������ˮλ���봨������Ӧ�����Ӧ

???λ????????????????????????????????峱????????????????????λ???????????????????λ??????????·?????????????????????????????????M2???????????????λ?????????????????????????????????????????λ?????????????Ms8.0????????????????????????????沨??????????沨???????????λ????????????????????λ??????????????????????????????????????????????????????沨?????????????????λ???????????1??????????     

ˮ���շ�������������Ͽ�������ҵ���ģ��

??y????????????????????????????????????????????趨???????????????????????????????????????????????????????????????????????M5.5????????????????????????????????PGA?175 Gal??????????????M5.5????????????????????????PGA?303 Gal???????????PGA????????????????????????????????????????б??????????     

����D-InSAR��AZO������ȡBam����ͬ����ά�α䳡

???????????Envisat ASAR???????????D??InSAR?????????2003??12??26??????????M??w??6.5??????????????????α????????÷?λ????????????????????????λ??????????????????????????α????????????????????????????????????????ж???????????????????????????????????????????????????????????????????????????????3??????е????з?????????Ρ?     

����GPS���߽�������ͳ�Ʒ���

??????????????????TIKHONOV??????????GPS?????????????????????????????????ε??????????о????????????????????????????????????????????????????????????????????????????????????У?????????з??????Eviews???????????????е????????????????????????ó??????1?????????????????????С??1 mm???????????????????????????????е???????????2????????????????5 mm?????????????????????3???????????X????Y??????н???????????????????????????????????????????????????·??Ч???4???????????Z???????????????????·????Z??????С??     

�봨�����ǰ��شŪ�Z�������Ľ����ر仯

?????????????н????4??????????????CDP???????????COQ???????????XIC???????????HZH??????5 a?????????????????μ???2007-07??2012-06??ū?Z???????????????????????4??????????仯?????????????????仯??????????????????????????????Z???????????????????????4 a?仯????????????????????JP3????????2???????η??????????С??????????仯????????????????????????????     

����PCA������ǰ�����TEC�쳣

????IGS???????GIM???????????????TEC??Total Electron Content?????????2007-2011???????й??????????17???M??≥6.0????????????????????PCA??Principal Component Analysis?? ???????????TEC??????????????????????????б???????????PCA??????????????????????????????????????????￡???????????????TEC????????????????????????????0~5??     

��ͬ�۲⻷���л���TEQC��GNSS������������

??????????·??Ч????????????????????GNSS???????????TEQC?????7??????????????????????????????????????????1???????????????????GNSS?????????????????????·??Ч??????????????????2????????????????????????????GNSS??????????????????????γ??????GNSS??????????С??3?????????????????Ч????λ??????????????????????,??????????????????????????????????     

����SUSAN����Ľ��㷨��InSAR����ͼ�˲��о�

??SUSAN?????????InSAR???????и???????????SUSAN??????????InSAR????????????????????????????Ч?????SUSAN???????SUSAN??????????Goldstein????????ж????飬???????SUSAN??????????Goldstein???????????λ????????Goldstein??????????71.7%????82.6%??SUSAN???????????????????????????????????????????????????????????????????     

GPS Block IIR(M)����ԭ�����Ӳ�Ԥ���о�

?????????????????￡????ú?????????GPS Block IIR??M??????????????????????о??????????GM(1??1)??AR(p)??????????1???????????????1 ns????????10??????????????10 ns??????????????ζ??????GM??1??1???????????????????????IGS(the International GPS Service for Geodynamics)??????????7 ns??????     

�й���½������GRACE���������仯�о�

??????????GRACE????????????仯??????????? ??GRACE??????λ??????????????????????????????????????????????????й?????????????????仯???????????800 km??????????ó????????????仯?????     

无偏灰色模型和Origin拟合函数在变形监测预报中的对比应用

针对灰色模型的固有缺陷,通过白化方程与灰微分方程之间的参数变换实现了三类灰色模型的无偏性。通过3个实例对比分析了无偏灰色模型和Origin拟合函数在变形监测预报中的应用效果,结果表明,在“少数据建模”情况下,无偏灰色模型拟合预测精度与Origin拟合函数相当;当建模数据较多时,则不及Origin拟合函数。无偏灰色模型建模原理简单,可用于处理小样本变形监测数据。Origin拟合函数不需要考虑数据量和变形监测时间间隔,可用于处理变形监测数据。     

白鹤滩和乌东德库区蓄水前形变分析

利用白鹤滩和乌东德库区2018～2019年两期最新地壳形变监测资料对两个库区在监视期的形变特征进行分析,其中水准和重力资料采用相对基准分析法,谷宽和跨断层测距资料采用投影面相对坐标分析法。结果表明：1）白鹤滩库区上游左岸中部存在16 km范围的沉降区,乌东德库区上游右岸水准支线所在地区隆升较大,两个库区其他地区均相对稳定,垂直形变量均小于5 mm;2）两个库区重力场变化基本平稳,无显著性异常变化,个别测点重力值变化较大是周围环境改变导致;3）两个库区4个谷宽网各点的相对坐标变化均不大,但4个谷宽网均显示相对收缩,量值在1~2 mm;4）两个库区6处跨断层场地中有5处比较稳定,监视期间断层无显著垂直活动和水平活动迹象,乌东德库区洛佐场地监视区断层两侧存在一定的差异性垂向运动并伴随水平向挤压运动。该结果可为水库蓄水后形变以及水库诱发地震的研究提供背景参考。     

