An information-fusion method to identify pattern of spatial heterogeneity for improving the accuracy of estimation

While spatial autocorrelation is used in spatial sampling survey to improve the precision of the feature’s estimate of a certain population at area units, spatial heterogeneity as the stratification frame in survey also often have a considerable effect upon the precision. Under the context of increasingly enriched spatiotemporal data, this paper suggests an information-fusion method to identify pattern of spatial heterogeneity, which can be used as an informative stratification for improving the estimation accuracy. Data mining is major analysis components in our method: multivariate statistics, association analysis, decision tree and rough set are used in data filter, identification of contributing factors, and examination of relationship; classification and clustering are used to identify pattern of spatial heterogeneity using the auxiliary variables relevant to the goal and thus to stratify the samples. These methods are illustrated and examined in the case study of the cultivable land survey in Shandong Province in China. Different from many stratification schemes which just uses the goal variable to stratify which is too simplified, information from multiple sources can be fused to identify pattern of spatial heterogeneity, thus stratifying samples at geographical units as an informative polygon map, and thereby to increase the precision of estimates in sampling survey, as demonstrated in our case research.     

基于差值权重和快速傅立叶变换的“北京一号”卫星影像融合方法研究

提出一种基于差值权重和快速傅立叶变换的影像融合方法--DWF,对"北京一号"小卫星的全色和多光谱影像进行融合.该算法根据卫星影像的成像过程,通过傅立叶变换获取全色影像的高频、低频信息和多光谱影像在HIS颜色空间中分量的低频信息,由这3种信息通过基于差值权重的决策计算获得融合影像的空间信息.实验采用PCA、GS、DWF以及基于小波的HIS变换的融合方法,结果表明DWF方法优于其他融合方法,比较适合于"北京一号"卫星的全色与多光谱影像融合.     

基于数据融合理论的某坝段地下水宏观动态研究

在证明了采用误差均方差最小意义下,多传感器数据融合的效果优于利用任一单个传感器进行估计的效果,采用决策级融合方法,将其应用于某坝9坝段地下水宏观动态分析。经分析知：该坝段在2003～2004年为地下水宏观动态的相对突变时期,自2004年以后,坝基地下水宏观动态与库水之间的相关程度又趋于相对的稳定时期,表明该坝段坝基帷幕体的防渗性能至少出现了局部的衰减、且具有阶段性变化的特点;就分析时段而言,2003～2004年间为帷幕体防渗性能明显衰减时期,而2004年以后为其相对稳定时期。     

花岗岩研究的反思

花岗岩是地壳生长、发展以及再循环的地质见证,是地质科学中壳–幔相互作用研究的一个重要课题,同时也是流体与固体地球化学相互作用领域的研究前沿。近二百年来,有关花岗岩的研究经久不衰,大致可分为4个阶段。（1）混合花岗岩派与岩浆花岗岩派的论争,代表花岗岩成因研究开始进入理性认识阶段。一派以变质作用条件下地壳重熔的地质观察为基础,另一派以简单的玄武岩浆分异为依据,而展开论争。（2）地壳重熔实验阶段。以地壳岩石为源岩的热力学实验的开展,是花岗岩热力学研究的开始。（3）随着重熔实验的全面开展,包括了微量元素及同位素的研究,促使热力学熔融体系在花岗岩成因研究上进入全面应用阶段,使地质上的共生组合法则得以与热力学接轨。同时由于微量元素应用于花岗岩,它的多元机理（multiple stage mechanism）进一步确立,为动态研究的开展打下了一定的基础。（4）花岗岩成因与大地构造结合阶段,属于近代花岗岩研究的范畴,代表着花岗岩体系与动态地质演化过程的接轨,并开始建立一个地质实际的观察模式,为进一步向动力理论发展做好准备。为此,对花岗岩研究发展过程中出现的几个问题,如平衡热力学的应用,流体在花岗岩中的重要性,花岗岩成因与大地构造的结合以及热在长期的演化过程中的变化等问题进行了讨论。     

基于GDW的空间数据融合

空间数据融合是目前地学信息领域面临的难题。通过介绍Oracle数据仓库系统架构和其在地学信息存储和分析方面的优点,深入分析ArcInfo中的Geodatabase的空间数据组织模型,重点研究了Oracle Spatial的空间数据存储模型、空间数据和空间索引组织模式,并给出了空间数据融合的具体实现过程。针对具体项目,结合GIS二次开发,能非常高效地实现空间数据的融合。     

证据推理应用于多源信息融合分析

运用证据理论合并来自不同数据源的证据,以实现各种数据所含信息融合的原理和方法。该方法的最大特点是将数据源中存在的不确定性引入数据分析过程。另外,利用证据推理,可以在数据分析过程中方便地引入专家解译图解的经验和知识。最后通过利用ＥＲＳ ＳＡＲ数据和ＴＭ影像进行融合分析,证明该方法在遥感图解自动分类中有很好的应用前景。     

基于融合技术的结构性栅格时空数据平台的构建

时空数据融合是当前研究地理现象空间格局的数据存储、处理方法与有效途径。在构建国家资源环境时空数据平台过程中 ,我们设计了基于 1 km栅格单元的土地利用现状与变化数据库。这种时空数据表达方式的优点 :(1 )在保持面积信息不损失情况下明显减少了数据存储量 ,并且满足区域分析的空间尺度要求 ;(2 )便于多时间序列的数据存储与变化分析 ,以及变化专题信息提取与结果显示 ;(3)有利于区域土地利用变化环境背景与驱动力分析 ,可以实现与其他多源数据的有效融合 ;(4 )从小尺度到大尺度的空间尺度转换非常便利 ,在空间聚合的基础上能够快速实现从区域分析扩大至国家尺度、全球尺度的分析。     

基于多进制小波的SPOT全色影像和多光谱遥感影像融合

基于多进制小波理论,本文研究了ＳＰＯＴ全色影像与多光谱遥感影像数据融合的理论和方法,并在三进制情形,对１０ｍ分辨率ＳＰＯＴ影像和３０ｍ分辨率多光谱影像进行了实验,同时对实验结果进行了分析和讨论。理论和实验表明,基于多进制小波的遥感影像数据融合具有好的效果,并可用于广泛的研究领域。     

热带山区高时空分辨率NDVI融合精度及其影响因素分析

高时空分辨率NDVI时序数据作为遥感应用中的重要数据源,对土地覆被动态变化监测具有重要意义,特别是在地表高程变化显著、气候条件复杂、景观异质性强烈的热带山区。虽然当前学者们提出了诸多时空数据融合模型,但针对这些模型在热带山区的NDVI数据融合精度及其影响因素分析尚不多见。对此,本文选取3类时空数据融合方法(权重函数法、概率统计法和多种混合法)中具有代表性的4个模型:STARFM(Spatial and Temporal Adaptive Reflectance Fusion Model)、RASTFM(Spatial and Temporal Adaptive Reflectance Fusion Model)、ESTARFM(Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model)、BSFM(Bayesian Spatiotemporal Fusion Model)(STARFM、ESTARFM为权重函数法;BSFM为概率统计法;RASTFM为多种混合法),选择位于我国热带山区的纳板河流域作为研究区。对融合模型的...     

������ģ������С���������ڶ�Դ���������ں��е�Ӧ��

????????С????????????????????ж???????????????????????????????????????????????????????????????????顣?????????????????С??????????????????????3.6??10????^-5??ms????^-2??????????????С???????????????????????????????????????????????????4.6??10????^-5??ms????^-2??????????????????????????????????????С?????????????????????????????п???????Ч?????