基于SERD与SPAN的全极化SAR数据海岸线分类

基于Wishart分类器的全极化SAR图像H/α分类方法应用于海岸线分类,可区分不同海岸线类型。在聚类过程中,传统H/α-Wishart方法时常将各类聚类中心对应的散射机理混淆,使得同为单次面散射的淤泥质与砂质海岸线类别难以区分。针对此问题,提出了改进型的辅助分层分类方法。算法运用单次反射特征值相对差异度与极化总功率系数构成的二维特征空间,结合支持向量机得到最优分界判据,以分离初始分类结果中混淆的淤泥质与砂质海岸线。实验表明,改进方法能够有效区分淤泥质与砂质岸线,分类混淆矩阵对应kappa系数由0.794提升至0.853,分类识别率得到显著提高。     

混积岩分类命名体系探讨及对混积岩储层评价的启示——以渤海海域混积岩研究为例

混积岩是一种普遍而重要的岩石组合类型。然而长期以来,对混积岩的岩石学分类与命名一直存在诸多争议,且尚未有统一的分类体系与命名规则。本文结合渤海海域混积岩岩石薄片组分鉴定、岩石储层物性分析等最新研究成果,并与相关文献结合,最终确立以陆源碎屑物、生物成因碳酸盐颗粒、化学沉淀碳酸盐为三组分端元的一套新的混积岩岩性分类体系,并将混积岩分为4大类、16亚类。通过讨论混积岩混积层系及混积岩组构界定的问题,进一步完善了混积岩定义。利用新的岩石学分类方案,可为储层评价研究提供指导。以渤海海域为例,建立起研究区不同岩性相与储层物性的对应关系,并在岩性分类体系中划分出差储层、中等储层及优质储层三个储层区。     

基于岩石图像深度学习的岩性自动识别与分类方法

岩石岩性的识别与分类对于地质分析极为重要,采用机器学习的方法建立识别模型进行自动分类是一条新的途径。基于Inception-v3深度卷积神经网络模型,建立了岩石图像集分析的深度学习迁移模型,运用迁移学习方法实现了岩石岩性的自动识别与分类。采用此方法对所采集的173张花岗岩图像、152张千枚岩图像和246张角砾岩图像进行了学习和识别分类研究,通过训练学习建立岩石图像深度学习迁移模型,并分别采用训练集和测试集中的岩石图像对模型进行了检验分析。对于训练集中的岩石图像,每组岩石分别用3张图像测试,三种岩石的岩性分类均正确,且分类概率值均达到90%以上,显示了模型良好的鲁棒性;对于测试集中的岩石图像,每组岩石分别采用9张图像进行识别分析,三种岩石的岩性分类均正确,并且千枚岩组图像分类概率均高于90%,但是花岗岩组2张图像和角砾岩组的1张图像分类概率值不足70%,概率值较其他岩石图像低,推测其原因是训练集中相同模式的岩石图像较少,导致模型的泛化能力减小。为了提高识别精确度,对准确率较低的岩石图像进行截取,分别取其中的3张图像加入训练集进行再训练,增加与测试图像具有相同模式的训练样本;在新的模型中,对3张图像进行二次检验,测试概率值均达到85%以上,说明在数据足够的状况下模型具有良好的学习能力。与传统的机器学习方法相比,所提出的岩石图像深度学习方法具有以下优点:第一,模型通过搜索图像像素点提取物体特征,不需要手动提取待分类物体特征;第二,对于图像像素大小,成像距离及光照要求低;第三,采用适当的训练集可获得较好的识别分类效果,并具有良好鲁棒性和泛化能力。     

基于Hyperion高光谱数据和随机森林方法的岩性分类与分析

探索利用高光谱数据的岩性填图新方法是遥感地质应用领域的重要需求之一。本文运用随机森林方法和EO-1Hyperion高光谱数据,对新疆塔里木西北部柯坪地区的局部区域进行岩性分类,并对相关问题进行分析。分别利用光谱特征以及加入光谱一阶导数特征进行岩性分类,并对不同特征对岩性分类的重要性进行分析,同时与现有的基于光谱角制图方法(SAM)进行比较。结果表明,与SAM方法相比,随机森林方法得到了更高精度的岩性分类结果,是一种有效可行的岩性分类方法。根据特征重要性的排序,蓝绿光波段、短波红外波段以及相应的一阶导数特征对研究区Hyperion数据的沉积岩岩性分类贡献更大。     

花岗岩定量分类方法及与成矿空间相关关系分析 ——甘肃省西秦岭地区为例

以Q型系统聚类分析(以组内连接为聚类方法,相关性为计算模型)和判别分析交替使用的方法,对甘肃省西秦岭地区花岗岩样本中的11个氧化物测试数据进行定量处理,构建起"甘肃省西秦岭地区花岗岩(氧化物)定量分类系列模型",将西秦岭地区花岗岩分为3大类共8小类。分类结果偏重于找矿分类,依据其与西秦岭地区铜矿、铅锌矿、金矿等依据空间关系(距离岩体3 km以内),寻找"成矿相关岩体",确定找矿靶区。     

