基于深度学习的遥感图像水边线提取方法与应用

本文提出一种基于注意力机制的像素级海陆语义分割网络A-Unet用来提取水边线，并通过条件随机场对A-Unet分类结果进行细化。以天津沿海地区的人工海岸与威海地区的基岩海岸为例，对所提方法进行了验证，实验表明，与其他水边线分割方法相比，本文提出的方法能够得到更精细的结果，实现对遥感图像水边线的像素级语义分割。该方法提取了天津地区近10年海岸线并对其变化趋势进行了定性和定量分析，可为城市海洋资源的合理开发、海洋生态环境的保护提供更好的决策与参考依据。     

促进深度学习的课堂教学策略研究

深度学习是一种基于高阶思维发展的理解性学习,具有注重批判理解、强调内容整合、促进知识建构、着意迁移运用等特征。深度学习不仅需要学生积极主动的参与,还需要教师通过确立高阶思维发展的教学目标、整合意义联接的学习内容、创设促进深度学习的真实情景、选择持续关注的评价方式进行积极引导。     

基于深度学习的无人机环境污染目标识别技术研究

为了优化环境污染监测,需要对环境污染目标区域进行有效识别,提出基于深度学习和无人机技术的环境污染目标区域识别方法,采用无人机机载空间扫描方法进行图像采集,对采集的环境图像进行污染区域的边缘轮廓检测和图像分割处理,采用深度学习算法对环境污染区域的图像进行自适应分块标记和识别,实现对环境污染区域的图像检测和三维区域识别。采用该方法进行环境污染区域的目标识别准确性较好,对环境污染区域分块识别的精度较高,较强。     

基于深度学习的近岸海浪等级视频监测

深度学习是机器学习的重要研究领域,同时作为大数据的有效处理和分析工具越来越受到关注。以多源长时间序列近岸海浪视频环境数据为样本,波浪仪同步测量海浪等级数据为图像标签,构建了面向海洋环境适用于深度学习的海浪训练集、测试集。通过数据扩增技术对视频监测数据进行预处理,提高模型泛化能力,依据视频的相关性,引入误差函数,优化模型灵敏度,提出了适用于海洋领域海浪等级深度学习模型架构（Wave-CNNs）,最后将提出的改进深度学习模型应用于3000样本海浪图像训练集,并通过300样本海浪图像测试集对结果进行验证,实验结果表明,算法对3个等级海浪识别精度达到了66.6%,优于传统Bayes及SVM方法。     

基于深度学习的排污口污染物浓度预测研究

入河排污口是污染物进入生态环境的最后一道关口,预防超标排放是改善流域生态环境质量的基础.为实现排口超标排放事前预警,本研究以长江泰州段两类典型排口(污水处理设施排口和工业企业清净下水排口)为例,利用排口污染物监测数据与气象数据,基于长短期记忆神经网络(LSTM)、门控循环单元(GRU)、卷积循环神经网络(CRNN)等深度学习算法构建多污染因子(总氮、氨氮、COD、总磷)浓度预测模型,并结合SHAP分析结果识别影响排口水质预测的重要因素.结果表明：(1)单层与双层GRU模型在排污口未来6 h污染物浓度预测中表现较好,R²可达0.67～0.81;(2)自相关变量的累积重要性绝对值占比超80%,对排口污染物浓度预测的影响显著大于其他输入变量.该方法有潜力拓展应用至其它排污口类型及其它污染因子的浓度预测,为排口污染预警和全链条管理提供技术支撑.     

基于深度学习的大气细颗粒物污染时空预报

为尽可能减少PM_2.5重污染带来的环境和健康危害,对其进行及时准确的预报预警显得十分关键。文章使用WRF气象模型和CMAQ空气质量模型输出的2015年1-12月逐小时的中国地区27 km×27 km网格化气象场、污染排放和细颗粒物模拟浓度数据,训练深度学习预报模型。研究结果显示,深度学习预报结果与CMAQ模拟结果在测试集上的均方误差为10.52μg/m³,优于已有的大部分其他研究,深度学习在重点城市的PM_2.5预测浓度趋势与CMAQ基本一致,其RMSE为28.82μg/m³,整体空间分布也具有较好的一致性,可以准确重现CMAQ模拟结果。该研究进一步使用国控点实际观测数据对训练完成的深度学习预报模型进行优化,以减少CMAQ理论模型所带来的固有误差。优化后的深度学习模型预报结果在总体上更接近实际观测的真实结果。此外,深度学习模型的预报速度在相同CPU环境下比CMAQ模型提升93倍,在GPU加速环境下提升高达465倍,可以做到快速实时的浓度预报响应。该研究构建的耦合数值模型和实际观测数据的深度学习预报技术...     

