测震仪器健康状态数据交换平台的设计与实现

介绍了测震仪器健康状态数据交换软件平台的设计与实现.在软件开发过程中,主要使用了TCP/IP Socket编程、并发程序设计和JMS消息机制等关键技术,实现了与多种地震数据采集器的并发式网络通信以及健康状态数据的接收和交换.开源的消息中间件ActiveMQ作为统一交换平台,为仪器健康状态的交换共享提供了统一的数据接口,便于实现系统与新业务的无缝集成,提高了系统的弹性和可扩展性.利用本系统的框架模式开发的测震台站远程监视系统在河北测震台网得到了成功的应用,其功能和性能均达到了设计预期效果.     

东海陆架盆地南部区域地震速度分析

在利用速度谱资料进行速度研究的可行性基础上,使用多种方法对速度谱资料进行甄别、筛选,对有效的速度谱资料进行统计、分析,计算出瓯江、闽江、基隆、晋江4个区域及全区的平均速度趋势,阐明了制作各反射层位平均速度分布图的方法,为本区时深转换提供基础资料。同时,分析了地震地质构造与速度趋势的相关性和一致性,对盆地内构造活动不强的区域等速度线与地层分布趋势及密度的关系进行了探讨,指出其对研究重力资料有一定的指导作用。     

几种网络体系结构中数据包的效率比较分析

介绍了一种新型网络体系结构SUNA，并将它的数据包与其它两种层次型网络体系结构中的数据包进行了组成和效率上的比较分析。说明了在这方面，SUNA的数据处理效率的优势。     

利用奇异谱分析提高极移中长期预报精度

由于空间大地观测数据传输耗时及处理过程复杂, 导致极移测量值的获取存在时延, 无法满足对高精度的极移预报值有重大需求的应用领域. 针对极移复杂的时变特性, 提出一种基于奇异谱分析(singular spectrum analysis, SSA)的预报方法. 首先用SSA分离提取极移时序中的高频组分与低频组分; 其次建立最小二乘(least square, LS)外推与自回归(AutoreGressive, AR)模型对极移高频和低频组分进行组合预报. 结果表明, SSA方法能够准确地分离和提取极移低频和高频组分, 对低频和高频组分组合预报可以显著改善极移的中长期(30--365d)预报精度, 与国际地球自转和参考系服务局(International Earth Rotation and Reference Systems Service, IERS)提供的A公报中的极移预报值相比, SSA方法对极移PMX分量(本初子午线方向)和PMY分量(西90$^\circ$子午线方向)的中长期预报精度改进最高分别可达45.97%和62.44%. 研究结果验证了SSA方法对极移中长期预报改进的有效性.     

大型射电望远镜主反射面调整方法研究

随着毫米波天文学和空间通信的重要性日益提高, 对天线性能提出了越来越高的要求, 而天线性能往往受到其反射器表面精度的限制. 微波全息技术是一种快速有效的检测反射面天线表面轮廓的测量技术. 通过微波全息测量得到天线口径场, 计算天马65m射电望远镜反射面与理想抛物面的偏差. 天马65m射电望远镜的主反射面板是放射状的, 有14圈. 面板的每个角都固定在面板下方促动器的螺栓上进行上下移动, 且相邻面板交点处的拐角共用一个促动器. 采用平面拟合的方法可以计算各块面板拐角处的调整值, 但是同一个促动器会得到4个不同的调整量. 通过平面拟合, 同时以天线照明函数为权重的平差计算方法得到相邻面板拐角的一个平差值, 即天马65m射电望远镜1104个促动器的最佳调整值. 通过多次调整和新算法的应用, 天马65m射电望远镜反射面的面形精度逐渐提高到了0.24mm.     

高层大气密度的午夜极大值特征分析与建模

利用CHAMP (CHAllenging Minisatellite Payload)、GRACE-A (Gravity Recovery and Climate Experiment-A)、SWARM-C (The Earth''s Magnetic Field and Environment Explorers-C)等3颗极轨卫星的资料, 研究360—480km高层大气密度在低纬度区域的午夜极大值(Midnight Density Maximum, MDM)现象. MDM一般出现在23:00- 02:00 LT (Local Time)之间,峰值位置在低纬度15°以内,谷值位置在中纬度35°-45°附近,整体略偏向南半球,振幅约为平均密度的26%.随着高度增大以及太阳辐射水平的增强,MDM振幅呈减小趋势;冬至和夏至日附近的季节效应会减弱MDM振幅,在春秋分日的振幅最大.用3个主流大气模型DTM2000 (Drag Temperature Model 2000), NRLMSISE00 (US Naval Research Laboratory, Mass Spectrom-eter and Incoherent Scatter radar)和JB2008 (Jacchia- Bowman 2008 model)对MDM进行模拟,JB2008没有刻画出MDM现象;另两个模型低估了MDM效应,在360km和480km两个高度DTM2000模型的振幅仅为观测的46%和53%, NRLMSISE00模型仅为观测的33%和26%;模型没有准确刻画出MDM与高度、辐射水平和季节的关系.联合3颗卫星的资料,研究了-种基于地理纬度的6阶勒让德多项式,同时融合地方时和高度因素的经验函数,在振幅和相位上可以较好地刻画MDM特征,相关系数达到0.923,可为大气密度模型的修正提供借鉴,服务于低轨道航天器高精度轨道预报.     

