed within the framework of the fixed-stress split algorithm procedure in conjunction with data assimilation based on the ensemble Kalman filter (EnKF). In this context, we identify the high-fidelity model with the two-way formulation where additional source term appears in the flow equation containing the time derivative of total mean stress. The iterative scheme is then interlaced with data assimilation steps, which also incorporate the modeling error inherent to the EnKF framework. Such a procedure gives rise to an “enhanced one-way formulation,” exhibiting substantial improvement in accuracy compared with the classical one-way method. The governing equations are discretized by mixed finite elements, and numerical simulation of a 2D slab problem between injection and production wells illustrate the tremendous achievement of the method proposed herein.     

Using data‐driven methods to explore the predictability of surface soil moisture with FLUXNET site data

Soil moisture (SM) is a key variable of land surface‐atmosphere interactions. Data‐driven methods have been used to predict SM, but the predictability of SM has not been well evaluated. This study investigated what variables and methods can be used to better predict SM for leading times of 7 days or longer with a global coverage of FLUXNET site data for the first time. Three machine‐learning models, that is, Bayesian linear regression, random forest, and gradient boosting regression tree, are used for the prediction. Variables including atmospheric forcing, surface soil temperature, time variables (year, day of year, and hour), the Fourier transformation of time variables, and lagged SM (7‐ to 14‐day lagged) were sequentially added into models. A framework with five experiments is designed for factorial exploration of SM predictability. A stepwise method was used to build the best models for each site. The performance of regression models became better when adding more explaining variables in most cases. The results showed that from 50 to 95% of variation of the best models can be explained. The important explaining variables are lagged surface SM, followed by day of year, year, soil temperature, and atmospheric forcing. The predictability of SM depends highly on SM memory characteristics and the persistence of seasonality. The effect of SM memory characteristics on SM prediction as an initial condition question has been widely discussed in this paper. Our results also provide an insight that mechanisms of seasonality effects on SM should be also paid more attention to.     

关联向量机及其在入侵检测中的应用探讨

介绍一种稀疏的贝叶斯学习算法——关联向量机(RVM)，它在再生核希尔伯特空间中学习，利用贝叶斯方法推理，推广能力好，与支持向量机相比不仅解更为稀疏而且不需要调整超参数。应用RVM的对小样本的良好分类能力，提出一种基于RVM的入侵检测原型系统。     

上海地区春季最高气温预报失败案例分析

本文分析了2015年3月17—18日上海地区连续两天发生最高气温预报失误的天气背景,并使用当日实况观测和业务预报使用的数值模式资料,剖析预报失败的原因,分析表明:对天空状况的误判是导致17日预报失败的主要原因,且东南风预报偏强更进一步增大了预报误差;冷空气影响时间的判断失误是导致18日预报失败的主要原因。从模式预报的实时检验、预报的跳跃性和不确定性角度分析了预报中存在的问题:预报员应重视本地和上游实况,从传统对单一确定性模式预报的依赖向多模式多起报时次及能提供概率预报和不确定性信息的业务集合预报的分析思路转型。此外,还需加强对集合预报的系统性检验、评估及数值预报释用产品的开发,增加包含不确定性信息的公众天气预报发布形式。