南海《更路簿》“遗产化”的路径和机制

“遗产化”是一个动态复杂的社会过程。基于在海南省琼海、文昌两市的田野调查,采用“自上而下”和“自下而上”相融合的研究路径,分析手抄南海航行路线指南《更路簿》“遗产化”路径和影响机制,以及交织在其中的复杂社会关系和地方影响因素。研究表明：“他者”和海南渔民在《更路簿》“遗产化”过程中会产生相互作用,其作用力量强于“我者”;《更路簿》由渔民家庭内部相传的用于出海作业的“秘本”转为公共领域的具有主权物证价值的“文化遗产”,渔民被赋予了南海“发现者” “经营者”的身份标签;文物收集和文化活动推进了“遗产化”并使不同群体产生互动,“我者”可在“他者”开展的遗产工作中干预“他者”的遗产认知和行为方式;《更路簿》可转化为旅游资源,但尚未形成强有力的“卖点”带动旅游业,居民在利用其带来的经济机会方面处于弱势;“遗产化”有助于《更路簿》记忆的复现和保存,但渔民的“个体记忆”被削弱,也使地方文化结构被重构;《更路簿》在琼海的植根性和“遗产化”效果强于文昌。     

浅析雷暴相关电码的编报难点

地面天气报中关于雷暴相关现象的编报,因其规定特殊较难掌握,尤其是其中一些电码的相关编报对许多观测员来说更是一个难点。     

多写勤练出成果

我是一名新闻爱好者，也是《黑龙江国土资源》杂志、中国国土资源报特约记者。在干好本职工作的同时，我始终坚持学习，多写勤练，利用业余时间积极为报刊写稿。多年来，我结合工作实际，结合单位的实际情况，先后在《中国国土资源报》、《黑龙江日报》、《黑龙江经济报》、《黑龙江国土资源》杂志，《黑龙江地质报》、《东北地质矿产经济》等报刊发稿201篇。     

曾昭璇先生对南海地理研究的重要贡献

曾昭璇先生是中国著名的地理学家,地貌学家和教育家.他在学术生涯的不同阶段对地貌学,自然地理学,历史地理学,人类地理学等学科领域均有积极的探索,他对南海地理问题的研究贯穿他的一生,为中国南海地理研究作出重要贡献.他深入研究南海海岸地貌,珊瑚礁地貌,主张采用"地形类型分析法"划分海岸类型,将中国海岸类型划分为山地港湾岸,台地岸与平原岸;他与梁景芬等合著《中国珊瑚礁地貌研究》,系统论述中国珊瑚礁探测史和石珊瑚的种属,生态,地貌特征与发育,并将中国珊瑚礁划分为四大区,六种地貌类型;他完善了珊瑚礁地貌土地名分类,根据《更路簿》划分南海珊瑚岛礁分布区,绘制珊瑚岛礁探测图;他利用历史文献资料考证"石塘"等南海诸岛古地名;他从地质学与地貌学角度论证南海诸岛与中国大陆的陆缘关系,还利用历史地理与地方志等资料佐证了南海诸岛自古以来就是中国的固有领土.     

青海驼路沟钴矿成矿特征及控矿规律研究

驼路沟钴矿床位于东昆仑造山带昆南复合拼贴带内,是国内少数独立钴矿床之一.赋存地层为奥陶-志留纪纳赤台群哈拉巴依沟组,矿体呈似层状、透镜状产出,矿体产状与围岩一致,层位、构造控矿特征显著,变形变质强烈,沿走向和倾向均有斜列和波状弯曲、膨大、缩小现象.矿床热液叠加成矿显著,表现出"似层非层、似脉非脉"的特点,成矿后改造使矿段间差异性抬升和矿体侧伏明显,矿床成因为热水沉积-热液叠加改造型.     

南印度洋风场时空特征分析

本文根据1950～1995年共46a的南印度洋船舶气象报资料,按1°×1°和5°×5°网格统计的海面风进行分析研究。通过分析每月各要素的等值线分布图,得出南印度洋风场季节变化不如北半球各大洋显著,但仍有较明显的季节变化,只是季节性差异较小,冬季比夏季风强盛,相应的平均风速、6级和8级以上大风频率也较大;全年风场基本相似,10°S以北为季风气候区,而其它海域信风区常年盛行东南风,40°S以南盛行偏西风。本文为船舶远洋交通运输、远洋出访和科学试验等活动,提供了较为详细的风场资料及变化规律。     

WIN98环境下FTP自动拷报系统的实现

详细介绍了在新网络环境和Windows98平台下自动拷报系统的设计、构造及功能，该系统以其适应性、可移植性强的特点，适合在广域网的文件传输中推广使用，现已投入业务运行。     

基于Winsock控件的气象报编辑传输系统

利用Microsoft的Winsock控件，开发客户软件和服务软件，实现了与AHDM系统对接和报文汇总、转发到9210系统节点机自动化，提高了气象报传输效率。     

基于DBN的车载激光点云路侧多目标提取

提出一种基于深度信念网络（DBN）的车载激光点云路侧多目标提取方法。首先通过预处理对原始数据进行分段,并将地面和建筑物点云与路侧目标进行分离;然后利用连通分支聚类分析算法进行路侧点云聚类,并采用基于体素的归一化分割方法分割重叠点云,从而生成独立目标点云;在此基础上,生成基于多方向目标对象的二值图像并展开成二值向量作为独立目标点云的描述特征;最后构建并训练DBN,利用训练好的DBN提取行道树、车辆及杆状目标等3类路侧目标。试验采用两份不同城市道路场景的点云数据,行道树、车辆及杆状目标提取结果的准确率分别达97.31%、97.79%、92.78%,召回率分别达98.30%、98.75%和96.77%,精度分别达95.70%、93.81%和90.00%,F1值分别达97.80%、96.81%和94.73%。试验结果验证了本文的有效性。