耗散源函数及LAGFD-WAM海浪数值模式的改进

本文是在LAGFD-WAM海浪模式方法基础上,根据破碎波统计理论给出了LAGFD耗散源函数形式。同时对LAGFD-WAM模式进行了改进并与WAM模式作了三种典型风场下的对比实验和实测结果检验,取得了较好的结果。     

黄、渤海盐度准三维数值预报模式

黄、渤海盐度的垂直结构具有典型的自模性,而其水平分布又受平流、水平扩散效应及径流等因素的影响。本文根据黄、渤海实测资料拟合了盐度垂直剖面的自模函数,并结合描述表、底层盐度及上均匀层厚度这三个特征量水平分布的方程,形成给出盐度三维结构的准三维模式。在模式中,综合考虑了海面风和热输入的强迫作用以及流场的平流、侧向混和及底层混和影响因素,同时还考虑了径流、蒸发及降水的作用,较客观地反映了盐度的三维分布及其变化的物理过程。试报结果分析表明,模式的功能较好,结果令人满意。     

煤炭资源勘查误差理论研究

对煤炭资源勘查资源量与客观物质量之间差值的误差理论探讨,提出误差由真值误差、系统误差和离差3个基本部分组成,其中真值误差是不可消除的观测误差、系统误差是控制网度所决定的准确度标准、而离差是由地质构造及矿床形态的多解性产生的资源量波动。在此基础上,构筑了一个关于误差的数学模型,最后应用误差理论对现行勘查工作中常见的错误进行分析,并就如何避免错误及减少误差提出了见解。     

对提高导航型GPS定位精度之工作方法的探讨

论文主要介绍了导航型GPS坐标转换参数的计算方法和测量误差的改正方法。该方法的要点是通过实测多个公共点来计算坐标转换参数,以此获得较好的转换精度;并进一步对观测结果加以误差改正,从而提高其定位精度。     

基于BP神经网络的地图数字化误差纠正

由于在数字化采集过程中不可避免地会引入系统误差和异常误差,因此消除和削弱这些误差的影响是提高空间数据质量的关键。然而由于图纸变形不均匀,扫描误差又极其复杂,用常规的多项式拟合技术只能消除部分有规律的系统误差,很难完全消除它们对地图数字化坐标的影响。BP神经网络是一个高度非线性映射系统,能以任意精度逼近。结合地图数字化坐标改正的特点,本文给出了基于BP神经网络地图数字化坐标误差纠正的方法,并通过实例验证了该方法的有效性。     

基于小波变换与滤波的DEM简化方法

针对现有3维地形模型简化方法中的不足,提出了一种基于小波变换与滤波的规则格网简化方法。同时还在大量实验的基础上,给出了一般情况下需要的变换层数,分析了滤波门限与简化效果之间的关系。这里的研究不仅为3维地形的多分辨率合理建模与精度评估提供了理论和方法,而且也为今后开展类似研究及进行建模质量控制提供了科学的依据。     

FPAR的Monte Carlo模拟研究

FPAR (fraction of photosynthetically active radiation absorbed by the canopy)是植被冠层阻截太阳光合有效辐射的比例,是遥感估算陆地生态系统植被净第一性生产力(NPP)的重要参数.利用Monte Carlo方法模拟光子在植被冠层中的辐射传输过程,以植被冠层二向反射分布函数的模拟来验证模拟的正确性;在此基础上对400-700nm光合作用波段范围内的植被叶片吸收光子辐射比例的FPAR进行模拟.FPAR的Monte Carlo模拟结果,揭示了FPAR与太阳天顶角及植被冠层参数之间的关系.     

坐标相似变换模型的探讨

常用的坐标转换模型,讨论了大地高的不确定性对应用Bursa模型进行坐标转换的影响。结合工程应用的实际情况,选择平面坐标转换模型对北京地方坐标与西安80坐标进行转换,转换精度满足实际需求。     

GPS网络RTK的质量控制

随着科技的发展与工程应用的深入,传统RTK技术的不足也逐渐体现出来。网络RTK的出现克服了它的局限性。本文简要介绍了网络RTK的概念、工作原理、误差来源与平差、质量控制方法。     

基于高光谱Hyperion数据的线性光谱混合模型与神经网络模型的比较

混合像元问题是定量遥感中的热点问题之一,为了改进从遥感数据中提取定量信息,人们建立了各种混合光谱分解技术,其中线性光谱混合模型和神经网络模型就是两种比较成熟的方法。以陕西省横山地区的高光谱Hyperion数据为研究基础,通过最小噪声变换(MNF)、像元纯度指数(PPI)转换和RMS误差分析的迭代方法相结合提取影像中的纯净像元作为终端端元。分别运用神经网络模型和线性光谱混合模型对影像进行光谱分解,得到各个组分的分解图像。以标准植被指数(NDVI)影像为衡量标准,选取训练样本点,分别对两种模型进行回归分析,结果显示NDVI影像与线性光谱混合模型植被分解图像的判定系数(R2=0.91)要大于其与神经网络模型的判定系数(R2=0.81)。进一步分析表明在一般情况下,线性光谱混合模型具有比神经网络模型略高的分离精度,但是神经网络模型对细部信息的提取的效果要好于线性光谱混合模型,最后提出了端元均方根误差(EAR)指数,一种新的混合像元分解的思路。