Nothing Special   »   [go: up one dir, main page]

CN116047518A - 基于雷达卫星的潜在地质灾害识别方法及设备 - Google Patents

基于雷达卫星的潜在地质灾害识别方法及设备 Download PDF

Info

Publication number
CN116047518A
CN116047518A CN202310318209.1A CN202310318209A CN116047518A CN 116047518 A CN116047518 A CN 116047518A CN 202310318209 A CN202310318209 A CN 202310318209A CN 116047518 A CN116047518 A CN 116047518A
Authority
CN
China
Prior art keywords
target
target point
point
unit
ramp
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
Application number
CN202310318209.1A
Other languages
English (en)
Other versions
CN116047518B (zh
Inventor
于淼
谭遵泉
商胜波
赵宏杰
陆川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Guoxing Aerospace Technology Co ltd
Original Assignee
Chengdu Guoxing Aerospace Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Guoxing Aerospace Technology Co ltd filed Critical Chengdu Guoxing Aerospace Technology Co ltd
Priority to CN202310318209.1A priority Critical patent/CN116047518B/zh
Publication of CN116047518A publication Critical patent/CN116047518A/zh
Application granted granted Critical
Publication of CN116047518B publication Critical patent/CN116047518B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
    • G01S13/9021—SAR image post-processing techniques
    • G01S13/9023—SAR image post-processing techniques combined with interferometric techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)

Abstract

本申请公开了一种基于雷达卫星的潜在地质灾害识别方法及设备，涉及地质灾害识别技术领域，该方法在数据处理过程中，引入斜坡单元作为基本分析单元，综合多源地理信息数据，对斜坡单元进行分析剔除，并根据目标点与斜坡单元的位置关系确定地质灾害隐患区。以斜坡单元为单位进行筛选，更符合地质灾害发生的实际情况，可以提高筛选效率和准确性，同时，在筛选过程中结合了多源地理信息数据，不仅考虑到地质灾害的发生，还考虑到地质灾害的发生对目标可能导致的后果，进一步提高识别的准确性；根据目标点与斜坡单元的位置关系确定地质灾害隐患区，相对于现有的不考虑斜坡单元且以目标点为对象进行识别，可以显著提高识别效率。

