实时差分GPS：精度,试验和应用

实时差分ＧＰＳ能为海上和陆地用户提供连续的高精度动态定位。本文以ＡＳＨＴＥＣＨ－ＸⅡ型ＧＰＳ接收机和甚高频为数据链组成的实时差分系统为例，讨论了实时差分ＧＰＳ的原理，系统组成和实现的方法，试验和应用的结果表明，在多数情况下，该系统可以获得优于５ｍ的综合定位精度。     

多波束海底底质分类软件Simrad Triton的应用

研究了利用声学信号对海底底质自动分类的技术。介绍了挪威Simrad公司海底底质分类软件Triton的分类原理，它所应用的分类方法及其软件的体系结构。最后，用实例来说明Simrad Triton在海底底质分类中的应用。     

利用姿态传感器提高单波束测深精度

从姿态传感器的工作原理入手，介绍了影响单波束测深仪测量精度的船只姿态变化现象，并提出了利用姿态传感器输出的各种船姿信号，对测深仪测量精度进行提升。     

多波束测深声纳系统的工作原理

多波束测深声纳系统(the Multibeam Bathmatric Sonar System)是一种用来进行水底地形地貌测绘的大型组和设备,属当代高新技术产品,目前国际上多波束技术发展迅速,本文从其设计思想和几个重要组成部分(换能器、发射机、接收机)来介绍多波束技术原理。     

浅水多波束系统及其最新技术发展

针对目前国际上8家公司生产的16种新型浅水多波束系统的技术指标,对它们的技术性能,包括采用的波束形成方法、频率范围、测深量程、深度分辨率、最大测幅、单位时间（s）内的采样次数、波束宽度、侧扫功能、测深精度、测量航速、声线弯曲改正、姿态传感器及设备寿命等给予了评价,并展望了浅水多波束技术的发展前景.     

浅地层剖面仪关键声学参数的检测技术研究

基于在消声水池中对参量阵型浅地层剖面仪进行的声学参数测量试验及数据的处理分析,探索性地提出了一套完整的浅地层剖面仪关键声学参数检测与评价的解决方案.方案主要包括4部分:1)检测平台构建:简述了检测平台的主要组成部分,并对消声水池的建设提出了基本的技术要求;2)声学参数测量:介绍了浅地层剖面仪的声源级、频率和脉冲长度测量...     

一种建立南海浅海海域高精度潮汐模型方法的研究

针对应用高度计数据建立的海潮模型在浅海海域精度较低的现状,提出采用移去-恢复技术联合利用19a T/P、Jason-1卫星原始轨道、变轨轨道高度计数据建立南海浅海海域高精度潮汐模型的方法。处理卫星高度计数据时以平均海平面为基准面,按纬差0.1°间隔采用沿迹分析提取南海海域原始轨道2 184个正常点和变轨轨道1 626个正常点;分别对原始轨道、变轨轨道正常点进行调和分析以及响应分析,得到潮汐主要分潮调和常数;进一步建立网格潮汐模型,讨论了不同分辨率潮汐模型的精度差异。基于验潮站数据集结果运用移去-恢复技术对所建潮汐模型进行改进,改进后潮汐模型4个最主要分潮O_1,K_1,M_2和S_2的RMS分别提高至7.76,9.40,13.86和8.51cm,RSS达到20.32cm,表明移去-恢复技术能够明显改善潮汐模型在浅海海域的精度。     

海域使用面积测量精度的探讨

讨论了海域使用面积的计算方法以及海域使用面积测量的误差来源,分析了海域使用面积测量的精度,并给出了实例分析;根据实例分析,建议提高《海籍调查规范》中对离岸的界址点精度要求,建议大范围面积测量的面积计算在椭球面上计算。     

基于Sentinel-1A数据的多种机器学习算法识别冰山的比较

冰山识别对于海洋环境监测和船只安全运行等具有重要的意义,是北极航道开通和北极开发过程中的重要内容。采用合成孔径雷达(SAR)影像进行冰山识别具有独特的优势,多种机器学习算法均可用于SAR影像的冰山识别中。为了最大限度地发挥机器学习算法的性能,有必要对不同机器学习算法及其搭配使用的特征与特征标准化方法进行评估,从而进行最优冰山识别方法的选择。因此,本文基于Sentinel-1A SAR影像,采用多种机器学习方法、多种特征组合及多种特征标准化方法进行冰山识别,并比较各流程方法的识别性能差异。采用的机器学习算法包括贝叶斯分类器(Bayes)、反向神经网络(BPNN)、线性判别分析(LDA)、随机森林(RF)以及支持向量机(SVM);特征标准化方法包括Min-max标准化、Z-score标准化及log函数标准化;数据集是含有12个SAR影像特征的969个冰山与非冰山样本,样本主要位于格陵兰岛东海岸。分类效果采用接收者操作特性(ROC)曲线下的面积(AUC)进行衡量。结果显示,最佳搭配下的RF的AUC值最高,达到了0.945,比最差的Bayes高出0.09。从识别率上来看,RF在冰山查全率为80%的情况下非冰山查全率达到92.6%,效果最好,比第2位的BPNN高出1.4%,比最差的Bayes高出2.6%;BPNN在冰山查全率为90%的情况下非冰山查全率达到87.4%,比第2位的RF高出0.8%,比最差的Bayes高出2.7%。上述结果表明,对冰山识别而言,选择最优的机器学习算法和最佳的特征与特征标准化方法都是十分重要的。