����PCA������ǰ�����TEC�쳣

????IGS???????GIM???????????????TEC??Total Electron Content?????????2007-2011???????й??????????17???M??≥6.0????????????????????PCA??Principal Component Analysis?? ???????????TEC??????????????????????????б???????????PCA??????????????????????????????????????????￡???????????????TEC????????????????????????????0~5??     

山龙峪井水位异常与地震关系初探

云南漾濞2017年3月27日5.1级和2021年5月21日6.4级地震前地震活动性和地下流体观测资料存在一些异常共性特征。地震活动性异常共性特征有以下几个方面：云南M≥5.0地震平静异常;云南M4.0～4.9地震平静异常;云南M≥3.0地震低频次活动转为增强态势;滇西M≥4成条带分布;漾濞4级双震前震。地下流体观测资料水温、水汞、固体二氧化碳和水氡存在中短期异常共性特征,其中保山水汞,下关和洱源固体二氧化碳,下关、龙陵和腾冲水氡存在中短期同步性异常共性特征。     

汶川8.0级地震前后陕西地区地倾斜特征迁移分析

对汶川8.0级地震前后陕西地区地倾斜观测资料的分析发现,汶川地震前陕西地区地倾斜存在沿龙门山断裂带方向由东北向西南震中迁移,震后地倾斜反向迁移,迁移平均速度为3～4 km/天。进一步分析认为,震前陕西地区地倾斜向震源迁移可能对汶川8.0级地震起到了触发作用,而震后地倾斜向远场迁移有可能是诱发陕甘川交界的中强余震的主因。     

基于Sentinel-1A的2021年双湖MW5.7地震同震破裂模型

利用Sentinel-1A SAR数据提取2021年西藏双湖县M_W5.7地震同震形变场及2.5D形变场,反演断层滑动分布模型。计算不同节面解为接收断层产生的库仑应力变化差异确定发震构造,并结合余震分布信息评估未来地震风险性。结果表明,地震震中为34.37°N、87.71°E,震源深度6.51 km,发震断层倾向东、走向33°、倾角50°、平均滑动角-74°,以倾滑为主兼有少量左旋走滑分量,最大滑动量0.26 m。短时间内,震区南部地震风险较小,北部则需要结合更多资料进一步分析。本次地震是在羌塘块体持续向东扩张的背景下,受EW向拉伸作用使得黄水湖正断层发生的一次弥散型变形活动,SN向地堑得到进一步扩张。     

潮汐形变资料中地震前兆信息的识别与提取

将小波变换的多分辨率分析引入潮汐形变资料处理中，对近年来云南地区的3次强震前的潮汐形变观测资料进行了处理与分析，发现在地震前2～5个月，震中附近的形变台站都接收到一个频段相同的异常信号，且它们之间是相关的，相关系数达80％以上，由此可以确定信号是由同一个源发出来的。出现在多个台站的相同频段的异常信号很可能就是我们想要得到的地震前兆信息。     

滇西地震预报实验场场区水平形变分析

利用场区各种类型水平形变网数据，求得红河断裂中、北段的区域应力场基本特征是：（１）北区为张性左旋型，（２）中区为压性右旋型，（３）南区为张性右旋型。场区区域应力场基本以张性为主，中区的压性右旋型恰好反映转换区应力场的局部特征。北区主应变积累和速率比南区大，最大处在剑川，而高敏感区在后山定两岭。基于水平形变和应变分析，获得了场区现今主要活动构造参数。利用地震前兆形变信息和震后效应进行了地震震例分析。并对３～５年内的潜在震源区进行了预估。     

珠江三角洲地区未来海平面上升及风暴潮增水的耕地损失预测

珠江三角洲地区是中国海岸带中风暴潮灾害最集中的区域之一。在全球气候变化和海平面上升的影响下,风暴潮灾害将对该地区农业生产造成巨大的损失。在借鉴相关经验与研究的基础上,建立风暴潮增水灾害耕地产量损失评估模型,选择广东省珠江三角洲地区为研究区域,以该地区的DEM、土地利用等数据为基础,通过实地调研获取当地的作物种植结构、轮作方式、作物单产、不同淹没高度下不同作物的损失率等数据资料,基于未来海平面上升及风暴潮增水的不同时间情景,估算并分析了2030、2050及2100年珠三角地区耕地受灾范围的空间分布特征及产量损失变化情况。结果表明：受气候变化的影响,未来珠三角地区风暴潮影响下的耕地淹没面积比重不断上升,其中阳江、佛山和东莞等地耕地淹没面积从2030年到2100年增加较为明显,广州和珠海的耕地淹没面积增加幅度则较为缓和。从耕地淹没造成的农业产量损失来看,蔬菜、稻谷和花生等主要作物的损失产量比重呈现增加趋势,且蔬菜的增幅最大,其次是稻谷。其中广州、江门、阳江等地稻谷、花生、蔬菜的损失产量比重均表现为持续上升。     

Landslide susceptibility mapping using geological data, a DEM from ASTER images and an Artificial Neural Network (ANN)

An efficient and accurate method of generating landslide susceptibility maps is very important to mitigate the loss of properties and lives caused by this type of geological hazard. This study focuses on the development of an accurate and efficient method of data integration, processing and generation of a landslide susceptibility map using an ANN and data from ASTER images. The method contains two major phases. The first phase is the data integration and analysis, and the second is the Artificial Neural Network training and mapping. The data integration and analysis phase involve GIS based statistical analysis relating landslide occurrence to geological and DEM (digital elevation model) derived geomorphological parameters. The parameters include slope, aspect, elevation, geology, density of geological boundaries and distance to the boundaries. This phase determines the geological and geomorphological factors that are significantly correlated with landslide occurrence. The second phase further relates the landslide susceptibility index to the important geological and geomorphological parameters identified in the first phase through ANN training. The trained ANN is then used to generate a landslide susceptibility map. Landslide data from the 2004 Niigata earthquake and a DEM derived from ASTER images were used. The area provided enough landslide data to check the efficiency and accuracy of the developed method. Based on the initial results of the experiment, the developed method is more than 90% accurate in determining the probability of landslide occurrence in a particular area.