CN105954747A - 基于电网不良地质体三维形变监测的塔基稳定性分析方法 - Google Patents

基于电网不良地质体三维形变监测的塔基稳定性分析方法 Download PDF

Info

Publication number
CN105954747A
CN105954747A CN201610246270.XA CN201610246270A CN105954747A CN 105954747 A CN105954747 A CN 105954747A CN 201610246270 A CN201610246270 A CN 201610246270A CN 105954747 A CN105954747 A CN 105954747A
Authority
CN
China
Prior art keywords
deformation
image
geologic body
sar image
sar
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
Application number
CN201610246270.XA
Other languages
English (en)
Inventor
程正逢
胡俊
胡吉伦
赵蓉
张健
李佳
周毅
曾渠丰
周冰
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.)
Central South University
China Power Engineering Consultant Group Central Southern China Electric Power Design Institute Corp
Original Assignee
China Power Engineering Consultant Group Central Southern China Electric Power Design Institute Corp
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 China Power Engineering Consultant Group Central Southern China Electric Power Design Institute Corp filed Critical China Power Engineering Consultant Group Central Southern China Electric Power Design Institute Corp
Priority to CN201610246270.XA priority Critical patent/CN105954747A/zh
Publication of CN105954747A publication Critical patent/CN105954747A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G01S13/904—SAR modes
    • G01S13/9058—Bistatic or multistatic SAR

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本发明公开了一种基于电网不良地质体三维形变监测的塔基稳定性分析方法，主要包括如下步骤：选取符合要求的多平台、多时域的高分辨率SAR影像；采用PS‑InSAR技术提取所述单个平台高分辨率SAR影像中电网下不良地质体的形变估计；基于所述单平台SAR影像中电网下不良地质体的形变估计，采用卡尔曼滤波技术估计电网不良地质体的三维形变；基于TurboPixels多尺度分割算法检测高分辨率SAR影像中的输电铁塔以及铁塔塔基稳定性自动分析。本发明克服了目前电网下不良地质体三维形变获取方法费时费力且无法得到整个区域形变的缺点，可方便快捷获得塔基的稳定性结果。

