利用MorPAS对上黑龙江成矿带进行金成矿预测

上黑龙江成矿带主要由早-中侏罗世河流-湖泊-洪积相含煤碎屑岩组成,目前已发现多个中小型矿床,在该区进行成矿预测意义重大。文章利用MORPAS成矿预测系统,采用证据权重法进行了成矿预测工作,在充分研究区内已知矿床的成矿规律基础上,以1：257Y地质图为背景,物化探异常分析子系统对1：20万区域化探数据进行C—A分形确定异常下限,综合现有的找矿标志,提取有利的成矿要素,进行针对处理,制成上黑龙江成矿带MORPAS金成矿预测分析图,提供成矿靶区,为森林高覆盖区提供找矿有利单元。     

灰色模型分析法在高层建筑物变形监测预测中的应用

在变形监测过程中,获取监测资料以后,通过对高层建筑物观测资料进行研究分析,可以掌握地基随时间的沉降规律,预测其下一步的变形趋势,并为可能发生的变形做好必要的准备,减少因非预计沉降带来的损失。灰色模型分析法是一种常用的数据处理及预测分析方法,本文在简单介绍了灰色模型分析法的基础上,利用灰色模型分析法预测了变形监测数据,并得出了有益结论。     

神经网络辅助的GPS/MEMS-INS组合导航算法

在GPS/MEMS-INS(Micro-electromechanical System-Inertial Navigation System)组合导航中,当载体处于恶劣环境下或者载体处于大机动运动情况下,会导致GPS失锁。此时单独工作的低精度MEMS-INS会由于其位置和速度误差随着时间的变化而迅速积累最终无法导航。针对此问题,设计了一种结构简单易于实现的神经网络辅助的GPS/MEMS-INS组合导航系统。通过模拟实验,与标准卡尔曼滤波(KF)和无迹卡尔曼滤波(UKF)框架下组合导航相比,所提出的结构简单容易实现的神经网络辅助的组合导航系统具有较高的稳定性,并且组合导航整体过程中经纬度与速度精度均提高了65%左右。     

严密定位模型辅助的国产卫星影像匹配

目的 针对不同传感器下的国产卫星影像特点,提出了一种基于严密定位模型的影像匹配方法。在现有方法的基础上,改进扫描行迭代搜索法,实现同名点的快速预测。在全球SRTM 数据的辅助下,建立了近似核线方程。通过局部畸变改正,消除了匹配窗口的几何与辐射变形。引入多片最小二乘匹配(MPGC)算法,对匹配结果进行精化,并剔除误匹配点。综合运用了小面元几何纠正法与基于控制网的匹配生长算法,提高了匹配点的匹配精度与分布均匀性。利用天绘一号、资源一号02C、资源三号卫星影像进行试验,结果表明所提出的方法能够较好地结合国产卫星影像特点,实现多传感器下多轨道影像的全自动联合匹配,获得高精度的同名点观测值。     

BP神经网络在高程异常反演预测中的应用分析

利用C#语言编制了BP神经网络反演预测程序,基于具有代表性地区的高程异常数据,对BP神经网络在高程异常反演预测中的应用进行了分析。结果表明,本程序交互界面良好,具有很好的通用性;同时,在高程异常反演预测中取得良好的效果,说明神经网络在差异较大的数据反演预测方面仍具有较强的优势。     

动态矿区DEM生成方法及其在土地复垦中的应用研究

首先根据我国矿区土地复垦工作中存在的不足,通过研究提出"动态土地复垦"的概念,并确定了动态土地复垦方案制定的数据基础——动态矿区数字高程模型。动态矿区数字高程模型应该包含煤矿生产对地表的累积影响结果数据和地表的原始地形信息,开采沉陷预计结果可以提供前者,地面测量可以提供后者,经过数据处理可以按时间间隔生成描述塌陷区的一系列数字高程模型(DEM)(准动态),然后运用DEM的空间分析技术提取塌陷区在不同时间段的土地破坏类型、范围和位置数据,并根据这些数据进行动态土地复垦方案决策数据的提取,经实例验证该方法可行。     

基于小波分解的动态变形预报

阐述了小波变换和多分辨率分析的基本原理,简要地介绍了离线预报和在线预报两种不同的变形预报方式,并在此基础上提出了基于小波分解的动态变形预报的方法,并通过实际算例证明了这种方法的有效性。     

板桥稀土矿遥感找矿信息提取与矿产预测研究

通过对离子吸附型稀土矿成矿规律的分析,从浙江省板桥地区的遥感地质特征研究入手,在研究区地表范围内进行稀土遥感找矿信息的提取。首先利用SPOT图像和DEM数据构建的坡度数据对与稀土成矿相关的地貌单元进行解译;然后通过光谱特征分析和基于ASTER图像的矿物遥感异常提取,获取与成矿相关的高岭土、绢云母、绿泥石等风化特征矿物的分布信息;最后叠合分析地貌、坡度及异常提取结果,进行稀土遥感找矿预测。与地质调查资料及化探数据的对比分析证实,上述方法对圈定1∶5万的大比例尺离子吸附型稀土矿分布范围是有效的,可为更详细的稀土矿产资源潜力评价提供依据。     

Downscaling in remote sensing

Downscaling has an important role to play in remote sensing. It allows prediction at a finer spatial resolution than that of the input imagery, based on either (i) assumptions or prior knowledge about the character of the target spatial variation coupled with spatial optimisation, (ii) spatial prediction through interpolation or (iii) direct information on the relation between spatial resolutions in the form of a regression model. Two classes of goal can be distinguished based on whether continua are predicted (through downscaling or area-to-point prediction) or categories are predicted (super-resolution mapping), in both cases from continuous input data. This paper reviews a range of techniques for both goals, focusing on area-to-point kriging and downscaling cokriging in the former case and spatial optimisation techniques and multiple point geostatistics in the latter case. Several issues are discussed including the information content of training data, including training images, the need for model-based uncertainty information to accompany downscaling predictions, and the fundamental limits on the representativeness of downscaling predictions. The paper ends with a look towards the grand challenge of downscaling in the context of time-series image stacks. The challenge here is to use all the available information to produce a downscaled series of images that is coherent between images and, thus, which helps to distinguish real changes (signal) from noise.     

利用LS_AR模型对极移参数的中长期预报

为了满足深空探测器自主导航定位对极移参数中长期预报的需求,阐述了基于LS_AR模型的极移参数中长期预报和精度评定的原理,提出了4种改进方案对LS_AR模型的构建进行优化,并利用IERS提供的1990～1996年的极移参数的时间序列检验4种优化方案,得到了最优的预报模型,在400 d跨度上,其预报结果的平均绝对误差比未优化的模型小3 mas左右。