基于CNN-LSTM的珠江河口台风过程实时滚动修正预报

为改善台风预报精度,基于实时滚动修正预报思路,利用卷积神经网络嵌套长短期记忆神经网络（CNN-LSTM）和误差校正（EC）技术,搭建了珠江河口台风实时预报模型。研究结果表明：“滚动预报”比单次预报有更好的路径和强度预报效果,随着模型滚动时间的延长,预报整体精度有逐渐改善的趋势。路径预报结果的均方根误差比单次预报减小了25.67%,强度预报结果的平均绝对误差比单次预报减小了65.04%;考虑误差校正的CNN-LSTM-EC的路径、强度“滚动预报”效果均优于CNN-LSTM,前者的路径预报误差较后者减小了22.57%,强度预报误差减小2.5%。     

基于空间遥感影像的居民地自动解译

针对当前地物要素信息采集劳动强度大、智能化程度不高、效率低等技术瓶颈,本文以深度学习理论为基础,在Caffe框架上依托Digits网络服务器构建居民地数据集进行分类识别训练,建立样本数据集并完成模型训练工作.整合居民地复杂数据信息,设计了针对遥感影像自动解译居民地的操作流程.通过对实验结果分析,利用深度学习获取的数据模...     

利用横波分裂到时差确定北美夏洛特皇后群岛岩石圈各向异性分层参数

本文收集到北美夏洛特皇后群岛VIB和DIB台站2005年1月1日至2014年12月31日2700余条近震三分量横波观测记录.经严格筛选提取到55条35°横波窗内的快慢波到时差值.通过建立到时差与多界面横波分裂路径关系,实现了对横波不同深度分裂界面的可靠识别和深度确定.依据对横波到时差及归一化到时差的分析结果,确认地处俯冲带的夏洛特皇后群岛的地震各向异性分别存在于该地区的上层陆壳、中层洋壳俯冲带及俯冲带底部或下层岩石圈顶部附近.发现除地幔岩石圈外,上两个分层的各向异性强度由北向南减弱,同时向西运动的洋壳俯冲带向南加深.不仅如此,归一化到时差结果显示该地区2012年M7.8强震前后各向异性强度减弱,但在3个各向异性层存在较大差异.无论在分层界面较浅的北部格雷厄姆岛附近还是在分层界面较深的南部莫尔兹比岛附近,强震后最上层的陆壳和最下层地幔岩石圈的各向异性强度均没有变化.M7.8后各向异性减弱全部发生在中层洋壳俯冲带内.并且,距离强震震中越近各向异性强度减弱越大,在一定程度上揭示出强震前后应力变化的空间分布特征.表明该地区洋壳俯冲是引起M7.8强震和现今构造运动的主要动力源.     

基于Pn/Pg相对定位方法研究2017年8月8日九寨沟M7.0地震起始破裂深度

本文利用Pn/Pg相对定位方法,测定了2017年8月8日四川九寨沟M7.0主震及部分余震的起始破裂深度.地震的起始破裂深度是理解地震孕震机理的重要参数,而九寨沟地区台网稀疏,地壳速度结构复杂,基于传统的到时定位方法测定地震起始破裂深度误差较大.Pn/Pg相对定位方法首先基于流动观测近台记录对2017年8月10日M4.1和11月7日M4.5余震震源位置进行测定,选择其为参考事件,再利用Pg校正主震水平位置,Pn约束震源起始深度,基于参考事件可以有效降低速度模型对震源位置测定的影响.结果显示：九寨沟主震起始破裂深度约9 km,早期余震的震源深度分布在7~13 km,主要集中在主震起始破裂深度附近.     

基于深度学习的地震与爆破事件自动识别研究

针对天然地震事件、爆破事件分类问题,使用甘肃及周边地区80个天然地震事件和20个爆破事件建立数据集,采取深度学习卷积神经网络(convolutional neural network,CNN)方法搭建两个不同结构的模型进行训练,并用500条训练集之外的天然地震事件与爆破事件波形作为测试数据集,其训练和测试准确率均达到9...     

