基于多模态感知的水下目标检测应用构想

水下目标检测在海洋生物研究、考古探索、军事防御等多领域广泛应用,随着人工智能快速发展,水下目标检测也朝着无人化、智能化发展。深度学习采用神经网络挖掘信息特征,在速度和精度上均表现出优异的性能,成为了计算机视觉技术的主流算法,然而水下环境复杂,将其应用于水下图像目标检测仍存在较大的挑战。水下目标各模态信息互补,特征丰富,有利于目标检测识别,因此结合应用场景调研现有技术,然后设计基于深度学习的多模态水下目标检测系统,同时对比分析了现有关键技术的优缺点,最后对多模态目标检测系统未来发展进行总结与展望,具有重要意义。     

利用Faster R-CNN进行立交桥自动识别与定位

立交桥结构的自动识别对道路网多尺度建模、空间分析和车辆导航具有重要意义.传统基于矢量数据的立交桥识别方法过分依赖人工设计的特征,对复杂场景的适应性较差.本文提出了一种基于目标检测Faster R-CNN神经网络模型的立交桥识别方法,该方法利用卷积神经网络学习立交桥样本的深层次结构特征,进而实现立交桥的自动识别与准确定位...     

基于A- CGAN的深反射地震数据随机噪声压制方法研究

基于深度学习的地震数据噪声压制方法是当前地震数据去噪处理的重要方向。深度学习方法突破了传统滤波处理的局限,在对常规地震数据的噪声压制中表现出效率高、信噪分离效果好的特点。但针对深部弱有效反射数据,当前的深度学习方法特征提取能力有限,难以取得较好的去噪效果。笔者等结合深反射地震数据特点,针对当前深度学习噪声压制方法在特征提取及对数据集依赖上的局限,提出了基于注意力循环生成对抗网络(Attention Cycle- Consistent Generative Adversarial Networks,A- CGAN)的深反射地震数据随机噪声压制方法。借助循环一致生成对抗网络(Cycle- Consistent Generative Adversarial Networks,Cycle- GAN)的域映射思想,降低对数据集的要求。为了构建适用于深反射地震数据的去噪网络,从3个方面对Cycle- GAN进行改进：在Cycle- GAN的生成器（去噪器）中加入残差结构和注意力机制,用于加深网络深度和提高其特征提取能力;在Cycle- GAN的鉴别器中使用块判决,提高鉴别精度和准确度;在损失函数部分加入感知一致性损失函数,提升网络模型恢复纹理细节信息的能力。通过合成地震数据和实际深反射地震数据测试,验证了优化算法的有效性,体现了良好的应用价值。     

预测有效波高的深度学习模型研究

研究基于RNN、LSTM、GRU深度学习模型,针对NOAA浮标数据集中的44013、44014、44017浮标的数据,通过斯皮尔曼相关性分析提高模型预测效果。实验结果表明,在进行相关性分析后,S-RNN、S-LSTM、 S-GRU的预测效果均比原始RNN、LSTM、GRU模型预测效果好。此外,提出一种基于LSTM的LSTM-Attention 波高预测模型,并进行相关实验,量化LSTM-Attention模型的预测效果,实验结果表明LSTM-Attention模型有更好的预测效果。为评估模型的泛化能力,研究还提出了一种采用邻近浮标数据进行学习,预测浮标缺失数据的方 法。实验结果表明,该方法的预测精度可以达到97.93%。本研究为海浪预测提供了新的方法和思路,也为未来深 度学习模型在海浪预测中的应用提供了参考。     

可解释性长短期记忆模型用于预测湖泊总磷浓度变化

对湖泊总磷的变化预测和来源识别对水资源调度和流域生态治理有着重要的意义,然而复杂的生化反应和水动力条件导致的非平稳性给湖泊总磷浓度的准确预测带来极大的困难。为克服这一挑战,本文引入了基于加权回归的季节趋势分解(seasonal and trend decomposition using Loess,STL)技术和夏普利加法(SHapley additive exPlanations,SHAP)结合长短期记忆网络(long short-term memory neural network,LSTM)和门控循环单元(gated recurrent unit,GRU)构建了一个可解释的预测框架,以增强对湖泊总磷浓度演变的预测并提高其可解释性。研究表明:(1)在骆马湖总磷浓度的预测中,该框架拥有较好的预报精度(R²=0.878),优于LSTM和卷积长短期记忆模型(convolutional neural networks and long short term memory network,CNN-LSTM)。当预测时间步长增加到8 h时,该框架有效提高了总磷浓度的预测精度,平均相对误差和均方根误差分别降低了47.1%和33.3%。从预测趋势来看,骆马湖在汛期的总磷平均浓度为0.158 mg/L,相较于非汛期的平均浓度,增加了202.1%。(2)运河来水是骆马湖总磷浓度最重要的影响因素,贡献权重为60.0%,并且不同断面(三湾、三场)的污染源受水动力、气象等因素的影响存在显著的时空差异。本文凸显了神经网络模型在预警水体污染方面的可实施性,并且为提高传统神经网络的学习能力和可解释性的开发与验证提供了重要方向。     

