CN101221246A - 雪崩的遥感量化勘察方法 - Google Patents
雪崩的遥感量化勘察方法 Download PDFInfo
- Publication number
- CN101221246A CN101221246A CNA2008100467530A CN200810046753A CN101221246A CN 101221246 A CN101221246 A CN 101221246A CN A2008100467530 A CNA2008100467530 A CN A2008100467530A CN 200810046753 A CN200810046753 A CN 200810046753A CN 101221246 A CN101221246 A CN 101221246A
- Authority
- CN
- China
- Prior art keywords
- snowslide
- avalanche
- factor
- avalanche hazards
- hazards
- 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
Images
Abstract
本发明公开了一种雪崩遥感量化勘察方法,步骤是A.多时相高分辨率卫星立体图像/机载LIDAR扫描数据获取;B.高分辨率卫星图像/机载LIDAR数据立体恢复;C.雪崩灾害的立体遥感识别与基于影像的雪崩因子提取;D.高密度、高精度DEM的建立与高分辨率DOM的生成;E.基于高密度、高精度DEM的雪崩灾害因子的自动提取;F.雪崩灾害的预测模型建立及稳定性与危险性评估;G.工程方案选址及方案比选、优化。本发明使雪崩勘察达到了自动量化分析,识别出的雪崩灾害精确度更高,并能查清雪崩灾害的发生规律与发展趋势,实现了雪崩灾害的稳定性与危险性评估,避免了雪崩灾害对工程影响,起到了减灾防灾的作用,产生了显著的经济、社会、环境效益。
Description
技术领域
本发明涉及自然灾害与山地灾害的空间信息的自动获取与量化分析技术领域,具体为利用高分辨率遥感卫星立体图像、机载激光雷达(LIDAR)扫描数据等地球空间信息进行雪崩灾害的信息自动提取与量化分析,并应用于工程方案的选址及方案比选、优化的方法。
背景技术
雪崩是大量积雪沿着沟槽或山坡突然向下迅速滑动和崩塌的一种自然现象,是高山积雪地区的一种严重的自然灾害。雪崩灾害具有发生突然、速度快、破坏力大等特点,往往给人类社会带来严重的影响和损失。为了减少雪崩灾害对工程的危害,在对工程进行勘察设计时,非常有必要对积雪高山地区的工程建设方案进行雪崩灾害的专项调查,使工程方案免受雪崩灾害的影响,对于工程方案无法绕避的雪崩灾害提出可行的防治措施。
传统的雪崩灾害调查主要依靠野外踏勘完成。由于雪崩灾害主要发生于人迹难至且积雪严重的高山地区,地形地貌十分复杂,气候条件、交通条件、工作条件、生存条件均极度恶劣,现场调查工作不仅难以开展,并且要冒着极大的生命危险,导致雪崩灾害状况根本无法全面调查清楚。
随着遥感探测技术的发展,出现了基于遥感图像信息处理和目视经验判别相结合的人机交互解译并辅以实地验证的雪崩遥感解译方法。但这种方法过分依赖于解译者的知识水平和经验积累,采用的遥感数据源多为单一时期的中、低分辨率卫星图像,只能对大型雪崩灾害进行简单的遥感识别与定性分析,缺乏对工程建设更关心的雪崩灾害的孕灾环境、规模、危害程度等定量化的分析,无法满足工程建设的需要。
发明内容
本发明的目的是,针对现有的雪崩灾害勘察技术与方法中存在的缺陷或不足,提供一种新的基于现代地球空间信息技术的雪崩灾害遥感量化勘察方法,并用于工程方案的选址及方案的比选、优化。该发明能实现雪崩灾害的识别、信息自动提取与量化分析,对雪崩灾害的稳定性、危险性以及雪崩对工程方案的危害程度进行评估,实现基于雪崩灾害的工程选址,科学、合理地确定工程方案。
为了实现上述任务,本发明采用以下技术措施:
一种雪崩灾害的遥感量化勘察及雪崩对工程方案影响的评估方法。其特征在于:基于勘察区域多时相的高分辨率卫星遥感影像或机载激光雷达(LIDAR)扫描数据进行雪崩灾害的遥感识别,并建立勘察区域内的高密度、高精度DEM,利用多时相的遥感影像和多时相DEM数据对区域内的雪崩灾害因子进行自动提取与量化分析,构建勘察区域的雪崩灾害预测模型,进行雪崩灾害的稳定性、危险性评估,从而进行工程方案选址与工程方案比选、优化。
本技术方法包含下列步骤:
1)多时相高分辨率卫星遥感影像或机载三维激光雷达(以下简称机载LIDAR)扫描数据的获取,即采集感兴趣目标区(AOI)的两个时期以上的遥感数据。
2)基于立体卫星图像的有理函数传感器模型(RPC)参数或机载LIDAR的姿态、位置参数,无需或只需极少量地面控制,恢复立体影像的空间模型。
3)基于高分辨率遥感立体影像,对勘察区域的雪崩灾害进行遥感勘察识别与雪崩类型划分,并进行地质、植被、人类经济活动因子的提取。
4)对每一时相的高分辨率卫星影像或机载LIDAR数据,分别建立能用于雪崩量化分析的高密度、高精度数字地面模型(以下简称高密度、高精度DEM),并生成高分辨率数字正射影像(DOM)。
