基于北京二号影像辅助nDSM的建筑物自动提取

针对建筑物提取方法缺乏泛化性的问题,本文提出了将nDSM、北京二号影像、NDVI、BAI的七通道图像相结合作为数据源的提取方法。采用随机森林、梯度提升机、支持向量机、BP神经网络分类器对建筑物进行提取获取最佳分类器模型,并运用二值化与开闭运算,以建筑物面积与最小外接矩形面积的比值为阈值,对建筑物分别进行最小外接矩形、DP算法拟合,优化建筑物提取结果。试验结果表明,梯度提升机(GBDT)较其他分类模型在不同场景下综合效果较好,F-score精度更高。     

基于BP神经网络的土壤冻结温度及未冻水含量预测模型

土壤冻结温度与未冻水含量是冻土的重要物理参数,影响因素多,关系复杂.利用BP网络模型来描述冻结温度与未冻水含量及其与主要影响因素之间的关系,效果良好.该模型直接根据试验数据通过神经网络的自学习能力寻求输出变量与输入变量间的内在非线性规律,其优点在于可利用一个神经网络同时描述多个因素对冻结温度及未冻水含量的影响.     

基于拉格朗日分解算法的SAR图像混合像元分解

为解决与光学遥感图像不同的合成孔径雷达(SAR)图像中存在大量混合像元的问题,本文提出了一种基于拉格朗日分解算法的SAR图像混合像元分解的方法,结合相关内容中具体定理的证明,文中给出拉格朗日分解算法用于SAR图像混合像元分解的系统的求解方法.用人工模拟SAR图像和ENVISAT SAR图像进行实验,结果表明拉格朗日分解算法的混合像元分解结果明显优于非约束类神经网络(文中实验以BP神经网络为例)的分解结果.     

基于BP人工神经网络的水体遥感测深方法研究

利用Landsat7ETM＋遥感图像反射率和实测水深值之间的相关性,建立了动量BP人工神经网络水深反演模型,并对长江口南港河段水深进行了反演.结果表明：具有较强非线性映射能力的动量BP神经网络模型能较好地反演出长江口南港河段的水深分布情况;由于受长江口水体高含沙量的影响,模型对小于5 m的水深值反演精度较高,而对大于10 m的水深值反演精度较低.     

基于SMAP卫星雷达资料的海冰密集度反演技术研究

SMAP是美国于2015年初发射的一颗卫星,搭载了L波段的雷达。它采用圆锥扫描方式,具有固定的入射角、较大的幅宽和千米级的分辨率,在海冰监测方面具有独特的优势。本文利用SMAP卫星雷达资料分别与德国Bremen大学海冰密集度产品和美国国家冰雪数据中心（NSIDC）海冰密集度产品建立3.125 km和25 km匹配数据集,分析了L波段雷达后向散射系数、极化比和归一化极化差与海冰密集度之间相关性,建立基于人工神经网络的海冰密集度反演算法。为了验证SMAP卫星雷达资料反演海冰密集度的精度,本文选择德国Bremen大学和美国冰雪数据中心发布的海冰密集度产品分别与SMAP海冰密集度产品进行对比分析,SMAP海冰密集度与Bremen海冰密集度的偏差为0.07、均方根误差为0.14;与NSIDC海冰密集度的偏差为0.04、均方根误差为0.18,这表明SMAP海冰密集度产品与现有业务化海冰密集度产品具有很好的一致性。     

一种V/S和LSTM结合的滑坡变形分析方法

滑坡变形的产生是坡体自身地质条件和外部诱发条件共同作用的结果,滑坡变形定量预测是滑坡监测预警的关键。传统的基于滑坡累计位移-时间曲线分析滑坡变形的方法,忽略了滑坡变形演化的影响因素,难以对滑坡变形进行准确预测。三峡库区滑坡研究多集中在滑坡时空分布特征和滑坡整体稳定性分析方面,亟需开展单体滑坡综合变形分析。以三峡库区白水河滑坡为例,基于滑坡宏观变形和位移监测数据,利用重标方差（rescaled variance statistic,V/S）分析法对滑坡整体和局部变形趋势进行分析,进而构建考虑库水位波动和降雨滞后性影响因素的可有效利用长期依赖信息的长短记忆（long short-term memory,LSTM）神经网络模型,定量预测滑坡位移。研究结果表明,滑坡体属牵引式滑坡,北东部稳定性较差,西部和后缘相对稳定,预测值的均方根误差为8.95 mm,证明该模型是一种高性能的滑坡变形分析方法。     

基于改进近似模型的水下鱼雷打靶快速预报方法

鱼雷打靶试验对评价武器系统对目标的打击性能具有重要意义。水动力参数是模拟鱼雷水下运动轨迹、预报鱼雷打靶落点的关键参数。随着现代CFD技术的发展,采用数值方法获取水动力参数,提高了轨迹预报精度,但计算效率不高,不利于多工况下鱼雷打靶预报。首先,基于刚体动量和动量矩定理建立了鱼雷的水下运动方程组,运用4阶龙格–库塔（Runge-Kuta）法对运动方程组进行数值求解,对鱼雷水下轨迹进行模拟,从而获取鱼雷打靶性能。其次,提出了基于遗传算法的近似模型（GA-BP）和自适应遗传算法优化的近似模型（AGA-BP）模拟鱼雷水下打靶落点,对鱼雷打靶性能进行快速预报。通过仿真和数据对比,结果表明：AGA-BP预测模型相对于BP预测模型更稳定、GA-BP预测模型收敛速度更快,实现对鱼雷水下打靶快速预报。     

基于改进的Elman神经网络的中长期径流预报

径流中长期预报长期以来一直都是人们关注的热点研究问题。现行的径流预报方法很多,传统的有时间序列法,多元回归分析法等,这些方法虽然简单易用,但是如果预报对象提供的样本容量偏小或者因子选择不够合理,都会造成预报精度偏差过大,难于有效的指导工程应用。鉴于此,本文提出一种改进的采用局部回归的Elman神经网络方法。并应用到凤滩水库优化调度的径流预报中。结果表明,与回归分析法、BP网络相比较,该方法不仅提高了算法的效率,而且提高了预报的精度,在径流预报中具有有效性和优越性。     

人工神经网络在白云岩类型识别中的应用

利用地球化学数据,运用人工神经网络方法对美国密苏里州东南Ｂｏｎｎｅｔｅｒｒｅ组（寒武纪）滨海相的白云岩进行了分类、识别,判别率达１００％,结果表明,该方法性能良好,可望成为岩石分类、判别的有效手段。     

神经网络方法用于太阳质子事件警报

尝试用神经网络方法作太阳质子事件警报。首先介绍太阳质子事件警报的发展,神经网络方法的特点,其次讨论选取预报因子的物理考虑,然后介绍试验结果,在两种试验情况下均可以有〉８５％的报准率。最后讨论改进警报的问题。