基于热异常信息与BP神经网络的中强地震预测试验

地震预测是地震科学研究的主要领域之一。震前热异常现象(地表温度异常升高)普遍存在并且与地震三要素有复杂的非线性关系。文中结合神经网络的优点,提出将热异常信息作为地震预测的信息源,通过构建神经网络,进行地震预测的思路,并进行了试验。基于8d合成的1km分辨率的MODIS数据,利用RST算法提取震前热异常信息,在分析震前热异常信息时空变化的基础上,确定出BP神经网络的结构,利用该网络对中国及周边100个5级以上震例,以及70个随机无震样本进行训练和仿真。试验结果表明,通过RST算法提取的震前热异常指数值,用于BP神经网络地震预测是可行的,其预测的试验结果刻画出了地震要素与热异常值间的非线性相关性。未来预测区域范围的选取以及神经网络中隐层神经元的数量将对地震预测效果产生较大的影响。     

统计模型与滤波算法的地表温度重建方法探讨

针对当前基于被动微波遥感重建地表温度的统计方法难以实现大面积复杂下垫面区域数值重建的问题,提出了基于统计模型与滤波算法联合的地表温度重建方法。从时间序列角度探索地表温度与地表亮温的相关性,建立二者之间的统计模型,不需要进行地物分类,能有效避免下垫面复杂度对重建精度的影响;遍历像元,实现对大面积区域的数值重建。此外,采用滤波算法对基于统计模型的结果进行改正,利用地表温度时间序列的周期性进一步控制反演误差。针对MODIS地表温度产品重建的实验结果表明:所提算法精度明显提高,可用于各类下垫面覆盖区域的地表温度重建。     

MODIS_LST与AMSR-E_BT的相关性及地表温度反演

本文以2007年和2008年MODIS每日地表温度（LST）数据及AMSR-E地表亮温（BT）数据为研究对象,结合土地覆盖类型数据,统计分析MODIS_LST与AMSR-E_BT在不同土地覆盖类型、频率和极化方式条件下的相关性。结果表明,频率在18.7、23.8和36.5 GHz的AMSR-E-BT与MODIS_LST的相关性较大,且在垂直极化通道上的相关性较在水平极化上大;不同土地覆盖类型,与MODIS_LST相关性较大所对应的AMSR-E微波通道不同。同时,考虑混合像元问题对相关性的影响,对25种不同地物类型组合下MODIS_LST与AMSR-E-BT的相关性进行统计分析,发现混合像元中地物类型越多,则二者相关性越小。最后,采用多元线性回归分析法,根据不同土地覆盖类型建立反演回归模型,对部分研究区域MODIS-LST进行反演,误差平均在±3.15 K以内,与不考虑下垫面覆盖的模型比较,反演MODIS_LST精度平均提高了1.5 K。     

基于DBnet和众筹策略的气象纸质表格快速数字化方法及系统

气象纸质表格历史资料有很高的科学研究价值和很重要的历史保留意义。数字档案通过数字化的方式将纸质原始资料进行收集、保存和提供各类数字信息资源。本文提出了一种“纸质表格扫描成像”+“图像碎片化处理”+“众筹识别”的快速数字化方法及系统，利用气象大数据资源，应用DBnet模型、DSCC算法等技术对纸质气象表格扫描图像进行图像碎片处理；通过用户的登录行为实现“众筹录入”，完成气象纸质表格资料的数字化档案工作。经验证，快速数字化系统的一录正确率约为99.7%，高于传统数字化人工键入的一录正确率（95.6%）；录入时效比传统数字化提高了22.2%。该系统保证了数据正确性、提高了工作效率，实现了气象纸质表格资料快速形成数字档案的目标，也为数字档案工作提供了新的思路；在新冠疫情导致传统数字化人工聚集工作模式面临较大风险的背景下，具有一定的现实意义。