CSAMT的静态效应校正及应用

CSAMT方法在地下近地表存在电性横向不均匀时,在双对数坐标系中视电阻率曲线会出现沿着视电阻率轴平行移动的现象,称之为静态效应.静态效应对深部电性结构处理解释结果影响重大,需对其进行合适的校正.本文介绍了目前通常使用的几种静态校正方法,并且分析了各方法的优缺点.在新疆某地进行的CSAMT铜矿勘探中,应用了曲线平移法进行静态校正,取得了较好的效果.     

复杂城区车载激光扫描点云分层路段定位与数据纠正实验研究

高精度的车载点云数据是实现各种城市地物要素提取的前提,但在复杂城市环境下车载作业时信号遮挡、衰减和多径效应频繁发生,进而造成点云数据精度严重降低,如何对复杂环境下的点云数据进行分析和纠正就显得至关重要.现有的质量分析方法多从测距误差、仪器安装误差和数据处理误差方面出发,虽然可以在一定程度上改化数据,但在如何快速定位出分...     

资源三号卫星影像纠正的方法研究

影像的应用前提是影像处理,大气校正可消除大气和光照等因素对地物发射的影响。在此基础上,介绍几种常用的几何纠正方法,可消除系统和非系统因素引起的影像几何变形。本文通过对资源三号卫星的基本参数信息和相对应影像数据特点的介绍,先通过大气校正,校正后的影像分别使用几何纠正的几种方法,并通过各种方法的计算量、实用性以及相应的精度,对比分析各种方法在处理这种数据时的优越性。     

SMAP卫星海表盐度产品的检验与校正

In this study, sea surface salinity(SSS) Level 3(L3) daily product derived from soil moisture active passive(SMAP)during the year 2016, was validated and compared with SSS daily products derived from soil Moisture and ocean salinity(SMOS) and in-situ measurements. Generally, the root mean square error(RMSE) of the daily SSS products is larger along the coastal areas and at high latitudes and is smaller in the tropical regions and open oceans. Comparisons between the two types of daily satellite SSS product revealed that the RMSE was higher in the daily SMOS product than in the SMAP, whereas the bias of the daily SMOS was observed to be less than that of the SMAP when compared with Argo floats data. In addition, the latitude-dependent bias and RMSE of the SMAP SSS were found to be primarily influenced by the precipitation and the sea surface temperature(SST). Then, a regression analysis method which has adopted the precipitation and SST data was used to correct the larger bias of the daily SMAP product. It was confirmed that the corrected daily SMAP product could be used for assimilation in high-resolution forecast models, due to the fact that it was demonstrated to be unbiased and much closer to the in-situ measurements than the original uncorrected SMAP product.     

基于机器学习的海洋环境预报订正方法研究

结合中尺度数值模式 WRF 预报数据和 ERA5 再分析资料,利用机器学习方法对 WRF 预报场的风场、温度、气压进行预报订正。采用 ERA5 作为真值,与原始 WRF 预报相比,利用随机森林模型可以将预报结果整体均方根误差降低 44%以 上,利用深度神经网络模型可以将预报结果整体均方根误差降低 34%以上。通过随机森林模型实验得到不同输入特征对预报要素的影响程度,分析了关键的预报订正因子。     

基于Kongsberg EM多波束的Snippet数据处理方法

多波束声呐记录的海底后向散射片段(Snippet)数据处理成角度响应曲线和地理编码(Mosaic)图像可以 帮助识别海底底质类型和反映地貌形态,这一过程包括辐射校正、角度响应改正(AVG)和几何地理编码,但不同的多波束系统硬件在辐射校正和角度响应改正方法上存在差异且传统处理方法忽略了声呐系统本身的指向性模型随时间变化的事实。以声呐方程为基础,针对Kongsberg EM 多波束系统提出了一套完整的Snippet数据处理流程,并分析了各步骤中存在的可变性,给出了每一步的处理建议,最后将此方法应用于EM2040浅水多波束实测数据,并验证了该方法的有效性和实用性。     

Detection of coffee berry necrosis by digital image processing of landsat 8 oli satellite imagery

