MODIS数据自适应火点检测的改进算法

在MODIS火点检测算法基础上提出一种自适应火点检测的改进算法,并对改进算法进行的构建详细描述.改进的算法按照直方图统计来选择进行非火点排除的中红外通道亮温阈值,利用背景像素相对增温法判断疑似火点,提高了火点的识别能力.另外改进算法对云覆盖下的火点也有一定的识别能力.选择中国小火点发生频繁的广东地区进行改进算法的检验,结果表明火点检测效果理想.     

基于AHP和BP神经网络的深部地热水可持续开发能力评价

采用资料完整性、开采潜力、回灌量、平均水压下降速率、地面沉降速率、水温、水质、地热井布局8项指标构建天津地热可持续开发能力评价指标体系;运用层次分析法确定了各项指标的权重,建立起评价因素集和评语集,给出了归一化数值;建立了天津地热可持续开发能力的BP神经网络模型,以层次分析法得出的结果作为样本,对BP网络进行了训练和测试,实例评价结果表明了AHP和BP神经网络方法的可行性,为地热资源的可持续开发能力评价提供了一种新的评价方法。     

基于神经网络方法的芦苇叶面积指数遥感反演

提出了一种从TM图像上获取芦苇冠层叶面积指数的方法:首先对芦苇的生长背景进行分类;然后,对不同的背景光谱利用冠层反射率(FCR)模型计算得到查找表;最后,利用实测数据和查找表中的数据作为参数进行BP神经网络模型训练,从而得到芦苇冠层LAI。结果表明,人工神经网络方法有很强的非线性拟合能力,能够消除背景对反演结果的影响,有效提高LAI反演的精度。     

变形分析的神经网络技术应用实例

大型工程施工过程中的变形监测、分析与预报极为重要。变形分析建模的方法很多,神经网络技术的应用是其中之一。文中结合某深基坑工程的监测资料和工作经验,运用神经网络BP算法进行预测分析。简述BP神经网络的基本概念,介绍基坑变形分析的BP神经网络的具体模型结构,将神经网络方法预报结果与实测数据对比效果较好。该成果对生产实践具有参考价值。     

区域似大地水准面确定的最小二乘支持向量机方法

支持向量机(SVM)是近年来发展起来的机器学习的新方法,它较好地解决小样本、非线性、高维数、局部极小点等实际问题.文中研究支持向量机的拓展算法--最小二乘支持向量机(LSSVM),并将其应用于确定大面积复杂似大地水准面.通过工程实例并与神经网络模型和二次曲面多项式拟合模型相比较,验证确定区域似大地水准面的LSSVM方法的有效性.     

基于退火BP神经网络的GPS高程转换

阐述模拟退火算法的基本思想和原理,提出并介绍模拟退火算法优化的BP神经网络模型在GPS高程转换中的具体应用,同时编写相应的MATLAB处理程序,结合大量数据进行仿真实验,结果表明文中提出的退火BP神经网络模型具有收敛速度快、精度高、避免陷入局部最小的优良特性。     

三、P22 大地测量学

CH20082017由GPS测量得到的喜马拉雅的现今构造变形=The Current Tectonic Deformation of Himalaya Range Obtained from GPS Measurement/张静华,李延兴,张俊青,张中伏(中国地震局第一监测中心)//测绘学报.- 2008,37(2).-135～141根据新的GPS观测结果建立西喜马拉雅(WH)、中喜马拉雅(CH)和东喜马拉雅(EH)块体的弹性运动模型。将块体运动分解为整体旋转与内部变形.WH向北运动,平均速率31.5mm/a;CHNNE向运动,平均速率31.1 mm/a;EHNE向运动,平均速率27.0mm/a。喜马拉雅山在总体上呈现S-N向缩短与NWW-SEE向伸展.山脉中部S-N向的缩短速率最大平均14.6mm/a,大约吸收了印度与欧亚板块汇聚速率的35.7%。山脉存在明显的NWW-SEE向伸展变形,西部与东北部之间E-W方向的伸展速率为11.0mm/a。山脉中段南边界的主压应变率     

基于实例的GIS数据库模式匹配方法

针对空间数据库的特点,提出了一种改进的基于实例的层次式模式匹配方法,并解决了实体对应关系的自动建立、要素类相似性计算、属性相似性计算等问题.最后,通过实验验证了该方法的有效性.     

空间索引与多尺度表达的一体化模型研究

在分析各种常用索引的基础上,依据各自的适用范围,提出了对点对象建立格网索引,对线、面对象建立改进四叉树索引的组合优化策略。设计的改进四叉树索引避免了传统四叉树的重复索引,提高了数据访问的效率。     

三维地震属性参数在煤层厚度预测中的应用

依托“西部煤炭资源高精度三维地震勘探技术”项目工程,对晋城某矿南翼大巷东南区5m×5m×1ms的三维地震数据体,采用三维地震属性参数预测煤层厚度及其变化规律：沿3煤层、15煤层10ms时窗提取地震属性42种,根据钻孔资料,计算出煤厚与地震属性相关系数;从中优选出相关系数大于0．35的地震属性,其中3煤层9个、15煤层10个;然后进行地震属性互相关分析,优选出与3煤、15煤层厚度相关系数较大的4种属性,建立预测煤厚的BP神经网络模型,分别选取3煤层12个、15煤层4个实测数据作为学习训练和测试样本,以钻孔地震属性作为学习样本,对网络进行训练,最终获得全区煤层厚度。经与预留钻孔成果资料对比,预测精度较高,结果可用。