-
题名数字海洋重点实验室的建设与思考
被引量：2
- 1
-
-
作者
张峰
石绥祥
李四海
-
机构
中国地质大学(北京)地球科学与资源学院
国家海洋信息中心数字海洋重点实验室
-
出处
《实验技术与管理》
CAS
北大核心
2011年第10期172-174,共3页
-
基金
国家海洋局908专项"数字海洋"项目(28106001
28106006)
-
文摘
介绍了国家海洋信息中心数字海洋重点实验室的建设背景、建设目标、实验室科学合理的软硬件环境和重点学科方向,并从学术体系建设、成果应用转化、绩效量化管理等方面分析了实验室建设中的相关问题。数字海洋重点实验室是我国"数字海洋"建设的坚实平台,将为开展中国数字海洋建设提供有力的技术保障。
-
关键词
数字海洋重点实验室
实验室建设模式
学科建设
-
Keywords
key laboratory of digital ocean
construction mode of laboratory
subject construction
-
分类号
G482
[文化科学—教育技术学]
-
-
题名数字海洋可视化系统研究与实现
被引量：12
- 2
-
-
作者
张峰
刘金
李四海
姜晓轶
-
机构
中国地质大学地球科学与资源学院
国家海洋信息中心数字海洋重点实验室
-
出处
《计算机工程与应用》
CSCD
北大核心
2011年第35期177-179,231,共4页
-
基金
国家908专项"数字海洋"项目(No.28106005)
国家海洋局青年科学基金(No.2009609)
-
文摘
球体模型系统是目前GIS领域的研究热点,它以强大的空间数据管理能力,丰富直观的信息表现能力迅速成为空间信息集成共享的有力平台。以Skyline软件平台为基础,详细介绍了数字海洋可视化系统的体系架构、功能设计和技术实现方法。实践应用表明,该系统在多源海洋信息可视化集成共享方面具有良好的应用前景。
-
关键词
SKYLINE
数字海洋
球体模型
可视化
数据共享
-
Keywords
Skyline
digital ocean
sphere model
visualization
data share
-
分类号
TP39
[自动化与计算机技术—计算机应用技术]
-
-
题名基于代理机制的“数字海洋”授权模型研究
被引量：1
- 3
-
-
作者
王伟
石绥祥
李四海
刘振民
顾云娟
-
机构
国家海洋信息中心数字海洋实验室
江苏省海洋与渔业局信息中心
-
出处
《海洋通报》
CAS
CSCD
北大核心
2010年第2期206-212,共7页
-
基金
国家海洋局908专项(908-03)
-
文摘
"数字海洋"用户授权系统建设是整个信息基础框架构建的基础,是实现框架内数据与应用资源整合的前置条件。在对框架构建授权需求进行深入分析的基础上,结合目前网络授权方案的发展以及基于角色的用户访问控制技术,本文给出了用于实现框架授权的基于代理机制的授权模型,有效解决了节点用户授权的复杂需求。
-
关键词
数字海洋
代理
授权
服务
-
Keywords
digital ocean
agent
authorization
service
-
分类号
TP392
[自动化与计算机技术—计算机应用技术]
P7
[天文地球—海洋科学]
-
-
题名基于B/S的海洋环境数据可视化与服务
被引量：14
- 4
-
-
作者
宋丽丽
康林冲
王漪
何隆
辛冰
-
机构
国家海洋信息中心数字海洋重点实验室
-
出处
《海洋科学》
CAS
CSCD
北大核心
2016年第7期124-131,共8页
-
基金
国家自然科学基金项目(41271391)
海洋公益性行业科研专项(201305029)~~
-
文摘
为了解决B\S模式下系统业务化运行中海洋环境数据组织与管理、数据服务发布与可视化表达等问题,通过消息控制机制,实现了海洋环境数据的动态处理、服务动态生成和显示一体化无缝衔接,从而在保证数据安全情况下为用户提供海洋环境数据分析,通过系统的部署试运行,证明其具有良好的应用前景。
-
关键词
B/S(Browser/Server)
海洋数据
可视化
服务发布
-
Keywords
B/S
marine data
visualization
service release
-
分类号
P76
[天文地球—海洋科学]
-
-
题名长短期记忆神经网络在叶绿素a浓度预测中的应用
被引量：16
- 5
-
-
作者
石绥祥
王蕾
余璇
徐凌宇
-
机构
国家海洋信息中心数字海洋实验室
国家海洋局东海信息中心
上海大学计算机工程与科学学院
-
出处
《海洋学报》
CAS
CSCD
北大核心
2020年第2期134-142,共9页
-
基金
国家重点研发计划—“海洋环境安全保障”重点专项(2016YFC1401900,2016YFC1403200)
天津市企业博士后创新项目择优资助项目(TJQYBSH2018025)
国家海洋局东海分局青年科技基金(201615)
-
文摘
针对传统人工神经网络对叶绿素a浓度预测存在训练速度慢、收敛精度低、易陷入局部最优,尤其是无法灵活的利用任意长度的历史信息对叶绿素a浓度进行预测等问题,本文根据海洋各要素与叶绿素a浓度之间的长短期依赖程度,对叶绿素a浓度与各要素间的关系进行界定,分别将各要素与叶绿素a浓度之间的长期依赖关系与短期依赖关系分割开来,并且在长短期记忆(Long Short-Term Memory, LSTM)神经网络模型的基础上构建融合的LSTM预测模型,模型中的长期依赖关系与短期依赖关系分别使用不同的神经元,最终在模型的最上层进行长短期融合。本文选取三都澳站位的连续监测资料作为实验数据,实验结果表明本文构建的模型不仅具有训练误差下降快的优点,与其他3种经典的神经网络模型相比,预测精度也有显著提高。
-
关键词
叶绿素A
融合的LSTM预测模型
多要素
神经网络
-
Keywords
chlorophyll a
Merged-LSTM
multi-factors
neural network
-
分类号
X524
[环境科学与工程—环境工程]
-
