复杂卫星图像中的小目标船舶识别

船舶作为海上的重要目标,实现对船舶自动识别有重要的意义。针对卫星图像中云雾、海岸背景等复杂海情对船舶识别带来的干扰,以及小目标船舶高漏检率问题,本文提出一种多尺度深度学习模型训练策略,在此基础上构建了一种船舶识别的深度学习网络,该网络可分为多尺度训练、特征提取、生成目标建议区域、船舶分类这4个部分。首先,采用多尺度的训练策略,将多尺度的船舶样本送入网络中进行训练,这样在训练样本中加入了大量小目标船舶的样本,使网络充分提取到小目标船舶的特征;其次,通过卷积神经网络对目标船舶进行特征自适应提取;然后,目标区域建议网络可依据卷积神经网络提取到的特征,在图像中找到感兴趣目标区域,即框定船舶的位置;最后,通过多个全连接层的组合,将高维特征映射到一个4元组中,再运用分类函数输出每一类船舶的概率值,概率值最大的则为该船舶的类别。同时为解决云雾遮挡和海岸背景的干扰,采用了一种负样本增强学习的方法,在样本数据集中加入了大量只含有云雾和海岸背景的图片,进行负样本扩充,增强网络模型对云雾及海岸背景的特征学习能力,以此解决复杂海情的影响。实验结果表明,所提方法有效解决了复杂海情条件下的船舶识别难,以及小目标船舶识别难的问题,实现了复杂海情条件下的船舶识别。同时,与现有成熟的深度学习目标识别算法相比,本文算法的精确度和召回率分别提升了6.98%和18.17%,所训练的模型具有良好的泛化能力和鲁棒性。     

基于多分辨率分析的GF-5和GF-1遥感影像空—谱融合

针对空间分辨率比率较大尺度差异下的高分五号(GF-5)与高分一号(GF-1)卫星影像的空—谱融合问题,提出多传感器影像融合策略:一方面,通过现有空—谱融合方法的分步融合得到融合影像;另一方面,在分步融合理论基础上,推导得出一体化融合基础框架,并进一步提出基于多分辨率分析的多传感器一体化融合方法,缓解现有方法因空间分辨率比率过大导致影像空、谱互补信息难以有效集成的问题。其中,提出的一体化融合方法基于调制传递函数MTF (Modulation Transfer Function)滤波对多传感器影像空间(高频)和光谱(低频)分量进行分解提取,并充分考虑多传感器高空间分辨率影像与高光谱分辨率影像之间的关系,以及高光谱分辨率影像波段间关系,设计合理的融合权重,最终可得到具有最高空间分辨率和最高光谱分辨率的融合影像。通过GF-1全色影像、GF-1多光谱影像、GF-5高光谱影像数据对提出方法进行实验验证,结果表明:本文方法可有效集成多传感器影像间的空、谱互补信息,得到较优融合结果。     

基于深度学习的目标检测定位系统设计与实现

针对传统遥感影像目标检测方法效率不高,并且无有效手段对检测信息进行管理利用的问题,提出了在B/S构架下基于深度学习的目标检测及定位方法。通过集成深度学习框架、WebGIS以及数据库,实现了集遥感影像目标检测、展示及管理于一体的目标检测定位系统,满足多用户基于前端浏览器的并发目标检测需求。利用网格划分策略,实现了基于前端的大区域范围的目标快速检测。基于某机场飞机目标及某城市区域运动场目标检测结果表明:本文设计的目标检测定位系统能够在前端实现目标快速检测定位,具有较高检测精度,并可有效管理检测信息,为深度学习循环再利用提供数据支撑。     

城市隐蔽管线多源探查方法

城市地下管线对城市的正常运转发挥了重要作用。隐蔽管线是城市地下管网的重要组成部分。本文根据莱州市城市隐蔽管线探查的特点,探讨了多源探查方法的理念及其在莱州市地下管线探查中的应用,并对其地下管线探测精度进行了验证。     