Description

基于电网不良地质体三维形变监测的塔基稳定性分析方法
技术领域
本发明涉及遥感影像的大地测量领域，尤其涉及一种基于电网不良地质体三维形变监测的塔基稳定性分析方法。
背景技术
目前，电网下不良地质体形变获取的方法主要是水准测量和GPS测量，但是它们都存在着明显的缺陷：一是水准点(标石点)的稳定性问题；二是测量的结果是基于点位置，且测量点稀疏,这导致无法给出整个电网所处区域不良地质体的形变。另外，该过程需要耗费大量的人力、财力和物力；三是人工实施测量比较危险。一般电网布设环境差，地势险峻，不良地质体形变灾害危害大，需要预计电网所处的环境，才能布设下一步的测量工作，测量过程中对操作人员的人身安全保障难度大。
合成孔径干涉雷达(InSAR,Interferometric Synthetic Aperture radar)测量具有高精度、大范围、全天时全天候的优点，在地表形变监测中得到极大的应用和发展。随着高分辨率SAR影像数据的极大丰富，利用InSAR技术来监测电网下不良地质体的高精度高分辨率的形变的前景广阔。
然而，目前基于InSAR技术的电网下不良地质体的形变监测的研究很少，主要因为InSAR技术只能获取地表形变在雷达视线方向(LOS)的一维投影，而电网下不良地质体的形变往往是发生在三维空间的。如何利用InSAR来获取电网下不良地质体的三维形变仍有很多算法需要突破。
其次，在高分辨率SAR影像中，受到雷达系统工作参数和地面目标特性不同的影响，地物目标的后向散射的信号矢量不同，所形成的图像信息也不相同，回波信号可能是像素分辨单元内所有后向散射信号矢量 和，也可能是占主导地位的散射体的散射矢量，这样就会形成影像中的斑点噪声，造成干涉结果产生误差。高分SAR影像在配准干涉以后，形成的干涉相位梯度小，相位容易产生缠绕，造成解缠过程困难，从而影响获取的形变的精度。
再者，仅采用单轨单对地高分辨率SAR数据，不能获取电网下不良地质体的时间序列形变，更不能获取其三维形变。
另外，获取电网下不良地质体的三维形变，电网中不良地质体上铁塔的自动识别是必不可少的步骤。相对于光学影像，SAR影像的视觉可读性较差，加之受斑点噪声及阴影、叠掩、透视收缩等几何畸变的影响，其信息处理更加困难。
发明内容
本发明的目的就是要解决上述背景技术的不足，提供一种基于电网不良地质体三维形变监测的塔基稳定性分析方法，采用时序InSAR技术PS-InSAR来处理高分辨率干涉图，并通过多平台和多时域观测值数据融合手段来获取电网下不良地质体的三维形变，采用基于TurboPixels多尺度分割算法检测高分辨率SAR影像中的输电铁塔，结合上述结果可自动分析塔基的稳定性。
为实现上述目的，本发明公开了一种基于电网不良地质体三维形变监测的塔基稳定性分析方法，包括如下步骤：
第一步：选取符合要求的多平台、多时域的高分辨率SAR影像；
第二步：采用PS-InSAR技术提取单个所述平台高分辨率SAR影像中电网下不良地质体的形变估计；
第三步：基于单个所述平台SAR影像中电网下不良地质体的形变估计，采用卡尔曼滤波技术估计电网不良地质体的三维形变；
第四步：基于TurboPixels多尺度分割算法检测高分辨率SAR影像中的输电铁塔；
第五步：铁塔塔基稳定性自动分析。
所述采用PS-InSAR技术提取所述单个平台高分辨率SAR影像中电网下不良地质体的形变估计，包括如下步骤：
第一步：提取差分干涉图；
第二步：对所述多时域SAR影像进行辐射校正,对获取的N幅覆盖研究区域的多时域SAR影像进行辐射校正。辐射校正方法可选择相对辐射校正法。先计算出每幅SAR影像的振幅均值：
其中，A(x,r)表示像素的原始振幅，x和r分别表示像素点的方位向和距离向坐标，m、n分别表示影像方位向和距离向的个数，t为影像的时间序列，接着计算时间序列的振幅均值：
计算单个影像的相对振幅校正因子：
利用振幅校正因子对每幅SAR影像进行振幅纠正，使N幅SAR影像振幅值归化，为永久散射体点(PS点)的识别提供了基础；
第三步：识别所述多时域SAR影像中保持的高质量的永久散射体点；
第四步：对选取的PS点进行连接并构建PS网络并进行形变估计。假设地表在SAR影像成像期间沿雷达视线方向随时间有线性和非线性形变，则对于第i幅差分干涉图中的任意一个PS像素点(x,r)，其相位值可用一下模型表示：
式中，和Ti分别表示干涉对的时间基线和空间基线，Δh(x,r)、v(x,r)、分别表示高程误差、时刻雷达视线向(LOS)向形变速率和残余形变，λ为雷达中心波长，θ为雷达入射角。残余形变包括非线性形变、大气相位和失相关噪声；
采用Delaunay三角网并设定距离阈值进行PS网建立，采用相邻PS点差分方法减弱和空间距离相关的误差，以相邻两个PS的线性形变速率差和高程修正值作为网络平差的函数模型，采用区域网最小二乘方法和解空间搜索的方法进行参数求解，并对残留相位进行时空滤波分离出非线性形变，最后就估计出PS点的总形变。
综上所述，采用卡尔曼滤波技术估计电网不良地质体的三维形变，包括如下步骤：
第一步：基于差分干涉图获取所述电网不良地质体的形变分量；假设不同平台各有N幅影像，采用PS-InSAR技术对每个平台的SAR影像进行处理，形成多个干涉图，对于某个平台的第i幅干涉图，其干涉相位可表示为：
式中tB、tA为主副影像获取时间，λ为雷达中心波长，x和r分别为像素方位向、距离向坐标，假设参考时间为t0，该时刻雷达视线向(LOS)地表形变量等于0，d(tB,x,r)、d(tA,x,r)为主副影像相对于t0时刻的LOS累积形变量，表示地形残差相位，与雷达入射角θ成反比，与干涉对垂直基线B⊥成正比，为轨道误差相位，为残余相位，包括噪声、大气相位和高频形变相位等，其中LOS向的形变d可以写成
式中du,de,dn分别为地表累计形变在垂直向、东西向、南北向的分量，a,b,c则为LOS向在垂直向、东西向和南北向上的投影矢量，α为卫星方位向。采用线性模型描述LOS向形变的低频分量，所以
d＝ν·(t-t0)＝(a·vu+b·ve+c·vn)·(t-t0) (7)
式中vu,ve,vn分别为形变在垂直向、东西向、南北向的速率，利用所有干涉图的干涉相位组成矩阵，采用最小二乘法求解式(5)中的待求参数。
