������ģ������С���������ڶ�Դ���������ں��е�Ӧ��

????????С????????????????????ж???????????????????????????????????????????????????????????????????顣?????????????????С??????????????????????3.6??10????^-5??ms????^-2??????????????С???????????????????????????????????????????????????4.6??10????^-5??ms????^-2??????????????????????????????????????С?????????????????????????????п???????Ч?????     

������С���˷������������о�

?????????????????????С??????????????????????????С????в????????С????в?????????????????????????Σ??о???????С?????????????С??????????С??????????????????????ó???????????????????ó?????????     

GRACE��SLR J2 ��ʱ�����е�С������

????С????????????????С???任????CNES/GRGS??CSR??GFZ???о???????????GRACE???????λ????J2????????н???????????????????????????????SLR???????????J2????????е????????????????????????SLR??????????? J2?????GRACE J2????и???????????仯??????GRACE ???????λ???? J2???л???????161???????????????????????д?????????????S2????????????     

����������Դ���ƽ����ִ�����Ӧ�����о�

?о???1996??2005??????????52????С?????????????6????????????????????????????????????????????????????????????P???????NW????300??320???????У??????????????????????????????????????????????????????????????????????????????????仯?????????????????????????????????????NNW????????????總?????????????NWW????EW????     

���μ�����ݵ�С��������Ԥ�ⷽ��

??????μ?????????????????????????С??????????????????????С???????????????μ??????????????????????????????????ó????????б????ó?????:С??????????????μ??????????????????????Ч????     

����ǰ��Դ����λ�����о�

????С??????????????α??????????????ε??????????????????????????????μ?????????????????????????λ?????????1995???????????????????7??6????6????????????????????У????????Ч????     

������С���˷�������ά����ת���е�Ӧ��

????о???????С???????????С????????????С????????????????е???????????????????????????????У??????????????????μ?????????????????????????????????С???????????????е????????A??????????b??????????????????????????????????????????LS????????????????С??????????????????????????????????     

����С��������ֵ��������������ݶ����ݴֲ�̽�ⷽ��

????С??????????????С???????????????????????????????????????????????а???????????????????????????д??????????????????????????????????????????????????????????????97%???????     

���������׷����Ĵ������������ź���ȡ�����

???????????????SSA????С??????????????????????????????Ρ???????????????????????????????е?????????С?????????????????????????????????????????????????Ч??????????????????????????????ξ??ж????????????????????X??Y????????????????????????????￡??????????г????     

����CCD΢С�ߴ������Ӧ�ü�������

????????CCD??????????????С????????????巽???? ???????????????????????CCD?????????????????????С???????????;????ò??????????????????????     

基于循环神经网络的重力异常数据推估研究

利用鄂尔多斯西南缘的重力观测数据对长短期记忆循环神经网络(long short-term memory,LSTM)进行训练,结果表明,该神经网络可基于有限的数据获取较好的推估结果.基于自由空气重力异常数据,对比分析长短期记忆循环神经网络和传统克里金方法的推估结果发现,神经网络的推估能力优于传统克里金方法,但运算效率低于...     

基于普通克里金外推的迭代维纳滤波法向下延拓

在利用普通克里金方法外推的基础上，通过频域径向平均功率谱估算噪声方差，采用迭代维纳滤波法获取较为稳定的重力场向下延拓结果，并分别利用模拟算例和实际数据进行实验。对于模拟算例，外推后的均方根误差由6.72 μGal下降到1.89 μGal，相对误差由9.26%下降到4.44%。对于实际数据，外推后延拓结果不仅可避免边缘失真现象，而且能更好地反映浅源高频异常特征信息。     

