集成空间变换结构与深度残差网络的遥感影像场景分类方法

针对传统高分辨率遥感影像的场景分类效率较低,以及卷积神经网络在遥感影像场景分类上由于空间不变性而导致的分类精度不高的问题,提出了一种结合空间变换网络和迁移学习的高分辨率遥感影像场景分类算法.首先,利用ImageNet数据集训练深度残差网络ResNet101得到预训练模型,通过知识迁移提高模型目标探测效率;之后在模型中嵌入空间变换结构,使模型能够主动在空间上变换特征映射,提高模型的鲁棒性;最后,在模型中添加Dropout层减小模型出现过拟合的概率.本方法在AID和NWPU-RESISC45两种不同规模的高分遥感影像数据集上进行了验证,在只有20%训练样本的情况下仍达到了94.30%和93.63%的分类精度.实验结果表明本次改进模型具有更好的特征提取能力,针对易误分类场景的分类结果更优.     

基于CDI和拟二维反演的时间域航空电磁数据级联解释方法

时间域航空电磁法(ATEM)是一种具有大面积探测,探测速度快、相对成本较低、受地形地貌影响较小等优点的地球物理方法。由于航空电磁数据量巨大,三维反演成本太大,目前主要使用一维反演或者拟二维反演方法来进行解释。对于航空电磁探测而言,大面积探测区域和复杂地形条件使得研究人员很难获取到勘探区域的地质信息,因此反演时选取初始模型变得很困难。而电导率-深度成像(CDI)无需建立初始模型,即可快速获得地下介质的大致电性分布情况。因此CDI结果可以用来作为反演的初始模型,应对缺少地质信息的区域。本次研究中,提出CDI与拟二维反演的级联解释方法。首先使用CDI方法来近似估计地下介质的电导率和深度;其次在此基础上建立反演的初始模型;最后采用横向约束反演(LCI)方法对ATEM数据进行反演。通过对理论数据和实测数据的实验得出,CDI与拟二维反演的级联解释方法能够在获得较好的反演结果的同时减少计算时间。     

卷积神经网络和视觉注意力语义分割模型在高分辨率遥感影像分类中的性能分析

随着深度学习语义分割的快速发展,基于计算机视觉语义分割模型的高分辨率遥感影像分类方法也大量涌现。为系统定量地研究经典的和先进的视觉语义分割模型在遥感影像分类中的性能,在总结深度学习语义分割进展的基础上,选择9种基于卷积神经网络(CNN)和视觉注意力的语义分割算法,对米级和厘米级2个尺度的遥感数据集进行分析研究。在模型构建上基于计算机视觉通用的语义分割框架,训练时采用红绿蓝3波段遥感图像并基于ImageNet预训练权重进行迁移学习训练。研究结果表明：通用的语义分割模型通过常规训练设置进行训练能取得较好的遥感影像分类效果,部分地物的交并比(IoU)可以达到90%以上;基于视觉注意力的遥感影像分类模型的精度普遍高于基于CNN的模型,且MaskFormer能更有效地提取离散的地物信息;不同类别的精度最高值并不全在总体最优模型中,部分会存在于次优模型中;类似的地物在更高分辨率遥感数据集中可以获得更高的精度。     

