化学需氧量(COD)是水体污染监测的常用水质指标之一, 传统采集手段耗时耗力; 利用遥感反演COD浓度能够快速获取整个水域的COD浓度空间分布状况, 对于水污染治理和水环境保护具有重要意义。 目前利用多光谱遥感数据反演COD浓度精度较低, 主要原因是目前的反演模型多是以皮尔逊相关系数大小为指标选取建模波段的经验方法, 对于多光谱遥感数据而言, 其光谱波段范围较宽, 波段的组合数量有限, 难以找到有效的变量作为建模变量。 针对这一问题, 以郑州市天德湖为例, 基于Planet多光谱高分辨率遥感影像, 对遥感影像进行预处理和分析水样的高光谱数据, 利用卷积神经网络对天德湖COD浓度进行反演; 同时选取单变量回归模型、 多变量回归模型进行精度对比。 主要研究结论有: (1)相比于以皮尔逊相关系数为衡量标准选择不同波段组合的反演方式, 卷积神经网络反演具有更高的空间反演精度, 其决定系数为0.89, RMSE为2.22 mg·L-1, 这是因为卷积神经网络不仅充分利用了遥感影像的光谱特征, 而且能够提取目标像元周围的领域空间信息, 学习到图像深层的抽象特征以及水质参数浓度和遥感数据之间的“内在规律”, 可以在一定程度上避免传统方法建模带来的不稳定性; (2)选取最优的卷积神经网络模型制作天德湖水质COD浓度空间分布专题图; 天德湖具有典型的内陆水体光谱特征, 其COD浓度空间分布整体呈现西部高、 东部较低、 东南方向的进水口浓度较低、 东北方向的出水口浓度较高的特征, 卷积神经网络反演的天德湖区域浓度平均值为23.96 mg·L-1, 标准差为7.11 mg·L-1, 变异系数为0.29, 更加接近实际采样点的统计值。 基于卷积神经网络模型结合多光谱影像反演COD的结果表明卷积神经网络在水质参数COD遥感反演中具有较好的应用潜力。

1064 nm分布布拉格反射(DBR)半导体激光器具有窄线宽、输出稳定的特性, 在自由空间激光通信用种子光源等方面具有广阔的应用前景。设计了一种单模、窄线宽的1064 nm DBR半导体激光器, 利用金属有机化合物气相沉积技术生长出InGaAs应变量子阱半导体激光器材料, 并制备出腔长为1200 μm的脊型波导1064 nm DBR半导体激光器。当注入电流为70 mA时, 室温下该激光器的连续输出功率可达到7 mW, 3 dB光谱线宽为0.12 nm。

一般地引入了经典统计力学的联合概率密度分布,并把其密度函数一般地推广为一般的复函数和它的复共厄的乘积,进而自然地把经典统计力学平均值推广到量子力学的平均值,首次依据联合概率密度分布把经典统计力学的不确定关系严格地推广到量子力学的不确定关系,给出了经典统计力学与量子力学中不确定关系的对应关系,发现了人们对经典统计力学与量子力学不确定关系推导时所各遗漏的一个重要的条件,对不确定关系与此相关的所有的相关文章和书都需修正.最后一般地阐明了世界的稳定性与不确定关系的联系,同时一般地给出了不确定关系失效的条件.

研究了三维目标旋转畸变不变光学相关滤波器组的设计原理,完成了滤波器组参数的计算和编码,以及光学相关识别的计算机模拟。

用光学信息论本征理论讨论共焦激光扫描显微镜光学系统的成像关系,获得在理想成像及有像差时系统的光学信息量的表达式。