CN110007336A - 一种基于数字高程模型数据监测地震的方法 - Google Patents
一种基于数字高程模型数据监测地震的方法 Download PDFInfo
- Publication number
- CN110007336A CN110007336A CN201910268451.6A CN201910268451A CN110007336A CN 110007336 A CN110007336 A CN 110007336A CN 201910268451 A CN201910268451 A CN 201910268451A CN 110007336 A CN110007336 A CN 110007336A
- Authority
- CN
- China
- Prior art keywords
- data
- dem
- region
- dem data
- earthquake
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000011160 research Methods 0.000 claims abstract description 55
- 238000012544 monitoring process Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 17
- 239000006185 dispersion Substances 0.000 claims description 4
- 238000012876 topography Methods 0.000 abstract description 4
- 238000009826 distribution Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 2
- 239000000284 extract Substances 0.000 abstract description 2
- 230000001788 irregular Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013523 data management Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000001125 extrusion Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V1/00—Seismology; Seismic or acoustic prospecting or detecting
- G01V1/01—Measuring or predicting earthquakes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Graphics (AREA)
- Theoretical Computer Science (AREA)
- Acoustics & Sound (AREA)
- Environmental & Geological Engineering (AREA)
- Geology (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提出一种基于数字高程模型数据监测地震的方法,属于遥感数据和地震领域。该方法首先对研究区不同年份的数字高程模型DEM数据进行拼接和裁剪,得到每个年份裁剪后的DEM数据并提取研究区内各个区域的DEM数据差值,生成各个区域的高程变化值的栅格数据;对栅格数据进行处理,生成研究区各个区域的DEM数据变化值的面状矢量数据;对面状矢量数据合并后进行平滑处理,生成平滑后的区域高程变化分布的面状矢量数据;平滑后的区域高程变化分布的面状矢量数据最大值对应区域即为最有可能发生地震的地点。本发明通过高精度DEM数据,准确提取出研究区的高程变化的分布情况,有效反映地震前的地形变化,从而达到监测地震的效果。
Description
技术领域
本发明属于遥感数据和地震领域,特别涉及一种基于数字高程模型数据监测地震的方法。
背景技术
强烈的地震会造成严重的人员和财产损失,准确地监测和预测地震的发生时间和地点仍然是世界性难题。探究和了解地震可能发生的地点,对于降低地震造成的损害、促进地震监测的研究具有重要意义。另外也能为国家相关部门及时制定地震防范措施提供科学的数据参考和意见。现在评估地震可能发生的地点还主要通过对地震带地区的研究来预测可能发生的几百平方千米或者更大的大尺度地区,这种方法由于预测的区域范围太大,对于地震预防来说难度很大,无法有效地提高地震带地区人们的防范意识。而目前还没有有效方法能将地震预测具体到几千平方米或者更小的小尺度地区。
地震预测作为一个世界性的难题,一直是亟待解决的问题。而目前为了有效地减少地震灾害带来的重大损失,较为有效的方法是地震预警技术。当地震已经发生时,通过地震波测量仪探测到地震波,并且在地震波尚未到达地面前,向民众发出预警的方法。该预警技术虽然能提前几十秒发出地震预警有效地降低人员伤亡,但由于不能提前几年或几十年预测,因此无法有效避免房屋道路等财产损失。而对地震带的大面积范围尺度的预测的方法,需要对各种地质条件进行复杂地实地勘察和监测,这种方法不仅预测的面积太大,无法对重点地区进行地震预防建设,而且勘测需要耗费巨大的人力财力。另外,通过动物的异常行为或其他异常的自然行为来预测地震常常具有不稳定性,因为造成这些异常现象的可能因素往往很多。
