多阈值和神经网络卫星云图云系自动分割试验

卫星云图自动分割是实现卫星云图云系自动识别的基础.选用1992~1994年和1997~1998年夏季有典型天气系统的177幅GMS红外云图建立了云系模型库, 云系分类样本3079个, 包含16类云系, 云系分割样本2764个.利用云系分割样本集进行神经网络试验, 训练集为从32幅云图中抽取的484个样本, 测试集为从145幅云图中抽取的2280个样本, 神经网络模型训练正确率达到98.8%, 测试正确率为86.4%.用1997年7月18~21日和1998年6月15~17日的两组卫星云图做自动分割应用试验, 结果经专家判识, 正确率达到90%以上.本文的工作表明:用多阈值和人工神经网络相结合方法对卫星云图进行云分割在实际应用中是可行的. 卫星云图自动分割系统的输入是GMS红外云图, 输出是分割出的每一个云区, 同时还包括云区的边界链码、起始点、周长、面积, 并保留了原始图像数据.在下一步的云系识别过程中, 可以在此基础上进行云系分类识别试验.     

黄淮气旋中人工增雨播云区的探讨

利用冷云人工增雨冰水转化理论,较详细地分析了一个黄淮气旋的垂直结构。讨论了该气旋不同发展阶段、不同部位有利于冰晶通过水汽凝结或凝华增长的条件,给出了作业前根据宏观物理量确定气旋中播云区的方法。分析表明,在气旋初生期,气旋各部位的冷层都有较好的水汽条件;在气旋发展旺盛时,冷锋前和暖锋前的冷层水汽条件较好;在气旋锢囚后,只有暖锋前的冷层和气旋中心水汽较多。而暖锋前的冷层中总是液态水最多的部位。     

省级气象计量检定业务自动化系统

省级气象计量检定业务自动化系统 (以下简称系统) 是省级气象计量部门的业务应用平台, 以提高其业务管理水平、工作效率和检定质量。系统基于现有省级气象计量标准硬件设备,辅之以自动化智能控制技术,采用B/S和C/S软件开发模式,实现检定业务的数字化、信息化和自动化。该系统包含计量业务管理和自动化检定两个子系统,共用同一个检定数据库。计量业务管理子系统由仪器收发、常规仪器检修、系统管理、预警超检、报表处理、综合查询统计、计量器具管理等模块组成;自动化检定子系统包括温度、湿度、气压、风、雨量等传感器的自动化检测,能够自动采集数据、自动生成原始记录和检测证书。系统的业务应用表明:系统自动化程度高,提高了业务管理水平、工作效率和检定质量。     

NOAA卫星图像水体信息神经网络识别方法的探讨

该文阐述了应用神经网络识别NOAA卫星图像水体信息的基本原理和方法, 并进行了实例分析, 结果表明, 神经网络法比阈值法具有更高的精度和效率.     

古田水库人工降雨效果的综合评价

该文是对福建省古田水库地区12年（1975—1986年）人工降雨随机试验效果进行综合评价。统计分析表明244次随机试验得出20%（α＜0.05）左右增雨效果。各种观测分析（冰核、雨水中Ag+含量，雷达回波、雨滴谱）及数值模拟结果为人工增雨统计结论提供了初步的物理学解释。     

2006年北京市人工增雨作业效果统计分析

利用区域历史回归方案对北京市2006年人工增雨作业效果进行统计评估,选择区域平均日雨量作为统计变量,北京市2006年共有43个催化作业日,其中41个为增雨作业日,作业区域位于北京市北部,面积大约为100 km×50 km.评估结果表明,北京市2006年人工作业相对增雨13%,绝对增雨39 mm,但增雨效果不显著.本文根据催化技术状况对作业日进行分类统计分析,得到21个地面催化充分作业日相对增雨34%,显著度较高,u检验达0.019;29个地面和飞机催化充分作业日相对增雨37%,u检验显著度为0.022;8个飞机作业日相对增雨48%,增雨显著度较低;12个催化不充分作业日相对减雨49%;2个过量播撒消雨作业日相对减雨12%,结果也不显著.分类统计分析表明,对目标区进行充分催化是获得好的催化效果的前提.     

