台风作用下淤泥质海岸动力地貌响应

基于200509号麦莎台风(近似百年一遇)作用前后杭州湾北岸龙泉-南竹港实测的海岸地形和水文资料,利用分形技术、冲刷深度和闭合水深等相关概念分析淤泥质海岸的剖面变化、岸线进退以及地形冲淤,进而探讨海岸响应台风作用的动力地貌行为.结果表明:1)台风作用前后的海岸动力地貌过程表现为水下类似沙坝的堆积体削平、凹处填洼,水下平台发育锯齿或较小的坝--槽,海岸剖面的分维数降低,剖面坡度处于平缓;2)麦莎台风对海床的整体冲淤幅度不大,这可能是由于研究区大潮讯的增水致使波浪对海床的塑造能力减弱以及码头的遮蔽作用造成;3)台风作用对海岸的冲刷深度约为0.8 m,闭合水深为9.5 m,近岸-1 m邻近区成为海岸响应台风作用最敏感的地带;泥沙主要在0 m到闭合水深区间的海床发生纵、横向运移.     

油气资源分类及评价方法

对我国油气资源评价工作中常用的基本概念与评价方法进行了详细阐述,其中包括美国石油工程师协会（SPE）、俄罗斯和我国新实行的油气资源分类标准和基本概念;将油气资源评价方法分为：成因法、类比法、统计法、德尔菲（Delphi）法4大类;较详细的介绍了盆地模拟法、氯仿沥青“A”法、有机碳法、面积丰度法、体积丰度法、统计趋势预测法、油气田（藏）规模概率分布法、地质因素分析法、圈闭法等具体评价方法,并简要分析了它们的适用范围和特征。     

芬兰湾中的神秘群岛

看一眼列宁格勒区的地图,不难发现,芬兰湾北部沿岸的海岸线被切割得极深。大量的岛屿、礁石、半岛和海湾形成了芬诺斯坎迪亚典型的断崖地貌景观,后者被认为是芬兰湾北岸自然组合的样本。     

基于聚类分析的数据格式转换模型的改进

在深入细致分析各数据格式的相似性及差异性的基础上,针对传统数据格式转换模型一对一的转换方式,提出了分类通用数据格式转换模型——根据聚类分析对数据格式进行分类,归纳总结每类数据的通用数据格式,实现分类通用数据格式的相互转换,从而实现各数据格式的相互转换。     

改进的P-SVM支持向量机与遥感数据分类

本文介绍了将P-SVM算法引入多光谱/高分辨率遥感数据的分类, 并且展示了卫星ASTER和航空ADS40数字影像分类的技术过程和结果验证。结果表明：P-SVM方法的分类精度不低于SVM, 并减少了时耗。     

基于DEM的南京市彩色晕渲地图的研制

分析了基于DEM数据的自动晕渲地图生成的意义,介绍了将1:5万数据库中等高线文件转换到CartoShading软件中,利用软件本身功能生成晕渲的方法.     

科学调查船“谢尔盖·瓦维洛夫院士”号在南极洲西北部进行地质—地貌调查研究

现今,“南极洲”这一术语表示了地球南极锋面线——南纬50°～60°海水会聚线以南的空间。近年来对这个区域的研究明显加强。2004年32届地质大会（意大利弗洛伦萨）指出,最近的南极洲研究成果开创了地质学的新领域,联合国教科文组织宣布南极洲为科学的新大陆。对南极地区研究的增强趋势得到了2004年7月在德国不来梅召开的第28届南极地区国际科学讨论会的支持,2005年通过了在20072008年度国际极地年,组织制定了地球南、北极地区广泛的、多方面调查研究的决议。     

Extending self-organizing maps for supervised classification of remotely sensed data

An extended self-organizing map for supervised classification is proposed in this paper. Unlike other traditional SOMs, the model has an input layer, a Kohonen layer, and an output layer. The number of neurons in the input layer depends on the dimensionality of input patterns. The number of neurons in the output layer equals the number of the desired classes. The number of neurons in the Kohonen layer may be a few to several thousands, which depends on the complexity of classification problems and the classification precision. Each training sample is expressed by a pair of vectors ： an input vector and a class codebook vector. When a training sample is input into the model, Kohonen＇s competitive learning rule is applied to selecting the winning neuron from the Kohouen layer and the weight coefficients connecting all the neurons in the input layer with both the winning neuron and its neighbors in the Kohonen layer are modified to be closer to the input vector, and those connecting all the neurons around the winning neuron within a certain diameter in the Kohonen layer with all the neurons in the output layer are adjusted to be closer to the class codebook vector. If the number of training sam- ples is sufficiently large and the learning epochs iterate enough times, the model will be able to serve as a supervised classifier. The model has been tentatively applied to the supervised classification of multispectral remotely sensed data. The author compared the performances of the extended SOM and BPN in remotely sensed data classification. The investigation manifests that the extended SOM is feasible for supervised classification.     

基于集合预报极端天气预测指数的浙江分类强对流预报模型

利用2016—2021年ECWMF集合预报资料、浙江自动站实况资料等,计算浙江短时强降水、雷暴大风和冰雹等强对流天气相关物理量的极端天气预报指数（EFI：Extreme Forecast Index）,分析EFI分布特征,并构建了分类强对流预报模型。结果表明：强对流天气与物理量的EFI有密切联系,发生短时强降水时,对流有效位能、整层可降水量、850 hPa与500 hPa温差和位温差的EFI较大,而垂直风切变的EFI为负值,因而较小的垂直风切变更有利于出现极端降水;发生雷暴大风和冰雹时,对流有效位能、850 hPa与500 hPa温差和位温差以及850 hPa温度露点差的EFI较大,700 hPa露点温度的EFI为负值,与上层干冷下层暖湿的有利层结条件有关。利用支持向量机多分类方法,将强对流天气相关物理量的EFI作为特征值开展训练,构建的预报模型对于非局地强对流天气有较好的预报效果,其中短时强降水的误判率明显低于雷暴大风。     

古土壤的分类系统及其在地质学中的应用领域

古土壤是近年来沉积学研究领域的一个热点。古土壤就是形成于过去地貌上的土壤,是暴露在地表的沉积物或岩石经过物理的、生物的和化学的改造形成的,一般形成于很长的地貌稳定期,记录了地层间断或不整合,蕴含着丰富的有关古气候、古植被、古地貌、沉积环境状况的信息,并且是指示地层时代的"化石"。古土壤对恢复地质历史时期古植被与古环境、古气候提供了新的途径,是地层划分、对比的重要标志,并且可用以重建沉积盆地古地貌。古土壤的识别可以根据野外宏观标志、室内微观特征来进行,但是古土壤学家还没有解决古土壤的分类问题,我们对国际上流行的几种古土壤分类方案进行评述,认为古土壤的分类应该根据不同的应用目的采用不同的分类方案,而且在一个分类系统的组名中可采用形容词的组合作为修饰语。