基于多纹理和支持向量机的ZY-102C星HR数据分类

基于国产资源一号02C星高分辨率(high resolution,HR)影像,提取了基于变差函数、灰度共生矩阵和梯度的多纹理特征,结合光谱信息构建了基于支持向量机(support vector machine,SVM)的多源信息复合模型的图像分类方法,并与传统最大似然法和决策树法的分类结果进行了比较。研究表明,变差函数纹理和梯度纹理参与的多源复合数据有效提高了图像的分类精度,总分类精度由85.14%提高到87.43%,Kappa系数由0.82提高到0.85;绝对值变差函数为纹理最佳窗口分析提供了理论依据,基于累积步长提取的纹理特征能显著提升图像分类的精度,分类准确率提高了13.94%,Kappa系数增加了0.17;基于多源复合数据的SVM高空间分辨率遥感图像分类方法能有效解决传统图像分类结果破碎的问题,比最大似然方法和决策树法的分类精度显著提高,总精度达到89.14%,Kappa系数为0.87,分别提高了6.85%和10.84%。实验表明,ZY-102C星HR数据在冬小麦信息提取中具有一定的稳定性和优势。     

洛钼集团捐资1700万元扶贫助教

近日,洛阳栾川钼业集团举行扶贫暨捐资助教仪式,为栾川县捐赠1500万元社会公益扶贫资金及200万元爱心助教基金。洛阳栾川钼业集团(下称洛钼集团)位于栾川县境内,是以钼钨的采、选、冶、深加工为主,集科研、生产、贸易为一体的香港H股上市公司,河南省百强企业和洛阳市16家重点企业之一。主要产品有钼、钨、金、银、铅、锌、铜、铁、硫等9大系列50多个品种,是全球第四、国内最大的钼生产     

GIS支持下的小流域水土保持应用研究

以黄河水土保持生态工程邙山生态园区邙山小流域水土保持为例,基于GIS技术,采用高分辨率遥感卫星IKONOS和高精度1∶1万比例尺DEM数据源,对小流域土地利用、植被覆盖、土壤侵蚀等进行了分析,建立了一个初步的水土保持应用系统.实现了水土保持信息查询、水土保持系列制图、水文特征分析、土壤侵蚀量估算等功能,对推进空间信息技术在水土保持领域应用进行了有益的探索.     

基于优化经验模态分解和聚类分析的滑坡位移智能预测研究

针对三峡库区"阶跃式"滑坡的变形特征,提出了一种新的滑坡位移预测方法。以白水河滑坡ZG118和XD-01监测点位移数据为例,采用基于软筛分停止准则的经验模态分解(SSSC-EMD)将累计位移-时间曲线和影响因子时间序列自适应地分解为多个固有模态函数(IMF),并采用K均值(K-Means)聚类法对其进行聚类累加,得到有物理含义的位移分量(趋势性位移、周期性位移以及随机性位移)和影响因子分量(高频影响因子和低频影响因子)。使用最小二乘法对趋势性位移进行拟合预测;采用果蝇优化-最小二乘支持向量机(FOA-LSSVM)模型对周期性位移和随机性位移进行预测。将各位移分量预测值进行叠加处理,实现滑坡累计位移的预测。研究结果表明,所提出的(SSSC-EMD)-K-Means-(FOA-LSSVM)模型能够预测"阶跃式"滑坡的位移变化规律,且预测精度高于传统的支持向量机回归(SVR)、最小二乘支持向量机(LSSVM)模型;并通过改变训练集长度,进行单因素分析,发现其与预测精度之间呈正相关关系。     

南京地区冬季路面结冰天气标准及其预测

本文通过对南京地区1984—2003年20 a 110个降水结冰样本当日温度的统计分析,讨论了南京地区结冰时间变化和各影响温度的变化规律,总结了对结冰预报具有指示意义的关键因子;同时利用支持向量机方法探讨了南京地区结冰预报方法,该方法具有显著的预报价值。在此基础上根据Norrman提出的路面打滑分类,结合南京地区具体情况得出了南京雨雪天气路面结冰的类别、标准和预测预报方法。     

Robust LS-SVM regression for ore grade estimation in a seafloor hydrothermal sulphide deposit

