煤矿顶板事故发生的原因及控制措施

顶板事故发生频率较高,通过加强顶板管理,控制顶板事故发生具有切实可行性。文章分析了煤矿顶板事故发生的主要原因,并从管理角度阐述了煤矿管理中有效控制顶板事故的措施。

基于MODIS数据的东北地区积雪覆盖率估算

东北地区是我国三大积雪区之一,森林覆盖面积占总面积的40%左右。受森林冠层的影响,当前的MODIS雪盖产品(V6)提供的积雪覆盖率标准模型对东北地区积雪覆盖率估算结果存在明显的低估现象。基于此,采用分区建模的方式:在森林地区,计算归一化差值林地积雪指数(NDFSI),建立像元积雪覆盖率(FSC)与NDFSI及NDVI之间的线性关系;在非森林地区,采用MOD10A1 V6提供的归一化差值积雪指数(NDSI),建立像元积雪覆盖率(FSC)与NDSI及NDVI之间的线性关系。采用Landsat 8 OLI数据提取的积雪覆盖率(FSC)对分区建模的估算结果与标准模型的估算结果进行对比,发现进行估算的过程中均方根误差和平均绝对误差这两项指标的数值相对于标准模型有了大幅下降,这一结果在林区有更显著的表现。计算得到的决定系数R2,在本文模型也有提高。以T1林区影像为例,本文模型的均方根误差和平均绝对误差分别为0.246、0.055,而标准模型的两项指标则分别为0.420、0.348。本文模型和标准模型的决定系数分别为0.675、0.641。

中国东北地区2001-2017水文年积雪物候时空变化

基于中分辨率成像光谱仪积雪产品,经过去云处理和精度验证制备出高精度逐日无云二值积雪分布数据,并提取积雪物候参数.使用空间分析和统计方法探究2001-2017水文年中国东北地区积雪物候时空变化规律.结果表明,东北大部分地区从11月份开始出现大面积的降雪,且积雪开始日期(SCOD)随着纬度的升高而提前;积雪覆盖天数(SCD)和积雪结束日期(SCED)均与地形地貌分布趋势相吻合,呈现“山区高SCD(SCED)、平原低SCD(SCED)”的分布特征;纬度上呈现“高纬度高SCD(SCED)、低纬度低SCD(SCED)”的分布规律.辽河平原和松嫩平原SCD和SCED均较小, SCD最低少于10 d,大兴安岭北部SCD较大,最高超过230 d;SCED最早在当年11月, SCED较晚的区域主要分布于大兴安岭和小兴安岭,最晚在次年5月.近20 a来,东北地区SCD呈增加趋势, SCOD和SCED均推迟延后,其中SCED变化趋势更为明显.

中国东北地区MODIS 500 m分辨率积雪季逐日无云NDSI数据集(2000–2020)

中国东北地区是中国三大积雪区之一,地处高纬度,冬季太阳高度角低,光照条件差,并且具有很高的森林覆盖度。当前MODIS V6积雪产品提供的归一化差值积雪指数(Normalized Difference Snow Index,NDSI)在中国东北地区,尤其是东北森林地区存在明显的过度云掩膜问题,严重影响了该产品在积雪时空变化研究中的应用。同时,MODIS V6积雪产品采用了低NDSI屏蔽,导致森林地区存在积雪漏分现象。以MODIS V6多种数据集作为源数据,分别采用上下午星合成、决策树分类和时空自适应去云的方法,生产了2000–2020年积雪季中国东北地区具有较高精度、时空连续的NDSI逐日无云产品。本数据集可用于中国东北地区积雪面积制图和积雪物候等后续科研工作。

MODIS NDSI产品去云算法及最优阈值选择研究

归一化差值积雪指数NDSI (Normalized Difference Snow Index)是积雪识别中最常用的指数,但由于云的遮挡限制了MODIS NDSI产品的应用。本文提出了一种基于邻近相似像元的MODIS NDSI产品去云方法,并分析了无云NDSI序列在积雪识别中的最优阈值。对于NDSI影像上某一个云遮挡的目标像元,选取目标像元的n个邻近相似像元进行加权平均来预测该目标像元的NDSI值。以东北积雪区2017年10月1日—2018年4月31日一个积雪季的NDSI产品进行去云实验,并采用“云假设”的方法进行了检验,所预测到的云覆盖像元NDSI值与实际值的相关系数达到0.95,均方根误差为0.08。将逐日无云NDSI序列与气象站点测量的雪深序列进行对比,二者具有很好的一致性。气象站点的测量雪深大于等于1 cm时,假定该站点所在的像元为有雪像元,并以此为真值,分析无云NDSI序列在积雪识别中的最优阈值。结果表明,非森林地区NDSI阈值为0.1时积雪提取的精度最高,可以达到95.6%;森林地区的NDSI最优阈值为0,对应的积雪提取精度为93.5%。