基于BP神经网络的海洋监测数据等级划分

数据的分类是数据处理和应用的重要环节和前提。在海洋领域中,海洋数据呈现多元、多类等的复杂多样性,给数据的分类带来一定的技术挑战。主要针对海洋数据分类难这一问题,首先利用BP神经网络技术对海洋环境监测数据进行分类,且通过对获取的海洋环境监测数据进行分类预测,最后,实验验证了海洋环境监测数据分类方法的正确性和可行性,给海洋监测数据根据秘密等级进行数据分类提供了支持。     

江苏省沿海海域影像地图集的编制与研究

2013年,江苏省成为国家3个海域无人机(UAV)基地建设省份之一。按照国家海域无人机基地建设的有关要求,江苏省海域动态监视监测中心先后购置了海域无人机和应急指挥监控车,并沿着江苏近千千米的海岸带开展了大量的无人机航拍。为将已有的无人机航拍数据给更多的海域管理者和社会公众提供服务,着手编制《江苏省沿海海域影像地图集》。文章简述了江苏沿海开发概况,介绍了图集的编制过程和技术创新点,对其他影像地图集的编制具有一定的参考价值。     

辽宁海岛地名类型及主要特征分析

辽宁海域辽阔,海岛数量众多。辽宁先人早在几千年前的新石器时代就开始认识海岛、开发利用海岛,并在漫长的历史演化过程中逐渐形成了丰富多样的海岛地名。海岛地名的产生是人类活动与地理环境相互作用的结果,往往具有一定的规律性。本文利用统计及分类方法,尝试依据地名来源及命名方式划分了辽宁海岛地名类型,并揭示了其主要特征,这对深层次挖掘辽宁海岛地名文化具有重要意义,亦可为海岛地名管理提供基础参考。     

基于水边线等高的海岸带卫星影像定位方法

针对海岸带和海岛(礁)稀少地面控制区域控制条件不足和定位精度较低等情况,将水边线等高条件与有理函数模型(RFM)相结合,充分利用海岸带卫星影像的特点,将水边线等高点引入平差,提出了一种基于水边线等高的海岸带稀少地面控制卫星影像定位方法。实验结果表明,在同样稀少地面控制情况下,该方法与未加入等高控制条件的海岸带卫星影像定位方法相比,高程定位精度有了明显的提高;在离海岛较近的大陆岸边布设控制点,利用本文方法同样可以在海岛获取较高的定位精度。这对于稀少地面控制条件下海岸带、海岛(礁)地理信息的精确获取,具有重要意义。     

基于SERD与SPAN的全极化SAR数据海岸线分类

基于Wishart分类器的全极化SAR图像H/α分类方法应用于海岸线分类,可区分不同海岸线类型。在聚类过程中,传统H/α-Wishart方法时常将各类聚类中心对应的散射机理混淆,使得同为单次面散射的淤泥质与砂质海岸线类别难以区分。针对此问题,提出了改进型的辅助分层分类方法。算法运用单次反射特征值相对差异度与极化总功率系数构成的二维特征空间,结合支持向量机得到最优分界判据,以分离初始分类结果中混淆的淤泥质与砂质海岸线。实验表明,改进方法能够有效区分淤泥质与砂质岸线,分类混淆矩阵对应kappa系数由0.794提升至0.853,分类识别率得到显著提高。     

基于兴趣区域的无参考型影像质量评价研究

针对现阶段无参考型算法主观一致性差的问题,提出了一种基于兴趣区域的无参考型影像质量评价算法(NROI),在德克萨斯大学的Live影像库中与经典算法:峰值信噪比(PSNR)、结构相似度(SSIM)、自然场景统计模型(NIQE)法,进行大量实验对比。结果表明,NROI的表现优于NIQE,PSNR与SSIM相当,适用于数字影像的质量评价。     

