渤海夏季环流和渤海海峡水体输运的数值诊断研究

建立了一个基于POM的涵盖渤、黄、东海的海洋环流诊断模式来研究渤海夏季环流。分别进行了风海流、密度流和总环流的模拟。从模拟结果得出:渤海海峡夏季与北黄海的水交换总的来说表现为北进南出特征,但与冬季相比,其流量较小(约5×103m3s 1)且不能深入渤海。辽东湾基本上受气旋式环流控制,黄河口外至渤海湾受反气旋式环流控制。数值实验表明,渤海夏季主要属密度流性质。在渤海海峡的北岸存在一支明显的上升流,而且北部的海水垂向运动比南部要强许多。在渤海中部的纬向断面上,东部的海水垂直交换要比西部活跃得多;渤海海水的垂向运动亦主要是密度流导致的。     

回归分析在确定多金属硫化物矿石密度中的应用

在研究多金属硫化物矿床的特点,分析以往矿床勘查中确定矿石密度值难点的基础上,通过建立矿石密度值与矿石各组分的多元线性回归数学模型,预测矿床的矿石密度值。     

压裂支撑剂密度测定方法及应用研究

论证了支撑剂体积密度、视密度和绝对密度的概念与内涵,降低概念混用现象的发生。结合SY/T5018-2006和SY/T5018-2014两个标准,重新设计了测定视密度的方法、步骤和计算式。分析得出100 ml规格密度瓶是50 ml规格密度瓶测量值稳定性的7倍以上;用纯水做测试液比煤油的测量值稳定性高出2倍左右;选用100 ml规格的密度瓶,样品质量大于40 g后,会使测量值更趋稳定。支撑剂的密度指标主要用于压裂施工中的产品优选、压裂液携砂能力、地层造缝能力和变密度加砂压裂等方面。建议除非支撑剂为典型的亲油性物质,否则宜选择纯水、100 ml规格密度瓶、40 g左右支撑剂样品组合开展实验为宜。     

科马提岩与苦橄岩的区别及对若干晚古生代“科马提岩”的质疑

以往学术界更多的关注科马提岩和苦橄岩的相似性,忽略其差异。通过全数据模式,采集数据库内全球的太古宙科马提岩、后太古宙低/高钛苦橄岩数据,对比三者之间的差异发现,科马提岩更富MgO、Cr、Ni、Cs、Pb、Co和Zn,其次为低钛苦橄岩(除Co和Zn),其余主量、微量元素的含量由高至低依次为高钛苦橄岩、低钛苦橄岩、科马提岩。依据元素间的差异(如Cr/Ga、MgO/Ga、MnO/Zr、Cr/Zr等),采用密度分布函数(Density Distribution)在Matlab软件中绘制出可有效区分3类岩石的等密度判别图,并用该图对若干晚古生代"科马提岩"的岩性重新厘定。结合岩相学和地球化学特征研究表明,晚古生代"科马提岩"中,印度东部为高钛苦橄岩,越南为化学成分与科马提岩类似的低钛苦橄岩,印度拉达克地区为低钛苦橄岩。     

北京城市空间形态对热岛分布影响研究

在城市尺度上探究城市空间形态布局对城市热岛（UHI）影响研究,对于城市规划中通风环境改善、生态宜居城市建设具有重要意义。以北京为例,利用2009—2018年高密度自动气象站逐小时气温资料和2018年NPP/VIIRS夜光卫星资料,分析了UHI时空分布特征;利用2017年1∶2000基础地理信息和Landsat8卫星资料,开展了北京主城区建筑高度（BH）、建筑密度（BD）、建筑高度标准差（BSD）、容积率（FAR）、迎风截面积指数（FAI）、粗糙度长度（RL）、天空开阔度（SVF）、城市分数维（FD）等8个空间形态参数和植被覆盖度（VC）、不透水盖度（IC）、反照率（AB）等3个陆表参数的提取,并在城市尺度上开展了这些参数与UHI之间空间相关性及对UHI变化影响研究。结果显示：2009—2018年北京主城区年均、四季以及夜晚02时UHI均存在一个较为固定的形态,年均、春、夏、秋、冬、白天14时和夜晚02时UHI分别为1.81 ℃、1.50 ℃、1.43 ℃、2.16 ℃、2.17 ℃、0.48 ℃和2.77 ℃;8个空间形态参数在一年中大部分时段与UHI存在明显空间相关性,这种相关性在冬季强于其他季节,在夜晚02时强于白天14时,排名前三的分别为SVF、FAR和BD。空间形态参数已超越陆表参数成为UHI变化的重要驱动因子,11种参数对UHI变化的单独贡献为13.7%~63.7%,其中夏季、冬季和全年时段贡献最大的空间形态参数分别是BD（43.7%）、SVF（63.7%）和SVF（45.4%）,贡献最大的陆表参数分别是VC（42.6%）、AB（57.1%）和VC（45.3%）;夏季、冬季和全年时段多个参数对UHI变化的综合贡献分别为51.4%、69.1%和55.3%,主导要素分别为BD、SVF和BD。     

