T639资料在一次单站短时暴雨预报中的释用

2012年7月11308时-21308时黑龙江省西南部地区出现多站暴雨,其中绥化市青冈县的永丰乡．在18—19时1h降水量达到84mm。本文利用高分辨率的T639资料对此次短时强降水的成因进行分析,结果发现：T639资料中预报要素丰富,预报要素分辨率较高,对短时强对流天气的发生发展有较好的指示作用;物理量舶快速变化或物理量梯度大处对强对流发生发展的预报意义更大,而动态地考虑集合区发生时段前后物理量的变化,则更有利加强短时强对流预报的精细化。     

基于混合过滤的地学数据个性化推荐方法设计与实现

推荐系统是帮助互联网用户克服信息过剩的有效工具。在地学数据共享领域,较其他物品的内容属性,地学数据具有更加丰富的时空属性,这也给地学数据推荐带来挑战。针对地学数据的特点,为地学数据共享推荐服务开发了一种动态加权的混合过滤方法。该方法分别采用协同过滤和基于内容过滤算法预测用户对数据的兴趣度,再以训练模型计算最优加权权重,计算最终预测评分。在数据获取阶段,通过用户访问日志数据,采用Jenks Natural Break算法分析用户访问记录获取用户的数据兴趣度。在基于内容过滤部分,通过数据的空间、时间及内容属性计算数据相似度,并以用户历史行为为依据计算用户兴趣。在协同过滤和基于内容过滤中分别采用k-NN算法计算用户对未访问数据的预测评分,并进行加权求和。通过训练集,对理想权重值及用户的共同评价度（co-rating level）进行建模,拟合二者的关系。该模型被应用于混合过滤的权重调整,以获得最优的加权方程。测试结果显示,结合数据时空属性的混合过滤方法的准确度和召回率,较单一的协同过滤或基于内容过滤方法有显著提高。     

中国城市扩展对气温观测的影响及其高估程度

由于中国城市扩展导致部分气象站点被动进入城市内部,从而造成对区域气温的高估.本文利用遥感多期影像对中国700多个气象站点各历史时期的下垫面进行判别,得到"进城"站点及其进城时间.通过比较"进城"站点的观测数据和背景气温,计算出70年代以来"进城"气象站点上的平均热岛效应强度,并对热岛效应强度的季节性筹异进行了分析,得出70年代以来秋冬季节的热岛强度高于春季和夏季的结沦.通过比较真实气温和背景气温的空间数据,识别出了气温高估区域,得出中国东部地区的气温高估略高于中部地区,东部地区和中部地区的气温高估均远高于西部地区的结论.通过计算真实气温和背景气温序列的年平均气温变化趋势,得出近40年来全国的增温值约为1.58℃,其中凶城市扩展带来的增温贡献约为0.01℃,在气温高估的核心区域的贡献约为0.09℃.     

不同气候带的河道与沙丘分布格局及其类型划分

风水交互作用是干旱区常见的地貌现象和重要的地表过程,干旱区河流通过提供物源和场所控制沙漠分布的格局,沙漠分布与风沙活动制约河道发育和泥沙输移,在不同时空尺度表现不一,但关于二者交互作用的分类处于探索阶段,尚未形成分类体系,尤其在地貌格局分类上多为定性描述。因此,自西向东选择位于3个气候带的中国西部克里雅河、中部毛不拉格孔兑以及东部西拉木伦河,利用遥感影像解译获取河道与沙丘信息,探讨近源沙丘的分布与河型之间的组合关系。结果表明：河型、河流流向与风向之间的关系、水文以及距离河道的远近影响河道与沙丘组合的地貌格局;在河道-沙丘尺度上,划分为弯曲河道-对称式边滩沙丘、顺直河道-边滩沙丘、分汊河道-心滩式沙丘、网状河道-格状镶嵌式沙丘4种类型。     