三维地震勘探技术在张湾井田的应用

结合张湾井田已有地质资料,通过现场踏勘和理论分析论证,设计出适应该地区地震地质条件而又切实可行的技术方案,在张湾地区实施精度较高的三维地震勘探工作,以期进一步详查该地段的构造、煤层赋存情况,通过地震勘探方法提供的地质-地球物理成果,帮助解决该勘探区钻孔网度较大的难题,查明该地区较为复杂的地质构造,圈定煤层赋存范围,为张湾井田先期开采地段范围的划定提供地质-地球物理依据。     

联合YOLOv4和迁移学习的侧扫声纳图像沉船检测

为解决侧扫声纳(SSS)图像沉船检测中样本不足、代表性弱等带来的检测精度低的问题,提出了一种联合YOLOv4和迁移学习的SSS图像沉船检测方法。首先,基于SSS成像机理实现了SSS沉船图像样本扩增,解决样本少而无法开展沉船检测模型构建的难题;然后,利用迁移学习,将公共数据集上学习到的权重和沉船通用性特征引入YOLOv4网络,构建高性能沉船检测模型。试验表明,构建的沉船检测模型取得了85.5%的类平均精度(mAP),将传统方法的检测精度提升了7.7%,在少样本情况下实现了沉船的高精度检测。     

顾及横向分辨率的目标探测极限深度计算

横向分辨率是多波束系统探测分辨率的主要决定因素,当进行水下目标探测时,其直接影响着探测极限深度的选择。探讨了顾及横向分辨率的水下目标探测极限深度的计算,并以SeaBeam3030型多波束系统为例,给出了等角和等距两种模式的极限深度计算方法,通过仿真计算与分析,验证了计算方法的有效性。结论表明:无论是等角还是等距模式,横向分辨率由中央向外分辨率逐渐增大,并且在等距模式下,探测目标在横向上边缘失真明显,数据不能用于成图。给出的顾及横向分辨率的极限深度计算方法,可为不同类型的多波束测深系统进行水下目标探测提供依据参考。     

声速剖面EOF重构的实测数据采样深度研究

经验正交函数（experiential orthogonal functions,EOF）是重构声速剖面（sound speed profile,SSP）的一种有效方法,利用部分实测数据结合历史剖面资料可以重构当前位置的声速剖面。针对实测数据的采样深度难以确定这一问题,本文介绍了一种基于历史声速剖面资料的实测数据采样深度选取方法,根据EOF空间函数的方差贡献率确定数据量,进而采用EOF算法重构全海深声速剖面。实验结果表明：采用该方法得到的数据重构的声速剖面与实测声速剖面具有较好的一致性,基于常梯度声线跟踪法得到的水深数据能够满足0.25%倍水深限差,有效波束比达到了100%,为实际测量作业中声剖数据的采样深度提供了参考。     

优化卷积神经网络在道编辑中的应用

由于激发、接收及工区现场等导致野外采集的地震数据出现异常道,这时需要对地震记录道编辑处理.当数据量比较大时,人工进行道编辑工作量庞大.非人工做法主要是利用计算机将异常道剔除,没有对异常道细致分类,由此造成了大量的原始数据损失,异常道的产生原因也无从得知.随着计算机性能的提高,深度学习发展迅猛,卷积神经网络(CNN)在深度学习领域起着至关重要的作用.CNN避免了前期很多工作,可以直接输入数据训练模型,将模型用于分类预测.作为一种快速高效的识别算法,可以广泛应用到各个研究领域.本文对极性反转、单频信号、强振幅噪声、空道四种常见的异常道和正常道进行细致分类编号,利用优化的深度卷积神经网络算法识别坏道并进行有效分类,不仅有利于后续对相应道的特殊处理,而且有利于推断产生异常道的原因,在以后的工作中针对产生原因做相应的工作调整.