植物叶片生化组分遥感反演的主成分变换算法

主成分分析(PCA)算法是一种常见的高光谱数据特征提取方法。针对PROSPECT辐射传输模型反演问题,尝试了两种PCA算法来对高光谱数据进行变换,进而反演植被生化组分含量。反演结果表明:两种PCA反演算法均能对传统反演算法中干物质难反演的问题有所改善;分块主成分算法比全局主成分算法具有更好的反演效果。     

一种基于高光谱遥感数据的植被LAI反演算法

针对高光谱遥感数据反演叶面积指数(LAI)的问题,提出了基于主成分变换(PCA)的综合反演算法。研究表明,利用变换后的高光谱数据建立的神经网络反演模型具有更好的泛化性,提高了实测数据的反演稳定性和精度,同时加快了反演速度。     

卫星钟差预报模型的分析与比较

为了分析二次多项式模型(QP)、灰色模型(GM(1,1))、时间序列模型(ARIMA)以及小波神经网络模型(WNN)这4种模型钟差预报的效果,采用GPS提供的RTS精密钟差数据作为实验数据,通过不同数量的建模数据对4种常用模型进行建模;并预报接下来的30 min和1 h两个时长的钟差数据.据此对4种模型的钟差预报效果进行分析和比较,总结了各模型预报钟差的优点与不足.     

基于高光谱数据和RBF神经网络方法的草地叶面积指数反演

基于中国农业科学院在呼伦贝尔草原实测的120组草地冠层光谱反射率及相应的叶面积指数(LAI)数据,在进行主成分分析(PCA)实现降维处理的基础上,利用径向基函数(radial basis function,RBF)神经网络方法对草地LAI进行了高光谱反演研究.PCA结果表明,前9个主成分的累积贡献率达到了99.782％,能包含原光谱数据的绝大部分信息.将120组LAI及相应的9个主成分样本数据随机分为校正集数据(90组)和预测集数据(30组),分别用于神经网络模型的建立和LAI的预测.所构建的神经网络模型的模拟结果表明,RBF神经网络模型对校正集样本的模拟准确率达到100％(RMSE =0.009 6,R2 =0.999);预测集样本的实测LAI和模拟LAI之间的均方误差和决定系数分别为0.218 6和0.839,取得了较好的模拟效果,有效提高了传统的多元线性回归方程(RMSE =0.416 5,R2=0.570)的计算精度.     

加权GM(1.1)模型在地铁沉降监测中的应用

GM(1,1)模型中的新数据的重要性远远大于那些陈旧的数据,然而,传统的GM(1,1)模型数据的累加并没有体现出新数据的重要性.通过对广州地铁五号线沉降监测数据进行处理,分别建立传统的GM(1,1)模型和加权GM(1,1)模型,对两种模型进行分析与预报,比较的结果验证了加权GM(1,1)模型在地铁沉降变形分析中的有效性、实用性和正确性.     

灰色卡尔曼滤波在沉降监测中的应用

在卡尔曼滤波的状态方程中加入GM(1,1)模型形成灰色卡尔曼滤波。分析了该方法在沉降监测数值分析中的预报作用,并探讨了其中GM(1,1)模型数据序列长度的选择。在利用模拟数据进行验证后,认为这种新型的卡尔曼滤波方法的确有所改善。     

非差模型与双差模型的定位精度比较

为了分析高精度GNSS数据处理中常用的双差模型和非差模型定位性能的差异,选取ITRF核心站组成长度不同但相对位置长期不变的基线,对2013年全年的有效数据分别采用两种模型进行解算,分析两者的相对坐标差异。结果表明:全年数据的非差解与双差解相对坐标的三维偏差序列的标准差达到8.2 mm,非差解与双差解存在定位偏差;非差解的相对坐标全年数据时间序列的平均标准差是(5.6,4.5,5.4) mm,而双差解是(3.4,3.1,4.0) mm,双差模型的解算精度和稳定性整体优于非差模型;随基线的增长,双差模型的差异呈现累积性,而非差模型的差异基本无变化,如42 m超短基线STJ2-STJO非差解和双差解全年数据的标准差分别为(6.2,4.8,5.7) mm和(3.0,2.9,3.0) mm,而487 km长基线HERS-WSRT则是(5.7,4.5,5.4) mm和(4.7,2.8,4.7) mm。     

