基于深度学习的地质找矿大数据挖掘与集成的挑战

基于深度学习的地质找矿信息挖掘与集成已经成为数学地球科学的前沿领域.深度学习作为一种具有多级非线性变换的层级机器学习算法,在地质找矿大数据挖掘与集成中仍处于探索阶段,还有一系列问题亟需解决.以卷积神经网络为例,探讨了基于深度学习的地质找矿大数据挖掘与集成过程中两大挑战:训练样本不足和深度学习网络模型构建困难,重点分析了...     

基于CNN-DW的遥感图像分类检索方法

针对传统图像检索方法存在的检索范围过大、检索效率低下的问题,提出了一种基于卷积神经网络和距离权重的图像检索方法(CNN-DW),该方法可以从海量遥感图像中检索出与查询图像具有相似或相同特征的检索图像,图像检索试验表明:CNN-DW检索法较传统卷积神经网络(Convolutional Neural Networks,CN...     

基于卷积神经网络的古建筑脊兽自动识别方法

针对古建筑脊兽识别准确率和自动化程度不高的问题,本文提出一种基于卷积神经网络的脊兽自动识别方法.该方法主要分为4个步聚:①爬取众源数据建立脊兽数据集;②构建脊兽特征金字塔网络(Ridge Beast-Feature Pyramid Network,RB-FPN)提取图像深度语义,检测脊兽的潜在区域;③利用ImageNe...     

半监督高分辨率遥感图像分类方法

针对高分辨率遥感图像地形复杂、标注困难等问题,本文提出一种基于半监督学习的高分辨率遥感图像分类算法。首先借助卷积神经网络作为分类模型;然后对高分辨率遥感数据集部分图像分类标注,有监督训练卷积网络;最后对其余数据分别进行弱增强和强增强,得到训练图像伪标签,实现模型有监督训练。实验表明：所提半监督分类模型准确率比有监督模型平均准确率仅降低0.03左右,训练集标注耗时节约一半以上,表明该方法具有较好的识别效果和较快的训练速度。     

深度卷积神经网络的遥感影像水体识别

从遥感影像中准确识别水体信息对水资源管理和洪涝灾害监测有重要意义。目前,传统遥感水体识别方法仍存在着不足,难以满足实际应用中的精度要求。近年来,卷积神经网络CNN (Convolutional Neural Network)的快速发展,为高分辨率遥感水体识别提供了新的思路。本文基于高分一号卫星数据,利用DenseNet、ResNet、VGG、HRNet等CNN模型和传统的归一化差异水体指数（NDWI）进行洪泽湖地区不同季节的水体识别,并采用精确度（P）、召回率（R）、F1分数和误判率（MRate）等指标来评价各种方法的水体识别能力。在DenseNet经典结构中加入了上采样过程和跳层连接结构,以解决梯度爆炸和梯度消失问题;采用OSTU方法确定NDWI的最优阈值,以降低水体识别的不确定性。得出主要结论如下：（1）所有CNN网络模型的水体识别效果都显著优于传统NDWI方法;例如,NDWI识别的精确度仅为0.779,而所有CNN网络模型的识别精确度均高于0.922。（2）改进后的DenseNet模型有效缓解了梯度爆炸与梯度消失的问题,其水体识别结果在识别精确度P(0.960)和误判率（0.04...     

结合数据融合与特征选择的遥感影像尺度多样目标检测

基于深度神经网络模型的遥感影像地物检测取得了巨大成功,很大程度上得益于大规模数据集的支撑。但是,从现有遥感影像数据集本身来看,不同类别地物的数量分布不一致,同类地物对象以不同尺寸大小呈现,是导致地物样本的尺度不均衡问题的直接因素。对此,本文采用数据集内影像加权融合与地物多尺度特征选择的策略来缓解该问题。首先,将数据集内两张影像的像素值进行加权并得到融合后的影像,从而使不同类别地物样本更加均衡且具有较高的背景多样性;其次,通过选择合适尺度的特征图预测相应尺度的目标类别,且允许同一尺度目标在相邻特征图上进行预测,这样使模型能根据目标尺度进行训练;最后,基于目标中心区域的特征图预测目标边界框,预测的边界框更符合目标本身的尺度。通过在两个遥感数据集上分别进行实验,表明训练的模型在对复杂背景下的类别不均衡目标的识别更加准确,能够适应遥感影像下不同尺度目标的识别。     

