河南鲁山地区中-新太古代灰色片麻岩

河南鲁山地区原划归太古宇太华群中解体出中—新太古代变形侵入体,由魏庄片麻岩和榆树庄片麻岩组成,变质程度达角闪岩相,局部为麻粒岩相。地球化学特征显示高铝质片麻岩特征,原岩为奥长花岗岩—英云闪长岩—花岗闪长岩(TTG岩系),从而为该地区发育中—新太古代花岗岩—绿岩带提供了证据。     

宝泉抽水蓄能电站引水系统上斜井古风化壳地层灌浆处理

宝泉抽水蓄能电站引水系统上斜井开挖揭示,在高程668000～651000 m和高程526000～514000 m处,分别穿过古风化壳地层。古风化壳地层岩石极为破碎,夹泥较多,基岩裂隙发育,地下水丰富,透水率较大。古风化壳地层段地层的灌浆处理,成为斜井开挖能否顺利通过该地层的关键,并且直接影响着电站的安全、稳定运行。针对上述问题,通过采取阻水帷幕、高压固结、锥形帷幕灌浆几种方法联合处理,取得了满意的效果。详细介绍了具体的灌浆处理技术措施,分析了处理效果。     

利用GNSS数据分析大港验潮站地壳沉降

青岛大港验潮站的地壳沉降关系到该站平均海平面的绝对变化,因而也就关系到我国高程基准面的变化。本文利用青岛GNSS基准站约10年的观测数据对该站的地壳沉降变化进行分析。首先将青岛GNSS基准站纳入由50个国际IGS站和43个国内陆态网络基准站组成的全球网中,进行单日松弛解和单日约束解解算,获得该站坐标时间序列。然后对该站垂向坐标时间序列进行分析,利用粗差探测、偏差探测、趋势项分析、频谱分析等方法对粗差、偏差、趋势项和周期项进行探测、分析,并通过时间序列模型估计获得时间序列中的周期项振幅和偏差估值。分析表明青岛GNSS基准站垂直方向近一段时间未发现存在显著性的地壳沉降变化,但受到比较明显的周年和半周年周期变化影响。结合青岛大港验潮站验潮数据分析结果得出结论:青岛大港验潮站平均海平面的绝对上升速率是1.62mm/a。     

小波分析在垂向海潮特征信息去噪研究

目前国内外许多学者利用沿海GPS站点的高精度坐标时间序列进行海潮特征信息的提取研究,已取得一定成果,但高精度坐标时间序列中不可避免地存在许多噪声,极大影响海潮特征信息的提取。基于日本GMSD站的67d的高精度PPP坐标时间序列,利用小波分析进行去噪实验,经FFT变换后,将提取的结果与FES2004海潮模型的特征值比较。实验结果表明:经小波分析后,GPS站点的时间序列精度得到提高;经小波去噪后的反演精度均有不同程度的提高,最多达到0.14mm,而海潮特征值的量级为厘米级或者亚厘米级,说明小波分析对海潮特征值的提取精度有明显提高。     

雷达卫星影像中输电导线散射斑的相位时间序列稳定性分析

分析输电导线散射斑相位的几何关系,选取20幅时间跨度约为1年的TerraSAR条带模式影像,对其中两基铁塔之间6条输电导线形成的散射斑相位时间序列进行分析。文中统计分析构成导线散射斑像元的相位离散度,其标准差约为0.2弧度,表明单个散射斑相位稳定。选取铁塔顶部点的导线散射斑为参考点,与另外5个导线散射斑做差分相位时间序列分析,分析导线之间高程差的理论计算值与实际值的一致性。分析结果显示,导线散射斑差分相位序列的波动可达2弧度以上,与导线间高程差产生的相位不一致。     

灰色-时序组合模型在地表变形预测中的应用

通过对某地铁监测点小波去噪后的数据建立灰色预测模型,分析了灰色预测的优缺点,针对灰色预测对波动性数据预测的不足,建立了灰色-时序组合模型。首先,利用灰色模型提取时间序列中的趋势项;然后,用时序模型对残差项进行建模分析,兼顾了数据的趋势性和波动性,弥补了灰色预测的不足,提高了预报精度。     

FFT在变形监测中的应用与分析

在变形监测中获取的观测数据可以看作是时间与空间上的一组变形信号,一般该信号都会呈现趋势性,隐藏其中的周期性不易被发现;利用FFT对其拟合后的残差和小波分解后的高频信号进行变换与分析,通过时间序列分析对其分析结果建模得到短期的预测、预报,效果比较理想。     

ARMA模型的MEMS陀螺随机误差卡尔曼补偿方法

针对微机械(MEMS)陀螺仪的随机误差导致其输出信噪比低的问题,该文提出一种基于ARMA模型的随机误差卡尔曼补偿方法。该方法通过对MEMS陀螺仪输出的原始信号进行均值化处理和趋势项提取后,分别采用轮次检验法和Jarque Bera检验法对随机序列平稳性和正态性进行检验,建立时间序列ARMA模型并采用卡尔曼状态方程对陀螺随机漂移进行补偿。6次卡尔曼滤波对比实验结果表明,MEMS陀螺仪信号幅度随着滤波次数增加而减小,滤波后的均值由2.454 4E-4减小到-4.830 0E-5,标准差由1.654 7减小到0.003 6,随机漂移被有效抑制。     

EM算法的时序模型在沉降数据处理中的应用

针对时间序列分析对监测数据中出现的不完全数据(部分数据缺失)无法进行精确建模的问题,该文引入期望极大算法(EM算法),提出EM算法与时间序列分析的组合算法模型。运用EM算法的时间序列分析组合算法模型可以对沉降过程中遇到的不完全沉降数据进行建模分析,该组合算法模型可以对不完全沉降数据进行较为精确的建模,并对后期沉降数据进行较为精确的预测。将某地铁基坑点沉降数据作为实验数据,EM算法的时间序列分析的建模结果表明:所提出的组合算法模型可以对不完全沉降数据进行建模分析,绝对误差为0.23mm,建模精度较高。     

利用时序InSAR技术分析北京及河北廊坊地面沉降

利用带大气估计模型的时序InSAR方法对24幅覆盖北京及河北廊坊的Envisat-ASAR影像数据进行了时序分析,获取了该地区2007年4月—2010年9月的地面沉降速率及均方差。发现了以北京朝阳区和通州区交界处为中心和以河北廊坊城区为中心的两个沉降区域,中心区平均沉降速率分别为35mm/a与22mm/a。研究区域形变速率均方差1.5mm/a。研究结果表明:利用时序InSAR技术进行城市地表沉降监测具有较好的精度及稳定性;产生该沉降的可能原因为地下水的开采、城市基础建设的发展及工业用地量、人为活动的增加。