以河北省为例,综合GNSS水汽与风云四号气象卫星(FY-4A)闪电资料,开展降水阈值模型研究,确定降水阈值判断影响指标。设置候选阈值集范围,使用临界成功指数(critical success index,CSI)确定各影响指标的阈值。通过FY-4A闪电资料获取最佳阈值选取模型,对另外3个站点应用最佳阈值选取模型验证研究模型的有效性。结果表明,融合GNSS水汽与FY-4A闪电资料的降水阈值模型正确率约为60%~80%,而误报率控制在20%~40%之间。该模型具有较高的正确率与较低的误报率,可为降水预报提供参考。
针对GPT3模型在模拟大气剖面时存在精度不足的问题,在剖析其垂直修正方法的基础上,通过引入新的温度递减率和气压垂直改正算法,提出一种改进的GPT3模型,即GPT3v模型,并使用探空资料、NCEP再分析资料和GNSS数据验证新模型的精度。结果表明,垂直方向上GPT3v模型估计的温度、气压、天顶总延迟平均RMSE分别为6.0 K、7.9 hPa和23.0 mm,相比于GPT3模型的11.1 K、19.0 hPa和47.8 mm,精度分别提高46%、58%和52%。而当IGS测站与其周围4个模型格网点存在较大高差时,GPT3模型会存在较大的对流层延迟估计误差,GPT3v模型则能较好地解决这一问题。相较于GPT3模型,GPT3v模型在高空以及地形复杂区域具有更好的应用效果。
使用GAMIT/GLOBK10.71软件解算贵州省北斗卫星导航定位基准站网(GZCORS)25个基准站数据,获得各站单天解坐标时间序列。利用主成分分析法提取站坐标共模误差,利用谱分析法分析共模误差基本特性,采用极大似然估计法确定站点最优噪声模型及其运动速度。结果表明,GZCORS坐标序列共模误差中包含有周期项,N方向最大振幅周期分别出现在0.2周/a、1.2周/a、3.2周/a和4.2周/a;GZCORS站点最优噪声模型以WN+FN和WN+GM为主,剔除共模误差后,36%的测站分量噪声特性发生变化;剔除共模误差后,坐标时间序列噪声水平明显降低,各坐标分量速度参数的估计精度均有明显提升,其中N、E、U分量分别提高52%、56%和50%。
针对CORS坐标时间序列的缺失问题提出一种基于GNSS网拟稳平差的时间序列插值方法。在区域内选择相对稳定的测站构建基线网,根据稳定测站的趋势变化对缺失序列进行修复。模拟实验对比分析证明,拟稳平差法的修复效果最好,平均误差在5 mm以内,并保留了原始数据的运动趋势。使用拟稳平差法对待求点365 d的坐标序列进行仿真处理,并与真实序列进行对比分析。结果表明,仿真序列与真实序列变化趋势基本一致,E、N方向上的平均误差在5 mm以内,U方向上的平均误差在10 mm以内。
从服务改正数可用性、轨道钟差精度等方面综合分析高精度定位服务(high accuracy service,HAS)的性能,同时利用全球各区域的多模GNSS实验跟踪网(multi-GNSS experiment,MGEX)测站分析HAS PPP的性能。结果表明,大部分卫星改正数的可用性在80%以上;GPS和Galileo的空间信号测距误差(signal-in-space ranging error,SISRE)分别为0.163 m、0.097 m;MGEX测站水平方向定位精度均小于0.2 m,垂直方向均小于0.4 m。
受限于低成本信号接收与处理单元,低成本终端的单点定位和相对定位的精度无法得到保障。基于此,提出一种附加多普勒观测值的抗差速度约束RTD模型与RTK自适应切换模型,使用多普勒测速约束位置解,充分发挥多频信号的抗多路径能力,有效平滑伪距噪声,保证定位精度及其稳定性;通过RTD/RTK自适应切换的方式,保证复杂观测条件下获得稳定的定位精度。基于小米8和M8终端实测定位结果表明,静态RTD模式下两种终端在东、北、高程方向的精度均优于1.5 m;动态无遮挡/部分遮挡RTD实验中,小米8终端平面精度提升54%/44%,M8终端平面精度提升51%/26%;动态车载 RTK模式下M8终端东、北方向精度均优于0.5 m,模糊度固定率提升近30个百分点。
利用Helmert转换模型,首先对起算点先验坐标可能存在的粗差进行探测并剔除,其次依据剩余起算点坐标的相似变换构建最小约束条件,最后实现整网坐标框架的确定。选取中国境内及周边IGS站和陆态网GNSS基准站单周观测数据,采用IGS站ITRF2014坐标分别构建参数加权约束、最小约束、顾及IGS站先验坐标误差的Helmert模型约束,然后利用不同的基准约束平差方法获取整网坐标成果。实验结果表明,利用Helmert模型能有效削弱起算点坐标粗差对网形扭曲的影响,在一定程度上可提高区域参考框架的精度和可靠性。
机器人标定需要实现测量坐标系与机器人坐标系的配准关联,得到两者之间的转换关系。为克服传统基于轴线矢量坐标系转换方法操作复杂、拟合精度不高等缺点,提出一种工具坐标系标定与公共点转换相结合的解算方法。首先基于距离约束标定出光学靶标球中心相对于末端法兰坐标系的位置参数,而后通过重心化配置降低测量误差对坐标转换的影响,最后基于公共点转换采用三维七参数模型求解坐标转换齐次矩阵。实验结果表明,相比于基于轴线矢量坐标系转换的传统拟合方法,该方法的点位综合MAE减小35.44%,坐标转换精度更高,且操作方法简单,适合工业现场使用。
