气象领域深度学习知识体系框架及前沿应用

介绍了数据挖掘、机器学习和深度学习的概念和相互关系,按照整体性学习理论建立了气象领域深度学习知识体系框架,简要介绍了当前主流的深度学习框架工具Caffe和TensorFlow,以及深度学习在气象领域的几个前沿应用,最后提出了推进深度学习技术在气象领域研究应用应当重视的三个关键环节。     

SR-50A超声雪深仪在西藏高原的适用性研究北大核心CSCD

为满足应急气象服务需求,2013 2014年在西藏自治区强降雪和雪灾易发及重点积雪区域气象站安装了4套SR-50A超声波雪深观测系统,首次实现了西藏高原雪深自动观测和数据实时传输。利用12:30加密和08:00(北京时)常规人工雪深观测数据对4个站SR-50A雪深观测数据进行了评估和对比分析。结果表明:(1)SR-50A与人工观测的平均雪深偏差范围在±2 cm之内。雪深越大,平均均方根误差越小,观测精度越高。SR-50A传感器更为适合雪深较大地区的积雪监测。(2)SR-50A对西藏高原的雪深具有较好的监测能力,与人工观测雪深具有较好的一致性,4个观测点的线性相关系数在0.81~0.97,呈现极为显著的线性关系。(3)大风、局地太阳光照条件、气温和地表特征等因素通过风吹雪和融雪引起观测场内积雪分布不均匀,加之仪器是固定点观测,人工观测是观测场内3个点的雪深平均值,这些是SR-50A与人工观测雪深差异较大的主要原因。     

青海湟源地区草面温度变化特征分析

利用湟源县气象站2014年1月—2016年12月草面温度观测资料,运用气候统计诊断方法对湟源地区草面温度的变化特征、草面温度与气温、地面温度的关系等进行了分析,结果表明:草面温度呈一高一低的日变化特征,草面温度日最低出现在6时,14、15时达到日最高值,说明太阳辐射是影响草面温度日变化的主要因素。月平均最低值出现在1月,为-7.8℃,月平均最高值为18.5℃,出现在7月。最大变温出现在11月和3月,其主要原因是由于11月至次年3月冷空气活动频繁;季节变化表现为夏季春季秋季冬季的气候特征。湟源地区草面温度与气温、地面温度呈极显著的正相关关系,通过了0.01的显著性检验水平。各层积雪深度下草面温度与气温、地温均呈正相关,差值的大小与天空状况有关,说明天空状况的变化,也是造成两者差值大小的原因之一。当地面被积雪覆盖时,各层均表现为地面温度草面温度气温的特征,且积雪深度越厚,草面温度、气温和地面温度越高。     

叠前深度域偏移成像技术及其应用

根据“西部煤炭资源高精度三维地震勘探技术”项目中对国内外各种深度域偏移成像方法和特点的调研成果．对各类深度域成像的算法和特点进行了总结,指出不同深度域成像算法选取原则主要依据构造复杂程度和横向速度变化情况。结合克希霍夫叠前三维深度域偏移模块说明深度域偏移原理和工作流程,并以实例说明叠前深度域成像能够解决因第四系地层厚度剧烈变化造成的下覆煤层赋存形态被扭曲、深度误差大、断层平面位置不准确等问题。该实例中,叠前深度域成像划分的煤层深度比时间域偏移剖面解释结果向下移动40多m,钻探结果证实其解释的煤层深度和断层位置比较准确。     

地下水污染调查取样装置

1FFS-A型地下水定深取样器 该取样器用不锈钢等材料制作,能够从井孔漂浮物之下采取有代表性的地下水样品;能够采取含有挥发性有机物的地下水样品;能够在本取样器设定深度的范围内采取任意深度的地下水样品。该取样器最大取样深度水下300m;取样容量1L／每次;取样器外径50mm。     

河套灌区地下水临界深度的确定及其意义探讨

针对河套地区土壤盐渍化严重的实际情况,通过实测及参考前人研究成果,确定了河套地区地下水临界深度值为2.0 m,并讨论了临界深度的确定对于防治土壤盐渍化、合理利用水资源和提高农作物产量的实际意义。     

深圳房屋建筑桩基础桩端持力层选择及入岩深度分析

结合深圳地区多年来施工房屋建筑桩基础的经验,讨论了有关深圳地区房屋建筑桩基础桩端持力层的选择和入岩深度问题,并提出了相关建议.     

考虑坡面稳定的黄土高切坡设计研究

通过泥沙运动力学分析了在坡面流作用下土颗粒的受力情况,建立了临界坡度的计算公式。在此基础上,综合考虑坡角的优化设计、单级坡高的确定及平台的约束三个方面研究了黄土高切坡的设计。通过工程实例分析表明,考虑坡面稳定的黄土高切坡设计方法是合理的。因此,建议边坡开挖时开挖坡角以及开挖形式既要满足坡体稳定性的要求也要满足坡面稳定的要求。     

结合对抗网络与辅助任务的遥感影像无监督域适应方法

使用机器学习进行遥感影像标注的一个重要前提是有足够的训练样本,而样本的标注是非常耗时的。本文采用了域适应的方法来解决遥感影像场景分类中小样本量的无监督学习问题,提出了结合对抗网络与辅助任务的遥感影像域适应方法。首先建立了基于深度卷积神经网络的遥感影像分类框架;其次,为了学习到域不变特征,在标签分类器的基础上增加域分类器,并使域损失函数在其反射传播时的梯度与标签损失的梯度相反,从而保证域分类器不能区分样本来自于哪个域;最后引入了辅助分类任务,扩充了样本的同时使网络更具泛化能力。试验结果表明,本文方法优于主流的无监督域适应方法,在小样本遥感影像无监督分类中得到了较好的效果。