基于深度神经网络模型的雅安市滑坡易发性评价CSCD

准确的滑坡易发性评价结果是滑坡风险评估的基础,对防灾减灾工作有着重要的意义。文章以雅安市为研究区,在野外地质调查的基础上,选取高程、坡度、坡向、平面曲率、剖面曲率、地形湿度指数、泥沙输运指数、径流强度指数、归一化植被指数、年均降雨量、地震动峰值加速度、地形起伏度、距断层距离、地层岩性、距河流距离、距道路距离等16个因子,构建研究区滑坡易发性评价指标体系,采用度神经网深络(DNN)模型进行滑坡易发性评价,根据易发性指数将研究区划分为极高易发区(12.2%)、高易发区(7.0%)、中易发区(9.8%)、低易发区(17.0%)、极低易发区(54.1%)五个等级,并与人工神经网络(ANN)模型进行对比,用ROC曲线的AUC值进行精度检验。结果表明,DNN模型的评价精度AUC(0.99)大于ANN(0.96)模型。因此,相比ANN模型,DNN模型在该研究区有着更好的拟合能力和预测能力,滑坡极高和高易发区主要分布于雅安市人类工程活动强烈的低海拔地区,沿着道路和水系分布,距道路距离、高程、年均降雨量是影响雅安滑坡发育的主要影响因子。     

粤港澳大湾区地下热水地球化学特征及其热储含义

粤港澳大湾区地热资源丰富, 但人们对区内地下热水地球化学特征的认识还存在一定争议。本文对27组地下热样品的水化学分析表明, 研究区内陆地热水的水化学相主要为重碳酸盐型, 沿海地热水则主要呈氯离子型。地热水的δ2H和δ18O值分别为–30‰ ~ –48‰和–5.2‰ ~ –7.5‰。内陆地热水的δ2H和δ18O值沿当地大气降水线(LMWL)分布, 表明内陆地热水来源于当地大气降水补给。沿海地热水的δ18O值偏离当地大气降水线并向海水数据点靠拢, 沿海地热水的δ18O值与Cl–含量呈强正相关, 表明沿海地热流体源于当地大气降水和海水混合补给。经典地球化学温标、多矿物平衡状态模拟、硬石膏-玉髓矿物对饱和指数模拟以及硅-焓混合模型揭示的粤港澳大湾区地热系统热储温度为104~156 ℃。内陆地热水中的地下冷水的混入比例为52%~84%, 沿海地热水中海水的混入比例高达37%。内陆和沿海地热水的最大循环深度分别为3300~4800 m和3200~4200 m, 没有显著差别。水化学组成与氢氧同位素研究均表明, 水岩反应和混合作用共同控制着研究区地下热水的地球化学特征。     

基于深度学习的强对流高分辨率临近预报试验

强对流天气临近预报、预警在气象灾害防御中具有极为重要的地位。在气象业务中,因对强对流天气临近预报、预警准确率和时、空分辨率的极高要求,使其成为业务难点和研究热点之一。对于高时、空分辨率强对流临近预报问题,尝试用深度学习方法来解决。首先将强对流临近预报抽象成同时包含时间和空间的序列预测问题;然后基于改进的循环神经网络算法形成的自编码模型,使用京津冀地区长序列、高时空分辨率天气雷达组网拼图数据进行模型训练;最后利用基于历史0.5 h雷达回波拼图数据训练得到的端到端神经网络,预报未来1 h内的逐6 min回波演变特征。通过基于传统外推算法的临近预报方法与深度学习算法的临近预报方法进行对比,发现使用的深度学习方法可以有效“学习”到高时、空分辨率序列雷达数据特征的内在关联,通过多层神经网络构造出抽象的深层特征,能够有效捕捉到雷达回波的演变规律和运动状态。通过计算雷达回波预报的命中率（POD）、虚警率（FAR）、临界成功指数（CSI）等检验表明,相较传统外推临近预报方法,在强对流回波临近预报准确率上有较明显提高。      

推荐系统中物品召回技术的研究进展

信息技术的快速发展导致信息过载.推荐系统是解决信息过载最有效的方式之一.近年来,深度学习的快速发展也带动了推荐系统的进步,各种深度推荐算法层出不穷.然而由于候选物品数量巨大且用户兴趣动态变化,深度推荐算法的推荐复杂度巨大,难以在实际系统中单独使用.在深度推荐技术发展的同时,物品召回技术（也称近似搜索技术）也有了较大的发展与进步.本文先介绍基于距离最小化的物品召回的研究进展,再从向量索引、局部敏感哈希、哈希学习、向量量化四个方面来深入探讨基于内积最大化的物品召回技术的研究进展.     

