陆态网络GNSS基准站地壳运动速度场分析

针对中国大陆构造环境监测网络(陆态网络)中观测数据处理的期数过少或解算成果的坐标系统不统一等问题,该文在ITRF2008中对陆态网络239个GNSS基准站从2010年1月至2013年8月的观测数据进行解算,获取站点的坐标时间序列,估计了站点的水平和垂直运动速度场,并分析了中国大陆地壳运动特征。结果表明:GNSS基准站在ITRF2008中的坐标时间序列整体上符合线性变化趋势,东西方向的幅度变化大,高程方向受观测噪声的影响较大一些;高程方向相比较水平方向的年周期性更为明显;水平速度场明显有自西向东运动的趋势,且西藏块体中测站变化最为明显;垂直运动速度场中,华中、华南、华东块体中测站存在较低速率的下降,其他块体的测站存在较低速率的隆升。     

序列蒙特卡洛算法的数字地图线状特征跟踪模型

针对数字地图中的线状特征,如道路、河流的提取问题,该文提出一种基于序列蒙特卡洛的特征提取算法。算法利用粒子滤波方法与贝叶斯模型的建模思路,描述数字地图道路的状态及其观测估计方法;在此基础上,讨论跟踪过程中的模拟退火处理以及粒子聚类分析;最后,将跟踪模型应用在数字地图的特征提取中。实验表明,与传统的数字栅格地图道路提取算法以及基于其他粒子滤波的算法相比较,基于跟踪模型的算法具有较强的鲁棒性以及精度,同时能够很好地处理扫描栅格地图中缺失的道路信息提取。     

包头市地面沉降高分辨率时序InSAR监测北大核心CSCD

针对包头市地面沉降监测需求,该文利用24景高分辨率COSMO-SkyMed雷达影像,采用多主影像相干目标小基线干涉技术(MCTSB-InSAR),首次提取了该市2013年1月—2015年12月共3年的沉降信息。结果表明,该阶段包头市主城区存在较大范围的地面沉降,但沉降速率总体较小,最大沉降漏斗位于青山区奥林匹克公园北部,最大沉降速率达-56mm/a,野外调查表明,该地沉降主要原因是电厂排灰池自然沉积压缩所致。此外,昆都仑区包钢开发厂、九原区希望工业园区以及石拐区五当召镇也有明显沉降。研究结果可为包头市地面沉降灾害科学防治提供数据支撑。     

基于时间序列InSAR分析的西部山区滑坡灾害隐患早期识别——以四川丹巴为例

滑坡是仅次于地震、发生最频繁、造成损失最严重的一种地质灾害,中国西部山区则是世界上滑坡灾害分布最密集的地区之一。广域范围内滑坡灾害隐患的早期识别是地质灾害防治工作中的一项关键任务,基于星载合成孔径雷达重复轨道观测的时间序列雷达干涉测量（interferometric synthetic aperture radar,InSAR）技术在此领域具有巨大的应用潜力,但以永久散射体干涉测量为代表的传统时序InSAR方法在西部山区应用中往往受到植被覆盖等不利因素的影响,滑坡探测识别的可靠性较差。针对这一问题,以大渡河上游丹巴县为例,采用自主研发的相干散射体时序InSAR（coherent scatterer InSAR,CSI）方法,从历史存档的ALOS PALSAR和ENVISAT ASAR数据集中成功识别出了17处持续变形中的不稳定坡体,通过与外部观测数据比对和实地调查核实等手段验证了CSI方法探测结果的有效性和优势,并探讨了影响时序InSAR方法滑坡监测应用效果的主要因素及未来的优先研究方向。     

基于厄米特插值和时间序列模型在沉降监测中的应用

针对沉降监测中用时间序列分析数据样本较少、处理精度不高的问题,本文引入厄米特插值,提出用厄米特插值法对数据进行插值,增加数据样本,然后用时间序列对数据进行建模分析。为了验证用厄米特插值后的数据建模精度,将上述理论运用到工程实例中,用时间序列分析分别对厄米特插值处理后的数据和原始数据进行建模分析,得到用厄米特插值处理后的数据进行时间序列分析建模的平均绝对误差比原始数据建模的平均绝对误差高0.083 8 mm。说明厄米特插值和时间序列组合模型精度比较高。     