集成Landsat OLI和机载LiDAR条带数据的亚热带森林生物量制图

以亚热带天然次生林为研究对象,借助一个条带的少量LiDAR点云数据和覆盖整个研究区的免费Landsat OLI多光谱数据,并结合地面实测数据,探索森林生物量低成本高精度制图方法。首先,提取了OLI和LiDAR特征变量,并与地上和地下生物量进行相关分析以筛选变量;然后,借助LiDAR数据覆盖区的样地和条带LiDAR数据构建"LiDAR生物量模型";再从LiDAR反演生物量的结果中进行采样,结合OLI特征变量构建"LiDAR-OLI模型";最后,与单独使用OLI多光谱数据建立的"OLI估算模型"结果进行比较,分析精度并验证新方法的效果。结果表明,"LiDAR-OLI模型"对地上和地下生物量的模型拟合效果较好且均优于"OLI模型",且其交叉验证的精度也较高并优于"OLI模型",从而证明了新方法的可靠性及有效性。本研究为主、被动遥感技术在中小尺度上协同反演森林参数提供了实验基础,也为基于全覆盖免费OLI多光谱数据及条带LiDAR数据的低成本森林生物量制图探索了技术路线。     

Probabilistic assessment of soil liquefaction considering spatial variability of CPT measurements

The conventional liquefaction potential assessment methods (also known as simplified methods) profoundly rely on empirical correlations based on observations from case histories. A probabilistic framework is developed to incorporate uncertainties in the earthquake ground motion prediction, the cyclic resistance prediction, and the cyclic demand prediction. The results of a probabilistic seismic hazard assessment, site response analyses, and liquefaction potential analyses are convolved to derive a relationship for the annual probability and return period of liquefaction. The random field spatial model is employed to quantify the spatial uncertainty associated with the in-situ measurements of geotechnical material.     

古生物学数据库现状与数据驱动下的科学研究

化石数据是了解地球历史以及深时生命演化的重要信息来源。通过数百年的积累,古生物学家已经发表了海量的古生物学数据。过去三、四十年里,随着计算机、数据库和互联网技术的快速发展,国内外涌现出大量的古生物学数据库,彼此间的目标、体系架构、数据组织方式和服务对象通常存在显著差异,呈现百花齐放的特点。文章系统介绍了古生物学领域主要数据库的发展历史、数据表结构、数据特征和数据量等建设情况,对比分析了其数据整理方式、核心在线功能、数据共享特点和数据质量控制措施。同时,结合近年来数据驱动下的古生物学领域的科学研究实例,提出一站式全生态链数据平台的建设设想,为深时数字地球（DDE）建设多学科融合、数据开放与共享的大数据平台提供参考。     

SOFTWARE REVIEWS

THE BENCHMARK SYSTEM , Version 5.6. Get-A-Ref , Version 4.2. MapInfo , Version 3.0. OSU MAP-for-the-PC , OSU MAP-for-the-PC, Version 3.0. Duane F. Marble, Jay Sandhu, and others Spatial Regression Analysis on the PC , Version 1.0. Daniel A. Griffith     

Robust LS-SVM regression for ore grade estimation in a seafloor hydrothermal sulphide deposit

Due to the geological complexities of ore body formation and limited borehole sampling, this paper proposes a robust weighted least square support vectormachine (LS-SVM) regression model to solve the ore grade estimation for a seafloor hydrothermal sulphide deposit in Solwara 1, which consists of a large proportion of incomplete samples without ore types and grade values. The standard LS-SVM classification model is applied to identify the ore type for each in complete sample. Then, a weighted K-nearest neighbor (WKNN) algorithm is proposed to interpolate the missing values. Prior to modeling, the particle swarm optimization (PSO) algorithm is used to obtain an appropriate splitting for the training and test data sets so as to eliminate the large discrepancies caused by randomdivision. Coupled simulated annealing (CSA) and grid search using 10-fold cross validation techniques are adopted to determine the optimal tuning parameters in the LS-SVM models. The effectiveness of the proposed model by comparing with other well-known techniques such as inverse distance weight (IDW), ordinary kriging (OK), and back propagation (BP) neural network is demonstrated. The experimental results show that the robust weighted LS-SVM outperforms the othermethods, and has strong predictive and generalization ability.     

������Ƶ�Dz�۲����ݵ�����̽�����޸�����

??????????????????????С????????λ??????????????????????????????????????????????????????????????λ?????????α??/??λ?????????????????μ???????????????????????????????????????÷???????????????????????????÷???????????????GEO??IGSO??????????????????????????????С???????????????MEO?????????????????