摘要：针对传统鞍部识别方法中特征选择困难及未考虑鞍部与其它地形要素的共生关系等问题,利用深度卷积神经网络的特征自学习性能,提出了一种卷积神经网络与多层感知器相结合的混合模型实现DEM数据中的鞍部要素识别.首先设计改进的卷积神经网络模型自动提取鞍部的深度特征,经过Softmax分类器得到候选鞍部点,再运用多层感知器对候选鞍部点的位置进行精细回归,标识出最终的鞍部要素坐标.通过自建的鞍部样本集SADDLE-100训练网络模型,并在三种不同的山地样区进行实验,实验结果表明该方法比其它鞍部识别方法的漏提率减少约50%,正确识别率提高6.7%,在一定程度上避免了人工选择特征造成的鞍部语义信息缺失现象,为DEM中的点状要素识别提供了新的技术途径.

摘要：在隧道的建设过程中,尤其是在岩溶地区,很多隧道均遭遇了地下水灾害,研究岩溶地下水系统在隧道工程干扰下的行为是十分必要的。以重庆主城区拟建的鹿角隧道为例,分析其隧址区内水文地质条件,并建立隧址区地下水渗流模型;在此基础上,模拟隧道工程对地下水环境的影响;并采用地下水径流模数法、数值模拟法对隧道进行最大涌水量预测。结果表明:隧道施工期,地下水影响范围随时间增加而变大,开挖两年后达到最大,地下水位在隧道运营十年后趋于稳定,但难以恢复到天然状态;隧道高程越低,隧道水力传导系数越大,对地下水环境影响越大。研究结果明确了突水风险段,对隧道施工安全及设计决策提供理论及技术支撑,为运营期环境治理提供可靠判据。