基于改进Shannon伪近邻法研究易滑地层位移变形时序

合理地运用科学的理论方法,研究计算滑移地层的滑移规律并进行有效的预测,一直是亟待解决的岩土工程问题。通过基于Shannon伪近邻法时序分析理论研究易滑岩层变形破坏的演变机理;通过边坡演变的动力学方程组,建立相空间重构,得出显示边坡系统动态特性延迟时间与关联维数的计算公式,并对边坡变形破坏过程进行了实例分析,得到最佳嵌入维数取值,提取和恢复边坡系统原有的规律。在古树屋滑坡位移的外推预测中,模型计算相对误差都控制在2%以内,计算结果接近于实测位移值。工程实践表明,基于该模型的时序预测方法,在边坡位移初始变形和等速变形阶段,能保证95%以上的拟合控制精度。     

高级时序InSAR地面形变监测及地震同震震后形变反演

差分干涉测量技术(differential interferometry technique,D-InSAR)是在InSAR技术基础上发展起来的,主要应用于测量地表微小形变。该技术在监测地震形变、火山活动、冰川运动、城市地面沉降以及山体滑坡等领域得到广泛应用,但实际研究中存在很多局限性,例如轨道参数误差、地形数据误差、大气延迟误差、时空去相关引起的相位解缠误差以及系统噪音误差等。这些因素成为InSAR高精度形变探测应用的主要限制。InSAR时序分析方法是目前解决常规D-InSAR处理过程中各种精度制约因素的主要方法之一。本文以InSAR时序分析中几个关键技术问题为研究目标,开展InSAR时序关键技术研究。本文取得的创新点如下:(1)在传统相干点提取方法的基础上,提出了一种新的提取方法:满秩相干点。该方法将干涉冗余网络图中节点和边结合起来构建满秩矩阵,并依此作为相干点提取指标。实验结果表明,满秩相干点提取法不仅能有效提高相干点的空间分布密度,而且能保留相干点的最优测量精度。(2)将大气延迟相位分成3种分量,即长波长大气相位、短波长大气相位以及地形相关的大气相位。在此基础上,利用网络法分别对3种类型大气延迟相位进行校正。网络法可以估算出每个时刻的大气延迟误差,再重构每一幅干涉图的大气延迟误差。实验结果分析表明,采用网络法能精确模拟出每个时刻大气延迟误差和每幅干涉图中的大气延迟相位。(3)离散点相位解缠误差是时序分析过程中主要误差源之一,直接影响后续时序分析结果的精度。本文提出一种利用网络闭合环残差方法,对离散相干点相位解缠误差进行检测和校正。该方法可以有效识别出离散相干点解缠相位中相位跳变;同时,本文也介绍了离散相干点解缠相位跳变校正的方法。(4)基于相干矩阵满秩条件,提出一种新的InSAR时序反演策略。利用干涉冗余网络图中各条边和节点之间的关系,采用最小二乘方法解算各个时刻点的形变特征,以有效解决传统InSAR时序反演过程中的秩亏问题。通过Bam地震震后时序形变场提取,在羊八井电站地热开采地下水引起地面沉降监测以及北京市地面沉降监测等几种典型应用中,验证了该方法的有效性和精确性。在关键技术突破的基础上,本文利用提出的新方法,获取了2008年10月6日西藏当雄MW6.3地震同震形变和震后地表形变时序,研究发震断层参数和震后运动过程的动力学机制。利用同震形变反演得到断层几何参数及滑动分布模型为先验知识,以InSAR时序方法获得震后形变时序资料为约束,分别利用震后余滑模型和震后黏弹性松弛模型,研究当雄地震震后断层的运动过程,同时对青藏高原南部中低地壳或者上地幔的黏性系数进行估计,并给出了最优拟合解。     

基于正交设计下SVM滑坡变形时序回归预测的超参数选择

超参数的选择直接影响着支持向量机（SVM）的泛化性能和回归效验,是确保SVM优秀性能的关键。针对超参数穷举搜索方法的难点,从试验设计的角度,提出了正交设计超参选择方法,并分析了基于混合核函数（比单一核函数具有更好的收敛性和模型适应性）SVM各个超参数的取值范围,选定了每个参数的试验水平。通过考虑参数间的正交性和交互性,选取最优超参数组合下的SVM模型。应用该方法,对两种典型滑坡位移时序的SVM建模进行了超参数组合正交优化设计,获得了精度高且泛化性能良好的滑坡预测模型,其试验结果验证了方法的可靠性。正交设计超参选择方法较之其他超参选择法简单实用,其高时效的特点更有助于SVM在实践工程中的良好应用。     

基于小波的时序改进法在深基坑监测中的应用

结合润扬长江公路大桥南汊悬索桥南锚碇采用排桩冻结法新技术的工程实际,对深基坑支撑轴力监测数据提出了基于小波技术的时间序列改进法,将时间序列分析的多步预报功能与小波对信号精加工的功能相结合,研究结果表明,采用小波改进时间序列分析方法建立的时间序列动态预测模型,其预测精度大大提高,为基坑的安全施工提供了保障,为基坑的信息化施工提供了依据。     

