基于小波分析的海洋平台实时结构健康监测

由于海洋平台结构长期处于恶劣的海洋环境中,并受到各种载荷的交互作用,结构容易产生各种形式的损伤。因此,对海洋平台进行实时监测有着十分重要的现实意义。以单筒简易导管架平台为例,主要在结构损伤的判定和定位两方面对海洋平台的实时结构健康监测进行研究,结果表明通过对结构响应信号进行小波分析,小波变换系数和小波包能量分布可以很好地定义损伤识别指标。     

改进LM模型在机载小光斑LiDAR数据分解中的应用

机载小光斑Li DAR是近年来遥感领域的新兴技术,它对回波脉冲进行全数字化的记录,通过分解返回波形能够得到更加丰富的信息。针对传统LM波形分解算法容易陷入局部最优的问题,引入改进LM模型,采用信赖域技巧使得参数解全局收敛。实验证明,该方法相比传统LM能够得到更加可靠的波形分解结果,并且对城区、郊区和山地区域适应性好,具有较强实用价值。     

基于GPU的全波形并行LM分解算法

波形分解是机载激光雷达全波形数据处理的重要基础工作,通过求解波形函数模型的参数,将波形数据利用具体的函数模型拟合出来,实现对全波形及其中各个子波形函数表达。LM(Levenberg-Marquardt)算法及其改进的算法是波形分解中对参数进行拟合求解的常用方法。针对LM算法在参数拟合计算的过程中存在大量迭代和矩阵运算,提出了基于线程块组和线程两级并行粒度的并行计算方案。将串行多次循环迭代求解参数改为单次并行计算取最佳值实现对参数的选择,将矩阵运算进行线程块的协同并行计算,实现了LM算法在通用计算图形处理器上的并行计算。实验证明,在规定阈值条件下,并行LM降低了算法的迭代次数,提高了波形分解LM算法的计算效率,为提高波形分解的处理效率提供了研究思路。     

辅助模型辨识方法(3):输入非线性输出误差自回归系统

输入非线性系统包括输入非线性方程误差类系统和输入非线性输出误差类系统.针对输入非线性输出误差自回归系统,分别基于过参数化模型,基于关键项分离原理,基于数据滤波技术,研究了相应的基于过参数化模型的辅助模型递推辨识方法、基于关键项分离的辅助模型递推辨识方法、基于数据滤波的辅助模型递推辨识方法.这些方法可以推广到其他输入非线性输出误差系统、输出非线性输出误差系统、反馈非线性系统等.并给出了几个典型辨识算法的计算步骤、流程图和计算量.     

辅助模型辨识方法(1):自回归输出误差系统

研究了自回归输出误差(AR-OE)系统的辅助模型随机梯度算法、辅助模型多新息随机梯度算法、辅助模型递推最小二乘算法,自回归输出误差自回归滑动平均(AR-OEARMA)系统(即AR-Box-Jenkins系统)的辅助模型广义增广随机梯度算法、辅助模型多新息广义增广随机梯度算法、辅助模型递推广义增广最小二乘算法,以及AR-Box-Jenkins系统的基于滤波的辅助模型广义增广随机梯度算法、基于滤波的辅助模型多新息广义增广随机梯度算法、基于滤波的辅助模型递推广义增广最小二乘算法等.     

总体最小二乘曲线曲面模型建立方法比较探究

本文探究了总体最小二乘的3种方法,包括奇异值分解、最小奇异值方法和迭代法,并且对3种方法进行比较。在模型推导的基础上,文中对3种总体最小二乘法在曲线和曲面拟合中求解的参数及其精度进行了比较分析。通过与最小二乘法的比较表明:总体最小二乘法得到的拟合结果更加稳健,并且发现迭代法和奇异值分解方法的结果是一样的;最小奇异值方法的结果欠优。     