“情系青岛”丝巾

“情系青岛”丝巾是上合组织青岛峰会礼赞系列文创,以中国国粹为艺术依托。以“上合文化”“青岛文化”“奥帆文化”为题材．引入当代时尚设计理念与创意,演绎“上合精神”。“情系青岛”丝巾选取体现青岛国际都市风范的元素,以蓝色为总体色调,象征青岛海洋文化的实力和魅力：以航海的绳索元素编织而成中国结．青岛地图元素镶嵌其中．搭配地标性建筑意象,寓意上合组织成员国和观察员国汇聚青岛,互信团结。共筑上合凝聚力、行动力和影响力的新气象。丝巾构图美观大方．是现代与传统交相辉映的新中式伴手礼。     

波致海床瞬态液化对再悬浮贡献率的深度学习预测方法

波致瞬态液化渗流导致海床内细粒沉积物向海水中运移,这一过程对海底沉积物再悬浮的贡献率不容忽视,但是贡献率的准确估计和预测比较困难。本研究将黄河水下三角洲的观测数据(包括水深、有效波高、有效波周期、实验舱内悬沙浓度、实验舱外悬沙浓度)作为模型输入数据集,基于长短时记忆循环神经网络建立了瞬态液化对再悬浮贡献率的深度学习预测模型。为了客观评价模型的性能,以平均绝对百分比误差、均方根误差和平均平方误差-标准偏差为评判标准,将该深度学习模型与其他预测模型(支持向量回归模型、人工神经网络)的预测结果进行了比较。结果表明,基于长短时记忆循环神经网络的深度学习模型对3.5d以内的瞬态泵送再悬浮贡献率预测误差最小,其平均绝对百分比误差、均方根误差和平均平方误差-标准偏差分别为5.87%、1.6730、0.1574。因此,该模型可以有效地减少机器学习方法在连续预测中产生的误差叠加问题。     

联合VMD和Bi-LSTM的GNSS坐标时序降噪

针对GNSS坐标时间序列中的噪声难以有效去除等问题,构建了一种联合变分模态分解和双向长短期记忆模型的方法用以去除GNSS坐标时间序列中的噪声。将GNSS坐标时间序列分解为k个本征模态函数分量,并根据样本熵选择出有效的模态分量,分别通过双向长短期记忆网络处理,最后将信号进行合成。以BJFS等12个具有较长时间序列且数据完整性较好的GNSS站点坐标数据为例,对坐标时间序列进行降噪。将该方法与传统的分解方法进行对比分析,发现在E、N、U方向上,相比于单一变分模态分解,速度不确定度改正率分别提高了11.03%、4.60%、7.39%,相比于经验模态分解分别提高了31.70%、27.70%、24.42%。结果表明该方法能够更好地去除信号中的噪声,且优于传统分解方法,可提高信号可靠性。     

中国震积岩研究综述

震积岩是具有特殊震积构造和震积序列的一种灾变性事件岩。近十几年来国内外许多学者在研究、对比现代和古代震积岩成因沉积物后,逐渐认识到震积岩不同于其他类型的沉积岩,震积岩的主要识别标志有震裂缝、地裂缝、断裂递变层、微同沉积断裂、层内褶皱、假结核、液化砂(泥)岩脉、火焰构造及振动液化卷曲变形构造等。对中国震积岩和震积作用、地震——海啸序列、碳酸盐岩振动液化序列与萨布哈震积岩序列、震积岩与震积不整合序列、大陆边缘震积岩序列、陆相断陷湖盆震积岩及垂向序列等研究成果进行了综述。通过岩心观察和描述开展陆相震积岩研究具有重要的地质意义,特别是生油断陷湖盆震积岩的研究具有重要的石油地质意义。