第二步：建立三维形变滤波模型；基于多平台多时域的三维形变滤波模型建立，假设第i幅干涉图的任意一个观测点，LOS向的观测值L(i)和时刻i的状态模型可以表示为
L(i)＝H(i)X(i)+V(i) (8)
X(i)＝F(i/i-1)X(i-1)+Γ(i-1)W(i-1) (9)
其中X(i)T＝[du(i) de(i) dn(i) vu(i) ve(i) vn(i)]表示为状态矢量；du(i) de(i) dn(i) vu(i) ve(i) vn(i)分别表示ti时刻的三维累计形变(相对于时刻t0)和三维形变速率，H(i)＝[a(i) b(i) c(i) 0 0 0]为第i幅干涉图的投影矢量构成的设计矩阵；为状态转移矩阵；I3为一个3×3的单位矩阵；Δt为时刻ti-1和ti之间的时间间隔；V(i)表示观测噪声矢量；W(i)T＝[wu(i) we(i) wn(i)]为状态噪声矢量，Γ(i/i-1)T为噪声分布矩阵；
第三步：采用卡尔曼滤波技术估计电网不良地质体的三维形变，利用卡尔曼滤波方程组，可估计时刻ti的状态矢量，
其中J(i)为增益矩阵；为状态矢量的预测值和估计值，和为相应的方差-协方差矩阵，E为单位阵，假设V(i)、W(i)为互不相关的白噪声，
DW(i)＝E(W(i)·W(i)T) (12)
其中为第i幅干涉图的观测噪声的方差，卡尔曼滤波过程是对每个新的从影像进行重复操作，但在执行此操作之前需要给卡尔曼滤波提过初始状态矢量，在参考时间t0时刻，可假设该时刻的三维累计形变矢量和及其相应的方差为0；另外利用短时间基线的干涉图、采用最小二乘的方法对一定数量的时间序列差分干涉图进行平差，把得到的平均形变速率及其方差来代替t0时刻的三维形变速率矢量及其方差，在真实的数据处理中，卡尔曼滤波所需的解缠差分干涉图各项误差足够小，可将上一个历元估计的干涉图中的低频形变和地形残差从干涉图中减去，对残余形变进行2π的反缠绕和解缠操作，将低频形变和解缠的残余相位相加，视线向观测值就变成了
其中表示残余相位的解缠差分干涉相位，对于某一个时刻获取的SAR影像，可以和该时刻之前的获取的多个时刻形成短基线的干涉图，这些干涉图不仅可以为卡尔曼滤波提供多余的观测量，还可以提高这一时刻三维形变结果估计的精度。
所述基于TurboPixels多尺度分割算法检测高分辨率SAR影像中的输电铁塔，包括如下步骤：
第一步：图像预处理；
第二步：高分SAR图像多尺度联合分割；采用TurboPixels分割算法对高分SAR图像进行分割，实现步骤：初始化种子点；通过三个基本点迭代演变时间T时刻的边界，估计未分割区域的基本结构，更新每个边界点和未分割的靠近边界点的速率直至边界没有变化，控制图像分割的边界函数为
其中已经划分的点为正数，没有划分的点为负数，临近边界的点数值接近零，边界函数的迭代公式为：
其中SI、SB分别表示的是图像速率和边界速率，当SAR影像中的像素点(x,r)满足∑x,r[Ψn(x,r)＞＝0]时，这些像素点则被划分到已经确定的区域，否则将终止迭代，考虑到有2幅高分SAR影像同时分割，采用联合边界函数来控制2幅图像的分割，联合分割函数如下：
ΨI,J＝max(ΨI,ΨJ) (16)
式中ΨI,ΨJ分别表示主副SAR影像的边界函数，ΨI,J为2幅SAR图像的联合边界函数；
第三步：基于超像素的高分SAR图像差异度计算；根据TurboPixels多尺度分割后的SAR图像，采用2幅影像的统计分布差异的交叉熵相似度测量方法提取两幅影像的差异图，用以检测输电铁塔；假设两幅影像中相同超像素块区域X和Y的分布函数可分别用fx和fy表示，则两者的差异度表示为
采用瑞利分布作为SAR幅度图像的统计分布，它的概率密度函数表示为：
瑞利分布的期望方差分别为
δ表示瑞利分布的形状参数，那么KL距离表达式为
对做了n个尺度分割后的两幅SAR图像分别计算每个尺度上的超像素块的基于瑞利分布的KL距离，每个尺度的超像素区域中像素点的差异度值表示为：
γ(x，r)＝{γ1(x，r),γ2(x，r),…，γk(x，r)} (21)
其中k表示第k个尺度。那么就得到了多尺度的差异图；
第四步：基于高分SAR图像差异度图融合的铁塔提取，对得到的多尺度差异图，采用Max算子分别取每个尺度上差异度最大值点作为最终融合的结果，其数学表达式为
γKLD(x,r)＝max(γ1(x,r),γ2(x,r),…，γn(x,r)) (22)
使用最大类间方差自动阈值法对融合后的差异图进行分割，结合电力塔本身结构在SAR影像中的亮点表现，识别SAR影像中的铁塔，从而在地理编码后的SAR影像上获取铁塔的地理坐标和像素坐标，并在高分InSAR DEM上提取铁塔的大地高。
所述铁塔塔基稳定性自动分析，主要包括如下步骤：
第一步：矢量化铁塔识别结果；
第二步：基于垂直向形变的均值和标准偏差值大小和地质形变在小范围内有连续性的特点来分析铁塔地质体的稳定性；
第三步：根据形变均值或标准偏差大小超过阈值的程度和电力行业生产规范来标识铁塔地质体的垂直向不稳定程度，对每种不稳定性依次可设置黄、橙、红三个预警级别；
第四步：基于二维平面形变均值和标准方差值来和地质形变在小范围内有连续性的特点来分析铁塔地质体的稳定性；
第五步：根据形变均值或标准偏差大小超过阈值的程度和电力行业生产规范来标识铁塔地质体的水平向不稳定程度，将每种不稳定性类别依次可设置黄、橙、红三个预警级别。
本发明的有益效果:结合电网的特点，应用高分辨率SAR数据，将传统PS-InSAR应用于电网布设的不良地质体的形变监测，并融合多平台、多时域的PS-InSAR视线向观测值，采用卡尔曼滤波方法得到电网下不良地质体的三维形变，利用获取的电网下不良地质体三维形变可自动进行塔基稳定性分析，克服了目前电网下不良地质体三维形变获取方法费时费力且无法得到整个区域形变的缺点，同时方便快捷获得塔基的稳定性结果。
附图说明
图1为本发明的一个实施例中PS-InSAR差分干涉测量处理流程图；
图2为本发明的一个实施例中基于多平台SAR影像的三维形变求解关系；
图3为本发明的一个实施例中基于卡尔曼滤波的PS-InSAR电网下不良地质体三维形变监测及塔基稳定性自动分析流程图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明。