Description

基于雷达卫星的潜在地质灾害识别方法及设备
技术领域
本申请涉及地质灾害预测技术领域，尤其涉及一种基于雷达卫星的潜在地质灾害识别方法及设备。
背景技术
在地质灾害监测技术中，为了获得高精度地获取地表形变观测，应尽量避免去相干因素的影响，有效分离出干扰项。目前主要应用多时相InSAR（MT-InSAR）技术，应用较多的MT-InSAR技术主要包括：PS-InSAR方法，该方法依据时间序列上的幅度和/或相位信息的稳定性选取永久散射体（Persistent Scatterer，PS）目标；SBAS-InSAR方法，该方法以多主影像的干涉对为基础，基于高相干点恢复研究区域的时间序列形变信息；DS-InSAR(Distributed Scatterer，DS)方法，与PS目标的物理属性不同，DS是指在雷达分辨率单元内没有任何散射体的后向散射占据统治地位的点目标。
然而，不同MT-InSAR方法的不同参数组合，会影响到目标点的数量与精度，当目标点的数量达到千万乃至亿万级别时，将会降低InSAR技术对地质灾害风险评估的参考性。因此，目前基于时序InSAR技术的地质灾害识别方法的识别准确率较低。
发明内容
本申请的主要目的是提供一种基于雷达卫星的潜在地质灾害识别方法及设备，旨在解决现有基于时序InSAR技术的地质灾害识别方法的识别准确率较低的技术问题。
为解决上述技术问题，本申请实施例提出了：一种基于雷达卫星的潜在地质灾害识别方法，包括以下步骤：
获取目标研究区的数字高程模型数据和所述目标研究区内的目标点累计形变量时间序列，所述目标点累计形变量时间序列基于雷达卫星采集的时间序列数据获得；
基于所述目标研究区的数字高程模型数据，生成所述目标研究区内若干斜坡单元对应的斜坡单元数据；
基于所述目标研究区内的斜坡单元数据和所述目标研究区内的多源地理数据，对所述目标研究区内的若干斜坡单元进行筛选，以获得第一斜坡单元集；
基于所述目标研究区内的目标点累计形变量时间序列，获得所述目标研究区内的目标点集合；
基于所述目标点集合中目标点与所述第一斜坡单元集中各斜坡单元的位置关系，确定所述目标研究区内的地质灾害隐患区。
可选地，所述基于所述目标研究区内的斜坡单元数据和所述目标研究区内的多源地理数据，对所述目标研究区内的若干斜坡单元进行筛选，以获得第一斜坡单元集，包括：
基于所述目标研究区内的斜坡单元数据，获得所述目标研究区内的各斜坡单元的面状矢量质心；
计算各斜坡单元的面状矢量质心到所述多源地理数据中各类型数据的最小欧氏距离；
筛选出最小欧式距离小于距离阈值的斜坡单元，以构成所述第一斜坡单元集。
可选地，所述基于所述目标点集合中目标点与所述第一斜坡单元集中各斜坡单元的位置关系，确定所述目标研究区内的地质灾害隐患区之前，还包括：
基于所述目标研究区的数字高程模型数据，获得所述目标研究区的坡度数据；
基于所述第一斜坡单元集和所述目标研究区的坡度数据，获得所述第一斜坡单元集中各斜坡单元的平均坡度；
筛选出平均坡度大于坡度阈值的斜坡单元，以构成第二斜坡单元集；
所述基于所述目标点集合中目标点与所述第一斜坡单元集中各斜坡单元的位置关系，确定所述目标研究区内的地质灾害隐患区，包括：
基于所述目标点集合中目标点与所述第二斜坡单元集中各斜坡单元的位置关系，确定所述目标研究区内的地质灾害隐患区。
可选地，所述基于所述目标点集合中目标点与所述第一斜坡单元集中各斜坡单元的位置关系，确定所述目标研究区内的地质灾害隐患区，包括：
判断所述目标点集合中目标点的数量是否大于阈值；
若是，则从所述目标点集合中筛选出位于同一斜坡单元内多个目标点，以形成闭合的矢量面；
基于所述闭合的矢量面，确定所述目标研究区内的地质灾害隐患区。
可选地，所述基于所述闭合的矢量面，确定所述目标研究区内的地质灾害隐患区，包括：
计算所述矢量面的质心以及构成所述矢量面的多个目标点与所述质心的欧氏距离；
根据构成所述矢量面的多个目标点与所述质心的欧氏距离，与预设半径阈值的大小关系，判断所述矢量面是否存在离群点；
若所述矢量面不存在离群点，则所述矢量面所在区域为地质灾害隐患区。
可选地，所述从所述目标点集合中筛选出位于同一斜坡单元内多个目标点，以形成闭合的矢量面，包括：
根据所述目标点集合中各目标点的经纬度，确定起始点
Figure SMS_1
；
以起始点
Figure SMS_2
为起点，获取所述目标点集合中与起始点
Figure SMS_3
的线状矢量位于斜坡单元内的具有第T大极角的目标点
Figure SMS_4
；
以目标点
Figure SMS_5
为起点，获取所述目标点集合中与目标点
Figure SMS_6
的线状矢量位于斜坡单元内的具有第t小极角的目标点
Figure SMS_7
；
以目标点
Figure SMS_8
为起点，循环执行前述获取具有第t小极角的目标点
Figure SMS_9
的步骤，直到再次获取到起始点
Figure SMS_10
，以获得位于同一斜坡单元内多个目标点；
基于位于同一斜坡单元内多个目标点，获得闭合的矢量面。
可选地，所述以起始点
Figure SMS_11
为起点，获取所述目标点集合中与起始点
Figure SMS_12
的线状矢量位于斜坡单元内的具有第T大极角的目标点
Figure SMS_13
，包括：
获取所述目标点集合中在极坐标下具有第T大极角的目标点
Figure SMS_14
，并获得目标点
Figure SMS_15
与起始点
Figure SMS_16
的第一线状矢量；其中，所述极坐标以
Figure SMS_17
为起始点；
若所述第一线状矢量与所述第一斜坡单元集中斜坡单元不相交，则获得与起始点
Figure SMS_18
的线状矢量位于斜坡单元内的具有第T大极角的目标点
Figure SMS_19
；
若所述第一线状矢量与所述第一斜坡单元集中斜坡单元相交，则从所述目标点集合中剔除目标点
Figure SMS_20
，以获得剔除后的目标点集合；
判断剔除后的所述目标点集合中目标点的数量是否大于所述阈值，若是，则基于剔除后的所述目标点集合，返回获取在极坐标下具有第T大极角的目标点
Figure SMS_21
，并获得目标点
Figure SMS_22
与起始点
Figure SMS_23
的第一线状矢量的步骤，循环至获得与起始点
Figure SMS_24
的线状矢量位于斜坡单元内的具有第T大极角的目标点
Figure SMS_25
。
可选地，所述以目标点
Figure SMS_26
为起点，获取所述目标点集合中与目标点
Figure SMS_27
的线状矢量位于斜坡单元内的具有第t小极角的目标点
Figure SMS_28
，包括：
获取所述目标点集合中在极坐标下具有第t小极角的目标点
Figure SMS_29
，并获得目标点
Figure SMS_30
与目标点
Figure SMS_31
的第二线状矢量；其中，所述极坐标以
Figure SMS_32
为起始点；
若所述第二线状矢量与所述第一斜坡单元集中斜坡单元不相交，则获得与目标点
Figure SMS_33
的线状矢量位于斜坡单元内的具有第t小极角的目标点
Figure SMS_34
；
