基于InSAR的北京市平原区地下水动态监测

北京市平原地区由于长期的地下水开采,导致该地出现地表沉降的地质问题,为实现将InSAR技术应用于地下水的动态监测,采用北京市2007～2010年16景ENVISAT-ASAR数据,利用小基线集技术(small baseline subset,SBAS),得到北京市2007～2010年地表沉降信息,并结合地下水水位埋深数据构建了地下水监测的线性回归方程.得到以下结论:(1)2007～2010年期间,北京市平原区的沉降开始于朝阳区,向四周扩散,且一直在持续;(2)地下水开采与地面沉降正相关;(3)根据地下水与沉降信息构建的三次线性方程,相关性系数最高可到达0. 797;(4)沉降量与GRACE监测的地下水变化具有极高的相关性,因此可以根据GRACE反映的地下水的变化与累积沉降量的相关关系进行空间的降尺度,以提高GRACE数据反映地下水的空间分辨率。     

基于机器学习的蒸散量插补方法

以黑河流域湿地、农田、草地、柽柳、胡杨林、混合林生态系统为研究对象,结合气象因子(净辐射、温度、土壤热通量、风速、相对湿度、土壤体积含水率),分别采用多元线性回归(MLR)、决策树(CART)、随机森林(RF)、支持向量回归(SVR)、BP人工神经网络(BPANN)、深度学习(DL)等方法对蒸散量进行插补。结果表明:(a)RF、SVR、BPANN、DL在各个生态系统的蒸散量插补精度均较高(R² = 0.8~0.93,R_MSE=21.730~41.731 W/m²,M_AE=12.153~26.129 W/m²),但SVR在柽柳、混合林生态系统的结果稍差于其他3种方法(R²降低了0.01~0.02),MLR插补精度最差(R² =0.6~0.7),CART结果介于之间(R² = 0.78~0.9)。(b)加入土壤体积含水率能一定程度提升模型插补的精度(R²提高了0.01~0.06)。(c)利用建立的插补模型去插补其他年份的蒸散量,发现其精度有不同程度的下降。综合考虑模型的精度和稳定性,RF、BPANN、DL对于蒸散量的插补具有较高的精度,同时加入土壤体积含水率可以提高模型插补的精度。