本实施例所公开的基于电网不良地质体三维形变监测的塔基稳定性分析方法，主要包括如下步骤：
第一步：选取符合要求的多平台、多时域的高分辨率SAR影像。
在本实施例中，具体选取覆盖研究区域的TerraSAR-X/TanDEM-X、ALOS-2、Sentinel-1等多平台、多时域的高分辨率SAR数据。
第二步：采用PS-InSAR技术提取所述单个平台高分辨率SAR影像中电网下不良地质体的形变估计。
图1为本发明的一个实施例中PS-InSAR差分干涉测量处理流程图。在获得所述多平台、多时域的高分辨率SAR数据后，首先要对每个单平台时间序列的SAR数据进行PS-InSAR处理，提取电网下不良地质体的干涉观测值。包括以下步骤：
(1)提取差分干涉图。首先根据获取的覆盖研究区域的多时域的N幅SAR影像，在充分考虑N幅SAR影像之间的时间、空间基线和多普勒质心频率差最优的基础上，根据建立的综合相关函数选取相关系数最大时所对应的影像作为公共主影像，将其余的影像作为从影像分别与主影像进行配准。根据设定的时空基线阈值对已经配准后的多时域SAR影像自由组合出多个多主影像的短基线干涉对，并对所有干涉对进行常规的干涉处理，接着引入外部30米分辨率的SRTM数据来削弱区域地形引起 的密集条纹，最后获得M幅差分干涉图。
(2)对所述多时域SAR影像进行辐射校正。对获取的N幅覆盖研究区域的多时域SAR影像进行辐射校正，辐射校正方法可选择相对辐射校正法。先计算出每幅SAR影像的振幅均值：
其中，A(x,r)表示像素的原始振幅，x和r分别表示像素点的方位向和距离向坐标，m、n分别表示影像方位向和距离向的个数，t为影像的时间序列，接着计算时间序列的振幅均值：
计算单个影像的相对振幅校正因子：
利用振幅校正因子对每幅SAR影像进行振幅纠正，使N幅SAR影像振幅值归化，为PS点的识别提供了基础。
(3)识别所述多时域SAR影像中保持的高质量的永久散射体点。采用时序相关相关系数、相位离差阈值法、振幅离差阈值法结合，去除那些失相干严重的目标点，串行识别影像中保持的高质量的永久散射体点。
(4)对选取的PS点进行连接并构建PS网络并进行形变估计。假设地表在SAR影像成像期间沿雷达视线线方向随时间有线性和非线性形变，则对于第i幅差分干涉图中的任意一个PS像素点(x,r)，其相位 值可用一下模型表示：
式中，和Ti分别表示干涉对的时间基线和空间基线，Δh(x,r)、v(x,r)、分别表示高程误差、时刻雷达视线向(LOS)向形变速率和残余形变，λ为雷达中心波长，θ为雷达入射角。残余形变包括非线性形变、大气相位和失相关噪声。
采用Delaunay三角网并设定距离阈值进行PS网建立，采用相邻PS点差分方法减弱和空间距离相关的误差，以相邻两个PS的线性形变速率差和高程修正值作为网络平差的函数模型，采用区域网最小二乘方法和解空间搜索的方法进行参数求解，并对残留相位进行时空滤波分离出非线性形变，最后就估计出PS点的总形变。
第三步：基于单个所述平台SAR影像中电网下不良地质体的形变估计，采用卡尔曼滤波技术估计电网不良地质体的三维形变。
图2为本发明的一个实施例中基于多平台SAR影像的三维形变求解关系。使用多平台、多时域的InSAR观测值进行电网不良地质体的三维形变监测，其实质是利用测量中的交会原理来获取地表的三维变化。而在实际应用中多平台多时域的SAR影像因为时间空间覆盖度不同，没有专门针对他们并进行三维形变反演的数据处理方法。
图3为本发明的一个实施例中基于卡尔曼滤波的PS-InSAR电网下不良地质体三维形变监测及塔基稳定性自动分析流程图。卡尔曼滤波是一种动态数据处理方法，它可以顾及观测数据在时间域上的关联性和状态，还可以通过时间序列融合不同平台获取的不同时刻及不同轨道的 InSAR观测值，获取时间序列的三维形变。主要包括如下步骤：
(1)基于差分干涉图获取所述电网不良地质体的形变分量。假设不同平台各有N幅影像，采用实施步骤二中的PS-InSAR技术对每个平台的SAR影像进行处理，形成多个干涉图，对于某个平台的第i幅干涉图，其干涉相位可表示为：
式中tB、tA为主副影像获取时间，λ为雷达中心波长，x和r分别为像素方位向、距离向坐标。假设参考时间为t0，该时刻雷达视线向(LOS)地表形变量等于0，d(tB,x,r)、d(tA,x,r)为主副影像相对于t0时刻的LOS累积形变量，表示地形残差相位，与雷达入射角θ成反比，与干涉对垂直基线B⊥成正比，为轨道误差相位，为残余相位，包括噪声、大气相位和高频形变相位等。其中LOS向的形变d可以写成
式中du,de,dn分别为地表累计形变在垂直向、东西向、南北向的分量，a,b,c则为LOS向在垂直向、东西向和南北向上的投影矢量，α为卫星方位向。采用线性模型描述LOS向形变的低频分量，所以
d＝ν·(t-t0)＝(a·vu+b·ve+c·vn)·(t-t0) (7)
式中vu,ve,vn分别为形变在垂直向、东西向、南北向的速率，式(5)中待求参数为YT＝[vu ve vn Δh]，利用干涉相位组成矩阵就可以利用最小二乘法进行求解。
(2)建立三维形变滤波模型。基于多平台多时域的三维形变滤波模型建立。假设第i幅干涉图的任意一个观测点，LOS向的观测值L(i)和时刻i的状态模型可以表示为
L(i)＝H(i)X(i)+V(i) (8)
X(i)＝F(i/i-1)X(i-1)+Γ(i-1)W(i-1) (9)
X(i)T＝[du(i) de(i) dn(i) vu(i) ve(i) vn(i)]
表示为状态矢量；du(i) de(i) dn(i) vu(i) ve(i) vn(i)分别表示ti时刻的三维累计形变(相对于时刻t0)和三维形变速率，H(i)＝[a(i) b(i) c(i) 0 0 0]为第i幅干涉图的投影矢量构成的设计矩阵；为状态转移矩阵；I3为一个3×3的单位矩阵；Δt为时刻ti-1和ti之间的时间间隔；V(i)表示观测噪声矢量；W(i)T＝[wu(i) we(i) wn(i)]为状态噪声矢量，Γ(i/i-1)T为噪声分布矩阵。
(3)采用卡尔曼滤波技术估计电网不良地质体的三维形变。利用卡尔曼滤波方程组，可估计时刻ti的状态矢量，