无人机倾斜摄影测绘1∶500地形图精度分析

无人机倾斜摄影测量可以获得高精度的实景三维模型,本文介绍了无人机倾斜摄影测量的关键技术,按照无人机倾斜摄影实景三维模型测图作业流程,在河南范县利用无人机及Leica RCD30倾斜相机进行倾斜摄影,以Context Capture Center软件为平台进行空三加密与生成实景三维模型,然后在EPS平台上裸眼立体测绘1:500地形图。最后,从空三加密精度、像片控制点精度与测图精度三方面进行精度分析,结果表明:本次无人机倾斜摄影测量达到1:500地形图精度要求,相关方法可供参考。     

点吸收式波浪能俘获装置结构优化方法研究

根据布设海域波浪能资源特征,对点吸收式波浪能装置结构进行优化,可有效提高装置的能量俘获效率。本文以威海褚岛北部海域为装置布设目标海域,在对该海域波浪资源特征进行统计分析的基础上,计算得到装置的直径,同时利用数值软件计算出多组工况下点吸收装置吃水深度和装置固有周期的对应关系,并利用统计学方法得出装置固有周期随吃水深度的变化规律,进而分析得出装置在该海域的最佳设计吃水深度,为点吸收波浪能装置结构优化设计提供了新的思路。该方法对于其他技术类型波浪能装置的结构优化设计同样具有借鉴意义。     

基于YOLOv3深度学习的海雾气象条件下海上船只实时检测

海雾气象条件下船只高精度检测识别面临较大困难,传统的目标识别、定位方法效果差强人意。作者围绕海雾气象条件下不同类型船只的实时检测问题,提出一种基于YOLOv3深度学习的实时海上船只检测新思路。首先构建清晰图片和模糊图片（海雾、雨）的判别方法,实现图片清晰度分类处理;其次为提高海雾气象条件下海上船只的实时检测精度,消除海雾遮挡对目标识别的影响,运用暗通道先验去雾方法对含有海雾的图像实行去雾;最后基于YOLOv3深度学习算法对精细处理后的图像进行船只实时检测。实验结果表明该方法能够在海雾气象条件下高效、准确地检测到船只,对海上复杂环境条件下的船只实时检测研究具有一定的理论指导意义。     

基于机器学习的海洋环境预报订正方法研究

结合中尺度数值模式 WRF 预报数据和 ERA5 再分析资料,利用机器学习方法对 WRF 预报场的风场、温度、气压进行预报订正。采用 ERA5 作为真值,与原始 WRF 预报相比,利用随机森林模型可以将预报结果整体均方根误差降低 44%以 上,利用深度神经网络模型可以将预报结果整体均方根误差降低 34%以上。通过随机森林模型实验得到不同输入特征对预报要素的影响程度,分析了关键的预报订正因子。     

全水深多波束测深系统Seabeam3012在西太平洋马里亚纳海山区地形测量中的应用

中国科学院海洋研究所在开展西太平洋马里亚纳海山区多学科综合科学考察的过程中,利用“科学”轮船载的全水深多波束测深系统Seabeam3012对多个海山进行了地形测量工作。针对作业过程中遇到的恶劣海况导致采集数据质量差、多波束系统易检测错误海底信息、测线布设难度大等问题,提出了基于船体姿态对数据质量影响分析的多波束测线方向优化、基于地形变化并参考浅地层剖面资料的作业参数优化和基于实时采集情况的多波束采集测线布设优化等一系列措施,有效地提高了海山区多波束数据采集质量,并提高了作业效率。获得的高品质地形数据,为多学科协同研究奠定了基础,为ROV等设备的现场作业提供了安全保障。     

南海北部海域油气勘探保障建设选址适宜性研究

为分析南海北部海域油气勘探保障建设选址的适宜性,在广泛研究备选区特征资料的基础上,基于层次分析法(Analytic Hierarchy Process, AHP)原理,以自然环境因素、开发环境因素、基础设施与投资情况以及其他因素作为一级评判准则,建立了包括12项二级评判准则的递进层次结构模型,并以永兴岛、赵述岛和晋卿岛作为3个假定备选区,来验证分析评价模型的有效性和可靠性。AHP评判结果显示,3个备选区的整体优劣指数依次为0.587 1, 0.212 1, 0.200 8;AHP模型的一致性比例CR值为0.020 3。通过分析和筛选影响远海油气勘探保障建设的选址因子,构建基于AHP原理的选址评价模型,可用于分析评价南海北部岛礁油气勘探保障建设选址的适宜性。