基于深度学习方法的PM2.5精细化时空估算模型

提出一种基于深度学习方法的地面PM_2.5浓度时空估算模型（PM_2.5-DNN）,该模型基于葵花-8卫星反演的AOD数据,结合PM_2.5监测站和气象站点观测数据对北京市地面PM_2.5浓度进行了逐时的高精度模拟,同时将PM_2.5-DNN模型的模拟性能与当前的主流方法进行了对比研究.结果表明,使用PM_2.5-DNN模型估算的北京地区1km分辨率每小时地面PM_2.5浓度与地表监测站观测数据对比的一致性较好,模型估算精度可达到R²=0.88,性能优于当前的主流方法.本文所提出的方法适用于区域尺度PM_2.5浓度时空分布细粒度建模与估算,采用端到端的训练方式构建模型,为精细的PM_2.5浓度估算提供了一个简便而有效的方法模型.     

基于深度学习的华东地区PM2.5浓度遥感反演

PM_2.5作为大气污染的主要来源,对人类身体健康有着极大的影响.本文提出基于深度学习模型的多要素联合PM_2.5反演方法,以PM_2.5浓度作为真值数据,引入Himawari气溶胶光学厚度(AOD)日数据产品与温度、相对湿度和气压等10个要素作为反演要素.为验证方法的有效性,采用华东地区2016～2018年的数据分季节开展实验,并与传统反演方法进行对比.结果表明,PM_2.5浓度与AOD、降水、风速、高植被覆盖指数呈正相关关系,与矮植被覆盖指数呈负相关关系,与温度、湿度、气压以及DEM的相关性随季节的变化而改变;基于深层神经网络(DNN)反演的PM_2.5精度高于传统的线性和非线性模型,各个季节R²均在0.5以上并且误差较小,其中秋季的反演效果最好R²为0.86,夏季为0.75,冬季为0.613,春季为0.566;模型的可视化结果显示,DNN模型的反演结果更接近地面监测站点插值的PM_2.5浓度分布,分辨率更高且更精确.     

电导率温度校正计算方法的改进

通过实验，用分段函数较精确的表示出温度校正系数与温度的关系，对现行电导率温度校正公式进行了改进，可以简化测量过程，提高计算精度。     

电导率温度校正计算方法的改进

通过实验，用分段函数较精确地出温度校正系数与温度的关系，并同行电导率温度校正公式进行了改进，可以简化测量过程，提高计算精度。     

便携式水质分析仪的研制

设计了一种基于光度分析原理的便携式水质分析仪 ,采用单色冷光源、光电传感器、以单片机为核心的控制电路、数据采集与处理系统和友好的人机操作界面 ,可以简便快速地测量COD、氨氮、色度、浊度、磷酸盐等多种水质指标 ,给出了仪器的测试结果     

用便携式γ谱仪测量土壤中天然放射性核素的方法

本文介绍了有便携式γ谱仪测量土壤中天然放射性核素的方法，因为美国进口的ＭｉｃｒｏＮＯＭＡＤ便携式γ谱仪，原来主要是用在野外高活度剂量存在或发生核事故时放射性核素的测量，要改装成在实验室测量土壤中低活度的天然核素，难度较大，要做的工作很多。     

便携式水质分析仪器的应用前景

便携式水质分析仪器,具有多种优良的性能及应用优势,并且随着便携式水质分析仪器的不断改进和发展,使其具有广阔的应用前景。本文从当前便携式水质分析仪器的发展现状及应用情况出发,以水质分析的实际效果为落脚点,对便携式水质分析仪器的相关内容及应用前景进行了简单分析。     

基于直达P波的甘肃地区近震震源深度定位误差分析

关于震源深度误差问题有许多讨论,但一直也没有很好的统一的解决办法。结合目前的实际,对于区域台网记录到的浅源近震,多数是采用JOPENS-MSDP人机交互处理软件中的单纯型定位方法进行定位,直达波是参与定位的主体。本文通过对甘肃台网记录到的71个浅源近震进行分析,得到甘肃地区震中距与震源深度的比值和定位误差之间的统计关系。     

基于深度学习模型的广州市大气PM2.5和PM10浓度预测

精准预测大气污染颗粒物PM_2.5、PM₁₀浓度能为大气污染防治提供科学依据,但目前较多PM_2.5和PM₁₀浓度预测在缺少污染源排放清单和能见度数据时,预测精度不高。而目前深度学习模型应用于PM_2.5和PM₁₀浓度预测的研究还鲜见报道。基于广州市2015年6月1日—2018年1月10日的空气质量和气象监测历史数据,分别构建了随机森林模型(RF)、XGBoost模型2种传统的机器学习模型和长短时记忆网络(LSTM)、门控循环单元网络(GRU)2种深度学习模型,并对广州市的PM_2.5、PM₁₀日均浓度值进行预测。结果表明:在缺少污染源排放清单和能见度数据时,4种模型也能较好地预测PM_2.5、PM₁₀日均浓度。根据MSE、RMSE、MAPE、MAE和R2等评价指标,对4个模型的PM_2.5、PM₁₀预测效果进行测评,得出深度学习GRU模型预测效果均为最佳,RF模型的预测结果均为最差。相比目前研究及应用较多的RF模型、XGBoost模型、LSTM模型,基于深度学习的GRU模型能更好地预测PM_2.5、PM₁₀浓度。     