基于深度学习的介形类化石识别

介形类化石对地质年代的确定、古湖泊和古海洋的研究、古环境的重建以及海底石油资源的勘探等工作都具有重要意义。然而,现有识别化石颗粒的方法费时费力,准确率也有待提高。鉴于介形类化石颗粒的类别具有科、属、种的层次结构,种类数量庞大,所以本文提出了一种层次化识别方法。首先进行目标检测,实现介形类化石的定位与属类划分;之后在目标检测模块的基础上进行智能识别,使用卷积神经网络和支持向量机提取属类下更细微的种类特征,实现化石种类划分。实验结果表明,本文提出的分层次识别模型能检测出化石图像中所有化石颗粒的位置信息并对其进行分类,分类准确率可达95%,且相较于未进行分层次识别的模型,能将识别准确率提升1.8%~5.8%。     

热带雨林景观土壤测量采样深度与样品粒级试验研究——以加纳国雅卡锰金矿为例

加纳国雅卡锰金矿床位于著名的阿散蒂金矿带上。在该成矿带进行土壤测量采样深度、样品粒级试验以及方法技术的适应性和有效性研究,可为下一步开展大面积土壤地球化学测量提供技术依据,从而圈定可靠土壤地球化学异常。本文采用的工作方法为土壤垂向剖面法,选择有代表性的地段进行试验研究,结果显示在已知矿上方获得了明显的土壤地球化学异常。通过实验研究,选取土壤测量采样深度60～80 cm,截取样品粒级-4～+20目,获得了可靠、明显的土壤地球化学异常。研究证明该方法具有显著的地球化学找矿效果。     

基于CMIP6气候模式的新疆积雪深度时空格局研究

积雪深度的变化对地表水热平衡起着至关重要的作用。选用了国际耦合模式比较计划第六阶段（CMIP6）中目前情景比较齐全的五个全球气候模式,通过对比新疆地区1979—2014年积雪深度长时间序列数据集,评估了气候模式在新疆地区模拟积雪深度的模拟能力,接着预估了未来不同SSPs-RCPs情景下新疆地区在2021—2040年（近期）、2041—2060年（中期）、2081—2100年（末期）相对于基准期（1995—2014年）的积雪深度变化。气温和降水对积雪深度变化有着重要的影响,因此还分析了新疆地区到21世纪末期气温和降水的变化趋势。结果表明：订正后的气候模式模拟的积雪深度数据与观测数据的相关系数均达到0.8以上,其中1月至3月与观测数据的结果更为吻合。气候模式基本上能够反映积雪深度年内变化的基本特征,气候模式模拟的积雪深度空间分布和观测数据具有相似的特征。气温和降水在未来不同情景下均会波动上升,其中气温的增幅相对比较明显,达0.43 ℃·（10a）^-1,而降水的增幅为0.63 mm·（10a）^-1,新疆未来的气候总体上呈现出变暖变湿的趋势。新疆地区的平均积雪深度在未来不同时期相对基准期均呈增加的趋势。SSP1-1.9情景下,21世纪近期、中期和末期北部大部分地区的积雪深度将会有所增加;SSP1-2.6情景下,北部阿尔泰山地区的积雪深度在21世纪近期有所减小,但中期和末期将会有所增加;SSP2-4.5情景下,21世纪不同时期东部地区的积雪深度将会有所增加,北部和中部大部分地区在不同时期积雪深度将会变小;SSP3-7.0情景下,21世纪不同时期北部和西南地区的积雪深度将会普遍变小,东部地区的积雪深度将普遍增加;SSP4-3.4和SSP4-6.0情景下,21世纪不同时期西南昆仑山地区的积雪深度将会普遍变小,东部地区的积雪深度将普遍增加;SSP5-8.5情景下,北部阿尔泰山地区和东部地区的积雪深度将普遍增加。