基于SRTM DEM的InSAR高分辨率山区地表高程重建算法   总被引：1，自引：0，他引：1       下载免费PDF全文

吴宏安 《遥感学报》2009,13(1)

山体的叠掩和阴影现象造成的信号去相关,一直是InSAR重建山区地表高程的瓶颈之一.为此,提出了一种新的基于粗分辨率SRTM DEM(约90m分辨率)辅助InSAR数据重建山区地表高程的方法.利用SRTM DEM模拟的干涉相位,对ERS-1/2干涉相位做去地形相位处理,得到残余相位.通过对解缠后的残余相位计算方差提取叠掩和阴影区域的噪声,并用平均相位近似恢复噪声区域的相位,然后将其转换为高程,并用SRTM DEM作高程补偿处理,从而实现地表高程重建.最后,定量比较了该方法与传统InSAR技术生成的DEM精度.实验表明,这种方法能有效提高传统InSAR技术生成地表高程的精度,这对提高星载雷达数据的使用效率具有重要意义.  相似文献   

弱天气强迫背景下浙江两次暖区大暴雨过程成因分析          下载免费PDF全文

钱卓蕾  马洁华  沈晓玲  钱月平 《气象科技》2022,50(5):713-723

2021年6月9日夜间和6月12日夜间，浙江绍兴出现了两次暖区大暴雨过程，主、客观预报均出现较大偏差。本文利用地面加密自动站、多普勒雷达资料以及ERA5再分析资料，对这两次过程的环流场、触发机制和中尺度对流系统演变情况进行分析，结果如下：①两次过程均发生在弱天气强迫背景下，“609”过程是在边界层急流的作用下发生的，“612”过程发生在副高边缘；②“609”过程中垂直螺旋度大值中心最高伸展至对流层中层，上游位涡扰动不断向下游输送，促使暴雨区位涡扰动持续发展；“612”过程中垂直螺旋度大值中心仅伸展至对流层低层，等熵面上存在干冷空气侵入，有利于位涡扰动迅速加强；③两次过程的触发机制均为β中尺度辐合线，中尺度对流系统沿着辐合线不断发展，并处于“准静止”状态，造成大暴雨，“609”过程β中尺度系统较“612”过程停滞时间更长，同时受迎风坡地形抬升作用影响，降水总量更大。  相似文献   

珠江河网横向汊道水位演变特性及原因探究          下载免费PDF全文

李博  蔡华阳  杨昊  王博芝  刘锋  魏稳  欧素英 《海洋与湖沼》2023,54(2):313-330

珠江河网横向汊道体系是维持三角洲河网动力平衡的独特地貌结构,具有泄洪纳潮的重要功能,探讨该结构水位的阶段性演变及其影响因子辨识是河口动力学研究的重要科学问题。采用流量驱动的R＿TIDE数据驱动模型,对研究区域内“容桂-凫洲水道”和“潭洲-前航道”两个典型横向汊道体系共8个站点的日均水位序列进行分解,分离出由上游流量驱动引起的水位变化及地形和海平面共同驱动的水位变化。结果表明,经过水库的调蓄作用,在“容桂-凫洲水道”,流量驱动导致冬季日均水位抬升(平均为0.04m),其余三季日均水位下降;“潭洲-前航道”则由于北江流量增大导致流量驱动的日均水位均有不同程度的抬升(平均为0.17 m)。由于地形下切和海平面上升,地形和海平面共同驱动的日均水位变化普遍为负值(除南沙、黄埔站分别为0.11、0.07 m),“容桂-凫洲水道”中下部河段在秋季受海平面上升(秋季海平面高程最大)影响大于河床地形下切效应导致水位抬升,而其余站点主要受到疏浚、采砂等人类活动引起的地形下降影响,水位下降,且上游变化幅度明显大于下游;对径潮动力方差贡献率的分析结果表明,“容桂-凫洲水道”和“潭洲-前航道”夏季径流对水位的方...  相似文献   

黑龙江省一次强降水的动力强迫作用分析          下载免费PDF全文

吴迎旭  张礼宝  张迎新  周一  赵柠  孟莹莹  栾晨  赵广娜 《气象科技》2022,50(5):694-701

利用常规气象观测资料、区域自动站加密观测资料、FY 4卫星云图、新一代天气雷达、ECMWF细网格、GRAPES_MESO及NECP的1°×1°再分析资料，分析2019年8月6日08:00至8日08:00，黑龙江省中部和西南部的强降水过程动力机制，以及引发的降水性质和降水分布特征。结果表明：①强降水过程共分3个阶段2种性质：与冷涡相连的鞍形场的对流云降水；鞍形场和增强暖锋共同作用的混合云和对流云降水；台风“范斯高”残涡作用下，改变云系移动路径形成的对流云降水。②冷涡、副热带高压、台风的相互作用，是该过程产生的根本原因；副热带高压和台风外围暖湿气流配合冷涡冷空气，为强降水提供水汽和不稳定条件；狭窄的水汽输送通道造成了强降水的空间不连续性；低层辐合线为强降水提供触发条件；鞍形场的稳定结构、大小兴安岭南麓强迫抬升、台风系统阻挡延长强降水的持续时间。  相似文献   

Multi-hazard susceptibility mapping based on Convolutional Neural Networks     

《地学前缘(英文版)》2022,13(5):101425

Multi-hazard susceptibility prediction is an important component of disasters risk management plan. An effective multi-hazard risk mitigation strategy includes assessing individual hazards as well as their interactions. However, with the rapid development of artificial intelligence technology, multi-hazard susceptibility prediction techniques based on machine learning has encountered a huge bottleneck. In order to effectively solve this problem, this study proposes a multi-hazard susceptibility mapping framework using the classical deep learning algorithm of Convolutional Neural Networks (CNN). First, we use historical flash flood, debris flow and landslide locations based on Google Earth images, extensive field surveys, topography, hydrology, and environmental data sets to train and validate the proposed CNN method. Next, the proposed CNN method is assessed in comparison to conventional logistic regression and k-nearest neighbor methods using several objective criteria, i.e., coefficient of determination, overall accuracy, mean absolute error and the root mean square error. Experimental results show that the CNN method outperforms the conventional machine learning algorithms in predicting probability of flash floods, debris flows and landslides. Finally, the susceptibility maps of the three hazards based on CNN are combined to create a multi-hazard susceptibility map. It can be observed from the map that 62.43% of the study area are prone to hazards, while 37.57% of the study area are harmless. In hazard-prone areas, 16.14%, 4.94% and 30.66% of the study area are susceptible to flash floods, debris flows and landslides, respectively. In terms of concurrent hazards, 0.28%, 7.11% and 3.13% of the study area are susceptible to the joint occurrence of flash floods and debris flow, debris flow and landslides, and flash floods and landslides, respectively, whereas, 0.18% of the study area is subject to all the three hazards. The results of this study can benefit engineers, disaster managers and local government officials involved in sustainable land management and disaster risk mitigation.  相似文献