疫情背景下中国居民城际出行恢复力、恢复模式与影响因素

新冠疫情爆发以来,居民城际出行受到显著影响,其时空波动规律反映了居民城际出行恢复力和恢复模式。文章基于百度迁徙数据,着眼于疫情防控常态化阶段,分析城际出行恢复力的分异格局,归纳总结时序波动规律与模式,并构建计量模型探究影响城际出行恢复力的因素。研究构建了波动比率、恢复比率、恢复弹性和恢复指数4个指标,用以衡量城际出行恢复力大小;将2021年中国新冠疫情划分为4个波次,各轮疫情持续时长不一,涉及地区范围各异。研究发现：(1)居民城际出行恢复力表现出一定的空间差异,东部地区最好,西部地区和中部地区其次,东北地区最差;(2)居民城际出行恢复模式时序与传统韧性三角形模式相似,根据疫情传播特征和性质具体可归纳为相对独立型、中间波动型、起点关联型、终点关联型、双向受制型等5种模式,表现出各异的曲线形态和特征;(3)对于居民城际出行恢复力的影响因素,机场、高铁等交通因素具有正向相关关系,而与GDP、产业结构等经济因素的影响表现为U型关系。疫情防控背景下,城际出行恢复模式和恢复力是城市韧性的重要方面,为制定相关城市政策提供了科学依据。     

一种基于图论重构MODIS EVI时间序列数据集的新方法

MODIS的增强型植被指数（EVI）时间序列数据早已广泛应用于植被观测、生态环境和全球气象变化等研究领域,但即使EVI时间序列数据已经经过严格的预处理,其中仍然存在着一些噪声。因此,本文开发了一种简单有效的方法来重构EVI时间序列数据,减少EVI时间序列数据中的噪声,尤其是一些由大气云层和冰雪覆盖产生的噪声。新方法的理论来源于图论,利用拉普拉斯矩阵的关系对EVI中选定的邻域窗口的像元权重进行赋值,得到中心像元的拟合。新方法已应用于2016—2018年的MODIS MOD13A1产品,并与S-G滤波法、谐波函数法、双逻辑斯蒂拟合法和非对称高斯函数法进行了比较。结果表明,在荒漠、草原和林地中,新方法留一验证测试的绝对差值最小,相较于其他方法效果较优;在拟合不同植被类型的EVI时间序列数据时,图论邻点方法呈现出更好的细节拟合曲线;其在5类植被类型中的RMSE值分别为200.59、46.58、63.48、165.47和40.95,在5种方法中均为最小值,在获取高保真和高质量的EVI时间序列数据方面优势更明显有效。本文的方法研究可以给植被遥感时序数据的去噪和生态环境的研究提供有益借鉴。     

利用短基线集技术监测城市地表沉降

西安市及其周边地区是中国地表沉降最为显著的区域之一.针对上述问题,本文采用9景降轨ENVISAT ASAR(advanced synthetic aperture radar)数据和短基线集技术提取了西安市主城区2011年2月至2011年11月的时序形变信息和沉降分布特征.研究结果表明:西安市主城区在监测期间的最大沉降...     

泸水市增强型不透水面指数的时空演变分析

针对边境地区的贫困县在我国扶贫攻坚政策的推进和“一带一路”合作倡议的实施下快速发展这一现象,该文以毗临边境的怒江傈僳族州泸水市为研究区,利用增强型不透水面指数(ENDISI)对泸水市2013—2021年不透水面进行了提取并对其时空演变进行了分析。结果表明：(1)ENDISI指数可以较好地实现对高山峡谷地区的不透水面提取;(2)在2013—2021年,泸水市不透水面共增长了60.18%,实现了较大幅度增长,其下辖各乡镇不透水面均有显著增长;(3)通过标准差椭圆分析,泸水市不透水面扩张主要沿怒江沿线扩张,且具有明显的方向性。     

时序InSAR在贵州区域地质灾害隐患识别的应用

针对传统地质灾害隐患排查手段无法进行全天时、全天候、大范围识别监测的问题,该文以ALOS-2升轨和Sentinel-1A升降轨雷达影像为数据源,利用时序InSAR技术开展了贵州省六盘水和黔西南区域地质灾害隐患识别监测,同时基于SAR卫星入射观测方向和地形地貌之间的关系,对研究区域侧视成像几何可视性进行判别分析。最后综合利用3种数据获取的形变结果以及结合光学影像、地形等数据进行了形变解译,共识别出108个地质灾害疑似隐患点,并通过外业核查验证了地质灾害隐患识别的准确性。实验结果表明,时序InSAR技术能够有效进行地质灾害隐患识别监测,可为地质灾害防治提供科学依据。     

构建地块二维表征及CNN模型的作物遥感分类

本文旨在研究基于地块数据约束的深度学习模型的分类特征表示方法,以识别不同作物在不同时相上光谱差异从而对作物类型进行分类。通过Google Earth Engine平台获取作物生育期内全部Landsat 8影像,利用其质量评定波段完成研究区无云时相及区域上的地块统计,提取地块级别的各波段反射率均值按照时相顺序及波长进行排列,构建波谱、时相二维特征图作为该地块的抽象表示。通过构建相对最优的卷积神经网络CNN(Convolutional Neural Network)结构完成对特征图的分类,从而完成对地块的分类。构建CNN模型并不需要手工特征和预定义功能的需求,可完成提取特征并遵循端到端原则进行分类。将该模型的分类结果与其他最为常用机器学习分类器进行了比较,获得了优于常用遥感分类算法的分类精度。结果表明地块数据的加入可以有效的缩减计算规模并提供了准确的分类边界。所提出得方法在地块特征表示及作物分类中具有突出的应用潜力,应视为基于地块的多时相影像分类任务的优选方法。