5)基于建立的高密度、高精度DEM,计算机自动提取雪崩的几何参数、地形地貌特征、积雪条件因子,数据精度应满足孕灾环境、危险性分析、工程方案安全评估的要求。
6)基于雪崩灾害因子的定性、定量分析,兼顾水文、气象及雪崩发生频度因子信息,构建勘察区域的雪崩灾害预测模型,进行雪崩灾害的稳定性与危险性评估。
7)根据雪崩灾害遥感量化勘察成果,进行工程方案的选址及最优的工程方案设计。
本发明与现有技术相比,具有以下优点:
第一,采用多时相的高分辨率遥感信息,识别出的雪崩灾害精确度更高,并能查清雪崩灾害的发生规律与发展趋势。
第二,采用多时相高密度、高精度DEM数据,实现了雪崩灾害因子的自动提取与量化分析,及雪崩灾害的稳定性、危险性及危害性评估。
第三,采用雪崩灾害的遥感立体识别,更符合人们的视觉习惯,能更好地完成雪崩灾害的遥感勘察与信息采集工作。
第四,基于雪崩的遥感定性与定量分析的灾害地质工程选址、优化、比选,使工程方案更加科学、合理,避免了山地灾害对工程影响,起到了减灾防灾的作用,产生了显著的经济、社会、环境效益。
第五,采用高分辨率地球空间信息技术进行雪崩遥感勘察,不仅有效地避免了地面调查存在生命危险、劳动强度高等缺陷,而且雪崩灾害的勘察更加全面、准确。
本发明基于多时相高分辨率卫星立体影像或机载LIDAR等先进空间对地观测技术建立的高密度、高精度DEM,实现雪崩灾害信息的自动提取、量化分析与雪崩灾害的稳定性、危险性评估,创新了基于山地灾害的工程方案选址及方案比选、优化设计的方法。通过西藏墨脱公路的实际应用,证明本技术方案行之有效。
附图说明
图1为本发明的雪崩遥感量化勘察方法流程图。
图2为雪崩灾害的多时相立体遥感勘察与基于影像的雪崩因子提取流程图。
图3为高密度、高精度DEM与高分辨率DOM生成流程图。
图4为基于多时相高密度、高精度DEM的雪崩灾害量化因子自动提取流程图。
具体实施方式
下面结合附图对本发明作进一步详细描述:
一种雪崩的遥感量化勘察方法,如图1所示,它包含以下步骤:
第一步,多时相高分辨率卫星立体图像/机载LIDAR扫描数据获取1
勘察区域应至少选择两个不同时期(积雪量较少和较多两个时期),卫星成像的分辨率小于1m的高分辨率卫星立体图像,如分辨率1m的IKONOS卫星图像,或分辨率0.47m的WorldView卫星图像,也可以是不同时期的带CCD相机的机载LIDAR扫描获取的影像。
高分辨率卫星立体影像应带有有理函数传感器模型(RPC)参数。机载LIDAR数据应带有GPS、IMU(惯性测量单元)等姿态定位参数。
第二步,高分辨率卫星图像/机载LIDAR数据立体恢复2
在无地面控制或沿工程路线方案每10km布设1~2个地面控制点的情况下,在数字摄影测量工作站上对高分辨率卫星立体像对进行内定向、相对定向、核线重采样、绝对定向等一系列处理操作后,恢复高分辨率卫星图像的空间模型。用于处理高分辨率卫星图像的数字摄影测量工作站主要有美国Helava和Z/I Imaging,中国的JX-4和VirtuoZo等。
对于机载LIDAR数据,其影像的空间模型恢复也可采用VirtuoZo、JX-4等数字摄影测量工作站实现。
第三步,雪崩灾害的立体遥感识别与基于影像的雪崩因子提取3
如图2所示,步骤如下:
1.遥感解译标志的建立。基于立体恢复后的多时相高分辨率立体影像(3-1),建立雪崩灾害、地质构造、地层岩性等遥感解译标志(3-2)。
2.雪崩立体遥感识别(3-3)。在JX-4、VirtuoZo等数字摄影测量工作站上,根据雪崩区的形态进行雪崩的类型划分(3-5),其类型可划分为:跳跃式雪崩(3-14)、坡面雪崩(3-15)、沟槽雪崩(3-16)等。雪崩立体遥感识别的主要内容还包括雪崩地理位置(3-6)、雪崩边界范围(3-7)、雪崩移动方向(3-8)。
3.基于影像的雪崩因子提取(3-4)。其主要内容有地层岩性(3-9)、断裂构造(3-10)、植被垫层(3-11)、表层纹理(3-12)、人类活动(3-13)等因子信息的提取,并通过联机的AutoCAD或Microstation等图形环境,绘出各个雪崩灾害单元体的边界范围。
第四步,高密度、高精度DEM的建立与高分辨率DOM的生成4
高密度、高精度DEM是雪崩灾害量化分析的重要基础。DEM的获取途径主要有以下几种:一是利用高分辨率卫星立体影像生成高密度、高精度DEM;二是利用机载LIDAR直接获取的高密度、高精度DEM(LIDAR软件处理生成);三是通过对现有地形资料数字化建立的DEM(已有专业软件,如GeoScan扫描矢量化软件)。
高分辨率DOM的生成主要是对立体卫星图像或机载LIDAR扫描的CCD影像在数字摄影测量工作站上进行高精度DOM的制作。
如图3所示,以下以Helava数字摄影测量工作站为例,对基于高分辨率卫星立体图像建立高密度、高精度DEM以及生成高分辨率DOM的步骤进行说明。
1.建立工程。工程基准面选择Geo(以经纬度表示的WGS84坐标系统),高程基准面选择Ellipsid(WGS84椭球面),并准确输入参考点坐标(4-1)。
2.建立单个立体模型。利用Tiff-rpc程序,生成WGS-84坐标系下的影像支持文件,分别建立单个的立体模型(4-2)。
