基于光谱—空间特征的ASTER影像岩性分类研究——以甘肃北山白峡尼山地区为例     

梅佳成  刘磊  尹春涛  张群佳  王乐 《地质论评》2024,70(1):239-250

遥感岩性制图是地质填图中的重要工作,基于光谱特征的岩性分类易受到色调、纹理等因素影响导致精度不佳。前人进行岩性自动分类研究多关注影像的光谱特征,而忽略空间特征,笔者等基于甘肃北山白峡尼山地区ASTER影像,将支持向量机、极限学习机两种机器学习分类方法与基于空间特征的快速漂移算法相结合进行岩性分类。结果表明支持向量机分类总体精度为89. 17%;极限学习机不但具有需调节参数少的优势,且分类精度和速度均优于支持向量机,分类总体精度达96. 70%;利用快速漂移算法提取的影像空间特征可有效减少错分区,提升岩性分类效果。研究证实将基于光谱特征的极限学习机和基于空间特征的快速漂移算法结合的岩性分类方法具有客观、高效、高精度等优势,可为后续地质填图和找矿勘查工作提供可靠数据支撑,在遥感岩性分类领域具有较高的推广价值。  相似文献   

基于多源数据与机器学习的降雨型滑坡灾害危险性动态预警     

付杰  张青  仉文岗 《地质论评》2024,70(S1):217-218

  相似文献   

行星遥感影像目标识别与分类进展     

邸凯昌  叶乐佳  王润之  王晔昕 《遥感学报》2021,25(1):365-380

从行星遥感海量数据中对地形地貌特征进行识别和分类,是行星科学研究中的一项重要基础工作.本文综述了自实施月球和深空探测任务以来,国际、国内采用行星影像数据进行地形地貌识别与分类技术的研究进展.首先,从月球、火星以及其他行星探测任务3个方面,对相关的探测任务和获取的影像数据进行简介.然后,在介绍通用目标识别与分类方法研究进...  相似文献   

基于深度语义分割的FY-2E遥感影像云检测方法     

高昂  肖萌  唐世浩  姜灵峰  咸迪  郑伟 《气象科技》2021,49(5):671-680

本文提出了一种基于深度语义分割技术的全自动云检测算法,可提高FY-2E遥感影像的云检测精度。首先,将FY-2EL1数据与精度较高的云检测结果进行匹配,获得用于训练和评估样本的数据集;其次,设计了深度语义分割网络,并针对训练集中正负样本严重失衡的问题,改进了损失函数,可以有效提取云的边界;最后,分别以FY-2E和MODIS数据作为训练和标签样本训练网络,得到了可用于FY-2EL1影像检测的四分类模型。试验结果表明,在四分类检测中,所提方法的准确率达到了75%,Kappa系数为0.53左右。与现有多通道阈值法相比,采用所提方法进行二分类检测可提高约90%样本的准确率,部分样本的准确率提升20%以上。此外,所提方法对云边缘、破碎云等细节识别能力较强,且具有一定的鲁棒性,受训练样本中的误判类别影响较小。未来通过扩充数据集并优化网络,可提高FY-2全圆盘影像的数据质量。  相似文献   

基于多任务学习的高分辨率遥感影像建筑提取     

朱盼盼  李帅朋  张立强  李洋 《地球信息科学学报》2021,23(3):514-523

建筑物的自动提取对城市发展与规划、防灾预警等意义重大.当前的建筑物提取研究取得了很好的成果,但现有研究多把建筑提取当成语义分割问题来处理,不能区分不同的建筑个体,且在提取精度方面仍然存在提升的空间.近年来,基于多任务学习的深度学习方法已在计算机视觉领域得到广泛应用,但其在高分辨率遥感影像自动解译任务上的应用还有待进一步...  相似文献   

深度学习网络在降水相态判识和预报中的应用     

黄骄文  蔡荣辉  姚蓉  王胜春  滕志伟 《气象》2021,47(3):317-326

利用1996-2015年中国的高空探测资料和地面观测数据,挑选发生降水的数十万个样本将其分为降雨和降雪两类事件,抽象为二分类问题,采用深度学习网络技术构建降水相态判识模型,并用2016 2017年的数据进行测试检验,针对2018年1月下旬中国一次大范围雨雪天气过程进行个例检验,在此基础上探讨了深度学习网络在降水相态判识...  相似文献   

基于机器学习的冰雹天气识别研究     

李冰村  唐晓文  何建新  唐佳佳  李星泽  申枫 《气象科学》2022,42(5):581-590

利用2017—2019年贵州省威宁彝族回族苗族自治县的C波段天气雷达数据,提取了多种与冰雹相关的雷达特征参量,并结合地面降雹记录建立了客观的冰雹样本标记方法。通过支持向量机、决策树和朴素贝叶斯三种机器学习方法,对冰雹高发区贵州省威宁的冰雹天气过程进行建模与评估。评估结果表明,采用机器学习方法可以有效地识别冰雹天气过程。支持向量机和决策树方法的命中率(Probability of Detection, POD)均较高,分别为88.9%和90.5%;临界成功指数(Critical Success Index, CSI)分别为73.1%和70.3%;误报率(False Alarm Rate, FAR)分别为19.6%和24.1%。朴素贝叶斯方法的POD和CSI相对偏低,分别为67.8%、62.8%,但FAR最低,为10.6%。  相似文献   

机器学习在气象领域的应用现状与展望     

杜智涛  姜明波  杜晓勇  周育峰  王鹏宇  张志标 《气象科技》2021,49(6):930-941

机器学习是人工智能的核心,是使计算机具有智能的根本途径之一。随着以深度学习为代表的机器学习算法取得突破,人工智能呈现了加速发展的趋势,在各行业取得了广泛的应用。机器学习在计算效率、准确性、可移植性、协同性、灵活性、易用性等方面具有较大的优势,下一步将有可能改变传统的气象观测模式,加速和改善气象观测数据的处理,改善数值天气预报质量以及推进地球科学的交叉融合。为更好地推动人工智能相关技术在气象领域的应用,本文从气象观探测、数值预报、危险天气识别与预警和卫星资料处理等方面对机器学习算法的应用现状进行了整理。  相似文献   

基于生成对抗网络模型的热带和亚热带海洋中尺度涡预报研究     

刘爽  经志友  詹海刚 《热带海洋学报》2022,41(5):1-16

中尺度涡蕴含海洋超过90%的动能,显著影响海洋物质能量循环。对中尺度涡的预报是目前物理海洋学研究的热点和难点。文章基于卫星高度计观测的近30年海表面高度异常数据(sea level anomaly, SLA),采用基于博弈思想的生成对抗网络方法(generative adversarial networks, GAN),构建了中尺度涡预报模型,进行了28天预报,并采用独立样本分析了预报涡旋的空间分布、时间分布、能量强度等特征参数,探讨影响预报结果准确性和时效性的主要因素。结果表明,半径为100～200km的涡旋在15天左右的预报时长仍能保持较好的准确性及时效性,误差在20%以内。该区域的平均涡动能约为0.875m²·s^–2,其预报的均方根误差(root mean square error, RMSE)普遍介于0.02～0.04m²·s^–2。且涡旋预报结果受异常天气影响较小,在正常天气条件和台风娜基莉条件下具有相似的预报能力。这些结果对进一步理解并应用生成对抗网络这一新方法预报海洋中尺度涡提供了参考。  相似文献   

Machine learning for accelerating 2D flood models: Potential and challenges     

Behzad Jamali  Ehsan Haghighat  Aleksandar Ignjatovic  João P. Leitão  Ana Deletic 《水文研究》2021,35(4):e14064

Two-dimensional hydrodynamic models numerically solve full Shallow Water Equations (SWEs). Despite their high accuracy, these models have long simulation run times and therefore are of limited use for exploratory or real-time flood predictions. We investigated the possibility of improving flood modelling speed using Machine Learning (ML). We propose a new method that replaces the computationally expensive parts of the hydrodynamic models with simple and efficient data-driven approximations. Our hypothesis is that by integrating ML with physics-based numerical methods, we can achieve improved generalization performance: that is, the trained model for one case study can be used in other studies without the need for new training. We tested two ML approaches: for the first, we integrated curve fitting, and, for the second, artificial neural networks (ANN) with a finite volume scheme to solve the local inertial approximation of the SWEs. The data-driven models approximated the Momentum Equation, which explicitly solved the time derivative of flow rates. Water depths were then updated by applying a water balance equation. We also tested two different training datasets: the simulated dataset, generated from the results of hydrodynamic model, and the random dataset, generated by directly solving the momentum equation on randomly sampled input data. Various combinations of input features, for example, water slope and depth, were explored. The proposed models were trained in a small hypothetical case and tested in a different hypothetical and in two real case studies. Results showed that the curve-fitting method can be implemented successfully, given sufficient training and input data. The ANN model trained with a random dataset was substantially more accurate than that of the model trained with the simulated dataset. However, it was not successful in the real case studies. The curve-fitting method resulted in better generalization performance and increased the simulation speed of the local inertial model by 23%. Future research should test the performance of ML in terms of an increase in stable time step size and approximation of the full SWEs.  相似文献