东北大兴安岭多年冻土区工程地质特征及评价

土体在冻结状态具有极高的压缩模量, 具有弹性体的工程地质特征。但是在冻土地温升高过程中, 这种特征急剧衰减, 产生蠕变和流变, 建筑物地基强度降低, 导致建筑物基础破坏。同时土体在冻结过程中产生的冻胀作用也将导致建筑物基础的破坏。东北大兴安岭地区多年冻土为高纬度低海拔多年冻土, 其分布具有明显纬度地带性特点。本文在分析该区多年冻土分布特征及冻土工程地质特点的基础上, 对由于土体的冻胀和融沉导致的建筑物基础的危害进行分类研究, 针对性的提出了用热棒降低土体温度以保证多年冻土稳定及用排水的方法减少水对建筑物地基多年冻土影响的工程病害处理措施。     

青藏铁路涵洞试验工程研究

通过青藏铁路涵洞试验工程的修筑和地温、变形、气温等相关项目的测试，经过对一个冻融循环过程观测数据以及针对试验工程中出现相关问题的综合分析，基本掌握了涵洞工程冻土问题的关键所在，提出了合理的建议和处理措施。     

如何避免或减少测报错情

介绍如何避免或减少地面测报工作错情的方法     

季节性冰封热融浅湖水温原位观测及其分层特征

为探究季节性冰封浅湖热力学特征,于2010年10月至2013年7月对高原腹地一典型热融湖塘冰层生消、水/冰温及气象条件开展原位观测,分析了水温分布时间变化、温跃层以及冰生消对水温结构的影响。结果发现:冰面升华显著,贯穿整个冰期;水温日变化、季节变化和垂直结构受气温、大气辐射、风速、冰生消和湖底沉积层热贡献影响显著;在"无冰期-结冰前-冰生长期-冰融化期-融化后-无冰期"年循环过程中水温垂直结构分别呈现出"分层-翻转-逆温分层-逆温与正温共存-翻转-分层"的循环过程。分层期水温结构仅由上部混合层和温跃层构成,且偶因强风搅动而全湖翻转混合。可见,相比大中型湖泊,季节性冰封浅湖热力学结构差异显著。     

碱融沉淀分离乙酸锌容量法测定几内亚红土型铝土矿中的三氧化二铝

用碱融沉淀分离乙酸锌容量法测定几内亚红土型铝土矿中的三氧化二铝,对常规分析方法进行了改进,避免了该类矿石中高含量铁对三氧化二铝滴定终点的影响,结果与认定值相符,分析结果的相对标准偏差均小于1%(n=5),加标回收率为99.1%～100.5%,方法准确可靠。     

智能网格能见度实况融合格点分析产品在一次大雾天气过程中的评估

采用邻近插值和双线性插值方法,将国家气象信息中心研发的能见度实况融合格点分析产品插值到四川省156个国家级考核站,选取2018年11月25日四川盆地一次大雾天气过程,对其在四川盆地的适用性进行评估.结果 表明,该产品误差普遍在5km范围内,随着海拔的增加,逐渐由低估转为高估;分级检验为:30km以上能见度的误差最大,随着能见度的下降,误差也逐渐下降.大雾过程中,产品能监测低能见度天气,表现出落区的变化,能见度在30km以上时,格点实况以高估为主,30km以下时随着能见度的降低,格点实况从低估逐渐转为高估.     

InSAR技术在多年冻土区形变监测的应用

作为大地测量的一种新兴空间技术,合成孔径雷达干涉（synthetic aperture radar interferometry, InSAR）具有全天时、高精度、大范围和速度快的优点,逐渐被应用于多年冻土区地表形变监测中。通过综述多年冻土形变原理及InSAR监测多年冻土形变的应用实例,研究表明：在气候变暖的背景下,多年冻土区地表年际形变以下沉为主,多年冻土上限附近地下冰含量的大小是影响年际形变量的主要因素;活动层内土壤含水量影响着地表季节形变量的大小,不同类型多年冻土区的地表年际形变量和季节形变量存在着较大的差异。研究还表明,不同波长的SAR产品在不同类型多年冻土区的适用性不同,下垫面特征对利用InSAR获取地表形变量有较大影响,L波段的SAR数据在植被覆盖度较好的区域有更好的效果。由于InSAR的失相干问题,加之目前还缺少长时间、多类型、高频率的实测形变结果作为验证和标校数据,获取准确且连续的大范围形变数据较为困难。针对目前寒区研究需求,布设野外长期观测站点,建立适用于不同多年冻土区的地表形变反演算法,构建具有较高精度和较高时空分辨率的地表形变数据集具有重要的实践和科学意义。     

泛北极多年冻土及重大线性工程稳定性状况

泛北极是中国"一带一路"倡议的主要合作示范区域,已有的重大线性工程及新的基础设施建设均面临着与多年冻土相关的冻融灾害及工程病害问题.在全球气候变暖及人类活动增强的背景下,泛北极多年冻土主要呈现地温升高、活动层厚度增加趋势,且低温多年冻土地温升高更加明显,20世纪70年代以来年平均地温(MAGT)升温最高可达3℃;自北向...     

复杂卫星图像中的小目标船舶识别

船舶作为海上的重要目标,实现对船舶自动识别有重要的意义。针对卫星图像中云雾、海岸背景等复杂海情对船舶识别带来的干扰,以及小目标船舶高漏检率问题,本文提出一种多尺度深度学习模型训练策略,在此基础上构建了一种船舶识别的深度学习网络,该网络可分为多尺度训练、特征提取、生成目标建议区域、船舶分类这4个部分。首先,采用多尺度的训练策略,将多尺度的船舶样本送入网络中进行训练,这样在训练样本中加入了大量小目标船舶的样本,使网络充分提取到小目标船舶的特征;其次,通过卷积神经网络对目标船舶进行特征自适应提取;然后,目标区域建议网络可依据卷积神经网络提取到的特征,在图像中找到感兴趣目标区域,即框定船舶的位置;最后,通过多个全连接层的组合,将高维特征映射到一个4元组中,再运用分类函数输出每一类船舶的概率值,概率值最大的则为该船舶的类别。同时为解决云雾遮挡和海岸背景的干扰,采用了一种负样本增强学习的方法,在样本数据集中加入了大量只含有云雾和海岸背景的图片,进行负样本扩充,增强网络模型对云雾及海岸背景的特征学习能力,以此解决复杂海情的影响。实验结果表明,所提方法有效解决了复杂海情条件下的船舶识别难,以及小目标船舶识别难的问题,实现了复杂海情条件下的船舶识别。同时,与现有成熟的深度学习目标识别算法相比,本文算法的精确度和召回率分别提升了6.98%和18.17%,所训练的模型具有良好的泛化能力和鲁棒性。