人工智能在冰雹识别及临近预报中的初步应用

基于广东10部S波段多普勒天气雷达的三维拼图资料,利用机器学习技术开发了一种冰雹识别和临近预报的人工智能算法。算法设计时以雷达回波反射率的垂直和水平扫描数据为基础训练集,将冰雹云的雷达反射率扫描数据作为正样本,将其他雷达反射率扫描数据作为负样本,通过贝叶斯分类法对正、负样本数据集进行机器学习,训练人工智能识别冰雹云内在规律的能力。训练时以广东省2008-2013和2015-2016年的数据作为训练集,使用了2014年广东省12次冰雹过程的数据做检验。对比检验的结果表明,人工智能法比传统的概念模型法击中率高9个百分点。研究结果表明了人工智能对冰雹这类非线性强天气过程具有较强的识别能力。      

Single epoch GPS deformation signals extraction and gross error detection technique based on wavelet transform

IntroductionGPS technique is widely used for deformationmonitoring thanks for the high precision. Usual-ly , there are three working modes associatedwith GPS deformation observation: periodicalGPS deformation monitoring net , GPS monito-ring array and rea…     

A new approach for vegetation change detection in urban areas

IntroductionVegetation distribution and change is regardedas ani mportant sign of urban environment . Withcity expanding and population increasing, herecomes a series of problems on environment ,andmoreover ,greening ratio is regarded as a stand-ard of ci…     

特深地下管线的电磁场特征分析及探测研究

研究了管线的一系列电磁场特征,介绍了特深管线探测应用状况,通过实例分析了从1 m到21 m了不同埋深直线电流及强电流3~21 m情况下的电磁场Hx、Hz、ΔHx 〖WTBZ〗的归一化异常的分布特征 , 提出了对特深管线探测的对策,即频率、电流、远端接地等提高信噪比的技术对策,提出了确定地下金属管线平面位置、埋深的方法,利用水平磁场分量70%法确定管线深度的适用条件,分析了特深管线探测的干扰因素,广州市3个特深管线的探测成功实例,说明了方法的良好效果.     

综合物探方法在堤防质量检测中的应用

在堤防质量检测中,地球物理方法能够实现快速、无损的探测,但采用单一物探方法对堤防隐患的判别易形成多解,也很难对堤防质量做出准确分类.本文中应用探地雷达、高密度电法、地震勘探等综合物探方法对大源渡堤防质量进行检测,并以龙荫港以例,通过综合三种物探方法互相参照、相互验证,互为补充,查明了堤防隐患的分布位置与埋深,为堤防质量检测提供一种新的工作方法.     

探测未爆炸弹的地球物理技术综述

采用综合地球物理勘查技术探测未爆炸弹(UXO)具有快速、定位准确和成本低廉的优势.综述了国内外广泛应用的地面高精度磁测法、电磁法以及地质雷达和微重力法在探测UXO中的特点和效果,介绍了国外航空磁测法及航空电磁法探测UXO的进展,并根据某些探测实例阐述了在具体实施过程中应注意的技术问题;提出了适合中国UXO探测的一些措施和建议.     

基于ArcEngine的数字高程模型更新方法研究

采用COM技术,以ARCENGINE所提供的类库和凸包算法,实现了数字高程模型(DEM)数据更新的边界检测和利用矢量地形数据采集更新数字高程模型数据的方法。保证了数字高程模型数据的精度,可以满足数字高程模型的现势性需求。     

基于大数据的极端暴雨事件下城市道路交通及人群活动时空响应

随着全球气候变化加剧,极端降雨增多,暴雨内涝灾害频发,严重威胁城市的可持续发展。快速掌握暴雨给城市交通及人群的影响,有助于提高灾害应急管理水平和事件响应能力。利用实时动态的交通路况信息和手机定位请求数据,通过一种融合STL时序分解技术与极端学生化偏差统计检验的时间序列异常探测方法,监测和分析暴雨内涝灾害事件中,城市道路交通和人群活动的时空响应特征,并以2018年7月16日发生在北京的极端暴雨事件为例开展实证研究。研究结果显示,在降雨集中的早、晚高峰两个时段（8—9时、18—19时）,市区的拥堵道路数量超出往常水平最高可达150%,异常检测分析显示拥堵道路数量和交通拥堵指数均达到异常甚至极端水平。人群活动的异常响应分析结果显示,暴雨事件引起定位请求量异常升高、异常点增多,且异常点的空间分布与1 h前的降雨量分布存在较高相关性。以上结果不仅证明了大数据及异常检测方法对于快速洞察暴雨事件对城市交通及人群影响的有效性,也为城市暴雨内涝灾害的应急响应与管理提供了新的技术手段。     

宁夏生态移民村空间剥夺测度及影响因素

生态移民村是一种具有扶贫脱贫与生态保护双重意义的特殊乡村类型,是乡村振兴不可或缺的重要对象。在空间重构过程中形成的空间剥夺现象,是当前生态移民村全面振兴面临的一个新问题。为探究生态移民村空间剥夺规律,以宁夏70个生态移民村2017年相关数据为基础,构建了以收入就业、教育培训、社会生活、居住环境及公共服务可达性为主要内容的空间剥夺指标体系并进行水平测度,进而运用地理加权回归和地理探测器对其影响因子进行探测。结果显示：① 宁夏生态移民村空间剥夺整体水平较低,但总指数均值相对于非生态移民村显著高出0.023;② 宁夏生态移民村空间剥夺时空分异特征明显,总指数均值在时间上呈现“先较低—后上升—再下降”趋势,在空间上呈现“北部低—中部高—南部次高”分布;③ 民族构成、地形地貌、移民时段、依托资源和经济区带是影响生态移民村空间剥夺的重要因子,前3项对空间剥夺总指数的解释力分别达到了22.4%、10.6%和14.0%。空间剥夺水平测度为生态移民生产生活评价和政策调整完善提供新的客观依据,相关部门可据此优化调节生态移民村空间资源配置,增加其获取资源的能力和机会,推动生态移民村全面振兴。     

Estimating the starting time and identifying the type of urbanization based on dense time series of landsat-derived Vegetation-Impervious-Soil (V-I-S) maps – A case study of North Taiwan from 1990 to 2015

Land cover and land use change (LCLUC) is a global phenomenon, and LCLUC in urbanizing regions has substantial impacts on humans and their environments. In this paper, a semi-automatic approach to identifying the type and starting time of urbanization was developed and tested based on dense time series of Vegetation-Impervious-Soil (V-I-S) maps derived from Landsat surface reflectance imagery. The accuracy of modeled V-I-S fractions and the estimated time of initial change in impervious cover were assessed. North Taiwan, one of the regions of the island of Taiwan that experienced the greatest urban LCLUC, was chosen as a test area, and the study period is 1990 to 2015, a period of substantial urbanization. In total, 295 dates of Landsat imagery were used to create 295 V-I-S fraction maps that were used to construct fractional cover time series for each pixel. Root Mean Square Error (RMSE)s for the modeled Vegetation, Impervious, and Soil were 25 %, 22 %, 24 % respectively. The time of Urban Expansion is estimated by logistic regression applied to Impervious cover time series, while the time of change for Urban Renewal is determined by the period of brief Soil exposure. The identified location and estimated time for newly urbanized lands were generally accurate, with 80% of Urban Expansion estimated within ±2.4 years. However, the accuracy of identified Urban Renewal was relatively low. Our approach to identifying Urban Expansion with dense time series of Landsat imagery is shown to be reliable, while Urban Renewal identification is not.