Generalized ‘dependencies’ and parameter variance

The autodependence, (a special case of the — now quite obsolete — dependences, which had been introduced for very specialized astrometric purposes) is proportional to the parameter variance which is the expectation of the variance of the systematic error of a function evaluated with estimated parameters.     

GPS RTK测量技术的应用与体会

GPS RTK测量技术以快捷、精准的特点广泛地被测量人员所接受，但是在到量中仍存在一些问题需要研究。本文介绍了几种经常遇到的棘手问题及其解决方法。     

佳木斯市GPS控制网的建立——索佳GSS1A型GPS接收机的应用

介绍利用日本索佳公司ＧＳＳ１Ａ型ＧＰＳ接收机在建立佳木斯市ＧＰＳ控制网中的应用。阐述了ＧＰＳ控制网的布设方案，外地施测方法和数据处理与精度分析，并扼要的总结了建网的经验与体会。     

河流调整中的熵、熵产生和能耗率的变化

河流是一个真正的开放系统,而不是孤立系统或封闭系统。运用经典热力学和非平衡态热力学基本原理,分析研究了河流调整中的熵、熵产生和能耗率的变化。指出:熵和熵产生是两个不同的概念;最小熵产生原理等价于最小能耗率原理;冲积河流在调整过程中遵循最小熵产生原理或最小能耗率原理,而不是最大熵原理。     

鲁西地壳隆升的伸展构造模式

伸展链锁断层系，形成了鲁西的主导造格局，即“块断”构造。它是由中、生代两次伸展运动形成的。伸展运动幔源岩浆活动有着密切的成生联系。伸展运动的结果，形成了以泰山－鲁山－沂山为核心的鲁中块隆，它至今耸立于周围以平原地貌为标志的地堑系之间，隆起的高点，就是当今的泰山。     

东亚春季强冷锋结构及其动力学诊断研究 I. 东亚春季强冷锋结构

本文利用常规探空资料和华东中尺度试验的部分资料，对1983年春季一次快速南下，并在江淮地区产生大范围强对流天气的冷锋进行了三维结构的分析。通过研究发现，这次冷锋过程主要有以下特征: （1） 与冷锋相对应的高空槽前存在一支下沉（DVM）气流；（2）有一强的辐合区出现在对流层中层，锋前上升运动的最大值也出现在对流层中层；（3）比较强的锋生过程主要集中于对流层中下层；（4）存在一支明显的热力直接环流（TDC），即暖湿空气沿冷锋倾斜上升；（5）在冷锋后存在一支较强的下沉气流（DVM），这支DVM对冷锋逆温层（或等温层）的形成可能有重要作用。并将此次东亚春季强冷锋个例与小仓义光（Ogura）等分析的北美春季冷锋（SESAME）个例作了对比，发现此次冷锋个例中，锋区的温度密集区主要在对流层中层，而北美SESAME个例温度密集区主要在对流层低层。这可能是由于东亚高空急流较强，动力强迫而引发锋生所致。     

TROS-Ⅰ型流动人卫激光测距仪光学系统设计

介绍了车载流动型人卫激光测距仪光学系统(包括激光发射系统、接收系统及微光电视监视系统)的设计思想和方法,着重叙述了光学系统的结构设计、关键部件几何尺寸的确定及重要元器件的选取。设计基于流动型仪器应满足的防振、体积小、调校方便、抗环境干扰能力强等特点。多年的实测证明,这种光学系统不仅能满足流动型人卫激光测距仪总体设计要求,而且经济实用。     

2000国家GPS大地控制网数据处理方法与结果

介绍了我国GPS大地控制网的基本情况,阐述了结合地壳运动观测网络工程建立全国统一的“2000国家GPS大地控制网”的意义,并介绍了整网平差中采用的技术方法和最后平差结果及精度。     

水土流失区马尾松林植被提取的土壤调节指数分析

为实现水土流失区植被遥感信息的准确提取,本文采用2007年ALOS 10 m多光谱影像,利用土壤调节植被指数SAVI和MSAVI,对福建长汀水土流失区马尾松林不同植被覆盖密度的3个实验区进行植被提取,并选用不同的土壤调节因子（L=0.25,0.5,0.75,1）做实验,将结果和以NDVI植被指数提取的结果进行对比,分析了提取效果及受土壤噪音的影响程度。实验表明,SAVI指数能提高水土流失区的植被提取精度。在中、低植被覆盖区,其提取的总精度比NDVI高出2%~7%,Kappa系数高出7%~18%;而土壤调节因子L的取值对植被信息的提取也呈现出一定的规律性,即：随着L从0向1递增,SAVI提取稀疏植被的能力上升而探测阴坡植被的能力下降。总体来看,对于低植被覆盖和中等植被覆盖地区,可分别用SAVI（L取0.75）和SAVI（L取0.5）来提取植被信息,对于高植被覆盖区,仍可直接用NDVI进行植被信息提取;研究发现MSAVI在植被信息提取中并不具有特别的优势。