3.坐标系转换。将已建立的各单独立体模型转换至1980西安坐标系或1954北京坐标系(4-3)。
4.区域立体加密。建立区域网并进行模型连接点与图像控制点量测,采用三次有理多项式数学模型(CRP),在整个区域内进行光束法区域网整体平差计算(4-4)。
5.高密度、高精度DEM生成。DEM采用规则格网格式,利用自动相关软件(ATE)相关,用DEM编辑软件(ITE)进行交互编辑修改。DEM格式为国家标准NSDTF,以区域左下角为坐标原点,格网间距应小于5m(4-5)。
6.高分辨率DOM生成。基于高密度、高精度DEM,利用Helava数字摄影测量工作站相应模块完成卫星影像或机载LIDAR扫描的CCD影像的微分纠正,采用ERDAS、Photoshop等图像处理软件完成影像的色彩(色调)调整,最后采用Mosaic半自动镶嵌软件进行影像镶嵌,对镶嵌有问题的地方用Layer Mosaic层镶嵌软件进行修补(4-6)。
第五步,基于高密度、高精度DEM的雪崩灾害因子的自动提取5
如图4所示,基于多时相高密度、高精度DEM(5-1)获取的雪崩灾害因子主要包含几何参数因子(5-2)、地形地貌特征因子(5-3)、积雪条件因子(5-4)。
1.基于多时相高密度、高精度DEM(5-1)全自动提取几何参数因子(5-2),主要包括绝对高程(5-5)、相对高差(5-6)、地理位置(5-7)、宽度(5-8)、坡度(5-9)、坡长(5-10)、坡向(5-11)等。
2.基于地形曲面几何分析和流水物理模拟分析,提取地形地貌特征因子(5-3),主要有地形粗糙度(5-12)、坡形(凸/凹)(5-13)、阴坡/阳坡(5-14)等。
3.基于多时相高密度、高精度DEM,全自动提取勘察区域的积雪条件因子(5-4),主要包括积雪厚度(5-15)、积雪面积(5-16)、堆积量(5-17)等。
第六步,雪崩灾害的预测模型建立及稳定性与危险性评估6
基于计算机自动获取的雪崩灾害因子及基于影像提取的雪崩因子信息,兼顾水文、气象、发生频度等环境因子,构建雪崩灾害预测模型,进行雪崩灾害的稳定性与危险性评估。
雪崩灾害的稳定性与危险性评估主要有以下步骤:
1.雪崩灾害预测模型的建立。
根据第三步及第五步获得的雪崩灾害的统计特征信息,及其它途径获取的雪崩因子信息,构建雪崩灾害预测模型。模型中以各类因子构成的权重总分为100计(各因子括号内为其权重),其预测模型具体构成如下表示:
雪崩灾害I级因子(权重) | 雪崩灾害II级因子(权重) | 权重说明 |
积雪条件(30) | 积雪厚度(15) | 积雪厚度大于300cm时可取最大分值15分;30cm~300cm之间分值在5~15分之间内插;积雪厚度小于30cm时,可取小于5分。 |
表层纹理(5) | 影像表面纹理破碎、出现裂纹等,可取最大分值5分;纹理比较粗糙取3分;纹理光滑可取1分。 | |
雪崩类型(3) | 跳跃式雪崩取3分;坡面雪崩取2分;沟槽雪崩取1分。 | |
堆积量(3) | 堆积量大于5000m3取3分;1000m3~5000m3取2分;小于1000m3取1分。 | |
积雪面积(2) | 积雪面积大于25万m2取2分;1万m2~25万m2取1分。 | |
移动方向(2) | 积雪移动方向朝向工程取2分,否则取1分。 | |
几何参数(25) | 坡度(15) | 坡度为38°~42°时取最高分15分;坡度介于25°~38°或60°~42°时,分值在5~15分之间内插;坡度小于25°或大于60°取小于5分。 |
绝对高程(2) | 绝对高程大于当地平均雪线取2分,否则取1分。 | |
相对高差(2) | 相对高差大于20m取2分,否则取1分。 | |
宽度(2) | 宽度大于500m取2分,否则取1分。 | |
坡长(2) | 坡长大于100m取2分,否则取1分。 | |
坡向(2) | 坡向指向工程取2分,否则取1分。 | |
水文、气象(13) | 温差(8) | 温差大于20℃取8分;温差10℃~20℃之间分值在2~8分间内插;温差小于10℃取2分。 |
降雪量(5) | 降雪量大于50cm取最高分5分;30cm~50cm在1~5分间内插;10cm~30cm取1分;小于10cm取0分。 | |
植被垫层(13) | 地表无植被则取最高分13分;植被越高、覆盖度越大,则取最低分0分。 | |
地形地貌特征(9) | 地形粗糙度(5) | 地形平滑取5分;地形比较粗糙取3分;地形非常粗糙取0分。 |
坡形(2) | 凸形坡取2分;凹形坡取0分。 | |
阴坡/阳坡(2) | 阴坡取2分;阳坡1分。 | |
地质(5) | 断裂构造(3) | 规模巨大取3分;规模中等取2分;规模较小取1分。 |
地层岩性(2) | 地层岩性比较脆弱取2分,否则取1分。 | |
人类活动(3) | 人类经济活动剧烈可取最高3分;人类活动较少则可取0分。 | |
雪崩发生频度(2) | 平均年发生频度在3次以上取2分;发生1次以下取0分;否则取1分。 |
2.统计雪崩灾害因子的分值。
