基于网格样本的北川县滑坡灾害易发性评价研究

滑坡易发性评价的实质就是以历史滑坡数据为基础,进行特定区域滑坡灾害发生的概率评估。易发性评价结果多数取决于样本的精细程度。传统的样本制作方法会丢失滑坡的部分位置信息,为最终评价结果带来不确定性。本研究提出了一种全新的网格样本制作方法,尽可能完整地保留滑坡的边界位置信息。将不同的机器学习模型(逻辑回归模型、深度神经网络)与本文提出的样本制作方法结合,并通过受试者工作特征(receiver operating characteristic,ROC)曲线实现精度验证。ROC曲线中2个模型的AUC(area under curve)值分别为0.878,0.963。最终的易发性分区结果显示:深度神经网络在对于极高滑坡易发区的划分更为精细,便于节约人力、物力资源,集中关注于滑坡真正高发的那些区域。

基于GF-2遥感影像和改进后PSPNet模型的丘陵地区耕地图斑提取方法

针对丘陵地区耕地地块具有边界模糊、覆盖物种类多样、大小和空间位置分布不规则等特点,传统分类方法难以快速准确提取耕地信息的问题,本文以四川省金堂县竹篙镇和高板镇为研究区域,利用高分二号卫星影像和改进后的PSPNet语义分割网络模型进行耕地图斑提取研究。在模型训练中,引入CBAM注意力模块以提高整个网络的特征提取和表达能力,采用余弦退火学习率以加快模型的收敛速度。结果表明,改进后的PSPNet模型在丘陵地区耕地提取精度方面取得了显著提高,耕地识别精度达到了95.69%,比标准PSPNet模型提高了1.07%,比Unet++,DeepLabv3+和支持向量机方法方法提高了1.32%,1.75%和6.33%。基于改进后的PSPNet模型具有更强的特征提取和表达能力,可以更准确地提取丘陵地区的耕地信息,为农业决策提供更准确的数据支持,促进农业智能化和精准化,提高农作物产量和质量,推动农业现代化进程。

基于SBAS-InSAR技术的西安市地面沉降监测

地面沉降是因人为活动和自然因素引发松散地层压缩导致的局部地面高程降低的地质现象,短基线干涉测量技术(small baseline subset interferometry,SBAS-InSAR)能够有效克服时空去相干和大气效应的影响,可长时间、高精度监测地表微小形变。为了掌握西安市的地面沉降情况,包括沉降中心位置、沉降速率、累积沉降量等,选取2017—2018年覆盖西安市的31景C波段Sentinel-1A升轨影像,采用SBAS-InSAR技术提取西安市的地面沉降速率和累积沉降量,并从地理空间上分析西安市产生地面沉降的原因。结果表明,西安市的地面沉降区域主要集中在南部,鱼化寨沉降区的沉降速率超过70 mm/a,电子城沉降区的沉降速率在40~50 mm/a间,三爻站与凤梧原站沉降区的沉降速率在50~60 mm/a间,与以往的研究比较发现,西安市的地面沉降在逐渐减弱。研究结果可为西安市的地面沉降灾害防治工作提供参考依据。

雄安新区2017-2019年地面沉降SBAS-InSAR监测与分析

为了掌握雄安新区地面沉降情况,基于短基线干涉测量技术(small baseline subset interferometry,SBAS-InSAR)利用2017-2019年获取的32景Sentinel-1B影像,提取雄安新区地面年平均沉降速率和累积沉降量,并从地理空间上分析雄安新区地面沉降原因。结果表明:雄安新区大部分区域较稳定,地面沉降主要集中在该区南部和北部,其南、北部地面沉降速率分别高达90,80 mm/a,该区地面沉降与地热资源及地下水的过度开采有关。随着雄安新区的快速发展,SBAS-InSAR监测结果对该区可持续发展具有重要参考价值。