基于广义回归神经网络的全球表层海水1°×1°二氧化碳分压数据推演

表层海水二氧化碳分压是评估海洋碳源汇强度的关键参数,但其实测数据较少、时空分布极不均匀,导致二氧化碳交换通量的估算有很大的不确定性,海洋源汇特征就不能确切获取。为了解决这个难题,在收集的表层大洋二氧化碳地图(Surface Ocean CO₂ Atlas,SOCAT)实测数据集基础上,运用广义回归神经网络建立二氧化碳分压与经纬度、时间、温度、盐度和叶绿素浓度间的非线性关系,构建了1998?2018年间全球1°×1°经纬度的表层海水二氧化碳分压格点数据,其标准误差为16.93 μatm,平均相对误差为2.97%,优于现有研究中的前反馈神经网络、自组织映射神经网络和机器学习算法等方法。根据构建的数据所绘制的全球表层海水二氧化碳分压的分布与现有研究有较好的一致性。     

基于与Jason-2数据比对的Jason-3卫星高度计全球数据质量评估

Jason-3卫星高度计于2016年1月17日成功发射,2016年2月12日进入预定轨道,与Jason-2高度计同轨进入编队飞行阶段,并落后Jason-2高度计约1分20秒,两者相距约560 km。2016年9月1日,Jason-2高度计变换轨道,编队飞行阶段结束,两高度计进入平行轨道,以增加卫星高度计对地观测的空间覆盖。本研究主要开展了Jason-3高度计的数据质量的评估与检验,包括Jason-3高度计数据可用性和有效性的验证,以及Jason-3高度计和校正辐射计各参数的数据质量监测。重点开展了Jason-2与Jason-3高度计各项参数的综合比较,利用Jason-2与Jason-3高度计编队飞行阶段的数据精确评估了两高度计参数的一致性,并从全球数据角度分析了Jason-3高度计获取各参数的能力以及稳定性;通过与Jason-2互交叉点比较分析评估Jason-3高度计海面高度数据质量情况,验证Jason-3高度计数据精度。结果表明,Jason-3高度计的数据质量满足高度计测高的要求,具有与Jason-1、Jason-2、T/P等高度计相同或更高的测高精度以监测全球海平面变化,此外,Jason-3有效波高参数数据质量明显优于Jason-2高度计。     

不同养殖方式对皱纹盘鲍养殖效果及养殖水质的影响

在天津地区对2.2 cm左右规格的皱纹盘鲍(Haliotis discus hannai)进行试养殖,比较了两种养殖模式(笼养与砖养)、两种养殖密度下鲍的存活与生长情况,以及不同换水频率和不同饲料形状对鲍的生理状态和养殖水质的影响。结果表明:试养殖1个月后,笼养下的鲍存活率(74.4%)低于砖养(84.0%),且低密度养殖下鲍的存活率更高;随着换水频率的增加,鲍的摄食量逐渐增加,养殖水体中氨氮、亚硝酸氮、硝酸氮、化学需氧量的含量均呈减少的趋势;投喂不同形状饲料的组别间养殖水体氨氮、亚硝酸氮含量差异显著。因此,砖养模式更适合于作为天津地区鲍养殖的模式,并且降低密度、提高换水频率有助于改善水质,改良鲍的摄食、存活状况。     

2012—2016年象山近岸海域水质评价与模拟研究

为了解象山近岸海域水质污染状况,文章根据2012—2016年象山县近岸海域的水质监测结果,分析象山近岸海域水质现状及年际变化。应用灰色预测的模型来对象山近岸海域水质主要污染物的相关数据进行处理,得出主要污染物的预测结果。分析结果表明：象山近岸海域主要污染物为无机氮。用预测结果和实际数值通过残差验证,最后模拟出今后几年的监测值,为象山县近岸海域生态环境相关管理部门提供数据支撑和决策依据。     

东印度洋海域最优深度基准面模型构建

利用东印度洋海域周边长期验潮站实测数据、TOPEX/Poseidon等系列卫星测高反演结果,评估了DTU10,EOT11a,FES2014,GOT4.8,OSU12和TPXO8六种全球潮汐模型精度,根据卫星测高结果给出了浅水分潮改正量和长周期分潮改正量的经验模型,又在此基础上分析并构建了研究区域精度最优的深度基准面模型。考虑到全球潮汐模型在近岸的影响因素及验潮站位置,将13个验潮站分成开阔海域与近海海域两类,与潮汐模型的对比,结果表明,DTU10和FES2014模型分别在开阔海域和近海海域精度最优。根据潮汐模型在不同分潮处的精度,如EOT11a模型在O1和K1分潮处精度较高,DTU10在N2,M2,S2和K2分潮处精度较高等,分别构建了开阔海域与近海海域的组合深度基准面模型,计算得知误差分别为11.33和20.95 cm,其精度显著提高。     