淮河流域夏季极端降水频次空间分布的客观分类及其形成机理

本文基于1961～2016年淮河流域四省（江苏、安徽、河南、山东）逐日降水观测资料及全球大气再分析资料,利用K均值聚类、旋转经验正交函数分解对淮河流域夏季极端降水频次分布进行了客观分类,利用统计诊断和数值模拟的手段讨论了其相关环流异常和形成机理。结果表明:（1）淮河流域夏季极端降水频次的空间分布可客观分为以极端降水主要发生在淮河流域33°N以南地区的南部型,主要发生在32°～36°N之间的中部型,和主要发生在34°N以北的北部型这三种分布类型;（2）南部型极端降水频次分布与西北太平洋副热带高压异常偏西偏南有关,西北太平洋异常反气旋北侧的异常气旋性环流使得水汽输送停留在淮河流域南部,导致南部极端降水频次偏多。中部型对应淮河流域受鞍型场环流结构控制,导致中部极端降水频次偏多。北部型极端降水频次分布时,淮河流域处于反气旋性环流异常西南侧,偏南风将水汽输送至淮河流域北部,导致北部极端降水频次偏多;（3）南部型和北部型的极端降水频次分布相关环流异常分别受厄尔尼诺和拉尼娜相关海表温度异常所影响,而中部型极端降水频次分布的相关环流异常是巴伦支海/喀拉海海冰异常在欧亚大陆上空激发的自西北向东南传播的准定常罗斯贝波所导致的。     

区域和形状特征的兵马俑碎片分类方法

针对传统方法对兵马俑碎片分类准确率较低情况,提出一种基于区域和形状特征的碎片分类方法。首先提取碎片的显著性区域特征,采用地球移动距离EMD(Earth Mover’s Distance)方法对区域特征进行匹配并初步分类;其次对表面特征不明显的碎片进行预处理,获取二维图像信息,利用Hu不变矩提取形状特征;最后采用支持向量机SVM(Support Vector Machine)分类器对表面特征不明显的碎片进行进一步分类,实现兵马俑碎片的最终精确分类。通过对30个兵马俑模型的508个碎片进行分类,实验结果表明,基于区域特征的碎片分类方法可以实现兵马俑碎片的快速、精确分类,是一种有效的兵马俑碎片分类方法。     

地理本体驱动的遥感影像面向对象分析方法

针对遥感影像面向对象分析技术存在的“分类过程中专家分析不同带来的分类结果不一致”问题,提出地理本体驱动的“地理实体描述-模型构建-影像对象分类”解译框架。首先,利用地理本体建立影像对象客观特征与地理专家知识的联系,实现对地理实体的描述与表达;其次,利用知识工程方法以及计算机可操作的形式化本体语言构建影像对象特征、分类器的本体模型,形成语义网络模型;最后,联合语义网络模型与专家规则实现影像对象的语义分类。地表覆盖分类实验结果表明,该方法不仅能够得到反映真实地理对象的遥感影像分类结果,而且能够掌握地理实体的语义信息,实现地表覆盖分类知识的共享与语义网络模型的复用,为遥感影像面向对象分析提供了一种全局性的解译分析框架及其方法。     

适用于遥感分类的多邻域粗糙集加权特征提取方法

邻域粗糙集是一种有效的影像特征提取方法,邻域粗糙集模型存在稳定性不高和邻域半径需要反复调整的不足,难以实现地物特征的自动化提取。提出一种多邻域粗糙集加权特征提取方法用于高分辨率遥感影像特征提取。该方法首先利用不同半径的邻域粗糙集对影像的光谱和纹理特征进行提取,求得不同邻域半径下的有效特征子集;然后统计所有邻域半径下各个特征出现的概率,将概率作为权重与特征进行加权得到最终地物特征。QucikBird影像上分类试验表明本文算法优于传统邻域粗糙集特征提取方法,分类总精度平均提高3.88%,Kappa系数平均提高5.16%。在GeoEye-1影像上的分类试验同样证明了本文方法的有效性。     

基于2D-3D语义传递的室内三维点云模型语义分割

针对现有三维点云模型重建对象化和结构化信息缺失的问题,提出一种基于图模型的二维图像语义到三维点云语义传递的算法。该算法利用扩展全卷积神经网络提取2D图像的室内空间布局和对象语义,基于以2D图像超像素和3D点云为结点构建融合图像间一致性和图像内一致性的图模型,实现2D语义到3D语义的传递。基于点云分类实验的结果表明,该方法能够得到精度较高的室内三维点云语义分类结果,点云分类的精度可达到73.875 2%,且分类效果较好。