基于深度学习和遥感数据的水稻种植面积提取

针对现有基于深度卷积神经网络进行水稻(Oryza sativa L.)遥感识别中样本采集工作量大、样本标注要求高及水稻感受野尺度选择难等问题,构建了一种基于像元和多尺度的深度卷积神经网络(DCNN)水稻遥感识别模型。首先,针对水稻种植分布特点,综合深度卷积神经网络方法的特点,设计了基于像元的DCNN提取模型;其次,将多尺度与DCNN相结合,构建多尺度DCNN模型,增加感受野的多尺度特性;最后,为了验证多尺度DCNN模型提取水稻的效果,以高分一号和高分二号卫星影像为数据源,选取传统机器学习SVM模型、语义分割D-Linknet模型、单一尺度DCNN模型进行分类精度对比分析。结果表明,本研究提出的多尺度DCNN模型的准确率、精确率、召回率、平衡F分数分别为97.75%、96.68%、99.08%、97.85%;与其他模型相比,多尺度DCNN模型结构简单、样本制作简便、识别精度高,具有较好的应用价值。

暴雨洪涝淹没灾情时空变化预测方法研究

暴雨洪涝灾害一直是全球发生最频繁,影响范围最广的自然灾害之一,科学而全面地对暴雨洪涝灾害进行评价管理,具有十分重要的意义。针对暴雨洪涝淹没灾情科学预测的需求,以湖北省气象局提供的时间序列的暴雨洪涝淹没数据为基础,利用ARIMA模型(差分自回归滑动平均模型)对襄阳市2014-07-04 19:00和20:00的暴雨洪涝淹没灾情进行预测。诊断结果表明所建立的ARIMA(1,1,1)模型对襄阳市暴雨洪涝淹没数据可信度较好,对未来1 h和2 h暴雨洪涝淹没情况预测平均绝对误差分别是0.013 856和0.051 5,与实际监测值的相关性R的平方分别为0.769 9、0.458 9。该ARIMA(1,1,1)预测模型可以满足实际的预测需求。未来1 h的预测结果优于2 h预测,且未来1 h预测结果相关性较强,表明所建立的模型能够较好地应用于襄阳市未来1 h内的暴雨洪涝淹没灾情预测。

三维巷道拼接建模关键技术研究与实现

在数字矿山建设中井下巷道的三维(3D)展示一直是研究的重点,本文在总结原始巷道导线测量数据的基础上,对巷道组织、拓扑结构、巷道单体及网络建模、巷道拼接等进行了研究,构建并实现了用于三维巷道建模的三维数据模型,然后在对巷道数据进行预处理后通过分层建模的方法依次实现了巷道网面模型、网络及截面模型,最终实现了三维巷道的无缝平滑拼接。最后利用三维开源引擎OpenSceneGraph(OSG)对三维巷道模型进行了实现并开发完成了三维巷道原型系统,在实际生产中具有一定的参考意义。

基于ARIMA模型和VSWI指数的旱情预测——以桂西北为例

VSWI指数(植被供水指数)在高植被覆盖地区旱情监测中应用广泛,为了进一步研究基于时序的VSWI数据在干旱预测中的可行性,本文以广西水文水资源局提供的2005—2013年桂西北地区VSWI时间序列数据为基础,选取171个气象及水文站点,以其时间序列的VSWI数据,建立ARIMA模型(差分自回归滑动平均模型)。将该模型应用于预测2013153和2013169的VSWI影像,并将预测结果与实际监测的VSWI影像进行了对比分析。结果表明:其与实际情况的相关性分别为0.787和0.648,误差在20%以内的点分别为82.4%和65.4%,均在合理的误差范围之内,表明利用所建立模型对旱情进行预测是可行的。

一种基于ASAR数据的干旱监测方法

快速而准确的获取干旱信息对于抗旱救灾具有非常重要的指导意义。基于ENVISAT-ASAR数据对甘肃省黑河流域低植被覆盖区域干旱情况进行监测,利用基于改进型积分方程模型(AIEM)所得出的半经验模型准确的获取土壤的含水量信息。实验结果表明VV/VH极化数据与土壤含水量之间存在着较好的相关性,监测结果与成熟的光学监测方法垂直干旱指数(PDI)监测结果基本吻合,轻度干旱地区的监测结果相似度达到了92.8%,对于中度干旱和正常地区的监测分别达到了58.8%和66.4%,总体达到了90.7%,表明SAR数据在旱情监测中具有较大潜力。