具吸收边界条件的波动方程偏移的拟合分解方法

本文讨论了在波动方程偏移问题中构造吸收边界条件方程的原则,并提出了求解具有吸收边界条件的偏移问题的一种新方法——矩阵拟合分解方法。这一方法的特点在于所构造的差分方程的拟合分解格式可以通过三点褶积和正、反递归被快速求解。 通过合成记录和野外实际资料的偏移对这一方法进行了验证。理论分析和实际计算都表明,该方法可以有效地消除来自网格边界的人工反射,减少了因增加边道或其他方法所需要的辅助计算而带来的计算工作量,提高了计算效率,因而是一种有效方法。     

东北黑土区侵蚀沟遥感影像特征提取与识别

东北黑土区是中国重要的粮食生产区,而长期的开垦造成了严重的水土流失现象,坡耕地表面出现大量的侵蚀沟。侵蚀沟的识别是土壤侵蚀监测的重要手段之一,目前遥感技术在侵蚀沟的识别中应用广泛,但自动化程度不高。针对特定地物影像的识别,如何选取最能够有效描述该地物的特征是解决问题的关键。本文构建了耕地和侵蚀沟遥感影像的训练样本集,基于样本集分别提取了由光谱特征和纹理特征组成的浅层特征、SIFT特征经编码后得到的中层特征,以及利用卷积神经网络提取的深层特征;再基于不同层次的特征选用合适的分类器对遥感影像进行分类,识别出含有侵蚀沟的遥感影像,形成了一套针对侵蚀沟的特征提取与识别方法,为东北黑土区的耕地保护提供有力支持。测试结果表明:基于中层特征的识别精度最高,为98.5%,但该特征需要人工设计,自动化程度有限;而利用卷积神经网络可自动提取深层特征,其识别精度达到了95.5%,同时大大提高了自动化程度,满足侵蚀沟影像的识别的需求。     

基于卷积神经网络的雷电临近预警模型

从研究人工智能雷电临近预警模型的目的出发,以卷积神经网络模型为基础,结合多个时间序列的雷达产品(组合反射率、液态水含量、回波顶高)与闪电数据,对雷电临近预报方法进行基于卷积神经网络结构的应用,以福建省2017-2018年雷达、闪电数据为样本完成了模型的训练与预测研究.训练结果显示,15～30 min模型训练样本测试集准...     

Use of the Hilbert transform to interpret self-potential anomalies due to two-dimensional inclined sheets

Self-potential anomalies due to two-dimensional inclined sheet of finite depth extent are analysed from their horizontal and vertical derivatives via the Hilbert transform. The depths to the top and bottom of the sheet and the inclination are obtained by means of simple mathematical expressions. The method is applied to a theoretical example and to a field S.P. anomaly over a sulphide deposit in the Kalava fault zone of Cuddapah basin, India. The presence of random noise is analysed for various levels and its effect is discussed. This interpretation process can be automated for all practical purposes by simple programming.     

基于卷积核哈希学习的高光谱图像分类

高光谱遥感可同步获取地表覆盖空间影像和连续且精细的光谱数据,能够实现对地物的精细分类与识别。然而,高光谱图像的高维特性对分类带来巨大挑战。为此,本文探讨了一种基于卷积核哈希学习的高光谱图像分类方法。哈希学习可以将高维信息表达为低维哈希编码,通过计算哈希编码内积并借助最小汉明距离实现分类。为了有效表达非线性数据,又发展了核哈希学习方法。然而,直接应用核哈希学习进行高光谱图像分类存在运行速度慢和未考虑空间邻域信息的不足。为此,本文在核哈希学习中引入径向基函数RBF (Radial Basis Function)作为损失函数以提高运行效率;同时,借助四维卷积操作充分表达空间邻域信息,提出了基于卷积核哈希学习的高光谱图像分类方法 CKSH (Supervised Hashing with RBF Kernel and Convolution),同时探讨了该方法在仅利用光谱特征和光谱—空间联合特征上的分类效果。在国际通用测试数据Indian Pines和University of Pavia上进行了实验,结果表明：本文提出的CKSH方法优于传统分类方法 （支持向量机、随机子空间）和其他哈希学习方...     

