乌苏里江水深遥感反演

文中在分析卫星遥感测深机理的基础上,利用SVCHR-1024高光谱成像仪确定了可见光反演水深的最佳波段,通过对HJ星CCD数据各波段反射率、波段比值组合对水体、水深的敏感性分析,建立了适合于乌苏里江的单波段对数水深反演模型,从而快速获取乌苏里江河道地形信息,并探测了河道深泓线,整体精度达到80%以上.遥感反演水深可快速探测河道深泓线的方法,为乌苏里江河势演变研究提供了新的思路.     

基于BP神经网络的杭州湾北岸水下地形遥感反演研究

基于BP神经网络模型,利用同一时期的遥感影像和实测杭州湾北岸海图资料,构建了影像灰度值和水深值之间的单隐层BP神经网络模型,用以反演杭州湾北岸水下地形。结果表明,与传统的统计模型比较,所建神经网络模型反演地形的精度达84％。由此可见,基于影像灰度值和水深值建立的BP神经网络模型在反演海岸水下地形方面具有较强的应用价值。     

青藏高原热红外遥感与地表层温度相关性研究

通过对青藏高原热红外遥感数据与地表层温度场分布规律的分析,确定影响地表层温度的陆面因素,采用神经网络技术建立通过热红外遥感反演陆面参数预测地表层温度的模型,利用该模型对各陆面参数与地表层温度的相关关系进行了分析.该方法为热红外遥感用于大面积地块缝合带监测以及研究构造热异常探索了一种新途径.     

用热辐射方向性模型反演非同温像元组分温度

在遥感像元内含有多种组分、温度不均一的情况下，地表像元热红外辐射的方 向性主要源于像元内的三维结构．研究应用多角度方向辐射观测数据对非同温像元组分温度的估计，提出了多组分像元热红外辐射模型的线性反演方法，在反演中，对观测数据信息和反演参数信息量的度量方法、对模型优化函数的改进，及对室内模拟试验观测数据进行了验证．     

单一太阳角BRDF数据反演过程中误差传播的估计

太阳光照角变化范围较小在星载多角度遥感数据集中是普遍存在的,以线性核 驱动模型的反演为例分析了用单一太阳角数据反演条件下误差传播的规律．指出在这种条件下反演ＢＲＤＦ随太阳角变化的趋势是不可靠的,因此用单一太阳角数据拟合二 向反射率的外延能力作为模型检验标准是不合理的．作为解决的方法,建议在反演中 对反照率随太阳天顶角的变化趋势加一定的限制条件．     

CBERS-02卫星CCD相机资料定量化反演水体成分初探

采用定量化水色反演方法, 在现场测量数据的基础上, 针对CBERS-02 CCD波段, 建立了水体成分反演算法. 利用已校准的CCD辐亮度数据, 针对不同的海区, 采取了邻近清洁水体点和同日MODIS气溶胶参数的大气校正方法得到了水体定量化遥感的基本参数遥感反射比. 利用遥感反射比和所建立的反演算法, 获得了水体悬浮泥沙、叶绿素浓度分布. 悬浮泥沙的反演结果比较满意, 而叶绿素的结果不够理想, 因为遥感器的波段较宽和信噪比较低.     

从雷达后向散射系数反演土壤湿度与复介电常数

提出了一种基于小波扰动散射模型和土壤模型的从雷达后向散射系数反演土壤复介电常数与土壤湿度的方法，计算了同极化后向散射系数σｖｖ和σｈｈ之比与土壤湿度的关系曲线，给出了选择系统的工作频率和入射角的原则，分析和计算表明，这种反演方法是简单实用的有效的。     

遥感信息的定量化

系统阐述了遥感信息定量化的含义,分析了遥感定量化发展的必然性及应用指标要求,指出了遥感定量化研究的重要作用.以CBERS-02星数据定量化遥感应用研究为例,论述了"遥感数字信号-辐射信息-地表参数信息反演"的整个定量化体系.最后展望了我国定量化遥感的发展趋势.     

基于遥感信息和作物生长模型同化的水稻估产方法研究

本研究的目的是通过数据同化方法,将国产环境卫星HJ-1A/B数据提取的水稻叶面积指数LAI信息和作物生长模型相结合,以提高水稻估产的精度.具体方法为:首先通过分析水稻叶面积指数LAI和水稻归一化植被指数NDVI的时域变化关系建立模型反演水稻LAI,并应用研究区历史数据和作物生长模型WOFOST建立初始水稻生长模型估算水稻产量.在构建代价函数的基础上,采用SCE(shuffledcomplex evolution)数据同化方法对初始水稻生长模型参数进行优化,使水稻生长模型估算的水稻LAI和遥感数据反演的LAI差值最小.最后将采用同化方法的水稻生长模型估算的研究区水稻产量和不加同化方法的原始水稻生长模型估算的水稻产量进行比较,结果显示水稻估产精度有明显提高.研究结果表明采用遥感数据提取的农作物实时生长信息可以修正作物生长模型关键参数以提高区域范围的农作物估产精度,同时也显示国产环境卫星数据在农作物生长监测上具有广阔的应用潜力.     