祁连山国家公园森林地上碳密度遥感估算

准确、及时地绘制森林地上碳密度图是了解全球碳循环的必要条件。虽然星载激光雷达(如ICESat/GLAS)数据已被广泛用于估算大尺度的森林地上碳密度分布,但地形坡度对GLAS提取冠层高度精度的影响往往限制了其在山区森林的应用。通过以祁连山国家公园为研究区域,结合GLAS数据、Landsat OLI(Operational land imagery)数据、样地调查数据,对祁连山地区进行区域性的森林地上碳密度估算。首先通过改进后的地形校正模型减小坡度对GLAS数据提取森林冠层高度精度的影响,使得更多的GLAS数据可用于后续的研究;其次将所建立的不同类型森林地上生物量估算模型与相关碳含量转换系数结合,得到GLAS激光光斑(脚印点)的森林地上碳密度;最后利用非参数化算法最大熵(Max Ent)模型得到祁连山国家公园2018年森林地上碳密度分布图。结果表明:祁连山国家公园2018年平均森林地上碳密度为40.72±6.72 t·hm~(-2),总蓄积量为28.58±4.72 Tg,海拔2770～3770 m区域的森林植被碳储量最大,且阴坡的碳储量明显高于阳坡。采用森林资源清查数据独立验证估算结果的准确性,模型估测均方根误差(Root mean square error,RMSE)为18.946t·hm~(-2)。本研究结果可以为监测区域乃至国家尺度的森林碳储量变化以及制定可持续的森林管理措施提供依据。此外,本文所采用的方法在山区森林碳储量估算方面也具有较大的潜力。     

基于机器学习的稀疏样本下的土壤有机质估算方法

采用GRNN（Generalized Regression Neural Network）和RF（Random Forest）2种机器学习方法构建土壤有机质预测模型,以提高稀疏样本情况下的土壤有机质估算精度。依据北京市大兴区农用地2007年的土壤有机质采样数据,按MMSD准则（Minimization of the Mean of the Shortest Distances）抽稀为8种不同采样密度的样本（分别为2703、1352、676、339、169、85、43、22个样本）,分别采用GRNN、RF和Ordinary kriging对各采样密度下的未知采样点进行预测,采用交叉检验的方式验证各采样密度下未知样点的预测精度。随着采样点密度的下降,样点间的空间自相关性逐渐减弱,半变异函数的拟和精度变差,预测点结果误差增大,预测的置信度降低。当抽稀到43个和22个采样点时,样点间的空间自相关性接近歼灭,半变异函数的决定系数较低且残差较大。普通克里格受到采样点数量和采样密度、样点的空间结构的影响比较明显,其预测精度随采样点数量的下降而下降。在85个采样点及以下时,其预测值与观测值之间没有显著的相关性。GRNN和RF的预测精度受采样密度的影响不大,其预测精度在一个较小的范围内波动,其预测值围绕观测值在一定阈值空间内震荡波动,具有较好的相关性,在85个及以下的采样密度时,预测精度相对普通克里格有较大的提升。普通克里格法不适合在稀疏样本条件下空间插值计算,尤其是在空间自相关性比较弱的情况下。机器学习模型能充分学习土壤间环境信息、样点空间邻近效应信息,兼顾属性相似性和空间自相关,具有更好的稳定性和适应性,不容易受到采样点数量、构型和采样密度等因素的影响,即使在采样点空间自相关性很弱的情况下也能做出稳定预测精度。     

恩施地震台gPhone重力仪背景噪声水平变化分析

基于恩施地震台gPhone重力仪2010~2018年连续9 a的相对观测数据,定量分析其在200~600 s频段范围的背景噪声水平变化,同时研究固体潮、气压、多项式拟合等因素对功率谱密度(PSD)的影响。结果表明：1）频率低于5×10-3 Hz时,固体潮和多项式改正可对重力PSD起到很好的改进作用。2）恩施台gPhone重力仪2010~2015年的地震噪声水平SNM在1.185 8~1.229 4范围内,处于相对较低且稳定的状态;而从2016年起,SNM达到1.256 6,并在2018年超过了1.30。经查明,这种变化是由于恩施台2 km范围内的多处道路施工所致。     

基于法向量密度聚类的LiDAR点云屋顶面提取

针对现有算法从LiDAR点云中提取复杂建筑物屋顶面不完整、阈值难以设置的问题,提出一种结合点云空间分布的法向量密度聚类提取屋顶面点云方法。通过构建Delaunay三角网,计算建筑物LiDAR点云的法向量;在分析建筑物点云空间和法向量分布特点的基础上,定义一种邻域关系度量屋顶面点云之间的相似性,并利用提出的算法聚类建筑物点云,得到屋顶面片点云粗提取结果;通过构建屋顶面片缓冲区,经面片处理得到建筑物各屋顶面的完整点云。选取不同复杂程度的建筑物进行实验,结果表明,算法能有效提取复杂建筑物屋顶面点云,具有较好的适应性,并能为建筑物三维重建提供可靠的屋顶面信息。     

签到位置数据的密度峰值快速搜索与聚类方法

位置签到数据蕴含了城市居民活动变化。由于客户端位置候选问题,不同的签到行为以同一候选位置签到时会产生位置重复现象。针对现有密度聚类方法在签到数据聚类上存在的问题,以快速搜索和查找密度峰值聚类算法(CFSFDP)为基础,提出了签到位置数据的密度峰值快速搜索与聚类方法。首先,引入位置重复频率来表达签到位置重复,然后,对原始签到位置数据点统计位置重复频率并重新设计数据结构,以新的空间点要素为研究对象寻找密度峰值点;最后,构建了峰值点密度簇聚类算法,在点要素集聚类过程中考虑密度连通性来保证峰值密度簇的连续与完整。试验表明,所提出的聚类方法有效避免了重复度较高的离群位置对象选为峰值并聚类的情况,并具有良好的空间适应性。所提取的密度峰值点不仅可以用来表示热区的中心,还能够反映热区的集中趋势,进而可以帮助探索热区的动态变化情况。