基于多时相遥感数据自动提取的几何参数因子、地形地貌特征因子、积雪条件因子信息,并结合基于影像提取的雪崩因子信息以及水文、气象、发生频度等其它途径获取的雪崩灾害因子,根据雪崩灾害预测模型确定各个雪崩灾害因子的分值,并综合统计各个雪崩灾害的总分值
3.雪崩灾害的预测及危害级别评估。
根据雪崩灾害预测模型统计出的总分值,进行雪崩灾害的稳定性与危险性评估以及危害级别划分。其中75分~100分属I级雪崩,雪崩灾害规模巨大且极易发生;60分~75分属II级雪崩,雪崩灾害规模重大且易于发生;40分~60分属III级雪崩,雪崩灾害规模较大且较易发生;40分以下属IV级雪崩,雪崩灾害规模较小。
第七步,工程方案选址及方案比选、优化7
基于雪崩灾害的遥感量化勘察成果,弄清工程方案与雪崩灾害的相互关系,对受雪崩灾害影响或可能受波及的工程方案按下表所示原则进行基于雪崩灾害的工程选址及方案优化与比选。
灾害级别 | 灾害性质 | 工程方案的选择 |
I | 特大雪崩 | 方案绕避,不宜通过,或采用替代方案 |
II | 重大雪崩 | 尽量绕避,或采取特别防治措施 |
III | 大型雪崩 | 采用防护措施,可直接通过 |
IV | 一般雪崩 | 采用简易防护措施,可直接通过 |
上表中,“替代方案”是指通过雪崩区域的方案采用隧道或明硐等结构形式方案替代道路方案,以躲避灾害;“特别防治措施”是指采用“稳(雪)”、“导(雪)”、“缓(减缓雪崩运动速度)”、“阻(雪)”等技术手段或修建防雪棚进行雪崩灾害的防治;“防护措施”是指对雪崩灾害进行机械除雪、设置防雪栅栏、植树造林等一般防治处理;“简易防护措施”主要是指机械除雪进行防护处理。
本发明基于多时相的高分辨率卫星遥感图像或机载LIDAR扫描数据及其生成的高密度、高精度DEM,采用高分辨率立体图像进行雪崩遥感识别与灾害因子自动提取相结合的定性、定量空间分析方法,克服了传统野外踏勘进行雪崩灾害勘察受季节、地形地貌、交通条件等限制以及生命安全遭遇的危险,解决了雪崩勘察过于依赖人工,不能对雪崩灾害进行量化分析及危险性评估等缺陷,技术实用性强,方法简便,成本低廉,便于工程建设的推广应用。
Claims (4)
1.一种雪崩遥感量化勘察方法,它包括下列步骤:
A、多时相高分辨率卫星立体图像/机载LIDAR扫描数据获取(1):
勘察区域应至少选择两个不同时期,卫星成像的分辨率小于1m的高分辨率卫星立体图像,高分辨率卫星立体图像应带有有理函数传感器模型参数,机载LIDAR数据应带有GPS、IMU姿态定位参数;
B、高分辨率卫星图像/机载LIDAR数据立体恢复(2):
在无地面控制或沿工程路线方案每10km布设1~2个地面控制点的情况下,在数字摄影测量工作站上对高分辨率卫星立体像对进行内定向、相对定向、核线重采样、绝对定向处理操作后,恢复高分辨率卫星图像的空间模型;
C、雪崩灾害的立体遥感识别与基于影像的雪崩因子提取(3):
一是遥感解译标志的建立,基于立体恢复后的多时相高分辨率立体影像(3-1),建立雪崩灾害、地质构造、地层岩性遥感解译标志(3-2);二是雪崩立体遥感识别(3-3),在JX-4、VirtuoZo数字摄影测量工作站上,根据雪崩区的形态进行雪崩的类型划分(3-5),其类型可划分为:跳跃式雪崩(3-14)、坡面雪崩(3-15)、沟槽雪崩(3-16),雪崩立体遥感识别的内容还包括雪崩地理位置(3-6)、雪崩边界范围(3-7)、雪崩移动方向(3-8);三是基于影像的雪崩因子提取(3-4),其主要有地层岩性(3-9)、断裂构造(3-10)、植被垫层(3-11)、表层纹理(3-12)、人类活动(3-13)因子信息的提取,并通过联机的AutoCAD或Microstation图形环境,绘出各个雪崩灾害单元体的边界范围;
D、高密度、高精度DEM的建立与高分辨率DOM的生成(4):
DEM的获取途径:一是利用高分辨率卫星立体图像生成高密度、高精度DEM;二是利用机载LIDAR直接获取的高密度、高精度DEM;三是通过对现有地形资料数字化建立的DEM;
E、基于高密度、高精度DEM的雪崩灾害因子的自动提取(5):
基于多时相高密度、高精度DEM(5-1)获取的雪崩灾害因子包含几何参数因子(5-2)、地形地貌特征因子(5-3)、积雪条件因子(5-4);
a、基于多时相高密度、高精度DEM(5-1)全自动提取几何参数因子(5-2),包括绝对高程(5-5)、相对高差(5-6)、地理位置(5-7)、宽度(5-8)、坡度(5-9)、坡长(5-10)、坡向(5-11);
b、基于地形曲面几何分析和流水物理模拟分析,提取地形地貌特征因子(5-3),有地形粗糙度(5-12)、坡形(5-13)和阴坡/阳坡(5-14);
c、基于多时相高密度、高精度DEM,全自动提取勘察区域的积雪条件因子(5-4),包括积雪厚度(5-15)、积雪面积(5-16)、堆积量(5-17);
F、雪崩灾害的预测模型建立及稳定性与危险性评估(6):
基于计算机自动获取的雪崩灾害因子及基于影像提取的雪崩因子信息,兼顾水文、气象、发生频度环境因子,构建雪崩灾害预测模型,进行雪崩灾害的稳定性与危险性评估:
a、雪崩灾害预测模型的建立:根据第C步及第E步获得的雪崩灾害的统计信息,构建雪崩灾害预测模型,模型中以各类因子构成的权重总分为100计;
