长短时记忆神经网络在中期地震预报中的探索——以川滇地区为例

利用机器学习方法对地震活动大数据进行挖掘,识别出一些过去认识不到的异常,提高地震预测的准确性,是一个非常具有挑战性的科学问题.本文基于川滇部分地区（24°N—32°N,98°E—106°E）地震目录,采用滑动的时空窗口,选取16个反映地震时空强度分布特征的地震预测因子,建立了长短时记忆（LSTM）神经网络,对研究区域9个子区块未来一年的最大地震震级进行预测.通过设置训练集：测试集=8：2和训练集：测试集=7：3两个不同的训练测试模型,对过往发生的地震进行了回溯性预报.结果表明：训练集：测试集=7：3模型能够利用1970年1月至2004年9月的地震目录进行学习,成功回溯性预报2008年汶川地震;训练集：测试集=8：2模型利用1970年1月至2009年5月资料进行训练,回溯性预报2010—2019年间6级以上地震的R评分为0.407,回溯性7级地震预报时准确率高达92.31%.本文还探讨性给出预测意见：2022年2月前研究区西部、中部、东部、西南部存在发生5.1~5.3级地震的潜在危险性.

     

利用BP神经网络技术建立自贡地区地震动地形效应模型及其在汶川地震中的效验

地形效应是地震学、地震工程学和工程地震学中非常重要的研究课题.地震震后调查发现: 地形起伏变化引起了更严重的地震灾害, 地震仪器也记录到复杂的三维地形对地震动具有放大效应.关于地形激发的地震动效应问题, 目前仍处于定性研究阶段, 得到了一些定性的结论: 如地形效应表现为与地形坡度相关、与山脊和山谷相关、与山形坡面形态相关、与山体高宽比相关、与地形变化的尺度相关等等.这些定性结论没能给出影响地形效应的主要因素, 如何预测地形效应仍是难题.本文通过谱元数值模拟方法, 计算了自贡地区的地震动地形效应的放大系数, 同时引入BP神经网络技术, 揭示了地形放大系数可以用不同尺度地形上的变化来表述, 即可以用地形高程、地形变化梯度及其高阶变化梯度来表示.据此为参量, 文中建立了地形效应BP神经网络的预测模型, 并将该预测模型的结果与自贡地形台阵在汶川地震中的主震记录获得的地形放大系数结果进行了对比, 给出了预测结果与实际结果的差异范围, 讨论了造成差异的成因, 该论文提出的研究方法为更全面的研究地形效应提供了重要的研究思路.

     

基于深度学习的新增建设用地信息提取试验研究: 全国土地利用遥感监测工程创新探索

目前基于遥感图像的城市功能区分类方法通常采用光谱特征解译、兴趣点数据辅助、评价策略优化等方式,依赖大量人工操作,并借助遥感图像外的其他信息源。为了解决以上问题,提出利用卷积神经网络进行滑窗识别,提取图像语义标签,结合语义推理机制实现城市功能区分类的滑窗-推理方法。首先,建立两级城市功能区分类,以二级城市功能区为标识标注训练样本,并以此训练卷积神经网络作为识别器;然后,设计有重叠的滑窗识别模式,使用识别器辨识滑窗区域内图像块的二级城市功能区类型;最后,提出一个带权重的打分机制,作为语义推理方式,语义推理对象为全部识别结果,确定各图像块的一级城市功能区类型,实现遥感图像城市功能区分类。实验使用模拟图像和高分辨率遥感图像,两种图像的总分类精度分别可达94.50%、92.04%。滑窗-推理方法旨在通过语义推理处理滑窗识别产生的多语义标签,根据多语义标签确定对象的真实城市功能区。实验结果表明,所提方法无需辅助信息,直接利用遥感图像进行城市功能区分类是可行和有效的。     

利用多元Logistic回归进行道路网匹配

识别同名道路在多源异构道路网匹配过程中十分关键。提出了一种多元Logistic模型的道路网匹配算法。首先选取并设计了能有效综合空间与非空间信息进行道路不相似性描述与区分的三种特征,即最小方向变化角、综合中值Hausdorff距离和语义差异三种不相似性特征,然后利用此三项特征结合多元Logistic回归模型构建准确的道路网匹配模型。利用该模型对道路网中待匹配道路进行匹配概率预测,从而获取道路的匹配结果,实现路网匹配。实验结果表明,本文方法避免了组合特征精确权值与阈值的设定,并能有效解决匹配结果对单元变量过于依赖的问题,具有良好的适应性、较高的准确率和召回率。     

