四川盆地回龙地区下侏罗统自流井组大安寨段混积岩特征及模式

川西回龙地区自流井组大安寨段发育湖相碳酸盐岩和碎屑岩的混合沉积,结合野外露头、钻井岩芯、测井和显微组构等资料的综合分析,对该研究区混积岩沉积微相特征进行了精细刻画。研究认为,回龙地区大安寨段属湖泊混合沉积相,分为滨浅湖混合沉积和半深湖混合沉积两个亚相,并划分了五个沉积微相,分别为高能介壳滩混合沉积微相,低能介壳滩混合沉积微相,砂质浅滩混合沉积微相,浅湖混合沉积微相以及半深湖混合沉积微相。基于所划分的混合沉积相的特征和四川盆地以及研究区回龙大安寨段在侏罗纪的沉积相演变过程,分析了该区混积岩的成因及混合沉积演化模式。得出结论:研究区湖相混合沉积主要受物源供给和水动力条件的控制,在五种不同混合沉积微相控制作用下形成了不同类型的混积岩。     

Deriving Changjiang coastal zone wind from C-band SAR and its application to salinity simulation

Wind plays an important role in hydrodynamic processes such as the expansion of Changjiang （Yangtze） River Diluted Water （CDW）, and shelf circulation in the Changjiang estuary. Thus, it is essential to include wind in the numerical simulation of these phenomena. Synthetic aperture radar （SAR） with high resolution and wide spatial coverage is valuable for measuring spatially inhomogeneous ocean surface wind fields. We have collected 87 ERS-2 SAR images with wind-induced streaks that cover the Cbangjiang coastal area, to verify and improve the validity of wind direction retrieval using the 2D fast Fourier transform method. We then used these wind directions as inputs to derive SAR wind speeds using the C-band model. To demonstrate the applicability of the algorithms, we validated the SAR-retrieved wind fields using QuikSCAT measurements and the atmospheric Weather Research Forecasting model. In general, we found good agreement between the datasets, indicating the reliability and applicability of SAR- retrieved algorithms under different atmospheric conditions. We investigated the main error sources of this process, and conducted sensitivity analyses to estimate the wind speed errors caused by the effect of speckle, uncertainties in wind direction, and inaccuracies in the normalized radar cross section. Finally, we used the SAR-retrieved wind fields to simulate the salinity distribution off the Changjiang estuary. The findings of this study will be valuable for wind resource assessment and the development of future numerical ocean models based on SAR images.     

近岸Ⅱ类水体表层悬浮泥沙浓度遥感模式研究进展

因为具有明显的时间与空间分辨率优势,遥感数据成为近岸Ⅱ类水体悬浮泥沙浓度(SSC)信息提取研究的重要数据源之一.悬浮泥沙遥感信息提取的现状可归纳为:(1)建立近岸Ⅱ类水体SSC遥感模式的方法有三种类型,分别是基于地面光谱与SSC测量的反射率反演方法、基于图像信息法和基于大气辐射传输理论模型法;(2)基于地面测量的反射率反演方法属于理论与经验相结合的方法,也是目前用于SSC定量化遥感模式研究的常用方法.其数学表达形式包括线性关系式、对数关系式、负指数关系式、Gordon模式和综合模式等;(3)到目前为止已有的Ⅱ类水体SSC遥感模式适用性方面还不理想,远未达到与试验室分析相匹配的精度.文章认为:加强地面水文光谱实验研究,建立多光谱SSC定量模式,以高分辨率和高光谱遥感融合数据为基础的SSC定量遥感是今后该方向发展趋势.     

