数字测图技术在阜新市地理数据库更新中的应用

采用GPS和全站仪联合作业的数字测图方式进行了外业快速数据采集。并利用南方CASS软件对数据进行内业成图工作,最后利用大型的地理信息系统软件ArcGIS进行地理数据的入库,从而实现了阜新市区地理数据库的更新,此方式具有速度快、效率高和精度高等优点,可以借鉴到同类的地区。     

区域似大地水准面确定的最小二乘支持向量机方法

支持向量机(SVM)是近年来发展起来的机器学习的新方法,它较好地解决小样本、非线性、高维数、局部极小点等实际问题.文中研究支持向量机的拓展算法--最小二乘支持向量机(LSSVM),并将其应用于确定大面积复杂似大地水准面.通过工程实例并与神经网络模型和二次曲面多项式拟合模型相比较,验证确定区域似大地水准面的LSSVM方法的有效性.     

六道湾煤矿塌陷西区地面沉降监测设计方法探讨

介绍乌鲁木齐市六道湾煤矿塌陷区综合治理过程中地面沉降观测站、观测线的设计方法,所需观测内容,观测方法以及所使用观测仪器的精度。在观测站、观测线设计时综合考虑老采空区变形的影响,并针对该区两个不同时段开采变形观测站布设方法分别进行了设计。其中所介绍的设计方法对其它地区类似煤矿塌陷区综合治理有一定意义。     

模拟退火算法在控制网平差中的应用

线性最小二乘估计在对非线性函数进行线性近似的过程中会产生模型误差,而一些非线性参数估计方法可能因为函数复杂而难以求导,法方程系数矩阵秩亏或呈病态矩阵时难以求解,非线性迭代解法有时对初始值的选择存在依赖性,不恰当的初始值会导致迭代无法收敛。针对这些问题,引入了模拟退火算法,介绍了该算法的基本原理、计算步骤和收敛性,并以3个控制网平差应用为例,说明该算法具有无需求导求逆,简洁实用,易于编程等优势,并能实现全局优化,获得高精度的平差结果。     

基于约束的城市街道网自动综合方法

近年来,基于约束的地图自动综合成为研究的热点。本研究在基于约束的地图自动综合理论的基础上,提出了一种城市街道网自动综合方法。该方法依赖于街道网综合中的约束和改进的动态决策树结构,它很好地将约束融入了特定的数据结构,实现了街道网的渐进式综合。实验证明了方法具备可行性。     

CDN技术在国土资源信息服务系统中的应用——以资源网为例

国土资源信息服务类网站信息服务覆盖广、浏览量大、易受到黑客和病毒的攻击。本文以资源网为例,主要介绍CDN技术在国土资源信息服务系统中的应用。CDN技术的引入,可以大规模多区域加速,保证用户的就近访问,隐藏源站服务器,对于提高国土资源信息服务类网站的响应速度,提高网站的安全性具有重大的现实意义。     

一种网络RTK新技术——增强参考站

通过分析虚拟参考站技术和主辅站技术的不足,提出了一种新的网络RTK技术——增强参考站技术(ARS).分析了这种技术的原理并阐述了该技术中改正数的生成方法,同时,提出了一种基于RTCM编码的适合于该技术的改正数编码格式.在此基础上,分析了该技术的RTK定位精度、数据传输效率和系统可靠性,从理论上说明了增强参考站的技术优势.最后,以四川综合GPS服务网(SIGN)的子网数据对该技术进行了验证,结果表明,该技术具有高定位精度、高数据传输效率的特点,是一种理想的网络RTK技术.     

高程控制测量中的混合构网法

针对目前常规水准测量在山区公路高程控制测量中的局限性,本文提出了一种三角高程与常规水准测量相结合的混合构网方法,并通过实例得出,这种方法充分利用了两者的优势,在保证成果的可靠性和精度的同时,大大提高了工作效率,缩短了生产周期。     

矿区控制网布网方案的选择

用计算机模拟法,讨论了控制网不同观测量的平差结果,提出了选择矿区控制网方案的原则.     

Artificial neural network and liquefaction susceptibility assessment: a case study using the 2001 Bhuj earthquake data,Gujarat, India

This study pertains to prediction of liquefaction susceptibility of unconsolidated sediments using artificial neural network (ANN) as a prediction model. The backpropagation neural network was trained, tested, and validated with 23 datasets comprising parameters such as cyclic resistance ratio (CRR), cyclic stress ratio (CSR), liquefaction severity index (LSI), and liquefaction sensitivity index (LSeI). The network was also trained to predict the CRR values from LSI, LSeI, and CSR values. The predicted results were comparable with the field data on CRR and liquefaction severity. Thus, this study indicates the potentiality of the ANN technique in mapping the liquefaction susceptibility of the area.