晕轨道X射线脉冲星自主导航和轨道维持研究

目的 提出一种利用X射线脉冲星的晕轨道自主导航方法。以高精度星历轨道动力学模型构建晕轨道状态方程,并利用二级微分修正方法获取惯性系下晕轨道的标称轨道。基于微分修正原理,利用 X射线脉冲星的导航结果和小推力推进器,对晕轨道探测器进行轨道维持和控制,并以地月系 L2点晕轨道为例进行了仿真实验。结果表明,该方法能够有效完成地月系L2点晕轨道探测器的自主导航和轨道维持任务。     

石羊河流域冰冻圈融水对出山径流的贡献及影响

气候变暖背景下,随着冰冻圈的持续萎缩,冰冻圈融水已成为寒区径流的重要组成部分和寒区水文过程的关键影响因子。以石羊河流域为研究区,2013年7月~2014年6月在系统采集大气降水、河水、泉水、井水、水库水、渠系水、冻土活动层地下水和冰雪融水样品基础上,应用稳定同位素示踪技术,定量评估了石羊河流域冰雪融水和冻土活动层地下水对出山径流的贡献量,结果表明：流域内大气降水、冻土活动层地下水和冰雪融水充分混合后以地下水的形式补给径流,大气降水、冻土活动层地下水和冰雪融水对出山径流的补给率分别为77%、20%和3%。依据多年冻土下界将山区分为冰雪冻土带和植被带,分析证实冰雪冻土带输出水量贡献了出山径流的82%,而植被带贡献了18%。流域出山口径流的补给带为海拔3300m以上,中游浅层地下水的补给带为海拔3700m以上。冰雪融水和冻土活动层地下水对7条支流出山径流的贡献率因自然地理状况而明显差异,东大河、西营河和金塔河降水对出山径流的贡献率分别为72%、78%和87%,相应的冻土活动层地下水贡献率为21%、17%和12%,冰雪融水为7%、5%和1%。降水对西大河、黄羊河、古浪河和大靖河出山径流贡献率分别为84%、91%、76%和73%,冻土活动层地下水对出山径流的贡献率依次为16%、9%、24%和27%。研究确认冻土活动层地下水已成为内陆河流域径流的重要组成部分,未来亟须进一步加强冻土活动层地下水水文机制的研究。

     

基于挤喷流效应的Russell流体因子推广及应用

在油气勘探与开发过程中,寻求能够从地震资料中直接识别储层油气的流体指示因子至关重要.由于现存多数流体指示因子都是在Biot理论假设前提下建立起来的,因此在双相孔隙介质条件下不能有效地识别流体.为此,本文基于前人提出的双孔介质统一波动理论,考虑岩石裂缝间挤喷流效应,在经典流体指示因子基础上构建了一种新的流体指示因子.该流体因子能够较好地反映岩石内孔隙流体的变化对波传播产生的影响.在实际资料的应用中,采用多种方法分析、对比该流体识别因子与以Biot理论为基础的传统流体因子的优劣,理论分析与实际资料的验证表明该流体因子对于储层中油气的检测有较高的精度和灵敏度.     

西藏地堡那木岗矿区水系沉积物地球化学特征及找矿预测

利用SPSS等软件对矿区1：5万水系沉积物地球化学数据分析,选用平均值±3倍标准差（X±3S）作为上下限反复剔除原始数据的特值,使元素含量服从正态分布.最后以X+2S作为异常下限（T）,以1T、2T、4T三级浓度分带,圈定Cu、Au、Ag、Mo单元素异常和Au-Ag-Mo综合元素异常,揭示矿区内水系沉积物地球化学异常特征.将异常区与矿区地质特征、矿床（点）套合分析,表明异常受地层、断裂、围岩蚀变控制,对寻找矿（化）体、断层、围岩蚀变带有指示作用.最终,优选2处远景区,分别为3号综合异常区中心北北西方向至北东向断裂附近,1号、2号综合异常区及其东侧组成一个走向为东西向的异常带.     

青海省尕河地区水系沉积物测量异常特征及优选找矿靶区

通过对尕河地区1∶2.5万水系沉积物资料处理,圈定了Cu、Pb、Zn、Ag、Au、As、Sb、Cr、Ni、Co等异常,揭示了区内异常的分布特征,评价异常的找矿意义,划分了元素组合,结合地质成矿背景,依据化探综合异常及中低温热液型元素组合特征,确定Pb、Ni、Ti的4个找矿远景区,其中优选出3号铅找矿靶区,4号钛、镍重点找矿靶区。     

三峡库区树坪滑坡地下水渗流场分析

库岸边坡的地下水分布对其稳定性影响重大。以三峡库区树坪滑坡为例,基于Visual Modflow软件,对不同工况下的地下水渗流场进行数值模拟。结论表明：滑坡地下水位随着库水位波动而变化; 滑坡体后缘地下水受到影响较小,中部和前缘水头变化明显; 在库水位下降过程中,滑坡体内地下水随时间变化呈现水位不变、加速下降、降速减缓、稳定水位的趋势,且不同库水降速只对地下水位变化速率产生影响,对最终地下水位没有影响; 库水位降速越大,滑坡前缘地下水位变化越强烈,水力梯度也越大,且在滑坡东西两侧边界处形成的水力梯度最大。其成果将为库岸滑坡渗流场变化及稳定性分析提供一定的参考价值。     

