基于岩石图像深度学习的岩性自动识别与分类方法

岩石岩性的识别与分类对于地质分析极为重要,采用机器学习的方法建立识别模型进行自动分类是一条新的途径。基于Inception-v3深度卷积神经网络模型,建立了岩石图像集分析的深度学习迁移模型,运用迁移学习方法实现了岩石岩性的自动识别与分类。采用此方法对所采集的173张花岗岩图像、152张千枚岩图像和246张角砾岩图像进行了学习和识别分类研究,通过训练学习建立岩石图像深度学习迁移模型,并分别采用训练集和测试集中的岩石图像对模型进行了检验分析。对于训练集中的岩石图像,每组岩石分别用3张图像测试,三种岩石的岩性分类均正确,且分类概率值均达到90%以上,显示了模型良好的鲁棒性;对于测试集中的岩石图像,每组岩石分别采用9张图像进行识别分析,三种岩石的岩性分类均正确,并且千枚岩组图像分类概率均高于90%,但是花岗岩组2张图像和角砾岩组的1张图像分类概率值不足70%,概率值较其他岩石图像低,推测其原因是训练集中相同模式的岩石图像较少,导致模型的泛化能力减小。为了提高识别精确度,对准确率较低的岩石图像进行截取,分别取其中的3张图像加入训练集进行再训练,增加与测试图像具有相同模式的训练样本;在新的模型中,对3张图像进行二次检验,测试概率值均达到85%以上,说明在数据足够的状况下模型具有良好的学习能力。与传统的机器学习方法相比,所提出的岩石图像深度学习方法具有以下优点:第一,模型通过搜索图像像素点提取物体特征,不需要手动提取待分类物体特征;第二,对于图像像素大小,成像距离及光照要求低;第三,采用适当的训练集可获得较好的识别分类效果,并具有良好鲁棒性和泛化能力。     

非均匀各向异性储层地震AVAZ响应模拟及分析

基于波动理论的各向异性反射率方法能够充分考虑地震波动力学特征。对单界面理论模型、实际非均匀各向异性模型分别进行正演模拟及分析,比较Ruger理论与反射率方法模拟结果的波动力学特征。结果表明,对于界面模型两种方法均能得到相同的计算结果,但对于实际非均匀各向异性介质,基于Ruger理论的算法受时间采样率的影响,而基于波动理论的反射率方法输入实际空间域模型,计算结果不受时间采样率的限制。     

基于模糊集理论的贝叶斯网络水利工程项目进度完工概率研究

工程项目建设风险随着水利工程复杂程度的提升而逐渐增大,水利工程效益受项目施工进度的影响日趋突出。据此,本文在详细分析了模糊集理论的基础上提出了水利工程项目进度完工概率的贝叶斯网络模型,并以此为项目决策者提供进度风险评判依据。文中首先对项目进度根节点利用专家模糊语言描述进行了确定,采用积分值法得到了项目进度各节点的条件概率,然后以新疆某水利工程为例,利用各节点进行工程项目网络计划完工概率的计算,并对模型的有效性与可行性利用NETICA进行了验证分析。研究表明:相对于传统的完工概率分析方法基于模糊理论的SBN模型可显著提高其准确性,研究成果可为水利工程项目进度风险提供一定决策依据和参考。     

河流景观生态学的发展与当前核心议题

河流景观生态学已成为河流科学研究与应用的新范式,但国内研究还颇为不足。从河流景观生态学发展的逻辑必然性、主要进程、基本内容与重要理论等方面进行了总结。结果显示,多尺度跨学科整体论河流认识要求和景观尺度上处理河流问题的实践需求共同推动河流景观生态学的迅速发展,其中心议题是河流物理景观系统与生物系统在不同等级尺度上的结构、格局与功能过程,尤其重视物理景观与不同等级生物系统的相互作用关系,对河流景观多尺度等级性、高动态性和有向性等突出性质的认识已取得重要理论发展。指出当前面临5个方面的核心议题亟需取得突破:改进和统一河流景观分类系统、河流景观跨尺度研究、河流景观方法对经典河流生态理论的再认识、河流景观机理与模拟、河流景观对气候变化与区域土地利用/覆被变化的响应研究。     

