城市地价动态变化监测的空间分析方法研究

提出以土地交易样本作为监测样本进行城市地价变化监测与分析的新方法，通过时序监测样本的Voronoi图，分析城市土地市场的热点区域和发展趋势，采用主要交通干道作为特征剖面曲线对两个时点的地价变化值的等值线进行空间分析，确定地价突变区域作为城市基准地价更新资料调查的主要范围，并以武汉市2000～2003年的城市地价变化为例，分析验证了上述方法的可行性与合理性。     

农作物长势综合遥感监测方法

作物收获之前进行大范围作物生长状况评价 ,可以尽早的获得有关作物产量信息。介绍了中国农情遥感监测系统的综合作物长势监测方法。以遥感数据标准化处理、云标识、云污染去除和非耕地去除为基础 ,生成质量一致的遥感数据产品集 ,提取区域作物生长过程。作物长势监测分为实时作物长势监测和作物生长趋势分析。实时的作物长势监测可以定性和定量地在空间上分析作物生长状况 ,分级显示作物生长状况 ,分区域统计水田和旱地中不同长势占的比重。作物生长趋势分析可以进行年际间的生长过程对比 ,从时间轴上反映作物持续生长的差异性 ,统计全国、主产区、省和区划单元 4个尺度的耕地、水田、旱地作物生长过程曲线年际间差异 ,从而为早期的产量预测提供信息。通过处理流程的系统化 ,建设了运行化的作物长势遥感监测分析系统 ,为用户构建了综合的作物实时生长状况 ,苗情的生长趋势分析环境。同时可以依据野外地面实测信息对遥感监测结果进行标定和检验。 1998年以来 ,系统在满足日常运行的前提下 ,技术方法逐渐改进和完善 ,监测结果的精度和可靠性不断得到提高。     

变形预测模型在地铁保护区监测中的应用

结合某地铁保护区隧道监测工程,对沉降数据进行了分析及建模预测,以掌握其变形规律并预测变形趋势。由于单一预测模型存在弊端,较难达到预测要求,所以将灰色预测模型与时间序列模型进行组合,并将新陈代谢的思想引入组合模型进行建模预测。结果表明,新陈代谢灰色-时序组合模型预测结果可靠,具有较高应用价值。     

基于时序数据库的空间数据处理

分析了空间数据和时间序列数据的基本概念,提出了引入时序数据库技术来解决传统数据库在处理海量数据时遇到的存储容量和访问效率方面的问题.使用时序数据库可以很好地解决目前时序数据所遇到的一些问题.最后介绍了一种特殊的时间序列数据库的技术架构和使用该架构时间序列数据库处理空间数据的相关案例.该种架构的时间序列数据库可以更好地处理时序数据和空间数据相结合的问题.     

海洋信道多途干扰下提高信息传输可靠度的一种编码方法

水声数据在海洋信道传输过程中．除受到海洋噪声干扰外还存在由于信道界面反射引起的多途干扰。多途干扰的性质不同于海洋噪声及其它类型噪声．在抗干扰理论中所归纳的几种抗干扰方法均不适用本文提出一种编码方法．它使多途干扰信号在某一特定时刻以相同相位同时抵达接收点．由于信号的相互迭加作用使信号幅度增大．有效地提高海洋信道中数据传输的可靠性。     

稳健时序分析方法及其在边坡监测中的应用

本文将稳健估计方法引入时间序列建模,提出了基于稳健估计的自回归建模方法。采用某实测边坡两个监测点连续30期数据对该方法进行了验证计算与分析,结果表明当监测序列没有异常值时,稳健与常规自回归模型的预报精度相当;而当监测序列含有少量异常值时,稳健比常规自回归模型的预报精度有较明显的提高。     

Sentinel-1A TS-DInSAR京津冀地区沉降监测与分析

近年来,京津冀地区的不均匀地表沉降日趋严重,对公路、铁路等基础设施安全造成严重威胁,已引起国内外广泛关注。合成孔径雷达时序差分干涉TS-DIn SAR(Time Series Differential Interferometric Synthetic Aperture Radar)作为一种高效的广域形变测量手段,在地面沉降调查监测中已被广泛应用,但如何针对高现势性的影像数据高精准提取大范围区域地表形变是当前深化的热点。本文利用欧洲太空局发布的Sentinel-1A新型数据源,针对TOPS(Terrain Observation by Progressive Scans)模式影像间存在多普勒中心不一致问题,借助外部高精度POD(Precise Orbit Determination)轨道和DSM(Digital Surface Model)数据进行频移滤波迭代配准,并针对Sentinel-1A数据特征集成优化了基于点目标时序分析的大区域地表形变监测方法,以2015年—2016年期间的29景影像为实验数据开展了京津地区沉降监测研究,提取了北京东、廊坊及天津西等地区的沉降结果,并结合区域内典型区域人口密度、产业分布、地表覆盖和线路剖面等信息深入分析了沉降的时空分布特征和成因。结果表明,Sentinel-1A时序干涉结果在大范围地表沉降调查监测上具有可靠的应用精度。     

基于时序分解与机器学习的非平稳径流序列集成模型与应用

揭示变化环境下非平稳径流序列波动特征,可为提高径流预测精度和涉水工程规划提供支撑。针对径流序列具有非平稳性、周期性和异方差性的特征,收集长江流域攀枝花、城陵矶和大通站2008—2018年实测径流资料,基于周期趋势分解法(STL)将原始数据分解为周期项、趋势项和剩余项,结合各子序列特征采用多模型集成获取未来径流的综合预测值,并将预测结果与Prophet、LSTM和GARCH等单一模型进行对比。结果表明：联合机器学习和时序分解的集成模型在多个评价指标上均优于单一模型,且对异方差效应显著的站点模拟精度提升明显;验证期内3个站点的纳什效率系数分别为0.96、0.95和0.93,表明该模型能有效模拟长江流域径流波动过程。     

基于数字孪生的智能钻探服务平台架构

针对地质钻进过程中钻遇对象未知且复杂多变、钻进事故频发的现状,采用数字孪生技术,构建了基于时序数据驱动的地质钻探数字孪生模型体系,用以满足随钻探测、工况识别、钻速优化等实际需求。将监测到的地表设备、随钻测量、钻进工艺等数据按照时间序列分解为事前数据、实时数据、延时数据和迟到数据,利用物联网技术将这些多源异构数据进行处理,采用时序数据进行特征分析,基于事前数据建立典型工况,实时数据进行随钻预测和钻进过程工况识别,延时数据和迟到数据演进融合进行钻后优化,建立了数字孪生智能钻进周期服务平台,平台设计了设备物理层、虚拟模型层、数据处理层及钻探服务层4层交互系统,实现钻前、钻中、钻后全数据的全过程集成融合,达到了钻进系统参数最优化配置和安全高效钻探的目的。基于上述平台,利用Unity3D软件开发了数字孪生智能钻进原型系统,实现了钻前设备的数字化设计、钻进过程孔内三维可视化和钻进过程参数实时监测与控制的功能。结果表明,基于时序数据构建的数字孪生模型可有效提高钻进过程的效率和可靠性。研究结果为智能钻探优化提供了全新的路径和方法,有望在煤炭、石油、天然气、页岩气等钻探领域实现工程应用。