DEM(Digital Elevation Model)数字高程模型数据是一种能反映地表高程的数据。目前获取DEM数据的方式有卫星和无人机等途径。由于获取途径不同,得到的DEM数据的分辨率也是不一样。较为普遍应用的DEM数据的分辨率有15m、30m和90m等。目前DEM数据的应用还只要集中在区域的地形分析,通过DEM数据监测地形变化从而达到提前几年或几十年预测地震发生的具体和详细的地点的应用目前还无人涉足。
发明内容
本发明目的是为克服已有技术的不足之处,提出一种基于数字高程模型数据监测地震的方法。该方法将不同年份的高精度(精度优于90m)DEM数据作差值,准确提取出研究区的不同区域的高程变化程度,可准确便捷地反映不同区域的地形变化情况,极大地减小地震预测范围,提高地震监测的效果。
本发明提出一种基于数字高程模型数据监测地震的方法,其特征在于,包括以下步骤:
1)对获取的研究区两个不同年份的数字高程模型DEM数据进行拼接和裁剪,得到每个年份裁剪后的DEM数据;具体步骤如下:
1.1)选取需要检测地震的区域作为研究区,获取研究区两个不同年份的DEM数据,对每个年份的DEM数据进行拼接,得到每个年份对应的完整DEM数据;
1.2)根据研究区的矢量数据确定每个年份对应完整DEM数据的裁剪范围,对步骤1.1)得到的每个年份对应的完整DEM数据进行裁剪处理,生成每个年份裁剪后的DEM数据;
2)利用步骤1)的结果提取研究区内各个区域的两个年份的DEM数据差值,生成研究区各个区域的高程变化值的栅格数据;
3)利用ArcGIS软件对步骤2)得到的栅格数据进行处理,生成研究区各个区域的DEM数据变化值的面状矢量数据;
4)对步骤3)得到的DEM数据变化值的面状矢量数据进行合并处理,将DEM数据变化值相同的分散面合并成一个面;
5)利用ArcGIS软件对步骤4)处理后的面状矢量数据进行平滑处理,生成平滑后的区域高程变化分布的面状矢量数据;平滑后的区域高程变化分布的面状矢量数据最大值对应的区域即为最有可能发生地震的地点。
本发明的特点及有益效果在于:
(1)本发明利用了地震前板块形变原理,将地理信息技术与地震预测相结合,创新性的将地面高程数据(DEM数据)应用到地震领域,革新了现有的地震预测技术。
(2)本发明采取了高精度DEM数据监测地震,较之前的对地震带的大面积范围尺度的预测的方法相比,这种方法极大的减小了预测范围。
(3)本发明采取了客观的卫星和无人机获取的高精度DEM数据作为实验基础,得出的结果不受科技人员的主观影响,客观准确。
(4)本发明采用的是遥感数据,将有效地减少地震预测的成本和人力资源。
附图说明
图1为本发明方法的整体流程图。
具体实施方式
本发明提出一种基于数字高程模型数据监测地震的方法,下面结合附图和具体实施例进一步详细说明如下。
本发明提出一种基于数字高程模型数据监测地震的方法,整体流程如图1所示,包括以下步骤:
1)对获取的研究区两个不同年份的数字高程模型DEM数据进行拼接和裁剪,得到每个年份裁剪后的DEM数据;具体步骤如下:
1.1)从DEM数据官方网站或无人机获取研究区(即需要监测地震的区域)两个不同年份(两个年份间的间隔五年至十年左右)的高精度(精度优于90m)DEM数据,由于获取的DEM数据是分块状的,因此需要对这些分块的DEM拼接成一块完整的DEM数据,得到每个年份对应的完整DEM数据。具体拼接步骤为:
首先从ArcGIS软件菜单栏中打开ArcToolbox(工具箱)→Data Management Tools(数据管理工具)→Raster(栅格)→Raster dataset(栅格数据集)→Mosaic to newraster(镶嵌新栅格)。在弹出的窗口中,Input Rasters(输入栅格)栏输入所有的分块DEM数据,然后点击OK,即可输出拼接后的完整的一块DEM数据。
1.2)根据研究区的矢量数据确定每个年份对应完整DEM数据的裁剪范围(研究区的矢量数据用于提供研究区的地理范围数据,确定裁剪的区域,提供不同地区矢量数据的来源有很多,本发明所采用的矢量数据来源于http://www.diva-gis.org/gdata),对步骤1.1)得到的每个年份对应的完整DEM数据进行裁剪处理,生成每个年份裁剪后的DEM数据;
由于步骤1.1)拼接后的DEM数据形状为方块状,而研究区的形状往往是不规则形状,因此需要利用不规则的研究区的矢量数据在方块状的DEM数据中裁剪出不规则形状的研究区的DEM数据。分别对研究区不同年份的完整DEM数据进行裁剪处理后,生成裁剪后的不同年份的DEM数据;生成裁剪后的不同年份的DEM数据的过程是利用ArcGIS软件进行处理计算。具体步骤为:
首先从ArcGIS软件菜单栏中打开ArcToolbox(工具箱)→Data Management Tools(数据管理工具)→Raster(栅格)→Raster Processing(栅格处理)→Clip(裁剪)。在弹出的窗口中,Input Rasters(输入栅格)栏输入任一年份拼接后的完整DEM数据。同时在该窗口中打开Environment settings(环境设置)。在Processing Extent(处理程度)中的Extent(程度)和Raster Analysis(栅格分析)中的Mask(掩膜)中均选择研究区的矢量数据。然后点击OK,输出裁剪后的研究区该年份的DEM数据。另一个不同年份的完整DEM数据也执行相同步骤。
