基于SAR影像的喜马拉雅山珠穆朗玛峰地区冰川运动速度特征及其影响因素分析

合成孔径雷达(synthetic aperture radar, SAR)具有其全天候、全天时、穿云透雾的工作能力, 广泛应用于山地冰川动态监测中. 利用2006年6-9月三期ALOS/PALSAR雷达影像, 采用偏移量跟踪技术, 提取了喜马拉雅山珠穆朗玛峰(珠峰)区域的冰川运动速度, 分析了区域内冰川运动速度空间差异及其影响因素. 结果表明: 研究区31条山谷冰川平均运动速度为9.3 cm·d^-1, 总体上以珠峰-洛子峰南北向山脊线为界限, 东侧和东南侧冰川日均运动速度(11.1 cm·d^-1)普遍高于北部和西北部冰川日均运动速度(5.4 cm·d^-1). 冰川消融区非表碛区冰川平均运动速度为表碛覆盖区平均运动速度的2.2倍, 冰面湖的发育在一定程度上加剧冰川运动速度波动. 在气候与非气候因子共同作用和相互间的此消彼长中, 研究区65%的冰川的运动速度自中值高度往下显著减小, 16%的冰川自中值高度往下呈显著增大趋势, 19%冰川消融区运动速度无显著变化趋势.     

InSAR单体滑坡精细监测中滤波影响分析——以王家山滑坡为例

InSAR技术因其具备全天时、全天候、大范围、高精度的地表微小形变监测能力,目前已被广泛地应用于滑坡灾害的识别与监测中。滤波处理是保证InSAR测量精度的必备步骤,但是滤波处理会对测量结果造成一定直接影响。在对单体滑坡开展InSAR精细监测时,考虑滤波处理对结果的直接影响并进行评价分析具有重要意义。经典的Goldstein干涉图滤波算法选取滤波参数时存在较大的主观性,分析不同滤波参数的研究工作开展较少。本文通过设置多组不同强度的滤波,分析对于D-InSAR与SBAS-InSAR结果的影响。研究结果表明,随着滤波强度的提升,有效提升了滑坡形变监测点的数量,但是过强的滤波也会带来滑坡变形的量级与范围一定程度改变的不确定问题。本文可为InSAR单体滑坡精细监测中合理选择滤波参数提供借鉴与参考。     

遥感在滑坡灾害研究中的应用进展

在对常用的光学遥感卫星影像、InSAR,LiDAR等遥感技术方法介绍的基础上,综述了这些方法在滑坡研究中的最新应用进展,从滑坡风险评估中的基础地形数据获取、滑坡编录与制图、监测、滑坡因素制图、承灾体制图等5个方面阐述遥感技术在滑坡风险中的支撑技术作用与应用前景。从遥感影像在滑坡风险评估中的作用、解译能力、影响解译的因素、精度评价和遥感数据源选择等角度阐述了常用遥感技术在滑坡风险评估应用中存在的问题,认为: ① 遥感技术在滑坡风险评估中的主要作用为数据、信息的获取与更新;② 滑坡的遥感影像解译能力取决于影像空间分辨率与待识别滑坡大小的相对关系,影像的时间分辨率、滑坡与其周边环境的对比度、立体影像的获取能力是利用遥感影像开展滑坡探测、识别与制图的关键要素;解译方法和解译员的专业素质是滑坡遥感解译的重要影响因素;③ 遥感影像与GIS空间分析、3D可视化的综合可有效增强滑坡识别与制图的效率和精度;④ 对于遥感解译滑坡的精度评价应针对具体影像的可解译性从有效解译,错误解译和遗漏解译三个方面予以客观评价;⑤ 滑坡风险评估应针对具体应用,从成本效益比的角度,本着“够用为止”原则合理选用遥感数据源。     

毫米波雷达云回波的自动分类技术研究

毫米波雷达在云探测方面比厘米波天气雷达和激光雷达具有显著优势,可获得更多的云粒子信息,是研究云特性的主要遥感探测设备。为了开展对毫米波雷达探测的云回波进行自动分类的研究,利用161次云回波的个例数据,统计得到了卷云、高层云、高积云、层云、层积云和积云6类云型的特征量和其他参量的数值范围,利用分级的多参数阈值判别方法,达到了自动分类的目标,通过与人工分类的初步验证,两种分类结果的一致性达到84%,其中,层云和积云的识别一致较低的原因在于样本数据有限,仅有6次层云和8次积云的个例样本数据。通过更多样本的处理,提取的特征参量更可靠,自动分类的准确率会得到提高,以便将基于毫米波雷达的云分类技术应用于将来的云观测自动化业务。      

