2020年7月22日阿拉斯加7.8级地震同震电离层扰动分析

利用全球导航卫星系统(GNSS)、电离层测高仪和地震仪数据,从振幅及波形、时空分布、传播速度与方向、时频域等角度对2020年阿拉斯加7.8级地震同震电离层扰动(Co-seismic ionospheric disturbances,CIDs)特性进行探究.卫星G03、G04和G09在地震西部探测到3类CIDs,最大扰动幅度约0.1 TECU (1 TECU=10^(16) el/m~2),并且均沿着地震断层破裂延伸方向(西南方向)传播;而在地震北部与东部未发现CIDs.根据CIDs的速度及中心频率将其分为三类,第一类为高速传播的CIDs(速度约为2.93 km·s^(-1)),中心频率约11 mHz,符合瑞利波激发的电离层扰动特征;第二类CIDs的传播速度约为1.69 km·s^(-1)和1.55 km·s^(-1),中心频率约4.5 mHz和4.7 mHz,符合声波引起的电离层扰动频率;第三类CIDs速度约为0.98 km·s^(-1)和1.11 km·s^(-1),中心频率约2.9 mHz,可能为声波引起的另一类电离层扰动.同时,利用CIDs时空数据估计的CIDs扰动源位置与震中较为接近,进一步说明电离层扰动由地震激发.通过对GNSS站及地震仪位移的分析,估计了地震瑞利波沿西南方向传播速度与第一类CIDs较为吻合,验证了第一类CIDs由瑞利波激发,且断层的垂直位移是引起电离层扰动的重要因素.测高仪观测到电离层临界频率(f_(0)F_(2))发生显著波动,探测到CIDs的传播速度约1.02 km·s^(-1),传播速度和方向与卫星G03、G04探测的CIDs较为吻合,推断其属于第三类CIDs.

阿拉斯加2021年8.2级地震同震电离层扰动特征及对比分析

为分析2021年7月29日阿拉斯加8.2级地震引起的电离层响应,利用地震附近的全球导航卫星系统(Global Navigation Satellite System,GNSS)观测数据估算电离层总电子含量(Ionospheric Total Electron Content,TEC)及同震电离层扰动(Coseismic Ionospheric Disturbances,CIDs).从多角度对CIDs的时空分布特征进行分析,并与阿拉斯加2018年7.9级走滑型地震以及2020年7.8级逆断层地震引起的CIDs对比.在地震西南方向探测到两类CIDs,最大扰动振幅约0.8 TECU(1 TECU=1016 el/m^(2)),并且在西南方向距离震中约1094 km的测高站EA653探测到CIDs.在震中西北、东北和北方向探测到传播速度相近的CIDs.根据CIDs的速度和频率大小将CIDs分为两类,第一类CIDs的传播速度为1.87 km·s^(-1),频率约为3.8 mHz,可能由地震声波引起,扰动量级最大;第二类CIDs的传播速度为0.85~1.09 km·s^(-1),中心频率约在3.0 mHz或者5.7 mHz附近,为地震声波引起的另一类电离层扰动.逆断层地震引起的CIDs比走滑型地震更加显著,表明地震引起的垂直地表运动在CIDs的形成中起主要作用.三次地震在西南方向均引起显著的CIDs,与地震破裂方向较为一致,该地区大地震引起的CIDs可能具有较为明显的方向性,具体形成机制有待于进一步研究.

基于GPS TEC的2022年1月15日汤加火山喷发激起的电离层行扰分析

2022年1月15日南太平洋汤加海底火山发生剧烈喷发,是近30年来最大规模的火山爆发,产生的强烈大气波动为开展火山喷发电离层扰动研究提供了难得的机会。本文利用GPS数据探测火山附近、新西兰、澳大利亚和中国地区的电离层扰动,从波形、频率、传播速度和时空分布等角度分析汤加火山喷发电离层行扰(TIDs)的特征,并利用电离层测高站、海平面监测站和大气压监测站的观测数据进一步验证TIDs的传播特征。研究结果发现,汤加火山喷发在其附近区域、新西兰、澳大利亚和中国地区引起了3类TIDs。在火山附近东、西、南、北方向上均探测到第一类TIDs, TIDs的传播速度为617~972 m/s,该类TIDs极有可能由火山喷发产生的声波引起。汤加火山喷发仅在火山附近东、西方向引起第二类TIDs,其传播速度分别为472 m/s和418 m/s,可能由声波传播过程中衍生的声重力波或者混合波引起,形成机理有待进一步研究。汤加火山喷发在新西兰、澳大利亚和中国地区引发了第三类TIDs,其传播速度为328~352 m/s,该类TIDs与Lamb波密切相关。

