基于Sentinel-1A升降轨数据,使用D-InSAR反演泸定MS6.8地震同震形变场。首先基于弹性半空间位错模型反演地震震源参数,然后利用分布滑动模型确定断层面上的滑动分布,最后计算周边断层的静态库仑应力变化。结果表明,此次地震造成的雷达视线向最大形变量约为18 cm,同震位错以左旋走滑为主,主要发生在6~24 km深度,最大滑动量约为2.5 m,位于16 km深度,发震断层主要为鲜水河断裂。静态库仑应力触发关系显示,鲜水河断裂南段和安宁河断裂北端的库仑应力显著增强,强震趋势值得关注。
基于Sentinel-1A升降轨影像数据,利用D-InSAR获取2022-09-05泸定地震视线向同震形变场。首先利用贝叶斯方法搜索断层的先验几何参数,利用非负最小二乘原理反演断层精细滑动分布,然后根据断层滑动分布参数计算震中附近库仑应力变化,最后利用震间GPS速度场数据计算发震区震间应变场。结果表明:1)泸定地震的同震形变场沿视线向的最大形变量为15 cm;2)泸定地震是一次典型的左旋走滑型地震,断层走向为NNW-SSE,约167°,沿走向破裂约为55 km,倾角约74°,断裂深度主要为0~17 km,最大滑动量约为1.12 m,对应深度为1 km,释放的总地震矩为1.02×1019 Nm,对应矩震级为MW6.64;3)鲜水河断裂带南东段、安宁河断裂带北段和玉龙希断裂中北段处于应力加载状态,未来发生地震的可能性较大;4)震源区位于拉张应变和挤压应变的转换区域,该应变转换区可能与多个不同活动块体在该地区的交会有关。
为消除BP神经网络模型对矿区地表沉降预测精度有限且不够稳定的问题,以某矿区为例,选定弹性模量、泊松比、内聚力等9种影响矿区地表沉降的因素和最大下沉值作为初始样本数据,使用卡尔曼滤波(KF)优化BP神经网络,再将构建的KF-BP模型视作自适应增强(AdaBoost)算法中的弱预测器,通过最终权重分布将各弱预测器加权组合成强预测器。运用MATLAB建立BP神经网络模型、KF-BP模型、AdaBoost-BP模型和AdaBoost-KF-BP模型分别对矿区实际沉降监测数据进行训练和预测,结果表明,AdaBoost-KF-BP模型的稳定性最高,其精度相较于其他模型有明显提升。
以SBAS-InSAR解算结果为基础,采用融合序贯平差思想的渐进式SBAS-InSAR处理新增影像。在绝大部分已有数据形变参数和已有数据参数矩阵不变的情况下,仅将新增影像与较新的少部分已有影像进行增量解算,以获取所有影像时刻的地表形变结果,并以2019-06~2020-04北京平原地区地表形变为例进行实验。结果表明,利用渐进式SBAS-InSAR及SBAS-InSAR获取的地表形变速率之差的平均值和标准差分别为0.01 mm/a和0.1 mm/a,且渐进式SBAS-InSAR的解算时间仅为SBAS-InSAR的1/5~1/2。
联合GPS解算得到的单日垂向位移和环境负荷形变数据分析香港连续运行参考站(HKCORS)在2018-09-09~23台风“山竹”期间的地表形变特征。2种数据处理结果均表明,台风期间香港地表出现一定程度的沉降,总体变化特征为台风距离香港垂直距离越近,香港地区的地表沉降越大。2种方法所得地表垂直形变趋势较为一致,但在数值上存在差异,主要原因为:1)GPS计算的短时间内地表垂向位移包含温度、纬度、解算误差等影响因素;2)由于缺少地表水、地下水等相关信息,模型模拟各种因素对地表水、地下水的影响时存在较大误差。
以青海尕沙日特大型滑坡为例,首先利用传递系数法开展常规滑坡稳定性分析,然后通过尖点突变分析和BAS-NARX-ARIMA模型开展滑坡稳定性的佐证评价和发展趋势分析。实验结果表明:1)在传递系数法的稳定性分析中,主滑面在3种工况条件下的稳定系数Fs为1.148~1.697,属于基本稳定和稳定状态;2)尖点突变分析结果显示,各监测点的Δ均大于0,即均处于稳定状态,佐证了常规稳定性计算结果的准确性,但不同位置处的稳定程度存在差异;3)BAS-NARX-ARIMA模型在滑坡变形预测中展现出良好的稳健性,预测效果较好。由外推预测结果可知,滑坡稳定性随时间持续减弱,有必要采取措施避免灾害发生。
针对基于无迹卡尔曼滤波(unscented Kalman filter, UKF)算法的GNSS/SINS组合导航系统缺乏对量测噪声异常的自适应调节能力,提出一种GNSS/SINS组合导航系统的自适应UKF算法。首先对GNSS/SINS组合导航系统进行非线性滤波建模;然后基于变分贝叶斯原理,在UKF算法的时间更新与量测更新过程中引入量测噪声方差估计模型,得到自适应UKF算法;最后对GNSS/SINS组合导航系统进行仿真验证。结果表明,本文算法能够对量测噪声方差的突变或缓变进行实时、准确的跟踪,相比于常规UKF算法,可明显提高组合导航系统的精度。
