解放思想 改革创新 构建保障和促进科学发展新机制——在中央深入学习实践科学发展观活动试点工作总结会议上的发言

2008年3月至8月,国土资源部党组认真贯彻落实中央的部署和要求,把试点工作作为重大的政治任务,作为推动国土资源管理改革发展、统筹资源保障与保护的重要契机,积极探索,扎实推进,力求做到“规定动作不走样、自选动作有创新”,广大党员干部思想观念有了新转变,工作作风有了新改进,执行能力有了新提高,制度建设有了新成果,管理工作有了新进展,较好地完成了试点工作各项目标任务。     

深入学习实践科学发展观 构建保障和促进科学发展新机制——在全党深入学习实践科学发展观活动动员大会暨省部级主要领导干部专题研讨班上的发言

今年3月至8月,按照中央的部署,国土资源部党组把深入学习实践科学发展观活动试点工作作为一项重大政治任务,作为推动国土资源管理改革发展、统筹资源保障与保护的重要契机,积极探索,扎实推进,力求做到“规定动作不走样、自选动作有创新”,较好地完成了试点工作的目标任务,国土资源管理工作和机关建设取得了一些新的进展,出现了一些新的气象。     

基于深度学习的镜下矿石矿物的智能识别实验研究

矿石矿物鉴定的智能化是智能地质学和智能矿床学的基础技术之一。计算机视觉技术和深度学习理论使矿石矿物鉴定的智能化成为可能。本研究基于深度学习系统Tensor Flow,以吉林夹皮沟金矿和河北石湖金矿的黄铁矿、黄铜矿、方铅矿、闪锌矿等硫化物矿物为例,设计有针对性的Unet卷积神经网络模型,有效自动提取矿相显微镜下矿石矿物的深层特征信息,实现镜下矿石矿物智能识别与分类。实验显示,模型在训练过程中,随着训练次数的增加,模型精度在不断增大,损失函数不断减小;经过3000个批处理之后,模型精度和损失函数基本趋于稳定。训练出的模型对测试集中的显微镜镜下矿石矿物照片的识别成功率均高于90%,说明实验所建立的模型,具有很好的图像特征提取能力,能完成镜下矿石矿物智能识别的任务。     

基于深度学习的LAMOST星系星族参数测量

星系的光谱包含其内部恒星的年龄和金属丰度等信息, 从观测光谱数据中测量这些信息对于深入了解星系的形成和演化至关重要. LAMOST (Large Sky Area Multi-Object Fiber Spectroscopic Telescope)巡天发布了大量的星系光谱, 这些高维光谱与它们的物理参数之间存在着高度的非线性关系. 而深度学习适合于处理多维、海量的非线性数据, 因此基于深度学习技术构建了一个8个卷积层$+$4个池化层$+$1个全连接层的卷积神经网络, 对LAMOST Data Release 7 (DR7)星系的年龄和金属丰度进行自动估计. 实验结果表明, 使用卷积神经网络通过星系光谱预测的星族参数与传统方法基本一致, 误差在0.18dex以内, 并且随着光谱信噪比的增大, 预测误差越来越小. 实验还对比了卷积神经网络与随机森林回归模型、深度神经网络的参数测量结果, 结果表明卷积神经网络的结果优于其他两种回归模型.     

一种利用卷积神经网络的干涉图去噪方法

干涉图滤波是合成孔径雷达数据处理的关键,引入卷积神经网络（convolutional neural networks,CNN）进行干涉图去噪。首先,采用自编码器结构进行非监督学习,将干涉图去除局部地形坡度相位,所得残余噪声作为模型输入;然后将模型输出结果与去除的局部地形坡度相位相加,生成滤波结果。利用航天飞机成像雷达数据和哨兵一号A(Sentinel-1A)卫星数据,通过与Goldstein滤波器、均值滤波器、Lee滤波、Frost滤波、改进的去噪卷积神经网络（denoising convolutional neural network,DnCNN）进行对比实验,结果表明,该方法对干涉图相位质量有很大的改善,不仅能够较大程度地抑制噪声,而且能够更多地恢复出图像细节,保持干涉条纹边缘连续性。     

利用弹性反馈神经网络融合ASTER GDEM和SRTM1高程数据

由于数据获取与后期处理方式不同,先进星载热发射和反射辐射仪全球数字高程模型(advanced spaceborne thermalemissionandreflectionradiometerglobaldigitalelevationmodel,ASTERGDEM)和航天飞机雷达地形测绘任务(shuttle radar topography mission,SRTM)数据在高程精度上存在差异,采用弹性反馈（resilient backpropagation,RProp）神经网络算法对二者进行融合处理,实现优势互补以提升高程精度。选取两个黄土丘陵沟壑地貌样区分别用于模型建立与效果验证,1∶10 000高程精度为参考数据,在建模样区应用RProp神经网络算法构建ASTER GDEM高程校正模型、SRTM1高程校正模型、ASTER GDEM与SRTM1高程融合模型,同时应用误差反向传播(back propagation,BP)神经网络建立ASTER GDEM与SRTM1高程融合模型,将这些模型的高程精度优化效果进行对比,并在验证样区检验RProp融合模型的可行性。结果表明,RProp融合模...     

