利用GRACE数据进行京津冀地区地面沉降与地下水耦合分析

地下水的过量开采已导致京津冀地区出现严重的地面沉降,为了分析地下水与地面沉降之间的耦合关系,首先利用GRACE-FO数据与GLDAS数据反演出京津冀地区2016—2019年地下水变化时序;然后利用MCTSB-InSAR技术反演出该地区同时段的沉降变化时序。通过试验分别获取地下水与地面沉降的差分变化序列和变化趋势线,并引入非弹性存储系数分析地下水对地面沉降影响力的变化规律。结果表明:①当地下水迅速升高或降低时,地面沉降速率减小或增大;当地下水持续升高时,地面沉降接近停止。②沉降越严重的区域,地下水与地面沉降变化趋势的相关性越强。③由地下水变化引起沉降的能力,随沉降等级升高而变大,且该能力在不同沉降等级中随时间变化的趋势也不同。     

顾及时空邻近的恐怖团伙关系发现方法

现有恐怖团伙关系挖掘方法因其难以顾及恐怖组织特有的结构复杂、行动灵活、生存期长等特点而难以应用于反恐研究中.为此,本文从时空角度出发,通过引入时空邻近与团伙时空同现模式等概念,将多元独立分布的团伙关系发现问题建模为时空同现模式的频繁度评价问题,提出一种点模式分布下的团伙关系挖掘方法.基于此方法构建团伙关系网络,进而提出...     

大范围地表沉降时序深度学习预测法

地表沉降不仅影响社会经济的可持续发展,还威胁人类的生命安全.高精度的地表沉降预测对人类预防地质灾害具有重要意义.现有的预测方法因模型参数难以获取或相关数据的缺乏而难以得到可靠的预测结果,针对此问题,本文提出一种基于深度学习的地表沉降预测方法.首先采用多主影像相干目标小基线干涉技术MCTSB-InSAR获取大区域高精度地表形变时序反演结果;其次利用循环神经网络作为网络架构,用长短期记忆(LSTM)模型进行地表沉降特征学习;最后采用网格搜索的方法调整模型参数,进而获取最优的模型参数组合方案.实际观测结果显示,相较于现有地表沉降预测方法,本文提出的预测模型平均绝对误差(0.3 mm)至少降低了27.3％,差分沉降量平均预测精度至少提高了8.9％.空间格局分析的结果表明,LSTM模型对于大区域时序形变的短期预测是有效的.     

顾及空间异质性的大范围地面沉降时空预测

大速率、不均匀的地面沉降已经威胁到人类的生产活动,高精度的沉降预测结果对于地质灾害的精准防控具有重要意义。为掌握地面沉降的演化规律,利用现场观测数据或InSAR数据开展了多项预测研究。然而,由于空间异质性的存在,大范围地面沉降的准确预测仍然是一项挑战。在这项研究中,从数据驱动的角度提出了一种顾及空间异质性的大范围地面沉降时空预测方法 STLSTM (Spatio-temporal Long Short-Term Memory)。首先,通过聚类识别地理空间中的均质子区;然后,在每个子区中,一个特别的长短期记忆LSTM (Long ShortTerm Memory)网络被用来捕捉局部位置的非线性特征;最后,利用预训练的网络对未来时刻的地面沉降进行定量预测。在实验部分,哨兵1号影像数据被用来比较STLSTM与其他8种基准方法的性能,利用空间统计指标分析了模型的有效性。结果表明,STLSTM在152 s内达到了最高的预测精度（71.4%）,且能够有效弱化空间异质性对大区域沉降预测任务的影响。总之,这项研究将空间异质性处理策略融合到深度学习模型中,实现了高精度、高时效的大范围地面沉降时空预测。     

融合卫星与地面数据研究京津冀地区弹性骨架储水系数

地下水的过量开采已经对京津冀平原地区的土层结构造成严重的破坏。本文旨在了解京津冀地区目前土层结构的健康状况，并对地下水的适宜取水位置提出建议。首先，利用GRACE-FO数据与MCTSB-InSAR技术，分别提取了2017—2019年的京津冀地区的地下水变化时序和沉降变化时序。然后，利用邻域平均方法，使得二者数据空间分辨率一致，并首次获得了京津冀地区2017、2018和2019年的弹性骨架储水系数图。最后，结合京津冀地区的地形地貌、土壤类型及各年内降雨和温度情况，对弹性骨架储水系数图进行了时空维度对比分析。研究发现，京津冀地区土层结构的平均情况正在逐渐变好，但是该地区东南方向土层结构还在继续恶化；京津冀西北地区的土层结构相对于东南地区更适合开采地下水。