JRC-JCS模型抗剪强度估算的平均斜率法

结构面对工程岩体的稳定性有着决定性的影响,结构面的抗剪强度参数是分析岩体稳定的关键的参数。本文回顾了结构面抗剪强度估算的JRC-JCS模型及其估算方法,提出了可快速估算结构面抗剪强度参数的平均斜率法,并通过对比分析阐明平均斜率法的优越性。     

几种统计预测方法对1998年南京降水的跨季节预测试验及分析

对1998年南京降水分别设计并开展了求和自回归滑动平均（Auto-Regressive Integrated Moving Average,ARIMA）模型预测、经验模态分解（Empirical Mode Decomposition,EMD）预测和基于Hilbert变换（HilbertTransformation,HT）的幅频分离预测等3种跨季节统计预测试验。结果表明：ARIMA模型预测结果存在明显的系统性误差且对夏季的降水突变现象预测困难;EMD分解预测的结果虽在降水演变趋势上有明显提高,但仍未能预测出夏季的强降水突变现象,究其原因可能是对高频分量预测效果不好所致;而基于Hilbert变换的幅频分离预测方法能够对各模态分量的瞬时频率和瞬时振幅实施隔离预测,消除两者的相互影响,显著改善高频模态的预测效果,使得最终预测结果最为理想,不仅具有最高的趋势相关性和最小的偏差,而且还较好地预测出了夏季两次强降水过程。不仅如此,在对2003年的降水预测验证中,基于Hilbert变换的幅频分离预测方法同样具有最好的预测效果,表明该方法预测效果较为稳定,为改进跨季节短期气候统计预测技术提供了一个新思路。     

利用经验正交函数数据插值法重构东中国海叶绿素a质量浓度场

利用经验正交函数数据插值法(Data INterpolating Empirical Orthogonal Functions)重构由MODIS-Aqua卫星提供的三级产品叶绿素a质量浓度,得到了从2003—2009年东中国海叶绿素a质量浓度的月平均场。东中国海近岸叶绿素a质量浓度7 a平均值明显高于外海。对叶绿素a质量浓度季节平均场进行分析研究表明,东中国海叶绿素a质量浓度主要受长江径流、海表水温和季风的影响。对叶绿素a质量浓度异常场进行EOF分析表明,第一模态方差贡献为37.8％,空间分布显示,在长江口东北部出现叶绿素a质量浓度异常高值区,时间变化以半年和半年以下周期为主;第二模态方差贡献为21.4％,空间分布显示,在长江口东部出现叶绿素a质量浓度异常高值区,时间系数主要表现为年际变化。     

地下核爆炸地震波二次源特征

层裂是地下核爆炸震源物理过程中最重要的非球对称源过程.对其机制的研究,多基于面波资料,本文基于远场体波资料,利用经验格林函数方法,消除路径及接收场地效应,利用地下核爆炸远场地震波P波数据对震源时间函数进行了反演,结果显示明显的双脉冲特征,该二次源特征不随方位角及震中距变化,说明它源自震源本身,其双脉冲特征与层裂机制相符.     

强震人员损失回归预测方法

在回顾近年对地震人员损失预测的研究工作的基础上,根据USGS的PAGER系统中地震人员损失回归模型,利用发生在1970-2008年间的128条地震现场调查灾害记录建立了我国东、西部区域适用的地震人员损失预测模型;并利用发生在1980-2007年间的234条地震损失记录建立了地震人员重伤数与人员死亡数的回归关系;最后利用模型对2008年四川汶川地震的人员损失进行评估计算,得到了与实际震害损失相接近的评估结果。     

经验模态分解与神经网络的GPS可降水量预测

本文将经验模态分解与神经网络相结合的方法应用于GPS可降水量预测。对GPS可降水量进行经验模态分解,在分解过程中采用径向基神经网络处理端点问题,针对经验模态分解得到的每个分量分别运用径向基神经网络进行预测,并重构出最后的预测结果。重构结果与直接运用神经网络进行预测的GPS可降水量、实测GPS可降水量进行比较,结果表明,相对于直接预测,经验模态分解与神经网络结合的方法具有更高的预测精度。     

长江口水下三角洲泥质区近期沉积物粒度变化特征及其影响因素

河口水下三角洲是河流和海洋环境共同作用的产物,沉积地层中蕴藏了许多环境变化信息.在长江口水下三角洲泥质区采集了柱样SC09,首先利用放射性同位素210Pb确定了沉积柱样的平均沉积速率,其次对沉积柱样以0.2 cm间隔进行高分辨率取样,获得了沉积物粒度参数,然后提取了沉积物粒度敏感组分,并对其进行了经验模态分解(EMD)...     

An empirical formula for friction coefficient of a perforated wall with vertical slits

The friction coefficient in the permeability parameter of a perforated wall has been estimated on the basis of a best fit between measured and predicted values of such hydrodynamic coefficients as reflection and transmission coefficients. In the present study, an empirical formula for the friction coefficient is proposed in terms of known variables, i.e., the porosity and thickness of the perforated wall and the water depth. This enables direct estimation of the friction coefficient without invoking a best fit procedure. To obtain the empirical formula, hydraulic experiments are carried out, the results of which are used along with other researchers' results. The proposed formula is used to predict the reflection and transmission coefficients of various types of structures including a perforated wall. The concurrence between the experimental data and calculated results is good, verifying the appropriateness of the proposed formula. It is also shown that the proposed formula can be used for irregular waves as well.     

基于遗传算法-支持向量机模型在热带气旋强度预报中的应用

利用遗传算法对支持向量机(SVM)模型参数进行寻优,找到最优参数组合后代入SVM模型中,得到基于遗传算法的支持向量机模型(GA-SVM),利用此模型对热带气旋强度进行预报实验。该模型对热带气旋强度12 h、24 h和48 h的预报平均绝对误差分别为3.01 m/s、4.46 m/s和6.57 m/s;比最小二乘回归法的预报精度分别提高了12%、11%、14%。