生成式对抗网络的高光谱遥感图像分类方法研究

针对基于深度学习的分类模型在训练样本较少时所遭受的潜在过拟合问题,提出一种具备过拟合抑制的生成式对抗网络分类算法,并应用于高光谱图像分类.该算法在每次迭代时,首先,依据训练样本的标签信息使判别器网络拟合训练样本的数据分布;然后对训练样本的高维特征进行均值最小化,该过程会重新更新判别器网络参数,减小参数的值和方差,以抑制...     

热河生物群爬行类化石Monjurosuchus splendens中文译名讨论及其属种分类位置研究简史

Monjurosuchus splendens是辽宁西部热河生物群中最早被正式命名的爬行类化石,该属种名称在最初以英文发表的论文中并没有明确其含义,导致它的中文称谓有“文珠龙”（属名）、“荣耀满洲鳄”、“楔齿满洲鳄”等几种说法。本文认为属名（Monjurosuchus）应尊重最初命名者论文中的日文摘要表述的含义,称之为“满洲鳄”,而种名（splendens）的拉丁文并不是“楔齿”之义,应按其本义译为“华丽”,因而Monjurosuchus splendens的正确中文译名应为“华丽满洲鳄”。华丽满洲鳄的分类位置、以及其与辽宁西部另一爬行类化石“东方喙龙Rhynchosaurus orientalis”的关系长期以来亦存在着不同看法,直到20世纪末和21世纪初Monjurosuchus splendens作为有效属种名称被再次确认且被正确归入离龙目（Choristodera）。本文回顾了该属种研究历史及其分类位置的认识变化情况,支持将其归入离龙目（Choristodera）满洲鳄科（Monjurosuchidae）、而且“东方喙龙Rhynchosaurus orientalis”为华丽满洲鳄Monjurosuchus splendens的晚出同物异名这一观点。     

基于钻孔数据的大同场地类别与地震动参数分布研究

收集在大同市开展的117项地震安全性评价报告,重点整理报告中的319个钻孔数据,核对各场地类别。参考第五代地震动参数区划图,选取有代表性的22个工程场地,重新进行地震危险性概率分析和土层反应计算,确定各场地50年超越概率为63%、10%、2%的地震动参数,分析大同市场地类别分布特征和地震动参数分布特征。结果表明,这些项目集中分布在大同市南部,工程场地类别主要为Ⅱ类和Ⅲ类,绝大多数为Ⅱ类。50年超越概率10%的水平峰值加速度中,只有1个工程场地的结果是0.182g,位于0.15g区,其余均位于0.20g区。50年超越概率10%的特征周期在0.52~0.65s之间,平均值为0.58s。     

天津滨海新区重点海岸带土地生态景观综合分析与评价

土地生态景观分类是土地分类的深化,土地生态景观分析能够更好地审视生态环境的现状和变化。文章以天津滨海新区重点海岸带为研究区域,以高精度航空影像和GF-2卫星影像为数据源,结合Naveh的景观分类系统完成了研究区的土地生态景观遥感调查。在遥感调查的基础上,选取斑块面积（CA）、斑块数量（NP）、最大斑块所占景观面积比例（LPI）等12项景观格局指标对研究区的景观现状进行了综合分析,发现：1）工业及居住景观呈团块式聚集,农业景观和人工养殖景观破碎程度较高;2）研究区景观异质性明显,景观格局类型稳定性差且景观格局分布具有明显的地域性;3）工业及沿岸浅海区规划较好,然而荒漠景观分布面积较多且集中,需要重点规划和治理。研究表明景观格局能够准确反映研究区景观的基本特征,对研究区今后的生态环境改善、旅游景观分析以及土地资源利用和规划提供一定的参考价值和指导意义。

     

基于面向对象分类的稀土开采区遥感信息提取方法研究

离子吸附型稀土矿是我国宝贵的矿产资源,运用遥感影像分类技术提取稀土开采区可以准确地实现对稀土开采状况的监测,但仅利用光谱信息往往难以保证分类精度。本文以江西寻乌稀土矿区为研究区,以IKONOS影像为数据源,应用面向对象分类方法提取了稀土开采区的遥感信息。针对稀土开采区的分布特点,选择基于边缘的分割算法进行影像分割;结合地形信息、光谱信息及几何信息建立规则集,进行特征提取;最后采用隶属度函数法实现面向对象分类,并与传统的光谱角填图分类进行对比分析。研究结果表明,面向对象分类法提取稀土开采区的总体精度为92.49%,Kappa系数为0.857 6,与传统监督分类方法相比有了很大的提高。     

基于岩石图像深度学习的岩性自动识别与分类方法

岩石岩性的识别与分类对于地质分析极为重要,采用机器学习的方法建立识别模型进行自动分类是一条新的途径。基于Inception-v3深度卷积神经网络模型,建立了岩石图像集分析的深度学习迁移模型,运用迁移学习方法实现了岩石岩性的自动识别与分类。采用此方法对所采集的173张花岗岩图像、152张千枚岩图像和246张角砾岩图像进行了学习和识别分类研究,通过训练学习建立岩石图像深度学习迁移模型,并分别采用训练集和测试集中的岩石图像对模型进行了检验分析。对于训练集中的岩石图像,每组岩石分别用3张图像测试,三种岩石的岩性分类均正确,且分类概率值均达到90%以上,显示了模型良好的鲁棒性;对于测试集中的岩石图像,每组岩石分别采用9张图像进行识别分析,三种岩石的岩性分类均正确,并且千枚岩组图像分类概率均高于90%,但是花岗岩组2张图像和角砾岩组的1张图像分类概率值不足70%,概率值较其他岩石图像低,推测其原因是训练集中相同模式的岩石图像较少,导致模型的泛化能力减小。为了提高识别精确度,对准确率较低的岩石图像进行截取,分别取其中的3张图像加入训练集进行再训练,增加与测试图像具有相同模式的训练样本;在新的模型中,对3张图像进行二次检验,测试概率值均达到85%以上,说明在数据足够的状况下模型具有良好的学习能力。与传统的机器学习方法相比,所提出的岩石图像深度学习方法具有以下优点:第一,模型通过搜索图像像素点提取物体特征,不需要手动提取待分类物体特征;第二,对于图像像素大小,成像距离及光照要求低;第三,采用适当的训练集可获得较好的识别分类效果,并具有良好鲁棒性和泛化能力。     

基于Hyperion高光谱数据和随机森林方法的岩性分类与分析

探索利用高光谱数据的岩性填图新方法是遥感地质应用领域的重要需求之一。本文运用随机森林方法和EO-1Hyperion高光谱数据,对新疆塔里木西北部柯坪地区的局部区域进行岩性分类,并对相关问题进行分析。分别利用光谱特征以及加入光谱一阶导数特征进行岩性分类,并对不同特征对岩性分类的重要性进行分析,同时与现有的基于光谱角制图方法(SAM)进行比较。结果表明,与SAM方法相比,随机森林方法得到了更高精度的岩性分类结果,是一种有效可行的岩性分类方法。根据特征重要性的排序,蓝绿光波段、短波红外波段以及相应的一阶导数特征对研究区Hyperion数据的沉积岩岩性分类贡献更大。