Vectorized simulation of groundwater flow and contaminant transport using analytic element method and random walk particle tracking

Groundwater contaminant transport processes are usually simulated by the finite difference (FDM) or finite element methods (FEM). However, they are susceptible to numerical dispersion for advection‐dominated transport. In this study, a numerical dispersion‐free coupled flow and transport model is developed by combining the analytic element method (AEM) with random walk particle tracking (RWPT). As AEM produces continuous velocity distribution over the entire aquifer domain, it is more suitable for RWPT than FDM/finite element methods. Using the AEM solutions, RWPT tracks all the particles in a vectorized manner, thereby improving the computational efficiency. The present model performs a convolution integral of the response of an impulse contaminant injection to generate concentration distributions due to a permanent contaminant source. The RWPT model is validated with an available analytical solution and compared to an FDM solution, the RWPT model more accurately replicates the analytical solution. Further, the coupled AEM‐RWPT model has been applied to simulate the flow and transport in hypothetical and field aquifer problems. The results are compared with the FDM solutions and found to be satisfactory. The results demonstrate the efficacy of the proposed method.     

纳秒级脉冲信号的波形预测与重构

带宽不够、波形易失真是纳秒级脉冲信号测量中存在的主要问题.以测量系统的方波标定数据为标准建立测量系统的差分方程和卷积两种模型,并分别运用于实际试验的双指数脉冲信号的波形预测和重构中,对比两种模型的信号处理结果发现,卷积模型比差分方程模型更适用于纳秒级脉冲信号的波形预测和重构.     

高分辨率遥感影像语义分割的半监督全卷积网络法

在遥感领域,利用大量的标签影像数据来监督训练全卷积网络,实现影像语义分割的方法会导致标签绘制成本昂贵,而少量标签数据的使用会导致网络性能下降。针对这一问题,本文提出了一种基于半监督全卷积网络的高分辨率遥感影像语义分割方法。通过采用一种集成预测技术,同时优化有标签样本上的标准监督分类损失及无标签数据上的非监督一致性损失,来训练端到端的语义分割网络。为验证方法的有效性,分别使用ISPRS提供的德国Vaihingen地区无人机影像数据集及国产高分一号卫星影像数据进行试验。试验结果表明,与传统方法相比,无标签数据的引入可有效提升语义分割网络的分类精度并可有效降低有标签数据过少对网络学习性能的影响。     

基于PRCUnet的高分遥感影像建筑物提取

基于高分辨率遥感影像的建筑物提取具有重要的理论与实际应用价值,深度学习因其优异的深层特征提取能力,已经成为高分影像提取建筑物的主流方法之一。本文在改进深度学习网络结构的基础上,结合最小外接矩形与Hausdorff距离概念,对建筑物提取方法进行改进。本文主要改进内容为：① 基于Unet网络结构,利用金字塔池化模块 (Pyramid Pooling Module, PPM )的多尺度场景解析特点,残差模块(Residual Block, RB)的特征提取能力以及卷积块注意力模块(Convolutional Block Attention Module, CBAM)对空间信息和通道信息的平衡能力。将金字塔池化、残差结构以及卷积块注意力模块引入到Unet模型中,建立PRCUnet模型。PRCUnet模型更关注语义信息和细节信息,弥补Unet对小目标检测的欠缺;② 基于最小外接矩形与Hausdorff距离,改进建筑物轮廓优化算法,提高模型的泛化能力。实验表明,本文的建筑物提取方法在测试集上准确率、IoU、召回率均达到0.85以上,精度显著优于Unet模型,提取出的建筑物精度更高,对小尺度及不规则的建筑物有较好的提取效果,优化后的建筑物轮廓更接近真实的建筑物边界。