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。     

基于多源高分辨率遥感影像的2 m不透水面一张图提取

不透水率是衡量城市生态环境状况的一个重要指标。当前全球范围内仅有1 km和30 m分辨率尺度的不透水面专题信息,无法满足城市尺度水文模型建模、海绵城市规划和建设需求。提出了图谱信息融合的不透水面提取模型,实现了基于深度学习的不透水面提取新方法,研制了不透水面遥感全流程提取和监测软件。基于多源高分辨率遥感影像首次完成了中国31个省（直辖市、自治区）的2 m不透水面专题信息提取,形成全国不透水面一张图,为海绵城市和生态城市的建设提供了基础数据支撑和技术监测手段。     

波致海床瞬态液化对再悬浮贡献率的深度学习预测方法

波致瞬态液化渗流导致海床内细粒沉积物向海水中运移,这一过程对海底沉积物再悬浮的贡献率不容忽视,但是贡献率的准确估计和预测比较困难。本研究将黄河水下三角洲的观测数据(包括水深、有效波高、有效波周期、实验舱内悬沙浓度、实验舱外悬沙浓度)作为模型输入数据集,基于长短时记忆循环神经网络建立了瞬态液化对再悬浮贡献率的深度学习预测模型。为了客观评价模型的性能,以平均绝对百分比误差、均方根误差和平均平方误差-标准偏差为评判标准,将该深度学习模型与其他预测模型(支持向量回归模型、人工神经网络)的预测结果进行了比较。结果表明,基于长短时记忆循环神经网络的深度学习模型对3.5d以内的瞬态泵送再悬浮贡献率预测误差最小,其平均绝对百分比误差、均方根误差和平均平方误差-标准偏差分别为5.87%、1.6730、0.1574。因此,该模型可以有效地减少机器学习方法在连续预测中产生的误差叠加问题。     

降水相态转换机制及积雪深度预报技术研究

利用2014—2017年山西省地面和高空气象观测资料、NCEP/NCAR FNL再分析资料、山西及周边地区多普勒天气雷达资料,对山西冬半年雨转雪过程进行归类与分析,探讨地面气温在降水相态转换中的作用,提取降水相态转换的前兆信息。针对降雪过程,统计分析降雪量和积雪深度增量的关系,总结提炼积雪深度预报指标。最后,选取气候特征相似的两次雨转雪过程进行对比分析,揭示降水相态转换的物理机制。结果表明:(1)山西省11月发生雨转雪的站次最多,其次为2月。地面气温作为降水相态变化的重要指标,其与气候和天气(如冷空气强度和路径)特征、地理位置等有关。(2)山西冬半年积雪深度增量与降雪量比值约0.68 cm·mm~(-1),且比值随着气温降低而增大,因此存在明显的时空差异。(3)在雨转雪的不同时段,随着对流层低层降温,冰雪层厚度在总云层的比例有所增加,且云中固态凝结物下落路径缩短,使得固态凝结物在下落过程中融化概率减小,造成相态变化。     

青藏高原积雪对陆面过程热量输送的影响研究

利用1979-2016年中国区域长时间序列逐日雪深资料,分析了青藏高原积雪深度与积雪日数的分布及变化特征,并将积雪期划分为三个阶段(积累期、鼎盛期和消融期),结合ERA-Interim月平均再分析资料,分析了积雪与地表热状况(气温、地表和土壤温度)和能量输送量(地表净短波辐射、地表净长波辐射、感热通量、潜热通量、地表热通量和土壤热通量)的相关关系,初步探讨了积雪在高原陆面过程中的作用。结果表明:研究时间范围内青藏高原积雪(深度和日数)主要呈减少趋势,仅在黄河源区及高原边缘地区为增加趋势,积雪鼎盛阶段(1-2月)的减少趋势最显著;高原积雪对地表主要起降温作用,深层土壤温度对积雪的响应存在滞后性,积雪的减少抑制了土壤向上的热量输送进而不利于冻土的发育;高原积雪与地表感热和地表热通量主要呈现负相关关系,潜热通量与积雪也呈负相关特征但比感热通量的相关性小。由于ERA-Interim资料对高原积雪深度的描述与本研究使用的卫星遥感积雪深度存在较大偏差(包括空间分布、气候倾向率、年际变化以及绝对大小等),导致本研究中积雪与地表热状况和热通量的相关度不高,需要通过陆面模式模拟做进一步探讨。     

近区瞬变场的频率效应与大深度探测能力的研究

在时域中,磁源近区瞬变场的时间特性取决于场源所含低频谱的分数幂.对于磁感应强度Bz(t)∝∑iω3/2i,对于感应电势εz(t)∝∑iω5/2i.这表明,现有的瞬变电磁探测系统只适用于浅部勘查,对于大深度的勘查,需要研制超强能量且轻便化的场源(发送系统),同时完善超导磁强计(接收系统)的实用化.     

融合气象要素时空特征的深度学习水文模型

针对现有深度学习水文模型未能充分刻画气象要素空间特征的问题,本文基于主成分分析(PCA)方法提取气象要素空间特征,利用长短时记忆神经网络(LSTM)学习长时序过程规律,构建融合气象要素时空特性的深度学习水文模型PCA-LSTM。以黄河源区为研究区域,利用LSTM模型和物理水文模型THREW作为比对模型,基于高斯噪音法系统评估PCA-LSTM模型的适用性和鲁棒性。结果显示：PCA-LSTM模型径流模拟纳什效率系数为0.92,高于比对模型LSTM和THREW,表明模型具有较高的精度。研究结果可为流域高精度水文模拟提供参考。     

遥感影像分析在新增建设用地督察中的应用

以卫星影像大数据和时空数据挖掘技术为基础,采用深度学习框架支撑,构建了面向新增建设用地遥感监测应用需求的深度学习训练平台,可智能发现自然资源督察线索,全面提高自然资源督察问题的发现能力.该技术可广泛服务于大范围、高频次的督察工作,为督察工作提供更及时客观全面的信息基础和保障.     

基于深度学习的海温观测数据质量控制应用研究

基于国家海洋信息中心质量控制后的西太平洋10度方区约100万站次温盐实测历史调查资料,对经过26种严格质量控制方法的综合海温质量符进行分类分析,首次将深度学习技术应用于海洋数据质量控制多分类(multiclass classification)算法与应用研究.通过人工合成少数类样本和加权损失函数方法减少多数类的频率来降...     

角度域叠前深度偏移叠加算子优化

叠前深度偏移是解决精细复杂构造成像的一种最佳方法,尤其是基于角度域叠前深度偏移成像方法的研究,由于射线路径的唯一性,被认为是一种能够消除假象,解决射线多路径问题的最优化方法．文章从单程波波动方程出发,推导了中点 偏移距域双平方根波动方程波场延拓算子;利用局部偏移距与反射角的关系,推导了角度域共成像点道集的构建方法．同时,为有效解决叠前深度偏移计算量大、耗时长等计算瓶颈,引入OpenMpi并行策略,利用共享存储环境下的多线程协同作业,提高了叠前深度偏移算子的计算效率;在角度域,通过调整改进叠加算子,一定程度上减少了计算量,提高了计算效率．最后,通过理论模型验证了角度域叠前偏移成像算子的正确性,评价了并行算法的计算效率及有效性;并将其应用于SEG/EAGE岩丘模型,利用“沉降观测”理论得到了不同CMP的中点 偏移距域共成像点道集和角度域共成像点道集,对比分析了两种共成像点道集的优缺点;并通过限制成像叠加角度的方法,改善了复杂模型的成像结果,验证了角度域叠前深度偏移成像算法对复杂模型的适应性．