面向风云静止卫星地表温度产品的缺失数据修复方法对比

静止卫星地表温度数据是研究昼夜温度变化规律及全球气候变化的重要参数。但常见的静止卫星地表温度数据,如风云二号F星地表温度产品(FY-2F LST)由于受到云、雾霾和气溶胶等大气因素的影响,往往会出现数值缺失的现象。针对该问题,一系列基于温度昼夜变化模型(diurnal temperature cycle,DTC)的静止卫星地表温度产品空值数据修复方法被提出,如VAN2006方法;此外,常见的三次样条插值(Cubic spline)和智能的反向传播网络(back-propagation network,BP)利用像元时间连续性原理,通过温度预测实现地表温度产品空值数据修复在理论上也是可行的。模拟不同类型的像元缺失情况分析和比较了3种方法的温度修复结果。研究表明,在空值数量较少的情况下,3种方法修复结果都比较理想,其中Cubic spline方法效果最好;随着空值数量增加,3种方法修复效果都不同程度变差,其中VAN2006衰退较缓慢,Cubic spline衰退最快;当空值数目继续增多且达到一定数量时,VAN2006仍可以较为真实的还原地表温度数据,并且优于BP,其中Cubic spline修复结果最差,难以反映实际地表温度。对14种不同空间大小空值区域实验研究进一步说明3种方法对地表温度空值修复具有可行性,但修复效果与空值区域大小无关,时间序列中空值数量是最主要的影响因素。

徐州市GF-1卫星气溶胶光学厚度反演与空间特征分析

目前,基于国内外发射的各种卫星传感器观测数据的陆地气溶胶光学厚度(AOD)反演方法与应用研究已相对成熟。然而,针对我国国产高空间分辨率(如高分一号)卫星数据的城市小区域尺度的反演与应用则相对较少。因此,选择使用深蓝算法对我国重要的工业型城市--徐州市进行国产GF-1 WFV数据AOD反演与空间特征分析,并利用地基AERONET同期数据进行反演结果验证。研究结果显示,2015-2017年6期的徐州市AOD整体空间格局稳定,均以人口聚集的城区呈高值分布为特征,不随季节变化,说明该地区空气污染源极可能以城市人为排放为主;与AERONET站点同期数据的相关性分析与时序分析结果表明,基于GF-1WFV高空间分辨率卫星数据的徐州市AOD反演结果质量良好。建议今后在大数据支撑下,应充分利用时空数据融合及机器学习等先进技术手段,弥补受云覆盖影响下单时间窗口GF-1卫星数据AOD反演的缺陷,以期达到国产高分卫星的更高时间、更高空间分辨率以及实时监测与预测的更高业务目标。

基于三维激光点云的树木胸径自动提取方法

胸径是评价林木生长状况的重要参数之一。针对接触式人工测量自动化程度低和基于点云的现有算法提取树木胸径精度不高的问题,提出一种基于点云数据的自动准确获取树木胸径的新方法。该方法以树木点云数据为基础,运用蚁群算法和B样条曲线拟合技术,实现树木胸径的自动准确提取。对实验区树木测量计算,结果表明,利用该方法提取树木胸径的均方根误差为±0.19 cm,平均绝对误差为0.15 cm,相对于基于点云的传统算法提取精度分别提高了50%和60.7%。该方法基于高精度点云数据,实现了树木胸径的无损自动提取,在精准林业领域具有推广价值。

四川大学华西医院麻醉与危重病医学教研室住院医师规范化培训简介——第三部分：理论学习及教学能力的培养

学习临床医学是知识与技能不断积累的过程，完成了住院医师规范化培训的初年主治医师应系统地掌握本地级学科的基础理论，同时应具有本专业临床和理论教学的基本能力。本节就我们教研室住院医师的理论学习教学能力的培养做一详细的介绍。

四川大学华西医院麻醉与危重病医学教研室住院医师规范化培训简介

医学教育分三个阶段：(1)医学生教育：此阶段是医学生全面学习临床医学这门一级学科基本理论的时期；(2)住院医师培养：是医学院毕业生全面学习临床某个二级学科(如麻醉学或内科学)的基本理论和基本技能的时期；(3)专科医师的终身继续教育。我国的医学生教育已和国际基本接轨。

徐淮地区冬季AOD时空特征及气象因子研究

文章基于国产高空间分辨率卫星高分一号(GF-1)的WFV数据实现对徐淮矿区及周边区域的AOD深蓝算法反演和时空特征分析,并结合AERONET站点数据进行反演精度验证。同时,将研究区AOD反演结果与气象因子进行相关性分析。研究结果表明:(1)AOD反演结果与AERONET站点数据相关性较高,相关系数R2为0.899,RMSE为0.158,说明深蓝算法对于矿区及周边城市的AOD反演较适用;(2)研究区2014-2017年AOD高值区呈现逐渐扩张趋势,人口密集区显著高于高植被覆盖区;(3)空气污染时期气溶胶浓度的增长会对气温产生冷却效应,与相对湿度呈一定正相关性,且抑制降水生成。此外,研究区西北部相山的高地形和盛行西北风也可能是阻碍高空气溶胶颗粒物扩散的重要条件。