西藏东南部米堆冰湖面积和水量变化及其对溃决灾害发生的影响

冰湖溃决灾害是青藏高原地区主要的灾害之一。详细了解冰湖的面积和水量变化及其原因, 有助于更准确地确定其溃决的可能性和产生破坏的程度和范围。米堆冰湖为一个典型的冰碛物阻塞冰湖, 1988 年7 月15 日曾发生溃决。本研究利用1980 年1:5 万地形图和DEM、1988 年TM影像、2001 年IKONOS影像以及2001、2007、2009、2010 年ALOS影像, 提取冰湖溃决前后的面积变化, 结合野外实地测得的冰湖水深, 获得冰湖不同时期的水量及其变化。同时, 利用自动水位计, 监测湖泊相对水深的变化及其原因。结果显示, 米堆溃决前面积达到64×10⁴ m², 水量为699×10⁴ m³, 溃决使得601.83×10⁴ m³的水量溃出, 水位下降了17.18 m, 但溃决口并未达到冰湖最低处, 溃决后仍有97.17×10⁴ m³的水量。近年来, 气温升高融水增加使得冰湖面积和水量不断增加, 按照目前的水量增加速率, 冰湖再次发生溃决的可能性较小, 而在由于其他原因使得冰湖发生堵塞或大量外来物质(冰川断裂、滑坡等)填充进冰湖时, 可能导致冰湖水位急剧上升, 再次发生溃决。     

基于MODIS的青藏高原季节性积雪去云方法可行性比较研究

青藏高原地处中纬度地区,季节性积雪分布破碎,地面观测站点稀少,中分辨率成像光谱仪（MODIS）可为该地区提供每日积雪监测数据,然而云是光学遥感最大的影响因素,为研究MODIS每日积雪产品去云方法在青藏高原的适用性,根据原理将去云方法归纳总结为五大类,并对每种方法的“潜在假设”开展分析讨论。结果显示：基于时间连续性的方法适用性强,去云效果明显,上下午积雪连续的平均概率为72.5%,而2~5d的连续积雪的概率为5.6%~43%不等,可靠性差;临近像元法可去除零散分布的云,平均正确率达到95.5%,但去除云量较少;基于高程的去云算法在山区适用性好,而在高原腹地由于坡度较小而错判概率较大;采用被动微波遥感数据进行去云则依赖于微波对云的识别率,往往误差较大;采用数学方法拟合积雪边界在积雪破碎、降雪融雪较快的青藏高原地区,物理意义较弱。通过分析研究表明,青藏高原地区MODIS日积雪产品的去云,需综合多种算法的区域适用性,充分考虑青藏高原地形及积雪本身的特征,逐步完善每日积雪去云工作。     

渤海东畔绘新图——河北省黄骅市创建国土资源节约集约模范市的经验

黄骅市东临渤海,北靠京津,地处“环渤海、环京津”的“双环”枢纽地带,是河北省东出西联的出海口和桥头堡。近年来,全市各级政府认真落实耕地保护政策和共同责任机制,大力开展国土资源节约集约模范市创建活动,     

1981-2010年青藏高原积雪日数时空变化特征分析

全球气候变暖大背景下, 作为冰冻圈最为活跃和敏感因子, 青藏高原积雪变化备受国内外关注. 本文利用青藏高原(以下简称高原)1981-2010年地面观测积雪日数资料, 较系统地分析了近30年来高原积雪日数的时空变化特点. 主要结论如下: (1) 近30年内高原平均年积雪日数出现了非常显著的减少趋势, 减少幅度达4.81 d·(10a)^-1, 其中冬季减幅最为明显, 为2.36 d·(10a)^-1, 其次是春季(2.05 d·(10a)^-1), 而夏季最少(0.21 d·(10a)^-1); (2) 30年间, 积雪日数较少的年份多数出现在本世纪初10年内, 且2010年属于异常偏少年, 高原积雪日数在1997年左右发生了由多到少的气候突变; (3) 在空间上, 北部柴达木盆地及其附件区域部分气象台站观测的年积雪日数出现了不显著的增加趋势之外, 高原91.5%的气象站年积雪日数呈减少趋势, 且高寒内陆中东部和西南喜马拉雅山脉南麓等高原历年积雪日数高值区域减少最为明显; (4) 由于受到气象台站所在地理位置、地形地貌、地表类型、海拔高度、局地气候以及大气环流等综合影响, 高原平均年积雪日数的空间差异很大, 最多达146 d, 最少的则不足1 d, 平均仅为38 d, 其中高寒内陆中东部是积雪日数最长的区域, 而东南部海拔和纬度较低的干热河谷地区积雪日数最少.     

