摘要：季节性积雪是北半球重要的地表覆盖,是全球气候变化的敏感因子之一。卫星遥感可以快速获取大范围积雪面积、雪水当量(雪深)信息,是开展大范围积雪监测的重要手段。由于卫星资料具有多源和海量的特点,为满足其对多源长时间序列数据的管理和分析需求,根据现有遥感数据特点及应用分析特征,结合数字地球科学平台对积雪专题模型的需求,设计和实现了一套积雪遥感数据管理和分析系统。该系统可实现对30多年长时间序列光学和微波积雪遥感参数数据的管理与分析,有效地为全球气候变化研究提供数据支撑。以中分辨率成像光谱仪(MODIS)的积雪产品分析为例,开展了青藏高原积雪时间序列分析研究,结果表明,青藏高原积雪覆盖率具有缓慢增加的趋势。

摘要：区域地球化学信息作为反映矿产资源区域特性的重要指标,在区域矿产资源评价中占有重要的地位。为了有效利用该指标,这就要求研究实用可行的数据处理系统来更好地对地球化学数据进行处理。随着数据处理方法的不断完善和地矿信息化工作的不断提高,要求处理系统本身具有可重用性、可扩展性、高效性等特点,而组件对象模型(COM)技术提供了一种如何建立可重用、可扩展组件,以及如何通过组件高效率地构筑应用程序的一个规范,使得软件系统以组件方式集成成为可能。作者在COM技术内涵基础上,结合地球化学数据处理系统目前存在的若干问题,探讨了COM组件技术在地球化学数据处理系统设计中的应用,并对数据处理组件进行了分析设计。

摘要：[目的/意义]人工智能(Artificial Intelligence,AI)技术已在学术和工程应用领域掀起了研究高潮,在地球物理参数和农业气象遥感参数反演方面也表现出了强大的应用潜力。目前大部分AI技术在地学和农学的应用还是“黑箱”,没有物理意义或缺乏可解释性及通用性。为了促进AI在地学和农学的应用和培养交叉学科的人才,本研究提出基于AI耦合物理和统计方法的地球物理参数反演范式理论。[方法]首先基于物理能量平衡方程进行物理逻辑推理,从理论上构造反演方程组,然后基于物理推导构建泛化的统计方法。通过物理模型模拟获得物理方法的代表性解以及利用多源数据获得统计方法代表性的解作为深度学习的训练和测试数据库,最后利用深度学习进行优化求解。[结果和讨论]判定形成具有通用性和物理可解释的范式条件包括:(1)输入与输出变量(参数)之间必须存在因果关系;(2)输入和输出变量(参数)之间理论上可以构建闭合的方程组(未知数个数少于或等于方程组个数),也就是说输出参数可以被输入参数唯一确定。如果输入参数(变量)和输出参数(变量)之间存在很强的因果关系,则可以直接使用深度学习进行反演。如果输入参数和输出参数之间存在弱相关性,则需要添加先验知识来提高输出参数的反演精度。此外,本研究以农业气象遥感中的关键参数地表温度、发射率、近地表空气温度和大气水汽含量联合反演作为案例对理论进行了证明,分析结果表明本理论是可行的,并且可以辅助优化设计卫星传感器波段组合。[结论]本理论和判定条件的提出在地球物理参数反演史上具有里程碑意义。