位错模型的矿区地表沉降监测

为获取连续的矿区地表沉降变形场,揭示沉陷规律,及时预计沉降范围与大小,保障生产,该文提出了以精密水准测量数据为约束的加权位错监测及预计模型。视开采工作面为简化位错几何模型,顾及工作面近远场观测数据的不同,根据计算模型值与水准测量实测值的残差确定不同的权比,利用最小二乘线性算法反演垂直方向上的张裂参数。由张裂参数正演获取连续的地表形变场。并以多期观测反演所得的一维张裂参数的变化序列拟合预计模型,预测地表未来形变场。研究表明,提出的加权位错预计模型能更好地监测并预计矿区开采后的地表沉降变化,为采矿安全生产提供了依据。     

应用粒子群算法的遥感信息与水稻生长模型同化技术

在研究遥感信息和水稻生长模型的同化过程中, 最小化遥感反演与生长模型(RiceGrow)输出的水稻生长 信息差值绝对值时引入了一种新的优化算法-粒子群算法(PSO), 并对比了其与模拟退火算法(SA)的优缺点; 探讨 了叶面积指数(LAI)和叶片氮积累量(LNA)分别作为同化参数时的同化效果。结果表明, PSO 无论是从同化效率还是 反演精度上都要好于SA, 粒子群优化算法是一种可靠的遥感与模型同化算法; LAI 和LNA 作为外部同化参数时各 有优势, LAI 作为同化参数可获得较准确的播期及播种量, 而LNA 作为同化参数可获得更为准确的施氮量信息。但 是LAI 作为外部同化参数时的反演结果总体要优于利用LNA 作为同化参数时的反演结果。利用试验资料对该技术 进行了测试和检验, 结果显示反演的模型初始参数的平均值与真实值的相对误差(RE)均小于2.5%, 均方根误差 (RMSE)为0.7—2.2, 产量模拟值与实测值之间的相对误差为5%左右, 模拟与实测相关指标值吻合度较高, 该同化 技术具有较好的适用性。从而为生长模型从单点扩展到区域尺度应用奠定了基础。     

大范围地表沉降时序深度学习预测法

地表沉降不仅影响社会经济的可持续发展,还威胁人类的生命安全.高精度的地表沉降预测对人类预防地质灾害具有重要意义.现有的预测方法因模型参数难以获取或相关数据的缺乏而难以得到可靠的预测结果,针对此问题,本文提出一种基于深度学习的地表沉降预测方法.首先采用多主影像相干目标小基线干涉技术MCTSB-InSAR获取大区域高精度地表形变时序反演结果;其次利用循环神经网络作为网络架构,用长短期记忆(LSTM)模型进行地表沉降特征学习;最后采用网格搜索的方法调整模型参数,进而获取最优的模型参数组合方案.实际观测结果显示,相较于现有地表沉降预测方法,本文提出的预测模型平均绝对误差(0.3 mm)至少降低了27.3％,差分沉降量平均预测精度至少提高了8.9％.空间格局分析的结果表明,LSTM模型对于大区域时序形变的短期预测是有效的.     

先验知识估算HJ-1 CCD数据地表反照率

以黑河实验区为例, 基于HJ-1 CCD数据和中分辨率成像光谱仪(MODIS) 二向性反射(BRDF)和反照率产品的备用算法(算法Ⅰ), 贝叶斯原理的反照率反演算法(算法Ⅱ)和地表朗伯假设的算法(算法Ⅲ)成功估算了地表短波反照率。对反演结果进行分析并与地表观测数据进行比较, 结果表明: (1) 高分辨率的HJ-1卫星地表反照率不仅能够提供下垫面主要的空间分布特征, 还能提供地表细部结构;(2) 两种基于先验知识的地表反照率和MODIS产品接近, 绝对误差为0.01, 相对误差为4%, 而算法Ⅲ的绝对误差为0.03, 相对误差为13%; 算法Ⅰ和Ⅱ对反照率的改善对地表类型的依赖不明显, 相对误差集中在2%-8%, 反演结果对时相变化依赖较为显著, 在植被最茂盛的季节反照率改善作用明显优于凋谢季;(3) 算法Ⅰ和算法Ⅱ的结果与地表观测结果更为吻合, 均方根误差在0.05以内, 相对误差小于23%, 而算法Ⅲ的均方根误差为0.069, 相对误差为36.3%;(4) 先验知识的作用可能依赖于太阳和观测几何的相对位置, 因此可能依赖于季节和纬度的变化, 以及传感器的成像方式。该研究对缺乏多角度观测的星载传感器的反照率反演有重要的参考价值。     

