人工神经网络方法估算海洋上混合层深度的初步研究

上混合层深度是海洋上层热力结构特征的重要参数.结合南海南部海区一连续温盐深观测站的实测资料和NCEP再分析风场资料,以海洋表层温度和风应力为输入,以温度差值判断方法计算所得上混合层深度为输出,采用BP神经网络和广义回归神经网络2种方法进行训练,建立了南海南部海区的上混合层深度人工神经网络计算模型.实验显示,两种模型仿真结果与温度差值方法计算结果均方根误差分别为3.58m、3.09m,线性相关分别达0.87、0.91,绝对误差分别为2.80m、2.37m,相对误差分别为9.40%、7.40%.这一结果表明,人工神经网络方法精度较高,是一种切实可行的上混合层深度估算方法.     

统计预报方法在海洋预报中的应用研究进展

统计分析是人们认识自然规律、预测事物发展趋势的一种基本手段,统计预报方法在海洋、气象预报中一直占有重要地位。随着计算机和大数据技术的发展,海洋统计预报技术也取得了一定突破,涌现出许多新方法、新技术。本文系统介绍了统计预报方法在海洋预报中的,应用研究进展,对其发展历程进行了系统的梳理,对目前具有代表性的4类统计预报方法进行了总结,并对海洋统计预报的发展方向和应用前景给以展望。     

卷积神经网络在SAR遥感海冰分类中的应用可行性分析

分别介绍了卫星遥感海冰监测、分类的传统方法,以及卷积神经网络在遥感影像分类识别中的应用成果。尝试将在图像识别、语言检测等方面取得成功的卷积神经网络算法应用在海冰图像分类中,利用其能够应对非线性、网络结构简单、可并行运算等能力去解决海冰数据分类问题。     

基于精细数据处理的叠前深度偏移在琼东南盆地陵水凹陷坡折区的应用

琼东南盆地陵水凹陷,受坡折区崎岖海底和复杂地质构造的影响,导致该地区速度模型构建精度不高,从而严重影响到成像品质。针对坡折区的精确速度模型构建难题,首先采用组合多次波衰减、宽频处理、叠前信噪比增强等针对性处理技术,得到宽频带高信噪比的叠前数据,在此基础上统计分析不同水深速度规律,应用断控和地质约束速度建模技术,建立初始速度模型,然后利用基于宽频数据的高分辨断控约束网格层析反演技术,经过多次迭代完成深度域各向异性速度建模,并实现了陵水凹陷坡折区的高精度叠前深度偏移成像。叠前深度偏移成像显示,基于精细速度模型的叠前深度偏移技术科明显提高坡折区信噪比,改善成像质量,同时可有效消除地层同相轴扭曲的现象,恢复了地下地层的真实构造形态,从而可为目标评价与钻探决策提供更可靠地震资料。     

基于深度域地震成像的中沙海槽盆地东北部结构构造研究

文章基于叠前深度偏移地震成像分析, 结合前人重磁反演等地球物理资料成果, 对中沙海槽盆地东北部结构构造进行探索研究。研究表明: 中沙海槽盆地东北部发育新生代地层, 厚度在1500~2500m之间, 地层层速度为1500~ 3500m·s^-1, 不存在中生界沉积层, 盆地基底为海山或前寒武系基岩及岩浆岩隆起。中沙海槽盆地新生代陆源海相烃源岩丰富, 盆地新生界地层厚度大, 盆地凹陷、断裂发育, 具有一定的油气勘探潜力。     

决口海堤水波传播模拟和分析研究Ⅱ:2D传播

应用经验证的SWASH数学模型,分析了海堤决口中心线沿线实测水深分布规律和保护区淹没水量与淹没面积。对不同特征水深进行验证,进而探讨不同波要素对不同形式的海堤决口堤后特征水深分布情况以及波浪传播距离与时间的关系;分析了物理模型试验中海堤决口宽度以及不同波要素对堤后洪水波演进的影响;计算了不同决口深度和宽度对洪水波传播的影响,建立堤后水体淹没水量和淹没面积分布公式。成果可供我国沿海城市和地区在风暴潮和台风浪作用下海堤决口风险图绘制参考。     

高分辨率光学遥感场景分类的深度度量学习方法

针对高分辨率光学遥感影像场景具有同类型内部差异大、不同类型间相似度高导致部分场景识别困难的问题,本文提出了一种深度度量学习方法。首先在深度学习模型的特征输出层上为每类预设聚类中心,其次基于欧氏距离方法设计均值中心度量损失项,最后联合交叉熵损失项以及权重与偏置正则项构成模型的损失函数。该方法的目标是在特征空间上使同类型特征聚集并扩大类型间的距离以提高分类准确率。试验结果表明,本文方法有效地提升了分类准确率。在RSSCN7、UC Merced和NWPU-RESISC45数据集上,与现有方法相比,分类准确率分别提高了1.46%、1.09%和2.51%。     

低空摄影测量立体影像匹配的现状与展望

影像匹配是在两幅或多幅具有重叠度的影像中通过特定的算法提取影像间同名点的过程,是低空摄影测量数据处理中最为关键的步骤,匹配质量与效率直接影响到后续数据处理的成功与否,关系到测绘产品生成质量。本文系统阐述了低空摄影测量影像匹配的研究现状与展望。对影像匹配的分类进行总结和归纳,大体上,影像匹配可划分为两大类,即基于灰度和基于特征的匹配。重点针对基于特征的影像匹配,从点、线、面等特征提取算法及特征描述符和相似性测度与策略等方面进行了详细阐述。此外,列举最新的基于深度学习的影像匹配算法,对低空平台搭载的多样化传感器数据融合可能涉及的影像匹配方法进行了展望。     

基于深度学习的河道提取与变化监测应用——以永定河为例

本文基于2014年、2017年、2018年三期GF1遥感影像,针对北京市石景山永定河河道变化特征,开展基于深度学习算法的河道自动提取与变化图斑自动发现。选择GEOWAY GFLP作为地理要素智能训练平台,采用基于疑似变化区域自动发现与人工交互确认相结合的遥感监测技术路线,选取典型水体样本进行分析、训练,构建深度学习卷积神经网络水体提取模型。通过分析与验证发现,基于深度学习水体提取模型自动提取的河道准确率高于90%,精度高于最小距离、最大似然及SVM分类方法,可用于城市河道的自动提取和变化发现。     

结合深度学习和图割法的遥感影像建筑物检测

提出一种基于卷积神经网络和图割法的自动提取高分影像建筑物的方法。首先,通过卷积神经网络定位与检测建筑物的位置,逐一提取单个建筑物轮廓,利用检测结果分别建立建筑物和非建筑物的高斯混合模型（GMM）,然后结合最大流最小割的图像分割方式实现全局优化,完成建筑物初步提取,最后用形态学进行优化。通过试验证明了该方法的可行性。