Coffee berry necrosis is a fungal disease that, at a high level, significantly affects coffee productivity. With the advent of surface mapping satellites, it was possible to obtain information about the spectral signature of the crop on a time scale pertinent to the monitoring and detection of plant phenological changes. The objective of this paper was to define the best machine learning algorithm that is able to classify the incidence CBN as a function of Landsat 8 OLI images in different atmospheric correction methods. Landsat 8 OLI images were acquired at the dates closest to sampling anthracnose field data at three times corresponding to grain filling period and were submitted to atmospheric corrections by DOS, ATCOR, and 6SV methods. The images classified by the algorithms of machine learning, Random Forest, Multilayer Perceptron and Naive Bayes were tested 30 times in random sampling. Given the overall accuracy of each test, the algorithms were evaluated using the Friedman and Nemenyi tests to identify the statistical difference in the treatments. The obtained results indicated that the overall accuracy and the balanced accuracy index were on an average around 0.55 and 0.45, respectively, for the Naive Bayes and Multilayer Perceptron algorithms in the ATCOR atmospheric correction. According to the Friedman and Nemenyi tests, both algorithms were defined as the best classifiers. These results demonstrate that Landsat 8 OLI images were able to identify an incidence of the coffee berry necrosis by means of machine learning techniques, a fact that cannot be observed by the Pearson correlation.     

利用多元回归分析反演西南印度洋区域海底地形

针对海底地形与重力异常和重力异常垂直梯度在相应频段呈现强线性相关的特点,引入多元回归分析技术,提出并详细推导了联合多元重力数据的海底地形建模方法。然后,在西南印度洋SWIR(Southwest India Ridge)所在部分海域开展了海底地形反演试验及地形地貌分析研究。试验结果表明:6种海深模型中,基于多元回归分析技术构建的海深模型(BDVG模型)检核精度最高,相较于S&S V18.1模型和ETOPO1模型精度分别提高了11.51%和57.81%左右;2000 m以上水深海域,各个海深模型的检核精度较高,相对误差波动较小,反映了深海海域具有良好的反演效果;地形起伏剧烈海域或者浅海海域,BDVG海深模型,相较于以重力异常和重力异常垂直梯度作为单一输入源建立的BDG模型和BVGG模型相对误差及相对误差波动变化较小,反映了BDVG模型拥有更好的稳定性,从而体现了联合反演的必要性和优势。Indomed FZ—Gallieni FZ上唯一轴部缺失裂谷洋脊段(27洋脊段)目前属于岩浆供应充足阶段,构造作用的海底扩张对其影响较小;同时由于对称裂离方式影响,27洋脊段沿轴南北对称分布有地形隆起。     

山地叶面积指数反演理论、方法与研究进展

叶面积指数LAI（Leaf Area Index）是表征叶片疏密程度和冠层结构特征的重要植被参数,在气候变化、作物生长模型以及碳、水循环研究中发挥着重要作用。遥感是获取区域及全球尺度LAI的一个重要手段,当前LAI产品主要基于遥感数据反演得到,但是多数LAI产品算法并未考虑地形特征的影响,导致山地LAI遥感反演精度不确定性大。提高山地LAI遥感反演精度亟需考虑地形因子对冠层反射率的影响,其中山地冠层反射率模型和遥感数据地形校正是提升山地LAI遥感反演精度的关键。本文围绕山地LAI遥感反演理论与方法,综合分析了国内外山地冠层反射率模型和地形校正模型的研究进展,总结了目前山地LAI遥感反演存在的问题,并讨论了未来研究的发展趋势。     

兰州盆地新石器时期遗址分布与地形的关系研究

研究遗址和地形等环境要素的关系有助于理解人地关系的作用机制。基于GIS空间分析和二元逻辑斯蒂模型分析了兰州盆地新石器时期马家窑和齐家文化遗址空间分布的特征、变化规律及影响因素,定量研究了地形等环境要素与遗址分布的关系。结果表明：新石器时期的马家窑文化、半山文化、马厂文化和齐家文化遗址均沿黄河分布,主要集中于河流阶地上坡度较小的区域。距河流的水平最近距离为318.6~17 721.7 m。新石器遗址特别是马厂遗址的空间集聚性明显。从马家窑类型、半山类型,发展到马厂类型,单一型遗址的占比逐渐由53.3%增多至92.6%。马厂类型的分布中心距离黄河最近。地形等环境要素显著影响遗址的空间分布,遗址出现概率主要受坡度、坡向和距黄河最近距离的影响,模型的解释程度可达65.0%。引入历史时期和现代聚落进行比较,历史时期聚落分布受到高程和坡度的影响,而现代聚落的分布主要受到高程、坡度和距河流距离的影响。聚落分布和影响因素的演变可能受到社会生产力发展的影响。