多核并行计算在地形因子计算中的应用

为了满足地理国情监测中地形统计指标的高性能计算需求,该文提出在多核计算环境下将地形因子串行计算进行并行化的方法:通过对串行算法耗时部分进行线程级并行化改进,尽可能使计算过程中的线程负载均衡、计算任务的分配更加均匀,从而有效提升程序运算效率。试验对比了不同地形因子算子在计算栅格数据时串行方式和并行方式的执行效率差异,测试结果表明,并行算法在单机16核环境下的计算效率提升明显。     

顾及空间异质性的自回归模型应用研究

针对传统的空间自回归模型拟合精度较低且无法顾及空间异质性的问题,该文提出了改进的地理加权自回归模型。并以北京市住宅小区特征价格数据为例,利用探索式空间数据分析方法分析住宅价格数据的空间自相关性,探讨其时空演变特征;建立了空间自回归模型、地理加权回归模型和地理加权自回归模型,并在模型之间进行精度对比和分析。实验结果表明:北京市住宅价格具有明显的空间相关性与空间集聚特征;由于综合考虑了空间自相关性和空间异质性,地理加权自回归模型不仅能大幅度提高模型的拟合优度和解释能力,还能更好地揭示住宅价格的空间变化规律,为数据的空间探索提供了新的方向。     

顾及空间异质性的自回归模型应用研究北大核心CSCD

针对传统的空间自回归模型拟合精度较低且无法顾及空间异质性的问题,该文提出了改进的地理加权自回归模型。并以北京市住宅小区特征价格数据为例,利用探索式空间数据分析方法分析住宅价格数据的空间自相关性,探讨其时空演变特征;建立了空间自回归模型、地理加权回归模型和地理加权自回归模型,并在模型之间进行精度对比和分析。实验结果表明:北京市住宅价格具有明显的空间相关性与空间集聚特征;由于综合考虑了空间自相关性和空间异质性,地理加权自回归模型不仅能大幅度提高模型的拟合优度和解释能力,还能更好地揭示住宅价格的空间变化规律,为数据的空间探索提供了新的方向。     

基于GIS的流域洪涝数字模拟和灾情损失评估的研究

非工程防洪措施是减缓洪涝灾害损失的有效方法之一。地理信息系统和遥感技术使多学科综合性的非工程防洪措施成为现实。本文从流域数据库设计、洪水预警数字模拟、河道洪水演进数字模拟、洪泛区洪水演进数字模拟、灾民疏散模型和洪水灾情损失评估等６个方面，系统阐述了地理信息系统在流域洪涝数字模拟和灾情损失评估上的应用，为今后开展同类工作提供了参考。     

洱源西湖风光美

在云南省洱源县右所乡西部，佛钟山麓，镶嵌着一颗光彩夺目的高原明珠─—西湖。它是洱源县著名的游览胜地。洱源西湖，属高原断陷形的淡水湖泊。湖面海拨1967米，湖水面积119平方公里，公里，南北长4公里，东百最宽25公里，最窄为0．25公里，湖岸线长13公里。平均水深1．8米，最深为8．3米。是集养鱼、植荷产菱、畜水灌溉、旅游观光的理想湖泊据《浪穹县志》载：“其东为堤，为往来大道，湖在道西，故名西湖。”又“湖虽小，与钱塘者仿佛，故取其名以名之。”西湖湖水清澈如镜，微风习习，碧波荡漾。四周峰峦拥秀，绿水青山。湖中菱荷，花…     

干旱对平凉地区农业生产的影响

引　言平凉地区位于甘肃省东南部 ,属暖温带内半干旱半湿润的黄土高原沟壑区 ,年平均降水量为 479～ 6 38ｍｍ ,农作物主要生长期( 4～ 1 0月 )降水量占年降水量的 92 % ,年蒸发量为 1 30 0～ 1 5 0 0ｍｍ ,年平均温度为 7.1～ 1 0 .0℃。该区雨季相对集中 ,水热同季 ,光照充足 ,主要农作物有小麦、玉米、糜、谷、洋芋、油料和其它多种经济作物。但是由于自然灾害发生频繁 ,尤其是不同季节的干旱对农业生产的影响更为严重。因此 ,了解和研究干旱发生、发展、变化特点 ,无疑对指导当地农业生产有很重要的意义。1　干旱的基本特点及服务指标1 …     

西安市决策气象服务系统

“西安市决策气象服务系统”于2003年10月开发完成，并投入业务试运行。2004年9月通过陕西省气象局验收，正式投入业务使用。该系统操作简单方便，通过收集、整理实时降水、气温、农气情报，统计历史降水、气温等气象信息，并对其进行图形化、表格化处理，能够快速、直观、全面的提供决策气象服务所需要的气象信息和服务产品，在为地方政府指挥防灾减灾、发展社会经济提供决策气象服务工作中发挥了重要作用。     

西安市大降水的气候特征分析

使用1971—2000年西安市7个气象站的逐日降水资料,统计分析西安大降水的时空分布特征。结果表明:西安地区的大降水有阶段性,1971—1977年是多雨时段,1978—1980年是少雨时段,1981—1986年是多雨时段,1987年以后处于少雨时段,从1995年开始年大降水日数呈回升趋势;受秦岭山地的影响全区大降水分布不均,东部多西部少,南部多北部少;大降水2—11月都有发生,主要出现在7—8月;大降水大部分在1 d内结束,连续发生的较少。     

Map/Reduce框架下的粗糙集空间数据挖掘改进算法

大数据时代,传统的空间数据挖掘算法在挖掘海量空间数据信息时存在计算能力和存储能力不足的瓶颈。为解决此问题,本文在研究粗糙集基本理论和Map/Reduce框架的基础上,对传统的粗糙集空间数据挖掘算法进行基于Map/Reduce的高效、廉价的并行化改进。实验表明,在处理大数据时,改进后的模糊集并行空间数据算法能有效提高算法的效率,满足人们处理海量空间数据的需求。