b、统计雪崩灾害因子的分值:基于多时相遥感数据自动提取的几何参数因子、地形地貌特征因子、积雪条件因子信息,并结合基于影像提取的雪崩因子信息以及水文、气象、发生频度的因子信息,根据雪崩预测模型确定各个雪崩灾害因子的分值,并统计各个雪崩灾害的总分值;
c、雪崩灾害的预测及危害级别评估:根据雪崩灾害预测模型统计出的总分值,进行雪崩灾害的稳定性与危险性评估以及危害级别划分,其中75分~100分属I级雪崩;60分~75分属II级雪崩;40分~60分属III级雪崩;40分以下属IV级雪崩;
G、工程方案选址及方案比选(7):
基于雪崩灾害的遥感量化勘察成果,弄清工程方案与雪崩灾害的相互关系,对受雪崩灾害影响或受波及的工程方案按以下规定进行基于雪崩灾害的工程选址及方案比选:
I级,特大雪崩,方案绕避,不通过,或采用替代方案;
II级,重大雪崩,方案绕避,或采取防治措施;
III级,大型雪崩,采用防护措施,直接通过;
IV级,一般雪崩,采用简易防护措施,直接通过;
2.根据权利要求1所述的一种雪崩遥感量化勘察方法,其特征在于高密度、高精度DEM的建立与高分辨率DOM的生成(4),其步骤是:
1)建立工程,工程基准面选择Geo,高程基准面选择Ellipsid,并准确输入参考点坐标(4-1);
2)建立单个立体模型,利用Tiff-rpc程序,生成WGS-84坐标系下的影像支持文件,分别建立单个的立体模型(4-2);
3)坐标系转换,将已建立的各单独立体模型转换至1980西安坐标系或1954北京坐标系(4-3);
4)区域立体加密,建立区域网并进行模型连接点与图像控制点量测,采用三次有理多项式数学模型(CRP),在整个区域内进行光束法区域网整体平差计算(4-4);
5)高密度、高精度DEM生成,DEM采用规则格网格式,用DEM编辑软件进行交互编辑修改,DEM格式为国家标准NSDTF,以区域左下角为坐标原点,格网间距应小于5m(4-5);
6)高分辨率DOM生成,基于高密度、高精度DEM,利用Helava数字摄影测量工作站模块完成卫星影像或机载LIDAR扫描的CCD影像的微分纠正,采用ERDAS、Photoshop图像处理软件完成影像的色彩调整,最后采用Mosaic半自动镶嵌软件进行影像镶嵌,对镶嵌有问题的地方用层镶嵌软件Layer Mosaic进行修补(4-6)。
3.根据权利要求1所述的一种雪崩遥感量化勘察方法,其特征在于:雪崩灾害预测模型的建立,雪崩灾害I级因子包括积雪条件、几何参数、水文、气象、植被垫层、地形地貌特征、地质、人类活动、雪崩发生频度。
4.根据权利要求1所述的一种雪崩遥感量化勘察方法,其特征在于:雪崩灾害预测模型的建立,雪崩灾害II级因子包括积雪厚度、表层纹理、雪崩类型、堆积量、积雪面积、移动方向、坡度、绝对高程、相对高差、宽度、坡长、坡向、温差、降雪量、地形粗糙度、坡形、阴坡/阳坡、断裂构造、地层岩性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200810046753A CN101221246B (zh) | 2008-01-22 | 2008-01-22 | 雪崩的遥感量化勘察方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200810046753A CN101221246B (zh) | 2008-01-22 | 2008-01-22 | 雪崩的遥感量化勘察方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101221246A true CN101221246A (zh) | 2008-07-16 |
CN101221246B CN101221246B (zh) | 2012-09-05 |
Family
ID=39631207
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200810046753A Active CN101221246B (zh) | 2008-01-22 | 2008-01-22 | 雪崩的遥感量化勘察方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101221246B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101832779A (zh) * | 2010-03-03 | 2010-09-15 | 北京大学 | 一种复杂环境下的导航方法 |
CN102945544A (zh) * | 2012-11-28 | 2013-02-27 | 国家测绘地理信息局卫星测绘应用中心 | 低轨卫星影像仿真方法 |
CN101719118B (zh) * | 2009-11-24 | 2013-05-29 | 中国科学院对地观测与数字地球科学中心 | 一种用于克服有理函数模型病态性的改进的奇异值修正方法 |
CN103529455A (zh) * | 2013-10-21 | 2014-01-22 | 中铁第四勘察设计院集团有限公司 | 一种基于机载激光雷达三维的危岩落石调查方法 |
