一种资源三号测绘卫星系统几何校正产品的生产方法

文章设计了基于资源三号测绘卫星的传感器校正产品(一级产品)来生产系统几何校正产品(二级产品)的关键技术流程,通过构建传感器校正影像和系统几何校正影像间像素对应关系,以及传感器校正产品的严密成像几何模型,提出并推导了系统几何校正产品的严密成像几何模型,并构建其有理多项式模型。实验结果表明,此方法生产的资源三号测绘卫星系统几何校正产品的几何精度较高,整体精度优于传感器校正产品,并能够满足1∶50 000立体测图的要求。     

探地雷达FDTD数值模拟中不分裂卷积完全匹配层对倏逝波的吸收效果研究

介绍了CPML边界条件的原理,推导了CPML的GPR正演FDTD差分公式,对比分析了Berenger PML、UPML、CPML三种PML对倏逝波的吸收性能.开展了PML边界中关键参数κ和α的选取实验,确定了参数的取值范围与选取原则.然后,以二维TM波为例,研究了倏逝波产生的机理,分析了决定逝波性吸收性能的影响因素.均匀介质的波场快照、检测点的反射误差及全局反射误差对比,说明了3种边界条件对传输波都具有较好的吸收能力,而对低频倏逝波的吸收表现迥异,其中CPML因为引入了参数α,对倏逝波的吸收效果最佳,但离散化造成的全域误差也最大.最后,应用加载UPML和CPML边界条件的FDTD程序,开展了GPR二维剖面法、宽角法矩状地电模型及三维复杂模型的正演,展示了倏逝波反射对雷达正演剖面及波场快照的影响.进一步对比了UPML与CPML对倏逝波的吸收表现优劣,结果显示,CPML可有效减少边界反射误差,并能取得满意的精度,综合考虑对倏逝波的吸收、全域误差、编程难易程度等因素,在GPR正演中推荐使用CPML.     

基于Shannon奇异核理论的褶积微分算子在地震波场模拟中的应用

本文在前人工作的基础上,建立了一种基于Shannon奇异核的交错网格褶积微分算子方法.文中不仅详细讨论了影响算子精度的各种因素,同时也着重分析了其在弹性波模拟中的频散关系和稳定性条件.通过和交错网格有限差分算子比较,发现该算子即使在高波数域也具有较高的精度.均匀介质中的数值试验也表明,该方法9点格式就基本上达到了解析解精度.而分层均匀介质和复杂介质中的地震波数值模拟也同时证实了该方法精度高,稳定性好,是一种研究复杂介质中地震波传播的有效数值方法.     

基于卷积神经网络的智能化地震数据插值技术

地震数据通常存在数据缺失问题,严重影响地震数据各个处理环节,需采用适当的手段对其重构.本文提出了一种基于深度学习卷积神经网络(CNN)的智能化地震数据插值技术.算法的关键在于构建一个适用于地震资料插值的CNN模型,该技术以缺失地震数据作为输入层,由卷积算法提取地震数据的特征信息,并通过池化层实现数据压缩降维,同时引入修正线性函数(ReLU)提高模型的非线性表达能力,再通过反卷积层恢复数据尺寸,最终搭建卷积自编码器模型(CAE),实现数据-数据的映射关系.该模型通过残差学习获得缺失数据特征并实现重构数据输出,与现有技术相比,该方法采用自监督学习方式,利用大量数据训练卷积自编码器模型,通过所得模型实现缺失地震道的数据重构.分别利用CAE模型及POCS插值技术对模型资料和实际数据进行插值,测试结果表明,CAE能有效实现地震数据插值,且与POCS方法相比具有更高的精度,验证了算法的可行性和有效性.     

基于深度卷积神经网络的地震震相拾取方法研究

地震震相拾取是地震数据自动处理的首要环节,包括了信号检测、到时估计和震相识别等过程,震相拾取的准确性直接影响到后续事件关联处理的性能,影响观测报告的质量.为了提高震相拾取的准确性,进而提高观测报告质量,本文采用深度卷积神经网络方法来解决震相拾取问题,构建了多任务卷积神经网络模型,设计了分类和回归的联合损失函数,定义了基于加权的分类损失函数,以三分量地震台站的波形数据作为输入,同时实现对震相的检测识别和到时的精确估计.利用美国南加州地震台网的200万条震相和噪声数据对模型进行训练、验证和测试,对于测试集中直达波P、S震相识别的查全率达到98%以上,到时估计的标准偏差分别为0.067 s,0.082 s.利用迁移学习和数据增强,将模型用于对我国东北地区台网的6个台站13000条数据的训练、验证和测试中,对该数据集P、S震相查全率分别达到91.21%、85.65%.基于迁移训练后的模型,设计了用于连续数据的震相拾取方法,利用连续的地震数据对该算法进行了实际应用测试,并与国家数据中心和中国地震局的观测报告进行比对,该方法的震相检测识别率平均可达84.5%,验证了该方法在实际应用中的有效性.本文所提出的方法展示了深度神经网络在地震震相拾取中的优异性能,为地震震相和事件的检测识别提供了新的思路.

     

A kernel functions analysis for support vector machines for land cover classification

Information about the Earth's surface is required in many wide-scale applications. Land cover/use classification using remotely sensed images is one of the most common applications in remote sensing, and many algorithms have been developed and applied for this purpose in the literature. Support vector machines (SVMs) are a group of supervised classification algorithms that have been recently used in the remote sensing field. The classification accuracy produced by SVMs may show variation depending on the choice of the kernel function and its parameters. In this study, SVMs were used for land cover classification of Gebze district of Turkey using Landsat ETM+ and Terra ASTER images. Polynomial and radial basis kernel functions with their estimated optimum parameters were applied for the classification of the data sets and the results were analyzed thoroughly. Results showed that SVMs, especially with the use of radial basis function kernel, outperform the maximum likelihood classifier in terms of overall and individual class accuracies. Some important findings were also obtained concerning the changes in land use/cover in the study area. This study verifies the effectiveness and robustness of SVMs in the classification of remotely sensed images.     