对比不同分析中心发布的BDS姿态模型的差异发现,卫星机动时期不同分析中心发布的卫星偏航角差异可达近180°。进一步对比四元数姿态、模型姿态、名义姿态3种姿态策略对精密单点定位(PPP)中相位缠绕改正及最终定位结果的影响,结果表明,不同的姿态处理模型会带来近1周的相位缠绕改正差异,使用四元数姿态的仿动态PPP定位结果较名义姿态E、N、U方向的RMS分别减小17%、25%、34%,较模型姿态E、N、U方向的RMS分别减小11%、7%、7%。保持分析中心产品的一致性可以提高PPP精度。
针对IMU阵列的输出存在确定性误差的问题,提出一种基于列文伯格-马夸尔特(Levenberg-Marquardt, LM)优化算法的在线校准方式。该方法无需任何外部参考设备,通过手动转动和静置IMU阵列校准加速度计和陀螺仪的确定性误差。首先利用多个位置的静态数据校准加速度计,然后利用校准后的加速度计及位置间的转动数据校准陀螺仪。仿真实验显示,校准结果与理论接近。3组车载实验结果显示,校准后动态导航精度平均提升19.1%,表明该校准方法能有效校准误差参数并提高导航精度。
针对支持向量回归(support vector regression,SVR)模型无法主动选取最优参数和核函数等问题,采用天鹰算法(aquila optimizer,AO)对其进行优化,构建天鹰算法优化支持向量回归模型(AO-SVR)。分别构建AO-SVR、SVR、灰狼算法优化支持向量回归(GWO-SVR)、鲸鱼算法优化支持向量回归(WOA-SVR)4种模型,使用2020-01-01~30拉萨、乌鲁木齐、长春、武汉、上海5市的大气污染物、气象因素以及天顶对流层延迟(zenith tropospheric delay,ZTD)的小时数据,分别预测5市2020-01-31的PM2.5浓度变化。结果表明,AO-SVR模型的适用性更好,其中,上海的预测值最贴近实际观测值。
对雄安新区重点调查区二维地震勘查资料进行处理、解释和综合研究,总结雄安新区3 000 m以浅深度范围内主要地层顶底板埋深、接触关系和断裂构造空间展布特征。研究认为,雄安新区重点调查区3 000 m以浅地层层序发育中元古界蓟县系等16套地层和容城断裂、容南断裂、徐水断裂等9条断裂,断裂隐伏于地表之下,均为高角度正断层,走向以北东向为主,控制着研究区隆凹格局和第四系下更新统、新近系、古近系、中生界、青白口系、蓟县系的空间分布。
通过对宜宾珙县震裂斜坡上的3台地震动监测仪器记录到的2022-04-06宜宾兴文MS5.1地震地震波传播数据进行滤波和基线校正,分析时程曲线、傅里叶频谱和加速度反应谱。结果表明:1)本次地震持时短、幅度小,2#和3#监测点S波持时较1#监测点长2~5 s;2)傅里叶频谱显示,水平方向低频衰减、中高频放大、频带变宽,垂直方向变化不明显;3)以1#监测点为参考,2#和3#监测点峰值加速度(PGA)放大系数为1.17~3.05,阿里亚斯强度(AI)放大系数在EW和UD向为4.43~7.59,3#监测点NS向可达18.86;4)对比分析芦山仁家村(非震裂斜坡)监测剖面,认为珙县震裂斜坡存在放大效应。
从中国大陆构造环境监测网络获取云南地区26个GNSS站2011~2019年垂向位移数据,计算基于GNSS垂向位移的干旱强度指数(GNSS-DSI),分析云南地区水文干旱事件。结果表明,GNSS-DSI与基于GRACE重力卫星观测数据计算的干旱强度指数(GRACE-DSI)具有较好的相关性,2种DSI数据在81%的站点具有中强相关性(0.45~0.78);GNSS-DSI可以探测并定量表征云南地区2011~2019年发生的7次中度到特大干旱事件。
基于河北及邻区2015~2020年流动重力测网12期观测资料,采用绝对控制下平差算法,得到河北地区重力场动态变化图像,并采用多项式拟合法计算重力场平均年变率。结果显示,重力场动态变化呈现明显的分区特征,西北部区域变化平稳,范围为-40~30 μGal;东南部区域2015~2016年存在微弱的正值累积并持续向北东方向扩散,至2020年在天津-邯郸一线形成NE-SW向的椭圆形显著异常区,异常区北至燕山,西至太行山,正负差异最高达120 μGal,平均年变率高值明显。结合区域内部分水位数据及地表沉降数据推测,东南部重力场高值区主要为地表沉降的结果,地下水影响相对被覆盖。
提出一种VP型倾斜仪故障智能诊断方法。利用经验模态分解(EMD)将归一化故障信号分解为6个本征模态函数(IMF),分别计算其近似熵,构建EMD多尺度近似熵输入矩阵;结合蝗虫优化算法(GOA)对自组织特征映射(SOM)神经网络的参数进行优化,将得到的GOA最优值嵌入到SOM模型中,组建GOA-SOM诊断模型。应用诊断测试集得到诊断目标的聚类标签值,将其与训练集的聚类标签以及真实故障类型进行比对,得到故障诊断结果。结果证明,GOA-SOM模型在100次随机抽样条件下的诊断正确率均值和标准差分别为99.329 7%、1.218 8,优于传统诊断模型。