GIS在斜坡稳定性空间评价预测中应用初探

本文通过对ＧＩＳ的剖析,对ＧＩＳ应用于斜坡稳定性空间评价预测进行了初步探讨,提出了研究与应用的思路,并在贵州某流域作了应用尝试。     

基于磁流体力学模拟的太阳高能粒子物理模式研究进展

太阳高能粒子(SEP)事件是一类重要的空间天气灾害性事件,其数值预报研究在空间天气预报研究中占有很重要的地位。SEP事件主要包括3种类型:与太阳耀斑爆发相关联的脉冲型事件,与日冕物质抛射驱动的激波相关联的缓变型事件,以及同时具有缓变型和脉冲型事件特征的混合型事件。其中,缓变型SEP事件持续时间较长并且高能粒子强度较大,对这类事件的模拟是当前研究的难点。目前针对缓变型SEP事件的模拟工作业已发展了多个理论和数值模型。每个模型都对SEP加速和传播的复杂过程作了基本的假设,这些模型的模拟结果能够部分重现观测到的SEP事件特征。而若要提高预报SEP事件的能力,则需要将描述三维日冕物质抛射驱动的激波模型与描述高能粒子在行星际空间中的加速和传输的模型耦合起来,建立基于接近真实的SEP加速和传播的三维太阳风背景模拟及以激波参数为输入的SEP模型。主要回顾了缓变型SEP事件中粒子的加速和传输方面的研究进展,以及可用于获取CME激波传播参数的磁流体力学太阳风模型研究现状;综述了缓变型SEP事件的激波一粒子模型(shock-and-particle model);最后对未来工作进行了讨论和展望。     

长江口邻近海域冬季漫衰减系数及其遥感反演

利用2012年和2013年冬季长江口邻近海域的实测数据,分析了该区域漫衰减系数光谱特征,490nm波段向下漫衰减系数(Kd(490))的空间分布及影响因子,建立了该研究区域新的冬季漫衰减系数反演模型,并建立了研究区域内Kd(490)与有效光合辐射衰减系数(Kd(PAR))的关系。结果表明:长江口邻近区域Kd490值随着离岸距离的减小逐渐增大,最大值达到了1.8m-1,杭州湾邻近区域情况类似,舟山岛附近出现了Kd(490)的最大值2.8m-1。总悬浮物对Kd(490)的影响较大,悬浮物浓度与Kd(490)相关度大于0.86。黄色物质和叶绿素a对其影响较小,与Kd(490)相关度均小于0.25。本文建立了三波段遥感反射率与Kd(490)的反演模式:lg[Kd(490)]=a[Rrs(590)/Rrs(510)]+b[Rrs(670)/Rrs(510)],对比反演与实测结果显示:均方根误差为0.098m-1,平均相对误差为12.43%,决定系数为0.916;光合有效辐射衰减系数(Kd(PAR))与Kd(490)的关系:Kd(PAR)=0.495exp(0.8602Kd(490))-0.2217,对比反演与实测结果显示:均方根误差为0.102m-1,平均相对误差为14.62%,决定系数为0.927。     

基于Sentinel-1A雷达影像的崇明东滩芦苇盐沼植被识别提取

为研究芦苇盐沼植物在一个生长周期不同生长季节的雷达后向散射系数变化特征,对芦苇分布信息进行提取,探究Sentinel-1A卫星数据在长江口湿地植被监测中的应用前景。以对长江河口崇明东滩南部为研究区域,利用2016年11个时相的Sentinel-1A雷达卫星影像VV（vertical transmit/vertical receive）+VH（vertical transmit/horizontal receive）双极化数据,分析潮滩地带芦苇、白茅、海三棱藨草、水体和光滩在植被生长周期内的雷达后向散射强度变化特征,对芦苇盐沼植被进行识别提取。结果表明：相较于VH极化方式,VV极化方式下不同地物的后向散射强度差异更为明显,芦苇的后向散射强度在枯叶期下显著高于其他地物;进行芦苇植被提取时,需要对植被枯萎期不同潮位状况下的雷达影像进行组合运算,芦苇提取精度可达到88.7%;对芦苇植被雷达后向散射强度和临近时相的光学遥感归一化植被指数（normalized difference vegetation index,I_NDV）进行相关性分析,发现两者呈良好的正相关关系,相关系数为0.78。