中国冬季气温不同年代际的季节内变化特征及成因分析

利用1951～2020年中国观测站气温资料、NCEP/NCAR再分析资料和统计方法,分析了不同年代际时间尺度背景下我国冬季气温的季节内变化特征及相联系的大气环流异常。结果表明,1986年前、后为两个年代际时间尺度阶段,各阶段内前冬（12月）与后冬（1～2月）气温异常反位相年的比例均高于同位相年。1986年之前,季节内的优势空间模态为前冬全国冷（暖）转为后冬南方暖（冷）的可能性大,即南方地区季节内变率大;而1986年之后的优势空间模态为前冬北方冷（暖）转为后冬全国明显暖（冷）的可能性大,即北方地区季节内变率大。冬季气温的季节内变化显著受到冬季风系统关键环流季节内变化的影响。对应优势模态的正异常年份,1986年之前,欧亚中高纬地区对流层环流异常信号从前冬到后冬显著性减弱,其中西北太平洋地区对流层中高层的环流调整更明显,副热带高度场增强,热带东风急流北扩,前冬到后冬的环流调整有利于前冬全国大范围偏冷而后冬我国南方地区气温升高,造成南方地区季节内反位相变率增大。1986年之后,欧亚高中低纬地区的环流异常从前冬到后冬显著性增强,欧亚中高纬度环流发生较大调整,而低纬度的环流变化不大,北方地区前冬冷到后冬全国明显转暖,造成北方地区季节内反位相变率大。即副热带环流和中高纬度环流分别在两个年代际尺度阶段南方和北方的冬季气温季节内变率中起到主导作用。     

EEMD分解的超快速北斗卫星钟差预报

为提高北斗卫星钟差预报精度,本文提出采用多项式和集合经验模态分解相结合的模型进行北斗卫星钟差的预报,并采用GPS数据验证算法的正确性。在剔除卫星钟差中的趋势项部分后,利用经验模态分解法对残差分解得到不同频率的时间序列。对各时间序列用不同模型进行预报并进行线性组合,最终的钟差预报值由趋势项和各时间序列的预报值复合而成。试验表明:该模型对北斗卫星钟差预报取得了较好的结果,与ISU-P相比,精度提升幅度在7.3%~43.0%之间。     

惯性导航EEMD区间阈值降噪方法

陀螺随机误差是影响惯性导航系统精度的主要因素。在经验模态分解（EMD）和阈值降噪的基础上,提出一种基于集合经验模态分解（EEMD）的区间阈值的陀螺信号降噪方法。该方法利用EEMD方法将陀螺信号分解多个本征模态函数（IMF）分量和1个残余分量,基于信号和IMF分量的概率密度函数的2范数距离方法剔除纯噪声IMF分量,利用改进的区间阈值降噪方法实现信号的降噪。仿真和实测试验表明,该方法不仅能有效抑制EMD中的模态混叠问题,而且能有效削弱陀螺的随机误差,从而提高惯性导航系统的精度和可靠性。     

基于分裂合并的多模型拟合方法在点云分割中的应用

本文基于机器视觉探讨数字摄影测量三维构像下的智能数据处理要素之二：海量点云分割处理技术。多模型拟合方法通过将点云拟合到不同模型中,依照点云空间分布特征和几何结构特征进行分割。针对点云数据量巨大、分布不均匀、结构复杂等特性,本文提出一种基于多模型拟合的点云分割方法。首先通过降采样,采用基于密度分布的聚类方法,实现对点云的预分割。在预分割基础上,利用基于分裂合并的多模型拟合方法对点云进行后续拟合分割。针对平面和弧面,本文采用不同的拟合方式,最终实现对室内密集点云分割。试验结果表明,该方法能够在无须提前设置模型数目的情况下实现点云的自动分割。且相较于现有的点云分割技术,此方法相较于现今的常规方法能取得更好的分割效果,在分割的正确率上要高于现有的常规分割方法,在处理相同数据量的点云分割时,能够达到远低于常规方法的时间消耗。通过本文提出的三维点云分割方法能够实现将大规模、复杂三维点云数据分割为较为精细、具有准确模型参数的三维几何图元,为后续实现大规模、复杂场景的精确三维构象提供有力支持。     

