DB16小波对哈尔滨地区汛期降水的分析与预测

利用DB16小波对哈尔滨地区近30 a(1981-2010年)汛期(6-8月)降水进行分析,得出该区汛期降水存在明显的4-6 a,11-15 a以及22-26 a的周期变化。进而预测2011-2014年汛期及各月降水变化,并用实况进行验证。汛期及各月降水的预测准确率为75%,表明该方法具有一定的气候预测能力。     

Landsat 8热红外数据定标参数的变化及其对地表温度反演的影响

Landsat系列卫星上的TIRS热红外传感器数据已被大量应用,针对TIRS数据的地表温度反演也相继开发出一些算法,并有一些研究对TIRS数据的定标及其地表温度反演算法的精度进行了对比。本文主要就TIRS热红外传感器定标参数的变化,结合这些定标参数变化的时间点对有关地表温度反演算法的适用性和有效性进行分析,特别是对劈窗算法是否适合当前的TIRS数据进行了讨论,以使用户能够对Landsat 8 TIRS热红外数据的正确使用有进一步的认识。总的看来,由于视域外杂散光的影响,TIRS数据的定标精度仍达不到设计目标,TIRS第11波段的不确定性仍成倍大于TIRS 10波段。因此,在Landsat团队未彻底解决这一问题之前,同时用TIRS第10、第11这两个差距较大的波段构成的劈窗算法来反演地表温度,其精度存在较大的不确定性,US6-S团队仍在致力于改进第11波段的精度,改进后的波段可以用劈窗策法。目前应以TIRS第10单波段的方式来反演地表温度为宜。     

基于连续无有效降水日数的吉林省干旱灾害识别与检验

利用吉林省26站逐日降水资料,基于连续无有效降水日数对吉林省1961-2000年作物生长季干旱及春、夏、秋旱进行识别,并检验与实况吻合率.结果表明,DNP识别各级干旱及春、夏、秋旱发生频次均呈由西到东减少的空间分布,重旱多发在西部,与干旱灾害实况一致.春、夏、秋旱占旱灾总频次的60.7％、22.6％、16.7％.不考虑干旱等级的检验结果显示,除通化地区外DNP对实际旱灾吻合率是60％～97％.对阶段性旱灾识别中春旱吻合率较高;夏旱吻合率不高;秋旱在西部有较高吻合率,中东部秋旱识别率低.历史典型旱灾年检验时,若不考虑干旱等级,吻合率达90.9％;若考虑发生时间,吻合率达86.4％;若将中旱等级以上识别为旱灾,则吻合率只有40.9％,此时若增加连续2次轻旱过程且间隔不超过4天同样识别为干旱,吻合率可提升至60％.总之,DNP评定干旱等级较实际偏低,但对阶段性旱灾有较好识别效果,能为干旱监测、旱灾评估业务工作提供参考.     

2019—2020年1—3月降水和气温的多源数据融合产品检验评估及对比分析

对2020年1-3月CLDAS多源降水融合实况、多源气温融合实况采用平均绝对误差分析、均方根误差分析及相关系数分析等方法进行检验评估,并与2019年同时段多源降水融合实况、多源气温融合实况进行对比分析.结果表明:2月降水多源融合实况较观测实况偏多;3月多源气温融合实况最接近观测实况;西部地区的日最低气温多源融合实况较为接近观测实况.     

基于不同邻近标签数选择的LANDMARC定位算法研究

对于基于射频识别的LANDMARC室内定位算法而言,该系统采用"k近邻"算法,通过选取k个与待测标签相邻且符合特定条件的参考标签,最后根据这些标签的位置结合权值估算出待测标签的坐标信息.但是在实际的操作过程中,最近邻参考标签数的选取无指导原则,具有一定的盲目性.针对这一问题,通过选取与待定位参考点最近邻的参考节点作为未知点,通过搜索法获得最优的邻近标签数k,在随后的未知节点的定位过程中,选取k个邻近标签进行定位.经过多次实验,最终得出结论,使用改进后的LANDMARC算法的性能要优于原来经典的LANDMARC算法,精确度提升了10%左右,同时避免了k值选取的盲目性.     

区块链技术在教育领域的应用现状与展望

区块链本质上的去中心化和安全特性,使得其很适合于解决目前教育领域面临的困难.本文首先介绍了区块链的基本技术原理,包括区块的结构和区块链的构成、区块链技术平台的体系结构、区块链的分类、共识算法、智能合约.接着分析了目前教育领域发展的终身教育和跨地区教育的新形势,以及传统数字化教育系统面临的主要问题.然后从教育相关信息的多方共享和验证、学习过程跟踪、激励和学习路径塑造、学习评估、教育管理与决策辅助等几个方面对区块链技术在教育领域的应用现状进行了介绍和分析.最后总结了目前区块链技术应用到教育领域的主要问题,并展望了未来的发展方向.     

平面点集凸壳的一种快速算法

提出一种计算平面点集凸壳的快速算法———八方向极值快速凸壳算法。该算法首先对平面点集进行一次扫描,从而快速查找到东、南、西、北、东南、西南、东北、西北8个方向上的极值点,构造出一个更接近凸壳的初始凸壳,从而在后续的点集扫描中可以排除更多的内点,使该算法计算效率更高。该算法的空间复杂度为O(N);其时间复杂度虽然无法突破最坏情况下O(NlogN)的理论下限,但其期望时间复杂度已达到线性水平,并且可以容易地扩展到三维和高维空间。