基于机器学习模型的区域土壤重金属空间预测精度比较研究

为识别区域土壤重金属的空间变异特征并厘清其影响因素,本研究构建了多元线性回归（MLR）、弹性网络回归（ENR）、随机森林（RF）、随机梯度提升（SGB）、堆叠（stacking）集成模型、反向传播神经网络（BP-ANN）、基于模型平均的神经网络集成（avNNet）、线性核支持向量机（SVM-L）和高斯核支持向量机（SVM-R）共九种机器学习模型,利用山东省中部土壤重金属（Cd、Cu、Hg、Pb和Zn）和环境辅助变量数据,开展区域土壤重金属空间预测精度比较研究。结果表明：RF对五种重金属空间预测的决定系数（R²）介于0.263~0.448之间,平均绝对误差（MAE）和均方根误差（RMSE）分别小于8.408和10.636,预测值/实际值（P/O）均接近于1,对五种重金属的预测效果均较为理想,是研究区土壤重金属空间预测的最优模型;SVM-R整体预测性能仅次于RF,各项精度评价指标均相对稳健,可作为备选模型;其余七种模型的预测性能均明显低于RF和SVM-R。RF的空间预测结果显示,研究区五种重金属呈现出相似的空间分布格局,含量均由研究区东北部向西南部递减,包括东北部、北部和南部3个高值区,且高值区与当地工业–交通密集区的分布格局一致,反映出人类活动是研究区土壤重金属空间分异的主要影响因素。本研究可为区域土壤污染调查、评价和管控提供科学参考。     

基于深度学习的天气雷达异常数据识别技术

天气雷达基数据中因观测设备故障或标定问题而产生的异常数据, 直接影响天气雷达数据质量、定量估测降水及天气系统的分析和判断。目前在中国气象局气象探测中心实时业务中, 通过人工勘误环节对异常数据进行处理。针对2020—2022年业务中勘误较多的、大面积故障异常和易与降水数据混合的局部电磁干扰或故障的两类异常数据, 分别构建和训练R-ResNet和R-LinkNet两种模型, 提取雷达硬件故障、电磁干扰等特征, 实现异常数据的识别和处理。评估结果表明:两种模型在提取异常数据特征方面均具有很强的学习能力, R-ResNet在分类判识异常数据与正常数据的准确率超过99%, R-LinkNet在分离电磁干扰杂波和降水回波的准确率超过98%。两种模型可用于实时业务中监控和勘误电磁干扰、故障等异常数据, 实现异常数据的自动勘误处理。     

粤港澳闪电定位系统对高建筑物雷电的探测

为了评估不同聚类算法对雷暴系统的识别效果,进一步提高雷电临近预报能力,本文采用地闪定位数据和雷达反射率数据,利用基于密度的空间聚类(Density-Based Spatial Clustering of Application with Noise,DBSCAN)、快速搜索和查找密度峰聚类(Clustering by Fast Search and Find of Density Peaks,CFSFDP)以及改进的快速搜索和查找密度峰聚类(Extended Clustering by Fast Search and Find of Density Peaks,E_CFSFDP)三种聚类算法,对2018年9月21日19∶15—20∶57(北京时)发生在(114°—117°E、27°—30°N)区域的一次雷暴过程进行了聚类识别计算,探讨了三类聚类算法在雷暴系统识别中的差异。结果表明：(1) DBSCAN算法在地闪数据分布清晰且不同数据簇之间有显著距离间隔时,分类识别的准确率较高;当各个闪电数据簇的簇间距离或密度相差很大时,分类识别的准确率较低;(2) 地闪数据“无密度峰值”分布时CFSFDP算法会分裂出错误类,每个闪电数据簇仅具备唯一的密度峰值点是CFSFDP算法识别准确的前提条件;(3) E_CFSFDP算法解决了CFSFDP算法的“无密度峰值”问题,受地闪数据分布影响较小,因此基于E_CFSFDP算法的雷暴系统识别准确率明显高于DBSCAN和CFSFDP算法。

     

The use of digital technologies for landslide disaster risk research and disaster risk management: progress and prospects

Landslide is a serious natural disaster next only to earthquake and flood, which will cause a great threat to people’s lives and property safety. The traditional research of landslide disaster based on experience-driven or statistical model and its assessment results are subjective , difficult to quantify, and no pertinence. As a new research method for landslide susceptibility assessment, machine learning can greatly improve the landslide susceptibility model’s accuracy by constructing statistical models. Taking Western Henan for example, the study selected 16 landslide influencing factors such as topography, geological environment, hydrological conditions, and human activities, and 11 landslide factors with the most significant influence on the landslide were selected by the recursive feature elimination (RFE) method. Five machine learning methods [Support Vector Machines (SVM), Logistic Regression (LR), Random Forest (RF), Extreme Gradient Boosting (XGBoost), and Linear Discriminant Analysis (LDA)] were used to construct the spatial distribution model of landslide susceptibility. The models were evaluated by the receiver operating characteristic curve and statistical index. After analysis and comparison, the XGBoost model (AUC 0.8759) performed the best and was suitable for dealing with regression problems. The model had a high adaptability to landslide data. According to the landslide susceptibility map of the five models, the overall distribution can be observed. The extremely high and high susceptibility areas are distributed in the Funiu Mountain range in the southwest, the Xiaoshan Mountain range in the west, and the Yellow River Basin in the north. These areas have large terrain fluctuations, complicated geological structural environments and frequent human engineering activities. The extremely high and highly prone areas were 12043.3 km² and 3087.45 km², accounting for 47.61% and 12.20% of the total area of the study area, respectively. Our study reflects the distribution of landslide susceptibility in western Henan Province, which provides a scientific basis for regional disaster warning, prediction, and resource protection. The study has important practical significance for subsequent landslide disaster management.     

