北半球平流层臭氧的时空分布特征

利用1963－1985年北半球的平流层臭氧观测资料，采用自然平交分解方法，初步分析了北半球、特别是东亚地区大气臭氧层的时空分布特征。结果表明：（1）北半球大气臭氧的空分间分布可能与下垫面的性能有关；（2）东亚地区大气臭氧的时间分布主要具有2年和11年变化的周期特征，这与太阳黑子的准2年和准11年变化有一定的对应关系；（3）北美地区的臭氧变化则主要包含4年和7年的周期变经成分。     

未来能源──氢及其制取工艺

叙述了氢及其同位素的性质，提出了几种制氢的方案，并通过电解水制氢和在切割上代替氧（乙炔的应用取得的成果，为氢取代矿物燃料而走进家庭的研究打下基础。氢可储存，氢也可在交通上作为燃料，并且没有污染，是未来的重要能源之一。     

利用NMF算法确定ZTD格网产品空间分辨率

GGOS Atmosphere发布的ZTD格网产品得到了广泛应用,然而该产品空间分辨率的确定缺乏足够依据。本文分析了GGOS ZWD、ZHD产品与ECMWF发布的PWV、SP产品之间的强相关性,计算了不同空间分辨率格网产品的经纬向梯度分组概率;同时利用所提出的基于随机学习速率矩阵的改进NMF算法提取了不同空间分辨率格网产品的特征维数,进而确定了ZTD格网产品的最佳空间分辨率、固有特征维数,并提供了一种数据压缩发布方案。     

利用目标分解特征的全极化SAR海冰分类

特征提取及其选择是SAR海冰分类的重要步骤之一。在众多特征中选取有效特征,进而构建表达地物类型的特征空间是提高分类精度的关键。为此,本文提出一种基于目标分解特征的全极化SAR海冰分类算法。首先,对全极化SAR数据进行多视化处理及滤波操作,生成相干矩阵;其次,对相干矩阵进行目标分解,并针对分解结果提取散射特征参数,进而构建特征空间;再次,通过对所提取的特征进行统计相关性分析,并对高相关特征采用PCA降维,以优化特征组合;最后,设计BP神经网络分类器,并将所得的优化特征矢量作为输入,海冰类别为输出,实现海冰分类。本文以格陵兰中部海域作为研究试验区域,采用L波段ALOS PALSAR全极化数据。通过对本文算法与对比算法的分类结果进行定性定量分析,可以得出本文所选取的特征对海冰识别较好。此外,通过对利用各个不同特征海冰分类结果的性能分析,可以得出基于散射模型的目标分解比基于特征值的H/α/A分解更有助于海冰分类。     

一种由粗到精的机载激光测深信号检测方法

针对机载激光测深（airborne lidar bathymetry,ALB）中不同环境下波形的差异性较大,且信号检测精度受限于系统采样间隔等问题,提出一种由粗到精的机载激光测深信号检测方法。该方法首先利用接收波形的有效长度快速估计水深;粗检测依据水深近似值,分别采用理查德森-露西去卷积法（Richardson-Lucy deconvolution,RLD）和平均差方函数法（average square difference function,ASDF）对波形预处理,通过包含距离、导数和极值约束的逐级检测确定信号的初始位置;精检测以粗检测结果为初值,利用改进的二阶多项式指数函数模型,并在模型参数求解中引入信赖域优化算法以实现波形的精确拟合,进而获得信号的精确位置。实测数据和模拟数据的试验结果表明,粗检测能够根据波形的特点采取相应的处理方式为精检测提供可靠的初值;精检测可将检测结果精确至子采样间隔并在粗检测基础上进一步提高精度。与极大值检测、ASDF、RLD和四边形拟合法等传统方法相比,本文方法正确率平均提高10%左右,精度平均提高约30%。     

基于小波分解与同步挤压变换的西昌小庙台形变典型干扰的时频响应特征研究

为高精度识别定点潮汐形变观测中干扰信号的时频响应特征,提出一种基于小波分解和同步挤压变换的形变干扰数据分频时频分析方法.首先,选用合适的小波基和分解层数对原始数据做多尺度分解和重构,提取出目标异常干扰分量信号;其次,基于分频策略采用高频分辨率较好的同步挤压广义S变换处理高频干扰分量,采用低频分辨率较好的同步挤压小波变换处理中低频干扰分量,同步挤压变换可以在传统方法结果基础上进一步“挤压”瞬时频带,获得更高精度的时频谱结果.利用该方法处理分析2016—2020年西昌小庙台形变观测中受调零标定、人为进洞、道路施工交通、抽水、降雨、地震波等因素影响的典型干扰数据,得到各类形变观测手段在不同干扰因素下的时频响应特征,为准确识别干扰及异常特征提供时频谱特征方面的参考.     

基于粒子群-变分模态分解、非线性自回归神经网络与门控循环单元的滑坡位移动态预测模型研究

以三峡库区八字门阶跃型滑坡为例,针对静态机器学习模型在周期项位移预测中的不足以及高频随机项位移预测困难等问题,提出了一种新的滑坡位移预测方法。基于时间序列分解思想,采用粒子群算法（PSO）对变分模态分解（VMD）进行参数寻优,并将位移时间序列分解为趋势项、周期项和随机项。趋势项主要受滑坡内部因素影响,采用傅里叶曲线进行拟合预测;周期项由外部因素导致,基于格兰杰因果检验进行成因分析,并引入一种对时间序列历史状态具有较高敏感性的非线性自回归神经网络（NARX）进行预测;随机项频率较高且影响因素无法判定,采用一维门控循环单元（GRU）进行预测。最后将各分量预测位移进行叠加重构,实现滑坡累计位移的预测。结果表明,提出的（PSO-VMD）-NARX-GRU滑坡位移动态预测模型精度较高,且各位移分量预测精度明显高于静态模型中BP神经网络、支持向量机（SVM）和传统自回归模型ARIMA,可为阶跃型滑坡位移预测提供参考。     

基于小波分析的灰色-神经网络组合模型在大坝变形预测中的应用

监测序列经小波分解后可以得到各层分量。对低频分量采用灰色GM(1,1)模型进行建模预测,对高频分量采用BP神经网络进行建模预测,最后将各分量进行小波重构,得到监测序列的预测值。将预测值分别与没有进行小波分解直接用GM(1,1)模型预测的值和经小波分解的低、高频系数都采用GM(1,1)模型预测的值进行对比,发现经小波分解的灰色-神经网络组合模型预测精度更高。     

基于奇异值分解的遥感图像鲁棒水印算法探讨

针对遥感图像的安全保护问题,文章提出了一种基于DCT-SVD和最近区间量化的鲁棒水印算法,将遥感图像进行分块,选择视觉掩蔽效应好的纹理子块作为嵌入区域,根据混合变换后的系数在各自所属区间上的位置,将系数进行最近区间量化来嵌入水印信息;利用密钥即可实现水印的提取,不需要原始遥感图像参与。实验结果表明,该算法对加噪、滤波、旋转、缩放、随机剪切、JPEG压缩等攻击均具有较强的鲁棒性,可有效保护遥感图像的安全。