其中J(i)为增益矩阵；为状态矢量的预测值和估计值，和为相应的方差-协方差矩阵，E为单位阵。假设V(i)、W(i)为互不相关的白噪声，
DW(i)＝E(W(i)·W(i)T) (12)
其中为第i幅干涉图的观测噪声的方差。卡尔曼滤波过程是对每个新的从影像进行重复操作，但在执行此操作之前需要给卡尔曼滤波提过初始状态矢量。在参考时间t0时刻，可假设该时刻的三维累计形变矢量和及其相应的方差为0。另外利用短时间基线的干涉图、采用最小二乘的方法对一定数量的时间序列差分干涉图进行平差，把得到的平均形变速率及其方差来代替t0时刻的三维形变速率矢量及其方差。在真实的数据处理中，卡尔曼滤波所需的解缠差分干涉图各项误差足够小，可将上一个历元估计的干涉图中的低频形变和地形残差从干涉图中减去，对残余形变进行2π的反缠绕和解缠操作，将低频形变和解缠的残余相位相加，(8)式中的视线向观测值就变成了
其中表示残余相位的解缠差分干涉相位。对于某一个时刻获取的SAR影像，可以和该时刻之前的获取的多个时刻形成短基线的干涉图，这些干涉图不仅可以为卡尔曼滤波提供多余的观测量，还可以提高这一时刻三维形变结果估计的精度。
第四步：基于TurboPixels多尺度分割算法检测高分辨率SAR影像中的输电铁塔。
高分辨率SAR影像中输电铁塔识别属于SAR图像目标检测的一种类型。在本实施例中，采用基于TurboPixels多尺度分割算法检测高分辨率SAR影像中的输电铁塔。具体算法流程如下：
(1)图像预处理。获取SAR图像后，由于SAR图像的相干斑噪声严重影响视觉效果和解译分析，在目标检测之前首先需要对SAR图像进行滤波处理。我们采用non-local means滤波方法处理SAR图像来抑制相干斑的影响，同时对获取的高分辨率SAR图像进行地理编码图像配准。
(2)高分SAR图像多尺度联合分割。采用TurboPixels分割算法对高分SAR图像进行分割。TurboPixels算法一下五个优点：分割的超像素区域大小均匀一致；分割的超像素区域具有连通性；分割后的区域紧凑；分割结果光滑，边界保持良好；分割后的超像素区域互不交叠。实现步骤：初始化种子点；通过三个基本点迭代演变时间T时刻的边界，估计未分割区域的基本结构，更新每个边界点和未分割的靠近边界点的速率直至边界没有变化。控制图像分割的边界函数为
其中已经划分的点为正数，没有划分的点为负数，临近边界的点数值接近零。边界函数的迭代公式为：
其中SI、SB分别表示的是图像速率和边界速率。当SAR影像中的像素点(x,r)满足∑x,r[Ψn(x,r)＞＝0]时，这些像素点则被划分到已经确定的区域，否则将终止迭代。考虑到有2幅高分SAR影像同时分割，采用 联合边界函数来控制2幅图像的分割。联合分割函数如下：
ΨI,J＝max(ΨI,ΨJ) (16)
式中ΨI,ΨJ分别表示主副SAR影像的边界函数，ΨI,J为2幅SAR图像的联合边界函数。
(3)基于超像素的高分SAR图像差异度计算。根据TurboPixels多尺度分割后的SAR图像，采用2幅影像的统计分布差异的交叉熵相似度测量方法提取两幅影像的差异图，用以检测输电铁塔。假设两幅影像中相同超像素块区域X和Y的分布函数可分别用fx和fy表示，则两者的差异度表示为
采用瑞利分布作为SAR幅度图像的统计分布，它的概率密度函数表示为：
瑞利分布的期望方差分别为
δ表示瑞利分布的形状参数，那么KL距离表达式为
对做了n个尺度分割后的两幅SAR图像分别计算每个尺度上的超像 素块的基于瑞利分布的KL距离，每个尺度的超像素区域中像素点的差异度值表示为：
γ(x,r)＝{γ1(x,r),γ2(x,r),…，γk(x,r)} (21)
其中k表示第k个尺度。那么就得到了多尺度的差异图。
(4)基于高分SAR图像差异度图融合的铁塔提取。对得到的多尺度差异图，采用Max算子分别取每个尺度上差异度最大值点作为最终融合的结果。其数学表达式为
γKLD(x,r)＝max(γ1(x,r),γ2(x,r),…，γn(x,r)) (22)
使用最大类间方差自动阈值法对融合后的差异图进行分割，结合电力塔本身结构在SAR影像中的亮点表现，识别SAR影像中的铁塔，从而在地理编码后的SAR影像上获取铁塔的地理坐标和像素坐标，并在高分InSAR DEM上提取铁塔的大地高。
第五步：所述铁塔塔基稳定性自动分析。
由于铁塔数量众多，三维形变时间序列栅格数据量大，需将铁塔地质体稳定性分析自动化。具体的自动化流程如下：
(1)首先将铁塔识别结果矢量化，矢量地理参考设置与三维形变栅格图一致。以铁塔为中心设置半径为铁塔相邻塔墩间距2倍的圆形缓冲区。用缓冲区截取三维形变栅格图并计算缓冲区内形变大小的均值和标准偏差值。
(2)基于垂直向形变的均值和标准偏差值大小和地质形变在小范围内有连续性的特点来分析铁塔地质体的稳定性，具体识别原则如下：形变均值和标准偏差均低于阈值则认为铁塔处于垂直向稳定状态；形变均 值超过阈值而标准偏差低于阈值则认为铁塔处于稳定下沉或者抬升状态；形变均值和标准偏差均超过阈值则进一步分析，将该缓冲区格网化，提取形变最大最小格网值位置，如果形变最大格网值位于塔基中心则认为塔基处于中心沉降状态；如果形变最大值处于塔基边缘则认为塔基处于倾斜沉降状态；形变均值低于阈值而标准偏差超过阈值则认为铁塔处于倾斜状态。
(3)根据形变均值或标准偏差大小超过阈值的程度和电力行业生产规范来标识铁塔地质体的垂直向不稳定程度，对每种不稳定性依次可设置黄、橙、红三个预警级别。
(4)基于二维平面形变均值和标准方差值来和地质形变在小范围内有连续性的特点来分析铁塔地质体的稳定性，具体识别原则如下：形变均值和标准偏差均低于阈值则认为铁塔处于平面稳定状态；形变均值高于阈值而标准偏差低于阈值则认为铁塔处于水平移动状态；形变均值低于阈值而标准偏差高于阈值则进一步分析。如果形变最大格网值位于塔基中心则认为塔基处于中心挤压状态；如果形变最大值处于塔基边缘则认为塔基处于外围拉伸状态；形变均值和标准偏差均超过阈值则认为铁塔处于分散移动状态。
(5)根据形变均值或标准偏差大小超过阈值的程度和电力行业生产规范来标识铁塔地质体的水平向不稳定程度，将每种不稳定性类别依次可设置黄、橙、红三个预警级别。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (5)