基于YOLOv5s改进的无人机航拍图像车辆检测模型

针对无人机航拍图像车辆检测任务中存在车辆遮挡严重、小尺度目标多、背景信息复杂、误检漏检情况严重等问题,提出一种基于YOLOv5改进的车辆目标检测模型。首先,增加一个小目标特征检测层,增强对浅层特征图中有效位置特征信息的复提取,从而缓解因深层卷积导致密集小目标特征信息的缺失问题。其次,在Neck中使用GSConv卷积和VOVGSCSP模块,对模型进行轻量化同时提高检测精度。再次,使用Mish作为全局激活函数,提高特征信息在深层网络中的传播和表达能力。然后,为了模型对检测目标的定位精度,使用EIoU作为回归框定位损失。最后,在Backbone中引入Transformer模块,增强模型感受野,提高对关键点信息的提取能力,增强模型抗干扰能力。实验结果表明,最终改进模型的平均检测精度(mAP)达到了83.8%,比原始YOLOv5s模型提高了5.5%,对小目标检测精度明显得到提升。

高分辨率遥感影像建筑物提取卷积神经网络

针对复杂影像场景下卷积神经网络对建筑物提取效果较差的问题,本文对轻量型卷积神经网络LinkNet进行了优化调整,使用融合坐标注意力机制的深层残差网络CA-ResNet-50作为LinkNet的编码器,显著增强了网络模型的特征提取性能,提升了其在复杂场景下建筑物提取能力;同时,利用卷积分解方法对LinkNet初始块进行优化,获得了更快的网络训练速度,最终得到性能优异的建筑物提取网络CA-LinkNet。试验结果表明,在武汉大学航空建筑物数据集上CA-LinkNet与最初的LinkNet相比精度指标IoU、Kappa和F1分别提升了2.01%、1.26%和1.11%。此外,在选取的数据集上CA-LinkNet各项精度指标均优于经典分割网络,在复杂影像场景下也能有效提取建筑物,表现出较强的抗干扰能力。

基于ResNet50与通道注意力的遥感图像场景分类

卷积神经网络广泛应用于图像分类,但传统的卷积神经网络直接应用于遥感图像场景分类有一定的局限性。遥感图像中存在类内差异大、类内相似度高的现象,导致网络无法准确地提取到图像中的特征,给遥感图像分类任务带来巨大的困难。通道注意力机制有专注于提取主要特征而忽略次要特征的优点,将其加入网络模型可以增强卷积神经网络的识别图像特征能力,因此,提出了一种基于ResNet50与通道注意力结合的网络模型(ResNet50+Attention),在UCMD数据集上使用初始化网络参数的方法进行遥感场景图像分类任务,对比了经典网络模型AlexNet、DenseNet、VGG16和GooLeNet,ResNet50+Attention在总体准确率、精确度、召回率和特异度分类指标上,明显优于其他模型。并进行了与基础ResNet50模型的消融实验,包括对比了准确率曲线、混淆矩阵和单独类的分类指标。结果表明,ResNet50+Attention在总体准确率、精确度、召回率和特异度上分别达到了91.7%、92.1%、91.8%和99.6%,相比于ResNet50分别提高了4%、3.8%、4%和0.2%,证明了该网络模型的有效性。

多层次特征和粒子群优化的场景分类

针对遥感图像的场景分类精度问题,提出多层次特征和粒子群算法优化分类器的场景分类算法。利用聚集局部描述符编码算法对尺度不变特征变换算法提取的局部特征编码,获得中层特征,通过卷积神经网络提取高层特征,将提取的特征作为支持向量机的输入数据,引入粒子群算法优化该分类器的参数,进行场景分类。在RSC11和WHU-RS19两个公开的遥感图像数据集上进行实验,分类精度分别达到95.28和97.20。将WHU-RS19数据集的结果与其它方法比较,精度有明显提高。实验结果表明,在分类时对分类器参数进行优化,分类效果更佳。

不动产权籍测量实习GNSS测量仪器单人考核方法研究

针对不动产权籍测量实习一般采取多人一组展开实习,无法保证每个学生掌握测量仪器使用的问题。以GNSS测量仪器单人考核为例,介绍在不动产权籍测量实习过程中如何借助仪器考核环节更好地完成不动产权籍测量实习工作。具体考核时,在实习开始前先进行GNSS界址点测量单人考核,保证每个学生能独立操作GNSS测量仪器,从而能够顺利完成整个测量实习任务。实习结束时进行GNSS界址点测设单人考核,巩固学生GNSS测量仪器使用能力。

