中国区域ERA5-ZTD/PWV精度评估与台风事件响应研究

再分析数据能够提供多种历史气象数据同化产品,为了评估欧洲中期天气预报中心的最新一代ERA5再分析数据集估计的天顶对流层延迟(Zenith Tropospheric Delay,ZTD)和大气可降水量(Precipitable Water Vapor,PWV)产品在中国区域的精度,利用2017—2019年中国区域内14个全球导航卫星系统地面监测站和89个探空站反演的ZTD和PWV数据分别对ERA5-ZTD和ERA5-PWV精度进行了评估。结果表明,除青藏地区的站点外,ERA5-ZTD的精度分布较为均匀,平均Bias、RMSE和STD分别为-6.3 mm、19.3 mm和17.5 mm;ERA5-PWV的精度分布呈现西部内陆高和东南沿海低的趋势,平均Bias、RMSE和STD分别为0.3 mm,2.9 mm和2.7 mm。此外,在研究2019年“利奇马”台风期间ZTD和PWV的时空分布中,提出了使用水汽到达时间差的方法定量估计台风的水汽移动速度。得到台风期间ZTD和PWV具有相同的空间分布规律,且移动方向与台风的移动路径方向是一致的,估计的水汽平均移动速度为12.4 km/h,与台风的平均移动速度16.1 km/h非常接近。因此,ERA5-ZTD/PWV在中国区域内具有较高的精度,ZTD和PWV可作为重要气象因子为台风的预警预报研究提供重要参考。

基于系统动力学模型的松花江水污染事故水质模拟

将系统动力学应用于突发水污染事故的水质模拟,利用其擅长研究动态、非线性复杂系统的特点,构建一维水质模拟的系统动力学模型,结合松花江特大水污染事故的现场监测数据进行模型参数率定以及模型验证.结果表明,所建立的模型能够模拟松花江水污染事故中硝基苯浓度随时间的变化,特别是对硝基苯的浓度峰值与峰值出现时间的模拟效果较好.通过对参数纵向水流流速(u)、纵向弥散系数(E)和衰减速率系数(k)的调整,进行情景模拟,可为应急措施方案的优选提供量化参考的依据.

智能化测量学教学辅助系统与组卷策略的设计及研究

针对当前计算机教学辅助系统中存在的组卷难度和题型比例不合理等问题,以测量学课程为例,提出了多约束条件的组合优化模型,解决了自动化组卷的多指标参数问题,为实现科学的组卷策略提供参考依据。该模型综合考虑试卷的总分、难度、曝光率、题型比例、章节知识量、培养目标等多个方面的要求进行量化加权,建立了智能化组卷的总约束方程,构建了多参数约束的组合优化模型。采用计算机模拟仿真的方法建立了题库,分析了三种启发式搜索算法求解模型的解算精度和效率。结果表明,利用遗传算法实现的自动化组卷的整体精度和效率更高,在总分、难度、曝光率、题型比例、章节知识量和培养目标方面的平均偏差分别为0.2%.0.074、0.1%6.1%、8.2%和9.6%,迭代次数在230次以内基本能够达到最优解。

基于PWV到达时间差估计台风运动状态的四参数模型

台风是一种严重影响人类生产和活动的灾害性天气,台风状态的有效监测对保障人类生命安全和减少财产损失具有重要意义。水汽是台风发展的主要原动力,本文提出了一种基于大气可降水量(PWV)到达时间差估计台风运动状态的四参数模型,该模型需要台风路径附近多个站点的PWV时间序列作为输入,台风的初始线速度、初始方向角、线加速度和角速度作为输出,进而可推算路径方向上任意时刻的台风线速度和方向角参数。以2019年中国区域“利奇马”和“白鹿”台风作为研究案例,首先,利用中国区域的全球导航卫星系统地面监测站和探空站反演的PWV产品,对用于估计台风运动状态的欧洲中期天气预报中心ERA5再分析资料得到的PWV产品进行精度评估;然后,分析了台风期间PWV空间分布和时间序列特征,研究了台风和水汽的移动趋势及其关系;最后,以中国气象局和浙江政务服务网提供的台风产品作为参考,对基于PWV到达时间差的四参数模型估计的“利奇马”和“白鹿”台风线速度和方向角进行了评估。评估结果显示,与中国气象局台风产品对比,本文模型估计的台风线速度和方向角平均Bias、RMSE、STD分别为0.25、6.39、6.38km/h和4.68°、21.59°、20.83°;与浙江政务服务网台风产品对比,本文模型估计的台风线速度平均Bias、RMSE、STD分别为2.23、5.41、4.27km/h。上述结果表明,基于PWV到达时间差的四参数模型能够反映台风的水汽运移规律,为监测台风活动提供一种补充方法。

融合多维度CNN的高光谱遥感图像分类算法

随着计算机深度学习技术的不断发展,卷积神经网络(Convolutional Neural Network, CNN)作为代表算法,为高光谱图像分类提供了新的解决方案。但是,因为数据量迅速膨胀,复杂模型的分类精度和速度并不令人满意。因此提出了一种面向高光谱图像分类的轻量级融合CNN算法3D-2D-1D CNN。该算法融合不同维度的CNN,联合空间信息和光谱信息进行高光谱遥感图像分类。利用Indian Pines、Pavia University、Salinas Scene和WHU-Hi-Han Chuan数据集对该算法进行测试,结果显示,总体分类精度分别达到99.65%、99.95%、100%和99.85%;与3D CNN算法和3D-2D CNN算法相比,训练时间和测试时间都明显降低。研究表明,所提算法能够在保证高分类精度的前提下有效地提高数据的分析速度。所提算法综合利用三种CNN对高光谱空-谱联合信息的抽象表达能力,有效促进了CNN在高光谱遥感图像分类领域中的应用。

促合作交流 维合法权益——记墨尔本中国留学生博士沙龙

近年来，越来越多的中国学生学者到澳大利亚攻读博士学位或从事科研工作，据不完全统计，仅在维多利亚州和塔斯马尼亚州攻读博士学位和作博士后的中国自费留学生有500多人。同时，因“国家建设高水平大学公派研究生”项目的启动，每年有几十名国家公派博士生来这里学习。中澳两国学术交流的日益深入，也使得国内赴澳访问学者不断增多。