基于多源高分辨率遥感影像的2 m不透水面一张图提取

不透水率是衡量城市生态环境状况的一个重要指标。当前全球范围内仅有1 km和30 m分辨率尺度的不透水面专题信息,无法满足城市尺度水文模型建模、海绵城市规划和建设需求。提出了图谱信息融合的不透水面提取模型,实现了基于深度学习的不透水面提取新方法,研制了不透水面遥感全流程提取和监测软件。基于多源高分辨率遥感影像首次完成了中国31个省（直辖市、自治区）的2 m不透水面专题信息提取,形成全国不透水面一张图,为海绵城市和生态城市的建设提供了基础数据支撑和技术监测手段。     

波致海床瞬态液化对再悬浮贡献率的深度学习预测方法

波致瞬态液化渗流导致海床内细粒沉积物向海水中运移,这一过程对海底沉积物再悬浮的贡献率不容忽视,但是贡献率的准确估计和预测比较困难。本研究将黄河水下三角洲的观测数据(包括水深、有效波高、有效波周期、实验舱内悬沙浓度、实验舱外悬沙浓度)作为模型输入数据集,基于长短时记忆循环神经网络建立了瞬态液化对再悬浮贡献率的深度学习预测模型。为了客观评价模型的性能,以平均绝对百分比误差、均方根误差和平均平方误差-标准偏差为评判标准,将该深度学习模型与其他预测模型(支持向量回归模型、人工神经网络)的预测结果进行了比较。结果表明,基于长短时记忆循环神经网络的深度学习模型对3.5d以内的瞬态泵送再悬浮贡献率预测误差最小,其平均绝对百分比误差、均方根误差和平均平方误差-标准偏差分别为5.87%、1.6730、0.1574。因此,该模型可以有效地减少机器学习方法在连续预测中产生的误差叠加问题。     

联合地物轮廓线的三维重建算法研究

针对现有三维重建研究中对线特征利用不充分,重建精度低的问题,提出了一种联合地物轮廓线的三维重建算法。利用BDCN模型和相应预处理算法,提取出二维影像上的边缘轮廓线;基于对极几何原理的核线引导和三角测量原理,建立线段的初始匹配假设;通过相似性计算和图聚类算法重建出三维轮廓线模型结果;将结果应用于三维网格模型的优化。使用Building-Imagery-P36和DTU MVS数据集对本文算法进行验证,结果表明：本文方法提取出的轮廓线段精简而完整。相比经典的Line3D++算法,MAE和标准差值平均降低了0.321、0.699,重建时间平均降低了58%,精度和效率都有明显提升。附加三维轮廓线约束后,生成的网格模型视觉效果更佳,细节信息更为丰富。     

高中地理如何实施表现性学习评价

在我国新一轮的课程评价改革中,作为质性评价的典范之一,表现性评价备受关注。表现性评价重视过程性评价、质性评价、非学业成就评价,体现了新课程评价的基本理念,成为新课程地理学习评价的一种重要而有效的方法。表现性学习评价是指通过观察学生在完成实际任务时的表现来评价学生已经取得的发展成就。     

全球-地方联结与产业集群的技术学习--以河南许昌发制品产业为例

以产业区理论、管制理论和全球生产网络理论为基础,以学习创新为核心,构建了一个融生产体系与社会生产体制、制度与协调机制、地方生产网络、全球生产网络“四位一体”的学习型产业区分析框架;运用该框架,以河南许昌发制品产业集群为案例,研究了全球-地方网络联结的方式、动态及其对技术学习的影响。研究发现,通过全球与地方生产网络的建构和有机联结,传统产业集群的技术学习是可以从“低端道路”迈向“高端道路”的,发展学习型产业区应作为我国经济发展与技术创新的一项重大战略和政策。     

基于改进U-Net的建筑物集群识别研究

针对U-Net在高分影像建筑物提取中部分建筑物边缘特征易模糊或丢失的问题,提出一种对高分影像建筑物边缘增强,同时对U-Net部分卷积过程进行改进的优化的建筑物提取方法.首先利用域变化递归滤波的方式对建筑物边缘进行增强,将增强后影像输入U-Net神经网络中进行训练;其次为充分利用建筑物在高分影像上丰富的细节特征,尝试在原...     

基于谱聚类算法的海底滑坡危险性评价

海底滑坡的危险性评价与分区,对海洋工程设施的选址和危险预防具有指导作用.本文基于无监督机器学习的谱聚类算法对黄河口埕岛海域展开了海底滑坡危险性评价,构建了输入参数为9、输出类别为4、核函数参数为0.08的海底滑坡危险性评价模型.使用该模型进行评价,将研究区分为了海底滑坡危险性高、较高、较低和低的区域.评价结果与地质环境...     

基于深度学习和台阵策略的震相自动拾取方法APP++及其在川滇地区的应用

在APP方法的基础上,使用U-net++模型,提出了进一步的改进算法APP++用于台阵下的震相到时自动拾取,测试结果显示,APP++模型在具有和APP相当的拾取能力的同时,还能够更好地避免误识别,且具有跨区域泛化能力;将该方法用于川滇地区的固定台网和流动台阵上,扫描了2014—2019年6年的连续数据,检测到了7329...     

基于机器学习的区域工程地质分层思路与方法研究

传统的地质分层方法通常依赖于人工解释和经验判断,存在过程繁琐、工作量大、受人为因素影响较大等缺点。本文旨在研究基于机器学习的区域工程地质分层的思路与方法,将地层分层问题转换为地质体空间单元的序列到序列预测任务及地质属性特征分类任务,以提高地质分层的准确性和效率。本文在对工程地质原始数据开展深入研究的基础上,提出采用深度学习方法对静力触探试验数据进行地质分层的训练和预测,通过分类算法对取土孔土样进行分层,并定量评价了相关算法的适用性。通过对比传统方法和机器学习方法的结果,验证了机器学习在地质分层中的优势。本研究为区域工程地质研究提供了一种新的地质分层思路,具有重要的实践意义。     

超参数对GRU-CNN混合深度学习弹性阻抗反演影响研究

CNN-GRU混合深度学习反演弹性阻抗取得了较好的反演效果.但是,基于深度学习的叠前反演参数众多,包括内部深度学习网络可学习参数和外部超参数等,目前超参数选取对网络性能及计算速度影响尚缺乏系统性研究,这直接影响到了该方法的进一步推广应用.因此,本文在混合深度学习反演弹性阻抗基础上,探讨学习率、Ep-och、batch_...