基于PS-InSAR技术的南宁地表沉降监测与分析

采用PS-InSAR技术处理44景COSMO-SkyMed卫星影像,获取南宁市建成区2013~2016年地表沉降形变信息;选取典型沉降突变区域进行实地调查,分析地表变形特征及原因,验证PS-InSAR技术监测结果的准确性。结果表明,研究区年平均形变速率范围为-7~5 mm/a;沉降突变点大多分布在青秀区、西乡塘区及兴宁区的绕城高速以内,其中青秀区新竹路与思贤路交叉区域、民族大道高速出入口区域地面沉降明显,平均形变速率超过-9 mm/a;结合工程建设资料、光学历史影像进行实地调查,结果与PS-InSAR监测数据反映的问题吻合较好。该研究可为地质灾害预测和防治工作提供新思路。     

新疆和静地区新生代原型盆地恢复及后期构造破坏

焉耆盆地和静北部地区发育一个现今地貌上的小型背驮盆地。新生代地层中砾岩砾石成分稳定,以变质岩和沉积岩成分居多,岩浆岩很少;砂岩成熟度普遍低,长石和石英含量少,岩屑含量居多,砂岩成熟度从盆地早期渐新统—中新统的玛萨盖特组到上新统—更新统安吉然组下降。该盆地内部及其周缘地区新生代地层古水流方向主要向南,显示物源是北部的南天山地区,直至更新世时期该背驮盆地并未单独发育,而是焉耆盆地北部的一部分。由于天山地区的侧向扩展作用,更新世以来本区形成了典型的逆冲断裂带,北部的逆冲断层使中泥盆统逆冲到安吉然组之上,中部的一条逆冲断裂使下伏的中泥盆统和花岗岩体抬升,形成了现今的地貌;南部的逆冲断层作用在安吉然组内形成了南陡北缓的断层相关褶皱。和静地区的新生代变形是由北向南进行的,具有西强东弱的特点,西部地区的构造缩短率大于东部地区。     

基于SAR图像纹理的北极海冰厚度的反演研究

基于七景北极Radarsat-2 SAR图像以及中国第六次北极科学考察走航期间利用船侧录像观测获得的平整冰厚度数据,通过灰度共生矩阵计算纹理,确定了最适合反演海冰厚度的纹理参数。并分析了海冰厚度与纹理之间的相关关系,探讨了纹理反演海冰厚度的可能性。选取了最合适的纹理特征进行拟合,并利用所得经验方程进行反演验证,结果与实测数据吻合较好,平均相对误差13.7%。与传统的仅依靠后向散射系数反演海冰厚度进行对比,新方法的误差更小,证明了纹理特征反演冰厚的优势。     

多层四流球谐函数算法的构建及在大气辐射传输模式中的应用

为了在不大幅度增加计算成本的情况下提高大气辐射传输计算的精度,利用单层四流球谐函数结合多层二流累加法,构造了可用于多层大气的四流球谐函数算法。为了比较与其他辐射传输算法的差异,引入48流离散纵坐标算法作为比较标准,Eddington 近似、四流离散纵坐标算法作为比较对象。在真实大气廓线条件下,计算了晴空和有云大气顶向上辐射通量、地表向下辐射通量以及加热率廓线。得出以下结论：在晴空情况下,与作为标准的48流离散纵坐标法相比,Eddington 近似、四流离散纵坐标法和新构造的四流球谐函数方法加热率绝对误差都小于0?3 K／d;向上、向下辐射通量的相对误差分别小于1％和0?6％。这表明在晴空情况下,3种算法对加热率的计算精度差别不大;对辐射通量的计算精度,两种四流近似算法比传统的 Eddington 近似更为精确。在有云情况下,与48流离散纵坐标法相比,四流球谐函数和四流离散纵坐标法计算的云顶加热率相对误差小于1％,而 Eddington 近似计算的云顶加热率相对误差大于5％。结果表明：新构造的四流球谐函数算法可用于大气辐射传输模式,在不大幅度增加计算成本的同时,提高了晴空大气的整体辐射计算精度和有云大气辐射加热率的计算精度。     

基于Radarsat-2 SAR图像分类与HY-2微波辐射计反演获取北极海冰密集度的比较研究

在北极东北航道东西伯利亚海和楚科奇海交汇的关键区域,利用四景2012年北极夏季Radarsat-2 SAR海冰图像,通过图像分类提取了海冰密集度;同时采用NASA TEAM算法,基于海洋二号(HY-2)卫星扫描微波辐射计亮温数据反演了对应区域的海冰密集度;并引入美国冰雪数据中心(NSIDC)发布的SSMIS海冰密集度产品进行了对比研究。通过不同来源海冰密集度数据的分析发现HY-2、SAR和SSMIS的结果在4个研究区域上的分布趋势基本吻合;但在海冰边缘区,由SAR图像分类得到的海冰密集度高于HY-2和SSMIS的反演结果,说明了高分辨率的SAR图像在监测边缘区小尺寸浮冰上有优势。三种数据中,原始分辨率相同(25 km)的HY-2与SSMIS的结果最为相近,而HY-2同SAR的相关性与SAR同SSMIS的相关性一致。在冰边缘,HY-2的反演值偏低于SAR和SSMIS的结果,这是受该处较高水汽含量影响的结果,也是未来发展HY-2微波辐射计反演算法需要重点改进的地方。     

改进残差网络及时序气象卫星云图的台风等级分类研究

结合了传统残差网络在数据样本小环境下分支卷积层特征的浪费问题，且考虑台风云图时空关联性强、特征复杂因素，参考日本国立情报学研究所在西北太平洋上空通过数个气象卫星拍摄的8 000多景高分辨率台风云图，编制了适应于残差神经网络的时序台风云图分类训练集和测试集。为满足数据集及台风特征，有效优化了原始残差网络的残差块，并得到了恒等映射残差块。经由增加卷积输出来促进分支通路更好的被利用，保留台风图像时序特性，提高网络性能。实验显示，W-ResNets模型在自建台风数据集上的训练精度达到99.60%,测试精度达到76.19%,相较于浅层卷积神经网络的测试精度高出8.48%,相比于使用传统的残差神经网络提高了2.87%,为进一步验证模型的泛化性能，采用MNIST通用数据集进行网络对比实验，宽残差网络得到98.786%的测试精度，优于传统残差网络。文中的W-ResNets预报模型可在小样本台风数据集推广使用。