基于多特征信息的城市核心地物要素提取方法研究：以深圳市为例

为了解决由于空间分辨率低导致城市核心地物要素提取精度低的问题,笔者构建了适用于城市核心地物要素提取的卷积神经网络模型(convolutional neural network, CNNs),同时利用基于遥感影像提取的颜色、纹理和形状等多特征信息辅助城市地物要素提取。颜色、纹理和形状等多特征信息与CNNs模型提取的深层信息相结合,融合浅层与深层特征信息,充分挖掘影像数据中的高级语义信息,能够有效地提高结果精度。实验结果表明,CNNs模型减少了模型参数量与复杂度,模型收敛速度快,具有较高的提取精度、泛化能力和鲁棒性,总体精度为97.49%,Kappa系数为0.957 5。该研究可以为城市发展与规划提供技术支持。     

基于全卷积神经网络的钻孔瞬变电磁法岩层富水性预测研究

巷道掘进前方采用钻探或地球物理方法进行超前探测含水层的位置及富水性,提前做好防治水工作对煤矿安全生产至关重要。利用钻孔瞬变电磁法(BTEM)进行超前探测优势明显,目前解释方法是根据计算的电阻率进行岩层富水性的定性分析,还无法实现对含水层富水性等级进行预测。提出利用钻孔瞬变电磁法探测,采用全卷积神经网络(FCNN)方法进行钻孔外围含水层富水性等级的准确预测。首先,依据阿尔奇公式、Kozeny–Carman公式、导水系数公式和单位涌水量公式,建立砂岩含水层单位厚度的电阻率与按钻孔单位涌水量划分的含水层富水性4个等级的对应关系;其次,建立全空间条件下不同富水性岩层的地质–地球物理模型,采用三维时域有限差分法(FDTD)进行全空间瞬变电磁场数值模拟;为了接近实际情况,在正演结果中加入了5%～15%的随机噪声,提取与岩层富水性等级关联的特征参数,采用全卷积神经网络(FCNN)进行了岩层富水性等级预测的训练和仿真测试,测试集预测的富水性等级平均准确率为91.8%;最后,利用某矿煤层水力压裂后的钻孔瞬变电磁法实测数据进行煤岩层富水性等级预测,检验FCNN方法预测效果。研究结果表明:采用全卷积神经网络...     

基于移动窗解卷积法的2011年日本东北 MW9.0大地震场地非线性时变识别

利用模拟记录和2011年日本东北M_W9.0大地震观测记录分析了基于移动窗解卷积法识别场地非线性时变特征的可行性,并与移动窗谱比法的结果进行了对比分析。研究表明:基于移动窗解卷积法可以较好地揭示场地非线性随地震动水平的变化过程,识别非线性发生的阈值、非线性变化程度及强震动后的恢复程度;与移动窗谱比法相比,移动窗解卷积法更容易获得较为稳定的土体非线性时变过程,但对于存在强阻抗比的浅表层土体,移动窗谱比法可以获得更准确的非线性程度。对2011年日本东北M_W9.0大地震中8个KiK-net台站进行了非线性时变分析,结果表明;两种方法识别的非线性阈值较接近,约在40—100 cm/s2之间,且与场地v_S30没有明显的相关性;在峰值加速度PGA较低的IBRH20台站,非线性引起的波速下降较小（3%）且震后几乎完全恢复;PGA 处于386—822 cm/s2之间的其余7个台站,场地等效剪切波速下降13%—37%,产生了显著的场地非线性,且震后未完全恢复;PGA大于380 cm/s2时,非线性所导致的场地波速下降、恢复与PGA无明显相关性。      

2001年昆仑山口西MS8.1地震破裂时空过程的统一模型

2001年昆仑山口西M_S8.1地震经历了一个复杂的破裂过程,其破裂长、幅度大、破裂速度多变,成为大陆型地震研究的典型地震。本文融合近场高精度大地测量观测（4幅InSAR影像,34个GPS点位同震位移）和高信噪比远震波形记录,基于有限断层反演理论,联合反演得到该地震同震破裂时空过程的统一模型;同时,基于欧洲区域台网波形数据,利用反投影方法获得高频破裂的时空展布。联合反演结果表明,破裂自西向东传播的过程中走向有所变化,破裂尺度达400km,最大滑移量达8m,地震矩大小为6.1×10²⁰Nm,对应的矩震级M_W为7.78。主断层破裂经历了3个阶段,其中,超剪切破裂阶段对应最大位错区域,破裂到达西大滩段与昆仑山口断层交叉处时,破裂速度与尺度迅速下降。反投影结果同样显示破裂的3个阶段空间上对应大地测量反演的3个最大破裂区,最大破裂区的扩展速度达6km/s,但超剪切破裂终止在断层交叉口东部约30km处断层走向发生转变的位置。     

金银岛岩土台阵原位剪切波速剖面评估

土层的剪切波速是描述土动力学特性的重要参数之一。利用金银岛岩土台阵记录的8次浅源地方震的弱震动数据,使用解卷积的地震干涉测量法识别的剪切波走时,评估了该台阵两个水平方向的原位剪切波速剖面。结果表明:在44.2m深度以上,估计与实测的平均剪切波速剖面基本一致,而在44.2m到103.6m深度范围前者大于后者;本研究估计的平均剪切波速剖面比MEHTA等（2007）估计的平均剪切波速剖面更接近实测结果,在44.2m到103.6m深度范围,本研究估计的平均剪切波速与MEHTA等（2007）估计的平均剪切波速相近,二者均大于实测的平均剪切波速。     