一种基于GIS的气象要素空间插值方法

根据气候学方程建立的多元回归方法,在地理信息系统空间分析功能的支持下,实现了西藏拉萨地区气温、降水等气象要素的空间网格化。得出,上述方法对拉萨地区等山地地区气象要素的空间网格化方面是有效的手段,该方法对气温的空间插值精度优于降水。      

基于神经网络的西藏拉萨地区生态环境分类

根据生态环境分类指标的科学性、完备性、简洁性和数据的可获取性,选取了影响拉萨地区生态环境的主要地形和气候因子高程、坡向、≥0℃积温、年平均温度、年平均降水量、潜在蒸散量和湿润度等7个有代表性的指标,利用GIS的空间内插方法将所有这些指标转成100 m×100 m的空间珊格数据,再根据每个指标特定的地理和环境意义进行指标的分带,对7个指标进行主成分分析后提取主要信息。通过选择4个典型样区作为训练区,对拉萨地区的生态环境进行了分类。结果表明,拉萨地区的主要生态环境类型包括河谷农业类型、山地草原类型、高山草甸类型及高山裸岩及冰雪类型。其中,高山草甸和山地草原生态环境类型占主导,分别为10 768.52 km2和10 646.6 km2,各占总面积的36.61%和36.20%,而河谷农业类型占总面积的10.75%。此外,拉萨地区分布有较大面积的高山裸岩及冰雪区生态环境类型,面积为总面积的14.16%。作为特殊类型的生态环境类型,拉萨地区境内的纳木错的湖泊面积是668.76 km2,占该湖面积的近一半和拉萨地区总面积的2.27%。     

GPS RTK技术在像控测量中的应用及精度分析

简要介绍RTK在像控测量中的应用;重点结合合肥测区的实际,根据实践和检测的数据,对RTK GPS的观测成果的可靠性和精度情况进行分析。     

鄱阳湖典型湿地植物现状与保护策略

鄱阳湖是我国最大的吞吐型、季节性浅水通江湖,呈现丰水期和枯水期周期性交替的独特水文节律。近年来鄱阳湖水位波动加剧,在各种因素及2020年特大洪水的影响下,鄱阳湖沉水植物呈退化趋势。综述了鄱阳湖湿地植物种类、典型湿地植物及其适应策略等,探讨鄱阳湖水文水质变化、10年禁渔、采砂等对沉水植物群落等分布的影响,为鄱阳湖湿地植物的保护及恢复提供参考。     

西藏羊卓雍错湖面遥感监测模型及近期变化

羊卓雍错作为西藏高原三大圣湖之一和藏南重要的高原特色风景旅游景区, 其水域变化受到当地老百姓和各级政府部门的关注. 应用高分辨率陆地资源卫星等遥感数据可以方便、 准确地获取湖泊面积、 周长等信息, 但是由于Landsat 等高分辨率陆地资源卫星影像受到卫星重复周期和卫星过顶时多云天气的影响, 无法实现湖泊面积变化的常规业务化连续监测. 为此, 以Landsat 等高分辨率陆地资源卫星为主要遥感信息源, 结合羊卓雍错水位观测资料, 建立了羊卓雍错湖泊面积变化与水位波动之间的相关模型. 在此基础上, 利用该湖泊面积遥感监测模型, 结合近期水位观测资料分析了羊卓雍错湖面面积变化特征与趋势.     

1956-2003年拉萨河流域径流变化趋势

Taking the Lhasa River Basin above Lhasa hydrological station in Tibetan Plateau as a study area, the characteristics of the annual and monthly mean runoff during 1956-2003 were analyzed, based on the hydro-data of the two hydrological stations （Lhasa and Tanggya） and the meteorological data of the three meteorological stations （Damxung, Lhasa and Tanggya）. The trends and the change points of runoff and climate from 1956 to 2003 were detected using the nonparametric Mann-Kendall test and Pettitt-Mann-Whitney change-point statistics. The correlations between runoff and climate change were analyzed using multiple linear regression. The major results could be summarized as follows： （1） The annual mean runoff during the last 50 years is characterized by a great fluctuation and a positive trend with two change points （around 1970 and the early 1980s）, after which the runoff tended to increase and was increasing intensively in the last 20 years. Besides, the monthly mean runoff with a positive trend is centralized in winter half-year （November to April） and some other months （May, July and September）. （2） The trends of the climate change in the study area are generally consistent with the trend of the runoff, but the leading climate factors which aroused the runoff variation are distinct. Precipitation is the dominant factor influencing the annual and monthly mean runoff in summer half year, while temperature is the primary factor in winter season.