CN103699875A (zh) * | 2013-11-22 | 2014-04-02 | 中国科学院遥感与数字地球研究所 | 多曝光量智能遥感数据的积雪提取方法和系统 |
CN103759713A (zh) * | 2014-01-02 | 2014-04-30 | 中铁第四勘察设计院集团有限公司 | 一种基于全景影像的危岩落石调查方法 |
CN105893939A (zh) * | 2016-03-29 | 2016-08-24 | 华中科技大学 | 一种水灾星上在轨检测及灾情评估方法 |
CN105930817A (zh) * | 2016-05-05 | 2016-09-07 | 中国科学院寒区旱区环境与工程研究所 | 一种基于多源遥感数据的公路积雪灾害监测与预警方法 |
CN106372362A (zh) * | 2016-09-27 | 2017-02-01 | 铁道第三勘察设计院集团有限公司 | 基于遥感技术的黄土冲沟溯源侵蚀范围预测方法 |
CN106683096A (zh) * | 2017-01-25 | 2017-05-17 | 中国科学院寒区旱区环境与工程研究所 | 基于卫星遥感影像的冻土灾害信息提取方法及装置 |
CN108596518A (zh) * | 2018-05-14 | 2018-09-28 | 中国路桥工程有限责任公司 | 一种公路地质灾害危险性评估方法 |
CN109410329A (zh) * | 2018-11-01 | 2019-03-01 | 中国科学院寒区旱区环境与工程研究所 | 一种雪崩信息提取方法、装置、电子设备及存储介质 |
CN111144005A (zh) * | 2019-12-27 | 2020-05-12 | 四川省交通勘察设计研究院有限公司 | 一种崩塌落石粒径计算模型的构建方法 |
CN111485825A (zh) * | 2020-04-07 | 2020-08-04 | 中煤科工集团西安研究院有限公司 | 采煤工作面煤岩界面探测定向孔设计施工与数据处理方法 |
CN112198538A (zh) * | 2020-09-11 | 2021-01-08 | 中交第二公路勘察设计研究院有限公司 | 基于北斗的野外勘察人员安全监测方法及系统 |
CN114580960A (zh) * | 2022-03-17 | 2022-06-03 | 中铁第一勘察设计院集团有限公司 | 一种快速识别危岩落石的遥感分析方法 |
CN114913672A (zh) * | 2022-05-09 | 2022-08-16 | 中国科学院新疆生态与地理研究所 | 一种基于评估山坡积雪稳定性的雪崩监测预警方法 |
-
2008
- 2008-01-22 CN CN200810046753A patent/CN101221246B/zh active Active
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101719118B (zh) * | 2009-11-24 | 2013-05-29 | 中国科学院对地观测与数字地球科学中心 | 一种用于克服有理函数模型病态性的改进的奇异值修正方法 |
CN101832779A (zh) * | 2010-03-03 | 2010-09-15 | 北京大学 | 一种复杂环境下的导航方法 |
CN102945544B (zh) * | 2012-11-28 | 2015-04-22 | 国家测绘地理信息局卫星测绘应用中心 | 低轨卫星影像仿真方法 |
CN102945544A (zh) * | 2012-11-28 | 2013-02-27 | 国家测绘地理信息局卫星测绘应用中心 | 低轨卫星影像仿真方法 |
CN103529455A (zh) * | 2013-10-21 | 2014-01-22 | 中铁第四勘察设计院集团有限公司 | 一种基于机载激光雷达三维的危岩落石调查方法 |
CN103529455B (zh) * | 2013-10-21 | 2015-11-04 | 中铁第四勘察设计院集团有限公司 | 一种基于机载激光雷达三维的危岩落石调查方法 |
CN103699875A (zh) * | 2013-11-22 | 2014-04-02 | 中国科学院遥感与数字地球研究所 | 多曝光量智能遥感数据的积雪提取方法和系统 |
CN103699875B (zh) * | 2013-11-22 | 2016-08-17 | 中国科学院遥感与数字地球研究所 | 多曝光量智能遥感数据的积雪提取方法和系统 |
CN103759713A (zh) * | 2014-01-02 | 2014-04-30 | 中铁第四勘察设计院集团有限公司 | 一种基于全景影像的危岩落石调查方法 |
CN103759713B (zh) * | 2014-01-02 | 2015-12-02 | 中铁第四勘察设计院集团有限公司 | 一种基于全景影像的危岩落石调查方法 |
