城市用地功能精细化识别方法：时序动态图嵌入深度学习模型

多源大数据融合背景下的城市功能区识别是复杂非线性系统的模式识别问题,如何有效地从大规模的轨迹数据中提取出多粒度连续性时变和多尺度空间相互作用的信息是进行城市区域功能识别的关键。本研究设计实现了一种基于时序动态图嵌入的深度学习模型,在融合滴滴出行及兴趣点数据（Point of Interest, POI）基础上,提取城市区域存在的时间和空间上的隐式特征,结合聚类分析实现城市用地功能的语义识别。结果表明,成都市中心的用地功能趋向复合多样化的发展,且用地属性随时间发生作用范围和用地类型的变化,呈现出功能随着城市群体活动而变化的时空规律。与相关文献的对比实验表明,本文提出方法在更细粒度的时间段下进行功能区识别,得到的同一类功能区域内集聚度更高,能够更好的捕获复合型区域在不同时间模式下呈现出的用地功能变化。本研究为城市用地功能识别研究提供了新的技术方法,为城市规划研究人员全面理解城区结构属性提供了有效手段,对推动城市空间得到更合理高效的利用具有一定的价值。     

AlexNet支持下的地图建筑物形状分类方法

地图目标的形状在地图制图综合、空间查询等研究中发挥着重要作用。地图建筑物形状的识别与分类作为建筑物轮廓化简与典型化的基础,一直是制图综合研究的热点问题。目前,主要的建筑物形状识别方法主要依赖对建筑物轮廓的描述,对建筑物等地图面状要素的形态特征有较强的依赖性,通常只在应对特定类型的规则轮廓或直角化轮廓时能发挥较好的效果,对于形状不规则或复杂的情况识别不佳。本文提出一种AlexNet支持下的地图建筑物形状分类方法,将矢量地图中建筑物数据的形状分类问题,转化为建筑物栅格图像的分类问题,通过完成卷积神经网络的图形分类实现建筑物的形状识别。该方法首先结合空间认知规律提出一系列典型建筑物形状类型,然后利用矢量-栅格转换的方法从OSM数据采样单体建筑物栅格图像,通过人工标识获得建筑物形状分类训练样本,训练AlexNet卷积神经网络分类模型,最后利用训练好的模型对大比例尺建筑物数据进行智能形状分类与识别。本文利用北京、香港2个城市的OSM建筑物数据作为样本训练建筑物形状分类模型,并在广州部分城区的OSM建筑物数据上进行验证。相较传统形状相似性度量方法,本文提出的方法对实验区建筑物的识别分类总体查全率提...     

面向高分遥感影像道路提取的轻量级双注意力和特征补偿残差网络模型

针对高分辨率遥感影像背景复杂,道路提取容易受阴影、建筑物和铁路等背景信息干扰的问题,提出一种带有轻量级双注意力和特征补偿机制的DAFCResUnet模型。该模型在ResUnet的基础上,通过增加轻量级的双注意力和特征补偿模块实现模型在性能和时空复杂度上的平衡。其中,双注意力模块可以增强模型的特征提取能力,特征补偿模块可以融合网络中来自深浅层的道路特征。在DeepGlobe和GF-2道路数据集上的实验结果表明,DAFCResUnet模型的IoU和F1-score可以达到0.6713、0.8033和0.7402、0.8507,模型的整体精度优于U-Net、ResUnet和VNet模型。与U-Net和ResUnet模型相比,DAFCResUnet模型仅增加了少量的计算量和参数量,但IoU和F1-score均有较大幅度的提高;与VNet模型相比,DAFCResUnet模型在计算量和参数量远低于VNet的情况下取得了更高的精度,模型在精度和时空复杂度两方面均有优势。相比其他对比模型,DAFCResUnet模型具有更强的特征提取和抗干扰能力,能更好解决道路上的干扰物、与道路特征相似地物、树荫或阴影...     

基于改进DeepLabv3+孪生网络的遥感影像变化检测方法

传统遥感影像变化检测方法依赖人工构建特征,算法设计复杂且精度不高;而将2幅不同时相影像叠加后输入神经网络的遥感影像变化检测方法会造成不同时相的特征相互影响,难以保持原始影像的高维特征,且模型鲁棒性较差。因此,本文提出一种基于改进DeepLabv3+孪生网络的遥感影像变化检测方法,以经典DeepLabv3+网络的编解码结构为基础对网络进行改进:(1)在编码阶段利用共享权值的孪生网络提取特征,通过2个输入端分别接收2幅遥感影像,以保留不同时相影像的高维特征;(2)在特征融合中用密集空洞空间金字塔池化模型代替空洞空间金字塔池化模型,通过密集连接的方式结合每个空洞卷积的输出,以提高对不同尺度目标分割的精度;(3)在解码阶段中针对不同层级特征图信息差异较大,难以融合的问题,引入基于注意力机制的特征对齐模型,引导不同层级的特征对齐并强化学习重要特征,以提升模型的鲁棒性。应用开源数据集CDD验证本文方法的有效性,并与UNet-EF、FC-Siam-conc、Siam-DeepLabv3+和N-Siam-DeepLabv3+网络对比试验。试验结果表明,本文方法在精确率、召回率、F1值和总体精度上达到8...     

