断裂带与地震、 滑坡等自然灾害的发生有着密切关系, 精准提取断裂带不仅可为地震断层的定量化研究提供指导, 还可为地震灾害风险评估及防震减灾决策的制定提供科学依据。针对现有方法中LiDAR点云断裂带提取不完整、 连续性差及错误率高等问题, 文中提出了一种基于 RS-Conv 的多尺度神经网络LiDAR点云断裂带提取方法, 以便更好地解决复杂地形区域的断裂带自动提取问题。该方法首先构建不同空间尺度的邻域点集, 从而更全面地考察点云的局部几何结构特征。考虑到RS-Conv算子能够很好地表征中心点与邻域点的空间关系, 文中以RS-Conv算子作为卷积模块构建了多尺度神经网络模型, 以提取出LiDAR点云不同尺度的深层次特征, 对其进行堆叠并输入到全连接层, 以完成对断裂带点的提取。最后, 在ISPRS点云数据集、 川滇点云数据集和鲜水河数据集上对文中所述方法与张量分解方法和Deep Neural Networks(DNN)方法进行了对比实验, 结果表明, 文中方法的分类精度最高, 分类总误差最低仅为0.3%, 较其他方法降低了0.91%~2.79%, 证实了该方法在点云断裂带提取方面的优越性。

地震监测是一项非常重要且具有挑战性的任务, 遥感技术的不断发展加强了在宏观尺度上对地球表面的监测能力。研究表明, 地震前通常都会出现地表温度异常升高的现象, 因此各种异常提取算法被应用于地震热异常研究中。其中, 基于背景场的提取方法由于具有较强的机理解释性而受到广泛应用。然而, 以往基于背景场的异常提取方法更多将背景场限定于某一固定阈值, 忽略了受外界因素(非震)影响导致的地表温度的小范围正常波动。据此, 文中提出了一种基于GPR-LSTM的地震热红外背景场的构建方法。该方法包括两大部分: 震期年变基准场的建立、 实际LST的残差波动范围计算及背景场的构建。基于MODIS地表温度产品, 以2008年四川汶川和新疆于田地震为研究对象, 使用所述方法对地震前兆热异常信息进行提取与分析, 经过实验得出以下结论: 1)地震热异常通常沿青藏高原的断层分布, 这不仅证明了文中方法能够减弱地表温度数据中噪声的干扰, 同时也证明该方法在热异常信息提取方面的有效性; 2)地震年份的构造活动比非地震年份更加活跃, 导致地表温度的异常增温更加明显; 3)不同地震案例震前的热异常时空特征各不相同。

MODIS(Moderate-resolution Imaging Spectroradiometer, 中分辨率成像光谱仪)LST(Land Surface Temperature, 地表温度)产品在大气物质和能量交换、 气候变化研究及地震前兆热异常探测等方面具有重要价值。然而, 由于云的遮挡导致MODIS LST数据产品中存在大量空值, 限制了其广泛应用。为此, 文中提出了一种基于混合模型的地表温度重建方法——SCLSTM(即SSA-CLSTM)。与传统方法相比, 该方法无需建立复杂的回归关系模型。此外, 由于CNN(Convolutional Neural Network, 卷积神经网络)能够充分提取一维时间序列数据的局部特征, 而LSTM(Long Short-Term Memory, 长短期记忆)能够充分学习数据的长时间序列特征, 因此将CNN和LSTM结合能够更加充分地学习数据的潜在特征。首先, 使用SSA(Singular Spectrum Analysis, 奇异谱分析)模型提取出地表温度时间序列中的趋势值用于填补缺值像元, 实现地表温度的初步重建。然后, 再利用SCLSTM(即1DCNN-3层堆叠LSTM)模型学习数据的局部时序特征和长期依赖关系, 并实现对缺失像元的地表温度进行迭代预测, 完成数据的精细重建。新疆和田地区和四川汶川地区的实验结果表明, 文中方法与现有其他2种基于混合模型的重建方法相比, 重建后的LST数据误差最小, 与原始数据的一致性最高。其中, 文中方法的RMSE可降至0.712K, AD为0.695K, 重建后的LST数据与原始数据的相关系数可达0.95以上。此外, 气象站的实测地表温度数据也进一步验证了该方法的可靠性。文中所提方法为基于深度学习的LST重建工作提供了一种新的技术手段和思路, 同时也为基于LST的地表过程和地震热异常研究提供了坚实的数据基础。

地震作为最严重的地质灾害之一, 具有突发性和巨大的破坏性, 开展地震监测预警工作具有十分重要的意义。地表热红外辐射增强的现象是普遍存在的中强地震前兆, 目前已被作为地震监测预警与短临预报的重要参考信息。学者们对其产生的内在机理给出了多种解释。其中, 应力致热假说已被广泛接受, 并已在实验室的岩石力学加载实验中得到证实, 即岩石受力挤压时升温、 拉张时降温, 但这种地壳的挤压拉张运动和热辐射异常间的对应关系能否在野外条件下被观测到, 一直以来尚未有相关研究报道。为此, 文中采用GRACE重力和MODIS热红外2种卫星遥感数据, 以构造应力变化明显的大地震——汶川地震为时间节点开展应力致热假说的野外遥感验证研究。首先, 借助GRACE卫星反演得到的地壳质量密度进行与热红外辐射增温的比对分析; 然后, 分别采用基于最大切应变的重力异常提取方法和原地温度法获得重力异常和热异常, 并分别从时间尺度和空间尺度上检测震前重力异常和热异常的关联性, 对二者与构造断裂带的空间展布进行一致性分析, 得到以下结论: 1)应力致热假说在野外条件下能够被遥感手段验证。地壳的升温区(热偏移指数为正)与挤压区(地壳质量密度增加)、 降温区(热偏移指数为负)与拉张区(地壳质量密度减少)皆高度对应, 二者正、 负变化的一致性高达88.9%, 这为应力致热假说提供了野外观测证据。2)震前重力异常和热异常的时空变化具有较强的关联性。在时间域上, 重力异常和热异常具有较强的相关性, 主要表现为在震前3个月, 2种异常的强度同步出现了突增现象, 并同时达到最大值。在空间域上, 重力异常多出现在热偏移指数值的正、 负值交界处, 这表明重力异常和热异常的空间分布亦具有一定的关联性。此外, 2种异常多次呈现出沿断裂带分布的现象, 由此可知, 二者与构造活动皆密切相关。

