Semantic segmentation of high spatial resolution images with deep neural networks

Availability of reliable delineation of urban lands is fundamental to applications such as infrastructure management and urban planning. An accurate semantic segmentation approach can assign each pixel of remotely sensed imagery a reliable ground object class. In this paper, we propose an end-to-end deep learning architecture to perform the pixel-level understanding of high spatial resolution remote sensing images. Both local and global contextual information are considered. The local contexts are learned by the deep residual net, and the multi-scale global contexts are extracted by a pyramid pooling module. These contextual features are concatenated to predict labels for each pixel. In addition, multiple additional losses are proposed to enhance our deep learning network to optimize multi-level features from different resolution images simultaneously. Two public datasets, including Vaihingen and Potsdam datasets, are used to assess the performance of the proposed deep neural network. Comparison with the results from the published state-of-the-art algorithms demonstrates the effectiveness of our approach.     

深度学习GoogleNet模型支持下的中分辨率遥感影像自动分类

提出了一种基于深度学习技术的遥感分类方法,它能有效解决中分辨率影像在分类过程中出现的像元混分问题。研究选用2016年5月12日武汉市Landsat 7 ETM+遥感影像,基于GoogleNet模型中的Inception V3网络结构,借助迁移学习方法,构建出遥感分类模型,实现了对武汉市主城区4类典型地物（不透水层、植被、水体和其他用地）的自动分类提取,并将分类结果与传统最大似然分类（ML）结果进行了对比分析。研究表明：基于深度学习方法的遥感影像总体分类精度高达88.33%,Kappa系数为0.834 2,明显优于传统ML方法总体分类精度83%和Kappa系数0.755 0,而且有效抑制了地物在分类过程中出现的像元混分现象。     

基于支持向量机的GNSS时间序列预测

在深度学习的理论框架下,针对预测全球卫星导航系统(GNSS)时间序列,传统的经验风险最小化预测模型误差大精度低,泛化性能差且对历史数据的经验依赖大的问题.提出一种采用结构风险最小化原则的基于支持向量机(SVM)的时间序列预测模型.通过和多层的BP神经网络预测模型预测效果比较,结果证明SVM预测模型拥有更好的时间序列预测效果.     

中国大陆强震孕育深处的变形模式

地震预测面临着地球内部的"不可入性"和大地震"非频发性"的问题,是极具挑战性且尚待解决的世界性科学难题之一(陈运泰,2009) .地震活动是断裂活动的直接体现,精定位的震源深度客观反映了断裂深部发生地震滑动变形的起始位置.断裂深部发生的慢滑动和重复地震等对揭示断裂深部行为具有重要的指示意义(Harris,2017).在...     

三门峡断陷盆地及邻区深部结构及成因——来自深地震反射与大地电磁测深的证据

近年来,围绕三门峡断陷盆地中的油气、地热资源做了大量的工作,成因机制研究较少,严重制约了矿产资源的勘探开发。本文在前人研究工作基础上,结合野外地质调查并利用高精度深反射地震剖面、大地电磁（MT）、重磁等地球物理探测技术,对三门峡盆地进行综合研究。发现三门峡盆地主要由东、西2个负花状构造构成,西花状构造体大于东花状构造体;盆地东部边缘以观音堂隆起与洛阳凹陷相邻,观音堂隆起发育有壳内透镜状低速体,其东、西两侧均发育有规模较大的隐伏逆断层。研究区内莫霍面为大约5 km厚度滑脱层,在深反射地震剖面上表现为蚯蚓状反射特征,指示滑脱层为西向运动。莫霍面滑脱层上部与下部新发现多条弧形断层。地质与地球物理资料综合研究表明,莫霍面滑脱层的解耦作用是三门峡断陷盆地花状构造形成的主因;在不同时空构造力系作用下,形成研究区新生代全地壳旋转花状构造盆地。     

不等时距灰色模型在深基坑变形预测中的应用

传统的灰色模型多适用于等间距序列监测数据的模拟预测,而实际上由于各种原因往往使所获得的监测数据是不等时距的。研究了基于不等时距灰色预测方法的深基坑变形预测模型,应用深基坑工程变形的实际监测资料,对其预测精度及可行性进行了充分的分析比较与论证。结果表明,不等时距灰色模型预测深基坑变形的精度及可信度较高。     

深部地球中水的分布和循环

深部地球中的主要物相(橄榄石、辉石、石榴石等及其高压相变产物)是理想化学式中不含H的“名义上无水矿物”,以缺陷形式存在于它们结构中的OH/H2O(统称为结构水)的发现是近二十年来地球科学领域最重要的进展之一。从天然样品的观察和高温高压实验结果来看,深部地球矿物中普遍含有结构水,其总量可能远远超过了水圈。水在深部地球不同层圈中的分布可能具有时间上和空间上的不均一性。在板块俯冲过程中,即使温压条件超过了含水矿物的稳定范围,名义上的无水矿物(如石榴石、辉石等)也可以携带大量的水(质量分数至少数百10-6)进入深部地球,构成了壳幔之间水循环的重要途径。     

基于双隐层ANN模型的叶绿素a浓度智能预报方法

利用2019年5月WZ02生态浮标监测数据,建立了两种不同隐层人工神经网络(ANN)模型的叶绿素a(Chl-a)智能预报方法,并对单隐层和双隐层模型的预测结果做了对比.结果表明:双隐层结构预测结果精度更高,泛化能力更强,一定程度上说明了深层学习比浅层学习对信息的主要特征提取能力更有优势.同时,对数据样本集合进行了系统预...     

Molecular phylogenetic analysis of sulfate-reducing bacteria from deep sediment layers of the tropical West Pacific warm pool

1IntroductionThe tropical West Pacific warm pool(TWP-WP),which spans an area roughly between10°Nto10°S of the equator from Indonesia to the dateline,has the world’s warmest sea surface temperature ofbeing greater than29℃.With the increase of recog-niz…     

超参数对GRU-CNN混合深度学习弹性阻抗反演影响研究

CNN-GRU混合深度学习反演弹性阻抗取得了较好的反演效果.但是,基于深度学习的叠前反演参数众多,包括内部深度学习网络可学习参数和外部超参数等,目前超参数选取对网络性能及计算速度影响尚缺乏系统性研究,这直接影响到了该方法的进一步推广应用.因此,本文在混合深度学习反演弹性阻抗基础上,探讨学习率、Ep-och、batch_...