Due to the geological complexities of ore body formation and limited borehole sampling, this paper proposes a robust weighted least square support vectormachine (LS-SVM) regression model to solve the ore grade estimation for a seafloor hydrothermal sulphide deposit in Solwara 1, which consists of a large proportion of incomplete samples without ore types and grade values. The standard LS-SVM classification model is applied to identify the ore type for each in complete sample. Then, a weighted K-nearest neighbor (WKNN) algorithm is proposed to interpolate the missing values. Prior to modeling, the particle swarm optimization (PSO) algorithm is used to obtain an appropriate splitting for the training and test data sets so as to eliminate the large discrepancies caused by randomdivision. Coupled simulated annealing (CSA) and grid search using 10-fold cross validation techniques are adopted to determine the optimal tuning parameters in the LS-SVM models. The effectiveness of the proposed model by comparing with other well-known techniques such as inverse distance weight (IDW), ordinary kriging (OK), and back propagation (BP) neural network is demonstrated. The experimental results show that the robust weighted LS-SVM outperforms the othermethods, and has strong predictive and generalization ability.     

基于非开挖泥浆性能检测系统与弱监督学习的地层岩性识别

针对非开挖工程工勘资料缺乏,掘进地层岩性难以判别的问题,提出一种基于非开挖泥浆性能检测与弱监督机器学习结合的典型非开挖地层岩性识别方法。结合自主设计研发的非开挖泥浆性能检测系统工程现场应用,获取非开挖掘进导向段泥浆流变性能参数和密度等敏感参数的训练样本。利用部分有标签数据与K近邻（K Nearest Neighbors,KNN）算法对所有泥浆参数训练样本进行特征标签,采用核函数映射到高维空间支持向量机（Support Vector Machines,SVM）进行分类处理,建立了以上海地区典型非开挖地层分类为目标的分类模型。将该地层识别模型应用于上海地区非开挖工程,验证其有效性。结果表明,该方法能在非开挖实时钻进条件下快速识别钻进地层,识别正确率高达96%。研究成果通过采集导向段泥浆性能参数,识别非开挖掘进段地层岩性,为非开挖扩孔阶段钻具选型、泥浆设计等提供了重要地质信息保障。      

支持向量机方法在南京太阳总辐射推算中的应用

利用1981、1996和2001年逐日南京站太阳总辐射和日照时数观测资料,建立了基于支持向量机(support vector machine,SVM)方法的太阳总辐射推算模型,预测了1982、1997和2002年的太阳总辐射,并把推算结果和采用线性的气候学方法所得到的推算结果分别与实测值进行对比。采用线性方法得到的1982、1997和2002年的太阳总辐射预测值与实测值间基于1:1线的决定系数(R~2)分别为0.800、0.859和0.838,均方根误差(RMSE)分别为3.250、2.649和2.925 MJ·m~(-2)·d~(-1)。采用SVM方法得到的1982、1997和2002年的R~2分别为0.894、0.938和0.936,RMSE分别为2.353、1.726和1.804 MJ·m~(-2)·d~(-1)。SVM方法得到的太阳总辐射预测值与实测值之间的误差较小,预测精度高于线性方法,更适用于实际太阳总辐射的计算。     

马边滑坡运动特征及冲击强度的数值研究

滑坡运动堆积特征及其冲击强度研究对滑坡风险定量评估具有重要意义.通过对四川乐山市马边滑坡基本特征调查,利用支持向量机模型(SVM)和颗粒流方法(PFC),对滑坡岩土体细观强度参数进行反演和标定,结合UAV数据生成滑坡区高精度DEM,在此基础上,重构马边滑坡三维颗粒流数值模型,模拟并研究滑坡的运动堆积和冲击过程.结果表明...     

随机森林与GIS的泥石流易发性及可靠性

目前基于GIS的泥石流易发性（简称DFS）评价模型中,统计类型模型的因子须保证独立性,且权重受区间划分控制;线性机器学习难以处理非线性问题、而常用非线性模型调试效率低.鉴于随机森林（RF）能有效克服常用模型的诸多不足,且在DFS评价中的应用极少,首先展开基于RF的DFS评价,采用线性、RBF支持向量机、二次判别分析、RF等经贝叶斯优化的模型和26种泥石流影响因子;然后,分别以RF的相对权重排序和蒙特卡洛方法研究因子组合和建模样本变化下DFS评价的可靠性.结果表明:RF不易发和较易发区中有21个因子可指示泥石流孕育环境差异;RF的相对权重排序能有效确定易发模型的局部最优因子组合;随机样本划分导致的评价不确定性在中易发区最大,应通过提高建模样本比例和改善模型降低;RF的预测能力指标AUC为0.86、全局预测精度为0.79、F1分数为0.66、brier分数为0.14,以及它们的可靠度最优,可作为DFS定量评估的优先选择.