面向高光谱影像分类的生成式对抗网络

为了提高高光谱影像分类精度,提出了一种基于生成式对抗网络的高光谱影像分类方法。生成式对抗网络由生成器、判别器和分类器3部分组成,其中生成器用于模拟高光谱样本的数据分布,生成特定类别的样本;判别器是一个二值分类器,用于判断输入的样本是否为真实数据;分类器用于对输入的样本进行分类。利用反向传播算法依次更新生成器、判别器和分类器的网络参数使损失函数最小,从而达到训练网络的目的。生成器和判别器能够模拟高光谱影像的样本分布来辅助训练分类器,因此能够提高高光谱影像的分类精度。分别采用Pavia大学和Salinas高光谱数据集进行分类试验,试验结果表明提出的分类方法能够在小样本条件下提高高光谱影像的分类精度。     

风冷回流消解-电感耦合等离子体质谱法同时测定植物样品中46个元素

采用HNO3-H2O2体系对植物样品进行风冷回流消解,电感耦合等离子体质谱法(ICP-MS)同时测定植物样品中46个元素的含量。将称有样品的磨口锥形瓶加装风冷管后直接放在普通平板铝块电热板上,一次可对45个锥形瓶回流装置同时进行加热,不需要严格地规定消解时间,保证回流加热微沸消解至消解完全即可。植物标准物质(GBW 10012、GBW 10014和GBW 10019)的分析结果与标准值相一致,方法精密度(RSD,n=6)为0.44%～5.59%。与干法灰化消解和微波消解等样品处理方法相比较,操作简单快捷,试剂用量少,空白值较低,溶液盐度较小,有利于植物样品中多元素ICP-MS同时测定。采用调试液调节ICP-MS仪器测定的最佳化,确定了ICP-MS测定的最佳条件,同时探讨了元素之间的干扰关系,采用数学校正法有效地消除了测定的干扰。     

地表油气化探技术方法及其应用

二连盆地某凹陷经油气化探工作 ,共圈定 1 9个综合异常区 ,划分 5个找油气远景区 ,其中 级区 2个 , 级区 1个 , 级区 2个。为今后该区油气地质详查工作提供了极其重要的依据。     

氢化物-原子荧光光谱法测定地质样中的痕量硒--不同溶样方式的比较

以确定测试基性岩中痕量硒的最佳溶样方式为目的,分别采用加压（PTFE）强酸消解和常压强酸消解两种方法消解标准参考物质和地质样品,直接用氢化物原子荧光光谱法（HG-AFS）测定。实验选用标准参考物质GWB07105、GWB07107对方法准确度和精确度进行验证,所测得总硒量与推荐值相符,标准偏差（SD）小于7．3ng／g,相对标准偏差（RSD）小于8．9％。实验测定了5个硒含量不同的岩石样品,不同方法所测数据基本一致。样品的均匀性在一定程度上影响痕量硒的测定结果。综合评价比较二者的测定结果,可知加压（PTFE）强酸消解（硝酸＋硫酸＋氢氟酸）为最佳溶样方式。     

三酸分步消解-电感耦合等离子体质谱法测定土壤详查样品中23种金属元素

土壤详查样品具有数量大、基质复杂、有机质含量高的特点,传统上采用多种混合酸体系的消解方法,不仅会造成有机质消解不完全,消解后的溶液中常有黑色的碳质存在,而且样品消解后只用稀硝酸提取,一些难溶氧化物、硫酸盐、氟化物难以形成可溶性盐,致使提取不彻底,若用逆王水提取则易大量引入氯离子造成氯的多原子离子质谱干扰。本文针对上述问题,充分利用硝酸、氢氟酸、高氯酸的不同特性,采用电热板控温,三酸分步加入法消解土壤样品,对于消解后的样品,采用硝酸-盐酸（体积比20：1）作为提取剂,有效降低了氯的多原子离子质谱干扰且提取彻底。结果表明：本方法能够消解土壤中有机质和硅酸盐组分,具有试剂用量少、氯的质谱干扰小、操作流程简单、工作效率高等优点,方法检出限（3s）更低（0.0008~0.90mg/kg）。将该方法应用于暗棕壤、石灰岩土壤、黄棕壤国家标准物质中23种元素的测定,其测定结果明显优于传统的消解方法,相对标准偏差（RSD,n=6）为0.022%~5.83%,相对误差为-8.33%~9.17%,测定时与认定值相符。该方法具有较高的适用性和可靠性。     