1.基于电网不良地质体三维形变监测的塔基稳定性分析方法，其特征在于，包括如下步骤：
第一步：选取符合要求的多平台、多时域的高分辨率SAR影像；
第二步：采用PS-InSAR技术提取单个所述平台高分辨率SAR影像中电网下不良地质体的形变估计；
第三步：基于单个所述平台SAR影像中电网下不良地质体的形变估计，采用卡尔曼滤波技术估计电网不良地质体的三维形变；
第四步：基于TurboPixels多尺度分割算法检测高分辨率SAR影像中的输电铁塔；
第五步：铁塔塔基稳定性自动分析。
2.如权利要求1所述基于电网不良地质体三维形变监测的塔基稳定性分析方法，其特征在于，所述采用PS-InSAR技术提取单个所述平台高分辨率SAR影像中电网下不良地质体的形变估计，包括如下步骤：
第一步：提取差分干涉图；
第二步：对所述多时域SAR影像进行辐射校正,对获取的N幅覆盖研究区域的多时域SAR影像进行辐射校正，辐射校正方法可选择相对辐射校正法。先计算出每幅SAR影像的振幅均值：
其中，A(i,j)表示像素的原始振幅，m、n分别表示影像方位向和距离向的个数，t为影像的时间序列，接着计算时间序列的振幅均值：
计算单个影像的相对振幅校正因子：
利用振幅校正因子对每幅SAR影像进行振幅纠正，使N幅SAR影像振幅值归化，为PS点的识别提供了基础；
第三步：识别所述多时域SAR影像中保持的高质量的永久散射体点PS；
第四步：对选取的PS点进行连接并构建PS网络并进行形变估计，对选取的PS点进行连接并构建PS网络并进行形变估计，假设地表在SAR影像成像期间沿雷达视线线方向随时间有线性和非线性形变，则对于第i幅差分干涉图中的任意一个PS像素点(x,y)，其相位值可用一下模型表示：
式中，和Ti分别表示干涉对的时间基线和空间基线，Δh(x,y)、v(x,y)、 分别表示高程误差、时刻雷达视线向(LOS)向形变速率和残余形变，λ为雷达中心波长，θ为雷达入射角。残余形变包括非线性形变、大气相位和失相关噪声；
采用Delaunay三角网并设定距离阈值进行PS网建立，采用相邻PS点差分方法减弱和空间距离相关的误差，以相邻两个PS的线性形变速率差和高程修正值作为网络平差的函数模型，采用区域网最小二乘方法和解空间搜索的方法进行参数求解，并对残留相位进行时空滤波分离出非线性形变，最后就估计出PS点的总形变。
3.如权利要求1或2所述基于电网不良地质体三维形变监测的塔基稳定性分析方法，其特征在于，所述采用卡尔曼滤波技术估计电网不良地质体的三维形变，包括如下步骤：
第一步：基于差分干涉图获取所述电网不良地质体的形变分量； 假设不同平台各有N幅影像，采用PS-InSAR技术对每个平台的SAR影像进行处理，形成多个干涉图，对于某个平台的第i幅干涉图，其干涉相位可表示为：
式中tB、tA为主副影像获取时间，λ为雷达中心波长，x和r分别为像素方位向、距离向坐标，假设参考时间为t0，该时刻雷达视线向(LOS)地表形变量等于0，d(tB,x,r)、d(tA,x,r)为主副影像相对于t0时刻的LOS累积形变量，表示地形残差相位，与雷达入射角θ成反比，与干涉对垂直基线B⊥成正比，为轨道误差相位，为残余相位，包括噪声、大气相位和高频形变相位等，其中LOS向的形变d可以写成
采用线性模型描述LOS向形变的低频分量，所以
d＝ν·(t-t0)＝(a·vu+b·ve+c·vn)·(t-t0)
中待求参数为XT＝[vu ve vn Δh]，利用干涉相位组成矩阵就可以利用最小二乘法进行求解；
第二步：建立三维形变滤波模型；基于多平台多时域的三维形变滤波模型建立，假设第i幅干涉图的任意一个观测点，LOS向的观测值L(i)和时刻i的状态模型可以表示为
L(i)＝H(i)X(i)+V(i)
X(i)＝F(i/i-1)X(i-1)+Γ(i-1)W(i-1)
其中,
X(i)T＝[du(i) de(i) dn(i) vu(i) ve(i) vn(i)]
表示为状态矢量；du(i) de(i) dn(i) vu(i) ve(i) vn(i)分别表示ti时刻的三维累计形变(相对于时刻t0)和三维形变速率，H(i)＝[a(i) b(i) c(i) 0 0 0]为第i幅干涉图的投影矢量构成的设计矩阵；为状态转移矩阵；I3为一个3×3的单位矩阵；Δt为时刻ti-1和ti之间的时间间隔；V(i)表示观测噪声矢量；W(i)T＝[wu(i) we(i) wn(i)]为状态噪声矢量，Γ(i/i-1)T为噪声分布矩阵；
第三步：采用卡尔曼滤波技术估计电网不良地质体的三维形变，利用卡尔曼滤波方程组，可估计时刻ti的状态矢量，
其中J(i)为增益矩阵；为状态矢量的预测值和估计值，和 为相应的方差-协方差矩阵，E为单位阵，假设V(i)、W(i)为互不相关的白噪声，
DW(i)＝E(W(i)·W(i)T)
其中为第i幅干涉图的观测噪声的方差，卡尔曼滤波过程是对每个新的从影像进行重复操作，但在执行此操作之前需要给卡尔曼滤波提过初始状态矢量，在参考时间t0时刻，可假设该时刻的三维累计形变矢量和及其相应的方差为0；另外利用短时间基线的干涉图、采用最小二乘的方法对一定数量的时间序列差分干涉图进行平差，把得到的平均形变速率及其方差来代替t0时刻的三维形变速率矢量及其方差，在真实的数据处理中，卡尔曼滤波所需的解缠差分干涉图各项误差足够小，可将上 一个历元估计的干涉图中的低频形变和地形残差从干涉图中减去，对残余形变进行2π的反缠绕和解缠操作，将低频形变和解缠的残余相位相加，视线向观测值就变成了
其中表示残余相位的解缠差分干涉相位，对于某一个时刻获取的SAR影像，可以和该时刻之前的获取的多个时刻形成短基线的干涉图，这些干涉图不仅可以为卡尔曼滤波提供多余的观测量，还可以提高这一时刻三维形变结果估计的精度。
4.如权利要求3所述基于电网不良地质体三维形变监测的塔基稳定性分析方法，其特征在于，所述基于TurboPixels多尺度分割算法检测高分辨率SAR影像中的输电铁塔，包括如下步骤：
第一步：图像预处理；
第二步：高分SAR图像多尺度联合分割；采用TurboPixels分割算法对高分SAR图像进行分割，实现步骤：初始化种子点；通过三个基本点迭代演变时间T时刻的边界，估计未分割区域的基本结构，更新每个边界点和未分割的靠近边界点的速率直至边界没有变化，控制图像分割的边界函数为
其中已经划分的点为正数，没有划分的点为负数，临近边界的点数值接近零，边界函数的迭代公式为：
其中SI、SB分别表示的是图像速率和边界速率，当SAR影像中的像素点(x,y)满足∑x,y[Ψn(x,y)＞＝0]时，这些像素点则被划分到已经确定的区 域，否则将终止迭代，考虑到有2幅高分SAR影像同时分割，采用联合边界函数来控制2幅图像的分割，联合分割函数如下：
Ψx,y＝max(Ψx,Ψy)
式中Ψx,Ψy分别表示主副SAR影像的边界函数，Ψx,y为2幅SAR图像的联合边界函数；
第三步：基于超像素的高分SAR图像差异度计算；根据TurboPixels多尺度分割后的SAR图像，采用2幅影像的统计分布差异的交叉熵相似度测量方法提取两幅影像的差异图，用以检测输电铁塔；假设两幅影像中相同超像素块区域X和Y的分布函数可分别用fx和fy表示，则两者的差异度表示为
采用瑞利分布作为SAR幅度图像的统计分布，它的概率密度函数表示为：
瑞利分布的期望方差分别为
δ表示瑞利分布的形状参数，那么KL距离表达式为
对做了n个尺度分割后的两幅SAR图像分别计算每个尺度上的超像素块的基于瑞利分布的KL距离，每个尺度的超像素区域中像素点的差 异度值表示为：
γ(i，j)＝{γ1(i，j),γ2(i，j),…，γk(i，j)}
其中k表示第k个尺度。那么就得到了多尺度的差异图；
第四步：基于高分SAR图像差异度图融合的铁塔提取，对得到的多尺度差异图，采用Max算子分别取每个尺度上差异度最大值点作为最终融合的结果，其数学表达式为
γKLD(i，j)＝max(γ1(i，j),γ2(i，j),…，γn(i，j))，
使用最大类间方差自动阈值法对融合后的差异图进行分割，结合电力塔本身结构在SAR影像中的亮点表现，识别SAR影像中的铁塔，从而在地理编码后的SAR影像上获取铁塔的地理坐标和像素坐标，并在高分InSAR DEM上提取铁塔的大地高。
5.如权利要求1或4所述基于电网不良地质体三维形变监测的塔基稳定性分析方法，其特征在于，所述铁塔塔基稳定性自动分析，包括如下步骤：
第一步：矢量化铁塔识别结果；
第二步：基于垂直向形变的均值和标准偏差值大小和地质形变在小范围内有连续性的特点来分析铁塔地质体的稳定性；
第三步：根据形变均值或标准偏差大小超过阈值的程度和电力行业生产规范来标识铁塔地质体的垂直向不稳定程度，对每种不稳定性依次可设置黄、橙、红三个预警级别；
第四步：基于二维平面形变均值和标准方差值来和地质形变在小范围内有连续性的特点来分析铁塔地质体的稳定性；
第五步：根据形变均值或标准偏差大小超过阈值的程度和电力行业生产规范来标识铁塔地质体的水平向不稳定程度，将每种不稳定性类别依次可设置黄、橙、红三个预警级别。
CN201610246270.XA 2016-06-20 2016-06-20 基于电网不良地质体三维形变监测的塔基稳定性分析方法 Pending CN105954747A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610246270.XA CN105954747A (zh) 2016-06-20 2016-06-20 基于电网不良地质体三维形变监测的塔基稳定性分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610246270.XA CN105954747A (zh) 2016-06-20 2016-06-20 基于电网不良地质体三维形变监测的塔基稳定性分析方法