地震的发生与地壳构造运动密切相关, 而地壳构造运动会造成地下介质密度的改变, 从而导致地球重力场发生变化。GRACE重力卫星所提供的全球时变重力场数据可用于发现大地震的震前重力异常。然而, GRACE数据中存在的南北条带噪声严重干扰震前异常信息的提取。目前常用的高斯滤波等处理方法在抑制噪声的同时, 也削弱了有价值的重力异常信号。为此, 文中提出了一种基于最大切应变的震前重力异常信息提取方法。该方法通过计算扰动引力位的2阶梯度对南北条带噪声进行压制, 并基于地壳形变理论得到最大切应变以获取重力的变化信息。最后, 利用最大切应变的偏移指数K进一步探究震前重力异常的时空演变规律。文中以汶川地震和尼泊尔地震为例, 采用上述方法完成震前重力异常信息提取, 并进行了断裂带的震前构造活动分析。结果显示, 在震前半年内, 发震断裂带上出现了与断裂带空间展布一致的大面积重力异常区, 且最大异常值出现在震中距50km范围内, 而在非震期并未出现异常现象。此外, 经分析发现, 与传统方法相比, 本文方法对重力场的异常信息提取能力更强, 这为利用GRACE数据认识大地震的动力机制提供了新思路。

地表温度(LST)是研究地表与大气之间物质和能量交换、 地表过程变化以及地热探测与地震热异常前兆等方面不可或缺的重要参数, 然而云覆盖现象导致MODIS LST产品存在大量空值, 限制了LST的广泛应用。文中提出了一种基于同类地物不同时刻LST日变化相关性的MODIS LST重建算法。以新疆和田为研究区, 使用2003-2015年MODIS 8d合成地表温度产品为实验数据, 根据一天中同类地物不同时刻LST之间的相关性, 以地表覆盖类型产品为依据, 分别创建各类地物上午、 下午和晚上与凌晨的LST回归模型, 将三者的LST拟合回归至凌晨时刻的LST, 然后取上午、 下午和晚上拟合结果的最优组合以实现对凌晨LST的两步重建。实验结果表明, 该方法的最小误差为0.57K, 误差均在1.2K以下, 平均误差为0.92K。经验证, 将该方法应用于其余3个时刻的地表温度重建工作中仍可得到较好的补值效果。与现有的LST补值方法进行对比可知, 本方法以少量辅助数据实现了较高的补值精度和补值率, 可为基于温度的地表过程研究和地震热异常检测等研究提供坚实的数据基础。

地震发生前普遍存在的热红外辐射异常现象，是当前评估区域发震危险性的重要参数之一。然而，并非所有的地表红外异常都与构造活动或地震有关，如何排除非构造因素对地表热红外辐射的影响，从强噪声背景中提取微弱信号，是当前利用热红外遥感技术研究构造活动的难点。地表温度（LST）背景场是热异常提取的基础，而以往研究中所建立的背景场不能有效反映当年气候变化对其的影响，造成热异常提取精度受限。为此，文中在提取热异常的过程中对背景场进行了改进，结合地表温度时间序列的周期性特征，引入谐波分析，采用傅里叶逼近的方法拟合地表温度离散时序，从中提取其年趋势，建立1个动态的、同时包含局地信息和年际特征的、更加可靠的地表温度背景场；将其引入RST模型，基于“kσ”准则识别地震热异常信息；最终采用异常方向、异常强度和距离指数这3个指标对异常结果进行分析，验证算法的有效性。利用MODIS地表温度产品，基于所提算法对2008年汶川地震进行了再研究，结果表明：1）汶川地震前存在明显的热异常，沿龙门山断裂呈带状分布，持续时间较长；2）发震期无明显的异常现象；3）震后热异常的发生具有循环往复性，但异常幅度和影响范围明显缩小。与传统的空间温度均值RST算法异常提取结果相比，文中方法所提取的热异常在空间分布上与活动断裂带更为吻合，对异常的产生消散过程刻画更加细致，表明以地表温度年趋势作为地震构造热异常提取的背景场更加可靠。

地震预测是地震科学研究的主要领域之一。震前热异常现象(地表温度异常升高)普遍存在并且与地震三要素有复杂的非线性关系。文中结合神经网络的优点, 提出将热异常信息作为地震预测的信息源, 通过构建神经网络, 进行地震预测的思路, 并进行了试验。基于8d合成的1km分辨率的MODIS数据, 利用RST算法提取震前热异常信息, 在分析震前热异常信息时空变化的基础上, 确定出BP神经网络的结构, 利用该网络对中国及周边100个5级以上震例, 以及70个随机无震样本进行训练和仿真。试验结果表明, 通过RST算法提取的震前热异常指数值, 用于BP神经网络地震预测是可行的, 其预测的试验结果刻画出了地震要素与热异常值间的非线性相关性。未来预测区域范围的选取以及神经网络中隐层神经元的数量将对地震预测效果产生较大的影响。