基于深度残差网络的机载LiDAR点云分类

机载LiDAR点云的分类是利用其进行城市场景三维重建的关键步骤之一。为充分利用现有的图像领域性能较好的深度学习网络模型,提高点云分类精度,并降低训练时间和对训练样本数量的要求,本文提出一种基于深度残差网络的机载LiDAR点云分类方法。首先提取归一化高程、表面变化率、强度和归一化植被指数4种具有较高区分度的点云低层次特征;然后通过设置不同的邻域大小和视角,利用所提出的点云特征图生成策略,得到多尺度和多视角点云特征图;再将点云特征图输入到预训练的深度残差网络,提取多尺度和多视角深层次特征;最后构建并训练神经网络分类器,利用训练的模型对待分类点云进行预测,经后处理得到分类结果。利用ISPRS三维语义标记竞赛的公开标准数据集进行试验,结果表明,本文方法可有效区分建筑物、地面、车辆等8类地物,分类结果的总体精度为87.1%,可为城市场景三维重建提供可靠的信息。     

车辆轨迹数据的道路学习提取法

车辆轨迹数据的道路信息提取是地理信息领域的热点也是难点之一,深度学习的快速发展为该问题的解决提供了一种思路与方法。本文针对车辆轨迹数据的车行道级道路提取问题,引入深度学习领域的生成式对抗网络,利用残差网络构建深层网络和多尺度感受野感知轨迹数据不同细节特征,构建了基于条件生成式对抗网络的轨迹方向约束下车行道级道路提取模型。首先提出了朝向-颜色映射栅格化转换方法,实现轨迹朝向信息向HSV颜色空间的转换;然后利用样本数据学习模型参数;最后将训练模型应用到郑州、成都、南京3个试验区域提取车行道级道路数据。试验结果表明,本文方法能够有效地提取完整的车行道级道路数据。     

利用稀疏分解的高分辨率遥感图像线状特征检测

目的 线状特征检测是利用遥感数据开展地物目标自动识别的重要步骤。利用高分辨率遥感图像的高度细节化特点,针对现有线状特征检测方法存在的问题,提出了一种基于稀疏分解的高分辨率遥感图像线状特征检测方法。采用 K-SVD字典学习算法获取线状特征表达所需的过完备字典,基于稀疏分解模型,从高分辨率遥感图像中分离出高频成分,实现遥感图像线状特征的初步检测;用曲波分层自适应阈值法对分离后的高频成分作降噪处理,以提高线状特征检测的效果。利用 QuickBird图像进行实验的结果显示,该方法在线段连续性、低对比度线段检测与椒盐噪声消除方面均有一定优势。     

高光谱目标探测的进展与前沿问题

针对高光谱目标探测问题的主要挑战,将高光谱目标探测的进展与前沿问题分为两个方面进行综述。基于信号检测理论的方法如结构化背景的约束能量最小化方法、非结构化背景的自适应一致性余弦评估器等,是高光谱目标的探测经典算法;随着统计模式识别与机器学习领域中新技术的出现,一些数据驱动的目标探测方法逐渐成为了高光谱目标探测的前沿问题,如核方法、稀疏表达方法等。概述了两类方法的特点,比较了各自的优势和不足,并展望了高光谱目标探测未来的发展趋势。     

空间数据库辅助设计系统的探析与实现

地理信息标准化是很漫长的道路,在实践中常常由于规范性的缺乏而带来很多问题.本文试从提高数据字典的通用性、灵活性和可维护性角度出发,提出了通用基础地理信息数据字典系统的概念,并从规范数据生产过程的角度出发,产生了建立一套全新独立的、由向导生成的数据字典建库方案流程的思路.最后根据以上思路研制开发了空间数据库辅助设计系统.     

基于深度学习的西沙永乐群岛珊瑚礁遥感信息提取

珊瑚礁是海洋生态系统的重要组成部分,对保护海洋生物多样性以及维持海洋生态平衡具有重大意义。我国南海珊瑚岛礁自然资源丰富,准确、高效地提取珊瑚岛礁信息对南海岛礁监测、管理、规划与保护具有现实意义。本研究基于我国海洋一号C卫星(HY-1C)遥感数据,对西沙永乐群岛珊瑚礁信息进行了研究与分析,提出基于HY-1C遥感数据的珊瑚礁地貌分类体系。采用全卷积神经网络U-Net模型,依次通过下采样、上采样操作提取西沙永乐环礁地貌特征,实现原始影像的像素级语义分割。结果表明：基于HY-1C数据建立的地貌分类体系对活珊瑚覆盖及珊瑚生长发育条件具有指示作用,提出的基于U-Net模型的珊瑚岛礁地貌信息自动提取方法,能够为我国南海珊瑚岛礁生态系统的全自动、大范围监测和评价提供相应理论基础,在珊瑚礁生态管理与评价中发挥关键作用。精度验证结果表明：U-Net模型可以有效提取珊瑚礁地貌信息,采用的地貌信息提取方法具备时空泛化能力,泛化精度高于80%。