本期目录
前沿创新
数学
地球科学
-
基于神经网络预测太阳黑子变化
- 程术, 石耀霖, 张怀
-
2022, 39 (5):
615-626.
DOI: 10.7523/j.ucas.2021.0068
-
摘要 (
3607 )
PDF (16219KB) (
1422
)
-
太阳黑子变化是太阳强磁扰动的表征。结合长短期记忆单元神经网络和一维卷积神经网络预测太阳黑子变化，使用3种不同的数据集，分别为1700—2020年年均太阳黑子数（yearly mean sunspot number，YSSN）、1749—2021年月均太阳黑子数（monthly mean sunspot number，MSSN）和1874—2021年月均太阳黑子面积（monthly mean sunspot area，MSSA）。首先，基于YSSN数据集，预测得到2021年YSSN以及第25太阳周YSSN，2025年预测值达到最大，其值为163.4；其次，基于MSSN数据集，预测得到2021年6月MSSN以及第25太阳周MSSN，2024年10月预测值达到最大，其值为245.9；接着，基于MSSA数据集，预测得到2021年6月MSSA，其值为73.1；最后，基于MSSA数据集，将纬度划分为13个分区，发现可以重建太阳黑子蝴蝶图。以上均表明神经网络方法为探测太阳黑子变化提供了新的解决思路。
-
青藏高原东南部地震b值时空演化及其对区域应力场特征的启示
- 高雅婧, 罗纲, 王少坡, 周元泽
-
2022, 39 (5):
627-638.
DOI: 10.7523/j.ucas.2021.0037
-
摘要 (
1518 )
PDF (12581KB) (
860
)
-
区域应力分布特征是地震危险性评价的重要指标之一。采用青藏高原东南部1970—2019年的地震目录数据，使用最大似然法对该区进行地震b值时空扫描，得到该区b值时空分布特征；利用地震b值与应力的负相关关系，分析青藏高原东南部主要断裂带上的应力分布及变化。研究结果显示：1）在鲜水河—小江断裂系统的中部，大凉山断裂带附近区域的b值比安宁河—则木河断裂带附近区域低，推测大凉山断裂带承担较多的应力，可能是未来地震风险较高的断裂带；2）研究区浅层（0~20 km）比深层（20~40 km）的b值高，这是与浅层区域围压低、岩石倾向脆性破裂，而深层区域围压高、岩石倾向韧性变形的特征相一致的；3）汶川地震发生前后，震源及周边区域的b值经历了降低—升高—降低的过程，揭示了区域内应力的累积—释放—累积过程；地震震级越大，震前b值降低趋势持续越久，该地震的发生对b值的影响范围越大、b值波动越明显，距震中越近的区域的b值在地震前后的波动越明显；4）龙门山断裂带及其附近地区b值较低，推测该区域应力较大。
电子信息与计算机科学
-
基于图像分割和EM算法的PolSAR地物分类方法
- 曹哲, 冯珊珊, 孙显, 洪文
-
2022, 39 (5):
639-647.
DOI: 10.7523/j.ucas.2021.0011
-
摘要 (
2065 )
PDF (6940KB) (
1085
)
-
在极化合成孔径雷达（PolSAR）地物分类研究中，基于卷积神经网络的图像分割算法存在高维特征信息冗余而导致的分类边界模糊、分类精度低、计算复杂等不足，提出一种基于卷积神经网络和EM算法的轻量化图像分割网络，称为低秩重构网络（low-rank-reconstruction-net，LRR-Net），应用于全极化SAR图像的地物分类。LRR-Net从极化目标分解的思想出发，利用EM算法对特征进行低秩重构，将特征从高维空间映射到低维空间，在减少参数的同时实现更精确的分类。用高分三号全极化图像数据对模型进行训练测试并评估，结果表明模型在保证分类精度的前提下，降低了模型复杂度。
-
高分三号SAR影像L1A级产品精处理方法
- 方韩康, 张波, 陈卫荣, 吴樊, 王超
-
2022, 39 (5):
648-657.
DOI: 10.7523/j.ucas.2021.0005
-
摘要 (
2669 )
PDF (9292KB) (
2902
)
-
L1A级影像产品是中国高分三号SAR卫星产品发布的初级产品形式。为实现后续科学研究、增值应用，提出一套完整的L1A级产品处理流程，用以生成辐射纠正产品、几何纠正产品等高级产品形式。在辐射纠正过程中，为剔除L1A级产品量化过程中存在空值和零值像素对辐射纠正结果造成的统计偏差，基于高分三号等效噪声系数提出改进的辐射纠正方法。在几何纠正中，提出RPC参数反算算法确定影像角点坐标，基于xml元数据文件中提供的轨道方向、视向以及采样间隔参数保证反算方法的稳健性，在几何校正重采样部分引入SAR滤波算子实现等效视数的提升。对使用Envi5.5软件无法完成几何校正的部分高分三号影像，使用本文提出的处理流程可以顺利完成，其处理结果通过与同为C波段的Sentinel-1影像辐射精度，以及Sentinel-2光学影像几何精度的对比，表明本方法对L1A产品进行处理的精确性和可靠性。
-
引入空间距离信息的城郊山区道路提取与应用
- 陈若男, 彭玲, 刘玉菲, 卫志超, 吕蓓茹, 陈德跃
-
2022, 39 (5):
658-667.
