国土资源部党组再次举行专题会议：深入学习研讨李克强副总理重要讲话精神

国土资源部党组继8月20日召开党组会议后,8月27日再次举行党组理论学习中心组专题会议,深入学习研讨李克强副总理8月17日视察国土资源部和中国地质科学院时的重要讲话精神,围绕李克强副总理讲话强调的重大问题、提出的新要求,研究贯彻落实意见及具体安排。     

牢牢把握服务中心建设队伍两大任务 切实加强机关作风建设——在中央国家机关学习贯彻党的十七届四中全会精神加强和改进机关党建工作交流会上的发言

国土资源部肩负着保障发展、保护资源的历史使命,承担着维护群众权益、参与宏观调控的重要职责。机关作风状况如何,直接关系到职责的履行,关系到国土资源管理工作对经济和社会发展的支撑和保障能力。为了做好国土资源管理工作,部党组以科学发展观为统领,从加强机关作风建设入手,牢牢把握服务中心、建设队伍两大任务,以作风建设促进队伍素质的提高和中心工作的完成,取得了明显成效。     

编者的话

“要把学习贯彻李克强副总理重要讲话精神作为新的动力,持续推进观念的转变、作风的转变和职能的转变,使国土资源管理工作有新的进步,使国土资源事业有新的发展。”这是部领导在学习贯彻国务院领导同志重要讲话精神电视电话会议上的讲话中强调的。部领导指出,我们要认真学习李克强副总理重要讲话,进一步促进当前正在开展的几项重要工作。要把肯定以往工作成绩的鼓励转化为巩固扩大学习实践科学发展观活动成果的动力,     

在听取国家土地督察北京局工作汇报时的讲话

今天来北京督察局,一是看望大家。二是调研学习。国家土地督察机构是国土资源部的“第二机关”,“一办九局”360人的队伍承担着非常重的工作任务,需要加强调研学习。三是就当前形势下如何更好地做好国家土地督察工作,听取大家的意见和建议。刚才,李永杰同志就北京督察局的工作做了系统、详细的介绍,谈了一些体会,     

震后早期阶段余震预测研究进展

震后早期快速、准确的余震预测对震后灾害风险应对和采取有效的处置措施十分重要.震后早期阶段地震目录不完整性是影响现有余震预测方法快速、准确预测的关键因素.近年来,随着技术和模型的发展,使得震后早期数据缺失阶段的余震预测成为可能.本文针对震后早期数据缺失阶段难以开展有效的余震预测问题,分别从提升余震检测率角度阐述了匹配滤波技术和深度学习技术,从统计地震学的余震补齐角度阐述了双尺度变换技术,从最大限度利用余震信息实时预测角度阐述了Omi模型和Lippiello模型等研究进展,分析了各类方法的优劣势,并提出了综合解决震后早期数据缺失阶段余震预测“瓶颈期”问题的技术路线,为从事地震检测、余震预测以及震后趋势研判等相关工作的科研人员提供科学参考.     

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。     

基于深度学习的地震速度谱自动拾取研究

在常规的地震数据处理工作流程中,人工拾取地震速度谱中的叠加速度存在耗时长、效率低的问题,且容易受到人为经验的影响.本文基于目标检测的方法,应用改进后的FCOS(Fully Convolutional One-Stage Object Detection)神经网络模型实现速度谱中叠加速度的自动拾取.该方法将速度谱图像作为输入,经模型训练后输出“时间-速度”对序列.在处理低信噪比工区数据时,针对速度谱能量团聚焦特征较差的特点加入基于深度神经网络(Deep Neural Network, DNN)的线性回归模型以拟合出全局速度曲线.Marmousi模型数据和实际工区数据测试结果表明,本文所设计的地震速度谱自动拾取模型准确性较高、鲁棒性强,有效地缓解了人工拾取的负担,在保证速度拾取精度的同时显著地提高了效率.     

基于改进EWT和LogitBoost集成分类器的地震事件分类识别算法

快速、准确地识别天然地震和人工爆破事件是地震台网监测的重要工作之一,也是提高地震观测记录质量、开展地震研究工作的重要基础。针对反向传播神经网络、支持向量机等主流分类识别方法在地震事件分类识别应用上的不足,提出一种基于改进EWT和LogitBoost集成分类器的地震事件分类识别算法。首先,基于S谱能量曲线对传统经验小波变换进行改进,将信号自适应分解为按频率和能量分布的本征模函数;其次,提取P波与S波最大振幅比,前4个本征模函数的香农熵、对数能量熵,以及去噪后重构信号主频等特征;最后,采用基于集成学习LogitBoost的决策树集成分类器进行分类。实验结果表明,所提算法具有较高的鲁棒性,能有效解决样本不足的问题,识别准确率达93.1%以上,比集成学习AdaBoost、反向传播神经网络和支持向量机等方法提高了1%以上,且分类识别效果好。     

基于D-LinkNet的2014年云南鲁甸MS6.5地震建筑物损毁与重建评估

基于谷歌影像和无人机遥感影像,利用D-LinkNet神经网络提取2014年云南鲁甸M_S6.5地震震中龙头山镇建筑物灾害信息,并计算平均震害指数的统计值,得出此次地震的烈度。基于D-LinkNet模型进行检测,将损毁建筑物的提取结果与建筑物群变化的检测结果进行相交,构建重建评估系数,确定研究区的重建程度。评估结果为研究区的地震烈度既有Ⅷ度又有Ⅸ度。2015年的重建恢复等级为“一般恢复”,2018年为基本“完全恢复”。将损毁及重建评估结果与中国地震局等相关部门发布的相关信息进行对比,证实了本方法的准确性。     

结合遗传算法的LVQ神经网络在声学底质分类中的应用

学习向量量化（Learning Vector Quantization,LVQ）神经网络在声学底质分类中具有广泛应用. 常用的LVQ神经网络存在神经元未被充分利用以及算法对初值敏感的问题,影响底质分类精度. 本文提出采用遗传算法（Genetic Algorithms,GA）优化神经网络的初始值,将GA与LVQ神经网络结合起来,迅速得到最佳的神经网络初始权值向量,实现对海底基岩、砾石、砂、细砂以及泥等底质类型的快速、准确识别. 将其应用于青岛胶州湾海区底质分类识别研究中,通过与标准的LVQ神经网络的分类结果进行比较表明,该方法在分类速度以及精度上都有了较大提高.