The use of digital technologies for landslide disaster risk research and disaster risk management: progress and prospects

Landslide is a serious natural disaster next only to earthquake and flood, which will cause a great threat to people’s lives and property safety. The traditional research of landslide disaster based on experience-driven or statistical model and its assessment results are subjective , difficult to quantify, and no pertinence. As a new research method for landslide susceptibility assessment, machine learning can greatly improve the landslide susceptibility model’s accuracy by constructing statistical models. Taking Western Henan for example, the study selected 16 landslide influencing factors such as topography, geological environment, hydrological conditions, and human activities, and 11 landslide factors with the most significant influence on the landslide were selected by the recursive feature elimination (RFE) method. Five machine learning methods [Support Vector Machines (SVM), Logistic Regression (LR), Random Forest (RF), Extreme Gradient Boosting (XGBoost), and Linear Discriminant Analysis (LDA)] were used to construct the spatial distribution model of landslide susceptibility. The models were evaluated by the receiver operating characteristic curve and statistical index. After analysis and comparison, the XGBoost model (AUC 0.8759) performed the best and was suitable for dealing with regression problems. The model had a high adaptability to landslide data. According to the landslide susceptibility map of the five models, the overall distribution can be observed. The extremely high and high susceptibility areas are distributed in the Funiu Mountain range in the southwest, the Xiaoshan Mountain range in the west, and the Yellow River Basin in the north. These areas have large terrain fluctuations, complicated geological structural environments and frequent human engineering activities. The extremely high and highly prone areas were 12043.3 km² and 3087.45 km², accounting for 47.61% and 12.20% of the total area of the study area, respectively. Our study reflects the distribution of landslide susceptibility in western Henan Province, which provides a scientific basis for regional disaster warning, prediction, and resource protection. The study has important practical significance for subsequent landslide disaster management.     

TRMM多卫星降水分析资料揭示的青藏高原及其周边地区夏季降水日变化

利用国家气象信息中心提供的2008—2013年6—8月中国自动站逐小时降水资料与CMORPH（CPC MORPHing technique）卫星反演降水资料融合生成的逐小时融合降水产品（0.1°网格数据集）和2001—2012年6—8月的NCEP 1°×1°再分析资料,对辽宁省夏季降水时空分布特征及其成因进行了较为深入统计、分析,结果表明：（1）辽宁省平均日降水频率的大值区位于辽东地区,这与该地区位于千山—龙岗山山区和夏季低层盛行偏南风密切相关。（2）辽宁地区平均小时降水率大值区也分布在辽东,辽东南为大值区的中心,主要原因为其一,该地区位于中低层比湿场的湿舌处,其二,该地区夏季中低层盛行的西南风遇千山—龙岗山被迫抬升形成中低层上升速度中心。（3）辽宁省降水日变化特征明显：辽西山区、辽宁西北部、辽东—东南部山区为午后到前半夜降水峰值频发区,而中部平原地区、南部沿海地区为凌晨降水峰值频发区。（4）地理环境决定的局地热力、动力过程和天气系统同时影响日降水峰值发生时间,当天气系统较为稳定的处于发展初期和后期时,其影响区域内降水日变化符合前述规律,但当天气系统明显发展或移动,其影响区域内日降水峰值多数发生在该时刻附近。（5）降水日变化规律与天气类型关系不是很大,即在各类天气系统诱发的降水过程中,由地理环境决定的降水日变化规律均存在。（6）辽宁地区西部山地高原、中部平原、东部山地丘陵、南临海洋的独特地理环境决定的局地热力、动力环流及夜间到凌晨加强的由海到陆的西南风暖湿气流是其降水日变化特征的产生的主要原因。

     

洞庭湖中枯水期水情变化及其驱动因素

为揭示洞庭湖中枯水期水情变化特征及其驱动因素,采用长短期记忆神经网络模拟洞庭湖出湖流量及湖区水位,通过情境模拟开展水情变化归因分析。洞庭湖1992—2019年9—10月出湖流量大幅减少,主要受长江流量降低的影响。洞庭湖中枯水期水位主要呈下降趋势,其中9—10月平均水位在西洞庭湖、南洞庭湖降幅约1 m,在东洞庭湖降幅约2 m。地形变化对中枯水期水位主要起拉低作用,长江和流域四水流量变化在9—10月起拉低作用、在12月至次年3月起抬升作用,其中对东洞庭湖水位的影响相对更为显著。研究结果可为洞庭湖中枯水期水资源管理和湿地保护提供参考。     

深基坑施工渗水、流砂等病害分析和处理

通过对具体案例的分析,对深基坑施工过程中的渗水、流砂等病害原因进行分析并探讨各种应急处理方案。