DOI: 10.7523/j.ucas.2021.0004
-
摘要 (
2523 )
PDF (14720KB) (
1207
)
-
近年来城郊山区成为城镇居民郊游佳选，而密集性的旅客出游及村民生产活动给山林带来火灾安全隐患。道路信息是森林防火应急信息化核心要素之一，但因城郊山区道路存在遮挡、阴影、路窄且多分支等问题，使得常规道路提取算法在城郊山区效果欠佳。故提出一种道路语义分割模型，以及一种将道路二类问题转化成多类问题的语义分割模型训练方法，迫使模型侧重学习空间距离信息，以生成空间连续性更优的道路结果。在本研究自主研制的城郊山区Yajishan道路数据集和公开数据集Massachusetts道路数据集上验证本文模型及训练方法的有效性。此外，验证该训练方法同样适用于U-Net、DeepLabV3等常用语义分割模型。还基于道路提取结果进行后处理，输出道路面、道路中心线矢量数据及道路宽度信息，并在北京丫髻山进行消防车通行性分析。研究成果在一定程度上缓解了商业电子地图在城郊山区少人处道路信息不足的问题，为森林防火应急救援提供信息化技术支撑。
-
基于面提取的三维岩体点云孔洞检测与修复方法
- 马曌月, 肖俊, 王颖
-
2022, 39 (5):
668-676.
DOI: 10.7523/j.ucas.2020.0032
-
摘要 (
2661 )
PDF (11716KB) (
740
)
-
在岩体工程中，由于扫描测量角度、障碍物的阴影和遮挡等因素，使用激光扫描仪扫描得到的岩体点云数据往往包含孔洞，影响后续三维重建的效果。现有的修复方法主要针对规则的点云数据，依据孔洞邻域信息对点云孔洞进行修复，对岩体点云孔洞的检测与修复效果欠佳，且效率低。从岩体点云数据特征出发，提出一种基于平面提取的岩体点云孔洞检测与修复算法。首先，应用一种优化的区域生长算法对岩体点云进行平面提取，然后遍历所有点云并检索其k邻域点集，将其映射至对应平面，计算邻域夹角，实现孔洞检测；最后将点云孔洞根据边界点集的对应平面数量进行分类，在对应平面上新增采样点实现点云孔洞修复。本算法通过平面提取实现了点云数据的去噪和平面拟合过程，简化后续的孔洞修复流程，降低时间复杂度。实验结果表明，与已有算法相比，本算法对大型不规则岩体点云孔洞的检测、修复准确率和运行效率更高，修复效果更佳。
-
基于双目点云的三维物体检测准确性分析
- 刘王超, 娄鑫
-
2022, 39 (5):
677-683.
DOI: 10.7523/j.ucas.2020.0042
-
摘要 (
2137 )
PDF (4643KB) (
887
)
-
双目相机虽然能通过算法生成密集的深度数据，但其在精度上与激光雷达生成的深度数据有着较大的差距，特别是在纹理不明显的区域。针对这种现象，尝试使用激光雷达的精确点云来排除由双目相机产生的pseudo-LiDAR数据中与之差别较大的部分点，然后将优化后的pseudo-LiDAR用以进行三维物体检测。实验结果显示，将pseudo-LiDAR数据中的不准确点（坏点）排除，有助于提高检测准确率，最多可提高21.02%。因此，如何不依赖激光雷达数据来排除pseudo-LiDAR点云中的坏点是进一步提高双目相机系统检测准确率的关键。
-
基于滤波张量分析的高光谱目标检测方法
- 杨帅, 计璐艳, 耿修瑞
-
2022, 39 (5):
684-694.
DOI: 10.7523/j.ucas.2020.0060
-
摘要 (
2085 )
PDF (16187KB) (
836
)
-
现有的高光谱图像目标检测算法大都把各个波段不加区分地对待，从而不能充分利用图像波段的物理信息。将高光谱图像按照成像机理的不同首先分为几个不同的波段范围（比如可见光、近红外、短波红外等），并通过将高光谱图像的不同波段范围与多时相遥感数据的时相维进行对应，将最近发展的一个多时相目标检测算法——滤波张量分析（filter tensor analysis，FTA）引入高光谱目标检测中，提出一种面向单时相高光谱图像的分波段FTA算法。针对高光谱图像的实验表明，与传统的单时相目标检测算法相比，分波段FTA算法取得了很好的检测效果。
-
勺型网络：用于Landsat遥感图像云检测的新型网络
- 王树立, 唐海蓉, 计璐艳
-
2022, 39 (5):
712-720.
DOI: 10.7523/j.ucas.2020.0036
-
摘要 (
1421 )
PDF (8638KB) (
908
)
-
针对目前用于遥感图像云检测的神经网络模型存在光谱信息未能充分利用而导致的细节信息易损失、碎云漏检率大、计算复杂等不足，提出一种新型且轻量的网络，称为勺型网络（spoon-net，S-Net），应用于Landsat遥感图像的云检测。S-Net分为2个阶段，第1阶段，使用1×1的卷积核提取图像光谱特征，避免图像细节被模糊；第2阶段，使用encoder-decoder框架提取图像空间特征，并引入分组卷积，对第1阶段提取的每一层光谱通道单独进行卷积，保持光谱特征并减少模型参数。模型在Landsat8 biome数据训练测试并评估，结果表明模型在内存与时间上具有较大优势，并达到95%的准确率。