CN105893939A (zh) * | 2016-03-29 | 2016-08-24 | 华中科技大学 | 一种水灾星上在轨检测及灾情评估方法 |
CN105893939B (zh) * | 2016-03-29 | 2019-06-28 | 华中科技大学 | 一种水灾星上在轨检测及灾情评估方法 |
CN105930817A (zh) * | 2016-05-05 | 2016-09-07 | 中国科学院寒区旱区环境与工程研究所 | 一种基于多源遥感数据的公路积雪灾害监测与预警方法 |
CN106372362A (zh) * | 2016-09-27 | 2017-02-01 | 铁道第三勘察设计院集团有限公司 | 基于遥感技术的黄土冲沟溯源侵蚀范围预测方法 |
CN106372362B (zh) * | 2016-09-27 | 2019-11-26 | 中国铁路设计集团有限公司 | 基于遥感技术的黄土冲沟溯源侵蚀范围预测方法 |
CN106683096A (zh) * | 2017-01-25 | 2017-05-17 | 中国科学院寒区旱区环境与工程研究所 | 基于卫星遥感影像的冻土灾害信息提取方法及装置 |
CN106683096B (zh) * | 2017-01-25 | 2019-09-03 | 中国科学院寒区旱区环境与工程研究所 | 基于卫星遥感影像的冻土灾害信息提取方法及装置 |
CN108596518A (zh) * | 2018-05-14 | 2018-09-28 | 中国路桥工程有限责任公司 | 一种公路地质灾害危险性评估方法 |
CN109410329A (zh) * | 2018-11-01 | 2019-03-01 | 中国科学院寒区旱区环境与工程研究所 | 一种雪崩信息提取方法、装置、电子设备及存储介质 |
CN111144005B (zh) * | 2019-12-27 | 2023-04-28 | 四川省交通勘察设计研究院有限公司 | 一种崩塌落石粒径计算模型的构建方法 |
CN111144005A (zh) * | 2019-12-27 | 2020-05-12 | 四川省交通勘察设计研究院有限公司 | 一种崩塌落石粒径计算模型的构建方法 |
CN111485825A (zh) * | 2020-04-07 | 2020-08-04 | 中煤科工集团西安研究院有限公司 | 采煤工作面煤岩界面探测定向孔设计施工与数据处理方法 |
CN111485825B (zh) * | 2020-04-07 | 2021-05-28 | 中煤科工集团西安研究院有限公司 | 采煤工作面煤岩界面探测定向孔设计施工与数据处理方法 |
CN112198538A (zh) * | 2020-09-11 | 2021-01-08 | 中交第二公路勘察设计研究院有限公司 | 基于北斗的野外勘察人员安全监测方法及系统 |
CN114580960A (zh) * | 2022-03-17 | 2022-06-03 | 中铁第一勘察设计院集团有限公司 | 一种快速识别危岩落石的遥感分析方法 |
CN114580960B (zh) * | 2022-03-17 | 2024-04-30 | 中铁第一勘察设计院集团有限公司 | 一种快速识别危岩落石的遥感分析方法 |
CN114913672A (zh) * | 2022-05-09 | 2022-08-16 | 中国科学院新疆生态与地理研究所 | 一种基于评估山坡积雪稳定性的雪崩监测预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN101221246B (zh) | 2012-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101221246B (zh) | 雪崩的遥感量化勘察方法 | |
Lin et al. | Detection of subtle tectonic–geomorphic features in densely forested mountains by very high-resolution airborne LiDAR survey | |
CN103529455B (zh) | 一种基于机载激光雷达三维的危岩落石调查方法 | |
CN105242279A (zh) | 一种基于激光雷达技术的滑坡体变化检测方法 | |
CN102635059B (zh) | 一种桥梁勘察方法 | |
Ashaolu et al. | Assessing the spatio-temporal pattern of land use and land cover changes in Osun drainage basin, Nigeria | |
Spreafico et al. | Terrestrial Remote Sensing techniques to complement conventional geomechanical surveys for the assessment of landslide hazard: The San Leo case study (Italy) | |