空间分辨率对中国夏季降水时空演变特征的影响

本文使用1979—2021年国家气候中心160站(R₁₆₀)和国家级地面气象观测站2 314站(R₂₃₁₄)逐月降水观测资料,利用EOF (Empirical Orthogonal Function)分解和相关分析等方法,研究两类资料夏季降水时空变化特征及其与海气因素之间物理联系的表征水平差异,并分析了差异的可能原因。结果表明,R₁₆₀在我国西北、青藏高原等地区站点极为稀疏,导致其各EOF模态对上述地区降水的时空变化特征描述失真,中东部地区偏低的空间分辨率会使局地强降水的变化特征信号损失,造成降水的年际变率降低。而R₂₃₁₄主模态能够更为真实地反映我国降水的时空演变特征,特别是在极端降水频发的江淮地区以及降水受局地地形影响较大的山区,其EOF主模态的空间分布和时间系数演变与ENSO (El Niño-Southern Oscillation)、西太平洋副热带高压、青藏高原雪盖等气候强迫信号之间的相关性更为显著。     

基于新型探测资料对西安一次弱降水预报失误的原因分析

利用微波辐射计、激光测风雷达、多普勒雷达、相控阵雷达等新型探测资料、地面加密观测资料、ERA5再分析及多模式数值预报结果对2022年4月24日西安城区一次弱降水预报出现明显失误的原因进行分析,结果表明：(1)全球数值预报模式和中尺度数值预报模式对本次过程西安城区均报有明显降水,主要原因为模式对低层相对湿度预报明显偏大;(2)多种新型探测数据分析认为近地层湿度条件较差及中层的绝对水汽含量低,中层的干暖空气不利于成云致雨,垂直上升运动不强,且由于低层非常干燥,使水滴在下沉过程中蒸发,从而无法形成雨滴下落,这些原因共同造成西安城区无降水,低层相对湿度预报偏大是造成这次西安城区降水预报失误的主要原因之一;(3)造成西安城区近地层湿度条件差的原因是城市干热岛效应和低层干暖平流输送,且降水云团翻越秦岭后其湿空气绝热下沉至城区后出现增温降湿,使得城区形成较为深厚的干层,即使有雨滴在下落过程中也会造成更强的蒸发,这也是城区没有降水的重要原因之一;(4)预报员主观预报订正出现空报主要是源于对边界层水汽、抬升条件等关键降水要素缺乏订正能力,且对大城市的干热岛效应和秦岭山区地形影响研究不足。     

使用Python函数式编程进行空间回归分析

针对使用传统的编程方式进行空间回归分析过于繁杂的问题,本文提出将Python函数式编程引入空间回归分析方法,分析和探讨脚本语言＋函数式编程方式在GIS数据分析中的推广应用前景。编程实践证明,采用Python函数式编程,结合既有的开源软件包,可以有效提高编程效率,减少代码量,将实践人员的注意力集中在问题本身。     

Extending self-organizing maps for supervised classification of remotely sensed data

An extended self-organizing map for supervised classification is proposed in this paper. Unlike other traditional SOMs, the model has an input layer, a Kohonen layer, and an output layer. The number of neurons in the input layer depends on the dimensionality of input patterns. The number of neurons in the output layer equals the number of the desired classes. The number of neurons in the Kohonen layer may be a few to several thousands, which depends on the complexity of classification problems and the classification precision. Each training sample is expressed by a pair of vectors ： an input vector and a class codebook vector. When a training sample is input into the model, Kohonen＇s competitive learning rule is applied to selecting the winning neuron from the Kohouen layer and the weight coefficients connecting all the neurons in the input layer with both the winning neuron and its neighbors in the Kohonen layer are modified to be closer to the input vector, and those connecting all the neurons around the winning neuron within a certain diameter in the Kohonen layer with all the neurons in the output layer are adjusted to be closer to the class codebook vector. If the number of training sam- ples is sufficiently large and the learning epochs iterate enough times, the model will be able to serve as a supervised classifier. The model has been tentatively applied to the supervised classification of multispectral remotely sensed data. The author compared the performances of the extended SOM and BPN in remotely sensed data classification. The investigation manifests that the extended SOM is feasible for supervised classification.