地面激光扫描激光束方向精度影响因子构建及测距精度反演

基于激光能量衰减模型,利用不同扫描特征下的激光束方向精度变化趋势,构建激光束方向精度影响系数。结合测距、测角及光斑对激光束方向精度的影响,验证所构建影响系数的准确性,并给出反演后的激光扫描测距精度。     

基于北斗短报文的震源船跟踪系统设计与实现

通过在震源船上部署3套GPS接收机,并对3个点的位置信息进行汇总和压缩,利用北斗短报文将压缩后的位置信息推送到陆海联测指挥部,实现对震源船航速、航向的实时监控.根据3个点位信息计算的实时震源船航向,有助于准确把握震源船在进行固定点悬停激发时的航向,克服了以往使用前后两个时刻推算的平均航向代替实时航向等问题.使用我国自主知识产权的北斗短报文进行通讯,大大提高了系统的安全性、可靠性和稳定性;同时陆海联测指挥部可以实时查看震源船是否按事先设定的测线、事先设定的速度和航向进行作业,有效保障了监控平台对震源船的监控,进一步提升安全生产的风险控制能力.     

青藏高原前期冬春季地面热源与我国夏季降水关系的初步分析

首先对青藏高原地表热通量再分析资料与自动气象站(AWS)实测资料进行对比, 结果表明: 相对于美国国家环境预报中心和国家大气中心20世纪90年代研制的NCEP/NCAR(Kalnay 等1996)和NCEP/DOE (Kanamitsu 等2002) 再分析资料, ECMWF(Uppala 等2004)资料在高原地区的地表热通量具有较好的代表性。进一步利用奇异值分解(SVD)方法分析了ECMWF资料反映的高原地面热源与我国夏季降水的关系, 发现前期青藏高原主体的冬季地面热源与长江中下游地区夏季降水量呈负相关, 与华北和东南沿海地区的夏季降水量呈正相关。而长江中下游地区夏季降水量还与春季高原南部的地面热源存在负相关、与高原北部的地面热源存在正相关。高原冬、春季地面热源场的变化是影响我国夏季降水的重要因子。     

MAPGIS点文件数据自动导入CARIS的研究

详细介绍了MAPGIS点文件数据与CARIS系统注记数据的属性以及数据之间的对应关系,通过程序读取MAPGIS中点文件数据,并写入CARIS批处理文件,最后导入CARIS系统,实现了MAPGIS点文件数据在CARIS系统中的自动导入。     

地球重力场模型在GPS高程测量中的应用

介绍了地球重力场模型（EGM2008）及其精度,对利用EGM2008模型进行GPS高程测量这一方法进行了探讨。在试验区内采用多种方案进行数据处理,结合试验区内的已有GPS水准点资料的情况进行了分析,通过对多种方案进行比较分析,得出了利用EGM2008模型进行GPS高程测量的精度与采用水准点的大致关系,为GPS高程测量提供一种新思路。     

地面三维激光雷达点云误差分析及校正方法

分析了地面三维激光雷达点云误差来源,提出了相应的误差校正模型。通过实测数据验证,该模型能够消除系统误差,提高了点云精度。     

机载激光点云中高压电塔自动识别方法

提出了一种基于格网特征的机载激光点云高压电塔自动识别方法。首先对机载激光点云数据进行滤波去噪处理;然后对点云数据进行规则格网化特征分析获得高压电塔粗识别区域;最后对粗识别区域进行外接邻域网格线性特征悬空点集检测以确定电塔识别结果,并以分层切片法分析获取电塔平面中心坐标。采用大型无人机实际线路巡检获取的机载点云数据对本文算法进行验证,试验结果表明本算法可实现高压电塔的快速自动识别,对无人机电力巡检智能诊断具有一定的促进作用。     

利用实时路况数据聚类方法检测城市交通拥堵点

 城市交通拥堵严重制约其网络总体效率。开展检测交通拥堵点可有效识别网络瓶颈,以整治交通拥堵现象。对此,本文提出一种新的城市交通时空拥堵点检测的方法:即采用实时路况数据,通过定义时空关联,检测时空意义上长期性、规律性交通拥堵点。本文基于DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法,以成都市为试验区,实现了这种拥堵点检测方法。试验表明,该方法可快速、有效、准确地检测出城市道路严重拥堵路段,并确定其拥堵时空范围,为交通管理、交通拥堵机理分析、交通拥堵预测等提供参考。     

杭州市：率先完成第二轮地质灾害防治规划编制

2008年11月,萧山、余杭、富阳、临安、建德、桐庐六个县（市、区）第二轮地质灾害防治规划（2008—2015）先后通过了省厅专家组论证审查,这标志着杭州市地质灾害防治规划的修编工作在全省率先全面完成。第二轮地质灾害防治规划认真总结了第一轮规划实施的情况,对已发生的地质灾害进行稳定性评价。进一步核实了地质灾害隐患点。     

基于多元整体最小二乘优化的多点灰色动态变形分析模型

提出一种多元整体最小二乘优化的多点灰色动态模型,并结合实例验证优化的MGM(1,n)模型的优越性。将优化的MGM(1,n)模型与一般的MGM(1,n)模型进行对比,分析两种模型的建模值和预测值。结果表明,优化的MGM(1,n)模型在建模数据多于4期的情况下建模精度更高,预测精度更准确,更符合实际情况。