基于压缩感知法对法拉第色散函数的重构

观测到的偏振量与法拉第色散函数之间是傅里叶变换对,而法拉第色散函数反映了辐射区域和辐射传播途径的磁场结构。如何通过这一关系精确重构出法拉第色散函数对于研究银河系及河外星系磁场具有重要的作用。目前已提出了基于压缩感知的法拉第色散函数重构方法,模拟结果要优于传统方法,然而是否具有实用性仍然未知。主要探究该方法应用于实际观测频率范围时是否依然可行,并进行了大样本统计学实验。结果表明:重构结果受多种因素的影响,具有很大的随机性,对重构结果在峰值附近再次进行最小二乘拟合后,重构的法拉第深度更接近真实值。     

深度卷积神经网络支持下的遥感影像飞机检测

针对YOLOv3算法对小目标检测较差及出现较多漏检的问题,本文提出了一种优化的YOLOv3算法.首先使用K-means算法计算出与数据集相适用的锚框;其次将扩张卷积引入到YOLOv3网络,用来增强网络高层的感受野,改善小目标的检测效果;然后使用深度可分离卷积取代YOLOv3网络残差模块中的普通卷积,可减少计算量,从而得到一种新型卷积神经网络结构;最后在数据集上进行对比试验.结果表明,优化的YOLOv3算法能够检测出更多目标,降低漏检率,相比于YOLOv3算法,其召回率提高11.86%,F1-score提高2.99%.     

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.     

一种改进的RFB Net遥感影像目标识别算法

针对高分辨率遥感影像场景复杂,现有的目标识别算法检测率较低且速度较慢的问题,提出了一种改进的RFB Net模型。算法在RFB Net模型的基础上构建特征金字塔网络,融合高层语义信息和低层特征信息,提高了网络识别能力。为验证该算法性能,以遥感影像中飞机目标为例进行了实验验证。以油罐和立交桥目标为例,对该算法的推广性进行了实验验证。结果表明,改进的RFB Net模型在遥感影像目标识别中精度较高、速度较快,且具有较好的推广性。     

深反射地震成像揭示的班公湖 怒江缝合带中段Moho断阶及其大地构造意义

揭示班公湖- 怒江(班怒)缝合带Moho(莫霍面)结构对于认识中特提斯洋壳俯冲和南羌塘坳陷成因具有重要地球动力学意义。基于横跨班怒缝合带的深反射地震数据(88°30′E),本文采用了中长波长静校正、噪声压制、优化叠加和叠前深度偏移(PSDM)等地震处理技术,获得了深度域地震反射偏移剖面、层速度场和高分辨率Moho结构。由深度域剖面显示,班怒缝合带Moho位于地表以下65～80 km,呈不连续北向抬升趋势,指示在拉萨地块与南羌塘地块之间存在岩石圈上地幔断阶,最大阶步可达15 km。综合分析缝合带两侧的Moho形态认为,这些断阶受南侧拉萨地体的岩石圈上地幔以19. 5°北倾俯冲与北侧南羌塘地块的上地壳抬升驱动,可能与深部存在局部熔融相关。班怒缝合带下的Moho结构表明,随着晚侏罗世—早白垩世中特提斯洋闭合,南羌塘地体由边缘海沉积向前陆盆地转换,形成南羌塘坳陷。     

南沙群岛海域混合层深度季节变化特征

基于南沙群岛海域综合科学考察11个航次的实测资料,研究了南沙群岛海域的混合层深度季节变化特征。研究结果表明,南沙群岛海域混合层深度存在明显的季节变化,并且与季风和海表热通量的变化密切相关。春季,风速较小且风向不稳定,海面得到的净热通量全年最大,上层水体层结稳定,混合层深度较小;夏季,南海西南季风盛行,上层为反气旋式环流,海面得到的净热通量减少,混合层呈加深的趋势;秋季,海面净热通量继续减少,混合层深度达到最大值;冬季,东北季风驱动下形成的上层气旋式环流引起深层冷水的上升,限制了混合层的加深。     

基于深度学习的CZ铁路康定—理塘段滑坡易发性评价

CZ铁路康定至理塘段地处青藏高原东部边缘,区域内地形地貌多变、地质构造复杂,滑坡灾害极其发育,严重威胁着CZ铁路康定至理塘段的规划建设和未来安全运行。因此,选取高程、坡向、平面曲率、剖面曲率、地形起伏度、地表切割度、地形湿度指数、归一化植被指数、岩性、距断层距离、距河流距离、距道路距离共计12个影响因子构建滑坡空间数据库,采用深度学习的卷积神经网络(convolutional neural network, CNN)模型进行滑坡易发性评价,根据易发性指数将研究区划分为极高易发区(13.76%)、高易发区(14.00%)、中易发区(15.86%)、低易发区(18.17%)、极低易发区(38.21%)5个等级,并与人工神经网络(artificial neural network, ANN)模型进行对比。结果表明,CNN模型的评价精度AUC(0.87)大于ANN(0.84)模型,且极高易发区的频率比值高于ANN模型,CNN模型在本研究区有着更高的预测能力;极高和高易发区主要分布在水系较为发育的地区,沿着雅砻江和其他河流两侧2 km范围内呈带状分布。滑坡易发性评价结果较好地反映了研究区滑坡灾害...     

基于深度学习到时拾取自动构建长宁地震前震目录

将深度学习到时拾取、震相关联技术与传统定位方法联系起来,构建一套连续波形自动化处理与地震目录自动构建流程,对于高效充分利用地震资料,提升微震检测能力具有十分重要的意义.我们应用最新发展的迁移学习震相识别技术、震相自动关联技术,对长宁Ms6.0地震震中附近21个台站震前半个月(6月1日-6月17日)的连续记录波形进行P、...     

基于地震属性约简的深度学习储层物性参数预测:以莺歌海盆地乐东区为例

储层物性参数作为描述储层特性、储层建模和流体模式的重要指标,其准确估算可以为储层预测提供有力参考依据,但传统储层物性参数反演方法无法兼顾反演精度及空间连续性。针对上述问题,本文引入地震属性作为深度学习算法输入,针对地震属性之间存在的信息冗余特征,利用随机森林-递归消除法对地震属性进行约简预处理,最终建立一种基于地震属性约简的储层物性参数预测方法。实际数据测试结果表明,地震属性约简的深度学习储层物性参数预测结果具有良好的精度及横向分辨率,证实本文方法的有效性。