沉降监测多项式回归分析与神经网络预测

使用多项式和切比雪夫(Tchebyshev)多项式分别对沉降监测数据进行回归分析以预测未来沉降值,其中切比雪夫多项式的外推效果较好;应用前向BP神经网络对两种不同的单因子输入模式进行非线性函数逼近,并进行了不同采样步长的比较,实例表明将时间点作为网络的输入对沉降进行预测效果较好。     

青藏高原河流网络高分CubeSat遥感监测

河流网络是地表水循环的重要组成部分,如何实现河流网络动态监测已成为河流遥感研究的热点。近年来,以PlanetScope为代表的CubeSat小卫星已具备了米级空间分辨率、1 d重访周期的优势,这为河流网络高时空分辨率动态监测提供了可能。本文以青藏高原长江源区的通天河流域（227 km²）为研究区,选取2017-05—2017-10 5期3 m空间分辨率CubeSat遥感影像,增强河流横纵剖面特征自动化提取了河流网络,研究了通天河流域河流网络动态变化,对比分析了3 m CubeSat与30 m Landsat 8、10 m Sentinel-2所提取的河流网络,以及5种现有水体数据集（GRWL,GSW,FROM-GLC 2017,OpenStreetMap,HydroSHEDS）。研究结果表明：（1）研究区内河流网络5月水系密度较低（0.38 km^-1）,7—8月河流网络进入丰水期,水系密度显著增加至0.61 km^-1,9月河流网络进入平水期,水系密度趋于平稳（0.53 km^-1）,随后迅速退化并于10月开始冻结,水系密度迅速降低至0.37 km^-1;（2）采用高空间分辨率CubeSat所提取的河流网络能够识别更多细小河流（河宽3—30 m）,CubeSat所提取的河流总长分别为Landsat 8、Sentinel-2所提取河流总长的1.6倍和1.3倍;（3）CubeSat所提取的河流网络水系密度高于现有水体数据集（2.9—12.4倍）,弥补了现有水体数据集无法反映细小河流的不足。     

利用RPC模型进行IKONOS影像的精确定位

研究了IKONOS卫星影像基于RPC模型的立体定位算法与区域网平差方法.针对立体定位计算过程中RPC(Rational Polynomial Coefficients)模型存在的系统性误差,给出了物方和像方补偿方案.实验结果表明,各种补偿方案均可有效消除RPC模型的系统误差,取得优于1.3 m的定位精度;区域网平差的定位精度可达1.1 m,是最理想的定位方法.     

半参数测量平差模型与系统误差处理

考虑半参数测量模型L=Bx+S+Δ,x$Rd为未知回归参数,S为未知Borel函数。本文首先利用自然样条函数法,找到符合条件的非参数自然插值样条函数。其次利用偏残差法并综合最小二乘法,导出了这种平差方法的解算公式。最后,用一个算例说明了此方法的优越性。     

基于因子分析的LM-BP网络的盾构施工地表沉降预测

盾构施工引起的地表沉降量的预测与评价具有很强的随机性和不确定性,用常规的数学模型难以准确表达。本文采用因子分析法对影响盾构施工引起地表沉降的9个因素进行了主因子的提取,得到4个主因子。以此数据集对BP神经网络进行训练,并用Levenberg-Marquardt(LM)算法对BP神经网络进行了优化,建立了基于因子分析的LM-BP神经网络预测模型。结合工程实例将预测结果与LM-BP神经网络模型的预测结果进行比较分析,表明本预测模型具有较高的准确性,符合实际工程的需要。     

地震灾害情景下产业空间网络风险评估——以日本丰田汽车为例

以日本东南海地震为情景,以日本丰田汽车及其关联企业为例,基于工厂个体数据及其部件供应的拓扑和空间网络,模拟灾害风险在产业网络中扩散转移过程,建立直接损失与间接功能损失的评估模型,为产业空间网络风险评估提供新的思路和方法借鉴。结果表明：在东南海地震情景下,丰田汽车约48.1%的工厂将直接受损,其中生产设施损失约5587亿日元,厂房建筑损失约1980亿日元。由于关键工厂受损,将间接导致整个产业网络中断。在最长37日恢复情景下,将造成约9230亿日元的间接功能损失。地震灾害对丰田汽车产业网络影响显著,有必要采取有效措施进行减灾降险。     