2)利用步骤1)的结果提取研究区内各个区域的两个年份的DEM数据差值(各个区域的面积由DEM数据的分辨率决定,例如DEM数据的分辨率为30m,每个区域的面积就是以30m为边长的方块面积),通过ArcGIS软件中ArcToolbox工具箱的地图代数工具对步骤1)得到的两个年份裁剪后的DEM数据进行差值计算,生成研究区各个区域的高程变化值的栅格数据;
3)利用ArcGIS软件对步骤2)得到的栅格数据进行处理,生成研究区各个区域的DEM数据变化值的面状矢量数据;
4)对步骤3)得到的DEM数据变化值的面状矢量数据进行合并处理,将DEM数据变化值相同的分散面合并成一个面,并赋予合并后的每个面不同的颜色或纹理(颜色或纹理无固定要求)以示区别;
5)利用ArcGIS软件对步骤4)处理后的面状矢量数据进行平滑处理,生成平滑后的区域高程变化分布的面状矢量数据;平滑后的区域高程变化分布的面状矢量数据最大值(即DEM数据变化值最大)对应的区域即为研究区板块挤压或者承受挤压最大的地点,也是最有可能发生地震的地点。
由步骤5)得到的区域高程变化分布的面状矢量数据可直观的展现出研究区内的高程在研究期内变化的分布特点,并直观显现出高程变化最大的区域。由于地震是板块持续相互挤压产生的结果,地震发生前地形也会发生变化。因此通过不同年份的高精度的DEM数据可探测出这种变化,以及可以准确地判断出地形发生变化最大的区域即为板块挤压或者承受挤压最大的地点,也是最有可能发生地震的地点。
下面结合一个具体实施例,对本发明进一步详细说明如下:
本实施例的一种基于数字高程模型数据监测地震的方法,该方法包括以下步骤:
1)对获取的研究区两个不同年份的数字高程模型DEM数据进行拼接和裁剪,得到每个年份裁剪后的DEM数据;
1.1)从DEM数据官方网站或使用无人机获取研究区(即需要监测地震的区域)的两个不同年份的高精度DEM数据,由于获取的DEM数据是分块状的,因此需要对这些分块的DEM拼接成一块完整的DEM数据,得到每个年份对应的完整DEM数据。具体拼接步骤为:
首先从ArcGIS软件菜单栏中打开ArcToolbox(工具箱)→Data Management Tools(数据管理工具)→Raster(栅格)→Raster dataset(栅格数据集)→Mosaic to newraster(镶嵌新栅格)。在弹出的窗口中,Input Rasters(输入栅格)栏输入所有的分块DEM数据,然后点击OK,即可输出拼接后的完整的一块DEM数据。
1.2)根据研究区的矢量数据确定每个年份对应完整DEM数据的裁剪范围(研究区的矢量数据用于提供研究区的地理范围数据,确定裁剪的区域,提供不同地区矢量数据的来源有很多,本发明所采用的矢量数据来源于http://www.diva-gis.org/gdata),由于拼接后的DEM数据形状为方块状,而研究区的形状往往是不规则形状,因此需要利用不规则的研究区的矢量数据在方块状的DEM数据中裁剪出不规则形状的研究区的DEM数据。对步骤1.1)得到的每个年份对应的完整DEM数据进行裁剪处理,生成每个年份裁剪后的DEM数据;生成每个年份裁剪后的DEM数据的过程是利用ArcGIS软件进行处理计算。具体步骤为:
首先从ArcGIS软件菜单栏中打开ArcToolbox(工具箱)→Data Management Tools(数据管理工具)→Raster(栅格)→Raster Processing(栅格处理)→Clip(裁剪)。在弹出的窗口中,Input Rasters(输入栅格)栏输入任一年份拼接后的完整DEM数据。同时在该窗口中打开Environment settings(环境设置)。在Processing Extent(处理程度)中的Extent(程度)和Raster Analysis(栅格分析)中的Mask(掩膜)中均选择研究区的矢量数据。然后点击OK,输出裁剪后的研究区该年份的DEM数据。另一个不同年份的DEM数据也执行相同步骤。
2)利用步骤1)的结果提取研究区内各个区域的DEM数据差值。通过ArcGIS软件中ArcToolbox工具箱的地图代数工具对步骤1)得到的裁剪后的不同年份的DEM数据进行差值计算,生成研究区各个区域的地形变化值的栅格数据,具体步骤为:
2.1)在ArcGIS中分别加载步骤1)得到的每个年份裁剪后的高精度DEM数据,依次选择ArcToolbox(工具箱)→Spatial Analyst Tools(空间分析工具)→Map Algebra(地图代数)→Raster Calculator(栅格计算器)。
2.2)在弹出的栅格计算器窗口中,输入公式,将最新年份的高精度DEM数据减去较老年份的高精度DEM数据(例如研究区每一年的高精度DEM数据均由20000个栅格点组成,能通过栅格计算器计算出最新年份的20000个栅格点的高程值减去较老年份DEM数据中对应的20000个栅格点的高程值),从而得到研究区各个区域的高程变化值的栅格数据;
3)利用ArcGIS软件对步骤2)得到的栅格数据进行处理,生成研究区各个区域的DEM数据变化值的面状矢量数据。具体步骤为:
3.1)依次选择ArcToolbox(工具箱)→Conversion Tools(转换工具)→FromRaster(从栅格)→Raster to Polygon(栅格转面)。
3.2)在弹出的栅格转面窗口中的Input raster(输入栅格)栏中输入研究区各个区域的高程变化值的栅格数据。然后点击OK,输出研究区的各个区域的DEM数据变化值的面状矢量数据。
4)对步骤3)得到的DEM数据变化值的面状矢量数据进行合并处理,DEM数据变化值相同的分散面合并成一个面,并赋予合并后的面不同的颜色以示区别。具体步骤为:
4.1)选择Editor(编辑器)工具条下Start Editing(开始编辑)。
4.2)右击研究区的各个区域的DEM数据变化值的面状矢量数据,单击OpenAttribute Table(打开属性表)。将变化值相同的面选中(例如变化值为50),然后选择Editor(编辑器)工具条下的Merge(合并)。
4.3)按照相同步骤,分别合并所有变化值相同的面。
4.4)右击研究区的各个区域的DEM数据变化值的面状矢量数据,依次选择Properties(属性)→Symbology(符号化)→Quantities(量)。在颜色系统中选择颜色来赋予不同的高程变化值不同的颜色。
5)利用ArcGIS软件对步骤4)得到的面状矢量数据进行平滑处理,生成平滑后的区域高程变化分布的面状矢量数据。平滑后的区域高程变化分布的面状矢量数据最大值(即DEM数据变化值最大)对应的区域即为研究区板块挤压或者承受挤压最大的地点,也是最有可能发生地震的地点。
5.1)依次选择ArcToolbox(工具箱)→Cartography Tools(制图工具)→Generalization(制图综合)→Smooth Polygon(平滑面)。
5.2)在弹出的平滑面工具中,在Input Features(输入矢量)栏中选择步骤4)处理后的面状矢量数据,并设置平滑容差后点击OK,生成平滑后的各个区域的高程变化分布情况。
5.3)平滑后的区域高程变化分布的面状矢量数据最大值(即DEM数据变化值最大)对应的区域即为研究区板块挤压或者承受挤压最大的地点,也是最有可能发生地震的地点。
由步骤5)得到的平滑后研究区各个区域的高程变化分布情况可直观的展现出研究区内的高程在研究期内变化的分布特点,并直观显现出高程变化最大的区域。由于地震是板块持续相互挤压产生的结果,地震发生前地形也会发生变化。因此通过不同年份的高精度的DEM数据可探测出这种变化,以及可以准确地判断出地形发生变化最大的区域即为板块挤压或者承受挤压最大的地点,也是最有可能发生地震的地点。
Claims (1)
1.一种基于数字高程模型数据监测地震的方法,其特征在于,包括以下步骤:
1)对获取的研究区两个不同年份的数字高程模型DEM数据进行拼接和裁剪,得到每个年份裁剪后的DEM数据;具体步骤如下:
1.1)选取需要检测地震的区域作为研究区,获取研究区两个不同年份的DEM数据,对每个年份的DEM数据进行拼接,得到每个年份对应的完整DEM数据;
1.2)根据研究区的矢量数据确定每个年份对应完整DEM数据的裁剪范围,对步骤1.1)得到的每个年份对应的完整DEM数据进行裁剪处理,生成每个年份裁剪后的DEM数据;
2)利用步骤1)的结果提取研究区内各个区域的两个年份的DEM数据差值,生成研究区各个区域的高程变化值的栅格数据;
3)利用ArcGIS软件对步骤2)得到的栅格数据进行处理,生成研究区各个区域的DEM数据变化值的面状矢量数据;
4)对步骤3)得到的DEM数据变化值的面状矢量数据进行合并处理,将DEM数据变化值相同的分散面合并成一个面;
5)利用ArcGIS软件对步骤4)处理后的面状矢量数据进行平滑处理,生成平滑后的区域高程变化分布的面状矢量数据;平滑后的区域高程变化分布的面状矢量数据最大值对应的区域即为最有可能发生地震的地点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910268451.6A CN110007336A (zh) | 2019-04-04 | 2019-04-04 | 一种基于数字高程模型数据监测地震的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910268451.6A CN110007336A (zh) | 2019-04-04 | 2019-04-04 | 一种基于数字高程模型数据监测地震的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110007336A true CN110007336A (zh) | 2019-07-12 |
Family
ID=67169813
