CN106679620A - 一种区域地面沉降时空预测方法 - Google Patents
一种区域地面沉降时空预测方法 Download PDFInfo
- Publication number
- CN106679620A CN106679620A CN201710025455.2A CN201710025455A CN106679620A CN 106679620 A CN106679620 A CN 106679620A CN 201710025455 A CN201710025455 A CN 201710025455A CN 106679620 A CN106679620 A CN 106679620A
- Authority
- CN
- China
- Prior art keywords
- model
- markov
- value
- prediction
- grey
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种区域地面沉降时空预测方法,包括:S1、结合雷达影像数据,通过雷达数据处理软件获取地面沉降信息,通过现场实测GPS与水准测量数据对地面沉降数据进行精度验证,获取高精度地面沉降信息数据库;S2、通过改进的灰色模型对地面沉降进行模拟与预测;S3‑S4、通过SOM聚类算法对监测值与模拟值的比值与误差进行聚类获取马尔科夫区间并求取马尔科夫矩阵,然后通过改进的马尔科夫模型对灰色模型预测值进行改进,通过对InSAR进行大尺度地面沉降预测。本发明通过对InSAR进行大尺度的地面预测减少对人工的依赖,节约工程成本。
Description
技术领域
本发明涉及城市地质灾害领域,具体为一种区域地面沉降时空预测方法。
背景技术
地面沉降是在自然因素和人为因素的共同作用下,所产生的一种地表高程缓慢降低的地质现象,是一种难以补偿的永久性环境和资源损失,并能够诱发一系列其它的环境灾害。其形成过程缓慢,导致短时间内不易被察觉,且微量的沉降需要靠精密仪器才能被发现,易被人们忽视。地面沉降在很多情况下是发生在人口密集、工业发达的城市,其危害面广,破坏严重,且沉降过程是不可逆的。为了预防地面沉降造成的地质灾害与减小经济损失,我们发明了合理的地面沉降预测模型,对地面沉降进行预测,在很大程度上提前发现异常地质现象,防止灾害发生。
目前应用较多的地面沉降预测模型包括确定性数值模型以及数理统计模型。确定性数值模型依据地面沉降的成因,基于地下水、可压缩土层厚度等水文地质因素与详细的工程勘察数据,针对土体变形与地下水动力学机制对地面沉降的发生发展过程进行数值模拟(比如基于太沙基原理和比奥固结理论的沉降模型)。此类模型所需的部分水文地质参数的测定方法尚不成熟或无法实验测定,在模型的实验过程中,需要对部分参数进行不断的调整,会加入许多主观因素,影响模型的精度,且此类模型通常是在某种理想假设条件下对地面沉降进行描述,与实际情况存在较大的差距,模型精度往往较低。数理统计模型建立在地面沉降影响因素与沉降量之间相关关系的基础上,通过对地面沉降影响因子及沉降量的多元回归分析或者人工神经网络的构建对沉降进行模拟预测,同样需要影响因子的详细描述数据。另外,这两种模型所需的水文地质和工程地质参数根据现场布井进行水文地质勘测及抽水实验获得,再根据空间插值方法得到整个区域的参数分布,空间分辨率低。
区域地面沉降成因复杂,存在各种不确定性因素的影响,传统数学模型往往无法满足其变化的要求。灰色系统理论作为一种针对“小样本”、“贫信息”的不确定性系统研究方法,目前已成功应用于地面沉降单点预测,其中灰色-马尔可夫模型取得较好的效果,灰色-马尔可夫模型不需要对水文地质、工程地质参数的详细描述,仅根据沉降测量的时间序列即可预测下一时刻的沉降量。然而,由于该模型需要人为手动调整模型参数划分状态区间,其应用目前仅局限于基于某一个或者某几个水准测量点上的形变预测,预测结果的空间分辨率低,不适于区域尺度地面沉降时空预测。
发明内容
(一)要解决的技术问题
灰色-马尔可夫模型不需要对水文地质、工程地质参数的详细描述,仅根据沉降测量的时间序列即可预测下一时刻的沉降量。然而,由于该模型需要人为手动调整模型参数划分状态区间,其应用目前仅局限于基于某一个或者某几个水准测量点上的形变预测,预测结果的空间分辨率低,不适于区域尺度地面沉降时空预测。
(二)技术方案
为解决上述问题,本发明提供如下技术方案:一种区域地面沉降时空预测方法,包括以下步骤:
S1、通过雷达测量进行大尺度地面沉降预测得到雷达测量数据,结合雷达影像数据与时序差分干涉雷达测量技术,利用StaMPS方法、IPTA方法及PS-InSAR方法获取地表面PS点的形变信息,通过单点GPS、水准点实测数据对InSAR数据进行精度验证,获取高精度稳定PS点的沉降数据库;
S2、针对每一个PS点,采用时间插值算法对形变数据进行插值处理获取等时间间距地面沉降数据,设某一稳定PS点的沉降时间序列为X0,