基于多尺度循环注意力网络的遥感影像场景分类方法

高分辨率遥感影像场景分类一直是遥感领域的研究热点.针对遥感场景对尺度的需求具有多样性的问题,提出了一种基于多尺度循环注意力网络的遥感影像场景分类方法.首先,通过Resnet50提取遥感影像多个尺度的特征,采用注意力机制得到影像不同尺度下的关注区域,对关注区域进行裁剪和缩放并输入到网络.然后,融合原始影像不同尺度的特征及其关注区域的影像特征,输入到全连接层完成分类预测.此分类方法在UC Merced Land-Use和NWPU-RESISC45公开数据集上进行了验证,平均分类精度较基础模型Resnet50分别提升了1.89%和2.70%.结果表明,多尺度循环注意力网络可以进一步提升遥感影像场景分类的精度.      

城市街道景观色彩对游客情感感知影响——基于街景图像的研究

街道是城市旅游的重要吸引物,探讨街道景观色彩特征对游客情感感知的影响,对城市街道景观合理规划和布局具有重要的参考价值。本研究以西安市主要建成区为案例地,运用全卷积神经网络（FCN）和随机森林（RF）算法,构建街景图像情感感知数据集,基于街景图像利用机器学习对街道景观的色彩特征进行提取,构建色彩量化指标并将其进行空间可视化;最后,运用随机森林回归算法探讨街道景观色彩特征与游客情感感知之间的关系,并得出最佳色彩特征参数。结果表明：(1)游客情感感知具有明显的空间分布格局,美丽和活泼情感由中心区域向外逐渐增加,安全和富有在主城区外二环以内区域得分较高,无聊在该范围内则较低,压抑情感由中心区域向外逐渐降低,游客在非惯常环境中的情感感知与居民在惯常环境中的情感感知在空间分布上具有一定的同质性;(2)街道景观色彩特征与游客情感感知呈现出复杂的非线性关系。色彩复杂度对美丽和活泼的影响小于色彩协调度,对无聊、压抑、安全、富有的影响大于色彩协调度,当色彩复杂度取值为0.86,色彩协调度取值为0.84时,游客在六个维度可以获得较好的情感感知;(3)一般情况下,街道景观色彩特征越显著,越能够带给游客较好的情...     

基于街景图像的旅游地街道空间视觉品质评价方法

街道空间是旅游者在旅游地的主要接触空间,良好的街道视觉品质对旅游产业的可持续发展至关重要,而如何建构视觉品质评价方法则需要进一步探索。本文以厦门市鼓浪屿作为研究区域,首先建立街道空间视觉品质量化模型,采用人工模拟旅游者行进的方式采集街景数据,进行成像参数校正和图像编码;其次,采用全卷积网络进行图像语义分割和视觉要素提取,获得街道环境视觉参数;最后,根据量化模型将视觉参数聚合到地理要素中,建立地理信息数据库进行街道空间视觉品质评价。结果表明：(1)鼓浪屿街道空间视觉品质存在明显的空间分异性;(2)建筑密度、街道宽度与植被小品是塑造街道空间视觉品质的基础视觉要素;(3)植物类公园、主要交通枢纽、主要商业设施的分布对街道空间视觉品质产生显著影响。本文为街道视觉品质评价工作提供了可供迁移应用的数据采集方式和研究方法,基于全卷积网络的街景图像语义分割精度较高,能够为街景图像以及其他类型的图像数据分析提供参考。在管理实践上,本文可以为旅游地街道空间的管理与规划、资源整合与配置、人流引导与调控等工作提供有价值的借鉴。     

考虑光谱信息和超像素分割的高光谱解混网络

在高光谱解混的过程中考虑影像的空间信息,能够有效提高解混精度。而超像素分割能够划分空间同质区域,为此本文提出一种考虑光谱信息和超像素分割的解混网络（SSUNet）。首先需对原始影像进行超像素分割处理,获得具有空间特征的超像素分割数据,然后采用SSUNet对原始高光谱数据和超像素分割数据进行训练和解混。在线性和非线性混合模型生成的模拟数据集和两个真实数据集上的实验表明,与SUnSAL、SUnSAL-TV、SCLRSU、MTAEU、EGU-Net-pw和1DCNN的解混结果相比,所提网络具有更高的解混精度和较好的鲁棒性。     

结合协方差池化与跨尺度特征提取的高光谱分类

深度卷积神经网络在高光谱图像分类任务上取得了优越性能。但是,主流深度学习算法通常采用一阶池化运算,容易忽略光谱之间的相关性,因而难以获取高阶统计判别特征。另外,这类算法往往难以选择最优的窗口大小去捕获不同感受野信息。针对上述问题,本文提出了一种结合协方差池化和跨尺度特征提取的高光谱影像分类方法。该方法设计了跨尺度自适应特征提取模块,能够自动提取多尺度特征,获取不同视野的互补信息,避免了尺度选择问题;进一步利用平均池化和快速协方差池化的联合池化操作,得到一阶统计量和结合空间光谱信息的二阶统计量;最终,将一阶和二阶池化特征进行融合用于分类。在3个公开高光谱数据集Indian Pines、Houston和Pavia University上分别随机选取5%、5%和1%标记样本进行训练,本文算法得到的总体分类精度分别达到97.63%、98.48%和98.21%,分类性能优于主流深度学习方法。