大规模地形实时绘制的算法研究

讨论了地形模型的多分辨率表示机制、节点评价函数、动态简化算法、裂缝的解决方法、三角网快速构建等地形可视化中的关键问题。实验结果表明，本文提出的算法实时、高效，可以满足大规模地形可视化要求。     

航空伽马能谱地形改正新方法及应用

针对航空伽马能谱测量特点,推导了基于二维地形影响系数的航空伽马能谱测量地形逐点改正的理论公式。通过模型试验,总结了不同地形上不同飞行方式时的航空放射性异常特征,给出实测数据处理与野外异常查证对比结果,地形改正效果较好。     

MRI分割的几何活动轮廓模型的半隐式AOS迭代方法

几何活动轮廓模型以其计算稳定等优点，被广泛用于图像分割。给出一种基于AOS(additive operator splitting)算法的快速活动轮廓模型，将AOS方法与几何活动轮廓模型相结合构造一种半隐式迭代模型，它对迭代步长没有限制，从而可以选择较大的迭代步长，提高了模型的时间效率，并使用区域信息构造系数矩阵，使模型具有全局性。对MR(magnetic resonance)图像分割的实验表明，该模型可以得到较好的分割结果，同时时间效率也有大幅提高，方便了实时应用。     

伴随模式同化系统在修正模式地形中的应用

任何模式都只是实际大气的一种近似模拟，存在误差。鉴于传统的四维资料伴随模式同化系统都是假设模式完全正确仅对初始场进行修正。将伴随模式同化系统应用于修正模式地形误差，通过对不同初始地形的修正试验表明，MM5伴随模式同化系统能很好地对地形误差进行修正，能够反演出与初始气象要素场分辨率相匹配、与模式更协调的地形场，为伴随模式同化系统的广泛应用提供了一种新的思路。     

基于DEM的地形简化方法对比分析

地形简化作为一门重要的数据压缩技术已广泛应用于DEM。在大量简化算法中，地形简化指标作为地形简化的核心环节，其好坏直接关系到地形简化的好坏。本文对基于局部误差、曲率和法向量的五个地形简化指标进行了分析评价，用离散的高斯合成曲面来模拟真实DEM，以解析得到的高斯曲率作为地形简化指标“真值”，对比研究了在离散高斯曲面上得到的五个简化指标与解析所得“真值”，通过对各个指标“保特征性”可信度的分析，获得了对这五个指标的整体评价，最后，实例验证了本文结论的正确性。     

CAPPS多箱模式中光化学模式的嵌套与城市大气臭氧数值预报

为解决城市边界层中大气O₃浓度的预报问题，选用一种简明有效的光化学反应方案建立光化学模式, 并与大气平流扩散的箱格预报模型进行了嵌套，从而将大气化学过程引入到城市空气污染数值预报系统 (CAPPS) 中。同时，根据实际需要研究了VOC (Volatile Organic Compounds) 浓度及NO_x源排放量等参数缺测时，根据前期监测浓度采用遗传算法反演未知参数的具体方法。利用2001年9月8~17日在北京舞蹈学院监测的O₃、NO_x资料及相应的气象数据，用改进后的CAPPS模式进行了单箱预报试验。预报试验结果表明，嵌套后的模式对O₃浓度的变化具备一定的预报能力。     

不同辐射传输方案对中尺度降水影响的对比分析

在MM5非静力稳定中尺度气象模式中引进了建立在δ-4流近似和相关-k分布基础上的对云水、雨水、冰晶和霰的辐射特性进行详细描述的辐射传输方案。新建立的辐射传输方案和MM5中原有的辐射传输方案在华南暴雨中的模拟结果相互比较，并与天气实况的对比表明:辐射在中尺度暴雨中起着重要的作用；辐射传输方案对云辐射特性描述的准确程度对于地面降水影响是明显的；不同的辐射传输方案对地面降水的影响存在较大的差异，并且这些差异在白天比在夜间明显；辐射传输过程对地面降水影响的差异主要表现在降水中心上，而对降水的地理分布改变很小；相对而言，不同的辐射传输方案之间对短波描述的差异对地面降水的影响明显，而对长波描述差异的影响不大；新辐射传输方案能够在一定程度上改进MM5对中尺度降水的模拟能力。     

显式自由表面模型时间分裂格式的一个积分方案

讨论了有关显式自由表面模型的时间分裂格式中的分裂误差。在传统的积分方案中，由于采用蛙跳格式，斜压动量方程具有三层的时间离散结构，但是，正压动量方程在相应的时间层上只有二层的离散结构。因此，正压方程与斜压方程的时间离散结构是不相容的。分析结果表明，这是导致分裂误差的原因。本提出一种能保持时间离散结构相容的正压和斜压方程的时间积分方案。该积分方案的分裂误差很小因此特别适合于需要长期积分的气候研究。该方案在北太平洋的一个自由表面模型中得到了应用。     

Combination of Dependent Realizations Within the Gradual Deformation Method

Gradual deformation is a parameterization method that reduces considerably the unknown parameter space of stochastic models. This method can be used in an iterative optimization procedure for constraining stochastic simulations to data that are complex, nonanalytical functions of the simulated variables. This method is based on the fact that linear combinations of multi-Gaussian random functions remain multi-Gaussian random functions. During the past few years, we developed the gradual deformation method by combining independent realizations. This paper investigates another alternative: the combination of dependent realizations. One of our motivations for combining dependent realizations was to improve the numerical stability of the gradual deformation method. Because of limitations both in the size of simulation grids and in the precision of simulation algorithms, numerical realizations of a stochastic model are never perfectly independent. It was shown that the accumulation of very small dependence between realizations might result in significant structural drift from the initial stochastic model. From the combination of random functions whose covariance and cross-covariance are proportional to each other, we derived a new formulation of the gradual deformation method that can explicitly take into account the numerical dependence between realizations. This new formulation allows us to reduce the structural deterioration during the iterative optimization. The problem of combining dependent realizations also arises when deforming conditional realizations of a stochastic model. As opposed to the combination of independent realizations, combining conditional realizations avoids the additional conditioning step during the optimization process. However, this procedure is limited to global deformations with fixed structural parameters.