基于深度学习的2D-3D地下密度异常体反演方法

地下密度异常体反演需要由二维数据反演三维结果,为了高效、高精度地反演地下异常体的位置及密度信息,本文提出2D-3D InvNet深度学习反演方法.方法的编-解码器结构,在编码阶段利用二维卷积网络结构提取地表重力异常及重力梯度异常数据信息,解码阶段利用三维卷积网络结构恢复异常体地下形态,实现了二维和三维网络结构的结合.为了精确地反演异常体密度,提出利用加权均方误差（WtdMSE）作为损失函数,同时为了更好地评估反演结果,引入核密度函数作为评价手段.与均方误差（MSE）相比,利用WtdMSE作为损失函数对异常体密度的反演结果更为准确,异常体所在区域的密度误差减少50%以上.对理论样本的反演结果表明,2D-3D InvNet在准确反演异常体地下位置的同时,也能给出准确的密度信息.应用此方法对西澳大利亚Kauring地区实测数据进行反演,我们成功获得了此区域地下异常体的密度分布.理论与实际应用结果表明,2D-3D InvNet深度学习方法稳定且具有较强的泛化性能,能在无需规定限制条件的情况下快速获得准确的反演结果.

     

ICESat-2与Sentinel-2数据融合的深度学习浅滩水深测量

目前卫星测深(SDB)被广泛应用于近海岸水深测量,然而常用的经验模型较简单,无法适用于各类复杂浅滩环境。为突破传统方法的局限性,本文提出一种ICESat-2与Sentinel-2数据融合的深度学习浅滩水深测量方法。以美国密西西比州猫岛(CI)、巴克岛(BI)为研究区,利用ICESat-2提取先验水深点,再基于Sentinel-2数据训练一维卷积神经网络(1-DCNN)以获取研究区水深图;同时采用波段比值模型(BR)、随机森林(RF)和多层感知器(MLP)作为对比方法进行精度定量分析发现,本文方法在CI、BI测得水深的均方根误差和决定系数分别为0.20 m、0.94和0.95 m、0.95,精度验证优于其他方法,因此该方法提高了水深反演精度。     

一种多层特征融合的道路场景实时分割方法

道路场景理解是自动驾驶领域中重要模块之一,它可以提供关于道路更丰富的信息,对于建立高精度地图和实时规划都具有重要作用。其中,语义分割可以为图像每个像素赋予类别信息,是自动驾驶场景理解中最常用的方法。但是,目前常用的语义分割算法在速度和精度上大都不能达到很好的平衡。本文在Mobile Net V2的基础上,提出了一种多层次特征融合的方法,使得网络可以在实时运行的同时保证精度满足实际应用的需求,并在Cityscapes数据集上进行了试验验证和分析。     

基于双隐层ANN模型的叶绿素a浓度智能预报方法

利用2019年5月WZ02生态浮标监测数据,建立了两种不同隐层人工神经网络(ANN)模型的叶绿素a(Chl-a)智能预报方法,并对单隐层和双隐层模型的预测结果做了对比.结果表明:双隐层结构预测结果精度更高,泛化能力更强,一定程度上说明了深层学习比浅层学习对信息的主要特征提取能力更有优势.同时,对数据样本集合进行了系统预...     

贵州省地矿局第二工程勘察院

贵州省地矿局第二工程勘察院(一一四地质大队),成立于1965年,座落在遵义市海尔大道。该院以水文地质、工程地质、环境地质为依托,经过四十余年的努力拼搏,已发展成集勘察、设计、施工、监理、评估和科研为一体的高资质综合地勘单位。现有在职职工近400人,具有中、高级职称90人,注册工程师20余人,     

开化局“一二三四”法开展学习实践科学发展观活动

“一”就是贯穿“一根主线”,把“贯彻落实科学发展观,实现国土资源工作科学发展”贯穿学习实践活动始终。一是用科学发展观武装头脑,指导实践,把学习实践科学发展观变成全体党员干部的共同意志。二是用科学发展观检验国土资源工作,认真总结国土资源工作的经验教训,对符合科学发展观的做法坚定不移地发扬光大,对不符合、不适应科学发展观要求的问题,进行反思、整改。三是用科学发展观推动国土资源工作,真正达到“党员干部受教育,科学发展上水平,人民群众得实惠”的目的。     

党建工作在极地

我国极地事业在邓小平同志“为人类和平利用南极做出贡献”的题词指引下,走出了一条“起步晚、起点高;有所为、有所不为,成绩斐然”的发展之路。作为全国惟一的专业极地研究单位,中国极地研究中心全体职工在建站、科研考察、后勤保障等方面开展了卓有成效的工作,为我国极地事业的建设与发展作出了努力,而极地中心的党建工作在我国极地事业20年的光辉历程中留下了浓重的一笔。     

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。     

在厅党组中心组理论学习（扩大）会议上的讲话

经厅党组研究,决定召开厅党组中心组第三季度理论学习（扩大）会议。这次会议主题是胡锦涛总书记＂七一＂重要讲话。前面,部分处室领导和厅领导围绕＂七一＂重要讲话做了很好的发言。从发言的情况来看,大家都高度重视,结合自己的业务,作了认真的学习和思考,我听了很受启发。下面,在大家发言的基础上,我讲四点意见。     

融合储层纵向信息的机器学习岩性识别方法

测井资料中包含丰富的岩性信息,相比于取心资料,具有连续性强、成本低等优点。用机器学习方法探索测井曲线与实际取心段样本岩性之间的关系,实现储层岩性的自动识别,降低岩性识别成本,提高识别效率和准确性,可以为储层评价提供有效手段。基于岩性分类依据选择适合样本的分类方案,选取适合岩性分类问题的机器学习方法设计试验方案,提出了融合储层纵向信息的机器学习岩性识别方法,利用深度窗对常规测井数据和已知岩性数据进行了序列采样,生成了训练样本。用逻辑回归、支持向量机、随机森林、卷积神经网络和Stacking集成学习5种不同方法分别建立模型,对新疆某油田的强非均质岩层原始样本进行了岩性识别。结果表明,当深度窗宽度与岩层厚度相匹配时,在原始样本具有强非均衡性的情况下,用本方法对其进行预处理之后,各个机器学习方法获得的岩性识别准确率均有较大提高。深度窗的宽度决定了方法识别岩层厚度的精度,深度窗越小,识别精度越高;深度窗越大能够保留的纵向信息越多,对相应厚度的岩层识别准确率越高。本文的融合储层纵向信息的机器学习岩性识别方法能提升测井资料岩性识别的准确性,给非均质薄岩层的自动有效识别提供了经济有效的参考方案。