Clayton et al. | Engineering geomorphological interpretation of the Mitchell Creek Landslide, British Columbia, Canada | |
Cai et al. | Investigating the relationship between Local Climate Zone and land surface temperature | |
Lai et al. | The territory-wide airborne light detection and ranging survey for the Hong Kong Special Administrative Region | |
Gazibara et al. | Verification of historical landslide inventory maps for the Podsljeme area in the City of Zagreb using LiDAR-based landslide inventory | |
Chen et al. | Research on the improvement of single tree segmentation algorithm based on airborne LiDAR point cloud | |
Carey et al. | Analysis of landslide kinematics using multi-temporal unmanned aerial vehicle imagery, La Honda, California | |
Álvarez et al. | Multi-temporal archaeological analyses of alluvial landscapes using the photogrammetric restitution of historical flights: a case study of Medellin (Badajoz, Spain) | |
CN106372362A (zh) | 基于遥感技术的黄土冲沟溯源侵蚀范围预测方法 | |
Del Soldato et al. | Application of structure from motion photogrammetry to multi-temporal geomorphological analyses: Case studies from Italy and Spain | |
Jawak et al. | Validation of high-density airborne LiDAR-based feature extraction using very high resolution optical remote sensing data | |
Gesch | An inventory of topographic surface changes: the value of multi-temporal elevation data for change analysis and monitoring | |
Amundsen et al. | Using LiDAR-derived DEM’s to delineate and characterize landslides in Northern Kentucky and Hamilton County, Ohio | |
CN111398958A (zh) | 一种确定地面沉降与黄土填挖方区建筑高度相关性的方法 | |
CN103745408B (zh) | 资源压覆量的获取方法及装置 | |
She et al. | Preliminary Results and Analyses of Post-Earthquake Geological Hazards in Jiuzhaigou Based on Airborne LiDAR and Imagery | |
Martinenko et al. | Visualization of geodynamic changes of terrain using Google Earth Pro and Qgis | |
Surendranath et al. | Landslide hazard zonation in Darjeeling Himalayas: a case study on integration of IRS and SRTM Data | |
Changqing et al. | Application of UAVaerial photography in seismic acquisition of complex mountainous area |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |