山地条件下的无人机气象威胁度建模与评估方法

针对无人机在山地条件下飞行时气象威胁因素复杂多变,提出一种基于贝叶斯网络的山地气象威胁度建模与评估方法。结合专家知识与EM算法构建贝叶斯网络模型,利用多树传播推理算法对山地气象要素进行威胁等级评估。评估结果表明,基于贝叶斯网络的气象威胁度评估能够正确直观地划分山地气象要素对无人机的威胁等级,对无人机智能决策具有重要意义。     

汶川地震堰塞体及相关力学问题

2008年5月12日,爆发了里氏8.0级汶川特大地震,120多秒内,形成了南起康定,北至青川,呈北东一南丙走向的长约300km、宽约30km的破裂带,当时山崩地裂,秀美河山被疯狂撕扯,尤数生灵瞬问淹没于碎石瓦砾之中.由于四川复杂的地质地貌条件和丰沛水系,这次地震诱发了大量的崩塌、滑坡、泥石流和堰塞湖等山地灾害.极震区有明显危害和威胁的堰塞湖34个,其中唐家山堰塞湖为震后最大的山地次生灾害,严重威胁下游沿岸城镇、村庄、水利水电设施和100余万人生命财产安全,是震后抢险的重中之重.清华大学水利水电工程系部分师生不畏艰险,始终奋战在抗震抢险第一线,为唐家山堰塞湖抢险提供水文预报和决策咨询服务等,对肖家桥堰塞湖进行现场踏勘,获得了翔实的第一手资料.目前正在深入开展有关堰摩体的几个具有挑战性的关键力学问题研究,首先,堰塞体形成机制问题,亦即地震诱发的崩塌和巨型滑坡填充河道的动力过程;其次,堰塞体的溃决机制问题,除了关心泻流时下游洪峰流最外.更关注堰塞体的冲刷过程,以及砾石、块石等大粒径滑坡堆积物构成的堰塞体蠕变和变形机理等.这些问题正是侧重机理研究的颗粒物质力学的主要研究内容之一.由于堰塞体颗粒组成复杂,基于唯象描述的土力学和散体力学显然不适合堰塞体力学行为的基础研究.     

HP Velotochnik Scorpion fx卧式自行车

开上旅行车举家到远郊,支起帐篷,再骑上自行车穿梭于林间,这种休闲方式虽然有点守日,但是却总让人乐此不疲。好吧,现在让HP Velotochnik Scorpion fx式自行车再给你的休闲生活加点助鲜的“鸡精”!作为德国知名的卧式自行车生产厂商,HP Velotechnik所推出的Scorpion fx卧式自行车采用轻质高强度合金制成,总重不过17.1kg：三个轮子全部采用液压碟片式刹车,安全性很高：后悬采用的则是弹簧式减震器,并具备变速功能,充分应对复杂的山地环境路况。更为神奇的是,     

山地农业气候与山地生态经济

本文 以浙江山 地为例探讨 了农业气候与山 地生态系统第一性生产力、生态系统的 顺向和 逆向演替以及山 地生态 经济 发展 等的关系.     

山地变电站边坡安全风险远程监测技术研究

山地变电站复杂的地质环境与气候环境, 使其普遍存在地质安全隐患.文中提出了一种基于光纤传感的山地变电站边坡安全风险远程监测技术方案.首先分析了山地变电站边坡传感原理, 给出了光纤传感架构, 进行了远程监测系统的设计与研究, 并开发了统一信息平台.通过在山地变电站边坡布设的光纤传感器监测山地变电站边坡信息, 再基于电力网传输至变电站主站的统一信息平台进行实时监控和处理分析.现场试验结果显示该技术能够实时准确地监测山地变电站边坡信息参量, 证明了系统的有效性和可行性, 为后续进一步研究和推广提供了保障.     

山地滑雪中的力学问题

滑雪运动是一项具有诗情画意的体育运动,它既有美丽的雪景为舞台,又有体育运动的惊险和激烈,给人一种美与力量的享受.下面笔者运用力学知识就山地滑雪运动探究几个值得关注的问题.     

班夫山地电影登陆上海银幕上体验极限运动和探险

继8月30日班夫山地电影节正式亮相北京后，10月20日，这个有纪录片奥斯卡之称的班夫山地电影节又带着20部讲述户外运动的纪录片登陆上海。     

勇敢者游戏

Down Hill（DH）顾名思义就是下坡．是山地自行车里的一个种类，也就是比谁能以最快的速度骑下崎岖不平的山路，这是一个需要体力、胆量、技术和经验的勇敢者游戏。     

Benz

Mercedes-Benz 11 Series 奔驰新款自行车 奔驰又出新车了．不过这次不是C，不是E，不是S，不是SLR．而是伴随着大部分中国人一起长大的11系列——自行车“坐奔驰．开宝马”，只是不知道“骑奔驰”又会是怎样的感觉呢？     

基于高光谱数据季相特征的山地草甸植被分类识别

新疆天山北坡山地草甸是天山山区草地生产力最高的草地类型,草地退化情况较为严重。对草地植被进行分类与识别,监测草地生态系统本底状况,可以快速、准确、有效的评价草地退化动态与程度,是进行生态重建的关键。为了探索适合草地植被的分类方法,选择天山北坡中段山地草甸植被作为研究对象,利用高光谱成像光谱仪（SOC710VP）获取了典型植被多季相（4个关键生育期）的原始反射光谱数据,通过多项式卷积平滑（S-G）及最小噪声分离（MNF）变换对光谱数据进行平滑去噪及降维处理,分别采用支持向量机（SVM）、BP人工神经网络（BP-ANN）及波谱角填图（SAM）三种方法建立分类模型,并对分类结果进行了对比分析。结果表明：使用S-G滤波及MNF变换预处理方法可以有效的对草地植被高光谱数据进行降维除噪,获得较平滑的光谱曲线,减少了数据的冗余程度并缩短了分类时间。不同季相山地草甸植被的“绿峰”、“红谷”及“红边”等参数差异较大,在植被生长旺盛期（4月—5月）的光谱曲线特征比黄枯期的光谱曲线特征更容易区分,这个时期分类精度较高。SVM分类模型在返青期（4月）和分蘖（枝）期（5月）总体分类精度均超过了90%,Kappa系数也超过了0.9;利用SVM方法进行分类时,在植物生长旺盛期（4月—5月）Polynomial核函数分类精度较高,植物成熟期（6月—9月）径向基核（RBF）函数分类精度较高。BP-ANN在分蘖（枝）期分类精度较高,总体分类精度为91.07%,Kappa系数为0.89,其他时期分类效果一般,虽然在MNF变换降维后能极大的缩短数据处理时间,但分类时间还是较SVM时间要长。SAM分类速度最快,但在各生育期的分类精度都较低,最高值为分蘖（枝）期的总体分类精度77.80%,Kappa系数为0.73。因此,利用Polynomial核函数的SVM分类模型适合对山地草甸植被进行分类识别,分类结果类别完整,准确度高,误分、错分现象相对较少,相比BP-ANN及SAM等高光谱数据分类方法具有较大的优势。