基于统计学习方法的安徽省安庆市自然资源自动化监测——以山体为例

遥感作为一种可以快速、大范围获取地表覆盖信息的技术手段,为复杂的自然资源调查任务提供了可靠的数据来源。针对山体确界问题,以遥感卫星影像为数据支撑,采用非监督的统计学习方法,为山体特征建模。然后,采用DBSCAN算法和边缘检测思想,识别山体区域,并提取山体边界。该方法不依赖于人工标记真值,实现了山体边界的全自动识别。实验采用安庆市Landsat 8遥感卫星影像数据,有效识别了安庆市境内的山体,并提取山体边界。通过定性和定量化分析,验证了方法的可靠性,证明了遥感技术和统计学习理论在自然资源调查领域的应用潜力。该研究方法和结果能够为安庆市明确山体范围,界定山体的完整性与山体保护规划工作提供理论支撑。     

丹东冬季降水相态判据研究

利用丹东1979-2012年10月至翌年4月逐日降水、天气现象、高空探空资料及NCEP0.5°×0.5°（部分2.5°×2.5°）再分析资料,对丹东地区冬季不同相态降水气候及大气层结特征进行了统计分析, 并对不同相态降水典型个例进行了分析。结果表明：丹东地区虽地处北方,但冬季降水相态多样。在秋冬、冬春过渡和严冬不同时段,大气不同层结不同相态降水气温阈值范围不同,建立了丹东冬季不同大气层结降水相态判据。大气不同层结前期特别是近地面层气温背景与不同相态降水的发生与转换关系密切,可为动态预报降水相态提供了参考。850 hPa及以下中低空温度条件对冬季降水相态形成至关重要,850 hPa的0℃线能较好区分雨和雪区大致范围,925 hPa的0 ℃线能较好区分雨夹雪和雪以及雨夹雪和雨大致范围。     

山西地下水氡中短期异常识别标志及预报方法研究

采用“九五”地震科技攻关地下水化学及 EIS2 0 0 0提供的多种数据处理和异常识别方法 ,对山西省地下水氡观测资料进行了较详细的处理 ,筛选出较好的数据处理方法和异常标志。结果表明 ,除常规的数学处理方法外 ,用水氡的基值变化率和滑动变化率提取异常效果较好 ,如果基值变化率 R0 ≥ 0 .0 6 ,持续时间大于等于 12个月 ,滑动变化率 R≥ 0 .0 5 ,持续时间大于等于 12个月 ,则视为异常     

来自大别山深成侵入岩图像深度迁移学习的可解释性研究

岩石图像识别是以深度学习为代表的感知智能在地质领域的典型应用场景。已有研究显示网络结构简单的深度卷积神经网络能够在岩石图像上取得比复杂网络结构高的分类准确率。这与ImageNet数据集上网络结构越深越好的趋势相悖。如何解释这一现象？深成侵入岩为显晶质,自形—半自形粒状结构,块状构造,其分类的依据是其矿物成分及相对含量。大别山地区岩浆活动广泛,中生代深成侵入岩广泛出露。岩石类型包括超镁铁质岩类、辉长岩类、闪长岩类、正长岩类、二长岩类和花岗岩类,基本覆盖IUGS推荐的深成侵入岩分类方案中的岩石类型。选取大别山地区中生代深成岩图像开展不同网络结构预训练模型迁移学习对比试验,能够专注于深度学习对矿物成分特征的学习解释,降低构造因素的影响。借助局部可理解的模型解释技术和特征图可视化技术,分别从全连接层分类决策区域可视化和卷积隐层可视化两方面对深度学习模型开展可解释性研究。结果表明简单网络结构的卷积神经网络能够提取不同矿物所表现出的颜色特征以及不同矿物组合所表现出的纹理特征。AlexNet模型的削减试验进一步证明：对于岩石图像深度学习,网络结构并不总是越深越好。     

利用高光谱识别草地种类的研究——以锡林郭勒草原为例北大核心CSCD

以锡林郭勒草原典型的羊草、针茅、日阴菅、隐子草为研究对象,测量4种草地光谱,利用光谱微分法对原始光谱数据进行处理,在提取草地光谱7个特征参数的基础上,采用相关性分析和主成分分析方法精选红边斜率、绿峰位置、绿峰值和红谷位置4个参数。基于所选的4个光谱特征参数,采用多层感知神经网络模型对草地种类进行识别,精度达到80.3%,同时对比7个特征参数与4个特征参数对草地种类识别精度的影响,发现草地种类识别精度从69.0%提高到80.3%。本研究可为大面积草地物种资源的遥感调查和监测提供科学依据。     

