基于BP神经网络的陕西春季浅层地温预测模型

利用2016—2021年春季(3—5月)陕西98个国家级地面气象观测站逐日观测资料,运用BP神经网络构建了陕西春季不同区域(陕北、关中、陕南)不同月份(3、4、5月)不同土壤深度(5、10、15、20 cm)地温预测模型,并利用2022年数据进行模型预测检验。研究结果表明：模型预测的各深度日平均地温在陕北、关中、陕南地区预测准确率＞95%,且整体表现出土壤深度越深预测准确率越高的趋势,10 cm日平均地温预测准确率＞98%,15、20 cm日平均地温预测准确率＞99%;各深度日平均地温在陕北、关中、陕南地区预测值与实测值的均方根误差≤10 ℃、平均绝对误差≤08 ℃,均方根误差和平均绝对误差整体表现出土壤深度越深误差值越小的趋势;模型预测精度比较理想,可用于陕西春季浅层地温预报业务,为春播及果树花期预报提供技术支持。     

基于高频雷达回波谱多特征融合的浪高反演算法

高频地波雷达海洋回波谱的 Bragg 峰和二次谐波峰中,均蕴含着浪高信息,因此发展出了基于 Bragg 峰功率 （Power of Bragg Peak,PB）、二次谐波峰与 Bragg 功率比 （Power Ratio of Second Harmonic Peak to Bragg Peak,RSB）、双频 Bragg 峰功率比 （Power Ratio of Dual Frequency Bragg Peak,RDB） 等浪高反演算法。然而,三种算法均无法实现不同海况、不同距离下浪高的精确反演。本文研究发现,PB 算法适用于低海况,RSB 算法在近距离高海况下表现良好,而 RDB 算法适用于远距离测量,即三种算法高性能测量区间存在强互补性。在此基础上,本文提出了一种基于多特征 （PB、RSB 和 RDB） 融合的浪高反演算法,其中采用反向传播（Back Propagation,BP） 神经网络作为特征融合器。实验表明：本文算法在测量精度、波高适应范围、距离适应范围上均优于现有波高反演算法。     

一种全自动提取居民地的方法

对遥感影像中居民地提取的各种方法作了一般性的阐述,并在吸收这些算法优势的同时,提出了一种全自动实现遥感影像中居民地目标的提取方法：先求取非最大值抑制后的梯度图,而后进行高斯模糊处理,以提高影像上居民地区域纹理特征一致性;通过增强大津法和形态学的方法全方位腐蚀与膨胀,完成面状地物居民地的提取;最后进行图象矢量化处理。论述方法的同时,展示和分析了实验结果。     

模糊聚类分析在粤西芒果炭疽病流行区域划分上的应用

根据粤西６个市（县）种植的３个主要芒果品种芒果炭疽病（Ｇｌｏｅｏｓｐｏｒｉｕｍ ｍａｎｇｉｆｅｒａｅ Ｐ．Ｈｅｎｎ．ｅｔ ａｌ）病情指数,应用模糊聚类分析方法,划选出粤西种植芒果的适宜区域,并指出干旱地区不利不该病发生。     

基于神经网络的机载激光测深偏差模型构建

为提高机载激光测深（airborne LiDAR bathymetry,ALB）精度,需对ALB原始测深偏差进行修正。通过顾及ALB测深偏差诸影响参数,基于神经网络方法,利用实测样本数据训练获得ALB神经网络偏差模型,然后基于神经网络偏差模型对ALB原始测深数据进行修正。结果表明ALB原始测深偏差较大,需进行修正。传统线性偏差模型和本文神经网络模型均能有效修正ALB测深偏差。相比线性偏差模型,神经网络偏差模型具有更高内符合和外符合精度。基于神经网络的ALB偏差建模方法能有效提高ALB测深精度。     

洞庭湖中枯水期水情变化及其驱动因素

为揭示洞庭湖中枯水期水情变化特征及其驱动因素,采用长短期记忆神经网络模拟洞庭湖出湖流量及湖区水位,通过情境模拟开展水情变化归因分析。洞庭湖1992—2019年9—10月出湖流量大幅减少,主要受长江流量降低的影响。洞庭湖中枯水期水位主要呈下降趋势,其中9—10月平均水位在西洞庭湖、南洞庭湖降幅约1 m,在东洞庭湖降幅约2 m。地形变化对中枯水期水位主要起拉低作用,长江和流域四水流量变化在9—10月起拉低作用、在12月至次年3月起抬升作用,其中对东洞庭湖水位的影响相对更为显著。研究结果可为洞庭湖中枯水期水资源管理和湿地保护提供参考。     

人工神经网络理论在地下水水质评价中的应用

本文应用人工神经网络方法，在模拟人脑的思维方式下，建立了地下水水质模型，并对地下水水质污染程度进行评价，与动用综合指数法、模糊综合评判法和灰色聚类法等多种方法评价的结果相比较。结果表明，神经网络方法具有较强的处理相互矛盾样本的能力，尤其对非线性问题，其预测精度高。     

基于多尺度分割和径向基神经网络的极化SAR影像分类

针对目前常用的基于像素的深度神经网络极化SAR分类方法产生的椒盐现象,文中提出了一种联合自适应阈值多尺度分割方法和径向基神经网络的极化SAR地物分类方法。实验证明,该方法能够有效地保留SAR图像的结构特征并有效消除分类过程中产生的椒盐现象和破碎斑块,具有较高的分类精度。     

基于卷积神经网的CCTV视频中排水管道缺陷的智能检测

作为地下空间信息测绘工作的一个重要部分,基于排水管道内部测绘信息的管道缺陷检测越来越受到人们的重视。CCTV技术是一种广泛使用的排水管道内部测绘与缺陷检测技术。近些年基于卷积神经网的人工智能技术在图像识别中取得了巨大成功,受此启发,提出了一种基于卷积神经网络的排水管道缺陷的检测方法,以提高CCTV视频中的管道缺陷检测的自动化和智能化。试验证明了该方法的有效性,其在缺陷识别的准确率和召回率及识别速度上均满足了排水管道缺陷智能检测的需要;同时该方法也已经在深圳市的排水管道检测中得到广泛的应用。     

基于U型卷积神经网络的航空影像建筑物检测

经典的卷积神经网络结构在前向传播过程中分辨率不断下降,导致仅采用末层特征时难以实现建筑物边缘的精确分割,进而限制目标检测精度。针对该问题,提出一种基于U型卷积网络的建筑物检测方法。首先借鉴在图像分割领域中性能出色的神经网络模型U-Net的建模思想,采用对称式的网络结构融合深度网络中的高维和低维特征以恢复高保真边界;其次考虑到经典U-Net对位于特征金字塔顶层的模型参数优化程度相对不足,通过在顶层和底层两个不同尺度输出预测结果进行双重约束,进一步提升了建筑物检测精度。在覆盖范围达30 km²、建筑物目标28 000余个的航空影像数据集上的试验结果表明,本文方法的检测结果在IoU和Kappa两项关键评价指标的均值上分别达到83.7%和89.5%,优于经典U-Net模型,显著优于经典全卷积网络模型和基于人工设计特征的AdaBoost模型。