煤层采动顶板水文地质参数演化与矿井涌水量动态计算方法

矿井工作面涌水量预测对确保矿山安全、优化资源配置、提高工作效率等都具有重要作用。为提高预测结果的准确性和稳定性,基于钻孔水位和微震能量数据与涌水量的强关联性,选择其作为多因素特征变量,提出SSA-CG-Attention多因素矿井工作面涌水量预测模型。该模型在门控循环单元(Gated Recurrent Unit,GRU)提取时序特征的基础上,与卷积神经网络(Convolutional Neural Network,CNN)融合形成新的网络结构提取数据的有效非线性局部特征,并且加入注意力机制(Attention),在预测过程中将注意力集中在输入元素上,提高模型的准确性。最后通过麻雀搜索算法(Sparrow Search Algorithm,SSA)优化模型参数,避免局部最优解的问题。将提出的模型分别与传统的BP神经网络、LSTM、GRU单因素涌水量预测模型以及MLP、SLP、SVR、LSTM、GRU、SSA-LSTM、SSA-GRU多因素涌水量预测模型的预测结果进行对比分析,结果表明：SSA算法以最少迭代次数快速寻优,避免了局部最优解的缺陷;SSA-CG-Attention多因素涌水量预测模型整体预测指标绝对误差(E_MA)、均方根误差(E_RMS)以及平均绝对百分比误差(E_MAP)分别为5.24 m³/h、7.25 m³/h、6%,指标方差和为8.90。相较于其他预测模型预测精度更高,相较于单因素涌水量预测模型,多因素涌水量预测模型预测结果更加稳定。研究结果为矿井工作面涌水量预测提供了新的思路与方法,对矿井工作面涌水量预测及防控有着借鉴与指导作用,具有一定的理论价值和现实意义。

     

粘弹性介质地震波传播的褶积微分算子法数值模拟研究

早期的褶积微分算子法都是基于正反傅立叶变换而实现的,其精度比四阶有限差分稍高。本文将计算数学中的Forsyte广义正交多项式微分算子与褶积算子相结合,构建了一个新的快速、高精度褶积微分算子,其计算结果非常接近实验函数微分的精确值,精度与l6阶有限差分相当。粘弹性波动方程更真实地描述了实际地下介质中弹性波的传播规律及其波场特征。本文以二维粘弹性波动方程为例,推导了粘弹性介质波动方程的离散格式,用迭积微分算子法实现了粘弹性介质的地震波场正演模拟,并对其波传播特征进行了分析。计算结果表明该算法能正确模拟粘弹性介质中的地震波,正确地反映粘弹性介质中波场的传播规律。     

A multi-level context-guided classification method with object-based convolutional neural network for land cover classification using very high resolution remote sensing images

Classification of very high resolution imagery (VHRI) is challenging due to the difficulty in mining complex spatial and spectral patterns from rich image details. Various object-based Convolutional Neural Networks (OCNN) for VHRI classification have been proposed to overcome the drawbacks of the redundant pixel-wise CNNs, owing to their low computational cost and fine contour-preserving. However, classification performance of OCNN is still limited by geometric distortions, insufficient feature representation, and lack of contextual guidance. In this paper, an innovative multi-level context-guided classification method with the OCNN (MLCG-OCNN) is proposed. A feature-fusing OCNN, including the object contour-preserving mask strategy with the supplement of object deformation coefficient, is developed for accurate object discrimination by learning simultaneously high-level features from independent spectral patterns, geometric characteristics, and object-level contextual information. Then pixel-level contextual guidance is used to further improve the per-object classification results. The MLCG-OCNN method is intentionally tested on two validated small image datasets with limited training samples, to assess the performance in applications of land cover classification where a trade-off between time-consumption of sample training and overall accuracy needs to be found, as it is very common in the practice. Compared with traditional benchmark methods including the patch-based per-pixel CNN (PBPP), the patch-based per-object CNN (PBPO), the pixel-wise CNN with object segmentation refinement (PO), semantic segmentation U-Net (U-NET), and DeepLabV3+(DLV3+), MLCG-OCNN method achieves remarkable classification performance (> 80 %). Compared with the state-of-the-art architecture DeepLabV3+, the MLCG-OCNN method demonstrates high computational efficiency for VHRI classification (4–5 times faster).     

二步法射线追踪

本文提出的二步法射线追踪,能够在复杂地质模型下有效、准确地确定射线在炮点的出射角,使得射线恰好到达检波点.射线到达地面的位置是射线在炮点的出射角的函数,称为出射函数.二步法射线追踪通过搜索出射函数的极值点来确定其单调变化的区间;然后通过比较检波点位置与出射函数极值的大小,确定与检波点相对应的出射角究竟落在出射函数的哪一个单调变化的区间里;最后,利用出射函数在局部区域里单调变化的性质,迅速、准确地确定与检波点相对应的出射角.出射函数的极值点,对于共炮集中每一个检波点和检波点中每一个不同方向的入射射线都是适用的,因此,二步法射线追踪只需要进行一次一维全局搜索（极值点搜索）.另外,本文采用B-样条的线性组合来表示速度函数,通过提高B-样条的阶数,可以改善速度函数的光滑程度,从而既满足射线追踪对于速度函数光滑性的要求,又加强射线在炮点的出射角对于射线的控制作用.