It’s Time To Learn About Learning: Where Should the Environmental and Natural Resource Governance Field Go Next?     

Andrea K. Gerlak  Tanya Heikkila  Sharon L. Smolinski  Derek Armitage  Dave Huitema  Brendan Moore 《社会与自然资源》2019,32(9):1056-1064

This Commentary reflects on the state of the scholarship on learning for environmental and natural resource policy and governance. How have we been learning about learning? We highlight theoretical and empirical advancements related to learning, as well as areas of divergence between learning theories and frameworks, and underdeveloped knowledge around processes and outcomes. To address these limitations and improve progress in both theory and practice, we offer recommendations for learning scholarship by focusing on how to collectively engage in ‘learning about learning’.  相似文献   

一种多层特征融合的道路场景实时分割方法     

周继苗  李必军  陈世增 《测绘通报》2020,(1):10-15

道路场景理解是自动驾驶领域中重要模块之一，它可以提供关于道路更丰富的信息，对于建立高精度地图和实时规划都具有重要作用。其中，语义分割可以为图像每个像素赋予类别信息，是自动驾驶场景理解中最常用的方法。但是，目前常用的语义分割算法在速度和精度上大都不能达到很好的平衡。本文在MobileNetV2的基础上，提出了一种多层次特征融合的方法，使得网络可以在实时运行的同时保证精度满足实际应用的需求，并在Cityscapes数据集上进行了试验验证和分析。  相似文献   

基于深度学习的目标检测定位系统设计与实现     

王俊强  李建胜  程相博  杨戬峰 《测绘与空间地理信息》2020,(1):133-136,144

针对传统遥感影像目标检测方法效率不高,并且无有效手段对检测信息进行管理利用的问题,提出了在B/S构架下基于深度学习的目标检测及定位方法。通过集成深度学习框架、WebGIS以及数据库,实现了集遥感影像目标检测、展示及管理于一体的目标检测定位系统,满足多用户基于前端浏览器的并发目标检测需求。利用网格划分策略,实现了基于前端的大区域范围的目标快速检测。基于某机场飞机目标及某城市区域运动场目标检测结果表明:本文设计的目标检测定位系统能够在前端实现目标快速检测定位,具有较高检测精度,并可有效管理检测信息,为深度学习循环再利用提供数据支撑。  相似文献   

复杂卫星图像中的小目标船舶识别   总被引：1，自引：1，他引：0  

姚红革  王诚  喻钧  白小军  李蔚 《遥感学报》2020,24(2):116-125

船舶作为海上的重要目标,实现对船舶自动识别有重要的意义。针对卫星图像中云雾、海岸背景等复杂海情对船舶识别带来的干扰,以及小目标船舶高漏检率问题,本文提出一种多尺度深度学习模型训练策略,在此基础上构建了一种船舶识别的深度学习网络,该网络可分为多尺度训练、特征提取、生成目标建议区域、船舶分类这4个部分。首先,采用多尺度的训练策略,将多尺度的船舶样本送入网络中进行训练,这样在训练样本中加入了大量小目标船舶的样本,使网络充分提取到小目标船舶的特征;其次,通过卷积神经网络对目标船舶进行特征自适应提取;然后,目标区域建议网络可依据卷积神经网络提取到的特征,在图像中找到感兴趣目标区域,即框定船舶的位置;最后,通过多个全连接层的组合,将高维特征映射到一个4元组中,再运用分类函数输出每一类船舶的概率值,概率值最大的则为该船舶的类别。同时为解决云雾遮挡和海岸背景的干扰,采用了一种负样本增强学习的方法,在样本数据集中加入了大量只含有云雾和海岸背景的图片,进行负样本扩充,增强网络模型对云雾及海岸背景的特征学习能力,以此解决复杂海情的影响。实验结果表明,所提方法有效解决了复杂海情条件下的船舶识别难,以及小目标船舶识别难的问题,实现了复杂海情条件下的船舶识别。同时,与现有成熟的深度学习目标识别算法相比,本文算法的精确度和召回率分别提升了6.98%和18.17%,所训练的模型具有良好的泛化能力和鲁棒性。  相似文献   

基于深度学习的钨钼找矿靶区预测方法研究     

蔡惠慧  朱伟  李孜轩  刘园园  李龙斌  刘畅 《地球信息科学学报》2019,21(6):928-936

随着矿产勘查工作由浅部矿向深部隐伏矿、由易识别矿向难识别矿发展,找矿难度日益增大,地质专家越来越重视新理论、新方法、新技术的应用。深度学习作为人工智能的前沿领域/技术,对于实现矿产资源预测“智能化预测评价”具有得天独厚的优势。本文以陕西省镇安县西部钨钼矿集区单元素化探异常原始数据为基础,提出了基于深度学习的钨钼矿产评价方法。该方法以归一化地球化学数据作为模型训练数据,通过深度学习中深度自编码网络方法实现异常值提取进而识别重点成矿有利地段,实现矿产资源找矿远景区定性预测。研究结果表明,在对957条单元素化探异常原始数据分类且做好模型标签后,整个过程在计算机的“黑盒子”中自动完成学习和预测,相较于传统预测研究方法,本文方法具有自动化程度高和客观性强的特征。此外,本文利用已知矿点构建训练数据集,采用随机森林方法对预测区进行矿产资源找矿靶区预测圈定,为进一步缩小找矿靶区范围提供科学依据。  相似文献   