为推进生态文明建设作出新贡献

习近平总书记强调,学习贯彻党的十九大精神,要在做实上下功夫,拿出实实在在的举措,把党中央提出的战略部署转化为工作任务,以钉钉子精神全面抓好落实。我们在认真学习领会十九大精神的基础上,按照国土资源部党组要求,总结党的十八大以来各项工作,谋划2018年和今后一个时期的重点任务。     

湖北武汉市三环区岩溶地面塌陷发育规律及危险性评价

?随着武汉市城市化建设的不断推进,岩溶地面塌陷问题日益凸显。为了揭示其发育规律及进行危险性评价,充分收集岩溶地面塌陷地质灾害调查统计成果,结合基本的工程地质条件和碳酸盐岩的发育情况、分带特征,得出岩溶地面塌陷的时间和空间分布特征。在探明其发育规律的基础上,确定研究区岩溶地面塌陷形成的影响因素,进而建立武汉市三环区岩溶地面塌陷危险性评价指标体系。采用数量化理论得出研究区的危险性等级分区类型:高危险区、较高危险区、较低危险区、低危险区、非岩溶区。综合岩溶地面塌陷发育规律及危险性分区,分析得出各部分区域特征,可在一定程度上指导工程建设和灾害治理。?     

改进的GOTURN算法

随着基于深度学习的算法在计算机视觉领域中的应用不断拓展,GOTURN(Generic Object Tracking Using Regression Networks)算法是第1个满足目标跟踪实时性要求的深度学习算法(达到100 fps),但是该算法的跟踪精度有待提高。针对此问题,采用基于运动估计的卡尔曼滤波算法与基于卷积神经网络的深度学习算法相结合的方法,将卡尔曼滤波算法融入GOTURN算法进行目标跟踪。为了验证该算法的有效性,在ILSVRC2014数据集和ALOV300++数据集中进行了训练和评估。实验结果表明,该算法不仅能够满足目标跟踪的实时性要求,而且能够提高线性系统的跟踪精度。     

利用主动深度学习提取极化SAR影像建筑区

针对利用传统监督分类方法从极化SAR影像中提取建筑区存在标记样本数量不足、难以挖掘有效特征等问题,提出一种主动学习与深度学习相结合的极化SAR影像建筑区提取方法。首先通过自动编码器对训练样本训练得到初始分类器;接着利用主动学习得到未标记样本中最富有信息量的样本进行人工标记;并将标记好的样本加入到训练样本中重新训练分类器。分别采用RADARSAT-2和ALOS-2极化SAR影像进行实验。结果表明传统的SVM方法和深度学习的方法加入主动学习后建筑区的提取精度都有所提高,而主动深度学习方法的提取效果优于主动SVM方法。     

基于错误式学习的低空影像人行横道多角度自动识别

提出了一种基于特征的错误式学习分类器半自动迭代训练方法,该分类器能够自动识别多角度低空影像上的人行横道线,在人行横道线管控与数据库建立、道路网提取上有较好的应用。介绍了基于错误式学习的分类器训练思路与方法,并提出了将同一地区不同角度低空影像的识别结果进行合并,从而尽可能全面的检测出被城区高楼以及车辆遮挡的人行横道线的思路。通过对比实验该方法的鲁棒性,并在其基础上随机选取多组数据进行系列实验,证实了基于错误式学习的分类器比传统方式训练的分类器有更好的综合性能,能够在不降低识别耗时的前提下产生高准确率、低漏检率和低误识别率的识别结果。     

全球CGCS2000坐标框架的构建理论研究

全球坐标参考框架是发展全球卫星导航系统最具重要性的基础设施之一,也是我国空间信息基础设施建设的迫切需求。研究了构建全球CGCS2000（China Geodetic Coordinate System 2000）坐标参考框架的数学模型,研究了采用内约束理论构建全球CGCS2000框架理论和算法,最后证明了构建全球CGCS2000框架的二步法和一步法数学模型在一定条件下等价。内部约束算法根据框架转换参数及其速率变化量最小标准重新定义框架约束条件,经过坐标相似变化得到最佳网形,并保证最佳网形和初始网形的拟合度达到最高,最后得到最优网形中测站坐标估值,并能保持不同观测技术参考框架的内在纯粹性,发挥不同观测技术优势。本文研究结果可完善中国坐标框架构建基础理论体系,对CGCS2000框架的全球化实现提供科学方法。