基于深度卷积神经网络的场地污染非线性反演方法

提出了将Sobel边缘检测算子与深度卷积神经网络（CNN）算法结合的方法（E-ConvNet），用于污染场地的ERT反演过程.通过Sobel算子提取污染区域视电阻率数据的边缘特征作为CNN的先验信息，提高E-ConvNet的计算效率及识别精度.在5种理论模型（单异常体、双异常体及含双异常体的层状结构）和现场实例上测试了E-ConvNet算法的性能，并与最小二乘算法（LS）比较.测试结果表明：E-ConvNet能够准确识别污染处的面积、位置及阻值，其识别精度和计算效率均优于LS.E-ConvNet的单异常识别准确率为81.8%~84.9%，而LS则仅为9.6%~36.2%；多异常识别准确率为68.6%~84.4%，LS仅为2.8%~27.6%；E-ConvNet用时约为112~190ms，LS耗时为6000~7000ms.因此，在污染场地调查工作中，E-ConvNet能够准确高效地反演出污染区域的位置及范围，为开展后续评估/修复工作提供技术支持.     

便携式分光光度法快速测定水中铬方法研究

对3种便携式分光光度计快速测定水中铬的方法进行了优化和比对研究。结果表明:JH916检测仪快速测定水中铬的方法检出限(0.006 mg/L)低于ZZW-Ⅱ测试仪和PORS-15V光谱仪的方法检出限(分别为0.07 mg/L和0.03mg/L),在突发性环境污染事故应急监测中,JH916检测仪具有相对较高的灵敏度。ZZW-Ⅱ测试仪和JH916检测仪快速测定水中铬的方法精密度相近,其测定结果相对标准偏差(RSD)均未超过6.4%(n=6),PORS-15V光谱仪快速测定水中铬的方法精密度稍差,其相对标准偏差(RSD)最大值为13%。测定实际样品时,加标回收率分别为77.5%~110%(ZZW-Ⅱ测试仪)、78.0%~108%(PORS-15V光谱仪)、80.0%~95.0%(JH916检测仪)。3种便携式分光光度计与实验室分析方法相比,测定结果相对偏差较大,相对偏差最大值分别为-27%(ZZW-Ⅱ测试仪)、-11%(PORS-15V光谱仪)、-15%(JH916检测仪)。     

不同深度学习模型在餐厨垃圾类型识别中的应用与比较

厨房产生的尾菜垃圾以及餐后垃圾在质地上差异较大,预处理环节若不能有效识别餐厨垃圾的类型,进而采取合适的工作参数,经常导致减量化处理设备处理效果差甚至无法正常进行的问题。针对尾菜垃圾和餐后垃圾在图像上的差异,对不同季节的蔬菜产生的尾菜垃圾以及不同饮食风格下产生的餐后垃圾进行图像采集和处理,在此基础上采用ResNet18作为基础网络,引入注意力机制设计1个全新深度学习模型进行餐厨垃圾识别,并用ResNet18、ECANET+ResNet18、SENET+ResNet18、SANET+ResNet18模型进行对比。结果表明：上述4种网络模型均有较高的准确率。准确率分别为96.73%、97.10%、97.28%和96.92%;损失率分别为4.35%、4.11%、3.76%和4.17%;在训练时间方面,ECANET+ResNet18的训练时间最短,比ResNet18快350 s。ECANET+ResNet18网络有效提高了ResNet18网络的性能,达到了最高准确率和最小的损失率,能够满足餐厨垃圾的机器识别要求。     

二类水体短波红外波段大气校正方法的改进

海洋水色遥感技术在海洋生态环境研究中越来越受到重视.大气校正是海洋水色遥感中的一个关键问题,短波红外波段(SWIR)方法是目前在二类水体大气校正中应用较多的一种方法.现有的SWIR方法假设在对数坐标下,大气校正因子在外推波段与基准波段间按线性关系变化.当波段跨度不大时,这一线性近似与辐射传输模型模拟结果相符,而当波段跨度较大时,则存在一定差异.针对这一问题,本文采用分段外推的方法,修正了大气校正因子,对SWIR方法进行了改进.同时,选取2010年10月4日和2012年4月4日两景渤海海域的MODIS遥感图像,先引入浑浊度来分析渤海海域水体清洁程度,进而在区分出的二类水体区域分析改进方法的效果.结果表明,改进后方法的结果比原方法整体偏小,在渤海区域的差异在1%~15%之间.在卫星遥感数据的反演中有必要关注这一问题.     

污水回用的深度处理方法及其应用

水资源是一项重要的自然资源,所以必须加强对水资源的回收利用,以此提高水资源的利用率,因此本文主要探讨了污水回用的深度处理方法及其应用