利用射电源位置残差解算章动系数的改正

章动序列的不准确引起春分点和黄赤交角的变化，直接影响到射电源的赤经、赤纬。利用IRIS网五天一组的VLBI观测资料，我们解算了定组观测的13颗射电源的赤经、赤纬，从射电源的位置残差解算出黄经章动和交角章动的改正，并估算了章动周年项（365.3天）和半年项（182.6天）的系数改正及自由核章动的振幅。     

GPS现代化后L2载波的定位精度研究

利用实际采集的数据,从信噪比和定位残差上分析了L2载波的数据质量,指出GPS现代化后,用L2C码恢复的L2载波信噪比明显提高,与L2载波信噪比接近,两者的差值仅在5 dBHz以内;用L2 C码恢复的L2载波比GPS现代化前的L2载波的信噪比更加稳定,不容易受卫星高度角的影响;同时利用L2 C码恢复的L2载波的定位残差比没有L2 C码的L2裁波小,定位精度明显提高.     

卡尔曼滤波可靠性分析及其在动态GPS定位中的应用

从预测残差入手，通过假设检验，给出了卡尔曼滤波内外可行性量度，并将其和模型偏差分离估计递推公式引入ＧＰＳ动态定位之中。通过对ＷＡＤＧＰＳ用户站的动态数据处理得到了一些结论。     

灰色预测模型在径流长期预报中的应用

基于灰色系统的建模理论，利用河西地区有关河流的径流观测资料，建立了一个ＧＭ（１，１）残差序列周期修正径流预测模型，并用于春旱缺水期３～６月河流来水量的长期预报，经生产部门验证，准确率在８０％以上     

基于深度残差网络的机载LiDAR点云分类

机载LiDAR点云的分类是利用其进行城市场景三维重建的关键步骤之一。为充分利用现有的图像领域性能较好的深度学习网络模型,提高点云分类精度,并降低训练时间和对训练样本数量的要求,本文提出一种基于深度残差网络的机载LiDAR点云分类方法。首先提取归一化高程、表面变化率、强度和归一化植被指数4种具有较高区分度的点云低层次特征;然后通过设置不同的邻域大小和视角,利用所提出的点云特征图生成策略,得到多尺度和多视角点云特征图;再将点云特征图输入到预训练的深度残差网络,提取多尺度和多视角深层次特征;最后构建并训练神经网络分类器,利用训练的模型对待分类点云进行预测,经后处理得到分类结果。利用ISPRS三维语义标记竞赛的公开标准数据集进行试验,结果表明,本文方法可有效区分建筑物、地面、车辆等8类地物,分类结果的总体精度为87.1%,可为城市场景三维重建提供可靠的信息。     

STPIR和MW组合的北斗三频周跳探测与修复

针对载波相位观测值中出现周跳的问题及北斗卫星导航系统全星座播发三频信号的现状,提出一种三频相位电离层残差二阶历元差分(STPIR)的算法,克服了传统电离层残差法受观测数据采样间隔影响较大的问题,联合MW组合观测量进行周跳探测又可避免各自的探测盲区。两种组合观测量均很好地削弱了电离层延迟项的影响,联立方程组进行周跳求解时,直接取整即可得到周跳值。通过北斗三频实测数据验证,提出的组合方法在观测数据采样间隔较大时,可以准确探测出所有周跳,并有效修复。     

基于机器学习的高精度高分辨率气象因子时空估计

气象变量常作为重要的影响因子出现在环境污染、疾病健康和农业等领域,而高分辨率的气象资料可作为众多研究的基础数据,对推进相关研究的发展意义重大。本文以中国大陆为研究区域,利用2015年824个气象站点的气温、相对湿度和风速3套数据,结合不同的解释变量组合,分别构建了各自的GAM和残差自编码器神经网络（简称残差网络）模型,以10倍交叉验证判断模型是否过拟合。研究结果表明：① GAM和残差网络方法都不存在过拟合问题,同GAM相比,残差网络显著提高了模型预测的精度（3个气象因素的交叉验证CV R²平均提高了0.21,CV RMSE平均降低了37%）,其中相对湿度模型的提升幅度最大（CV R²:0.85 vs. 0.52,CV RMSE:7.53% vs. 13.59%）;② 残差模型的结果较普通克里格插值结果和再分析资料更接近站点观测数据,表明残差网络可作为高分辨率气象数据研制的可靠方法。此外,研究还发现在相对湿度模型中加入臭氧浓度和气温、在风速模型中加入GLDAS风速再分析资料,可提升模型的性能。     

广义残差地形模型及其在局部重力场逼近中的应用

研究了残差地形模型中的非调和性问题,比较了基于棱柱体和球冠体的积分模型,提出了基于球冠体积分的广义残差地形模型。以泊松小波径向基函数为构造基函数,结合广义残差地形模型,融合多源实测重力数据构建了局部区域重力场模型。研究结果表明:基于棱柱体积分的残差地形模型精度较低,在山区可能引入毫伽级以上的误差,建议采用更为接近真实地形表面的球冠体积分模型。相比于原始的残差地形模型,基于球冠体积分的广义残差地形模型能更为精确地逼近局部重力场模型中地形因素引起的高频效应。     

基于多尺度特征融合网络的云和云阴影检测试验

基于深度学习的高分辨率光学影像云检测过程中,云和云阴影及其边缘细节丢失较为严重,主要原因在于不同尺度空间语义信息特征融合存在不足。针对该问题,本文构建一种基于深度学习的多尺度特征融合网络（Multi-scale Feature Fusion Network, MFFN）的云和云阴影检测方法,该算法结合防止网络退化的残差神经网络模块（Res.block）、扩大网络感受野的多尺度卷积模块（MCM）和提取并融合不同尺度信息的多尺度特征模块（MFM）。试验表明,本算法能提取丰富的空间信息与语义信息,可取得较为精细的云与云阴影掩模,具有较高检测精度,其中云检测准确率达0.9796,云阴影检测准确率达0.8307。同时,该工作可为深度学习技术应用于业务云检测提供理论支持及技术储备。     

基于数据质量分析的TECR周跳处理算法

针对电离层活跃期或磁暴发生时,现有周跳探测算法未能正确探测并修复周跳的问题,提出了基于数据质量分析的电离层总电子含量变化率（以下简称电离层速率,TECR）拟合残差算法。通过对电离层拟合残差进行数据质量分析,可自适应确定最优拟合历元数,利用此历元数拟合得到的TECR拟合值可有效削弱电离层延迟影响。为保证周跳修复的准确性,采用搜索再判定与TECR补充检测方法对周跳修复值进行验证与确认。通过高电离层延迟条件下的实测数据对本文算法进行验证分析,实验结果表明该方法能够消除电离层延迟影响,实现电离层活跃期时的周跳探测与修复。