贵州省煤炭资源优度评价

基于贵州省煤炭资源分布和赋存特点,构建了煤炭资源评价体系。运用灰色聚类分析方法,对贵州省166个勘查区进行分析评价,确定其优劣顺序。结果表明:单元优度值介于44.46~83.13,各单元间差异不大;贵州省具有良好的煤炭资源条件,“优”和“良”级资源占参评总资源量一半以上;煤炭资源在毕节和六盘水分布优势明显,适于优先带动开发。     

西南石灰岩山区矿产资源开发问题的探讨

简要分析了西南石南灰岩山区矿产资源开发的有利,不利因素,以及开发中现存的主要问题,并在此基础上,提出了石山矿产开发的目标与要采取的具体策略。     

陕西南郑之奥陶纪及志留纪地层

南郑梁山区之奥陶纪,最下者为三瘤虫页岩,其次为杨子贝层,再上为直角石灰岩,三瘤虫在美欧各国多半为上奥陶纪产物,而我国独居於中奥陶纪下部,故此项动物群应自亚州逐     

督察区域地类图斑自动套合方法

自然资源督察工作中,为确定目标区域是否存在土地利用违法行为,需要利用ArcGIS软件对目标区域和地类图斑数据进行空间计算、汇总统计等套合工作,为督察工作实施提供数据支撑.目前,人工套合存在制作成本高、工作量大、准确性低、数据命名存储格式不一致等问题.为此,本文基于Python实现了地类图斑自动套合的方法,该方法可以自动...     

辽西义县组奔龙类化石一新种

在辽宁西部义县头台的义县组中新发现的1件奔龙类化石标本,显示出许多中国鸟龙属(Sinornithosaurus)所具有的特征,如上颌骨眶前窝侧面具有装饰性凹坑、前颌骨齿无边缘小锯齿、齿骨后缘二分叉、指节Ⅲ-1略长于指节Ⅲ-2的2倍、?骨Ⅲ部分窄?型形态等。但其头骨的部分骨骼与千禧中国鸟龙(S.millenii)有明显的区别前颌骨主体部分相对较高,其长仅稍大于其高,前颌骨角大,前颌骨上颌突与鼻突均很长,上颌骨不参与外鼻孔的构成,上颌骨窗相对较小且为圆形,方颧骨上升突明显长于颧骨突,齿骨长高之比小等。此外,新标本肠骨的耻骨柄前后方向的宽度小于髋臼宽度。这些不同之处表明,义县头台的标本应为中国鸟龙属另一新种,将其命名为郝氏中国鸟龙(新种)(S.haoianasp.nov.)。     

中国近海浮游介形类大尺度生态研究Ⅱ.浮游介形类与水系的相关研究

中国近海均不同程度地受控于黑潮,此外,对马暖流、黄海暖流、黄海混合水、台湾暖流、粤东沿岸流、闽渐沿岸流、南海暖流以及大陆径流也是左右海洋环境变异的主要因素,尽管后者各流系的影响往往表现出明显的区域性质,但其影响力有时是强大的,并成为介形类分布的主要制约因素。本文着重阐明相关性明确的夏、冬两季各流系对浮游介形类的调控作用。     

中国近海浮游介形类大尺度生态研究 Ⅴ.浮游介形类群落生境地理位置的季节性变迁

综合分析黑潮、南海暖流、黄海冷水团、对马暖流、闽浙沿岸流、粤东沿岸流、季风和径流对中国近海影响的季节性差异,从而导致中国近海浮游介形类的群落生境地理位置随之进行季节性的变迁。本文选择差异甚大的夏、冬两季进行分析。     

数据挖掘技术在水文预报中的应用及水文预报发展趋势研究

数据挖掘作为知识发现过程中的重要步骤,是从大型数据库中提取未知的、有价值的和可操作性的关系、模式和趋势用于决策支持的过程。我国目前在防洪领域存在着大量水文数据,如何充分有效地利用各种智能算法对这些数据进行分析与挖掘,以形成相应的水文预报模型进行准确的水文预报是防洪决策支持系统完善和发展的重要方面。本文首先全面地介绍数据挖掘的功能分类及以数据挖掘为基础的水文预报体系,然后对数据挖掘技术在水文预报中的应用进行了探讨和研究。     

基于空间自回归和空间聚类的渔情预报模型

作者针对远洋渔场渔情预报精度偏低的问题,提出一种基于空间自回归和空间聚类的渔情预报模型。该模型利用空间自回归对收集到的渔业历史数据进行预处理,然后通过空间聚类将所有数据样本根据地理位置分划成若干个区域,最后研究每个区域中环境数据与渔获数据之间的数学关系,各自建立栖息地适宜性指数模型(Habitat Suitability Index,HSI),并以印度洋大眼金枪鱼(Thunnus obesus)为例进行验证。结果表明,本模型的均方差为0.1742,与传统线性回归方法的均方差0.2363相比,能更好地表达海洋环境数据与渔获量之间的关系,预测精度显著提高。     

一种基于GPU和内存映射文件的高分辨率遥感图像快速处理方法

高分辨率遥感图像处理经常面临程序执行时间过长和内存空间不足的问题,虽然并行计算技术可以提高遥感图像的处理速度,但是无法降低算法占用的巨大内存空间。为了解决这一问题,本文提出了一种利用CUDA和内存映射文件的高分辨率遥感图像快速处理方法,并以K-Means算法为例进行了实现。其中,CUDA技术可以有效利用GPU强大的并行计算能力,而内存映射文件技术降低了磁盘I/O速度较慢对算法性能的影响。实验结果表明,本文方法比传统K-Means聚类算法计算速度提高了30倍左右,内存使用量降低了90%以上。