GPT／2模型用于 GPS 大气可降水汽反演的精度分析

气象参数(温度T、气压P)是GPS大气可降水汽(PWV)反演中必不可少的数据,也是PWV反演的重要误差源之一。文中主要对GPT/2(GPT、GPT2)模型用于PWV反演的精度进行验证和分析。基于非差精密单点定位(PPP)技术,选取SuomiNet网9个测站的观测数据,借助研制的PPP软件,分别采用GPT模型、改进的GPT2模型以及测站实测气象数据进行大气可降水汽(PWV)反演。以实测气象数据处理结果为参考,对两种模型解算的PWV进行了对比和精度分析。结果表明:改进的GPT2模型优于GPT模型,尤其是当测站的高程较大时,GPT2模型的稳定性更优、适用性更广;采用GPT2模型解算的PWV偏差均值小于±1.0mm,精度(RMS)优于±1.5mm。在缺少实测气象数据的情况下,利用GPT2模型数据仍然能够取得较为理想的PWV反演结果。     

主成分分析模型及在变形监测中的应用

随机误差和多径效应作为GPS变形监测中的主要误差源,严重影响着GPS测量精度。针对这一问题,本文将主成分分析(Principal Component Analysis,PCA)模型引入GPS变形监测领域,首先利用传统PCA方法将测量数据转换至特征空间,通过剔除小特征值对应的特征向量实现对高斯分布随机噪声的抑制,然后将多径噪声作为色噪声进行分析,提出一种广义PCA方法利用多径噪声的时间相关性对其进行滤除,基于实际工程测试数据的实验结果表明,相对于传统的小波噪声抑制方法,所提方法可以获得更好的噪声抑制性能。     

MISR和MODIS二向性反射数据产品的对比分析

利用4种地表类型共16个地面站点的MISR 9个角度反射率数据产品和MODIS反射率数据产品(MOD09A1), 对比两种传感器获取的地表方向反射观测数据和用BRDF模型参数产品计算的方向反射数据, 分析了这两种BRDF模型参数的外推能力。研究结果表明: (1) MISR和MODIS BRDF模型参数数据产品都具有一定的对观测数据以外方向反射的外推能力, 相比用MISR BRDF模型参数数据外推到相应MODIS观测角度方向反射的结果一致性较强。(2) 采用两种BRDF模型参数推算的方向反射率与观测数据的接近程度有随观测天顶角的增大而减弱的趋势, 在观测天顶角较小时一致性较好。(3) 所用数据处理结果显示, MODIS BRDF模型参数数据产品在近垂直主平面方向反射率推算结果相比近主平面方向的推算结果更接近观测数据。     

ZigBee网络中RSSI的测距模型分析

本文在分析常规的RSSI对数模型下,提出一个新的路径损耗因子动态变化模型(N-Model):在室外空旷地带用ZigBee节点获取RSSI数据,分别用对数模型、多项式模型以及本模型做曲线拟合,结果表明在短距离(15m)情况本模型优于另两种模型。在中长距离(15m～110m)的情况下,多项式模型能达到较好的效果。     

三种对流层延迟模型的精度对比

针对不同对流层延迟模型的改正精度不同的问题,该文采用3个IGS站BJFS、SHAO、WUHN的2014年对流层天顶总延迟数据以及地面气象数据,对目前常用的3种对流层延迟模型:霍普菲尔德(Hopfield)、萨斯塔莫宁(Saastamoinen)、欧洲地球静止导航重叠服务(EGNOS)的精度进行了分析。结果表明:Saastamoinen和Hopfield模型的精度相当,EGNOS模型精度略差于其余两种模型,但能满足GNSS米级的定位要求;在气象条件变化剧烈时,EGNOS模型精度不如实测地面气象数据的Hopfield和Saastamoinen模块。     

附加主方向判定的PCA点云数据初始配准算法

针对标准主成分分析(principal component analysis,PCA)算法配准未顾及不同点云数据集的主方向一致性造成的配准失真问题,基于空间向量理论提出一种附加主方向判定和调整的改进主成分分析点云数据初始配准算法,给出了该算法原理,在标准PCA算法基础上附加了主方向一致性判定条件,对不同点云数据集的方向采用向量积进行判定和调整,以保证点云初始配准的正确性.模拟实验结果表明:标准PCA配准算法未顾及不同点云数据的方向,致使配准结果出现错误,而附加主方向判定的PCA配准算法顾及了不同点云数据的方向而得到了正确的配准结果,可为后期点云数据的精确配准提供良好的初始位置.     