中国城市网络的空间组织特征研究——基于开发区联系的视角

城市网络研究是全球化和信息化背景下城市研究领域的前沿热点。基于开发区数据,借助引力模型构建了中国城市关联网络,并采用社会网络分析方法对网络发育特征进行了研究。研究显示：① 城市网络中心度呈现为少数城市占主导的金字塔结构,网络覆盖城市具有沿海、沿江和地方中心三个指向。高新区城市关联网络由珠三角和长三角城市群内的城市共同主导,经开区城市关联网络由长三角地区城市主导。② 城市网络从城市群内部开始向其他区域扩展,并从团簇结构逐步向鸟巢结构转变。高新区和经开区城市关联网络在哈尔滨-成都-深圳（广州）-福州-上海围合成的网络密集区内分别呈现北密南疏和东密西疏的非对称格局。③ 基于国家级开发区所形成的两类城市网络均表现出极弱的多中心特征。随着时间的推移两类网络的多中心趋势均在增强。④ 板块经济的运行以及城市群战略的实施对城市网络联系具有积极的影响。基于国家级开发区数据,测度了城市间的关联网络,结果反映了开发区政策对于中国城市网络体系重构的重要作用,不仅对于理解中国城市关联网络的演化具有重要意义,而且为城市网络研究提供了新的数据源。     

Daily salinity fluctuation alleviates salt stress on seedlings of the mangrove Bruguiera gymnorhiza

Salinity is a vital factor that regulates leaf photosynthesis and growth of mangroves, and it frequently undergoes large seasonal and daily fluctuations creating a range of environments – oligohaline to hyperhaline. Here, we examined the hypotheses that mangroves benefit opportunistically from low salinity resulting from daily fluctuations and as such, mangroves under daily fluctuating salinity (FS) grow better than those under constant salinity (CS) conditions. We compared growth, salt accumulation, gas exchange, and chlorophyll fluorescence of leaves of mangrove Bruguiera gymnorhiza seedlings growing in freshwater (FW), CS (15 practical salinity units, PSU), and daily FS (0–30 PSU, average of 4.8 PSU) conditions. The traits of FS-treated leaves were measured in seedlings under 15 PSU. FS-treated seedlings had greater leaf biomass than those in other treatment groups. Moreover, leaf photosynthetic rate, capacity to regulate photoelectron uptake/transfer, and leaf succulence were significantly higher in FS than in CS treatment. However, leaf water-use efficiency showed the opposite trend. In addition to higher concentrations of Na⁺ and Cl⁻, FS-treated leaves accumulated more Ca²⁺ and K⁺. We concluded that daily FS can enhance water absorption, photosynthesis, and growth of leaves, as well as alter plant biomass allocation patterns, thereby positively affecting B. gymnorhiza. Mangroves that experience daily FS may increase their adaptability by reducing salt build-up and water deficits when their roots are temporally subjected to low salinity or FW and by absorbing sufficient amounts of Na⁺ and Cl⁻ for osmotic adjustment when their roots are subsequently exposed to saline water.     

A-FPN算法及其在遥感图像船舶检测中的应用

光学遥感图像船舶检测主要面临两个挑战:光学遥感图像背景复杂,船舶检测易受海浪、云雾及陆地建筑等多方面干扰;遥感图像分辨率低,船舶目标小,对于其分类与定位带来很大困难;针对上述问题,在FPN的基础上,提出一种融入显著性特征的卷积神经网络模型A-FPN (Attention-Based Feature Pyramid Networks)。首先,利用卷积提取图像特征金字塔;然后,利用顶层金字塔逐级构建显著特征层,抑制背景信息,通过金字塔顶层的细粒度特征提高浅层特征的表达能力,构建自上而下的多级显著特征映射结构;最后利用Softmax分类器进行多层级船舶检测。A-FPN模型利用显著性机制引导不同感受下的特征进行融合,提高了模型的分辨能力,对遥感图像处理领域具有重要应用价值。实验阶段,利用公开的遥感目标检测数据集NWPU VHR-10中的船舶样本进行测试,准确率为92.8%,表明A-FPN模型适用于遥感图像船舶检测。     

BP�����������Ǽ�������Զ��ָ����ģ�е�Ӧ��

????????????????????????????????????BP???????????????????人???????????????????????????????????BP??????????????????г????????????????????????о??????????BP????????????????????????????????????????????????