上杭县铁东水库铁锰超标的地球化学作用机理及防治建议

在野外调查及采样分析的基础上,通过综合研究已有资料,对上杭县旧县镇铁东水库中的铁锰质超标原因进行了分析,认为水库中由于残留的有机质与库区内软锰矿层、黄铁矿化岩石在水介质的参与下,发生氧化-还原反应和酸碱反应等一系列现代地球化学作用,形成了一个酸性递增、铁锰离子加快析出的递进的地球化学过程,从而导致水库水中铁锰质超标。     

面向遥感大数据的地学知识图谱构想

由于地球表面的时空异质性与复杂性,传统从遥感影像具有的信息特征出发,构建智能解译算法解决遥感地学认知的思路在应对面向全球的海量遥感大数据分析时,其精度和地学实用性已触及瓶颈.为此,本文从地学知识为核心的角度出发,结合当前知识图谱理论的发展,提出一种新的面向遥感大数据分析的地学思维构想——地学知识图谱.本构想将地学知识的...     

珞珈一号夜间灯光影像在建设用地提取中的应用:以武汉市为例

城市建设用地能够反映城市建设发展在地域空间上的分布形态,是规划主管部门监测城市建设和扩张的关键指标.2018-06-02发射的珞珈一号卫星可提供130 m分辨率的夜间灯光数据,在城市建设用地的提取方面具有较大潜力.首先整合珞珈一号夜间灯光影像与Landsat 8多光谱影像以及网络地图兴趣点数据;然后分别采用人类居住合成...     

基于Stacking集成学习的恒星/星系分类研究

机器学习在当今诸多领域已经取得了巨大的成功,但是机器学习的预测效果往往依赖于具体问题.集成学习通过综合多个基分类器来预测结果,因此,其适应各种场景的能力较强,分类准确率较高.基于斯隆数字巡天(Sloan Digital Sky Survey,SDSS)计划恒星/星系中最暗源星等集分类正确率低的问题,提出一种基于Stacking集成学习的恒星/星系分类算法.从SDSS-DR7(SDSS Data Release 7)中获取完整的测光数据集,并根据星等值划分为亮源星等集、暗源星等集和最暗源星等集.仅针对分类较为复杂且困难的最暗源星等集展开分类研究.首先,对最暗源星等集使用10折嵌套交叉验证,然后使用支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)、XGBoost(eXtreme Gradient Boosting)等算法建立基分类器模型;使用梯度提升树(Gradient Boosting Decision Tree,GBDT)作为元分类器模型.最后,使用基于星系的分类正确率等指标,与功能树(Function Tree,FT)、SVM、RF、GBDT、XGBoost、堆叠降噪自编码(Stacked Denoising AutoEncoders,SDAE)、深度置信网络(Deep Belief Network,DBN)、深度感知决策树(Deep Perception Decision Tree,DPDT)等模型进行分类结果对比分析.实验结果表明,Stacking集成学习模型在最暗源星等集分类中要比FT算法的星系分类正确率提高了将近10%.同其他传统的机器学习算法、较强的提升算法、深度学习算法相比,Stacking集成学习模型也有较大的提升.     

An Automatic Method for Detecting Transients and Variable Sources in AST3 Survey Based on Image Subtraction and Random Forest

AST3-2 (the second Antarctic Survey Telescope) is located in Antarctic Dome A, the loftiest ice dome on the Antarctic Plateau. It produces a huge amount of observational data which require a more efficient data reduction program to be developed. Also the data transmission in Antarctica is much difficult, thus it is necessary to perform data reduction and detect variable and transient sources remotely and automatically in Antarctica, but this attempt is restricted by the unsatisfactory performance of the low power consumption computer in Antarctica. For realizing this purpose, to develop a new method based on the existing image subtraction method and random forest algorithm, taking the AST3-2 2016 dataset as the test sample, becomes an alternative choice. This method performs image subtraction on the dataset, then applies the principle component analysis to extract the features of residual images. Random forest is used as a machine learning classifier, and in the test a recall rate of 97% is resulted for the positive sample. Our work has verified the feasibility and accuracy of this method, and finally found out a batch of candidates for variable stars in the AST3-2 2016 dataset.