采用红河断裂带中段加密布设的GNSS连续站观测资料以及前人发布的速度场结果,获取红河断裂带中段及邻区现今地壳运动速度场。根据川滇地区活动断裂分布建立研究区三维有限元模型,以红河断裂带中段及邻区GNSS速度场为约束,获得红河断裂带中段不同段落的现今滑动速率和区域应变率场。结果表明,红河断裂带弥渡-元江段右旋走滑速率为1.2±0.6 mm/a,挤压速率为0.6±0.5 mm/a;红河断裂带元江-元阳段右旋走滑速率为1.8±0.7 mm/a,挤压速率为1.5±0.6 mm/a。应变率结果显示,红河断裂带中段及邻区以剪切变形为主,最大剪应变率高值区位于小江断裂带附近,最大幅度约为62 × 10-9/a,红河断裂剪切变形相对较弱;面应变率显示,红河断裂元江-元阳段挤压变形较为显著,挤压应变率值约为10 × 10-9/a,该段落处于强闭锁状态,未来地震危险性值得关注。
为研究红河断裂带近年来活动状态的演变特征,并分析该区域地震危险性,基于1999~2007年、1999~2017年2期GNSS速度场数据,采用负位错块体模型反演红河断裂带的闭锁程度与滑动亏损空间动态分布。结果表明,红河断裂带的闭锁程度具有两端强、中间弱的特点。红河断裂带北段和南段局部断层闭锁深度为20 km,闭锁程度较高;中段为浅层闭锁,闭锁深度为5 km。在滑动亏损方面,北段为2.5~5 mm/a,积蓄能量速度较快;中段为0.4~1.8 mm/a,南段为1.5~2 mm/a,中、南两段较为平稳。在2008年以后,红河断裂带整体闭锁特点不变,南、北两段深度闭锁状态开始向中间扩散,红河断裂带整体闭锁程度加深,同时滑动亏损速率有所增加,断层北段地震风险继续增大,而断层南段活动状态变得不稳定。
针对鲜水河断裂带南东段的历史地震活动性和近10 a该断裂带上发生的中小震群展布特征,利用GNSS观测数据给出2022年泸定MS6.8地震震源区及周边区域的速度场、应变率场,识别此次地震震前的变形特征。GNSS速度场显示,鲜水河断裂带南东段走滑速率约为10 mm/a,区域整体运动为ES向,与断裂构造运动具有一致性;应变率场结果显示,发震断裂仍存在较强的剪切应变积累,汶川特大地震后随着应变能不断释放,龙门山断裂带的卸载作用间接影响鲜水河断裂带的南东段,该断裂长期处于应变积累高值的过渡区,现今仍具有较高的断层闭锁状态,该地区的地震活动趋势和地震危险性值得进一步关注和研究。
基于四川地区多年积累的跨断层短基线、短水准数据,通过原始观测曲线分析、断层近场三维活动及区域预测效能指标定量计算,全面分析2022年芦山MS6.1、马尔康MS6.0和泸定MS6.8三次地震前震中周边断层异常活动及震后变化。结果显示,3次MS6.0以上地震前跨断层短期异常增多,主要表现特征为显著突跳和巨幅异常。3次中强地震分别发生于巴颜喀拉块体的内部、边界断裂带及其相邻的川滇菱形块体东边界,是应力传递、构造活动与块体运动共同作用的结果,因此出现异常的场地时空重叠度较高,无法进行严格区分和剥离。此外,泸定MS6.8地震前观测到粘滑失稳前的预滑现象,震后1个月跨断层形变开始出现调整恢复变化。
以贵州省发耳镇尖山营滑坡为研究对象,利用Google Earth历史影像、Sentinel-1 SAR影像及Sentinel-2光学影像,采用目视解译、SBAS-InSAR和光学偏移量技术对该滑坡的二维形变及时间序列变化特征进行监测研究,揭示其形变演化的过程及特征。多期Google Earth历史影像的对比表明,滑坡体面积呈逐年增长趋势,且2018年以后增长加快;SBAS-InSAR监测结果表明,尖山营滑坡年均形变速率达-150 mm/a,形变主要发生在滑坡体的前缘,且滑前累积达-108 mm;基于Sentinel-2影像的光学偏移量跟踪技术揭示该滑坡2016~2021年二维形变时间序列特征,补充SBAS-InSAR技术无法获取的滑坡主体的形变信息,结果表明,该滑坡最大累积形变量东西向达32 m、南北向达-52 m;对滑坡的二维时间序列进行特征点以及剖线分析发现,该滑坡形变与煤矿的重复开采和降水等因素有关。
筛选42个历史地震震例,对地震震级、震源深度、震中烈度、抗震设防烈度、震中烈度与抗震设防烈度之差(ΔL)、人口密度以及发震时刻7个影响指标进行主成分分析(principal components analysis, PCA),构建粒子群优化(particle swarm optimization, PSO)极限学习机(extreme learning machine, ELM)地震死亡人数预测模型。将37个震例数据进行预处理和训练,并使用5个震例数据来检验模型的预测精度。实验结果表明,该PCA-PSO-ELM组合模型的平均误差率为10.87%,相比于PCA-ELM模型和ELM模型,其平均误差率分别降低8.70个百分点和18.38个百分点。因此,采用 PCA-PSO-ELM组合模型预测地震死亡人数具有一定的可行性。