古湖岸线确定及其对优质储集层控制--以鄂尔多斯盆地北部地区盒8段为例

古湖岸线是历史时期湖平面与古陆地的交线,是陆上和水下沉积的分界线。确定古湖岸线的位置对于油气勘探起着重要的指导作用。在利用泥岩颜色、泥岩X衍射分析以及自然伽马曲线特征等常规湖岸线识别方法的基础上,从有机岩石学分析的全新角度认识研究区盒8段沉积环境,确定了盒8期古湖岸线具体位置及湖岸线摆动区。沉积盆地中古湖岸线控制了优质储集层的形成与发育,由于砂岩粒度、软岩屑含量、填隙物组成的差异以及后期成岩作用导致水上沉积带砂岩物性要优于岸线摆动沉积带和水下沉积带砂岩。     

基于三维荧光光谱-平行因子技术联用的浮游藻化学分类学技术研究

An in vivo three-dimensional fluorescence method for the determination of algae community structure was developed by parallel factor analysis(PARAFAC) and CHEMTAX. The PARAFAC model was applied to fluorescence excitation-emission matrix(EEM) of 60 algae species belonging to five divisions and 11 fluorescent components were identified according to the residual sum of squares and specificity of the composition profiles of fluorescent. By the 11 fluorescent components, the algae species at different growth stages were classified correctly at the division level using Bayesian discriminant analysis(BDA). Then the reference fluorescent component ratio matrix was constructed for CHEMTAX, and the EEM–PARAFAC–CHEMTAX method was developed to differentiate algae taxonomic groups. The correct discrimination ratios(CDRs) when the fluorometric method was used for single-species samples were 100% at the division level, except for Bacillariophyta with a CDR of 95.6%. The CDRs for the mixtures were above 94.0% for the dominant algae species and above 87.0% for the subdominant algae species. However, the CDRs of the subdominant algae species were too low to be unreliable when the relative abundance estimated was less than 15.0%. The fluorometric method was tested using the samples from the Jiaozhou Bay and the mesocosm experiments in the Xiaomai Island Bay in August 2007. The discrimination results of the dominant algae groups agreed with microscopy cell counts, as well as the subdominant algae groups of which the estimated relative abundance was above 15.0%. This technique would be of great aid when low-cost and rapid analysis is needed for samples in a large batch. The fluorometric technique has the ability to correctly identify dominant species with proper abundance both in vivo and in situ.     

一种基于机器学习分类器的UWB异常信号识别方法

针对超宽带定位技术中非视距信号与多径信号影响超宽带定位精度的问题,在不考虑信道冲激响应这一重要特征前提下,分别从测试与训练场景相同和异同两方面对比研究支持向量机、随机森林和多层感知器3种机器学习方法的低成本超宽带异常信号识别性能。通过将多径信号与非视距信号分离,完成视距信号、非视距信号和多径信号的数据多分类。对比性实验结果表明,测试环境与训练环境相同和异同两种情况下的随机森林分类器表现最优,识别准确度可达92.52%、74.82%;在缺失信道冲激响应这一重要特征条件下,机器学习依然可以较好地识别非视距信号和多径信号,为低成本室内定位提供一种思路。     

联合升降轨InSAR 与高分辨率光学遥感的滑坡隐患早期识别

宁夏隆德县地处六盘山西麓,地质条件复杂,受季节性强降雨影响,滑坡地质灾害频发,给当地人民生命财产安全造成了严重威胁。针对宁夏东部和南部植被覆盖率高的特点,文章利用合成孔径雷达升降轨差分干涉测量（Synthetic Aperture Radar Difference Interferometry, D-InSAR）技术与高分辨率光学遥感相结合,对隆德县展开滑坡隐患早期识别与探测研究。首先通过干涉叠加技术（Stacking）分别获得2019年1月—2020年5月隆德县升轨和降轨方向的雷达视向形变速率,然后结合高分辨率光学遥感影像产品和数字高程模型（DEM）,基于专家判识经验建立适用于该研究区的滑坡隐患形态和变形解译标志,完成全县范围的滑坡隐患综合遥感识别和地面调查工作。本次遥感调查工作共识别滑坡隐患47处,野外调查验证21处,其中核实16处,准确率为71.4%。实地调查结果验证了综合遥感识别与探测技术在宁夏南部地质灾害隐患遥感调查的适用性和可行性,同时也验证了识别结果的准确性,为宁夏南部地区滑坡防治和突发地质灾害应急提供了重要的科学依据。