潜在地震灾害预测和评价神经网络系统及其若干问题

结合人工神经网络自身的特性和地震灾害预测研究的特点,本文应用神经网络模型,建立了潜在地震灾害预测和评价系统。针对网络模型参数设置、数据归一化、中间层神经元最优数目以及泛化分类评价指标等若干实际问题给出了实际可行的解决方案。通过大样本数据对网络的训练,形成了有识别和记忆功能的非线性预测和评价系统。对网络的测试和检验,论证了该系统在预测潜在地震灾害上的可行性和有效性。同时,从测试精度出发,探讨了这种预测网络存在的不足,并给出了相应的改进建议,为开展进一步的研究工作提供了参考。     

Texture classification of Mediterranean land cover

Maximum likelihood (ML) and artificial neural network (ANN) classifiers were applied to three Landsat Thematic Mapper (TM) image sub-scenes (termed urban, agricultural and semi-natural) of Cukurova, Turkey. Inputs to the classifications comprised (i) spectral data and (ii) spectral data in combination with texture measures derived on a per-pixel basis. The texture measures used were: the standard deviation and variance and statistics derived from the co-occurrence matrix and the variogram. The addition of texture measures increased classification accuracy for the urban sub-scene but decreased classification accuracy for agricultural and semi-natural sub-scenes. Classification accuracy was dependent on the nature of the spatial variation in the image sub-scene and, in particular, the relation between the frequency of spatial variation and the spatial resolution of the imagery. For Mediterranean land, texture classification applied to Landsat TM imagery may be appropriate for the classification of urban areas only.     

A-FPN算法及其在遥感图像船舶检测中的应用

光学遥感图像船舶检测主要面临两个挑战:光学遥感图像背景复杂,船舶检测易受海浪、云雾及陆地建筑等多方面干扰;遥感图像分辨率低,船舶目标小,对于其分类与定位带来很大困难;针对上述问题,在FPN的基础上,提出一种融入显著性特征的卷积神经网络模型A-FPN (Attention-Based Feature Pyramid Networks)。首先,利用卷积提取图像特征金字塔;然后,利用顶层金字塔逐级构建显著特征层,抑制背景信息,通过金字塔顶层的细粒度特征提高浅层特征的表达能力,构建自上而下的多级显著特征映射结构;最后利用Softmax分类器进行多层级船舶检测。A-FPN模型利用显著性机制引导不同感受下的特征进行融合,提高了模型的分辨能力,对遥感图像处理领域具有重要应用价值。实验阶段,利用公开的遥感目标检测数据集NWPU VHR-10中的船舶样本进行测试,准确率为92.8%,表明A-FPN模型适用于遥感图像船舶检测。     

Estimation of suspended sediment concentration in the Saint John River using rating curves and a machine learning approach

ABSTRACT

Sedimentation in navigable waterways and harbours is of concern for many water and port managers. One potential source of variability in sedimentation is the annual sediment load of the river that empties in the harbour. The main objective of this study was to use some of the regularly monitored hydro-meteorological variables to compare estimates of hourly suspended sediment concentration in the Saint John River using a sediment rating curve and a model tree (M5?) with different combinations of predictors. Estimated suspended sediment concentrations were multiplied by measured flows to estimate suspended sediment loads. Best results were obtained using M5? with four predictors, returning an R² of 0.72 on calibration data and an R² of 0.46 on validation data. Total load was underestimated by 1.41% for the calibration period and overestimated by 2.38% for the validation period. Overall, the model tree approach is suggested for its relative ease of implementation and constant performance.

EDITOR M.C. Acreman; ASSOCIATE EDITOR B. Touaibia     

基于历史数据的黄海浒苔爆发规模预测

依据黄海浒苔初始覆盖面积及最大覆盖面积的历史数据,选取温度、光强、降水3种对于浒苔生长扩散最重要的影响因子,本文提出并建立了基于BP神经网络确定转换系数R的浒苔覆盖面积预测模型,可在浒苔出现初期即实现对本年度浒苔最大覆盖面积的模拟预测,并通过历史数据进行验证。结果表明,所预测的浒苔最大爆发情况与真实情况相符,研究成果可为浒苔的应急准备工作争取更多的时间提供一定参考。     

RBF网络在铅锌多金属矿综合物化探找矿预测中的应用

由于矿床定位影响因子较多,并且这些因子与矿床位置间存在着非常复杂的非线性关系,所以一直以来,矿床定位只能实现定性化预测。RBF神经网络可以实现从输入到输出的高度非线性映射,能够使矿床预测由定性预测发展为定量预测。这里应用RBF神经网络法对浙江某地区铅锌矿进行了综合物化探找矿预测,结果表明,该方法具有很高的准确率,与实际地质情况吻合率很高,可以定量用作对隐伏矿床的预测。     

基于神经网络的滑坡变形预测报研究

利用ＢＰ神经网络方法建立了滑坡变形预报模型,在此模型的基础上对几个典型滑坡进行了预报分析,其结果表明用ＢＰ模型进行滑坡短期预报效果较好。     

松辽盆地深层孔隙流体压力预测

孔隙流体压力属于流体状态参量, 它是进行盆地动力学分析、油气成藏动力学分析以及油气预测的重要因素之一.孔隙流体压力的预测模式应尽量将各种地质作用对其的贡献考虑进去, 并且, 利用大量的实际地层测试参数与各种地球物理参数之间的相互关系来选择适当的数学模型.选用神经网络计算技术对松辽盆地深层孔隙流体压力进行了预测, 并对孔隙流体压力的可能成因进行了分析.      

基于MonoRTM模型的微波辐射计反演方法研究

基于辐射传输模型MonoRTM计算天空亮温度,使用多元线性统计回归方法和BP神经网络方法分别对大气温度和水汽密度廓线进行了反演,检验并分析了两种方法的反演精度.结果表明,多元线性回归方法反演的温度偏差总体不大于6K,反演的水汽密度偏差小于4 g/m3;神经网络方法反演的温度偏差小于2K,反演的水汽密度误差总体不大于2 g/m3.与探空数据的对比表明,对于大气温度和水汽密度反演,BP神经网络方法的反演结果都要比多元线性回归方法的反演结果更接近探空资料值.     

基于PSO-BP神经网络的地表下沉系数选取研究

针对BP神经网络自身收敛速度慢、容易陷入局部极小点的缺点,引入粒子群优化算法,建立地表下沉系数的PSO-BP选取模型。利用粒子群算法反复优化BP网络的权值和阈值,将其作为BP网络的初始值,并将上覆岩层岩性、开采深厚比、松散层厚度、覆岩中坚硬岩层所占比例、是否为重复采动和顶板管理方法等主要影响因素作为网络输入,进行BP算法,直至网络达到训练指标。利用实测资料数据,建立PSO-BP预计模型,并同普通BP神经网络预计结果对比。结果表明：PSO-BP神经网络不仅训练速度快,而且预测精度明显提高,该模型对地表下沉系数选取具有一定的应用价值。