堤防动物洞穴的探地雷达探测研究

通过探地雷达对淮沭河大堤獾洞隐患的探测,分析了獾洞的结构特征,给出了獾洞的典型雷达图像特征,推断了测区内獾洞穴道的位置、深度和走向,为堤防獾洞隐患治理提供了资料。探测结果表明,探地雷达设备轻便,对场地要求低,易于在任意方向加密探测,对浅层地下洞穴的探测非常有效。     

基于反射波特征小波分析的工程基础无损检测

针对现有工程基础无损检测中反射波分析的不足,对Morlet和Marr小波及其小波变换进行了深入分析,指出它们在反射波分析上具有优势互补性。结合两个小波的优势,提出了Morlet小波域能量密度谱辨识动力学特征和Marr小波域模谱提取奇异特征的反射波分析方法,并构建了基于小波域香农熵的Morlet最优基小波确定技术。由反射波的动力学特征可以识别损伤模式,由反射波的奇异特征可以实施损伤定位,两者相结合构成了一条有机的基于反射波特征小波分析的工程基础精细无损检测技术路线。模型实验分析中概括归纳了工程基础的基本损伤模式,并验证了技术路线的可行、有效性。     

含有粗差的起始数据对水下地形测量的影响及修正

针对含有粗差的起始数据导致的错误碎部点成果,对粗差产生的途径进行了分析,给出了进行改正计算的必备条件,最后结合实际例子进行了计算验证。结果表明改正计算方法在理论上是严密的,在实际工作中也具有可操作性。     

基于孪生神经网络的土地利用现状年度变化检测

近年来,利用多期高分遥感影像,构建土地利用现状年度变化检测模型,并以此为基础支持土地利用现状年度变化检测的智能化发展,正是当前研究的难点所在。本文探讨了构建土地利用现状年度变化检测模型存在的问题。通过对土地资数据进行预处理,构建基于孪生神经网络的变化检测模型,以及对模型输出结果进行GIS优化获取目标区域的变化图斑,实现针对土地利用现状变化区域的快速提取。试验结果表明,该方法可快速发现不同时期影像中土地利用现状的变化位置,有效提升了土地利用现状年度变化检测的智能化水平,可服务于日常土地利用现状年度变更检查工作。     

青海省地震灾后地物变化的快速识别

地震灾后救援时间宝贵,有效利用灾后数据,快速对救援路线及居民情况进行准确的评估,能有效避免地震带来的进一步损害。地震并不是一次即停止,灾后余震同样威胁灾区群众的生命和财产安全。因此,根据灾区地质及居民分布制定后续可持续救援方案,也是灾后救援的重点,这不仅能使救援稳步进行,也可进一步规划安置居民。本文通过比较神经网络和传统机器学习方法,提出了自适应方法的地物分割算法,根据航拍影像的复杂程度使用神经网络和传统算法相结合的方式,通过比较识别出地物与原有测量数据的差别变化,判断灾后道路扭曲和地质变化,为救援工作提供准确的科学依据。     

C波段调频连续波天气雷达探测系统及观测试验

对降水云更高时、空分辨率观测资料的需求推动了天气雷达技术的发展,调频连续波雷达(FMCW)系统采用收发分置双天线体制,采用数字直接移相(DDS)技术和快速傅里叶变换(FFT)信号处理技术,获取高度分辨率达到15、30 m,探测周期2—3 s的回波功率谱分布和谱参数,具有脉冲多普勒雷达无法比拟的探测优势。C波段FMCW(C-FMCW)雷达最小可测信号功率达到-170 dBm,微弱信号的定量标校是技术难点。采用标准信号源输出单频信号,经过数字直接移相扩展为与雷达系统相同扫频范围信号,得到最小输入功率可达-169.77 dBm的定标曲线,由定量标校后的谱分布计算得到回波强度谱密度分布。该雷达于2013年6月起在安徽定远开始观测,利用8月24日降水过程探测数据,与距离该地48 km的蚌埠和83 km的合肥SA扫描雷达观测数据,分别进行对流云与层状云的观测比对分析。对于均匀分布的层状降水云,C-FMCW雷达与SA雷达探测结果基本接近, C-FMCW雷达与蚌埠SA雷达的平均均方根误差为1.75 dB,与合肥SA雷达的平均均方根误差为2.02 dB,C-FMCW雷达与两部SA雷达探测的回波强度差异小于1 dB。对观测试验谱参数及回波强度谱密度分布进行了初步分析,C-FMCW雷达在研究降水云体的相态分区、晴空大气边界层回波等方面有较好的应用前景,有助于加深对强降水云中垂直运动的强烈变化的探测和认识。     

Detecting climate change effects on forest ecosystems in Southwestern Romania using Landsat TM NDVI data

Nowadays, Southwestern Romania faces a large-scale aridization of the climate, revealed by the rise of temperatures and the decline of the amount of precipitations, with negative effects visible, among others, in the desiccation of forest vegetation. The present study means to identify the changes that occurred, quality-wise, in the past two decades （1990-2011） in forest vegetation in Southwestern Romania, and to establish the link between those changes and extant thermal stress in the region, whose particular features are high average annual and seasonal temperatures. In order to capture the evolution in time of cli- mate aridization, a first step consisted in using climate data, the temperature and precipitation parameters from three weather stations; these parameters were analyzed both individually and as aridity indexes （De Martonne and UNEP）. In order to quantify the changes in forest vegetation, NDVI indexes were used and analyzed, starting off from Landsat satellite images, acquired at three distinct moments in time, 1990, 2000 and 2011. In order to identify the link between the changes of NDVI index values and regional thermal stress, a yardstick of climate changes, statistical correlations were established between the peak values of average annual temperatures, represented in space, and negative changes in the NDVI index, as revealed by the change-detection analysis. The results obtained indicated there is an obvious （statistically significant） connection between thermal stress and the desiccation （degradation） of forest species in the analyzed area, with false acacia （Robinia Pseudoacacia） the main species to be impacted.     

闪电气象学研究进展

闪电气象学是随着现代闪电探测和定位技术的发展与应用而不断发展起来的一个学科,也是大气电学和气象学的重要交叉学科分支。综述了近年来中国在闪电气象学方面的发展和研究进展,主要从5个方面进行阐述和回顾：在闪电气象学研究中发挥了重要作用的现代闪电探测和定位技术,不同类型强对流天气系统的闪电活动特征,闪电活动与雷暴的动力、微物理结构的关系,雷暴电荷结构探测和数值模拟,以及闪电资料同化方法及其在强对流天气中的预警预报作用和闪电的预报等,并指出了中国闪电气象学今后的努力方向。     

一种多传感器融合事件识别算法

针对传感器网络中事件识别存在的误判问题,提出一种新的多传感器融合事件识别算法。算法通过对网络中产生的事件识别数据,进行统一的变换处理,建立可实时更新的基于概率的事件识别规则。算法有效提高了事件识别的成功率,利用实测数据进行仿真试验,验证了算法的有效性。     

����³�����Ͼ����LiDAR���ƴֲ�̽�������

????3?????????????????LiDAR??????????????????????????LiDAR??????????????飬????????????????????????????????????????С???巽???????????3??????????????????3?????????????3???????????????????????????裬?????????????μó?????????б????????????????????????????????????????????????????????????????й???????????У?????????????в??????С??detMCD?в????????????С????????????????????????????????????????????????????????????????????????????????????С???????????????????????????????????????TIN?????????????,???????????????????????????Ч???LiDAR?????????е????????????????????????