若所述第二线状矢量与所述第一斜坡单元集中斜坡单元相交，则从所述目标点集合中剔除目标点
Figure SMS_35
，以获得剔除后的目标点集合；
判断剔除后的所述目标点集合中目标点的数量是否大于所述阈值，若是，则基于剔除后的所述目标点集合，返回获取在极坐标下具有第t小极角的目标点
Figure SMS_36
，并获得目标点
Figure SMS_37
与目标点
Figure SMS_38
的第二线状矢量的步骤，循环至获得与目标点
Figure SMS_39
的线状矢量位于斜坡单元内的具有第t小极角的目标点
Figure SMS_40
。
可选地，所述基于所述目标研究区内的目标点累计形变量时间序列，获得所述目标研究区内的目标点集合，包括：
利用Mann-Kendall算法，对所述目标研究区内的目标点累计形变量时间序列进行趋势检验，以获得趋势检验数据；
基于所述趋势检验数据，对所述目标研究区内的目标点累计形变量时间序列进行去噪，以获得所述目标研究区内的目标点集合。
可选地，所述多源地理数据，包括：河流水系数据、道路数据和居民点数据。
为解决上述技术问题，本申请实施例还提出了：一种电子设备，该电子设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现如上所述的方法。
相较于现有技术，本申请的实施例提供的基于雷达卫星的潜在地质灾害识别方法及设备，通过获取目标研究区的数字高程模型数据和所述目标研究区内的目标点累计形变量时间序列，所述目标点累计形变量时间序列基于雷达卫星采集的时间序列数据获得；基于所述目标研究区的数字高程模型数据，生成所述目标研究区内若干斜坡单元对应的斜坡单元数据；基于所述目标研究区内的斜坡单元数据和所述目标研究区内的多源地理数据，对所述目标研究区内的若干斜坡单元进行筛选，以获得第一斜坡单元集；基于所述目标研究区内的目标点累计形变量时间序列，获得所述目标研究区内的目标点集合；基于所述目标点集合中目标点与所述第一斜坡单元集中各斜坡单元的位置关系，确定所述目标研究区内的地质灾害隐患区。也即，本申请的方法在数据处理过程中，引入斜坡单元作为基本分析单元，综合多源地理信息数据，对斜坡单元进行分析剔除，并根据目标点与斜坡单元的位置关系确定地质灾害隐患区。一方面，以斜坡单元为单位进行筛选，更符合地质灾害发生的实际情况，可以提高筛选效率和准确性，同时，在筛选过程中结合了多源地理信息数据，不仅考虑到地质灾害的发生，还考虑到地质灾害的发生对目标可能导致的后果，进一步提高识别的准确性；另一方面，根据目标点与斜坡单元的位置关系确定地质灾害隐患区，可以增强变形目标点的空间关联，相对于现有的不考虑斜坡单元且以目标点为对象进行识别，可以显著提高识别效率。
附图说明
图1是本申请实施例所述基于雷达卫星的潜在地质灾害识别方法的流程示意图；
图2是本申请实施例中步骤S40的一种具体实施过程的流程示意图；
图3是本申请实施例中的一种坡度单元筛选过程的流程示意图；
图4是本申请实施例中步骤S100的一种具体实施过程的流程示意图。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
地质灾害是指由于地球内部的自然作用或人类活动引起的地质过程所导致的一系列灾害事件，如地震、泥石流、滑坡、崩塌等，这些灾害事件可能会造成人员伤亡、财产损失以及对生态环境的破坏。这些地质灾害与地球的构造、地形、地质条件、气候和人类活动等因素密切相关，需要通过科学预测、预防和控制来降低其危害性。
在一些地形起伏大的地区，传统地面测量手段受成本和覆盖范围的限制，难以实现大规模灾害普查。合成孔径雷达干涉测量（InSAR)技术具有不受云雾影响、覆盖范围大和监测微小地表形变的能力，可以为地质灾害普查提供重要的支持。InSAR技术可以测量地表微小变形，但由于时间去相干、空间去相干的影响，且干涉相位中包含轨道误差、数字高程模型误差和大气传播延迟等干扰成分，其应用和测量精度往往受到限制。要想高精度地获取地表形变观测，应尽量避免去相干因素的影响，有效分离出干扰项。多时相InSAR（MT-InSAR）技术就是在这样的背 景下发展起来的。
现有的MT-InSAR方法生成大量的形变感兴趣点，其中包括真实形变与噪声形变，如何从形变信息中提取地质灾害隐患有效形变信息，并根据有效形变信息提取出符合地质灾害孕育与发灾规律的地质灾害隐患区成为当前的技术难点。需要使用一定的分析处理算法提取有效形变信息，并将其与地质灾害关联因子相结合，生成可以用于辅助地质灾害隐患外业核查的辅助数据。
本申请的实施例提供了一种基于雷达卫星的潜在地质灾害识别方法及设备，以解决现有技术存在的上述问题。
名词解释：
InSAR，英文全称：Synthetic Aperture Radar Interferometry，中文翻译为：合成孔径雷达干涉测量技术。
MT-InSAR，英文全称：Multi-temporal Synthetic Aperture RadarInterferometry，中文翻译为：多时相合成孔径雷达干涉测量技术。
在一种实施方式中，本实施例的方法可以基于现有的计算机设备运行程序来执行，计算机设备可以是手机、平板、台式计算机等，计算机设备中可以包括处理器、储存介质等，储存介质用于存储执行本实施例方法的程序，处理器用于运行程序，以执行本实施例的方法。
参照附图1，基于前述实施例的计算机设备，本申请的实施例提供一种基于雷达卫星的潜在地质灾害识别方法，包括以下步骤：
步骤S20、获取目标研究区的数字高程模型数据和所述目标研究区内的目标点累计形变量时间序列，所述目标点累计形变量时间序列基于雷达卫星采集的时间序列数据获得。
在具体实施过程中，目标研究区是指某个可能地质灾害发生的区域，数字高程模型数据（Digital Elevation Model)，简称DEM，是通过有限的地形高程数据实现对地面地形的数字化模拟（即地形表面形态的数字化表达），它是用一组有序数值阵列形式表示地面高程的一种实体地面模型，可以通过摄影测量、地面测量、已有地形图数字化、已有的DEM库中提取获得。
在本实施例中，目标点累计形变量时间序列一般是指带有经纬度坐标的目标点累计形变量（单位：毫米）时间序列。可以通过MT-InSAR方法对基于雷达卫星（星载合成孔径雷达）采集的同一图幅内的时间序列数据。
步骤S40、基于所述目标研究区内的目标点累计形变量时间序列，获得所述目标研究区内的目标点集合。
在具体实施过程中，目标点累计形变量时间序列中包含若干目标点，对目标点累计形变量时间序列进行遍历即可得到目标点集合。在本实施例中，目标点是指MT-InSAR方法生成的形变感兴趣点。
作为一种可选的实施方式，参照图2，所述基于所述目标研究区内的目标点累计形变量时间序列，获得所述目标研究区内的目标点集合，包括：
S402、利用Mann-Kendall算法，对所述目标研究区内的目标点累计形变量时间序列进行趋势检验，以获得趋势检验数据；
在具体实施过程中，目标点累计形变量时间序列记为
Figure SMS_41
。
在趋势检验过程中，按照现有的Mann-Kendall算法，首先对目标点累计形变量时间序列作如下假设：
Figure SMS_42