基于机器学习的高精度高分辨率气象因子时空估计     

方颖  李连发 《地球信息科学学报》2019,21(6):799-813

气象变量常作为重要的影响因子出现在环境污染、疾病健康和农业等领域,而高分辨率的气象资料可作为众多研究的基础数据,对推进相关研究的发展意义重大。本文以中国大陆为研究区域,利用2015年824个气象站点的气温、相对湿度和风速3套数据,结合不同的解释变量组合,分别构建了各自的GAM和残差自编码器神经网络（简称残差网络）模型,以10倍交叉验证判断模型是否过拟合。研究结果表明：① GAM和残差网络方法都不存在过拟合问题,同GAM相比,残差网络显著提高了模型预测的精度（3个气象因素的交叉验证CV R²平均提高了0.21,CV RMSE平均降低了37%）,其中相对湿度模型的提升幅度最大（CV R²:0.85 vs. 0.52,CV RMSE:7.53% vs. 13.59%）;② 残差模型的结果较普通克里格插值结果和再分析资料更接近站点观测数据,表明残差网络可作为高分辨率气象数据研制的可靠方法。此外,研究还发现在相对湿度模型中加入臭氧浓度和气温、在风速模型中加入GLDAS风速再分析资料,可提升模型的性能。  相似文献   

A comparative study of extensive machine learning models for predicting long-term monthly rainfall with an ensemble of climatic and meteorological predictors     

Zhengzheng Zhou  Jie Ren  Xiaogang He  Shuguang Liu 《水文研究》2021,35(11):e14424

Rainfall prediction is of vital importance in water resources management. Accurate long-term rainfall prediction remains an open and challenging problem. Machine learning techniques, as an increasingly popular approach, provide an attractive alternative to traditional methods. The main objective of this study was to improve the prediction accuracy of machine learning-based methods for monthly rainfall, and to improve the understanding of the role of large-scale climatic variables and local meteorological variables in rainfall prediction. One regression model autoregressive integrated moving average model (ARIMA) and five state-of-the-art machine learning algorithms, including artificial neural networks, support vector machine, random forest (RF), gradient boosting regression, and dual-stage attention-based recurrent neural network, were implemented for monthly rainfall prediction over 25 stations in the East China region. The results showed that the ML models outperformed ARIMA model, and RF relatively outperformed other models. Local meteorological variables, humidity, and sunshine duration, were the most important predictors in improving prediction accuracy. 4-month lagged Western North Pacific Monsoon had higher importance than other large-scale climatic variables. The overall output of rainfall prediction was scalable and could be readily generalized to other regions.  相似文献   

基于A- CGAN的深反射地震数据随机噪声压制方法研究          下载免费PDF全文

韩建光  王卿  许媛  刘志伟 《地质论评》2024,70(1):228-238

基于深度学习的地震数据噪声压制方法是当前地震数据去噪处理的重要方向。深度学习方法突破了传统滤波处理的局限,在对常规地震数据的噪声压制中表现出效率高、信噪分离效果好的特点。但针对深部弱有效反射数据,当前的深度学习方法特征提取能力有限,难以取得较好的去噪效果。笔者等结合深反射地震数据特点,针对当前深度学习噪声压制方法在特征提取及对数据集依赖上的局限,提出了基于注意力循环生成对抗网络(Attention Cycle- Consistent Generative Adversarial Networks,A- CGAN)的深反射地震数据随机噪声压制方法。借助循环一致生成对抗网络(Cycle- Consistent Generative Adversarial Networks,Cycle- GAN)的域映射思想,降低对数据集的要求。为了构建适用于深反射地震数据的去噪网络,从3个方面对Cycle- GAN进行改进：在Cycle- GAN的生成器（去噪器）中加入残差结构和注意力机制,用于加深网络深度和提高其特征提取能力;在Cycle- GAN的鉴别器中使用块判决,提高鉴别精度和准确度;在损失函数部分加入感知一致性损失函数,提升网络模型恢复纹理细节信息的能力。通过合成地震数据和实际深反射地震数据测试,验证了优化算法的有效性,体现了良好的应用价值。  相似文献   

煤田采区高分辨三维地震勘探激发参数的优选     

蔺国华  倪新辉  杨文强 《中国煤炭地质》2011,(10):62-65

三维地震勘探取得可靠数据的前提是获得最佳的的激发参数,即激发井深和激发药量。双井微测井是一种行之有效的确定激发参数的方法。以某区25m双井微测井为例,介绍了通过不同激发井深的接收排列图及频谱分析图确定潜水面位置及最佳激发深度的方法;在确定的最佳激发层位上进行不同药量试验,结合目的层有效波时窗频谱图,综合考虑有效信号、地震子波频谱及信噪比等因素选择最佳激发药量。通过双井微测井工作,最终确定潜水面位置为6m,最佳激发深度为11m,激发药量为2kg。  相似文献   

A Bayesian network approach for predicting seismic liquefaction based on interpretive structural modeling     

Ji-Lei Hu  Xiao-Wei Tang 《Georisk: Assessment and Management of Risk for Engineered Systems and Geohazards》2015,9(3):200-217

The Bayesian network (BN) is a type of graphical network based on probabilistic inference that has been gradually applied to assessment of seismic liquefaction potential. However, how to construct a robust BN remains underexplored in this field. This paper aims to present an efficient hybrid approach combining domain knowledge and data to construct a BN that facilitates the integration of multiple factors and the quantification of uncertainties within a network model to assess seismic liquefaction. Initially, only using given domain knowledge, a naive network model can be constructed using interpretive structural modeling. Thereafter, some effective information about the naive model is provided to construct a robust model using structural learning of BN from historic data. Finally, the returning predictive results and the predictive results are compared to other methods including non-probabilistic and probabilistic models for seismic liquefaction using the metrics of the overall accuracy, the area under the curve of receiver operating characteristic, prediction, recall and F₁ score. The methodology proposed in this paper achieved better performance, and we discussed the power and value of the proposed approach at the end of this paper, which suggest that BN is a good alternative tool for seismic liquefaction prediction.  相似文献