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910268451.6A Pending CN110007336A (zh) | 2019-04-04 | 2019-04-04 | 一种基于数字高程模型数据监测地震的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110007336A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883339A (zh) * | 2021-03-11 | 2021-06-01 | 北京市地震局 | 一种地震有感范围确定方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NO20090042L (no) * | 2006-06-10 | 2009-03-05 | Ion Geophysical Corp | Digital hoydemodell for anvendelse ved innsamlingssystemer for seismisk data |
CN102968470A (zh) * | 2012-11-12 | 2013-03-13 | 中国科学院水利部成都山地灾害与环境研究所 | 一种准确计算具有水涮窝的冲沟沟头沟壁形态变化的方法 |
CN103091703A (zh) * | 2013-01-17 | 2013-05-08 | 中国石油天然气股份有限公司 | 一种用于地震勘探的三维地震激发点优化方法 |
US20130177217A1 (en) * | 2008-11-08 | 2013-07-11 | Westerngeco L.L.C. | Water tables mapping |
CN107330422A (zh) * | 2017-07-28 | 2017-11-07 | 首都师范大学 | 一种基于高精度数字高程模型对半干旱地区进行微地形分类的方法 |
CN107564055A (zh) * | 2017-08-28 | 2018-01-09 | 中国科学院遥感与数字地球研究所 | 一种基于遥感的滑坡体体积估计方法 |
CN108983169A (zh) * | 2018-07-17 | 2018-12-11 | 西安电子科技大学 | 一种基于数字高程模型的米波雷达地形修正方法 |
-
2019
- 2019-04-04 CN CN201910268451.6A patent/CN110007336A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NO20090042L (no) * | 2006-06-10 | 2009-03-05 | Ion Geophysical Corp | Digital hoydemodell for anvendelse ved innsamlingssystemer for seismisk data |
US20130177217A1 (en) * | 2008-11-08 | 2013-07-11 | Westerngeco L.L.C. | Water tables mapping |
CN102968470A (zh) * | 2012-11-12 | 2013-03-13 | 中国科学院水利部成都山地灾害与环境研究所 | 一种准确计算具有水涮窝的冲沟沟头沟壁形态变化的方法 |
CN103091703A (zh) * | 2013-01-17 | 2013-05-08 | 中国石油天然气股份有限公司 | 一种用于地震勘探的三维地震激发点优化方法 |
CN107330422A (zh) * | 2017-07-28 | 2017-11-07 | 首都师范大学 | 一种基于高精度数字高程模型对半干旱地区进行微地形分类的方法 |
CN107564055A (zh) * | 2017-08-28 | 2018-01-09 | 中国科学院遥感与数字地球研究所 | 一种基于遥感的滑坡体体积估计方法 |
CN108983169A (zh) * | 2018-07-17 | 2018-12-11 | 西安电子科技大学 | 一种基于数字高程模型的米波雷达地形修正方法 |
Non-Patent Citations (2)
Title |
---|
尚慧: ""宁夏矿山地质环境评价与动态监测分析"", 《中国博士学位论文全文数据库-工程科技I辑》 * |
许仕敏 等: ""遥感技术在地震震害监测中的应用"", 《地理空间信息》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112883339A (zh) * | 2021-03-11 | 2021-06-01 | 北京市地震局 | 一种地震有感范围确定方法及系统 |
CN112883339B (zh) * | 2021-03-11 | 2023-11-28 | 北京市地震局 | 一种地震有感范围确定方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Schoenberg | Multidimensional residual analysis of point process models for earthquake occurrences | |
Petty et al. | Streamflow hydrology estimate using machine learning (SHEM) | |
Guney et al. | Tailoring a geomodel for analyzing an urban skyline | |
CN104778369A (zh) | 一种基于地面沉降监测的决策与预警方法及其系统 | |