X0={x(0)(1),x(0)(2),…,x(0)(n),x(0)(k)≥0(k=1,2,…,n)},
其中n表示时间序列,x(0)(n)表示PS点在时刻n相对与n-1时刻的沉降量;
S3、基于S1中高精度稳定PS点的沉降数据库建立灰色模型,基于此模型分别对每一个X0进行模拟,模拟值为Y0,并预测下一时刻n+1的地面沉降值x(0)(n+1),计算监测值与模拟值的误差ε与比值ρ;其中
Y0={y(0)(1),y(0)(2),…,y(0)(n),y(0)(n)≥0(n=1,2,…)},
ε=x(0)(n)-y(0)(n),
ρ=x(0)(n)/y(0)(n);
S4、结合马尔科夫模型,对灰色模型的预测值进行改进,通过自组织神经网络聚类算法对每一个PS点的误差ε与比值ρ组成的矩阵进行聚类,其中每一类分别表示为一个马尔科夫区间,基于马尔科夫区间建立马尔科夫矩阵,并求取时间序列中n+1时刻灰色模型预测值的马尔科夫区间;
S5、基于S2-S4中n+1时刻灰色模型预测值的马尔科夫区间,对S3中n时刻灰色模型预测值进行矫正,获取n+1时刻改进的灰色-马尔科夫预测值,利用此方法对所有的PS点n+1时刻的地面沉降值进行灰色模型预测与马尔科夫模型矫正,获取集成雷达干涉测量与改进灰色-马尔科夫预测模型的区域地面沉降预测值;
S6、基于S5中改进灰色-马尔科夫预测模型动态预测未来时间段的地面沉降值,去掉时间序列中第一个值x(0)(1),并将n+1时刻的改进灰色-马尔科夫预测值x(0)(n+1)添加到时间序列中,即通过
X0={x(0)(2),x(0)(3),…,x(0)(n+1)(n=1,2,…)},
建立灰色-马尔科夫模型预测n+2时刻的地面沉降值;如此循环动态预测未来时刻地面沉降值。
优选地,所述StaMPS雷达影像的处理软件为开源软件。
优选地,S3中传统的灰色模型参数仅包括发展系数与灰色作用量,可以通过最小二乘法简单的获取。
(三)有益效果
与现有技术相比,本发明的有益效果是:本发明通过改进灰色-马尔科夫预测模型实现与InSAR数据的结合,进行了大尺度地面沉降预测,减少了常规通过GPS,水准点等单点预测的局限;简单的数值模型减少了对水文地质资料的依赖,通过对InSAR进行大尺度的预测减少对人工的依赖,节约工程成本。
附图说明
图1为本发明流程图;
图2为本发明雷达影像数据处理流程图;
图3为改进灰色-马尔科夫模型图;
图4为A点传统灰色模型预测值、改进灰色马尔科夫模型预测值与监测值的比较;
图5为B点传统灰色模型预测值、改进灰色马尔科夫模型预测值与监测值的比较。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-5,本发明提供的一种实施例:一种区域地面沉降时空预测方法,
S1、通过雷达测量进行大尺度地面沉降预测得到雷达测量数据,InSAR即为干涉雷达测量,首先通过Doris软件,结合雷达测量数据,结合雷达影像数据与时序差分干涉雷达测量(MTI DInSAR)技术,利用StaMPS(Stanford Method for Persistent Scatterers)方法、IPTA(IPTA Interferometric Point Target Analysis)方法及PS-InSAR方法获取地表面稳定散射体(即PS点)的形变信息,通过单点GPS、水准点实测数据对InSAR数据进行精度验证,获取2003-2014年地面沉降信息。
S2、结合2003-2010年覆盖北京市平原区的39景ENVISAT ASAR数据,2010-2014年27景RadarSat-2数据,通过Doris数据处理软件对雷达影像进行处理,获取覆盖北京市平原区2003-2014年地面沉降信息,结合2003-2005年与2008-2013年的试验区实测GPS数据,对地面沉降信息进行精度验证,同时结合2003-2010年试验区水准测量数据对地面沉降速率进行精度验证,如果精度不符合要求,则重新进行地面沉降信息的获取,获取高精度地面沉降信息库数据。
S3、根据S1中高精度地面沉降数据建立传统灰色模型,首先通过灰色模型对2003-2014年地面沉降进行模拟,并预测2015年地面沉降信息,然后通过马尔科夫模型对2015年灰色预测模型值进行矫正,获取高精度地面沉降信息。
S4、通过SOM聚类算法,并结合2003-2014年地面沉降监测值与模拟值的误差、比值对马尔科夫模型进行改进,获取高精度马尔科夫区间并求取马尔科夫矩阵。
S5、建立改进的灰色-马尔科夫预测模型,并预测2015-2017年地面沉降。结合2003-2014年高精度地面沉降信息,利用改进的灰色-马尔科夫模型预测2015-2017年地面沉降信息。
S6、通过动态方法预测,去掉2003年地面沉降信息,并加上2015年地面沉降预测值,即通过2004-2015年地面沉降信息预测2016年地面沉降信息,如此循环利用动态模型预测2016-2017年地面沉降;