地形对水平岩层自重成因地应力场的影响

通过极坐标系下的艾里应力函数法,求解出在集中力作用下水平岩层中各应力分量。山体对其下伏岩层可作为分布载荷,对集中力作用下水平岩层中各应力分量积分,便求得山体对下伏水平岩层的附加应力。已有研究成果表明,当由外载引起的附加应力小于由重力引起的静止侧压力的20%时,则可以不考虑外载的影响,这样便导出了地形对自重应力影响深度所满足的函数关系式。此外,本文举例说明了如何求得地形对水平均质各向同性水平岩层的自重应力场的影响深度。     

基于深度学习的乱占耕地建房疑似图斑自动提取方法研究

为实现农村乱占耕地建房问题“早发现、早制止、早查处”,本文提出一种基于深度学习的乱占耕地建房疑似图斑自动提取方法,利用高分辨率遥感影像解译模型,结合第三次国土调查成果耕地数据,快速识别乱占耕地建房疑似图斑。最后以江苏省某县级市为例开展实验,实验表明：该方法提取结果准确率高、用时少,可为耕地保护、督察执法提供重要支撑。     

论山西褐土区农田土壤干燥化问题

以山西褐土区离石、忻州、太原、寿阳、临猗等地玉米、小麦农田为主要研究对象,选取5个代表性样点12个剖面采集0~600cm深度土壤样品,研究分析不同季节土壤垂直剖面水分状况。结果表明,该区玉米、小麦等农田中普遍存在土壤干层,轻度和中度干层都有显现;季节性干层的存在是该地区农作物易于发生干旱灾害的主要原因;晋中玉米地轻度干层发育到了600cm以下;晋南由于长期气候干旱,导致干燥化程度加重,轻度土壤干燥化也已发育到了600cm;晋西玉米地400cm接近轻度干化,晋北玉米地轻度干层也已达到600cm深度。农田季节性干层、深层土壤干层的出现严重影响了农田土壤的水循环;降水量少是本区农田干层产生的主要原因,但农田生产力提高、植被密度和蒸发对临时性干层形成的影响也不可忽视;选择低耗水、深根系的旱地作物,同时合理密植、有条件的地方实施灌溉等都是减缓农田干层的有效途径。     

五里湖南岸生态示范工程对水下光场的改善效果研究

2004年7月20日在五里湖南岸生态示范工程区共布设9个采样点进行水下光场的测定,并采集水样分析悬浮物、叶绿素a、DOC浓度和各组分吸收系数。结果表明,3类主要光衰减物质总悬浮物、叶绿素a和DOC的浓度分别为5.1~38.7 mg/L、25.5~86.4μg/L和7.43~8.74 mg/L;生态示范工程能明显降低水体悬浮物和叶绿素a浓度,Ⅱ类区总悬浮物、叶绿素a浓度相对Ⅰ类区分别降低了53.4%、33.0%,而Ⅲ类区总悬浮物、叶绿素a浓度相对Ⅰ类区分别降低了77.4%、65.0%。光合有效辐射(PAR)衰减系数在1.81~4.93 m-1间变化,对应的真光层深度为0.93~2.54 m,Ⅱ、Ⅲ类区相对Ⅰ类区PAR衰减系数分别降低了42.2%、52.8%,对应的真光层深度则分别增加了73%、112%。a_g(440)、a_d(440)、a_ph(440)的变化范围分别为0.79~1.31 m-1、0.41~2.22 m-1、0.73~2.12 m-1。纯水对总吸收的贡献均在15%以下,有色可溶性有机物(CDOM)吸收对总吸收的贡献率在18.16%~40.28%间变化,非藻类颗粒物对总吸收的贡献率在14.40%~37.88%间变化,浮游藻类对总吸收系数的贡献率基本上是各组分贡献率中最高的,在31.05%~45.28%间变化。对PAR衰减系数、真光层深度、透明度等表观光学参数与主要水色因子进行相关分析发现,水体中浮游藻类和有机颗粒物对生态示范区内的水体光学性质影响最大,而围隔外围浮游藻类、非藻类颗粒物对光的衰减相当。     

基于地形特征融合的卷积神经网络滑坡识别

滑坡严重威胁着人民群众的生命财产安全。完整、准确的滑坡编录图是研究滑坡的重要资料。深度卷积神经网络方法由于众多优势而备受关注,然而卷积神经网络结构复杂,需要大量的训练样本,制约了其在滑坡制图上的发展。提出了融合地形特征的卷积神经网络建模方法。首先在遥感影像上叠加地形因子构建新的滑坡样本,然后设计提取并融合空间与光谱特征的轻量级卷积神经网络(FF-CNN),最后训练最优模型进行滑坡识别。在四川汶川地区进行的消融实验证明：在空间特征基础上融合光谱特征的FF-CNN模型滑坡识别评价指标F1分数和平均交并比(MIoU)分别提高0.020 2和0.014 4;在遥感影像上叠加地形因子后,FF-CNN模型滑坡识别评价指标F1分数和MIoU值分别提高0.066 4和0.048 2。在湖北省三峡库区和四川省都江堰市虹口乡的实验说明FF-CNN模型表现出较强的适用性和迁移能力,在滑坡识别上具有较大潜力。