低空无人机视频影像可量测立体模型构建技术

提出了一种利用无人机快速获取的视频数据的可量测立体模型构建方法。首先,通过无人机飞行平台快速获取视频数据,基于改进平板摄像机智能标定技术,获取摄像头的内方位元素,结合摄像机内方位参数、视频帧率、飞行高度、速度、影像分辨率等参数实现了基于实时视频流的关键帧影像自适应自动提取算法,并对提取关键帧影像进行畸变差改正;其次,通过对校正后的影像进行光束法空中三角测量加密处理,计算视频关键帧影像的外方位元素信息。最后,利用北京地区的试验数据进行了验证分析。结果表明利用能快速实现可量测立体模型构建,具有较高的量测精度,能有效的提高应急测绘条件下的灾情地理信息获取,为灾情评估和辅助决策提供依据。     

混积岩分类命名体系探讨及对混积岩储层评价的启示——以渤海海域混积岩研究为例

混积岩是一种普遍而重要的岩石组合类型。然而长期以来,对混积岩的岩石学分类与命名一直存在诸多争议,且尚未有统一的分类体系与命名规则。本文结合渤海海域混积岩岩石薄片组分鉴定、岩石储层物性分析等最新研究成果,并与相关文献结合,最终确立以陆源碎屑物、生物成因碳酸盐颗粒、化学沉淀碳酸盐为三组分端元的一套新的混积岩岩性分类体系,并将混积岩分为4大类、16亚类。通过讨论混积岩混积层系及混积岩组构界定的问题,进一步完善了混积岩定义。利用新的岩石学分类方案,可为储层评价研究提供指导。以渤海海域为例,建立起研究区不同岩性相与储层物性的对应关系,并在岩性分类体系中划分出差储层、中等储层及优质储层三个储层区。     

高亚洲地区冰崩灾害的研究进展

在全球气候变化的背景下,冰崩灾害极有可能成为人类面临的新常态。特别是在高亚洲地区,冰崩灾害事件严重威胁"亚洲水塔"的命运和"第三极"的生态安全。因此,研究冰崩灾害事件对于保障"一带一路"国家战略的顺利实施和保护"一带一路"沿线国家的生产与生存环境具有重要的现实意义。通过梳理历史上有记录的几次冰崩灾害事件,系统介绍冰崩的发生过程;再从冰崩体的物质组成、冰崩体的运动特征、冰崩发生的可能原因以及冰崩的影响等方面总结了冰崩的研究内容;重点阐述了冰崩的研究方法;最后讨论了当前冰崩研究存在的问题,并从冰崩研究方法等角度展望了未来冰崩灾害事件的研究方向。     

基于岩石图像深度学习的岩性自动识别与分类方法

岩石岩性的识别与分类对于地质分析极为重要,采用机器学习的方法建立识别模型进行自动分类是一条新的途径。基于Inception-v3深度卷积神经网络模型,建立了岩石图像集分析的深度学习迁移模型,运用迁移学习方法实现了岩石岩性的自动识别与分类。采用此方法对所采集的173张花岗岩图像、152张千枚岩图像和246张角砾岩图像进行了学习和识别分类研究,通过训练学习建立岩石图像深度学习迁移模型,并分别采用训练集和测试集中的岩石图像对模型进行了检验分析。对于训练集中的岩石图像,每组岩石分别用3张图像测试,三种岩石的岩性分类均正确,且分类概率值均达到90%以上,显示了模型良好的鲁棒性;对于测试集中的岩石图像,每组岩石分别采用9张图像进行识别分析,三种岩石的岩性分类均正确,并且千枚岩组图像分类概率均高于90%,但是花岗岩组2张图像和角砾岩组的1张图像分类概率值不足70%,概率值较其他岩石图像低,推测其原因是训练集中相同模式的岩石图像较少,导致模型的泛化能力减小。为了提高识别精确度,对准确率较低的岩石图像进行截取,分别取其中的3张图像加入训练集进行再训练,增加与测试图像具有相同模式的训练样本;在新的模型中,对3张图像进行二次检验,测试概率值均达到85%以上,说明在数据足够的状况下模型具有良好的学习能力。与传统的机器学习方法相比,所提出的岩石图像深度学习方法具有以下优点:第一,模型通过搜索图像像素点提取物体特征,不需要手动提取待分类物体特征;第二,对于图像像素大小,成像距离及光照要求低;第三,采用适当的训练集可获得较好的识别分类效果,并具有良好鲁棒性和泛化能力。