抗坏血酸增敏—石墨炉原子吸收光谱法测定痕量铊的方法研究

采用石墨炉原子吸收光谱法测定土壤中的痕量铊。比较了两种不同的样品分解体系,建立了一种使用HNO_3+HF+H_2SO_4酸消解体系测量土壤中痕量铊的方法,同时探讨了石墨炉原子吸收光谱法测定铊的最佳仪器条件,并对基体改进剂浓度和体积、吸附解脱体系、吸附酸度以及震荡时间等条件进行了优化。该方法检出限为0.015×10^-6,RSD为5.49%～13.42%,方法经国家一级标准物质验证,结果准确可靠。     

电感耦合等离子体发射光谱法同时测定地质样品中的钍和氧化钾

同时测定地质样品中的钍和钾,可为放射性矿产资源勘探、天然放射性生态环境评价提供重要依据。对于钍,传统方法使用碱熔法分解试样分光光度法测定,此方法前处理冗长、复杂且不利于多元素的同时测定。而氧化钾一般采用酸溶法消解样品火焰原子吸收分光光度法测定,此方法测定浓度高的溶液需要稀释,检测效率较低。钍和氧化钾的分析涉及了两种配套方法。本文根据地质样品的化学成分特征,筛选出了用硝酸、氢氟酸和高氯酸为溶剂溶解样品,硝酸提取定容后,用电感耦合等离子体发射光谱法(ICP-OES)分别在波长401.913nm和766.490nm处,采用径向观测方式同时测定了钍、氧化钾的含量。钍、氧化钾的标准曲线相关系数均大于0.999,方法检出限分别为0.69μg/g、0.008%,标准物质的测定值与认定值基本一致,二者的对数误差绝对值小于0.1,相对标准偏差(RSD,n=6)小于6.0%,加标回收率在96.0%～104.0%之间,符合《地质矿产实验室测试质量管理规范》的要求。     

整合已有土壤样点的数字土壤制图补样方案

我国多数地区经过两次土壤普查以及科研工作者的野外调查, 积累了一定数量的土壤样点“( 已有样点”)。本文在充分整合已有样点的基础上, 提出了逐次、高效地设计补充样点的方案, 它包括3 个步骤:首先, 确定已有样点集的空间代表范围“( 可推测范围”);然后, 将已有样点集不能代表范围内的每一个栅格都看作一个候选样点, 计算每一个候选样点的可扩推范围, 选择可扩推范围最大的点作为第一个补充样点;最后, 基于已有样点和补充样点更新样点集的空间代表范围图。重复以上过程, 直至新样点集的空间代表范围能够覆盖整个研究区。该方法在充分利用已有样点资源的基础上, 不仅能够确定补充样点的数量、位置, 而且能够给定补充样点的重要性次序, 在采样资源有限的情况下, 为采样者合理地选择样点提供了重要依据。     

深度学习农作物分类的弱样本适用性

基于大数据驱动的深度学习挖掘图像数据的规律和层次已成为遥感影像解译的研究热点。海量标签样本是训练深度学习模型的前提条件,但成本昂贵的人工标记样本限制了深度学习技术在遥感领域的应用。本文提出了一种基于弱样本的深度学习模型农作物分类策略：以GF-1影像为数据源,将传统分类器SVM分类结果视为弱样本,训练深度卷积网络模型DCNN (Deep Convolutional Neural Networks),获取辽宁省水稻和玉米的空间分布,分析弱样本的适用性。结果显示：测试集总体精度达到0.90,水稻和玉米F1分数分别为0.81和0.90;在不同地形地貌、复杂种植结构的农业景观下均表现出良好的分类效果;与SVM结果的空间一致性为0.90;当弱样本最大面积误差比例小于0.36时,弱样本仍适用于DCNN作物分类,结果的总体精度保持在0.86以上。综上,该策略一定程度上消除了深度学习模型对大量人工标记样本高度依赖的局限性,为实现大尺度农作物遥感分类提供了一种新途径。