变权组合预测模型在大坝沉降监测中的应用

为探讨变权组合预测模型在变形监测中的应用,以监测某大坝沉降量为实例,研究基于线性回归预测模型和灰色模型GM(1,1)的变权组合。通过预测该大坝坝内沉降量,比较两种单一预测模型和变权组合预测模型的预测误差平方和,证明变权组合预测模型在沉降预测中具有更好的预测精度。     

基于库伊克模型的地面沉降预测分析

针对地面沉降与地下水水位变化的内在关系,考虑地面沉降受到自身变化规律的影响,建立基于库伊克变换的地面沉降预测模型,应用该模型对某地区地面沉降统计数据进行模拟预测,有效实现该地区地面沉降与地下水水位以及本身之间的定量模拟,并探讨模型的拟合效果和预测精度。结果表明库伊克模型拟合效果较好,预测精度较高,能较好地反映研究区域的地面沉降变形趋势。     

基于小波分析的灰色-神经网络组合模型在大坝变形预测中的应用

监测序列经小波分解后可以得到各层分量。对低频分量采用灰色GM(1,1)模型进行建模预测,对高频分量采用BP神经网络进行建模预测,最后将各分量进行小波重构,得到监测序列的预测值。将预测值分别与没有进行小波分解直接用GM(1,1)模型预测的值和经小波分解的低、高频系数都采用GM(1,1)模型预测的值进行对比,发现经小波分解的灰色-神经网络组合模型预测精度更高。     

噪声抑制的多极化SAR海冰图像分割

合成孔径雷达(SAR)海冰图像分割对全球气候研究和保证船舶航行安全具有重要意义。现有的基于区域的马尔可夫随机场(MRF)多极化SAR分割方法,由于受相干斑噪声影响,其区域划分不尽合理,不能有效完成分割。因此,提出一种噪声抑制的多极化SAR海冰图像分割算法,首先在极化总功率图上引入降低噪声的滤波算法,合理划分初始区域,其次考虑区域之间的差异度,从而实现多极化SAR海冰图像的准确分割。以RADARSAT-2和SIR-C获得的全极化海冰图像为实验数据进行验证,结果表明:和其他较先进算法相比,本文算法优势明显,既能高效保持图像连通性,又能增强图像的细节信息,具有更高的分割精度。     

资源三号影像中城市高大地物阴影检测方法

针对遥感影像处理中阴影检测和信息补偿不准确的问题,该文在研究已有阴影检测算法的基础上,结合资源三号(ZY-3)影像数据的特性,构建了阴影检测方法:首先对原始图像分别做差值运算和主成分变换,并利用多峰阈值自动提取算法检测出阴影区域;其次将差值运算提取的粗阴影区域与主成分变换提取的阴影区域做并运算生成一个新的阴影区域;然后判断影像中是否含有水体,如果含有水体则利用多峰阈值自动提取算法检测出水体并与新合并的阴影区域影像做布尔运算得到完整的阴影区域,反之则新合并的区域即为完整的阴影区域。实验结果表明该方法针对ZY-3具有较好的普适性、较高的提取精度和提取效率。     

基于双位置的磁悬浮陀螺异常数据检测

针对磁悬浮陀螺全站仪在极端工作环境下受异常数据干扰的问题,该文提出了一种利用磁悬浮陀螺双位置采样数据特征进行异常数据检测、剔除的数据处理方法。采用回归分析的方法对理想工作状态下的磁悬浮陀螺双位置采样数据与陀螺寻北方位间的函数关系进行拟合分析;通过区间预测的方法明确了陀螺寻北信息中异常数据的检验标准,并依据该标准实现了对寻北观测值中粗差等异常数据信息的有效识别。工程实测数据的验证结果表明:该检验法可以有效地对磁悬浮陀螺寻北数据中的异常值信息进行分离,提高陀螺寻北定向精度。     

改进的灰色模型在高铁沉降预测中的应用

针对目前灰色模型在高速铁路沉降预测中存在的不足之处,该文提出了一种通过改善原始数据序列的光滑度来提高灰色模型预测精度的方法,并结合实例,验证了改进灰色模型在高速铁路沉降预测中的可行性,为今后高速铁路的沉降预测评估提供了更多的参考和借鉴。     

不同时期土地利用空间数据同化方法

针对不同时期土地利用空间数据之间的差异以及常用软件的不足,该文基于空间数据同化基本理论及策略,提出了FME与ArcGIS联合的不同时期土地利用空间数据同化方法。详细阐述了该方法的实施步骤及相关原理,并进行了初步的实验验证。实验结果表明,所提方法能够快速高效地消除不同时期土地利用数据之间在数据格式、数据语义、坐标系统等方面的差异,提高数据之间的协调一致性。该研究为不同时期土地利用空间数据的综合应用与分析提供了参考。     

国情普查项目控制点测量方法研究

遥感影像数据作为第一次全国地理国情普查项目的首要基础资料,如何快速生产出满足精度要求的遥感影像成果,对国情普查项目有着不言而喻的作用,在西部经济欠发达地区,基础控制点数据库尚未全覆盖,需要在短时间内采集大范围的控制点信息,本文通过生产实践,对几种控制点采集方法进行综合比对,认为StarFire全球双频GPS星链差分系统测量的方法较适合我国西部荒漠、戈壁地区的国情影像像控点采集任务。     

高轨卫星轨道预报中神经网络模型优化设计

高轨卫星是我国卫星导航系统的重要组成部分。提升该类卫星的轨道预报精度有利于用户定位精度的提高。提出了一种改进高轨卫星轨道预报精度的新方法。该方法避开了精化动力学模型的困难,尝试从轨道预报误差的规律中寻找突破。利用神经网络作为建立预报模型的工具,将某历史时刻的轨道预报误差作为训练样本,利用训练好的神经网络模型补偿当前时刻的预报轨道以提高轨道预报精度。对影响神经网络模型补偿效果的各因素进行了详细分析,制定了适应于高轨卫星短期、中期和长期预报的神经网络最优模型。利用实测数据进行了试验分析,结果表明:预报8,15及30 d应选择的训练步长分别为10,20及25 min;轨道预报8~30 d时,训练噪声均选取0.01。神经网络模型有效地改进了高轨卫星的轨道预报精度,预报4~30 d,轨道精度提高幅度为34.67%~82.37%不等。