多源信息融合数字模型

研究结果表明,在目前基础条件下,多源信息融合数字模型的实现需要解决现行数字地面模型和空间插值模型的误差问题、点-面信息有效融合问题、多尺度转换问题和多维GIS面临的理论问题。建立多源信息融合数字模型的基本步骤可归纳为：（a）建立基于曲面论数字模型的基本方程,（b）运用遥感数据反演数字模型的首次近似表达形式,(c）如果有更新信息,重复以上过程,直至理论模型与实际需求完全相符。     

农田渍害遥感监测方法研究应用进展

首先介绍了农田渍害的表现特征;其次根据监测原理,将国内外农田溃害遥感监测的主要方法分为地表指示标志法、地下水位反演法和与非遥感方法相结合的综合分析法,并分别对各类方法的原理、技术、适用范围及优缺点进行分析,发现各种方法均能解决特定的农田渍害监测问题,同时也存在着缺陷和局限性;最后,进行了总结并指出了两种潜在的遥感监测方...     

水质遥感监测研究进展

本文对近年来应用遥感技术对地表水水质进行监测的研究进展做了总结.在描述地表水体的光谱特征基础上,简述了水质遥感监测的基本原理,其次总结了水质反演的方法和可用的卫星遥感数据源;最后,对此领域存在的问题和今后的重点研究方向作了探讨。     

城市扩展及其环境效应遥感监测研究进展

本文综述了遥感在监测城市扩展及其引起的生态环境变化方面的应用和发展情况,并对当前研究中采用的城市动态变化检测方法和城市生态遥感监测指标进行了分析和总结,最后,针对当前存在的问题进行了探讨。     

基于网络的通信电源监测软件设计与实现

为使通信设备能安全稳定运行、无人职守机房故障能被及时地发现,通过对集中监控系统的构成、监控内容进行详细研究,开发了基于网络的通信电源监测软件。基本实现了被监控设备和被监测信号遥测、遥感、遥控。     

我国农作物遥感估产研究进展

概述了遥感在我国农作物长势监测、种植面积测算和产量估算等方面的应用和研究进展,同时分析了近来MODIS在农作物遥感估产方面的应用和存在的问题。展望了我国遥感估产的研究及发展方向,认为3S技术一体化、高光谱遥感、定量遥感是今后遥感估产应用的发展方向。     

湖北省粮食单产遥感估算方法——以中稻为例

本文提出了适用于湖北省运行化农作物单产估算的遥感估产模型,进行农作物单产预测。首先进行单产区划,从而选择代表性的模拟县,通过作物产量数据的历史趋势分析得到波动产量;然后把波动产量与遥感因子进行相关分析;再提取相关性最大的遥感因子作为敏感因子,建立一元线性回归方程,估算作物的产量;最后把模型计算结果与实际统计结果进行比较分析。计算结果与统计数据对比,误差范围为-14．38％至11．31％,决定系数R^2达到0．872,相关性显著。该方法从县级行政单元估算的单产结果,基本能够满足省级系统单产估算的精度要求,可以为政府和企业提供决策支持信息。     

3S技术在江汉平原湿地监测中的应用

文章以江汉平原湿地监测为例，就3S技术在湿地监测中的应用做了说明。文章在简述江汉平原自然地理概况、江汉平原湿地3S技术监测意义的基础上，分析了进行湿地3S监测的技术方法与流程路线，建立了相应的湿地类型解译标志，并就湿地监测过程中的一些技术问题进行了讨论。     

川西亚高山针叶林生产力和光能利用效率研究现状

本文回顾了目前已发表的有关川西地区云冷杉林光能利用率的研究资料，从概念、测量方法、研究结果、影响因子等几个方面做了比较，发现川西地区森林净初级生产力和叶面积指数(LAI)的异质性很强。这种异质性使地面测量和遥感测量不能满足对小尺度川西亚高山针叶林生态系统结构和功能测定和预测的要求。基于形态和生理生态的模型方法由于具有机理性强，对参数变化反应灵敏，在时间和尺度上的灵活性将是未来研究川西亚高山针叶林群落生态系统过程和全球变化响应的重要手段。     

Harris Laplace特征区域 Contourlet域遥感图像水印算法

针对现有遥感图像水印算法抵抗旋转、剪切、水平镜像及联合几何攻击能力差的问题,提出一种局部化遥感图像数字水印新方法.算法首先对水印图像进行 Arnold置乱预处理,并将其行扫描形成一维向量作为待嵌入的水印信息;在宿主遥感图像中提取 Harris Laplace特征点,依据特征点确定水印嵌入特征区域;规范所选特征区域,对其进行归一化后实施 Contourlet变换,利用奇偶量化方法将数字水印嵌入选定的变换系数内.实验证明算法对滤波、噪声、JEPG压缩等常规信号处理具备较好鲁棒性,并且能够更好地抵抗旋转、缩放、平移及其联合等几何攻击     

Understanding climate phenomena with data-driven models

In climate science, climate models are one of the main tools for understanding phenomena. Here, we develop a framework to assess the fitness of a climate model for providing understanding. The framework is based on three dimensions: representational accuracy, representational depth, and graspability. We show that this framework does justice to the intuition that classical process-based climate models give understanding of phenomena. While simple climate models are characterized by a larger graspability, state-of-the-art models have a higher representational accuracy and representational depth. We then compare the fitness-for-providing understanding of process-based to data-driven models that are built with machine learning. We show that at first glance, data-driven models seem either unnecessary or inadequate for understanding. However, a case study from atmospheric research demonstrates that this is a false dilemma. Data-driven models can be useful tools for understanding, specifically for phenomena for which scientists can argue from the coherence of the models with background knowledge to their representational accuracy and for which the model complexity can be reduced such that they are graspable to a satisfactory extent.