选取2个ps点A点和B点进行分析,对比传统灰色模型预测值、改进灰色-马尔科夫模型预测值与真实监测值的差异,由图4点A处的沉降毫无规律,表现为非线性形变,由图5点B处的沉降总体上表现一定的线性规律,由图2可知,较传统灰色预测模型,改进的灰色-马尔科夫模型的模拟精度较高,传统的灰色模型模拟值呈完全线性趋势,而改进的灰色马尔科夫预测模型模拟值更接近于真实值,表明本发明中一种集成InSAR与改进灰色-马尔科夫模型的地面沉降预测方法较可靠。
根据预测结果,分析试验区未来3年的地面沉降量,判断试验区地面沉降范围与沉降量的发展,提示相关工程管理人员提前采取防范与保护措施,达到有效预防与控制地面沉降的目的,降低由于地面沉降导致的地质灾害的风险。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (3)
1.一种区域地面沉降时空预测方法,其特征在于,包括以下步骤:
S1、通过雷达测量进行大尺度地面沉降预测得到雷达测量数据,结合雷达影像数据与时序差分干涉雷达测量技术,利用StaMPS方法、IPTA方法及PS-InSAR方法获取地表面PS点的形变信息,通过现场实测GPS数据与水准点实测数据对InSAR数据进行精度验证,获取高精度稳定PS点的沉降数据库;
S2、针对每一个PS点,采用时间插值算法对形变数据进行插值处理获取等时间间距地面沉降数据,设某一稳定PS点的沉降时间序列为X0,
X0={x(0)(1),x(0)(2),…,x(0)(n),x(0)(k)≥0(k=1,2,…,n)},
其中n表示时间序列,x(0)(n)表示PS点在时刻n相对与n-1时刻的沉降量;
S3、基于S1中高精度稳定PS点的沉降数据库建立灰色模型,基于此模型分别对每一个X0进行模拟,模拟值为Y0,并预测下一时刻n+1的地面沉降值x(0)(n+1),计算监测值与模拟值的误差ε与比值ρ;其中
Y0={y(0)(1),y(0)(2),…,y(0)(n),y(0)(n)≥0(n=1,2,…)},
ε=x(0)(n)-y(0)(n),
ρ=x(0)(n)/y(0)(n);
S4、结合马尔科夫模型,对灰色模型的预测值进行改进,通过自组织神经网络聚类算法对每一个PS点的误差ε与比值ρ组成的矩阵进行聚类,其中每一类分别表示为一个马尔科夫区间,基于马尔科夫区间建立马尔科夫矩阵,并求取时间序列中n+1时刻灰色模型预测值的马尔科夫区间;
S5、基于S2-S4中n+1时刻灰色模型预测值的马尔科夫区间,对S3中n时刻灰色模型预测值进行矫正,获取n+1时刻改进的灰色-马尔科夫预测值,利用此方法对所有的PS点n+1时刻的地面沉降值进行灰色模型预测与马尔科夫模型矫正,获取集成雷达干涉测量与改进灰色-马尔科夫预测模型的区域地面沉降预测值;
S6、基于S5中改进灰色-马尔科夫预测模型动态预测未来时间段的地面沉降值,去掉时间序列中第一个值x(0)(1),并将n+1时刻的改进灰色-马尔科夫预测值x(0)(n+1)添加到时间序列中,即通过
X0={x(0)(2),x(0)(3),…,x(0)(n+1)(n=1,2,…)},
建立灰色-马尔科夫模型预测n+2时刻的地面沉降值;如此循环动态预测未来时刻地面沉降值。
2.根据权利要求1所述的一种区域地面沉降时空预测方法,其特征在于:所述StaMPS雷达影像的处理软件为开源软件。
3.根据权利要求1所述的一种区域地面沉降时空预测方法,其特征在于:S3中传统的灰色模型参数仅包括发展系数与灰色作用量,可以通过最小二乘法简单的获取。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710025455.2A CN106679620B (zh) | 2017-01-13 | 2017-01-13 | 一种区域地面沉降时空预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710025455.2A CN106679620B (zh) | 2017-01-13 | 2017-01-13 | 一种区域地面沉降时空预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106679620A true CN106679620A (zh) | 2017-05-17 |
CN106679620B CN106679620B (zh) | 2017-11-07 |
Family
ID=58859366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710025455.2A Expired - Fee Related CN106679620B (zh) | 2017-01-13 | 2017-01-13 | 一种区域地面沉降时空预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106679620B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107389029A (zh) * | 2017-08-24 | 2017-11-24 | 北京市水文地质工程地质大队 | 一种基于多源监测技术融合的地面沉降集成监测方法 |