融合光谱指数与高分影像的塑料大棚语义分割模型

针对现有场景分类方法特征表征能力差以及单视角遥感影像分类精度难以提升的问题,提出一种融合多尺度注意力的多视角遥感影像场景分类方法。首先,将航空图像和地面图像构造成正负图像对,并划分为训练集、验证集和测试集;其次,构建融合多尺度注意力的卷积神经网络并训练,通过特征融合模块得到融合注意力且表征能力更强的特征,实现多尺度特征学习;然后,利用训练的多尺度注意力网络分别提取航空图像和地面图像特征并进行融合;最后,基于融合后的特征使用支持向量机进行场景分类。实验结果表明,相比现有方法,所提方法在两个公开数据集上均取得了更高的分类精度,改善了单视角场景分类效果,同时也证明了多视角所提供的补充信息能进一步提升遥感场景分类的准确性。

     

利用风云3D微波成像仪数据估算北极海冰密集度的精度评价

卷积神经网络（convolutional neural network, CNN）已用于星载全球导航卫星系统反射测量（global navigation satellite system-reflectometry,GNSS-R）海冰检测,其具有数据预处理简单、最大限度保留反射面信息等优势,但已有GNSS-R CNN海冰检测方法研究的数据集时间跨度较小,代表性有限,且未考虑训练集内海水、海冰时延多普勒图（delay-Doppler map, DDM）的比例对方法泛化能力的影响。针对该问题,首先提出一种筛除畸形DDM方法,有效筛除错误数据;然后,设计合适的CNN结构及参数,通过小样本对比实验发现CNN模型在训练集内海水、海冰DDM的比例为1∶1时具有高准确率和最佳泛化能力,并优化数据集选取策略;最后使用2018年全年大样本数据集评估改进的方法在大数据量和大时间跨度时的有效性和可靠性。研究表明,改进的方法通过加强数据质量控制、优化数据集选取策略,提升了CNN海冰检测方法的泛化能力及可靠性,使其更适用于实际应用场景,为海冰消融等研究提供参考。

     

基于细菌觅食优化广义回归神经网络的煤层气含量预测

为提高煤层气含量预测的能力,提出了一种基于细菌觅食优化广义回归神经网络( BFA?GRNN)的煤层气含量预测算法。利用已有煤层资料,通过神经网络建立回归模型,采用细菌觅食算法对模型参数进行优化,减少人为因素在网络训练中的影响。据此算法,在聚类分析及灰色关联分析的基础上,选取密度等共7个影响因素,建立煤层气含量预测的BFA?GRNN模型,通过实例分析验证该方法的可行性。结果表明:BFA?GRNN模型预测值与实测值之间相对误差小于6%,采用该模型预测煤层含气量具有较好的应用前景。     

基于L-M神经网络的陡崖层状危岩失稳模式预测

明确危岩变形失稳模式是预防和治理研究的前提,但如今的传统预测方法存在成本高昂、实用性不强等缺点,尤其是在强烈地震诱发下。本文采用基于Levenberg-Marquardt法的神经网络结构,并借助三维离散元数值模拟手段,综合考虑了陡崖层状危岩的节理倾角、危岩边长、危岩高宽比、危岩堆积层数等影响变形失稳模式因素,以危岩变形失稳模式为研究对象,影响因素为切入点,建立了陡崖层状危岩变形失稳模式预测的神经网络模型。并基于由数值模拟计算得到的危岩变形失稳模式样本训练所建立的神经网络,最后分析了该预测模型的准确性。结果表明：该模型具有较好的学习和泛化能力,预测精度达到86.7%,验证了基于Levenberg-Marquardt法的神经网络预测危岩变形失稳模式的方法是有效且实际可行的。     

BP神经网络用于水下地形适配区划分的方法研究

为确保背景场中最优适配航线设计的正确性以及水下地形匹配导航的可靠性,提出了一种基于BP神经网络的背景场适配/误配区自动识别和划分方法,该方法通过分析地形背景场特征参量显著性和主成分、构建BP神经网络、建立输入地形特征参量与匹配性能的映射关系,最终实现了地形背景场误配/适配区的自动识别和划分。试验验证了本方法的有效性。     

基于BP神经网络反演分析的隧道塌方机理研究

岩溶区隧道在施工过程中易发生崩塌,针对力学方面的隧道塌方机理分析较多,而针对岩溶软弱破碎带等地层方面的隧道塌方机理研究分析较少。为保证隧道施工的安全性、经济性和可行性,掌握隧道施工中的塌方机理非常有必要。依托贵州某岩溶破碎地层隧道在开挖过程中发生的坍塌现象,结合隧道的监测数据,运用BP神经网络的构建原理,对隧道的地层参数进行反演。将反演土体力学参数输入到FLAC3D有限元软件构建的不同施工方法模型中,对典型断面的崩塌破坏机制和风险进行判断和分析。结果表明：施工方法对隧道开挖的稳定性影响较大,针对围岩等级为Ⅴ级的隧道,采用三台阶七步法和单侧壁导坑法施工较安全,隧道塌方与隧道双向同时开挖没有关系;反演所得的隧道拱顶位移预测值为2.3 cm,地表位移预测值为1.2 cm,与监测数据偏差13%左右,反演结果具有一定的可信度。研究结果对岩溶区软弱破碎地层断面隧道公路建设具有重要指导意义。