Richardson et al. | The multi-scale influence of topography on lava flow morphology | |
Deshpande | Improved floodplain delineation method using high‐density lidar data | |
Sudret et al. | Assessment of the lognormality assumption of seismic fragility curves using non-parametric representations | |
Azzaro et al. | When probabilistic seismic hazard climbs volcanoes: the Mt. Etna case, Italy–Part 1: Model components for sources parameterization | |
CN116797030A (zh) | 地质监测预警方法、系统、计算机设备及存储介质 | |
CN103134433B (zh) | 一种利用位移监测鉴别边坡失稳致滑因子的方法 | |
Ling et al. | Urban flood depth estimate with a new calibrated curve number runoff prediction model | |
Tang et al. | Estimating slope from raster data: a test of eight different algorithms in flat, undulating and steep terrain | |
Yu et al. | Study on the regional prediction model of PM2. 5 concentrations based on multi-source observations | |
Chen | A comprehensive statistical analysis for residuals of wind speed and direction from numerical weather prediction for wind energy | |
CN110007336A (zh) | 一种基于数字高程模型数据监测地震的方法 | |
Abbasnejadfard et al. | Investigating the spatial correlations in univariate random fields of peak ground velocity and peak ground displacement considering anisotropy | |
Coughlin et al. | Prospects for searches for long-duration gravitational-waves without time slides | |
Yoon et al. | A detailed view of the 2020–2023 Southwestern Puerto Rico seismic sequence with deep learning | |
CN104424373A (zh) | 一种空间变量相关性的精细表达方法 | |
Spada et al. | Quantifying a potential bias in probabilistic seismic hazard assessment: seismotectonic zonation with fractal properties | |
Wolfe et al. | A semiautomated method for bulk fault slip analysis from topographic scarp profiles | |
Xu | Probabilistic seismic hazard assessment using spatially smoothed seismicity in North China seismic zone | |
Tsang et al. | A checking method for probabilistic seismic-hazard assessment: case studies on three cities | |
Rastogi et al. | Comparison of different spatial interpolation techniques to thematic mapping of socio-economic causes of crime against women | |
Sousa et al. | Assessment of map similarity of categorical maps using Kappa statistics |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190712 |