The use of digital technologies for landslide disaster risk research and disaster risk management: progress and prospects

Landslide is a serious natural disaster next only to earthquake and flood, which will cause a great threat to people’s lives and property safety. The traditional research of landslide disaster based on experience-driven or statistical model and its assessment results are subjective , difficult to quantify, and no pertinence. As a new research method for landslide susceptibility assessment, machine learning can greatly improve the landslide susceptibility model’s accuracy by constructing statistical models. Taking Western Henan for example, the study selected 16 landslide influencing factors such as topography, geological environment, hydrological conditions, and human activities, and 11 landslide factors with the most significant influence on the landslide were selected by the recursive feature elimination (RFE) method. Five machine learning methods [Support Vector Machines (SVM), Logistic Regression (LR), Random Forest (RF), Extreme Gradient Boosting (XGBoost), and Linear Discriminant Analysis (LDA)] were used to construct the spatial distribution model of landslide susceptibility. The models were evaluated by the receiver operating characteristic curve and statistical index. After analysis and comparison, the XGBoost model (AUC 0.8759) performed the best and was suitable for dealing with regression problems. The model had a high adaptability to landslide data. According to the landslide susceptibility map of the five models, the overall distribution can be observed. The extremely high and high susceptibility areas are distributed in the Funiu Mountain range in the southwest, the Xiaoshan Mountain range in the west, and the Yellow River Basin in the north. These areas have large terrain fluctuations, complicated geological structural environments and frequent human engineering activities. The extremely high and highly prone areas were 12043.3 km² and 3087.45 km², accounting for 47.61% and 12.20% of the total area of the study area, respectively. Our study reflects the distribution of landslide susceptibility in western Henan Province, which provides a scientific basis for regional disaster warning, prediction, and resource protection. The study has important practical significance for subsequent landslide disaster management.     

基于深度残差网络的机载LiDAR点云分类

机载LiDAR点云的分类是利用其进行城市场景三维重建的关键步骤之一。为充分利用现有的图像领域性能较好的深度学习网络模型,提高点云分类精度,并降低训练时间和对训练样本数量的要求,本文提出一种基于深度残差网络的机载LiDAR点云分类方法。首先提取归一化高程、表面变化率、强度和归一化植被指数4种具有较高区分度的点云低层次特征;然后通过设置不同的邻域大小和视角,利用所提出的点云特征图生成策略,得到多尺度和多视角点云特征图;再将点云特征图输入到预训练的深度残差网络,提取多尺度和多视角深层次特征;最后构建并训练神经网络分类器,利用训练的模型对待分类点云进行预测,经后处理得到分类结果。利用ISPRS三维语义标记竞赛的公开标准数据集进行试验,结果表明,本文方法可有效区分建筑物、地面、车辆等8类地物,分类结果的总体精度为87.1%,可为城市场景三维重建提供可靠的信息。     

车辆轨迹数据的道路学习提取法

车辆轨迹数据的道路信息提取是地理信息领域的热点也是难点之一,深度学习的快速发展为该问题的解决提供了一种思路与方法。本文针对车辆轨迹数据的车行道级道路提取问题,引入深度学习领域的生成式对抗网络,利用残差网络构建深层网络和多尺度感受野感知轨迹数据不同细节特征,构建了基于条件生成式对抗网络的轨迹方向约束下车行道级道路提取模型。首先提出了朝向-颜色映射栅格化转换方法,实现轨迹朝向信息向HSV颜色空间的转换;然后利用样本数据学习模型参数;最后将训练模型应用到郑州、成都、南京3个试验区域提取车行道级道路数据。试验结果表明,本文方法能够有效地提取完整的车行道级道路数据。     

高光谱目标探测的进展与前沿问题

针对高光谱目标探测问题的主要挑战,将高光谱目标探测的进展与前沿问题分为两个方面进行综述。基于信号检测理论的方法如结构化背景的约束能量最小化方法、非结构化背景的自适应一致性余弦评估器等,是高光谱目标的探测经典算法;随着统计模式识别与机器学习领域中新技术的出现,一些数据驱动的目标探测方法逐渐成为了高光谱目标探测的前沿问题,如核方法、稀疏表达方法等。概述了两类方法的特点,比较了各自的优势和不足,并展望了高光谱目标探测未来的发展趋势。     

