以地块分类为核心的冬小麦种植面积遥感估算

以提高冬小麦种植面积估算精度为目标,选取种植结构复杂的都市农业区,采用QuickBird影像数字化农田地块边界,以多时相TM影像为核心数据源,以地块为基本分类单元,进行不同特征向量组合、不同分类器的冬小麦地块分类方法研究,并对比分析了基于地块分类和基于像元分类的冬小麦种植面积估算精度。研究结果表明,基于地块分类的冬小麦种植面积估算方法的总量精度和位置精度均高于像元分类;植被指数和纹理信息的引入有助于进一步提高地块分类精度;支持向量机与最大似然均能得到高达97%的总量精度和90%的位置精度,支持向量机地块分类所需的训练样本量远低于最大似然,因此支持向量机更加适合于冬小麦地块分类;冬小麦错分与漏分情况大多发生在细碎地块,其面积总量较小,而大地块错分和漏分较少,因此相对于像元分类,地块分类能在整个区域能得到较高的冬小麦位置精度和总量精度。     

L波段高空气象探测系统测风算法改进探讨

对我国高空气象观测业务中的平均风计算方法及其存在的问题进行了分析和探讨,提出了完全采用矢量平均风算法来求取高空规定层风的业务流程改进方案;用锡林浩特站和阳江站同球施放的RS92GPS探空仪与L波段雷达-GTS1探空仪的对比观测数据集,对20~200s时间窗口下的各种矢量平均风计算方案及其规定风层计算结果进行了分析比对,提出未来改进的L波段高空气象观测系统可以测试使用时间窗口为30~45s的矢量平均风、使得计算风层达到每150~350m高程一个,以便进一步提高与GPS测风结果的一致性、更好地满足预报服务部门对高空风垂直分辨率的应用需求。     

非地转湿Q矢量及其在华北特大台风暴雨中的应用

在非地转 Q矢量的基础上 ,考虑天气系统发展的主要热力强迫因子——非绝热加热作用 ,引入非地转湿 Q矢量的概念 ,并推导出其表达式以及用非地转湿 Q矢量散度为唯一强迫项所表示的非地转ω方程。同时 ,用非地转湿 Q矢量分析方法诊断了由北上台风倒槽引起的一次华北特大暴雨过程 ;结果表明 ,非地转湿 Q矢量能较清楚地揭示暴雨过程系统的演变 ;通过比较非地转湿 Q矢量、垂直速度和不考虑“湿”过程的“干”Q矢量散度与暴雨落区的配置关系 ,结果发现 ,非地转湿 Q矢量与降水落区存在最佳的对应关系 ,非地转湿 Q矢量散度负值区能较好地预报出未来 6h的降水落区 ,而且其中心数值的大小与未来 6h降水的强度存在正相关的对应关系 ,从而说明非地转湿 Q矢量对于暴雨天气系统诊断和预报是一种十分有效的工具 ,其散度负值区可以作为未来 6h降水落区预报的重要指标 ,为暴雨的预报提供了更广阔的思路     

测井岩性识别新方法研究

为了更好地解决测井岩性识别问题,引入了一种基于粒子群优化的支持向量机算法.通过实际测井资料和岩性剖面资料进行学习训练支持向量机,并利用粒子群优化算法对支持向量机参数进行优化,建立了测井岩性识别的支持向量机模型,应用该方法对准噶尔盆地某井的测井岩性进行识别,并将该方法的识别结果与BP神经网络方法的识别结果进行了比较,结果表明该方法优于BP神经网络方法,具有识别正确率高、收敛速度快、推广能力强等优点.     

极端气温事件对安徽省农业生产的动态影响分析

用安徽省17个城市逐日的最高气温、最低气温数据,采用百分位法计算了1988—2010年安徽省年际极端气温事件,并以计量经济学的结构向量自回归模型为基础,将极端气温事件作为一个因子与农业总产值、国内生产总值、农业机械总动力构建了新的经济-极端气温事件模型。进一步通过脉冲响应函数和方差分解方法,定量分析了极端气温事件对安徽省农业生产的动态影响,结果表明:极端高温事件对农业生产的影响总体为负向,并表现出一定的滞后性;而极端低温事件对农业生产的影响初期为正向,后期逐渐转为负向。极端高温事件对农业生产的影响程度较高,可达0.033%,极端低温事件次之。模型内引起农业生产变化的各因子中,极端高温事件的贡献比例可达25.3%,是重要的影响因子;极端低温事件的贡献比例最高为10.9%,也是比较主要的影响因子。     