CN108153979A (zh) * | 2017-12-26 | 2018-06-12 | 深圳市城市公共安全技术研究院有限公司 | 基于InSAR的形变信息提取方法、终端及存储介质 |
CN109238227A (zh) * | 2018-10-31 | 2019-01-18 | 首都师范大学 | 一种表征地面沉降时空演变的方法 |
CN109828270A (zh) * | 2018-12-27 | 2019-05-31 | 首都师范大学 | 一种表征地面沉降时序演变的方法 |
WO2019126972A1 (zh) * | 2017-12-26 | 2019-07-04 | 深圳市城市公共安全技术研究院有限公司 | 基于InSAR的形变信息提取方法、终端及存储介质 |
CN112019443A (zh) * | 2020-09-02 | 2020-12-01 | 首都师范大学 | 多路径数据传输方法及装置 |
CN113127531A (zh) * | 2021-03-15 | 2021-07-16 | 首都师范大学 | 一种基于神经网络的区域地面沉降时空模拟系统和方法 |
CN114896757A (zh) * | 2022-04-01 | 2022-08-12 | 首都师范大学 | 一种基于近场动力学理论的地面沉降建模方法 |
CN115964853A (zh) * | 2022-11-22 | 2023-04-14 | 首都师范大学 | 一种新型表征地面沉降时序演变的模拟方法 |
CN116299438A (zh) * | 2023-01-13 | 2023-06-23 | 中国南方电网有限责任公司超高压输电公司昆明局 | 基于干涉雷达的地表形变监控方法及相关设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234519A (zh) * | 2013-04-22 | 2013-08-07 | 重庆绿色智能技术研究院 | 一种基于gps和静力水准测量的地面沉降监测预警系统 |
CN203908542U (zh) * | 2014-04-30 | 2014-10-29 | 北京市水文地质工程地质大队 | 一种地表形变空地一体化监测验证装置 |
CN105526925A (zh) * | 2015-11-09 | 2016-04-27 | 北京市水文地质工程地质大队 | 一种区域地面沉降水准监测网优化设计方法 |
-
2017
- 2017-01-13 CN CN201710025455.2A patent/CN106679620B/zh not_active Expired - Fee Related
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103234519A (zh) * | 2013-04-22 | 2013-08-07 | 重庆绿色智能技术研究院 | 一种基于gps和静力水准测量的地面沉降监测预警系统 |
CN203908542U (zh) * | 2014-04-30 | 2014-10-29 | 北京市水文地质工程地质大队 | 一种地表形变空地一体化监测验证装置 |
CN105526925A (zh) * | 2015-11-09 | 2016-04-27 | 北京市水文地质工程地质大队 | 一种区域地面沉降水准监测网优化设计方法 |
Non-Patent Citations (6)
Title |
---|
周志广等: "基于灰色理论的时间序列分析在地面沉降预测中的应用", 《地址灾害与环境保护》 * |
宫辉力等: "基于永久散射体雷达干涉测量技术的北京市地面沉降研究", 《自然科学进展》 * |
张福民等: "基于灰色马尔可夫链的深基坑沉降预测", 《土工基础》 * |
王威等: "天津市地面沉降的灰色系统-马尔柯夫预测模型应用", 《方法应用》 * |
葛大庆: "区域性地面沉降InSAR监测关键技术研究", 《中国地质大学(北京)博士学位论文》 * |
陈蓓蓓等: "综合时序InSAR和GIS技术地面沉降时序演化规律研究", 《光谱学与光谱分析》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107389029B (zh) * | 2017-08-24 | 2019-10-29 | 北京市水文地质工程地质大队 | 一种基于多源监测技术融合的地面沉降集成监测方法 |
CN107389029A (zh) * | 2017-08-24 | 2017-11-24 | 北京市水文地质工程地质大队 | 一种基于多源监测技术融合的地面沉降集成监测方法 |
CN108153979B (zh) * | 2017-12-26 | 2021-05-04 | 深圳市城市公共安全技术研究院有限公司 | 基于InSAR的形变信息提取方法、终端及存储介质 |