一维HHT变换在探地雷达数据处理中的应用

探地雷达(GPR)噪声信号通常具有非稳态、非线性特征,为去除这些噪声提高GPR图像解译的准确性,对利用HHT方法去噪进行了研究。首先阐述HHT的基本理论,然后通过对探地雷达数值模拟信号中噪声的去除验证基于HHT方法的可行性,最后将该方法用于探地雷达隧道地质超前预报的数据处理中。通过研究表明:该方法可以用于探地雷达信号的去噪,通过Hilbert变换得到三特征参数图像与EMD分解后合成图像进行对比验证,从而达到提高GPR信号解译精度的目的。     

变分模态分解与长短时神经网络的大坝变形预测

为了提高大坝变形数据的预测精度,该文提出一种变分模态分解和长短时记忆神经网络相组合的预测模型.对大坝的历史变形数据进行变分模态分解,利用长短时记忆神经网络进行预测,累加各模态分量的预测值完成重构.以江西省某蓄能水电厂2010-2014年大坝监测数据为例,设置不同的对比实验验证VMI-LSTM组合模型的有效性和稳定性.研究表明:组合模型能够有效减小单一模型的误差,VMD能够将变形序列分解为不同频带的分量,减少非线性、非平稳性对预测精度的干扰,且VMD-LSTM神经网络的预测精度要优于其他模型,对于大幅提升大坝变形的预测精度有一定的参考价值.     

一种抑制边界效应的EMD方法及其在滑坡监测中的应用

滑坡位移序列的正确分解对滑坡的预测、预警有重要影响。经验模态分解是一种常用的时间序列分解方法,但该方法在分解过程中存在端点效应,建立的预测模型端点发散,导致预测误差出现较大偏差。为此,本文基于函数延拓的原理对经典经验模态分解方法进行改进,提出一种抑制端点效应的经验模态分解方法,利用金沙江白格滑坡数据对改进方法进行分析验证。试验结果表明,改进方法的端点效应抑制效果良好,预测精度较经典方法有一定的提高。     

印度洋-太平洋海表温度年际变化的联合模态

利用1870～2004年的HadiSST的月平均海表面温度(SST)资料,对去除了全球增暖趋势的印度洋-太平洋海表温度异常(SSTA)作季节经验正交函数(Season-reliant Empirical Orthogonal Function, S-EOF)分解,得到了印度洋-太平洋海表温度年际变化的2个联合模态,并且分析了与之相对应的大气环流特征.结果表明:低频的厄尔尼诺/南方涛动(ENSO)是控制印度洋-太平洋的主导模态,能使赤道印度洋维持一异常反气旋性环流,削弱印度洋夏季风的作用并且将东印度洋暖池的暖水输送到西印度洋,印度洋SSTA在一年四季中都出现全海盆同号变化,因此,第一主模态是ENSO的低频模与印度洋海盆一致模的联合模态;第二模态表现为太平洋上准2 a的ENSO位相转换模与印度洋偶极子模的联合模态,ENSO的位相转换发生于春季,与季风的异常转换有关,印度洋上出现异常的气旋性环流,叠加在印度洋夏季风上,增大东西印度洋的温差,在秋季出现西低东高的偶极子型海温分布,印度洋夏季风和这个模态的产生发展有很大的联系.     

北太平洋局地海洋-大气相互作用的主模态

本文分析美国国家大气研究中心(NCAR)的CCM3-ML耦合模式100 a积分模拟结果,依据对该模式结果中SSTA与海面风异常的最大协方差分析,证实的确存在北太平洋局地大气影响海洋和海洋"反馈"大气的主模态;指出通过局地海洋-大气的相互作用,冬季马蹄型海温异常可以持续到夏季,冬季大气对马蹄形暖海温异常可能的响应为高压异常,春夏季对马蹄形暖海温异常可能的响应为低压异常。