基于CSAMT电场分量的电性标志层深度校正技术及应用

可控源音频大地电磁(CSAMT)是探测含煤地层富水区及采空区的重要地球物理方法,但其探测深度误差比较大,采用电性标志层进行深度校正,达到精确解释地层的目的。首先,提出基于电场单分量视电阻率计算方法,只需通过平移即可获得全区视电阻率,无需迭代,简单快速。接着,分析视电阻率微分极值与电性标志层的关系,通过测井电阻率曲线识别出电性标志层,然后通过比值计算深度校正系数,在全区进行插值得到任意测点的校正深度。对新元煤矿31004工作面R280测线数据进行深度校正处理,结果表明:校正后的深度和实际地层基本吻合。最后,通过已知充水采空区边界、淋水点以及钻孔揭示的结果进行对比验证,达到了预期效果。该方法为CSAMT在含煤地层进行精细化数据处理和解释提供了新的思路。      

基于多层次感知网络的GF-2遥感影像建筑物提取

高分辨率遥感影像建筑物提取任务在城市规划、城镇化进程等领域发挥着重要作用.针对现有的深度学习提取方法存在浅层特征未得到有效利用、小目标信息容易丢失等问题,提出了一种多层次感知网络.该网络利用密集连接机制充分提取特征信息,并构建平行结构保留不同特征分辨率的空间信息,增强不同深度、尺度特征信息,减少细节特征的丢失;同时利用...     

北京市出租车OD流多尺度空间预测深度重力模型及其可解释性研究

准确预测城市内部OD流对于优化城市交通运行效率、提高资源利用率以及促进城市可持续性发展具有重要作用。现有研究大多基于单一尺度利用地理位置之间大量的历史流量来预测未来的流量,尚未有研究充分探究不同空间尺度下OD流预测可能存在的重要特征或建模精度差异等问题。本研究以北京市出租车轨迹为例,采用深度重力模型（Deep Gravity）对不同空间尺度下的轨迹OD流进行预测。同时,引入SHAP值（SHapley Additive exPlanations）揭示不同尺度下影响OD流预测建模的重要特征。结果表明：(1)相比于重力模型和辐射模型,街道尺度下深度重力模型的OD流预测精度最高（CPC值高达0.83）,且成功捕捉到了北京市早晚高峰时段的OD流网络整体结构,呈现出“环形散射状”特征;(2)在本研究所选各空间尺度下,对OD流预测精度影响最大的4个特征均为O、D点之间的出行距离,O、D点周围公司企业数量、餐饮服务数量以及购物服务数量;(3)同一特征对OD流预测模型的局部影响不同于全局,如科教文化和体育休闲类POI在全局尺度下对模型影响较小,但在局部尺度下却表现出极大的影响。     

乌兰布和沙漠东北缘地温变化特征及其影响因子

基于内蒙古磴口荒漠生态系统国家定位观测研究站监测数据,分析2014年1—12月不同土层的地温数据及同期气象数据,进而阐明乌兰布和沙漠东北缘地温变化特征。结果表明：（1）乌兰布和沙漠地温及气温具有显著的日变化特征,气温最高值与最低值出现时刻相对巴丹吉林沙漠提前2 h,相对东部地区滞后1 h;地温与气温季节变化特征一致,各季节地温最值出现时刻相对气温滞后1 h;（2）地温变化速率随着土壤深度的增加而减小,在土壤深度达到70 cm以后,地温全年在0℃以上;低于0℃的5 cm地温持续时间约为4个月;（3）地温与空气温度、太阳辐射变化趋势一致,地温相对太阳辐射及气温明显滞后。相关分析与逐步回归表明,对地温变化起决定作用的环境因子为空气温度、蒸发量、太阳总辐射、风速、空气相对湿度、降水。     

基于压缩感知法对法拉第色散函数的重构

观测到的偏振量与法拉第色散函数之间是傅里叶变换对,而法拉第色散函数反映了辐射区域和辐射传播途径的磁场结构。如何通过这一关系精确重构出法拉第色散函数对于研究银河系及河外星系磁场具有重要的作用。目前已提出了基于压缩感知的法拉第色散函数重构方法,模拟结果要优于传统方法,然而是否具有实用性仍然未知。主要探究该方法应用于实际观测频率范围时是否依然可行,并进行了大样本统计学实验。结果表明:重构结果受多种因素的影响,具有很大的随机性,对重构结果在峰值附近再次进行最小二乘拟合后,重构的法拉第深度更接近真实值。     

结合深度学习和图割法的遥感影像建筑物检测

提出一种基于卷积神经网络和图割法的自动提取高分影像建筑物的方法。首先,通过卷积神经网络定位与检测建筑物的位置,逐一提取单个建筑物轮廓,利用检测结果分别建立建筑物和非建筑物的高斯混合模型（GMM）,然后结合最大流最小割的图像分割方式实现全局优化,完成建筑物初步提取,最后用形态学进行优化。通过试验证明了该方法的可行性。     

深度卷积神经网络支持下的遥感影像飞机检测

针对YOLOv3算法对小目标检测较差及出现较多漏检的问题,本文提出了一种优化的YOLOv3算法.首先使用K-means算法计算出与数据集相适用的锚框;其次将扩张卷积引入到YOLOv3网络,用来增强网络高层的感受野,改善小目标的检测效果;然后使用深度可分离卷积取代YOLOv3网络残差模块中的普通卷积,可减少计算量,从而得到一种新型卷积神经网络结构;最后在数据集上进行对比试验.结果表明,优化的YOLOv3算法能够检测出更多目标,降低漏检率,相比于YOLOv3算法,其召回率提高11.86%,F1-score提高2.99%.     

深度学习GoogleNet模型支持下的中分辨率遥感影像自动分类

提出了一种基于深度学习技术的遥感分类方法,它能有效解决中分辨率影像在分类过程中出现的像元混分问题。研究选用2016年5月12日武汉市Landsat 7 ETM+遥感影像,基于GoogleNet模型中的Inception V3网络结构,借助迁移学习方法,构建出遥感分类模型,实现了对武汉市主城区4类典型地物（不透水层、植被、水体和其他用地）的自动分类提取,并将分类结果与传统最大似然分类（ML）结果进行了对比分析。研究表明：基于深度学习方法的遥感影像总体分类精度高达88.33%,Kappa系数为0.834 2,明显优于传统ML方法总体分类精度83%和Kappa系数0.755 0,而且有效抑制了地物在分类过程中出现的像元混分现象。