基于鲸鱼优化算法的长短期记忆模型水库洪水预报

洪涝灾害是世界主要自然灾害之一,优化洪水预报方案对防洪决策至关重要,然而传统水文模型存在参数多、调参受人为因素影响,泛化能力弱等问题。针对上述问题,本文提出基于改进的鲸鱼优化算法和长短期记忆网络构建自动优化参数的WOA-LSTM模型,通过优化神经网络结构进一步增强该模型的稳定性和精确度,并且建立不同预见期下的洪水预报模型来分析讨论神经网络结构与预报期之间的关系。以横锦水库流域1986—1997年洪水资料为例,其中以流域7个雨量站点的降雨以及横锦站水文资料为输入,不同预见期下洪水过程作为输出,以1986—1993年作为模型的率定期,1994—1997年作为模型的检验期,研究结果表明:(1)以峰现时差、确定性系数、径流深误差和洪峰流量误差作为评价指标,相比较于LSTM模型和新安江模型对检验期的模拟结果表明WOA-LSTM模型拥有更高的精度、预报结果更稳定;(2)结合置换特征值和SHAP法分析模型特征值重要性,增强了神经网络模型的可解释性;(3)通过改变神经网络结构在一定程度避免由于预见期增加和数据关联性下降而导致的模型预报精度下降的问题,最终实验表明该模型在预见期1~6 h下都可以满足横锦水库的洪水预报要求,可以为当地的防洪决策提供依据。     

厂商跨界学习能力--"邻近性"观点回顾与研究途径的建议

本文以资源依赖取径出发讨论厂商的跨界学习过程,提出研究者应关注技术密集度岛、已具备全球分工态势之外的产业类别。以及技术学习之外的知识需求,在承认影响知识传递的各种邻近性既非自动出现,也非既定存在之后,厂商地理尺度对学习能力的形塑如何成为建立邻近性的基础,是检视当代厂商跨界学习能力的试金石,同时主张以动态取径观察厂商能力的变化与提升过程,作者认为后进国家的厂磕。经验将是一个适当的切入点。响应于经济地理学文化转变后的研究旨趣并接合厂商跨国学习能力的讨论,作者提出以华人企业前往大陆投资并进行创新和学习活动的研究,观察厂商自主性的展现和以及厂商能力的形塑的关键力量与地理尺度的关连。可成为地理学对当代知识经济论述的基础。     

卫星视频舰船目标检测方法

舰船目标检测是进行海上目标监管,保障海上权益的重要手段.本文在SSD(single shot multibox detector)算法的基础上,利用残差网络(ResNet,residual network)作为骨干网络构建SSD模型,将改进后的SSD算法应用于卫星视频舰船目标检测,该算法采用残差连接替换原本的级联方式,...     

数值预报AI气象大模型国际发展动态研究

数值预报是研究地球系统的重要工具,有助于加深科学家对大气、海洋、气候和环境等复杂系统之间相互作用和变化过程的理解,在防灾减灾、气候变化和环境治理等方面发挥着不可或缺的作用。随着模式复杂度和分辨率的提高,传统数值模式在气候变化研究和气候预测方面取得了迅速的进展,但也面临一些挑战,需要得到数据同化、集合耦合、高性能计算和不确定性分析等多方面的支持。而近年来,“AI+气象”的交叉研究在气象领域引起了广泛关注。基于多种深度学习架构的人工智能大模型,依托强大的计算资源和海量的数据进行训练,能够以新的科学范式进行高效数值预报。气象大模型不断涌现,一些科技公司如华为、英伟达、DeepMind、谷歌、微软等,以及国内外高校如清华大学、复旦大学、密歇根大学、莱斯大学等发布了多个涵盖临近预报、短时预报、中期预报和延伸期预报等不同领域的气象大模型。这标志着人工智能与气象领域的交叉融合已经达到新的高度。尽管气象大模型在现阶段取得了较大突破,但其发展仍然面临弱可解释性、泛化能力不足、极端事件预报强度偏低、智能预报结果过平滑、深度学习框架能力需要拓展等诸多挑战。