假设：假设序列中的数据为独立同分布随机样本，即无显著趋势；
Figure SMS_43
假设：假设序列存在上升或下降的单调趋势；
在
Figure SMS_44
假设下，定义检验统计量S为：
S =
Figure SMS_45
其中，
Figure SMS_46
、
Figure SMS_47
分别为第i、j时间序列对应的观测值，且i<j，sgn为符号函数， sgn(θ)=
Figure SMS_48
，
Figure SMS_49
=
Figure SMS_50
-
Figure SMS_51
；
当n>=10时，统计量S近似服从正态分布。将S标准化得到Z，利用统计检验值Z进行显著性检验，公式如下：
Z =
Figure SMS_52
其中，var(S)=(n(n-1)(2n+5)-
Figure SMS_53
式中：n为累计形变量时间序列中数据的个数；m为序列中结（重复出现的数据组）的个数；
Figure SMS_54
为结的宽度（第i组重复数据组中的重复数据格式）。
采用双边趋势检验中，在给定显著性水平（置信水平）α=0.05下，当|Z|<=
Figure SMS_55
时，接受
Figure SMS_56
假设，即趋势不明显；否则接受
Figure SMS_57
假设，即Z>=
Figure SMS_58
表明序列显著上升，反之序列显著下降。
在此基础上，将具有显著下降趋势的目标点累计形变量时间序列标记为正向形变目标点，将这些目标点选中，进入下一步分析。
S404、基于所述趋势检验数据，对所述目标研究区内的目标点累计形变量时间序列进行去噪，以获得所述目标研究区内的目标点集合。
在具体实施过程中，前述趋势检验的数据中具有显著上升趋势和无显著趋势的目标点，被认为受到较大的噪声干扰，进行剔除。从而获得所述目标研究区内的目标点集合。
步骤S60、基于所述目标研究区的数字高程模型数据，生成所述目标研究区内若干斜坡单元对应的斜坡单元数据。
在具体实施过程中，斜坡单元是地质灾害危险性区域中的单元类型，斜坡单元是滑坡、崩塌等地质灾害发育的基本单元。斜坡单元数据是指斜坡单元划分产生的数据。可以将数字高程模型数据输入ArcGIS等三维分析工具，生成目标研究区内若干斜坡单元对应的斜坡单元数据。具体的，可以在数字高程模型数据上，利用无洼地正负地形分别提取山脊线和山谷线( 分别对应分水线和汇水线) ，把生成的集水流域与反向集水流域融合，再经后期人工修编不合理的单元，最终得到的由汇水线与分水线所划分的区域即为斜坡单元。
步骤S80、基于所述目标研究区内的斜坡单元数据和所述目标研究区内的多源地理数据，对所述目标研究区内的若干斜坡单元进行筛选，以获得第一斜坡单元集。
在具体实施过程中，多源地理数据是指河流水系数据、道路数据、居民点数据等多种不同类型的地理对象数据。
可以理解的是，通过基于斜坡单元的地质灾害研究，可以获得斜坡单元所在区域的地质灾害预测情况，但是由于不是所有的地质异常都会造成地质灾害。例如，在无人区，及时发生地质灾害，也不会造成人员伤亡，因此，此种情况的预测意义不大。举例来说，发生地质灾害时，有河流水系的地方容易产生堰塞湖，有道路的地方容易造成道路中断，有居民点的地方容易造成人员伤亡等。本实施例中，结合多源地理数据对斜坡单元进行筛选，可以剔除不存在威胁对象的一些斜坡单元，从而一方面减少数据计算量，提高效率；另一方面，可以排除一些干扰，提高预测的准确率。
具体的，可以根据多源地理数据中各地理对象数据对应的对象与斜坡单元的位置关系，判断斜坡单元是否可以剔除。例如，在斜坡单元内，或者距离斜坡单元较近的位置存在河流水系、道路、居民点的斜坡单元，则判定为存在风险，反之则可以考虑剔除。
作为一种可选的实施方式，基于所述目标研究区内的斜坡单元数据和所述目标研究区内的多源地理数据，对所述目标研究区内的若干斜坡单元进行筛选，以获得第一斜坡单元集，具体方式包括：
基于所述目标研究区内的斜坡单元数据，获得所述目标研究区内的各斜坡单元的面状矢量质心；计算各斜坡单元的面状矢量质心到所述多源地理数据中各类型数据的最小欧式距离；筛选出最小欧式距离小于距离阈值的斜坡单元，以构成所述第一斜坡单元集。
在具体实施过程中，斜坡单元可以转换为面状矢量，从而可以根据质心的计算方法计算出面状矢量质心，然后计算各斜坡单元的面状矢量质心到所述多源地理数据中各类型的对象的最小欧式距离。
在本实施例中，距离阈值可以根据判断标准的严苛程度进行设置，可以理解的是，对象距离面状矢量质心越远，则该斜坡单元的威胁就越小。在本实施例中可以设置距离阈值为3km，周围所有的对象距离面状矢量质心的最小欧式距离大于3km，则认为该斜坡单元不存在威胁对象，可以剔除。按此方法，可以筛选出最小欧式距离小于距离阈值的斜坡单元，以构成所述第一斜坡单元集。
步骤S100、基于所述目标点集合中目标点与所述第一斜坡单元集中各斜坡单元的位置关系，确定所述目标研究区内的地质灾害隐患区。
在具体实施过程中，位置关系是指目标点与斜坡单元的相对位置关系，由于目标点都是存在地面形变的点，而斜坡单元是常见地质灾害（滑坡、崩塌等）发育的基本单元，因此，根据所述目标点集合中目标点与所述第一斜坡单元集中各斜坡单元的位置关系，可以确定出地质灾害隐患区。
综上，相较于现有技术，本实施例提供的基于雷达卫星的潜在地质灾害识别方法，在数据处理过程中，引入斜坡单元作为基本分析单元，综合多源地理信息数据，对斜坡单元进行分析剔除，并根据目标点与斜坡单元的位置关系确定地质灾害隐患区。一方面，以斜坡单元为单位进行筛选，更符合地质灾害发生的实际情况，可以提高筛选效率和准确性，同时，在筛选过程中结合了多源地理信息数据，不仅考虑到地质灾害的发生，还考虑到地质灾害的发生对目标可能导致的后果，进一步提高识别的准确性；另一方面，根据目标点与斜坡单元的位置关系确定地质灾害隐患区，可以增强变形目标点的空间关联，相对于现有的不考虑斜坡单元且以目标点为对象进行识别，可以显著提高识别效率。
作为一种可选地实施方式，参照图3，所述基于所述目标点集合中目标点与所述第一斜坡单元集中各斜坡单元的位置关系，确定所述目标研究区内的地质灾害隐患区之前，还包括：
S902、基于所述目标研究区的数字高程模型数据，获得所述目标研究区的坡度数据；
在具体实施过程中，可以以数字高程模型数据为输入，利用软件或程序，计算研究区内的坡度，获得坡度数据，并以TIFF格式存储。
S904、基于所述第一斜坡单元集和所述目标研究区的坡度数据，获得所述第一斜坡单元集中各斜坡单元的平均坡度；
在具体实施过程中，以第一斜坡单元集中的斜坡单元和坡度数据为输入，添加斜坡单元属性“平均坡度”，逐个计算斜坡单元中坡度数据的平均值，记为
Figure SMS_59
， 其中，I为斜坡单元索引，I取值范围为1~N，N为研究区内斜坡单元总数。
S906、筛选出平均坡度大于坡度阈值的斜坡单元，以构成第二斜坡单元集；
在具体实施过程中，坡度阈值可以根据需要进行设置，可以理解的是，坡度越大，发送滑坡、崩塌、泥石流等地质灾害的可能性越大。因此，设置一个坡度阈值，若斜坡单元的平均坡度大于该阈值，则认为该斜坡单元内可能存在滑坡、崩塌、泥石流等地质灾害，若平均坡度小于该阈值，则予以剔除，从而获得第二斜坡单元集。
