超浅海风暴潮的一个联合模型及其对渤海风潮的初步应用

1975年秦曾灏、冯士筰提出“超浅海风暴潮”理论及相应的动力学模型(简称秦、冯模型)，给出了风暴潮位预报方程及风暴潮流的解析解，经数值检验，该理论适用于渤海风潮，但涡动系数采用与深度无关的常数值，是物理假设上的一个弱点。     

杭州湾潮混合的初步研究 Ⅱ. 下湾区

1964年作者发表了“杭州湾潮混合的初步研究Ⅰ.上湾区”一文(毛汉礼、甘子钧等，1964)。根据表征入海径流冲淡作用的河口盐度沿程分布和变化特征，将杭州湾以海盐为界划分为上湾区和下湾区：海盐以上的上游段为上湾区，其潮混合为强混合型；海盐至湾口的下游段为下湾区。其后，又对杭州湾的盐度分布、水系和环流做了初步分析，并对潮汐、对流和风浪等作用所导致的涡动混合现象作了粗略的讨论，认为要合理地阐明下湾区的混合过程似应同时考虑侧向与垂向的混合效应(毛汉礼．沈鸿书等，1964)。本文根据1963年在杭州湾下湾区进行专题水文调查所获得的资料，对杭州湾下湾区的潮混合问题进行了研究：对表征该区潮混合扩散过程的某些特征量，如水平涡动扩散系数、水平涡动交换系数等作出量级估计，并给出涡动交换椭圆；估算了控制这一河口区域盐量平衡与动量平衡的各项物理过程的相对重要性，为进一步开展杭州湾下湾区潮混合过程的观测和理论研究提供依据。     

ASM1中污水水质参数与化学计量系数的估测

简要介绍了活性污泥1号模型中14个污水水质参数与5个化学计量系数的估测方法和典型取值。     

20′×20′网格加密重力测量的点位布设

阐述了加密重力测量点位布设的重要作用 ,提出了布点的原则和步骤 ,并对 2 0′× 2 0′网格的地形类别判定和布点个数进行了探讨和实例分析     

黄、东海毗邻海域悬浮体与水团的对应关系及影响因素

对黄、东海毗邻海域由陆架到深海的悬浮体进行了大量加密取样,获得了较准确的结果。给出了悬浮体含量及其三维分布,确定它们与水团及其边界有良好的对应关系。并从物源、动力和成因等解释了这种对应,提出了水团对悬浮体研究的重要意义。研究表明黑潮次—中层混合爬升水及其混合水形成悬浮体含量最低值区,横亘在陆架与深海之间,形成阻隔含有大部分悬浮体的陆架中、下层水体向深海输送的洁净“水障”,台湾暖流北上的顶托也起类似作用,并分析了影响悬浮体含量的各种因素及有关机制。     

基于K-L变换的多光谱图像增强方法

为在多光谱图像增强同时保持其光谱特性,提出了基于K-L变换的多光谱图像增强方法,并在研究如何准确量化增强前后光谱保持度的基础上,提出了光谱特性保持系数的概念.实验结果表明,该方法在对多光谱图像增强的同时,能较好地保持多光谱图像的光谱特性.     

煤炭资源勘查误差理论研究

对煤炭资源勘查资源量与客观物质量之间差值的误差理论探讨,提出误差由真值误差、系统误差和离差3个基本部分组成,其中真值误差是不可消除的观测误差、系统误差是控制网度所决定的准确度标准、而离差是由地质构造及矿床形态的多解性产生的资源量波动。在此基础上,构筑了一个关于误差的数学模型,最后应用误差理论对现行勘查工作中常见的错误进行分析,并就如何避免错误及减少误差提出了见解。     

植被波谱空间尺度效应及尺度转换方法初步研究

基于遥感图像的地物识别需要大量地物波谱数据的支持,而现有地物波谱库中收集到的同一地物的波谱,由于其测量尺度和方法的差异,波谱也存在很大差异.以冬小麦为例,首先介绍了材料波谱、端元波谱和像元波谱这3种不同尺度波谱的概念,并以实验数据分析了不同测量尺度下波谱的差别,以此说明波谱尺度转换的必要性.然后利用物理模型和统计模型建立不同测量尺度下的波谱转换关系.分别验证了SAILH模型和线性光谱混合模型在波谱转换中的精度.研究表明,在大尺度上采用统计模型,在小尺度上采用非线性的物理模型可以解释不同尺度观测植被波谱之间的差异.     

珠江河口夏季缺氧现象的模拟

夏季底层水体缺氧现象是珠江河口存在的环境问题之一。使用三维水动力-生态耦合模型来分析珠江口缺氧现象的分布状况和产生原因。模拟结果表明:模型能很好的再现珠江口的缺氧敏感性区域和强度。珠江口存在的底层水体缺氧现象是水体强烈层化和生化耗氧过程共同作用的结果。缺氧现象的发展与减退受潮汐涨落的影响。珠江口盐度-潮汐混合锋面和层化作用控制低氧水团的范围和强度。     

基于高光谱Hyperion数据的线性光谱混合模型与神经网络模型的比较

混合像元问题是定量遥感中的热点问题之一,为了改进从遥感数据中提取定量信息,人们建立了各种混合光谱分解技术,其中线性光谱混合模型和神经网络模型就是两种比较成熟的方法。以陕西省横山地区的高光谱Hyperion数据为研究基础,通过最小噪声变换(MNF)、像元纯度指数(PPI)转换和RMS误差分析的迭代方法相结合提取影像中的纯净像元作为终端端元。分别运用神经网络模型和线性光谱混合模型对影像进行光谱分解,得到各个组分的分解图像。以标准植被指数(NDVI)影像为衡量标准,选取训练样本点,分别对两种模型进行回归分析,结果显示NDVI影像与线性光谱混合模型植被分解图像的判定系数(R2=0.91)要大于其与神经网络模型的判定系数(R2=0.81)。进一步分析表明在一般情况下,线性光谱混合模型具有比神经网络模型略高的分离精度,但是神经网络模型对细部信息的提取的效果要好于线性光谱混合模型,最后提出了端元均方根误差(EAR)指数,一种新的混合像元分解的思路。