GM(1,1)幂模型的改进及其在沉降预测中的应用

GM(1,1)幂模型可用于趋于稳定或具有S型变化趋势的沉降预测,但其存在灰色建模的固有缺陷、非等间隔数据的不适用性和参数求解复杂性等不足之处。结合幂函数变换与无偏GM(1,1)模型和非等间隔无偏GM(1,1)模型,建立了无偏GM(1,1)幂模型和非等间隔无偏GM(1,1)幂模型。基于Matlab程序,以拟合结果的平均相对误差最小作为优化目标,提出参数的优化求解方法,同时提出采用Origin拟合函数SRichards2的替代方法。实例分析结果显示,两种方法拟合效果相当,均可用于沉降预测。结合两者的应用效果和建模特点,建议人工处理数据时采用Origin拟合函数SRichards2;对于有特殊优化目标的情况或自动化监测设计时,可采用无偏GM(1,1)幂模型或非等间隔无偏GM(1,1)幂模型。     

ARIMA��0��2��q��ģ���������Ӳ�Ԥ���е�Ӧ��

???????????????????????????????????????ARIMA???????????????????????1?????????????????????????????з???????????????????????β???????????????????????MA????????????????????????ARIMA??0??2??q?????????????????????????ARIMA??0??2??q?????????????????????ζ?????????????     

滑坡变形预测灰色神经网络耦合模型的构建及适用性分析

结合灰色模型和神经网络的数据处理特点,提出串联、并联和混联式3种结构的灰色神经网络滑坡变形预测模型。串联式将滑坡变形位移时序分解为趋势项和随机项,采用灰色模型提取滑坡位移时序趋势,利用神经网络逼近随机波动;并联式以灰色模型和神经网络分别对滑坡预测,采用智能非线性组合,按照预测目标精度动态调整权重,从而获取最终组合预测结果;混联式通过增加灰白化层及灰模型群,对神经网络拓扑结构进行优化,达到弱化滑坡原始监测数据随机性、提高预测模型稳健性的目的。将3种模型应用于古树屋滑坡变形预测,并对其适用性进行讨论。结果表明,3种结构的灰色神经网络耦合模型均提高了预测精度,适用于复杂状况下滑坡体的变形预测。     

灰色GM(1,1)模型研究关中灌区地下水位变化规律

关中平原的渠灌区地下水位上升是普遍现象,严重时会造成一系列环境水文地质问题。本文通过建立灰色GM(1,1)模型研究了宝鸡峡灌区下游的地下水位变化规律,并进一步预测了其发展趋势。     

基于最小二乘配置法的优化GM（1,1）预测模型及其应用

针对灰色GM(1,1)预测模型预测结果精度低、模型缺乏稳定性的问题,基于最小二乘配置理论的GM（1,1)预测优化模型,首先通过使得生成序列新预测值的误差在最小二乘意义下最小,选取GM(1,1)模型的最优初值,利用指数函数法构造新的背景值;然后将优化的GM(1,1)模型和最小二乘配置理论有机结合,进一步对优化的GM(1,1)模型进行改进,构建优化的灰色最小二乘配置预测模型;最后通过对建筑物的沉降数据进行定量分析与预报,与其他模型进行对比分析。     

非等距GM(1,1)模型在沉降预测中的应用探讨

针对非等距沉降数据序列的建模问题,探讨了3种非等距GM(1,1)模型在沉降预测中的应用。结果显示,加权非等距GM(1,1)模型不适用于具有近似指数趋势的沉降数据,灰线性加权非等距GM(1,1)模型并非真正的非等距模型,模型预测式与时间无关,不能用于沉降预测,而对于笔者所建立的非等距GM(1,1)模型,其拟合函数等同于灰色线性回归组合模型,可用于近似指数趋势的沉降数据。通过实例分析对比了3种非等距GM(1,1)模型的应用效果,验证了上述观点的正确性。     

���μ���������Ԥ��Ĵ����벢��ģʽ�о�

??????μ???????????????????????????????????????????????????????????????з????????????????????????????????????????????????????￡?????????????????????????????????????????????????????????????????????Ч?????б????????????????????????????????????????????????????     

水质富营养化指标的GM(1,2)预测模型

本文应用灰色GM(1,2)建模方法,提出了水质富营养化单项指标的一种新的预测模型。该模型用于湖水总磷度的预测实例表明预测值与实际值拟合较好。本文还将GM(1,2)预测模型与 Vollenweider预测模型进行了比较。