Publications (1)

Publication Number Publication Date
CN105954747A true CN105954747A (zh) 2016-09-21

Family

ID=56917625

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610246270.XA Pending CN105954747A (zh) 2016-06-20 2016-06-20 基于电网不良地质体三维形变监测的塔基稳定性分析方法

Country Status (1)

Country Link
CN (1) CN105954747A (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108549080A (zh) * 2018-02-28 2018-09-18 中国电力科学研究院有限公司 一种输电杆塔位置提取方法及系统
CN108983233A (zh) * 2018-06-13 2018-12-11 四川大学 GB-InSAR数据处理中的PS点组合选取方法
CN109085588A (zh) * 2018-09-26 2018-12-25 云南电网有限责任公司电力科学研究院 基于Terra SAR-X高分辨率聚束模式数据电网铁塔倾斜的监测方法
CN109471104A (zh) * 2018-11-15 2019-03-15 首都师范大学 一种从两平行轨道sar数据中获取地表三维移动量的方法
CN109828270A (zh) * 2018-12-27 2019-05-31 首都师范大学 一种表征地面沉降时序演变的方法
CN110132237A (zh) * 2019-05-05 2019-08-16 四川省地质工程勘察院 一种城市地面变形灾害早期识别的方法
CN110456346A (zh) * 2019-06-28 2019-11-15 深圳市水务规划设计院股份有限公司 一种基于InSAR技术的输电铁塔倾斜监测方法
CN110456345A (zh) * 2019-06-28 2019-11-15 深圳市水务规划设计院股份有限公司 一种基于InSAR技术的建筑物倾斜监测方法
CN110888130A (zh) * 2019-10-30 2020-03-17 华东师范大学 一种基于升降轨时序InSAR的煤矿区地表形变监测方法
CN111059998A (zh) * 2019-12-31 2020-04-24 中国地质大学（北京） 一种基于高分辨率的时序InSAR形变监测方法及系统
CN111487622A (zh) * 2020-06-15 2020-08-04 中国南方电网有限责任公司 输电铁塔变形监测方法、装置、计算机设备和存储介质
CN112986994A (zh) * 2021-02-06 2021-06-18 中国人民解放军国防科技大学 一种sar层析参考网快速生成方法
CN113030971A (zh) * 2021-03-17 2021-06-25 云南电网有限责任公司电力科学研究院 一种监测铁塔覆冰的定性分析方法及定量分析方法
CN114624708A (zh) * 2022-05-16 2022-06-14 中山大学 一种复杂环境下的大气校正方法及系统
CN114626131A (zh) * 2022-03-23 2022-06-14 武汉北曦盛科技有限公司 一种电网电力基础设施安全性评估分析方法、系统及存储介质
CN116841270A (zh) * 2023-09-01 2023-10-03 贵州通利数字科技有限公司 一种基于物联网的智能生产线调度方法及系统
CN117473395A (zh) * 2023-11-21 2024-01-30 北京市市政工程研究院 一种基于时间序列的形变分析方法和系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102927934A (zh) * 2012-11-07 2013-02-13 中南大学 一种利用单个InSAR干涉对获取矿区地表三维形变场的方法
CN104570083A (zh) * 2013-10-29 2015-04-29 中国石油天然气集团公司 基于多维地震属性的地质体自动识别方法
US20150323666A1 (en) * 2014-05-09 2015-11-12 Nec Corporation Change detection device, change detection method and recording medium
CN105824022A (zh) * 2016-04-20 2016-08-03 中国电力工程顾问集团中南电力设计院有限公司 一种电网不良地质体三维形变监测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102927934A (zh) * 2012-11-07 2013-02-13 中南大学 一种利用单个InSAR干涉对获取矿区地表三维形变场的方法
CN104570083A (zh) * 2013-10-29 2015-04-29 中国石油天然气集团公司 基于多维地震属性的地质体自动识别方法
US20150323666A1 (en) * 2014-05-09 2015-11-12 Nec Corporation Change detection device, change detection method and recording medium
CN105824022A (zh) * 2016-04-20 2016-08-03 中国电力工程顾问集团中南电力设计院有限公司 一种电网不良地质体三维形变监测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
吴晓东等: "基于多尺度联合分割的SAR图像电力线走廊变化检测", 《电力科学与技术学报》 *
林国余等: "基于进化规划的最大类间方差的图像分割算法", 《传感技术学报》 *
祁晓明: "PS-InSAR技术在西安地区的变形监测研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 *
胡俊: "基于现代测量平差的InSAR三维形变估计理论与方法", 《中国博士学位论文全文数据库 基础科学辑》 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108549080A (zh) * 2018-02-28 2018-09-18 中国电力科学研究院有限公司 一种输电杆塔位置提取方法及系统
CN108983233A (zh) * 2018-06-13 2018-12-11 四川大学 GB-InSAR数据处理中的PS点组合选取方法
CN108983233B (zh) * 2018-06-13 2022-06-17 四川大学 GB-InSAR数据处理中的PS点组合选取方法
CN109085588A (zh) * 2018-09-26 2018-12-25 云南电网有限责任公司电力科学研究院 基于Terra SAR-X高分辨率聚束模式数据电网铁塔倾斜的监测方法
CN109085588B (zh) * 2018-09-26 2022-06-07 云南电网有限责任公司电力科学研究院 基于Terra SAR-X高分辨率聚束模式数据电网铁塔倾斜的监测方法
CN109471104A (zh) * 2018-11-15 2019-03-15 首都师范大学 一种从两平行轨道sar数据中获取地表三维移动量的方法
CN109828270B (zh) * 2018-12-27 2020-05-22 首都师范大学 一种表征地面沉降时序演变的方法
CN109828270A (zh) * 2018-12-27 2019-05-31 首都师范大学 一种表征地面沉降时序演变的方法
CN110132237A (zh) * 2019-05-05 2019-08-16 四川省地质工程勘察院 一种城市地面变形灾害早期识别的方法
CN110456346A (zh) * 2019-06-28 2019-11-15 深圳市水务规划设计院股份有限公司 一种基于InSAR技术的输电铁塔倾斜监测方法
CN110456345B (zh) * 2019-06-28 2020-11-10 深圳市水务规划设计院股份有限公司 一种基于InSAR技术的建筑物倾斜监测方法
CN110456345A (zh) * 2019-06-28 2019-11-15 深圳市水务规划设计院股份有限公司 一种基于InSAR技术的建筑物倾斜监测方法
CN110888130A (zh) * 2019-10-30 2020-03-17 华东师范大学 一种基于升降轨时序InSAR的煤矿区地表形变监测方法
CN111059998A (zh) * 2019-12-31 2020-04-24 中国地质大学（北京） 一种基于高分辨率的时序InSAR形变监测方法及系统
CN111487622A (zh) * 2020-06-15 2020-08-04 中国南方电网有限责任公司 输电铁塔变形监测方法、装置、计算机设备和存储介质
CN112986994B (zh) * 2021-02-06 2023-11-17 中国人民解放军国防科技大学 一种sar层析参考网快速生成方法
CN112986994A (zh) * 2021-02-06 2021-06-18 中国人民解放军国防科技大学 一种sar层析参考网快速生成方法
CN113030971A (zh) * 2021-03-17 2021-06-25 云南电网有限责任公司电力科学研究院 一种监测铁塔覆冰的定性分析方法及定量分析方法
CN113030971B (zh) * 2021-03-17 2024-01-23 云南电网有限责任公司电力科学研究院 一种监测铁塔覆冰的定性分析方法及定量分析方法
CN114626131A (zh) * 2022-03-23 2022-06-14 武汉北曦盛科技有限公司 一种电网电力基础设施安全性评估分析方法、系统及存储介质
CN114626131B (zh) * 2022-03-23 2023-12-19 新风光电力科技(北京)有限公司 一种电网电力基础设施安全性评估分析方法、系统及存储介质
CN114624708A (zh) * 2022-05-16 2022-06-14 中山大学 一种复杂环境下的大气校正方法及系统
CN116841270B (zh) * 2023-09-01 2023-11-14 贵州通利数字科技有限公司 一种基于物联网的智能生产线调度方法及系统
CN116841270A (zh) * 2023-09-01 2023-10-03 贵州通利数字科技有限公司 一种基于物联网的智能生产线调度方法及系统
CN117473395A (zh) * 2023-11-21 2024-01-30 北京市市政工程研究院 一种基于时间序列的形变分析方法和系统