CN108153979A (zh) * | 2017-12-26 | 2018-06-12 | 深圳市城市公共安全技术研究院有限公司 | 基于InSAR的形变信息提取方法、终端及存储介质 |
WO2019126972A1 (zh) * | 2017-12-26 | 2019-07-04 | 深圳市城市公共安全技术研究院有限公司 | 基于InSAR的形变信息提取方法、终端及存储介质 |
CN109238227A (zh) * | 2018-10-31 | 2019-01-18 | 首都师范大学 | 一种表征地面沉降时空演变的方法 |
CN109238227B (zh) * | 2018-10-31 | 2020-10-20 | 首都师范大学 | 一种表征地面沉降时空演变的方法 |
CN109828270A (zh) * | 2018-12-27 | 2019-05-31 | 首都师范大学 | 一种表征地面沉降时序演变的方法 |
CN109828270B (zh) * | 2018-12-27 | 2020-05-22 | 首都师范大学 | 一种表征地面沉降时序演变的方法 |
CN112019443A (zh) * | 2020-09-02 | 2020-12-01 | 首都师范大学 | 多路径数据传输方法及装置 |
CN112019443B (zh) * | 2020-09-02 | 2023-09-12 | 首都师范大学 | 多路径数据传输方法及装置 |
CN113127531A (zh) * | 2021-03-15 | 2021-07-16 | 首都师范大学 | 一种基于神经网络的区域地面沉降时空模拟系统和方法 |
CN114896757A (zh) * | 2022-04-01 | 2022-08-12 | 首都师范大学 | 一种基于近场动力学理论的地面沉降建模方法 |
CN115964853A (zh) * | 2022-11-22 | 2023-04-14 | 首都师范大学 | 一种新型表征地面沉降时序演变的模拟方法 |
CN115964853B (zh) * | 2022-11-22 | 2023-08-04 | 首都师范大学 | 一种新型表征地面沉降时序演变的模拟方法 |
CN116299438A (zh) * | 2023-01-13 | 2023-06-23 | 中国南方电网有限责任公司超高压输电公司昆明局 | 基于干涉雷达的地表形变监控方法及相关设备 |
CN116299438B (zh) * | 2023-01-13 | 2023-12-01 | 中国南方电网有限责任公司超高压输电公司昆明局 | 基于干涉雷达的地表形变监控方法及相关设备 |
Also Published As
Publication number | Publication date |
---|---|
CN106679620B (zh) | 2017-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106679620B (zh) | 一种区域地面沉降时空预测方法 | |
Matgen et al. | Towards the sequential assimilation of SAR-derived water stages into hydraulic models using the Particle Filter: proof of concept | |
Park et al. | Parameterization of Asian dust (Hwangsa) particle-size distributions for use in dust emission models | |
Jiang et al. | Evaluation of latest TMPA and CMORPH satellite precipitation products over Yellow River Basin | |
Qiao et al. | Geodetic imaging of shallow creep along the Xianshuihe fault and its frictional properties | |
Baynes et al. | Sediment flux‐driven channel geometry adjustment of bedrock and mixed gravel–bedrock rivers | |
Van Osnabrugge et al. | genRE: A method to extend gridded precipitation climatology data sets in near real‐time for hydrological forecasting purposes | |