GPS坐标时序共模误差提取方法研究

针对GPS坐标时序数据中存在的共模误差(CME),研究利用堆栈滤波(SF)、网络反演滤波(NIF)和主成分分析(PCA)三种方法进行剔除,以提高GPS监测区域地表位移的精度. 通过构建GPS坐标时序模型,去除明显构造运动,提取噪声残差时序,将隐含在噪声残差时序中的区域CME利用SF、NIF、PCA方法提取出来. 以日本房总半岛2019—2021年GPS坐标时序为例,比较三种方法和GPS站点空间分辨率对CME提取的影响,分析CME去除前后慢滑移地表位移的变化. 研究结果表明:SF、NIF、PCA方法提取CME的结果基本一致;GPS站点空间分辨率降低,提取的CME离散度增大;CME对慢滑移地表水平位移的大小和方向均会产生影响,需进行剔除.      

GM(1,1)病态问题求解的调整计量单位法

分析了GM(1,1)模型中信息矩阵产生病态的原因,提出调整实测数据计量单位来降低信息矩阵的条件数。根据GM(1,1)模型原理,证明了调整实测数据计量单位不会影响模型的相对残差、平均残差及预测精度。数值实验分析结果表明,调整计量单位法是一种简单、易实现且精确解决GM(1,1)模型病态问题的实用方法。     

基于GIS和PCA的住宅房产特征价格模型

本文针对房产特征价格估价模型特征变量量化和函数拟合不准确的问题,提出了基于GIS和PCA建立住宅房产特征价格模型的思路:利用GIS管理分析功能辅助特征变量量化,避免了量化的主观随意性,提高量化精度;利用PCA方法提取房产特征变量量化值的主成分,然后进行拟合分析,从而解决函数拟合中变量相关性问题,提高了函数拟合准确性;以构建的模型为基础开发了房产估价决策支持系统软件,最后利用该软件系统对赣州房产进行估价实践,表明该模型能有效提高房产估价精度和可信度。     

基于灰色幂模型的施工地表沉降预测方法

灰色模型是沉降预测的常用方法,具有预测时间长、所需数据少的优点,针对不同的数据特点可以与其他模型进行结合以提高模型预测精度。灰色幂模型NGBM(1,1)即非线性灰色伯努利模型,在经济分析、天气预测等方面已经有较多应用,但在沉降领域应用较少。针对此问题,本文在灰色模型的基础上分析灰色幂模型的计算方法,并结合实例数据进行分析,结果表明,幂函数模型的平均相对误差仅为5.99%,后验差与小概率分布均为一级,具有较高的精度。     

三维城市模型中建筑物LOD模型研究

建筑物模型在三维城市模型(3DCM)中占有相当大的比重,建筑物模型多细节层次(LOD)的建立和表达直接关系到三维城市模型的整体显示效率和真实表现力,是三维城市模型的重要研究内容之一。本文从建筑物模型的纹理特征和几何结构出发,论述了建筑物LOD模型的建立原则,并从应用角度就建筑物各个细节层次模型的特点、应用范围与数据获取等方面进行了分析。     

平稳自回归模型在高层建筑沉降预测中的应用

首先介绍了平稳自回归模型-AR(p)模型,然后将该模型应用到高层建筑沉降预测实例中,通过沉降实测数据与预测数据进行对比分析,其结果均满足精度要求,表明:AR(p)模型在高层建筑的沉降预测中具有很好的适用性。     

GM-AR模型在城市地面沉降预测中的应用

随着城市的现代化进程,地面沉降已广泛发生在世界各地,给人民生活和社会发展造成极大损失.GM(1,1)模型作为经典的地面沉降预测方法,不适用于随机型数据预测.将AR模型与GM(1,1)组合成GM-AR模型对城市地面沉降数据进行预测,预测值残差小于GM(1,1)模型,未来2、3期预测值小于1 mm,且趋势线更贴近实测值,效果优于传统的GM(1,1)模型.