新一代人工智能驱动的陆地观测卫星遥感应用技术综述

随着各国航天事业的高速发展以及政府对卫星遥感技术的大力支持,各类军民商用卫星系统层出不穷,建立了较为完善的卫星遥感数据获取体系,为推动经济社会高质量发展提供了新动能。与此同时,人工智能技术的迅猛发展极大程度的提升了数据分析的智能化、精准化水平,为遥感大数据分析与应用带来了新的发展机遇。在互联网时代的背景下,结合新一代人工智能、大数据、物联网、5G等先进技术,推动遥感应用朝着智能化、大众化、产业化方向发展是大势所趋。本文依据当前陆地观测卫星智能遥感技术的发展现状与实际需求,论述了人工智能驱动的遥感技术在资源调查、环境监测、灾害监测等领域中的应用研究现状,探讨了现阶段制约人工智能技术在遥感领域应用成效的关键问题,最后结合遥感大数据处理中存在的问题和挑战,对陆地观测卫星遥感应用技术的发展趋势进行了展望,建立基于人工智能的卫星遥感应用体系已成为卫星遥感技术发展的必然趋势。     

Inclusive Multiple Models(IMM) for predicting groundwater levels and treating heterogeneity

An explicit model management framework is introduced for predictive Groundwater Levels(GWL),particularly suitable to Observation Wells(OWs)with sparse and possibly heterogeneous data.The framework implements Multiple Models(MM)under the architecture of organising them at levels,as follows:(i)Level 0:treat heterogeneity in the data,e.g.Self-Organised Mapping(SOM)to classify the OWs;and decide on model structure,e.g.formulate a grey box model to predict GWLs.(ii)Level 1:construct MMs,e.g.two Fuzzy Logic(FL)and one Neurofuzzy(NF)models.(iii)Level 2:formulate strategies to combine the MM at Level 1,for which the paper uses Artificial Neural Networks(Strategy 1)and simple averaging(Strategy 2).Whilst the above model management strategy is novel,a critical view is presented,according to which modelling practices are:Inclusive Multiple Modelling(IMM)practices contrasted with existing practices,branded by the paper as Exclusionary Multiple Modelling(EMM).Scientific thinking over IMMs is captured as a framework with four dimensions:Model Reuse(MR),Hierarchical Recursion(HR),Elastic Learning Environment(ELE)and Goal Orientation(GO)and these together make the acronym of RHEO.Therefore,IMM-RHEO is piloted in the aquifer of Tabriz Plain with sparse and possibly heterogeneous data.The results provide some evidence that(i)IMM at two levels improves on the accuracy of individual models;and(ii)model combinations in IMM practices bring‘model-learning’into fashion for learning with the goal to explain baseline conditions and impacts of subsequent management changes.     

岩性识别：方法、现状及智能化发展趋势

岩性识别是地质工作中一项基础而又重要的工作。传统的岩性识别方法过于依赖经验和地质专业知识积累,不仅耗时长、专业性强,还易受主观因素影响,导致准确率不理想。笔者等首先回顾了传统的岩性识别方法,之后总结了最新涌现的智能化识别方法,最后详细介绍了基于岩石图像、镜下图像、图像与元素信息融合等的智能识别方法。基于岩石图像的识别方法对于文中的岩石识别准确率可达90%以上,基于图像与元素融合的岩性识别方法可以降低图像相似度高、风化破坏表观特征等因素对识别准确度的影响。笔者等认为当前岩性智能化识别研究仍处于初级阶段。综合各类数据源的优势,利用机器学习深度挖掘岩石元素、矿物、光谱和表观特征间的内在关联性,有利于突破单源信息的局限性,实现岩性快速准确识别。     

群智能优化算法在水文频率曲线适线中的应用

根据不同适线准则,研究群智能优化算法在水文频率曲线适线中的计算问题,为水利工程规划、水资源优化配置等提供依据。以陕北地区12个主要测站的年径流系列为例,选取五大分布类共12种分布线型,根据我国现行水利水电工程设计洪水计算规范,按照离(残)差平方和最小准则(OLS)、离(残)差绝对值和最小准则(ABS)、相对离差平方和最小准则(WLS),以MATLAB7.6为计算平台,研究模拟退火算法、遗传算法、粒子群算法和蚁群算法进行水文频率参数的估计。在不同适线准则下,陕北地区年径流最优频率分布模型为广义Logistic分布(Generalized Logistic Distribution,GLO),粒子群算法进行参数估算偏差最小。与传统优化方法相比,群智能优化算法对优化目标函数要求低,是一种推求年径流频率曲线统计参数的新途径。