城市扩展元胞自动机多结构卷积神经网络模型

传统的城市扩展元胞自动机(CA)模型是基于单个元胞的变量信息挖掘来构建转换规则的。针对这一问题,本文基于多结构卷积神经网络提出从区域特征出发且顾及区域多尺度特征挖掘转换规则的城市扩展元胞自动机模型(MSCNN-CA),并以武汉主城区和上海浦东新区为例,模拟了两个试验区2005—2015年期间城市扩展过程。模型验证表明:与逻辑回归和神经网络相比,本文构建的3个单一结构的卷积神经网络元胞自动机(CNN-CA)模型在4个指标(Kappa系数、FoM(figure of merit)值、命中率(h)和错误率(m))上都有不同程度的提高。特别是FoM指数,在武汉主城区提高了23.3%~29.4%,在上海浦东新区提高了20.3%~28.5%。此外,MSCNN-CA模型与3个单一结构的CNN-CA模型相比,在各个指标上也有所改善,FoM指数在武汉主城区提高了0.8%~4.8%,上海浦东新区提高了2.8%~7.8%。两个试验区的模拟结果表明:相比传统CA模型,基于多结构卷积神经网络的城市扩展元胞自动机模型(MSCNN-CA)能够有效提高城市扩展模拟的精度,更真实地反映城市扩展空间演变过程。相比单结构的卷积神经网络CA模型,多结构卷积神经网络CA模型的稳定性和模拟结果准确性有所提升。     

基于MEA-BP神经网络的卫星钟差预报

卫星钟差是影响导航定位精度的重要因素之一,建立高精度的钟差预报模型对高精度定位有重要意义。针对常用模型卫星钟差在短期预报中随时间增加误差积累,以及传统BP神经网络不稳定,容易出现过拟合等问题,本文提出一种基于思维进化算法(MEA)优化的BP神经网络钟差预报模型和算法。首先对原始钟差数据进行一次差处理;然后利用思维进化算法对BP神经网络的初始权值和阈值进行优化,给出该模型进行钟差预报的具体步骤;选用IGS站提供的多天GPS精密钟差产品数据进行试验分析,使用GPS一天中前12 h数据建模,进行2、3、6和12 h的钟差预报。结果表明:利用MEA-BP模型得到的上述4种时段的预报精度分别优于0.36、0.38、0.62和1.56 ns,预报误差曲线变化起伏较小,说明新模型的预报性能优于3种传统模型,新模型在钟差预报短期预报中的实用性及稳定性是较佳的。     

基于高分遥感影像的建筑物侧面信息提取及其高度计算

本文选取成都市某一区域建筑物A、B为研究对象,采用分辨率为0.61 m的Quick bird影像,运用图像分割法和LVQ神经网络算法,提取建筑物侧面信息,根据假设法原理,构建高度计算物理模型,求取建筑物高度。对比实测数据,结合可能影响实验结果的实地因素、遥感影像因素进行精度分析与评价,探讨基于高分遥感影像的建筑物侧面信息提取和高度计算的方法。结果表明,LVQ神经网络算法在建筑物侧面提取和高度计算中有更好的应用价值,精度高达94%。     

基于深度学习理论的无人机影像分类

针对无人机影像深度学习分类方法缺乏现状,本文利用深度学习理论卷积神经网络方法对无人机影像进行了分类。该法首先抽取无人机影像作为训练集和检验集,然后建立一个2个卷积层-池化层的卷积神经网络模型进行深度学习,通过设定参数并运行模型实现无人机影像分类。实验表明,本文提出的方法可完成较复杂地区无人机影像分类,其分类精度与支持向量机方法相当,为无人机遥感影像分类提供了一个崭新的技术视点。     

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。     

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。     

基于遗传Elman神经网络进行矿区GPS高程拟合

目前,城市、平原地区的似大地水准面建立精度已经达到厘米级,但在矿区进行高程拟合时,由于地面高低起伏没有规则,其似大地水准面的拟合精度并不理想。针对此问题,本文提出利用遗传算法优化Elman神经网络的方法精化似大地水准面,采用移去-恢复法对残差进行建模,使用EGM 2008地球重力场模型和地形起伏信息来精化求解似大地水准面和参考椭球面之间的高程异常,同时着重分析了地球重力场模型以及地形变化信息对高程异常求解的重要性,并使用某矿区实测数据(GPS、水准)对所提方法进行验证,实验结果表明:文中所提方法的精度要优于二次曲面拟合模型和单一Elman模型,其外符合精度达到了1.14 cm,可以代替四等水准测量。     

基于深度学习构建的全球电离层NmF2模型

采用递归神经网络对空基COSMIC和地基垂测站数据建立了全球电离层峰值电子密度模型,模型均方根误差达到1.3×10~5 el/cm~3。在春夏秋冬4个季节内,人工神经网络ANN模型预测精度比IRI模型分别提高了25.7%、19.7%、33.3%和21.8%。另外,ANN模型不仅能够有效地模拟全球电离层时空变化特征,也能够成功地模拟电离层的诸多区域物理变化特性,如赤道电离异常、威德尔海异常、中纬度夜间异常和冬季异常。ANN模型可以为改正单频接收机的电离层延迟发挥一定的作用。     

基于广义回归神经网络的全球表层海水1°×1°二氧化碳分压数据推演

表层海水二氧化碳分压是评估海洋碳源汇强度的关键参数,但其实测数据较少、时空分布极不均匀,导致二氧化碳交换通量的估算有很大的不确定性,海洋源汇特征就不能确切获取。为了解决这个难题,在收集的表层大洋二氧化碳地图(Surface Ocean CO₂ Atlas,SOCAT)实测数据集基础上,运用广义回归神经网络建立二氧化碳分压与经纬度、时间、温度、盐度和叶绿素浓度间的非线性关系,构建了1998?2018年间全球1°×1°经纬度的表层海水二氧化碳分压格点数据,其标准误差为16.93 μatm,平均相对误差为2.97%,优于现有研究中的前反馈神经网络、自组织映射神经网络和机器学习算法等方法。根据构建的数据所绘制的全球表层海水二氧化碳分压的分布与现有研究有较好的一致性。     

基于大数据分析下的气候模型

为研究全球变暖与极寒天气间的关系,对加拿大13个省代表性测站10年的观测数据进行时空变化趋势分析,采用经验正交函数（EOF）寻找海洋表面温度历史数据的变化规律。另外利用BP神经网络建立了年平均温度、日降水量与地球吸热、散热、海表面温度、当地纬度间的关系,预测未来25年气候的变化,并建立了“极寒天气”与气候变化的关系模型。研究表明：高纬度地区温度、降水量普遍较低,同经度地区的温度差异较小且降水量变化不大;加拿大地区温度呈周期性变化,符合北半球的季节变化特征;北大西洋的东部与其他海洋的温度是反相关的,西太平洋南北回归线附近的海洋表面温度升高;“极寒天气”出现频率与气候变化有一定关系,局地极寒现象与全球变暖的大趋势并不矛盾。本研究为人们认识和理解“全球变暖”提供了一个新的思路。