Similar Documents

Publication Publication Date Title
CN105954747A (zh) 基于电网不良地质体三维形变监测的塔基稳定性分析方法
Zeybek et al. Point cloud filtering on UAV based point cloud
Nouwakpo et al. Assessing the performance of structure‐from‐motion photogrammetry and terrestrial LiDAR for reconstructing soil surface microtopography of naturally vegetated plots
CN105824022A (zh) 一种电网不良地质体三维形变监测方法
CN110221603A (zh) 一种基于激光雷达多帧点云融合的远距离障碍物检测方法
KR101924278B1 (ko) 드론을 활용한 갯벌 지역에서의 갯골 정보 추출 장치 및 방법
Ni et al. Features of point clouds synthesized from multi-view ALOS/PRISM data and comparisons with LiDAR data in forested areas
Maguya et al. Adaptive algorithm for large scale dtm interpolation from lidar data for forestry applications in steep forested terrain
LÓPEZ-MORENO et al. Ground-based remote-sensing techniques for diagnosis of the current state and recent evolution of the Monte Perdido Glacier, Spanish Pyrenees
Barrand et al. Optimizing photogrammetric DEMs for glacier volume change assessment using laser-scanning derived ground-control points
Melin et al. Assessing the performance of aerial image point cloud and spectral metrics in predicting boreal forest canopy cover
CN104463868A (zh) 一种基于无参数高分辨率影像的建筑高度快速获取方法
Véga et al. A sequential iterative dual-filter for Lidar terrain modeling optimized for complex forested environments
CN107064933B (zh) 基于循环谱估计的sar层析建筑物高度的方法
CN107393004A (zh) 一种获取输电线走廊中建筑物拆迁量的方法及装置
CN108594226A (zh) 一种顾及地形的山区sar图像输电塔架检测方法
CN108132468A (zh) 一种多基线极化干涉sar建筑物高度提取方法
Koppel et al. Sentinel-1 for urban area monitoring—Analysing local-area statistics and interferometric coherence methods for buildings' detection
Gonzalez et al. Coseismic horizontal offsets and fault-trace mapping using phase correlation of IRS satellite images: The 1999 Izmit (Turkey) earthquake
CN113218310A (zh) 基于三维激光点云的尾矿库干滩重要参数提取方法及系统
Starek et al. Small-scale UAS for geoinformatics applications on an island campus
CN113238228B (zh) 基于水准约束的三维地表形变获取方法、系统及装置
Yin et al. Individual tree parameters estimation for chinese fir (cunninghamia lanceolate (lamb.) hook) plantations of south china using UAV Oblique Photography: Possibilities and Challenges
Li et al. Improving the application of UAV-LiDAR for erosion monitoring through accounting for uncertainty in DEM of difference
Wallerman et al. Forest height estimation using semi-individual tree detection in multi-spectral 3D aerial DMC data

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C41 Transfer of patent application or patent right or utility model
TA01 Transfer of patent application right

Effective date of registration: 20161205

Address after: 430071 Wuchang District, Hubei, South Central Road No. two, No. 12, No.

Applicant after: Co., Ltd of Central Southern China Electric Power Design Institute, China Power Engineering Consulting Group Corporation

Applicant after: Central South University

Address before: 430071 Wuchang District, Hubei, South Central Road No. two, No. 12, No.

Applicant before: Co., Ltd of Central Southern China Electric Power Design Institute, China Power Engineering Consulting Group Corporation

WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20160921