相应的，所述基于所述目标点集合中目标点与所述第一斜坡单元集中各斜坡单元的位置关系，确定所述目标研究区内的地质灾害隐患区，包括：
基于所述目标点集合中目标点与所述第二斜坡单元集中各斜坡单元的位置关系，确定所述目标研究区内的地质灾害隐患区。
可以理解的是，在该实施方式中，通过坡度与地质灾害的内在联系，对斜坡单元集中的斜坡单元进行再次筛选，可进一步减少对部分风险较低的斜坡单元的后续计算和评估，从而进一步提高整个识别过程的效率和识别的准确率。
作为一种可选的实施方式，参照图4，所述基于所述目标点集合中目标点与所述第一斜坡单元集中各斜坡单元的位置关系，确定所述目标研究区内的地质灾害隐患区，包括：
S1002、判断所述目标点集合中目标点的数量是否大于阈值；
在具体实施过程中，在本实施例中，目标点集合可以表示为
Figure SMS_60
，其中，h为目标点集合中目标点数量，
Figure SMS_61
的地理位置表示为
Figure SMS_62
，
Figure SMS_63
表示第i个目标点的经度，
Figure SMS_64
表示第i个目标点的经度。
在本实施例中，首先进行目标点集合中目标点的数量判断，原因在于斜坡单元内的目标点数量与其发生地质灾害的风险相关，如果斜坡单元内的目标点数量较少，则认为该区域目标点数量低、密度低，不具有参考性，可以排除地质灾害风险。反之，则认为存在地质灾害风险。
本实施例中，阈值也可以根据需要进行设置，例如设置为3。
S1004、若是，则从所述目标点集合中筛选出位于同一斜坡单元内多个目标点，以形成闭合的矢量面；
在具体实施过程中，所述目标点集合中目标点的数量大于阈值，则认为存在地质灾害风险。此时，从所述目标点集合中筛选出位于同一斜坡单元内多个目标点，以形成闭合的矢量面。具体的，可以通过遍历目标点集合和所述第一斜坡单元集，从所述目标点集合中筛选出位于同一斜坡单元内多个目标点。
具体的，所述从所述目标点集合中筛选出位于同一斜坡单元内多个目标点，以形成闭合的矢量面，包括：
根据所述目标点集合中各目标点的经纬度，确定起始点
Figure SMS_65
；
以起始点
Figure SMS_66
为起点，获取所述目标点集合中与起始点
Figure SMS_67
的线状矢量位于斜坡单元内的具有第T大极角的目标点
Figure SMS_68
，T为正整数；
以目标点
Figure SMS_69
为起点，获取所述目标点集合中与目标点
Figure SMS_70
的线状矢量位于斜坡单元内的具有第t小极角的目标点
Figure SMS_71
，t为正整数；
以目标点
Figure SMS_72
为起点，循环执行前述获取具有第t小极角的目标点
Figure SMS_73
的步骤，直到再次获取到起始点
Figure SMS_74
，以获得位于同一斜坡单元内多个目标点；
基于位于同一斜坡单元内多个目标点，获得闭合的矢量面。
具体的，所述以起始点
Figure SMS_75
为起点，获取所述目标点集合中与起始点
Figure SMS_76
的线状矢量位于斜坡单元内的具有第T大极角的目标点
Figure SMS_77
，包括：
获取所述目标点集合中在极坐标下具有第T大极角的目标点
Figure SMS_78
，并获得目标点
Figure SMS_79
与起始点
Figure SMS_80
的第一线状矢量；其中，所述极坐标以
Figure SMS_81
为起始点；
若所述第一线状矢量与所述第一斜坡单元集中斜坡单元不相交，则获得与起始点
Figure SMS_82
的线状矢量位于斜坡单元内的具有第T大极角的目标点
Figure SMS_83
；
若所述第一线状矢量与所述第一斜坡单元集中斜坡单元相交，则从所述目标点集合中剔除目标点
Figure SMS_84
，以获得剔除后的目标点集合；
判断剔除后的所述目标点集合中目标点的数量是否大于所述阈值，若是，则基于剔除后的所述目标点集合，返回获取在极坐标下具有第T大极角的目标点
Figure SMS_85
，并获得目标点
Figure SMS_86
与起始点
Figure SMS_87
的第一线状矢量的步骤，循环至获得与起始点
Figure SMS_88
的线状矢量位于斜坡单元内的具有第T大极角的目标点
Figure SMS_89
。
具体的，所述以目标点
Figure SMS_90
为起点，获取所述目标点集合中与目标点
Figure SMS_91
的线状矢量位于斜坡单元内的具有第t小极角的目标点
Figure SMS_92
，包括：
获取所述目标点集合中在极坐标下具有第t小极角的目标点
Figure SMS_93
，并获得目标点
Figure SMS_94
与目标点
Figure SMS_95
的第二线状矢量；其中，所述极坐标以
Figure SMS_96
为起始点；
若所述第二线状矢量与所述第一斜坡单元集中斜坡单元不相交，则获得与目标点
Figure SMS_97
的线状矢量位于斜坡单元内的具有第t小极角的目标点
Figure SMS_98
；
若所述第二线状矢量与所述第一斜坡单元集中斜坡单元相交，则从所述目标点集合中剔除目标点
Figure SMS_99
，以获得剔除后的目标点集合；
判断剔除后的所述目标点集合中目标点的数量是否大于所述阈值，若是，则基于剔除后的所述目标点集合，返回获取在极坐标下具有第t小极角的目标点
Figure SMS_100
，并获得目标点
Figure SMS_101
与目标点
Figure SMS_102
的第二线状矢量的步骤，循环至获得与目标点
Figure SMS_103
的线状矢量位于斜坡单元内的具有第t小极角的目标点
Figure SMS_104
。
由此可见，在具体实施过程中，本实施例的方法通过遍历目标点集合和第一斜坡单元集，从所述目标点集合中筛选出位于同一斜坡单元内多个目标点，具体实施过程也可以概括如下：
首先，计算起始点
Figure SMS_105
，其计算方式如下：
Figure SMS_106
即，选择具有最小经度的目标点作为起始点。
若
Figure SMS_107
数量大于1，则更新
Figure SMS_108
如下：
Figure SMS_109
即，当存在多个最小经度目标点时，选择其中具有最小纬度的目标点作为起始点。
然后，以
Figure SMS_110
为起始点O，水平方向为极轴X，构建极坐标系；计算剩余目标点在该极坐标系下的极坐标
Figure SMS_111
，其中
Figure SMS_112
为极径，
Figure SMS_113
为极角；
根据从大到小的顺序，首先获取具有最大极角的目标点
Figure SMS_114
，若存在多个最大极角的目标点，则选取其中极径最长的目标点，连接起始点与该目标点形成线状矢量；判断线状矢量与斜坡单元是否相交，若该线状矢量与斜坡单元相交，则舍弃该目标点
Figure SMS_115
，更新目标点集合（此时，更新后的目标点集合已经不包含该目标点
Figure SMS_116
），然后再次进行数量判断，若目标点集合个数小于阈值（例如，阈值为3，后续直接以3为例），则放弃计算，认为不存在地质灾害隐患区。反之，若目标点集合个数大于阈值，则继续获取具有第二大极角的点目标点