基于机器学习的极光图像自动分割方法

极光是太阳风能量注入到极区的指示器,从观测视野中准确分割出极光区域对研究极光演变如亚暴过程有非常重要的意义.本文基于全卷积神经网络提出了一种弱监督极光图像自动分割策略,数据标记时仅需指定极光区域的一个像素点即可,极大解决了机器学习人工标注数据的压力.首先利用简单单弧状极光图像训练一个初始分割模型Model 1,然后基于该模型,结合热点状和复杂多弧状极光图像获得一个增强的分割模型Model 2,最后对分割结果做进一步优化.本文对2003—2007年北极黄河站越冬观测的2715幅极光图像进行了分割,并和最新论文结果及人工标签进行了定量和定性比较,其中分割结果与人工标签的“交并比”高达60%,证明了本文方法的有效性.     

基于卷积神经网络模型划分成矿远景区——以甘肃大桥地区金多金属矿田为例

大数据和高性能计算使得地质学可能突破种种主客观因素的限制,从传统的定性描述和不确定性作为特点转变为更全面的定量化发展阶段,即地质学更加注重通过挖掘复杂的多元地学数据间的关联关系来探究地质成因过程。为了厘清研究区多元化地质数据并划分成矿远景区,结合现代信息化新方法新技术,智能高效地帮助地学工作者提供辅助决策依据。以甘肃省大桥金矿为研究区,提出了利用一维卷积神经网络替代传统的人工计算,通过对研究区金多金属矿的地球化学元素及地球物理元素数据进行训练,挖掘研究区综合成矿信息,依据训练结果划分出4类成矿远景区。研究结果表明,地质成矿过程复杂,每一个成矿预测要素在地质成矿过程中均发挥重要的作用。在大比例尺度上,应用深度学习网络模型划分成矿远景区能客观地反映多元化地质数据本身的非线性特征,识别地质要素的空间特征,深层次提取和挖掘成矿异常信息,实现矿产资源智能化预测评价。     

基于深度特征的双极化SAR遥感图像岩性自动分类

基于像元基元、极化合成孔径雷达（Synthetic Aperture Radar,SAR）数据和传统机器学习算法的岩性分类方法,易受SAR图像固有斑点噪声影响,精度不高.为了降低噪声的影响,本研究以大尺度像元邻域为基元,用于表征地表地质体的遥感图像特征和岩性语义信息;采用高分三号双极化SAR数据进行极化分解构建3通道假彩色合成影像;然后采用深度卷积神经网络（Deep Convolutional Neural Network,DCNN）迁移学习的方法,提取有效的深度特征表示,分别实现5 m和15 m两种空间分辨率下岩性遥感自动分类.结果表明:基于不同分辨率数据和不同DCNN算法,岩性遥感自动分类的总精度均大于80%,最高精度达到91%.基于大尺度像元邻域和DCNN迁移学习方法,能够实现基于SAR数据的高精度岩性分类.      

多尺度残差金字塔网络模型三维气象要素降尺度研究

本文将研究对象从地面气象要素扩展到三维气象要素;针对三维气象要素空间分辨率提升问题,融合多气象要素交互影响、多尺度作用、多气压层气象要素天气系统配置作用等机理,提出一种多尺度残差拉普拉斯金字塔网络三维气象要素深度学习降尺度模型(Multi-Scale Residual Laplacian Pyramid Network, MSRLapN)。具体地,构造一种多尺度残差模块(Multi-Scale Resolution Block, MSRB),用于从三维空间多种气象要素中自动提取预报特征;从机器学习领域引入多尺度金字塔技术描述气象要素的多尺度交互作用;然后,通过超分辨重建循环迭代方法,基于大样本历史数据学习订正降尺度预报的误差。在华东气候区,本文针对相对湿度和风速两种气象要素,实现了7种前沿深度学习超分辨降尺度方法的三维空间气象要素降尺度,并将本文提出的方法与这7种深度学习超分辨降尺度方法与之对比,实验结果表明：MSRB模块可从数据中有效提取三维气象要素多尺度作用的特征信息,MSRLapN有效实现了三维气象要素降尺度,效果优于其他对比方法。