基于分类K—L变换的多波段遥感图像近无损压缩方法

去除空间和谱间相关性是多波段遥感图像压缩中的重要环节，为了得到更好的去相关效果，将矢量量化方法引入多波段遥感图像压缩中，以去除对应同一地物的波段矢量间的相关性，再通过分类K－L变换去除量化误差图像的变间相关性，对K－L变换后的特征图像采用预测树的方法进一步去除谱间结构相关性和空间相关性，实验结果表明，该方法可以取得很好的压缩效果。     

矿床地球化学预测方法——以甘肃省地球化学块体为例

笔者应用地球化学块体理论，对全省化探数据进行综合分析处理。圈出14种元素地球化学块体173个，其中地球化学巨省25个，地球化学省148个。总结地球化学块体在空间上的分布规律。通过研究地球化学块体内部结构，追踪大型至特大型矿床可能存在的地点。利用块体内已探明的金属储量，计算其成矿率，预测其他元素或其他地段的金属资源总量，固定成矿远景区，确定巨型矿床找矿靶区7处。通过不同级别地球化学块体与成矿区带的关系研究，对重要地球化学块体、子块体与成矿亚带、矿田进行对比，对地球化学块体内区域矿产资源潜力作出评价。     

地震序列类型预测的遗传程序设计方法

提出预测地震序列类型的遗传程序设计方法,并选取一组实例作为研究对象,验证了该方法的可靠性．结果表明,遗传程序设计方法性能良好,可望成为地震序列类型预测的有效工具．     

日本伊豆半岛群发地震及日本地震观测技术与地震预报研究概况

１９９７年３月３－９日、日本伊豆半岛东岸发五群发地震，共计８３２８次，最大震级为５．７。综合介绍了这次震群的破坏情况，发震和构造背景，以及１９８９年６－９月伊豆半岛群发地震的实例研究概况和历史地震记录，简述了日本现代地震观测技术与地震预报研究工作。     

浅议地震预测及灾后重建

一、及时准确地预测地震乃属世界难题进入21世纪,尽管全球的科学与技术研究和发展水平取得了很大的进步和提高,但是目前地震预测仍然是一个世界性的难题,这是由3方面因素所决定:一是地球的不可入性。俗话说:上天容易入地难,我们对地下发生的变化,     

FODAS在新疆夏季降水预测中的应用与检验

利用国家气候中心海气耦合模式（BCC—CGCM）季节预测结果资料（2008--2012年）、降水实况资料CMAP（1983--2012年）,采用PS评分对近5年动力与统计集成的季节气候预测系统（FODAsl．0）不同方法的夏季预测产品进行回报检验,并与业务评分进行对比,从而检验FODASl．0对于新疆夏季降水的预测效果。结果表明：熊开国一固定因子一动力统计订正方法、熊开国一异常因子一动力统计订正方法、系统误差订正、熊开国一固定因子和异常因子的集成方法得分较高,高于新疆夏季降水预测业务评分。总体来看,熊开国方法（方法I）的预测效果比杨杰方法（方法II）的预测效果稳定。     

基于AGA的SVM需水预测模型研究

需水预测是一个由城市人口、工业水平、社会经济水平共同作用的多因素、多层次的复杂非线性系统.其结果将直接影响受区域水资源承载力约束的产业结构、布局形态等决策.作为一种集中参数预报方法,支持向量机方法具有对未来样本的较好的泛化性能,对于这类资料缺乏、系统结构尚欠清晰的问题可以取得较好的模拟和预测结果.基于此,本文将支持向量机方法引入需水预测领域,建立了需水预测支持向量机模型.同时,本文将加速遗传算法和支持向量机方法耦合起来,构造了支持向量机模型参数的自适应优化算法.模型在珠海市的应用实例表明:与简单遗传算法比较,AGA的模型参数寻优效率更高;与BP神经网络模型相比,SVM模型较好地解决了小样本、经验性等问题,并取得了较高的预测精度.     

闽浙沿海火山岩地区银矿成矿规律

本根据闽浙沿海火山岩地区银矿成矿规律和成矿预测的研究及近年来的矿产勘查，成矿预测和专科研成果，综合论述了闽浙沿海火山岩地区银矿的成矿地质条件，矿床类型和矿床特征，分析和总结了银矿的成矿规律和成矿作用，建立了区域成矿模式和成矿系列，同时指出，火山热液充填充代型银矿是本区最重要、也是最普遍的成因类型，并阐明了找矿方向。     

对张北6.2级地震预测的回顾和再研究

对张北6.2级地震在测震学前兆图像、预测回顾及总结的基础上,对部分反映较好的测震学预测指标进行了比较系统的预报效能检验和评估,进一步确定和筛选出部分测震学预测方法的最佳三要素预测指标,为各预测指标的三要素界定和预测效能提供了定量的参考依据。 对各种预报方法进行比较系统和客观的预报效能检验和评估,确定和筛选预测方法的最佳三要素预测指标,这不仅是地震预测预报逐步向科学、客观、严谨和实用化方向迈进的重要途径,而且是探索以震源物理为基础和孕震阶段为依据的多学科异常有机结合的综合概率预测的必要前题。     

融合图自编码器与GRU的城市盗窃犯罪时空分布预测模型

犯罪预测是进行犯罪预防的前提,高效准确的犯罪预测对于提高城市管理效率、保障公共安全都具有重要的意义。当前,关于犯罪预测的已有研究大多采用单一的机器学习方法或深度学习模型,忽略了犯罪的时空依赖关系,往往难以获得准确的预测结果。本文提出一个基于深度学习技术的犯罪时空预测模型—GAERNN：(1)利用GAE模型捕获犯罪案件的空间分布特征;(2)将带有空间依赖关系的特征经序列化处理后作为GRU模型的输入,进一步提取犯罪序列的时间特征;(3)经全连接层处理获得犯罪时空预测结果,并选取MLP、GCN等基准模型进行对比实验,结合RMSE、MSE等多个指标对模型预测结果进行评估。实验结果表明：对于各模型预测结果可视化分析,GAERNN模型预测的可视化结果与实际数据分布最相符合;在各模型误差分析方面,相比预测性能较差的MLP,GAERNN模型各月份的RMSE分别降低了1.02、3.58、1.29以及0.45;在子模块有效性评估方面,相比其变体模型GAE-LSTM,GAERNN模型在各月份的MAPE分别降低了2.15%、10.07%、1.92%以及2.54%,说明GAERNN模型能显著提高盗窃犯罪时空预测...