一种火山岩浆源参数反演的粒子群算法

针对最小二乘(LS)方法、总体最小二乘(TLS)方法在用于火山Mogi模型反演压力源参数时,在线性化的过程中容易产生偏差,导致求得的参数解偏离真值的问题。该文分析了Mogi模型的非线性特点,同时考虑了粒子群算法在非线性问题求解的优势,将两者结合得到了一种适用于Mogi模型参数反演的粒子群算法(PSO)。通过模拟算例与真实火山反演的验证,表明该文方法所得结果在模拟算例上相对其他方法所得结果在精度上提高了1～2个数量级且更接近真值,在真实火山反演中其拟合结果更接近地表观测值,表明该文方法在火山Mogi模型反演中具有适用性与有效性。     

Landsat 9数据的地表温度反演算法优化

地表温度作为地表与大气之间能量交换的关键参数被广泛地用于众多领域。本文针对Landsat 9数据,优化了单窗算法模型和劈窗算法模型,实现了地表温度反演,并结合SURFRAD站点实测数据和地表温度产品进行了精度验证分析。结果表明：两种算法模型的确定系数均大于0.96,其中劈窗算法模型精度较高,误差(RMSE)值为1.45 K左右,单窗算法模型精度较低,误差(RMSE)值为1.61 K左右;劈窗算法模型相较于单窗算法模型对参数的敏感性较低,在高水汽含量范围内,劈窗算法模型的结果要优于单窗算法模型的结果;本文提出的地表温度反演方法结果与官方地表温度产品的误差(RMSE)值均在2.5 K以内,可满足热红外遥感数据生产地表温度产品的应用需求。     

利用PSO-GA-LSSVM模型预测基坑周边建筑物沉降

针对最小二乘支持向量机(least square support vec-tor machine,LSSVM)模型参数选择存在随机性与单一优化算法寻找参数存在局限的问题,将遗传算法(genetic algo-rithm,GA)、粒子群优化(particle swarm optimization,PSO)算法引入LSSVM模型,建立了基于粒子群-遗传算法(PSO-GA)优化的LSSVM沉降预测模型.将GA嵌入PSO算法,降低了模型参数寻优陷入局部最优的可能,提高模型拟合精度.结合具体工程实例,将提出的模型与LSSVM模型、PSO算法优化的LSSVM(PSO-LSSVM)模型、GA优化的LSSVM(GA-LSSVM)模型进行对比,结果表明改进模型的精度更好,稳定性更强.     

模拟AMSR-E数据的地表多参数反演

为了提供更适用的地表参数反演方案,对Njoku等模拟AMSRE-E数据的多参数反演工作重新进行正向模拟和算法改进,算法用MATLAB开发实现.反演结果表明,改进后的反演方法不仅在精度上略高于原方法,而且还能反演裸露地表可实际测量的粗糙度参数,并在更大的植被含水量范围内达到较高的反演精度.     

利用主被动微波遥感结合反演土壤水分的理论模型分析

为了更好地进行土壤水分反演,发展了一种基于热带降雨观测计划(TRMM)的主被动微波结合反演裸露地表土壤水分的算法.为了提高反演精度,同时利用TRMM搭载的测雨雷达(PR)和微波成像仪(TMI)进行观测.另外,针对PR/TMI数据,还建立了包含大范围的土壤水分和粗糙度参数的AIEM模型数据库.通过分析AIEM模型对地表后...     

优化BP神经网络的多特征融合遥感影像分类方法

针对BP神经网络在遥感影像分类中存在易陷入局部极值和单一影像特征缺乏有效地物判别信息的问题,该文提出了一种遗传算法(GA)结合指数粒子群算法(ExpPSO)优化BP神经网络的多特征融合遥感影像分类方法(GA-ExpPSO-BP).该方法将设计的基于指数函数的ExpPSO与GA结合构建GA-ExpPSO算法,利用GA-ExpPSO算法对BP神经网络的权阈值进行初始寻优从而构建GA-ExpPSO-BP模型.以高分二号、资源三号遥感影像为实验数据,通过制作多特征融合数据集训练及实验验证.结果 表明:该方法的类别精度、总体精度和Kappa系数均最高,且训练耗时和误差最小,能有效改善影像的分类效果,提高分类效率和精度.