Figure SMS_117
，连接初始点与该点形成线状矢量；若该线状矢量与斜坡单元相交，则舍弃目标点
Figure SMS_118
，更新目标点集合，进入数量判断，若目标点集合个数小于3，则放弃计算。重复前述步骤，直至找到满足空间关系的，具有第T大极角的目标点
Figure SMS_119
，使得起始点与具有第T大极角的目标点
Figure SMS_120
形成的线状矢量在斜坡单元内（即该线状矢量与斜坡单元不相交），则保留该线状矢量点对，将构成该线状矢量的目标点对坐标存入列表。若不存在满足空间关系的目标点，则不存在地质灾害风险。
在获得具有第T大极角的目标点
Figure SMS_121
后，以
Figure SMS_122
点为新的起始点，以其水平方向为极轴，构建极坐标系，计算剩余目标点在该极坐标系下的极坐标
Figure SMS_123
，其中
Figure SMS_124
为极径，
Figure SMS_125
为极角；
根据从小到大的顺序，首先获取具有最小极角的目标点
Figure SMS_126
，若存在多个最小极角目标点，则选取其中极径最长的目标点，连接新的起始点与该目标点形成线状矢量；参考前述寻找具有第T大极角的步骤中的计算和判断逻辑，找到满足空间关系的，具有第t小极角的目标点
Figure SMS_127
，即起始点与具有最t小极角的目标点
Figure SMS_128
形成的线状矢量在斜坡单元内（即该线状矢量与斜坡单元不相交），则保留该线状矢量点对，将构成该线状矢量的目标点对坐标存入列表。
在获得具有第t小极角的目标点
Figure SMS_131
后，以
Figure SMS_133
点为新的起始点，以其水平方向为极轴，构建极坐标系，计算剩余目标点在该极坐标系下的极坐标
Figure SMS_136
(
Figure SMS_129
,
Figure SMS_132
)，其中，
Figure SMS_134
为极径，
Figure SMS_137
为极角，循环重复前述从小到大遍历的步骤，直到列表中包含起始点
Figure SMS_130
（即再次遍历到起始点
Figure SMS_135
），至此，形成闭合的矢量面，其完全处于斜坡单元内部。
可以理解的是，通过上述迭代的方式，可以再次遍历到起始点
Figure SMS_138
，从而形成闭环，得到闭合的矢量面。
S1006、基于所述闭合的矢量面，确定所述目标研究区内的地质灾害隐患区。
在具体实施过程中，可以通过判断闭合的矢量面是否存在离群目标点，来判断该闭合的矢量面是否划定为地质灾害隐患区。具体的，存在离群点，则表示存在与形变区域空间关联性差的目标点，可以选择剔除。
作为一种可选的实施方式，所述基于所述闭合的矢量面，确定所述目标研究区内的地质灾害隐患区，包括：
计算所述矢量面的质心以及构成所述矢量面的多个目标点与所述质心的欧氏距离；
根据构成所述矢量面的多个目标点与所述质心的欧氏距离，与预设半径阈值的大小关系，判断所述矢量面是否存在离群点；
若所述矢量面不存在离群点，则所述矢量面所在区域为地质灾害隐患区。
在具体实施过程中，预设半径阈值同样可以根据需要进行设置，例如设置为2km，可以理解的是，关于通过质心和欧式距离判断矢量面是否存在离群点可参照前述实施例中根据多源地理数据进行斜坡单元筛选的原理，这里不再赘述。具体的，当构成所述矢量面的多个目标点与所述质心的欧氏距离都小于预设半径阈值，则矢量面不存在离群点。
作为另一种情况，若当构成所述矢量面的多个目标点与所述质心的欧氏距离都大于预设半径阈值，则矢量面存在离群点，离群点与形变区域空间关联性差，舍弃该目标点。
可以理解的是，在该实施方式中，通过矢量面和斜坡单元这种区域单元进行识别，增强形变目标点的空间关联，相较于现有的通过单独的目标点进行地质灾害隐患区识别，可显著提高识别的效率。
在一些实施例中，本申请的实施例还提供了一种计算机可读存储介质，用于存储计算机程序，该计算机程序在被处理器运行时可执行前述实施例的基于雷达卫星的潜在地质灾害识别方法。
计算机可读存储介质可以是FRAM、ROM、PROM、EPROM、EEPROM、闪存、磁表面存储器、光盘或CD-ROM等存储器；也可以是包括上述存储器之一或任意组合的各种设备。计算机可以是包括智能终端和服务器在内的各种计算设备。
在一些实施例中，可执行指令可以采用程序、软件、软件模块、脚本或代码的形式，按任意形式的编程语言（包括编译或解释语言，或者声明性或过程性语言）来编写，并且其可按任意形式部署，包括被部署为独立的程序或者被部署为模块、组件、子例程或者适合在计算环境中使用的其它单元。
作为示例，可执行指令可以但不一定对应于文件系统中的文件，可以可被存储在保存其它程序或数据的文件的一部分，例如，存储在超文本标记语言（HTML，Hyper TextMarkup Language）文档中的一个或多个脚本中，存储在专用于所讨论的程序的单个文件中，或者，存储在多个协同文件（例如，存储一个或多个模块、子程序或代码部分的文件）中。
作为示例，可执行指令可被部署为在一个计算设备上执行，或者在位于一个地点的多个计算设备上执行，又或者，在分布在多个地点且通过通信网络互连的多个计算设备上执行。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本申请实施例顺序仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述 实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通 过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如只读存储器/随机存取存储器、磁碟、光盘）中，包括若干指令用以使得一台多媒体终端设备（可以是手机、计算机、电视接收机或者网络设备等）执行本申请各个实施例的方法。
以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于雷达卫星的潜在地质灾害识别方法，其特征在于，包括：
获取目标研究区的数字高程模型数据和所述目标研究区内的目标点累计形变量时间序列，所述目标点累计形变量时间序列基于雷达卫星采集的时间序列数据获得；
基于所述目标研究区内的目标点累计形变量时间序列，获得所述目标研究区内的目标点集合；
基于所述目标研究区的数字高程模型数据，生成所述目标研究区内若干斜坡单元对应的斜坡单元数据；
基于所述目标研究区内的斜坡单元数据和所述目标研究区内的多源地理数据，对所述目标研究区内的若干斜坡单元进行筛选，以获得第一斜坡单元集；
基于所述目标点集合中目标点与所述第一斜坡单元集中各斜坡单元的位置关系，确定所述目标研究区内的地质灾害隐患区。
2.根据权利要求1所述的方法，其特征在于，所述基于所述目标研究区内的斜坡单元数据和所述目标研究区内的多源地理数据，对所述目标研究区内的若干斜坡单元进行筛选，以获得第一斜坡单元集，包括：
基于所述目标研究区内的斜坡单元数据，获得所述目标研究区内的各斜坡单元的面状矢量质心；
计算各斜坡单元的面状矢量质心到所述多源地理数据中各类型数据的最小欧氏距离；