一次陕西初夏暴雨过程的数值模拟及诊断分析

利用常规观测资料、陕西地面加密观测资料和NCEP再分析资料对2006年6月2日00:00(协调世界时,下同)至3日12:00陕西中部初夏的一次区域突发性暴雨进行了数值模拟和综合分析.结果表明受500 hPa冷涡底部短波槽、700 hPa切变线和地面偏东风气流的共同作用造成这次突发区域性暴雨.模式结果与实况降水情况基本一致,24 h降水模拟能够很好地体现暴雨过程的中心位置,暴雨区域的主要范围和暴雨形势的走向.垂直运动场和降水区对应较好.通过对位涡的分析可得到,此次暴雨过程中有一股很强的干冷空气从对流层顶向下传播,这种强干侵入的形式有利于强降水的生成.广义位温和对流涡度矢量异常的分布和垂直变化很好地反映了陕西这次暴雨过程的落区及其演变,并且对本次暴雨的预报有较好的预报指示意义.     

The Optimized Short-Range Ensemble Forecast Based on Singular Vector Calculations

In ensemble forecast,by summing up ensemble members,filtering the uncertainty,and retaining the common component,the ensemble mean with a better result can be achieved.However,the filtering works only when the initial perturbation develops nonlinearly.If the initial perturbation propagates in a linear space,the positive and negative members will counteract,leading to little difference between ensemble mean and control forecast and finally insignificant ensemble result.In 1 2-day ensemble forecast,based on singular vector (SV) calculations,to avoid this insignificance,the counteracting members originated from the same SV are advised not to put into the ensemble system together;the only candidate should be the one with the better forecast.Based on the ingredient analysis of initial perturbation development,a method to select ensemble members is presented in this paper,which can fulfill the above requirement.The regional model MM5V1 of NCAR/PSU (National Center for Atmosphere Research/Pennsylvania State University) and its corresponding tangent adjoint model are used.The ensemble spread and forecast errors are calculated with dry energy norm.Two mesoscale lows on the Meiyu front along the Yangtze River are examined.According to the analysis of the perturbation ingredient,among couples of counteracting members from different SVs,those members performing better always have smaller or greater spread compared with other members.Following this thinking,an optimized ensemble and an inferior ensemble are identified.The ensemble mean of the optimized ensemble is more accurate than that of the inferior ensemble,and the former also performs better than the traditional ensemble with positive and negative members simultaneously.As for growth of the initial perturbation,those initial perturbations originated from the summed SVs grow more quickly than those from the single SV,and they enlarge the range of spread of the ensemble effectively,thus leading to better performance of ensemble members.     

基于支持向量机分类的嘉陵江草街水库甲藻水华预警

嘉陵江草街水库自建成后2011-2013年连续3年发生甲藻水华现象,给当地经济发展和生态安全带来影响.根据2011年5月至2013年7月草街水库大坝上、下游8个断面的逐月调查数据,利用支持向量机在处理小样本问题、非线性分类问题和泛化推广方面的优势,构建了基于支持向量机分类的草街水库甲藻水华预警模型.结果表明,利用本月理化数据和本月倪氏拟多甲藻(Peridiniopsis niei)密度数据建立的模型,对测试样本取得了80%以上的判别正确率,且对甲藻水华样本的判别正确率为100%.因此,支持向量机作为新兴的机器学习方法,可以为环境管理部门发布水华预警信息提供科学依据,并在环境保护领域具有广阔的应用前景.     

地震前兆综合预测支持向量机模型研究

该文介绍了支持向量机算法的原理与回归方法。 采用支持向量机中的非线性回归算法与理论公式产生的多维样本, 对其进行了数值仿真实验。 利用该方法和地震前兆异常建立了最佳地震综合预测模型, 对获得的最佳模型进行了内符检验, 得出最佳模型的预测结果与实际震例的地震震级基本一致。 综合分析认为, 支持向量机无论在学习或者预测精度方面不但具有很大的优越性和具有较强的外推泛化能力, 而且基于支持向量机回归算法建立的地震前兆综合预测模型是可行的, 其获得的知识可较为准确地实现对主震震级的综合预测。     

高分辨率遥感影像位置精度建模的机器学习方法

提出了利用机器学习对高分辨率影像的位置精度进行建模分析的方法。实验提取上海市资源三号遥感影像中心城区与郊区空间纹理统计特征,用作解释变量,构建位置误差回归模型,对比分析不同机器学习模型之间拟合差异,并进行实验验证。结果表明,支持向量回归模型整体拟合精度最优,其在两块实验区域拟合均方根误差（rootmeansquareserror,RMSE）均在0.9m左右,随机森林（randomforest,RF）模型在郊区也有较好拟合结果。与常规方法相比,机器学习方法更有效,平均绝对误差（meanabsoluteerror,MAE）相差较小,预测结果对异常值较小的样本可信度更高。所提出方法可通过模型预测影像逐像素位置误差,为精细地物信息提取和精度控制提供技术支持。