基于自适应进化相关向量机的耕地面积预测模型

为解决耕地面积预测模型建立过程中的非线性、稀疏化及结果可靠性评价等问题,该文将相关向量机与差分进化优化算法进行融合及改进,提出基于自适应进化相关向量机的耕地面积预测模型。该文以黄石市为例,建立基于自适应进化相关向量机的短期、中期耕地预测模型,并与多元线性回归、BP神经网络、支持向量机算法在精度、计算效率及可靠性方面进行对比分析。试验验数据表明,自适应进化相关向量机的预测精度大约是其余3种方法的2倍以上;模型的计算效率是多元线性回归方法的2倍,比BP神经网络、支持向量机高出2个数量级;测试数据的实际耕地面积均在自适应进化相关向量机估计的95%置信度的置信区间内,并且由后验差比、小误差概率判定模型等级属于"好"。基于以上数据,证实该模型是一种精度高、计算快、可靠性强的耕地预测新方法。

矿区GPS高程异常相关向量机拟合模型

为提高GPS高程异常拟合的精度及可靠性,基于相关向量机模型(Relevance vector machine,RVM),提出了一种稀疏化概率式的GPS高程异常SVM拟合模型。以柯西核函数与交叉验证法构建相关向量机,并推导了置信区间的估计公式。以某矿区GPS高程控制网为例,构建了基于相关向量机的高程异常拟合模型,并与多项式拟合、BP神经网络和遗传最小二乘支持向量机进行精度对比,通过置信区间估计,评价拟合结果的可靠性。试验结果表明:1相关向量机的平均绝对误差(Mean absolute error,MAE)、平均绝对百分误差(Mean absolute percentage error,MAPE)、均方根误差(Root mean square error,RMSE)等精度指标均较大幅度优于多项式、BP神经网络和遗传最小二乘支持向量机;2测试数据集的实测高程异常均在相关向量机估计的置信区间内。上述试验结果进一步表明:相关向量机是一种精度及可靠性高的矿区GPS高程异常拟合方法,对于快速测定矿区正常高有一定的参考价值。

露天矿边坡变形预测的协同进化多核相关向量机模型

为提高露天矿边坡变形预测精度,利用协同进化粒子群(CEPSO)优化多核相关向量机(MK-RVM)的参数,构建协同进化多核相关向量机(CEPSO-MK-RVM),并将此模型应用于露天矿边坡变形预测。将CEPSO-MK-RVM的结果与协同进化多项式核函数相关向量机(CEPSO-PolyRVM)、协同进化高斯核函数相关向量机(CEPSO-Gauss-RVM)及修正果蝇优化下的支持向量回归(MFOA-SVR)的结果进行对比,并分析CEPSO对MK-RVM参数的优化效果。结果表明,CEPSO比标准粒子群优化(PSO)算法具有更好的优化效率及最优解;用CEPSO-MK-RVM模型得到的结果,4个精度指标均优于其余3种方法,边坡变形预测的精度得到有效提高。

基于遗传支持向量机的多维灰色变形预测模型研究

多维灰色模型适合对多因素影响下的贫信息系统问题进行建模,但对多因素影响下的非线性变形系统建模和预测精不高,针对该问题进行分析研究.利用支持向量机算法建立多维灰色变形预测模型的残差与变形影响因素之间的非线性关系,对多维灰色变形预测模型的残差进行预测,并与多维灰色变形预测模型相加,对多维灰色变形预测模型进行修正,构建基于支持向量机的多维灰色变形预测模型.利用遗传算法优化支持向量机模型参数,提高支持向量机建模精度.该方法较好地解决了多维灰色变形预测模型精度不高的问题.把该模型应用于大坝变形预测,并与多种传统变形预测方法进行对比,结果证实该方法有效提高多维灰色变形预测模型的精度,且新模型精度远优于传统方法,是一种新的有效的变形预测模型.

基于高斯过程的GPS高程转换模型

针对GPS高程转换的小样本、非线性特点,基于高斯过程算法提出了具有概率意义的GPS高程转换模型。利用高斯过程采用4种不同建模方案建立了GPS高程转换模型,并与平面拟合、二次曲面拟合、支持向量机方法进行了精度对比。同时构建了基于高斯过程的GPS高程转换结果置信区间估计方法,分析了结果的可靠性。实例分析证实,高斯过程方法针对4种方案均获得很高精度,并且精度指标优于其余3种方法;各GPS点的实测正常高均在置信区间内,证实高斯过程方法具有很好的可靠性。

