Development of a modified neural network-based land cover classification system using automated data selector and multiresolution remotely sensed data

Integrating multiple images with artificial neural networks (ANN) improves classification accuracy. ANN performance is sensitive to training datasets. Complexity and errors compound when merging multiple data, pointing to needs for new techniques. Kohonen's self-organizing mapping (KSOM) neural network was adapted as an automated data selector (ADS) to replace manual training data processes. The multilayer perceptron (MLP) network was then trained using automatically extracted datasets and used for classification. Two hypotheses were tested: ADS adapted from the KSOM network provides adequate and reliable training datasets, improving MLP classification performance; and fusion of Landsat thematic mapper (TM) and SPOT images using the modified ANN approach increases accuracy. ADS adapted from the KSOM network improved training data quality and increased classification accuracy and efficiency. Fusion of compatible multiple data can improve performance if appropriate training datasets are collected. This proved to be a viable classification scheme particularly where acquiring sufficient and reliable training datasets is difficult.     

勘探地震学数据处理中的三种反褶积技术

在地震数据中，反褶积是用来提高分辨率的必要手段，但同时往往会降低资料的信噪比，当地震资料不满足最小相位和白噪声的约束条件时，常规的反褶积方法也将不再适用。从这两个问题出发，混合相位未知脉冲最小平方反褶积，多分辨率地震信号反褶积，神经网络子波反褶积等三种改进的方法分另运用多次迭代，二进小波变换和神经网络技术，对常规方法的不足予以改善。     

实时交互的多分辨率地形模型

实现了一种基于视点的实时交互的多分辨率地形模型，在数据结构、空间连续性、时间连续性、视景体裁剪、扇形绘制和纹理映射等方面详细讨论了该模型实现的技术细节。试验表明，该算法简单、有效，大大加快了图形显示速度，并节约了内存空间。     

Time-space multiscale analysis by use of tensor product wavelets and its application to hydrology and GRACE data

This paper presents a wavelet analysis of temporal and spatial variations of the Earth’s gravitational potential based on tensor product wavelets. The time-space wavelet concept is realized by combining Legendre wavelets for the time domain and spherical wavelets for the space domain. In consequence, a multiresolution analysis for both temporal and spatial resolution is formulated within a unified concept. The method is then numerically realized by using first synthetically generated data and finally two real data sets.     

地球重力场的球面小波分析研究

高精度高分辨率地球重力场模型是地球科学、空间科学以及海洋科学发展的需要。目前的全球重力场模型的阶数已达 36 0阶、50km× 50km的分辨率。调和展开分析是当前高精度全球重力场模型的基础 ,由于全球外调和展开存在只有频域的局部性而缺乏空间域的局部性的缺陷 ,使得地球重力场模型向高频逼近时不可能在外调和框架下有效地进行。利用球面小波分析和多尺度分析理论可克服该缺陷。通过发展球面小波理论 ,来对地球重力场进行球面小波展开 ,获得地球重力场的多尺度结构 ,建立局部或全球重力场的多尺度模型 ,揭示地球重力场的多尺度结构与场源密度分布之间的响应 ,恢复重力场的空间域与频率域的精细结构 ,提高重力场的精度和分辨率 ,以推进地球重力场在相关学科的基础、战略作用。     

分析研究基于小波分析与谱分析提高重力异常的分辨能力

重力数据是所有地下场源产生的重力场的叠加,探测对象经常被淹没在区域背景场之中,因此剩余异常的分离对于重力资料研究至关重要,而近来被引入位场领域的小波算子作为了滤波器和场源分析工具,在这里我们分析研究基于小波分析与谱分析的二维离散小波变换用于提高重力异常的分辨能力,再现出由简单形状场源描述密度不均匀的几何特征.本文先介绍二维多分辨率分析小波的基本理论及其提升算法,利用对数功率谱估计平均深度方法理论,接着对理论模型数据进行多尺度异常分解,估计地质体的形状、大小和深度,最后又对实测重力数据进行分析,并与传统常规方法进行比较分析,结果表明对于实际数据分析其方法也是具有可行性的.     

小波多分辨分析方法在波动方程正演模拟中的应用

初步探讨小波多分辨分析理论在地震波动方程正演模拟中的应用，给出一种基于地震波场局部变化性质而自适应调空间网格点的波动方程数值算法，目前求解波动方程所用的有限差分法、有限元法以及伪谱法都不能根据波场的局部变化性质而动态选择空间网格点的大小、小波基函数在空间域和频域中都具有局部性特征，它的性质优于有限差分法，有限元法和伪谱法中所用的基函数，通过阀值运算，地震波场失发辨表示变得非常稀疏，同时地下介质中的主要信息又不会受到损害，本文将声波场的多分辨表示变得非常稀疏，同时地下介质中的主要信息又不会受到损害，本文将声波方程的矩阵表示形式小波多分辨分析的框架下进行了展开，通过对算子长阵的地震波场矩阵进行多分辨分解和压缩，得到了小波域中地震波场正演模拟算法。     

基于GF-1遥感影像面向对象的海岸线自动提取——以秦皇岛为例

近年来,人类活动的影响加上自然因素的作用引起了一系列海岸带生态环境问题,因此,如何快速准确地提取海岸线已成为一个热门的研究课题。本文基于高分一号遥感数据,运用面向对象分类方法,结合光谱、几何等特征在图像上提取海岸线,利用已有"908基线"进行精度验证,得到沙质岸线、淤泥质岸线、生物岸线以及基岩岸线的均方根误差分别为1.7 m、34.79 m、15.27 m和4.69 m。     

Scale-dependent representations of relief based on wavelet analysis

Automatic generalization of geographic information is the core of multi-scale representation of spatial data, but the scale-dependent generalization methods are far from abundant because of its extreme complicacy. This paper puts forward a new consistency model about scale-dependent representations of relief based on wavelet analysis, and discusses the thresholds in the model so as to acquire the continual representations of relief with different details between scales. The model not only meets the need of automatic generalization but also is scale-dependent completely. Some practical examples are given.