筛选出最小欧式距离小于距离阈值的斜坡单元，以构成所述第一斜坡单元集。
3.根据权利要求1所述的方法，其特征在于，所述基于所述目标点集合中目标点与所述第一斜坡单元集中各斜坡单元的位置关系，确定所述目标研究区内的地质灾害隐患区之前，还包括：
基于所述目标研究区的数字高程模型数据，获得所述目标研究区的坡度数据；
基于所述第一斜坡单元集和所述目标研究区的坡度数据，获得所述第一斜坡单元集中各斜坡单元的平均坡度；
筛选出平均坡度大于坡度阈值的斜坡单元，以构成第二斜坡单元集；
所述基于所述目标点集合中目标点与所述第一斜坡单元集中各斜坡单元的位置关系，确定所述目标研究区内的地质灾害隐患区，包括：
基于所述目标点集合中目标点与所述第二斜坡单元集中各斜坡单元的位置关系，确定所述目标研究区内的地质灾害隐患区。
4.根据权利要求1或3所述的方法，其特征在于，所述基于所述目标点集合中目标点与所述第一斜坡单元集中各斜坡单元的位置关系，确定所述目标研究区内的地质灾害隐患区，包括：
判断所述目标点集合中目标点的数量是否大于阈值；
若是，则从所述目标点集合中筛选出位于同一斜坡单元内多个目标点，以形成闭合的矢量面；
基于所述闭合的矢量面，确定所述目标研究区内的地质灾害隐患区。
5.根据权利要求4所述的方法，其特征在于，所述基于所述闭合的矢量面，确定所述目标研究区内的地质灾害隐患区，包括：
计算所述矢量面的质心以及构成所述矢量面的多个目标点与所述质心的欧氏距离；
根据构成所述矢量面的多个目标点与所述质心的欧氏距离，与预设半径阈值的大小关系，判断所述矢量面是否存在离群点；
若所述矢量面不存在离群点，则所述矢量面所在区域为地质灾害隐患区。
6.根据权利要求4所述的方法，其特征在于，所述从所述目标点集合中筛选出位于同一斜坡单元内多个目标点，以形成闭合的矢量面，包括：
根据所述目标点集合中各目标点的经纬度，确定起始点
Figure QLYQS_1
；
以起始点
Figure QLYQS_2
为起点，获取所述目标点集合中与起始点
Figure QLYQS_3
的线状矢量位于斜坡单元内的具有第T大极角的目标点
Figure QLYQS_4
，T为正整数；
以目标点
Figure QLYQS_5
为起点，获取所述目标点集合中与目标点
Figure QLYQS_6
的线状矢量位于斜坡单元内的具有第t小极角的目标点
Figure QLYQS_7
，t为正整数；
以目标点
Figure QLYQS_8
为起点，循环执行前述获取具有第t小极角的目标点
Figure QLYQS_9
的步骤，直到再次获取到起始点
Figure QLYQS_10
，以获得位于同一斜坡单元内多个目标点；
基于位于同一斜坡单元内多个目标点，获得闭合的矢量面。
7.根据权利要求6所述的方法，其特征在于，所述以起始点
Figure QLYQS_11
为起点，获取所述目标点集合中与起始点
Figure QLYQS_12
的线状矢量位于斜坡单元内的具有第T大极角的目标点
Figure QLYQS_13
，包括：
获取所述目标点集合中在极坐标下具有第T大极角的目标点
Figure QLYQS_14
，并获得目标点
Figure QLYQS_15
与起始点
Figure QLYQS_16
的第一线状矢量；其中，所述极坐标以
Figure QLYQS_17
为起始点；
若所述第一线状矢量与所述第一斜坡单元集中斜坡单元不相交，则获得与起始点
Figure QLYQS_18
的线状矢量位于斜坡单元内的具有第T大极角的目标点
Figure QLYQS_19
；
若所述第一线状矢量与所述第一斜坡单元集中斜坡单元相交，则从所述目标点集合中剔除目标点
Figure QLYQS_20
，以获得剔除后的目标点集合；
判断剔除后的所述目标点集合中目标点的数量是否大于所述阈值，若是，则基于剔除后的所述目标点集合，返回获取在极坐标下具有第T大极角的目标点
Figure QLYQS_21
，并获得目标点
Figure QLYQS_22
与起始点
Figure QLYQS_23
的第一线状矢量的步骤，循环至获得与起始点
Figure QLYQS_24
的线状矢量位于斜坡单元内的具有第T大极角的目标点
Figure QLYQS_25
。
8.根据权利要求6所述的方法，其特征在于，所述以目标点
Figure QLYQS_26
为起点，获取所述目标点集合中与目标点
Figure QLYQS_27
的线状矢量位于斜坡单元内的具有第t小极角的目标点
Figure QLYQS_28
，包括：
获取所述目标点集合中在极坐标下具有第t小极角的目标点
Figure QLYQS_29
，并获得目标点
Figure QLYQS_30
与目标点
Figure QLYQS_31
的第二线状矢量；其中，所述极坐标以
Figure QLYQS_32
为起始点；
若所述第二线状矢量与所述第一斜坡单元集中斜坡单元不相交，则获得与目标点
Figure QLYQS_33
的线状矢量位于斜坡单元内的具有第t小极角的目标点
Figure QLYQS_34
；
若所述第二线状矢量与所述第一斜坡单元集中斜坡单元相交，则从所述目标点集合中剔除目标点
Figure QLYQS_35
，以获得剔除后的目标点集合；
判断剔除后的所述目标点集合中目标点的数量是否大于所述阈值，若是，则基于剔除后的所述目标点集合，返回获取在极坐标下具有第t小极角的目标点
Figure QLYQS_36
，并获得目标点
Figure QLYQS_37
与目标点
Figure QLYQS_38
的第二线状矢量的步骤，循环至获得与目标点
Figure QLYQS_39
的线状矢量位于斜坡单元内的具有第t小极角的目标点
Figure QLYQS_40
。
9.根据权利要求1所述的方法，其特征在于，所述基于所述目标研究区内的目标点累计形变量时间序列，获得所述目标研究区内的目标点集合，包括：
利用Mann-Kendall算法，对所述目标研究区内的目标点累计形变量时间序列进行趋势检验，以获得趋势检验数据；
基于所述趋势检验数据，对所述目标研究区内的目标点累计形变量时间序列进行去噪，以获得所述目标研究区内的目标点集合。
10.一种电子设备，其特征在于，该电子设备包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序，实现如权利要求1-9中任一项所述的方法。
CN202310318209.1A 2023-03-29 2023-03-29 基于雷达卫星的潜在地质灾害识别方法及设备 Active CN116047518B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310318209.1A CN116047518B (zh) 2023-03-29 2023-03-29 基于雷达卫星的潜在地质灾害识别方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310318209.1A CN116047518B (zh) 2023-03-29 2023-03-29 基于雷达卫星的潜在地质灾害识别方法及设备