基于进化相关向量机的边坡安全系数估算

针对相关向量机与差分进化优化算法的特点,通过将两种算法有机融合提出进化相关向量机模型E-RVM,并应用于边坡安全系数估算。以留一交叉验证法构建差分进化算法的适应度函数,基于差分优化算法确定相关向量机的最优参数,可有效提高算法预测精度及可靠性。根据模型计算得到的预测均值及预测方差建立预测变量置信区间,分析预测结果的不确定性。以两个边坡数据为例建立基于E-RVM的边坡安全系数估算模型,并与GA-BP、V-SVM、GP方法对比。分析结果表明:E-RVM方法的平均绝对误差、平均相对误差与均方根误差精度指标均明显优于GA-BP、V-SVM、GP。通过95%置信度的置信区间分析,理论安全系数均在置信区间内,并且E-RVM方法具有比GP方法更短的置信区间长度。分析证实E-RVM模型是一种精度高、可靠性强的边坡安全系数预测新方法。

基于局部均值分解和相关向量机的变形预测

基于改进局部均值分解(LMD)及加权核函数相关向量机(RVM)算法,构建多尺度变形预测新方法。利用LMD将变形数据分解成多个具有物理意义的变形分量,并基于遗传算法优化的RVM对每个变形分量分别进行预测。将各变形分量预测结果进行叠加,最终建立多尺度变形预测方法,并应用于大坝变形预测。实验结果表明,改进LMD-RVM方法的多个精度指标均优于BP神经网络方法、RVM方法和改进EMDRVM方法,证实了新方法的有效性及可靠性。

露天矿采剥工程量计算与可视化新方法研究

针对目前露天矿采剥工程量计算中存在的精度低、自动化程度不高、不直观等问题,提出基于Surfer的露天矿采剥工程量计算与三维可视化新方法;介绍了数据野外采集和插值方法评定与选择,并对新方法计算原理与精度作了分析;最后将计算结果进行三维可视化。通过理论分析与实例演示证实这是一种精度高、速度快并且直观的露天矿采剥工程量计算方法。

基于HIOA-MK-TCRVM算法的边坡稳定性估计模型

为提高边坡稳定性估计方法的精度及计算效率,将混合智能优化算法(HIOA)与多核二分类相关向量机(MK-TCRVM)算法相结合,建立HIOA优化的MK-TCRVM(HIOA-MK-TCRVM)算法,并用其估计岩质边坡及土质边坡稳定性。同时,基于单核二分类相关向量机、支持向量机(SVM)等算法建立其他的边坡稳定性估计模型,并与HIOA-MK-TCRVM算法进行精度与稀疏性对比分析。最后,分析HIOA算法优化MK-TCRVM算法参数的效果。结果表明,HIOA-MK-TCRVM算法对训练集与测试集边坡稳定性估计的准确率均达到100%,其精度优于其他边坡稳定性估计模型;HIOA-MK-TCRVM算法的相关向量数占训练样本数的25%以内,模型稀疏化效果明显;向HIOA算法中加入遗传操作后,其进化速度及最优解均得到较好的改善。

基于MRVM的多输出边坡变形预测模型

为解决多输出边坡变形预测问题,提高预测模型的精度及计算效率,提出基于多输出相关向量机(MRVM)的边坡变形预测新模型。通过将标准RVM的单输出功能拓展到多维输出功能的方式建立MRVM,并利用PSO算法优化其参数。以某大型干坞边坡变形为例,基于MRVM建立边坡坡顶水平变形与沉降变形预测模型,并对其精度及计算效率进行分析。实验结果表明,MRVM的精度高于BP神经网络、支持向量机(SVM)、RVM,证实拓展RVM所采用的方法可行,并具有较好的边坡预测精度;MRVM的计算时间远小于BP神经网络、支持向量机(SVM)、RVM,具有较高的计算效率,并简化了建模程序,实现了对边坡的多个变形量进行同时预测。

基于Markov-CA的莆田市涵江区土地利用时空演变研究

针对莆田市涵江区土地利用时空演变模型进行研究,将基于时间离散、状态离散的马尔可夫(Markov)模型和元胞自动机(CA)模型优点有机结合,建立涵江区土地利用Markov-CA模型。利用2005年、2010年涵江区土地利用影像数据,分析土地利用特征,对2015年、2020年、2025年、2030年土地利用时空演变进行模拟。采用Lee-Sallee形状指数作为Markov-CA模型评价指标,评定模型精度。通过实验结果分析,2012年形状指数,证实基于Markov-CA的土地利用时空演变方法精度较高,模拟结果可作为涵江区土地利用政策制定和规划提供理论参考。

城市网格化管理部件数据采集与处理

阐述了部件外业调查和用AutoCAD软件对外业数据进行内业处理的步骤,介绍了提高AutoCAD软件内业处理效率的技巧,以及如何采用合理的质量控制体系,确保成果质量的方法。形成了包含数据外业采集、内业处理、成果质量控制完整的项目体系,具有很强的实用价值。