基于机器学习的多施工参数盾构施工姿态预测

针对盾构施工过程中参数易变、轴线难以预测控制的问题,本文提出了基于机器学习的多施工参数盾构施工姿态预测方法,分析了在复杂环境下影响盾构姿态掘进施工的参数,以及掘进参数和盾构姿态内在的关联关系,建立了盾构姿态预测模型,实现了盾首盾尾中心坐标与设计轴线的偏差计算;最后结合某地铁施工段,验证了该预测模型的可行性.     

一种基于核学习的储集层渗透率预测新方法

基于核学习的支持向量机,是一种采用结构风险最小化原则代替传统经验风险最小化原则的新型统计学习方法,具有完备的理论基础。这里提出了核学习技术在储集层非均质特性描述中渗透率参数预测的新用途。在复杂地层中,基于支持向量机的智能和自适应模式识别能力而建立了常规测井多参数信息输入的渗透率预测模型,然后对实际油田储集层渗透率进行了预测。与常规线性回归模型预测结果相对比,所提出的方法更易于使用,很少受不确定因素的影响,并具有较强的信息整合能力以及更高的预测准确性和可信度。     

Treatment Effects of Tunnel Entrance Collapse Section Based on Field Monitoring Results北大核心CSCD

为评价隧道洞口塌方段的安全性,基于累计变形预测和变形速率趋势分析模型,结合工程实例,研究隧道洞口塌方段的处理效果。实例分析表明：在累计变形预测方面,GA-VMD模型在隧道变形数据的信息分解过程中具有明显的优越性,可利用其将隧道变形数据分解为趋势项和误差项,且通过组合预测能有效保证预测精度,得出累计变形的后期仍具一定增加趋势,但增加速率相对较小;在变形速率趋势分析方面,变形速率具下降趋势,且随时间持续,下降趋势更为显著。综合对比两者结果,隧道变形无明显增加趋势,并趋于稳定方向发展,说明塌方处理措施是合理有效的,为其防治效果评价提供了理论依据。     

基于深度学习的天气雷达回波序列外推及效果分析

天气雷达探测资料是进行强对流天气临近预报的主要参考数据。针对传统雷达回波外推方法中存在资料信息利用率不足和外推时效有限的问题,文中利用神经网络进行雷达回波的外推、利用预测神经网络模型进行2 h以内的回波变化预报。回波外推问题的关键是回波时、空序列预测问题,该网络具有解决时间记忆问题的长、短时记忆单元（Long Short-Term Memory,LSTM）和提取空间特征的卷积模块。应用福建、江苏和河南多年的雷达探测资料构造训练和测试数据集。为消除降水的不平衡和提高对强回波的预报准确率,网络采用带权重的损失函数进行训练。对光流法和预测神经网络进行测试集检验以及个例分析,结果表明,在相同外推时效和检验反射率阈值的情况下,预测神经网络的临界成功指数、命中率均高于光流法,虚警率低于光流法。不同类型降水预测神经网络的SSIM值（structural similarity）均高于光流法,且层状云降水的SSIM值比对流云降水的大。因此,预测神经网络对强回波的预报能力高于光流法;在预报时效性上,预测神经网络模型具有一定的优越性;预测神经网络对层状云降水预报的准确率比对流云降水的高。      

循环神经网络在雷达临近预报中的应用

该文将循环神经网络（recurrent neural network,RNN）应用于雷达临近预报。使用预测循环神经网络（predictive RNN）架构,利用雷达历史组合反射率因子建模,给出雷达组合反射率因子未来1 h的预报结果。预测循环神经网络的核心是在长短时记忆单元（long short-term memory,LSTM）中增加时空记忆模块,能够提取雷达回波不同尺度的空间特征,配合循环神经网络架构,可以有效解决反射率因子预测问题。北京大兴雷达和广州雷达长时间序列的独立检验结果和2个强对流天气个例检验结果表明:该方法和传统的基于交叉相关法的1 h雷达外推临近预报相比,在20 dBZ和30 dBZ检验项目内,临界成功指数（CSI）可以提升0.15~0.30,命中率（POD）提高0.15~0.25,虚警率（FAR）降低0.15~0.20,该方法对反射率因子强度变化有一定预报能力。