山西春季层状云系数值模拟及与飞机探测对比

采用中国气象科学研究院 (CAMS) 中尺度云参数化模式对2010年4月20日山西省一次春季层状降水云系的宏微观结构,特别是垂直方向上的微物理结构进行了数值模拟和分析。利用携带云粒子探测设备的飞机对该次层状云系进行了两次云物理探测飞行,并将飞机探测所获取的数据和图像资料与数值模拟结果进行了对比研究。模拟结果显示:该次降水过程以层状冷云降水为主,云中过冷水含量丰富,云系存在明显的3层结构,地面降水主要来自于云中高层冰晶、雪、霰等冰相粒子的融化和低层云水的转化。数值模拟与飞机探测对比分析显示,高空温度、湿度和高度的配置两者基本一致,数值模拟不同高度的云粒子相态、垂直方向云水比含水量与飞机探测获取的云粒子图像和云液态水含量的垂直结构基本吻合,但数值模拟的云中各种水成物粒子出现的高度较飞机探测偏高。     

基于神经网络的机载激光测深偏差模型构建

为提高机载激光测深（airborne LiDAR bathymetry,ALB）精度,需对ALB原始测深偏差进行修正。通过顾及ALB测深偏差诸影响参数,基于神经网络方法,利用实测样本数据训练获得ALB神经网络偏差模型,然后基于神经网络偏差模型对ALB原始测深数据进行修正。结果表明ALB原始测深偏差较大,需进行修正。传统线性偏差模型和本文神经网络模型均能有效修正ALB测深偏差。相比线性偏差模型,神经网络偏差模型具有更高内符合和外符合精度。基于神经网络的ALB偏差建模方法能有效提高ALB测深精度。     

汶川地震灾后农田和森林植被恢复遥感监测

2008年汶川8.0级特大地震对当地的生态系统造成了极大的破坏,为了评估5年来灾区农田和森林植被的恢复情况,利用逐年机载高分辨率遥感影像,结合星载遥感数据和地面调查数据,开展了灾区农林植被恢复状况监测。在农田恢复监测方面,结合2008年地震发生后以及2013年5月中旬的机载高分辨率遥感数据,采用目视解译的方式对汶川地震中受损农田的恢复状况进行监测与评估,同时利用GVG(GPS、Video和GIS)农情采样系统的作物种植成数调查结果,分析了灾后作物种植结构的变化。结果表明,灾区1592 ha受损农田,5年后仅有约17.5%得到了恢复和耕种使用。就耕地利用强度而言,重灾区耕地利用率较高,作物种植结构没有发生重大变化。在森林恢复状况监测方面,对典型区(岷江干旱河谷区和盆周山地区的3个重点区域)采用目视解译方式识别出森林变化,并结合大区域尺度规一化植被指数(NDVI)时间序列变化分析,对整个灾区的森林损毁和恢复情况做出评价。监测结果显示,汶川县、什邡市和绵竹市的森林植被恢复情况总体较好,但是一些坡度较大的损毁区、次生灾害频发区的森林尚未恢复,大区域尺度的统计结果显示,地震重灾区的46381 ha重度损毁森林植被和177025 ha中度损毁森林植被区域,完全恢复的区域占13.52%和25.84%,部分恢复的区域都占到50%。在自然恢复较为困难的区域,如汶川县中部和东北部、都江堰市北部、彭州市北部、什邡市北部、绵竹市北部、安县北部及北川县南部等,需要加强人工干预。遥感监测方法既适用于震后的农田和森林恢复状况动态监测,也适用于其他自然灾害发生时对灾区农田和森林植被破坏状况进行应急监测,具有实际应用价值和良好的发展前景。     

无人机载激光雷达在地质环境调查中的应用

通过无人机载激光雷达对宁东煤炭基地马莲台煤矿地表塌陷区进行扫描测绘,获取到了高时间分辨率、高空间分辨率和测量精度均匀的地表点云数据,并对点云数据进行了处理和三维建模;同时对项目区布设的检测点进行水准联测,与无人机载激光雷达所测的点云数据进行对比分析,对无人机载激光雷达的精度有了进一步了解。此次项目总结了无人机载激光雷达的工作流程和数据处理方法,对无人机载激光雷达的推广应用起到了积极的示范指导作用。     

利用InSAR数据的格尔木市地表沉降监测

InSAR及其相关技术在城市地面沉降监测中具有独特优势。本文采用2015年12月4日至2018年1月10日间的37景Sentinel-1卫星SAR影像数据,基于InSAR时间序列分析技术,对地处高原的格尔木市市区及其周边进行了地表形变监测。结果表明,基于相干性等指标共提取了252 889个相干点,每平方千米平均有501个相干点,后续经相干点分析计算后掩模去误差较大的点后,实际使用相干点252 035个;格尔木市及其周边郊区的整体沉降速率均在5 mm/a以内,未发现明显的沉降区域或大面积的沉降带,市区南部的沉降速率低于北部。     

基于多源数据的山西省采煤沉陷区调查监测体系构建北大核心CSCD

为助力健全自然资源监测体制、落实生态文明建设各项要求、提供优质高效的用地保障服务,采煤沉陷区调查监测意义重大。本文基于多源遥感数据,结合传统测量和现代遥感技术,构建了山西省采煤沉陷区调查监测体系。研究结果表明,本文基本摸清了山西省采煤沉陷区分布情况,其总面积为6500 km^(2),与山西省矿区及采空区分布高度重叠;土地利用以林地、耕地及草地为主;土地损毁以轻、中度为主。受采煤沉陷的影响,拟搬迁村庄1221个,仍有400多个村庄未搬迁。