爆破扰动下TBM隧洞时滞型岩爆特征及影响机制研究

时滞型岩爆的发生通常具有很强的随机性,会对施工安全造成巨大的威胁,而开挖扰动、爆破扰动等均会对潜在时滞型岩爆区产生不同程度的影响。依托某隧道掘进机（TBM）引水隧洞,采用理论分析和对比分析法研究了拆机洞爆破开挖期间K54+000—K54+700段发生的5次时滞型岩爆,发现：（1）强烈岩爆和中等岩爆区位于缓倾断层附近,围岩发育短小隐节理和含充填的细密节理,轻微岩爆距断层远或位于正断层附近,除含充填的细密节理外,均至少发育1条含充填物的倾向SW的陡倾结构面;（2）TBM法开挖隧洞时滞型岩爆滞后爆破时间更长,滞后工作面距离更远,且爆破对TBM隧洞的扰动作用相对较小;（3）爆破扰动使得潜在时滞型岩爆区围岩失稳变得容易,从而加速了时滞型岩爆的进程。研究成果可为TBM隧洞时滞型岩爆的预警与防控提供参考。     

基于小波分解和最小二乘支持向量机的西太平洋副高预测模型

用小波分解（WT）和最小二乘支持向量机（LS-SVM）相结合的方法,建立西太平洋副热带高压面积指数的预报模型。该方法首先将西太平洋副热带面积指数（SI）分解为相对简单的带通分量信号,利用LS-SVM建立各分量信号的独立预报模型,然后对预报结果进行集成。为了评估和比较该方法的预报效果和技术优势,最后比较了在同等条件下WT～LS-SVM模型和神经网络、线性回归模型的独立检验预报效果。试验结果表明,该方法具有泛化能力强、预报精度高、训练速度快、稳定性好、便于建模等优点,具有良好的应用前景。     

基于支持向量机的遥感大雾判识

提出了一种基于支持向量机的卫星遥感数据大雾判识方法:首先通过对风云1D卫星大雾区域的各通道辐射值出现频次进行概率统计,利用其阈值来粗判识大雾;然后在粗判识的基础上通过支持向量机的方法进行大雾细判识;最后利用腐蚀和膨胀的图像处理技术对判识后的图像进行优化处理。在对我国2006年9-12月的65条监测到大雾的风云1D轨道的探测数据进行分析之后,发现大雾判识结果与专家标记吻合。检验结果表明,利用1、2、4、6、7、10通道组合进行粗判识的结果最好,5交叉正确率为89.9849%,TS评分为74.04%。利用上述方法对个例的分析检验表明,基于支持向量机的遥感大雾判识方法是切实可行的。     

基于深度学习的西沙永乐群岛珊瑚礁遥感信息提取

珊瑚礁是海洋生态系统的重要组成部分,对保护海洋生物多样性以及维持海洋生态平衡具有重大意义。我国南海珊瑚岛礁自然资源丰富,准确、高效地提取珊瑚岛礁信息对南海岛礁监测、管理、规划与保护具有现实意义。本研究基于我国海洋一号C卫星(HY-1C)遥感数据,对西沙永乐群岛珊瑚礁信息进行了研究与分析,提出基于HY-1C遥感数据的珊瑚礁地貌分类体系。采用全卷积神经网络U-Net模型,依次通过下采样、上采样操作提取西沙永乐环礁地貌特征,实现原始影像的像素级语义分割。结果表明：基于HY-1C数据建立的地貌分类体系对活珊瑚覆盖及珊瑚生长发育条件具有指示作用,提出的基于U-Net模型的珊瑚岛礁地貌信息自动提取方法,能够为我国南海珊瑚岛礁生态系统的全自动、大范围监测和评价提供相应理论基础,在珊瑚礁生态管理与评价中发挥关键作用。精度验证结果表明：U-Net模型可以有效提取珊瑚礁地貌信息,采用的地貌信息提取方法具备时空泛化能力,泛化精度高于80%。     

融合先验物理信息的高精度智能可控源电磁反演算法

可控源电磁反演利用人工信号获取地下结构信息,为地质勘探和资源开发提供准确的数据支持。然而,传统电磁反演方法面临低分辨率的挑战,主要是由于简化处理和观测数据的限制,导致模型平滑、细节丢失,从而削弱了反演的准确性,影响了电磁勘探的效率。为了解决这一问题,本文提出将传统反演结果与响应数据同时作为深度网络的输入数据,为深度网络反演提供先验物理信息,并结合深度学习算法提升可控源电磁反演的计算效率。通过模型试验,对合成的电阻率模型分别进行了传统反演、智能反演以及融合先验物理信息的智能反演。结果表明,融合先验物理信息的智能反演能够更好地刻画异常体结构特征,有效提升反演效率,并且得到的电阻率参数更符合实际。最后,将该反演技术应用于金川铜镍矿床的可控源数据反演解释,取得了较为可靠的应用效果。     

盾构机全站仪激光导向模式误差灵敏度分析

通过对盾构机全站仪激光导向系统的测量原理研究,并对盾构坐标与施工坐标系的旋转模型转换原理分析,建立盾构姿态参数与坐标旋转模型的关系.然后通过全站仪测量激光标靶棱镜和切口坐标与激光标靶相对位置的误差分析得到相关结论.