测量平差中估计准则的统一

本文总结了测量平差中各种不同的估计准则，由此建立了它们的统一形式——广义最小二乘估计。最后以一算例验证了广义最小二乘估计的可行性。     

一种基于双重距离的空间聚类方法

传统聚类方法大都是基于空间位置或非空间属性的相似性来进行聚类,分裂了空间要素固有的二重特性,从而导致了许多实际应用中空间聚类结果难以同时满足空间位置毗邻和非空间属性相近。然而,兼顾两者特性的空间聚类方法又存在算法复杂、结果不确定以及不易扩展等问题。为此,本文通过引入直接可达和相连概念,提出了一种基于双重距离的空间聚类方法,并给出了基于双重距离空间聚类的算法,分析了算法的复杂度。通过实验进一步验证了基于双重距离空间聚类算法不仅能发现任意形状的类簇,而且具有很好的抗噪性。     

Quick Bird遥感影像的几何校正

以高分辨率的Quick Bird卫星数据为对象,经影像信息融合,使处理后的图像分辨率提高且接近真彩色,具有良好的判识效果;选择若干个GPS地面控制点作为参考点,以遥感图像处理软件ER Mapper6.2为平台,对图像进行二次多项式几何精校正,纠正后的图像点位误差在lm左右,说明纠正后的图像具有较高的几何精度.     

在MapInfo中实现区域对象样点布设功能

随着GIS在森林资源管理中应用的不断深入，在GIS系统中实现林业专业抽样设计功能是非常必要的。本文使用MapBasic鳊程语言实现三种样点布设功能。操作时，用鼠标点击欲布样点区域，在弹出对话框中作出回答，就能得到样点布设图和样点坐标表。     

基于灰关联分析的GPS高程拟合加权平均函数模型权函数优选

基于灰色系统理论的灰关联分析方法,提出了权函数的优选方法,实例分析表明其具有较好的实用价值.     

利用窗口GPS多径干涉相位反演土壤湿度

利用GPS信噪比（signal-to-noise ratio,SNR）观测值监测土壤湿度的精度直接受多径干涉相位与土壤湿度间的关系模型影响。传统方法基于线性模型,通过增加样本数量、排除特例提高普适性,但未合理考虑坡度、植被及天气等因素。基于上述因素短期变化可忽略的假设,引入时间窗口,采用自相关分析确定窗口长度,利用窗口内样本动态线性回归构建预测和插值模型反演土壤湿度。实验结果表明,引入窗口后,预测、插值误差分别下降17.4%和54.6%,相关系数上升16.2%和32.9%。插值模型利用了待估时刻之后的观测量,精度更高;预测模型精度略低,但更适于实时应用。同时,残差极大值与土壤湿度的上升之间显著相关。预测残差较土壤湿度具有极大值更小、时刻略微提前的时域特征。     

经典平差模型的扩展

将经典测量平差的概括模型(附有等式限制条件的条件平差模型)扩展为附不等式约束的平差模型,同时将其定义为测量平差统一模型,并在一定的条件下实现这种平差模型与概括平差模型间的相互转换.在最小二乘平差原则下,作者结合虚拟观测方程处理不等式约束的思路,给出附不等式约束平差的最小二乘显式解,分析其统计性质,并修正传统测量平差结果的统一表达式.按本文所提方法,附不等式约束的平差问题,完全可以利用传统的平差方法和平差程序求解,方法简单可行.     

������ʽԼ���Ĵ�ز�������

????Ω???????????????????????????????ò???????????????????????????????? ???????????????????????Ω?????????????????????????????????????????????????????????????÷????????????????????????????з??????????     

基于S-RVoG模型的PolInSAR森林高度非线性复数最小二乘反演算法

针对经典的PolInSAR森林高度三阶段几何反演算法在单基线条件容易受到地体幅度比假设以及地形坡度影响的问题,从测量平差角度提出了基于S-RVoG模型的PolInSAR非线性复数最小二乘森林高度反演算法。该算法不再需要假设某一个极化通道地体幅度比为零,且采用考虑地形坡度影响的S-RVoG模型作为平差模型。为了验证算法,本文采用欧空局BioSAR2008项目提供的3景P波段极化干涉SAR数据进行两组单基线森林高度反演试验。结果表明,在单基线条件下,基于RVoG模型的非线性复数最小二乘算法反演结果优于三阶段几何反演算法,而基于S-RVoG模型的非线性复数最小二乘算法进一步提高反演精度,对于坡度较大区域（坡度>10°）,精度平均提高了18.48%。     

大地测量反演模型准外部检验的进一步探讨

反演模型质量的好坏对反演结果及后期的反演解释影响很大.本文给出了大地测量反演模型准外部检验的基本理论,提出了观测数据的划分方法和反演模型准外部质量控制的标准,当没有先验信息对模型进行检验和约束且数据量很大、很复杂时,该法是一种很有效的检验方法.