Publications (2)

Publication Number Publication Date
CN116047518A true CN116047518A (zh) 2023-05-02
CN116047518B CN116047518B (zh) 2023-06-09

Family

ID=86118478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310318209.1A Active CN116047518B (zh) 2023-03-29 2023-03-29 基于雷达卫星的潜在地质灾害识别方法及设备

Country Status (1)

Country Link
CN (1) CN116047518B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109061641A (zh) * 2018-07-06 2018-12-21 中南大学 一种基于序贯平差的InSAR时序地表形变监测方法
CN111968230A (zh) * 2020-07-16 2020-11-20 中国自然资源航空物探遥感中心 一种区域性活动滑坡识别与圈定方法、装置和设备
CN113192086A (zh) * 2021-05-11 2021-07-30 中国自然资源航空物探遥感中心 地质灾害隐患变形强度分布图的生成方法和存储介质
CN114966692A (zh) * 2022-07-19 2022-08-30 之江实验室 基于Transformer的InSAR技术冻土区多变量时序形变预测方法及装置
CN115079172A (zh) * 2022-06-30 2022-09-20 香港中文大学深圳研究院 一种MTInSAR滑坡监测方法、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109061641A (zh) * 2018-07-06 2018-12-21 中南大学 一种基于序贯平差的InSAR时序地表形变监测方法
CN111968230A (zh) * 2020-07-16 2020-11-20 中国自然资源航空物探遥感中心 一种区域性活动滑坡识别与圈定方法、装置和设备
CN113192086A (zh) * 2021-05-11 2021-07-30 中国自然资源航空物探遥感中心 地质灾害隐患变形强度分布图的生成方法和存储介质
CN115079172A (zh) * 2022-06-30 2022-09-20 香港中文大学深圳研究院 一种MTInSAR滑坡监测方法、设备及存储介质
CN114966692A (zh) * 2022-07-19 2022-08-30 之江实验室 基于Transformer的InSAR技术冻土区多变量时序形变预测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
冉号楠: "基于多源数据融合的地质滑坡智能判识研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》, vol. 2022, no. 1, pages 011 - 94 *
李英会: "基于多时相干涉SAR提取地表形变的关键技术探究", 《遥感信息》, vol. 2012, no. 1, pages 19 - 24 *

Also Published As

Publication number Publication date
CN116047518B (zh) 2023-06-09

Similar Documents

Publication Publication Date Title
Bhardwaj et al. Generation of high-quality digital elevation models by assimilation of remote sensing-based DEMs
Delalay et al. Land-use and land-cover classification using Sentinel-2 data and machine-learning algorithms: operational method and its implementation for a mountainous area of Nepal
Sharma et al. High resolution landslide susceptibility mapping using ensemble machine learning and geospatial big data
Moya et al. An integrated method to extract collapsed buildings from satellite imagery, hazard distribution and fragility curves
Chen et al. ARU-net: Reduction of atmospheric phase screen in SAR interferometry using attention-based deep residual U-net
Mora et al. Small landslide susceptibility and hazard assessment based on airborne lidar data
CN115859094A (zh) 耦合卷积和熵重要性图神经网络的同震滑坡自动识别方法
Ghannadi et al. A method for Sentinel-1 DEM outlier removal using 2-D Kalman filter
Mi et al. Impact of geometric misregistration in GlobeLand30 on land-cover change analysis, a case study in China
Kaya Topaçli et al. Performance comparison of landslide susceptibility maps derived from logistic regression and random forest models in the Bolaman Basin, Türkiye
Tang et al. Changes of Chinese coastal regions induced by land reclamation as revealed through TanDEM-X DEM and InSAR analyses
Karakas et al. Analysis of landslide susceptibility prediction accuracy with an event-based inventory: The 6 February 2023 Turkiye earthquakes
Ben-Haim et al. Inundation modeling in data scarce regions
Nandam et al. A framework to assess suitability of global digital elevation models for hydrodynamic modelling in data scarce regions
Pham et al. Sparsity optimization method for slow-moving landslides detection in satellite image time-series
CN116047518B (zh) 基于雷达卫星的潜在地质灾害识别方法及设备
Salah SRTM DEM correction over dense urban areas using inverse probability weighted interpolation and Sentinel-2 multispectral imagery
Kakavas et al. Assessment of freely available DSMs for landslide-rockfall studies
Yulianto et al. The utilization of remotely sensed data to analyze the estimated volume of pyroclastic deposits and morphological changes caused by the 2010–2015 eruption of Sinabung Volcano, North Sumatra, Indonesia
Yamazaki et al. Damage extraction of buildings in the 2015 Gorkha, Nepal earthquake from high-resolution SAR data
Pipitone et al. Detection of a reservoir water level using shape similarity metrics
Nonaka et al. Analyzing building damage from the Kumamoto earthquake using Sentinel-1 data: impact of different acquisition conditions
Mahmud et al. Landslide susceptibility mapping using averaged weightage score and GIS: A case study at Kuala Lumpur
Saifi et al. Web-based visualization and rendering of aerial LiDAR point cloud for urban flood simulation
Fetai et al. Detection of Visible Boundaries from Uav Images Using U-Net

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