应用时间序列EVI的MERSI多光谱混合像元分解

针对风云3数据的特点,本文将EVI生长曲线引入多光谱混合像元的分解。首先,利用Landsat8 OLI影像,采用支持向量机的分类方法,提取研究区域的耕地信息,利用该信息对风云MERSI数据进行掩膜处理,获得研究区域的耕地影像。接着,利用MERSI时序影像,计算像元EVI值,通过SG滤波,构建农作物(端元)和混合像元的EVI生长曲线。通过实地调查,获取研究区的农作物端元,尤其对主要的农作物玉米,在空间上均匀选取了14个端元。然后,采用传统的方法,将14种玉米端元生长曲线分别与其它端元组合,进行混合像元分解。发现分解的效果差异很大,提取的玉米种植面积从191.90 km2到574.83 km2不等。为提高分解精度,借用光谱匹配(光谱夹角最小)的方法(用生长曲线代替光谱曲线)自适应选择与混合像元EVI曲线最相似的玉米端元作为组合端元,进行混合像元分解。结果得到玉米的种植面积为589.95 km2,比传统方法的最好(相对)精度提高了2%。     

遥感时间序列影像变化检测研究进展

同一区域、不同时期大量历史数据的积累,以及同一区域能够方便地获取高时间分辨率遥感数据,使遥感时间序列影像变化检测成为近年来遥感技术与应用的研究热点。本文系统总结和评述了当前遥感时间序列影像变化检测的相关研究进展和应用状况,在阐明遥感时间序列分析的意义,以及时间序列影像在变化检测中的优势的基础上,从非遥感领域时间序列变化检测方法出发,针对遥感时间序列影像变化检测的需求,明确和归纳了遥感时间序列变化检测的问题与类型,并对当前最新研究进行了综述,总结了各种方法的优点与不足,重点介绍了基于经验模态分解的遥感时间序列影像异常信息检测方法和基于隐马尔可夫模型的土地利用/覆盖变化检测方法,以期能够为相关研究提供参考。最后总结了该研究领域的发展趋势和存在问题,并对今后的研究工作和未来发展方向进行了展望。     

秋茄落叶分解失重过程的季节变化和滩面差异

秋茄红树林不同季节落叶分解失重速率研究表明:落叶的干重损失速率是夏>秋>春>冬。就失重过程而言,最高的失重速率和季节间最明显的分解速率差异都出现于分解初期,淋溶作用很可能是引起这一分解特征的重要原因。落叶在林地滩面外滩(中潮带).中滩和内滩(高潮蒂)分解28d时的失重率分别为53.4%、44.8%和48.9%,即外滩>内滩>中滩。中潮带比高潮带具有较高的潮浸频度和滩面潮湿度,使得落叶在中潮带的分解快于高潮带。     

Autumn atmospheric preconditioning for interannual variability of wintertime sea-ice in the Okhotsk Sea

Relations in year-to-year variability between wintertime Sea-Ice Concentrations (SICs) in the Okhotsk Sea and atmospheric anomalies consisting of zonal and meridional 1000-hPa wind speeds and 850-hPa air temperatures are studied using a singular value decomposition analysis. It is revealed that the late autumn (October–November) atmospheric conditions strongly influence sea-ice variability from the same season (late autumn) through late winter (February—March), in which sea-ice extent is at its maximum. The autumn atmospheric conditions for the positive sea-ice anomalies exhibit cold air temperature anomalies over the Okhotsk Sea and wind anomalies blowing into the Okhotsk Sea from Siberia. These atmospheric conditions yield anomalous ocean-to-atmosphere heat fluxes and cold sea surface temperature anomalies in the Okhotsk Sea. Hence, these results suggest that the atmospheric conditions affect the sea-ice through heat anomalies stored in sea-ice and oceanic fields. The late autumn atmosphere conditions are related to large 700-hPa geopotential height anomalies over the Bering Sea and northern Eurasia, which are related to a stationary Rossby wave propagation over the North Pacific and that from the North Atlantic to Eurasia, respectively. In addition, the late autumn atmospheric preconditioning also plays an important role in the decreasing trend in the Okhotsk sea-ice extent observed from 1980 to the mid-1990s. Based on the lagged sea-ice response to the late autumn atmosphere, a simple seasonal prediction scheme is proposed for the February–March sea-ice extent using four-month leading atmospheric conditions. This scheme explains 45% of the variance of the Okhotsk sea-ice extent.