Kriging插值和序贯高斯条件模拟算法的对比分析

本文对Kriging插值与序贯高斯条件模拟值的算法联系进行了推导,并将两种计算结果和原始数据的统计参数作了对比。结果表明,Monto-carlo方法求得的序贯高斯条件模拟值经数学变换后等同于已知数据和此前模拟数据共同参与的Kriging插值结果与一个随机偏差的和,该随机偏差的均值为0,方差为Kriging误差方差。最优性条件导致Kriging插值结果的方差较原始数据降低了1个Kriging误差方差,造成Kriging平滑效应,其空间变异函数值降低,但自协方差函数值不变。序贯高斯条件模拟避免了平滑效应,其方差、变异函数和自协方差函数均不变,而其模拟值的误差方差较Kriging误差方差增加了1倍,表明1次随机模拟值的误差比Kriging插值大。然而,多次随机模拟值的平均值与Kriging插值的地理制图效果近似,可以弥补局部估值误差大的不足。因此,在应用中,Kriging插值是提供局部最优估计的方法,但却低估了全局的空间变异。而序贯高斯条件模拟的优点,在于提供若干等可能概率的模拟结果以进行估值的不确定性评价,并再现全局的空间可变性。     

�����������ƽ�������쳣��������г����

??????г????????????????????????????????????????????????????????????????????????????????????????????????????????????????????5????????????????г?????????????Stokes?????????￡????????????????????????г????????????????????????????????????????????     

数据分辨率对最小二乘配置解的影响

数据分辨率是影响地球重力场建模和大地水准面精度的重要因素。基于最小均方误差准则的频域形式探讨了最小二乘配置与数据分辨率之间的关系,给出了依赖数据分辨率的最优线性估计及其误差的一般公式。算例表明,该公式与传统配置公式的结果是一致的。     

克里格法的土壤水分遥感尺度转换

 尺度效应往往会制约着定量遥感反演的精度,对地学信息进行空间尺度转换是生产实践的必然要求,而常用的尺度转换模型多利用光谱数据进行差值计算,不适合升尺度和降尺度转换。由于土壤含水量数据具有区域变化量的随机性和结构性特点,本文以15m分辨率的ASTER图像像元为基本单元,采用点克里格法完成ASTER 15m至7.5m分辨率的土壤含水量数据降尺度转换,从分维数的相似程度上来看,转换结果是合理的;并利用块状克里格法对地面实测样点数据进行点到7.5m分辨率的面数据升尺度转换,将升尺度和降尺度转换结果与实测样点均值相比较,结果表明:7.5m分辨率的实测样点土壤水均值误差在1.5782-5.019之间,块状克里格法获取的升尺度土壤含水量数据与点克里格法获取的降尺度土壤含水量数据之间误差则为1.2825-5.0481,可见克里格法考虑了点与周边的关系,所获得的土壤含水量值要优于未考虑空间异质性的土壤含水量平均值。     

�����������񻯷����Ƚ�

???Shepard???????????????????????????????Kriging????????????????п???????????????????????????????????????ε?????????????????????÷?Χ??????3????????б???????????1??????????????????????????????????????????????????2?????Kriging?????????????????????????????????????????仯???????????????????????????????????????仯С??????     

����ƹ�ģ�ͷ���������Ƶ�һ���·���

????????????????????????????????????????Helmert???????????????????????????????????в???????????????????????????????????????????????????????÷????????????????????????????????????????????????????????     

线性加权回归模型的高原山地区域降水空间插值研究

在山地和高原区域,地形对降水影响比较显著。常规空间插值方法通常不考虑地形要素,插值精度有限。考虑到降水量与高程存在较强的相关关系,采用局部线性加权回归模型预测山地和高原区域的降水分布。推导了回归计算公式,并在ArcGIS 9.0中编程实现算法。选取美国德克萨斯州西北部地区进行局部线性加权回归空间插值,并与普通Kriging、倒距离加权法比较。误差分析表明:在地形复杂的地区,线性加权回归模型比传统方法有优势。     

GPS水准网格间距的设计

在已布设GPS水准网的地区，若需内插其中任意一点的高程异常值时，应该了解该内插值的精度。导出了该内插点高程异常值的精度评定方法，并具体给出在我国C级GPS水准网中，该内插点高程异常推估值精度和该地区的地形和栅格重力异常分辨率的数学关系式和实例。在给定内插点高程异常值精度的局域大地水准面时，按不同地形和栅格重力异常分辨率的密度，根据文中给出的数学关系式，可以设计间距合理的B级或C级GPS水准网。