顾及拓扑与尖角的分类矢量数据分组压缩算法

针对现有拆分重组法对存在复杂内环以及复杂相交岛屿多边形的分类矢量数据的压缩结果中包含裂缝、重叠及大量尖锐夹角的问题,提出了一种顾及拓扑一致性与尖角的分组压缩方法。依据分类矢量数据中多边形与多边形及其内环的相交关系对矢量矢量数据分组,以修正后拆分重组法结合直接分割法和间接分割法对分类矢量数据分组压缩,压缩结果中不存在裂缝与重叠现象,维护了分类矢量数据的拓扑一致性;通过取回尖角点前后被删除的点,解决了压缩结果中尖角过多的问题。以Landsat8遥感影像分类矢量数据实验验证了文章算法,并与直接分割法、间接分割法、拆分重组法进行了对比分析,验证了本文方法的有效性。     

RS/GIS技术在夹江第二次土地调查中的应用

在夹江第二次土地调查中,运用RS技术进行土地利用分类,以1∶5 000高精度航片为数据源,建立解译标志进行初步目视解译,然后根据外业数据修正完善,再采用人机对话的方式完成分类。运用GIS技术对影像和矢量分类结果进行建库汇总和空间分析。     

华南水东湾波控、中等潮差岬湾海滩地形动力分类

海滩地形动力分类在国外的海岸地貌研究中已经被广泛接受。本文使用了华南粤西水东湾切线带、过渡带和遮蔽带海滩连续16个月32次大潮期间同步获取的波浪、潮汐、泥沙和海滩地形数据,分别按照无量纲沉降参数、相对潮差参数和无量纲海湾尺度参数对这一岬湾海滩不同岸段的海滩类型进行了研究,研究发现：（1）水东湾切线带海滩的主要状态为有裂流的低潮台地状态和沙坝型海滩状态,过渡带海滩主要状态是低潮沙坝/裂流海滩和沙坝消散型状态,遮蔽带海滩主要状态是有或无沙坝的消散型状态;（2）海湾不同岸段海滩状态的顺序变化与差异体现了岬湾海滩状态的时空变化性,与现场观测的海滩地形的变化基本一致,说明了对波控中到强潮海滩进行研究时,需要考虑潮汐的影响。同时,本文主要给出了海滩状态研究的一个框架体系,由于海滩不同的状态伴随不同的侵蚀模式,要求我国今后需加强在这一方面研究,以进一步丰富我国海滩地形演变、海滩地形动力过程和海滩防侵蚀的理论基础。     

北极秋季海冰密集度与中国初冬降雨之间的关系

本文通过对中国地区实测降水及北极海冰卫星数据的分析,研究了北极秋季海冰密集度与中国初冬降雨的关系。合成分析的研究结果表明2000年之前中国南方和北方冬季降水偏少,中部降水偏多,这之后中国南方和北方冬季降水增加,中部降水减少。SVD研究结果显示,北极海冰减少使得近三十年来中国南方和北方冬季降雨呈现逐渐增多,中部地区(从青藏高原向东北方向至日本)降雨逐步减少的趋势。随着北极海冰的进一步减少,如遇合适的气候条件,南方冻雨出现的概率会加大。北极秋季海冰异常的回复过程加之冬季海冰异常的延续信号在中国、蒙古及日本北部激发一个阻塞高压,以巴伦支海/卡拉海为中心激发一个异常低压。这使得来自北冰洋大西洋扇区的冷空气南下至欧洲大陆和亚洲北部,在阻塞高压的影响下,冷空气进一步南下,进入东亚地区。这不仅使得亚洲冬季温度降低,也为中国北部降水增加提供条件。     

利用监督分类快速提取分层设色图件中数据的方法

为了快速将分层设色图件中象元的颜色值转化为具有实际意义的属性标识或物理、化学参数值,从而提取分层设色图件中包含的数据,作者提出了根据不同颜色分量(RGB)构建颜色特征空间,基于最小距离监督分类方法快速提取分层设色图件中数据的方法。使用该方法对东半球海域海面水汽分布数据进行提取,取得了良好的效果。该方法可以广泛应用于物理海洋、环境科学、地质调查、地理信息系统建库等多个行业领域的数据提取工作中。     

基于BP神经网络的海洋监测数据等级划分

数据的分类是数据处理和应用的重要环节和前提。在海洋领域中,海洋数据呈现多元、多类等的复杂多样性,给数据的分类带来一定的技术挑战。主要针对海洋数据分类难这一问题,首先利用BP神经网络技术对海洋环境监测数据进行分类,且通过对获取的海洋环境监测数据进行分类预测,最后,实验验证了海洋环境监测数据分类方法的正确性和可行性,给海洋监测数据根据秘密等级进行数据分类提供了支持。     

辽宁海岛地名类型及主要特征分析

辽宁海域辽阔,海岛数量众多。辽宁先人早在几千年前的新石器时代就开始认识海岛、开发利用海岛,并在漫长的历史演化过程中逐渐形成了丰富多样的海岛地名。海岛地名的产生是人类活动与地理环境相互作用的结果,往往具有一定的规律性。本文利用统计及分类方法,尝试依据地名来源及命名方式划分了辽宁海岛地名类型,并揭示了其主要特征,这对深层次挖掘辽宁海岛地名文化具有重要意义,亦可为海岛地名管理提供基础参考。     

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。