矿产资源开采中的供地方式

矿山企业是用地大户，往往也是占用耕地、污染环境、破坏生态的大户 　对矿山企业用地实行有偿使用，并由其对占用的耕地进行复垦，对污染的环境进行治理，是用 地制度的一项改革。但这一改革还不尽完善，使矿山企业面临诸多新的矛盾 　如何完善矿产资源开采中的土地供应方式，作者的一些设想颇有见地     

利用非线性极值设计军事交通线

无论是军事专用道路的规划或是急造军路的设计,要考虑的因素有许多,如地理环境、时间距离、运费率距离等等。本文从时间距离和运费率距离(两者均称为经济距离)出发,在一定的地理条件下,利用非线性极值对军事交通线的规划进行数学描述。 一、两类军事交通线的衔接问题 以海陆军事交通线为例(如图1),军事地A位     

气候波动在我国近期湖泊变化中的作用

19世纪晚期以来,我国大多数湖泊都表现出湖水位的强烈波动变化。低湖面期发生在本世纪初至30年代及自60年代以来时期;而在本世纪40年代湖泊水位普遍比现代要高出2—4米。大多数的研究者都将湖水位的这种变化,尤其是60年代以来的水位下降,归咎于人类活动的影响。但是,本文的研究表明自60年代以来,我国仍有些地区河湖水位上升,并且这些地区人类活动影响也十分强烈;而在青藏高原,尽管人类活动影响微弱,湖水位却下降强烈。进一步的分析证实河湖水位变化与降雨量变化的地区差异一致;并且变化强烈区呈东北——西南向带状分布,与控制我国主要降雨量分布的极锋位置平行一致。在时间上,40年代前后的高湖面期,同时也是气温和降雨量明显偏高的所谓“20世纪温暖期”。     

MATLAB在运用系统建模处理南海气象数据过程中应用

介绍了MATLAB语言特点和系统建模方法的基本理论.根据南海气象数据的实际建模处理过程,给出了建模的详细步骤及其MATLAB实现过程以及MATLABTM的主要实现程序.试验讨论和结果表明利用MATLAB语言可以方便地对南海气象数据用系统建模方法进行建模和处理,MATLAB在运用系统建模法处理南海气象数据方面具有明显的优越性.     

基于噪声随机模型的加权观测融合方法

信息融合技术中,在各局部传感器的有色观测噪声为一阶AR模型的情况下,可以利用观测扩增方法消除有色噪声的影响,得到最优加权观测融合方程,从而实现状态的最优滤波解。对于有色观测噪声为MA或ARMA模型的情况,观测扩增方法不再适用。提出了基于有色观测噪声随机模型级数展开的方法,求解出各局部传感器有色观测噪声的方差,并利用该方差对加权观测融合滤波器进行了构造。通过计算实例证明,该方法不仅适用于观测噪声为AR模型,同时适用于噪声MA或ARMA模型。     

重庆地面最高气温与最大风速年极值的渐近分布

利用重庆1951-1990年间地面最高气温和1956-1990年间地面最大风速年极值的记录,采用韦伯分布和耿贝尔分布分别对其渐近分布进行拟合.通过统计推断,找出重庆地面最高气温和地面最大风速年极值遵循的最佳渐近分布--韦伯分布.     

干旱威胁乌干达经济增长和渔业出口

近期,一场罕见的持续干旱袭击了乌干达,它导致乌境内各主要水电站水位均偏低,水电供应紧张。由于干旱与接踵而至的电力能源危机,该国本财政年度国家经济增长指数将可能受到影响。专家警告说,由于接二连三的恶劣天气条件,乌干达2005～2006财政年度的GDP增长率有可能将创下十几年     

SIMULATION AND PREDICTION OF DEBRIS FLOW USING ARTIFICIAL NEURAL NETWORK

Debris flow is one of the most destructive phenomena of natural hazards. Recently, major natural haz-ard, claiming human lives and assets, is due to debris flow in the world. Several practical methods for forecasting de-bris flow have been proposed, however, the accuracy of these methods is not high enough for practical use because of the stochastic and non-linear characteristics of debris flow. Artificial neural network has proven to be feasible and use-fill in developing models for nonlinear systems. On the other hand, predicting the future behavior based on a time se-ries of collected historical data is also an important tool in many scientific applications. In this study we present a three-layer feed-forward neural network model to forecast surge of debris flow according to the time series data collect-ed in the Jiangjia Ravine, situated in north part of Yunnan Province of China. The simulation and prediction of debris flow using the proposed approach shows this model is feasible, however, further studies are needed.