Tian et al. | Evaluation of six precipitation products in the Mekong River Basin | |
Kayabali | Modeling of seismic hazard for Turkey using the recent neotectonic data | |
Diao et al. | Fault locking near Istanbul: Indication of earthquake potential from InSAR and GPS observations | |
Pomeroy et al. | Putting prediction in ungauged basins into practice | |
Chen et al. | A nonlinear inversion of InSAR-observed coseismic surface deformation for estimating variable fault dips in the 2008 Wenchuan earthquake | |
Dey et al. | On the uniformity of rainfall distribution over India | |
Ophaug et al. | Absolute gravity observations in Norway (1993–2014) for glacial isostatic adjustment studies: The influence of gravitational loading effects on secular gravity trends | |
CN114812496A (zh) | 一种基于多源异构数据的区域地面沉降预警方法 | |
Pralong et al. | On the predictability of ice avalanches | |
Han et al. | Determination of the degree 120 time-variable gravity field in the Sichuan-Yunnan region using Slepian functions and terrestrial measurements | |
Tian et al. | New ground motion to intensity conversion equations for china | |
Guardo et al. | Mt. Etna feeding system and sliding flank: a new 3D image from earthquakes distribution in a customisable GIS | |
Zhao et al. | Present-day kinematics and seismic potential of the Ganzi-Yushu fault, eastern Tibetan plateau, constrained from InSAR | |
Pokharel et al. | Relevance of morphometric predictors and completeness of inventories in earthquake-induced landslide susceptibility | |
Perissin et al. | The MM5 numerical model to correct PSInSAR atmospheric phase screen | |
Wei et al. | Spatiotemporal variation of crustal deformation in northeastern Tibet following the 2008 M w 7.9 Wenchuan earthquake and its impact on fault activity | |
Koppán et al. | Scale factor determination of spring type gravimeters in the amplitude range of tides by a moving mass device | |
Poland | InSAR captures rifting and volcanism in East Africa |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171107 Termination date: 20210113 |
|
CF01 | Termination of patent right due to non-payment of annual fee |