CN106226779A - 基于遥感技术的易发滑坡预测方法 - Google Patents
基于遥感技术的易发滑坡预测方法 Download PDFInfo
- Publication number
- CN106226779A CN106226779A CN201610542776.5A CN201610542776A CN106226779A CN 106226779 A CN106226779 A CN 106226779A CN 201610542776 A CN201610542776 A CN 201610542776A CN 106226779 A CN106226779 A CN 106226779A
- Authority
- CN
- China
- Prior art keywords
- landslide
- remote sensing
- interpretation
- data
- prediction
- 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
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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于遥感技术的易发滑坡预测方法,包括以下步骤:获取遥感影像、数字高程数据及地质资料;构建三维遥感判释空间场景;详细判释区域滑坡分布特征;确定滑坡发育主要影响因子;遥感影像分割处理以及建立易发滑坡预测模型。该方法能够实现潜在易发滑坡的预测,其聚焦性强,可靠度高,可为工程施工、运营维护、防灾减灾等提供更加具体科学的依据,能够提高工程运营安全和防灾减灾水平。
Description
技术领域
本发明涉及工程地质勘察领域,特别是涉及一种基于遥感技术的易发滑坡预测方法。
背景技术
滑坡是重要的不良地质灾害类型,随着人类活动的日益频繁,铁路、公路、矿山、水利、厂房等工程建设使滑坡灾害发生几率日益增加。以铁路行业为例,近几年发生在沪昆、宝兰、宜万、兰渝等铁路的滑坡事故造成了很大的人员财产损失。在一些新建铁路工程施工过程中,滑坡灾害也时有发生。滑坡灾害已成为铁路选线和既有铁路运营安全的重大隐患。
目前,基于遥感技术及现场调查的勘察方法只能对已发生的滑坡进行识别,此外,已报道的滑坡危险性评价方法仅能从大的区域上进行滑坡危险区的划分,这些方法尚未实现潜在的或工程中的易发滑坡的预测。
发明内容
针对现有技术中存在的问题,本发明提供一种基于遥感技术的能够对潜在的或工程中的易发滑坡进行预测的方法。为此,本发明的技术方案如下:
一种基于遥感技术的易发滑坡预测方法,包括以下步骤:
S1、获取遥感影像、数字高程数据(DEM)及地质资料:获取工程区一定成像分辨率的遥感影像数据以及数字高程数据和地质图;
S2、构建三维遥感判释空间场景:对获取的遥感影像数据进行处理,利用获取的数字高程数据建立数字高程模型,对所述数字高程模型和处理后的遥感影像数据进行严格配准和三维渲染处理,构建三维遥感判释空间场景;
S3、判释区域滑坡分布特征:基于所构建的三维遥感判释空间场景,建立滑坡判释标志,提取区域滑坡分布特征,得到区域滑坡物理参数;
S4、确定滑坡发育主要影响因子:根据步骤S3得到的区域滑坡分布特征提取滑坡发育的环境特征参数,并对环境特征参数进行敏感性分析,得到滑坡发育主要影响因子;
S5、遥感影像分割处理:参考步骤S3得到的区域滑坡物理参数,反复试验,确定影像分割尺度,执行影像分割处理;
S6、建立易发滑坡预测模型:建立滑坡分类样本,将步骤S4确定的滑坡发育主要影响因子作为其属性特征,对分类样本进行规则构建和分类,并在此基础上建立易发滑坡预测模型,剔除已发生滑坡,得到易发滑坡预测结果。
步骤S1中所述的一定成像分辨率为成像分辨率高于3m;所述遥感影像数据为分辨率为2.5m的SPOT5和ALOS卫星影像、分辨率为2.1m的资源三号卫星影像或分辨率更高的卫星影像、数码航摄影像。
步骤S1中所述数字高程数据为大比例尺地形图上的等高线数据、高分辨率卫星影像立体像对数据或机载激光雷达获取的高程数据,所述机载激光雷达获取的高程数据带有全球定位参数和惯性测量单元定位参数。
步骤S2中,所述遥感影像处理为利用遥感图像处理软件进行遥感影像的大气校正、波段组合、几何精校正、图像融合,以及镶嵌处理;所述数字高程模型建立途径为通过大比例尺地形图上的等高线数据建立数字高程模型、利用高分辨率卫星影像立体像对提取的高程数据建立数字高程模型,或利用LIDAR获取的高程数据建立数字高程模型。
步骤S3中,通过在三维遥感判释空间场景中识别典型滑坡对应的遥感影像特征,得到滑坡遥感判释标志,所述滑坡遥感判释标志包括簸箕形、舌形、V字形、不规则形的平面形态以及滑坡壁、滑坡台阶、滑坡舌和封闭洼地;所述提取区域滑坡分布特征的方法为:依据得到的滑坡判释标志,在三维遥感判释空间场景中,通过人工目视解译对区域滑坡进行详细判释,得到区域滑坡分布信息,选取部分典型滑坡进行现场验证,通过现场验证对判释结果进行修改和完善,得到区域滑坡分布特征。
步骤S4中,所述滑坡发育的环境特征参数包括从地质图中提取的岩性分布信息,从水文地质图中提取的河流分布信息,基于步骤S2得到的配准后的数字高程模型数据提取的高程信息、坡度信息和坡向信息以及基于步骤S2得到的处理后的遥感影像提取的植被覆盖信息。
步骤S4中所述的对环境特征参数进行敏感性分析的方法为:将步骤S3得到的区域滑坡分布特征与岩性分布信息、河流分布信息、高程信息、坡度信息、坡向信息和植被覆盖信息在地理信息系统软件中进行空间叠加分析,采集每个滑坡对应的环境特征参数取值,包括岩性类型和产状、到河流的距离、高程值范围、坡度值范围、坡向值范围以及植被覆盖度值,并进行数理统计和相关性分析。
步骤S5中所述的确定影像分割尺度的方法为:选择一个初始的分割尺度,例如尺度50,进行影像分割处理,然后检查分割结果是否将面积较小的滑坡分割成了不同对象:如果是,则慢慢调大分割尺度;如果否,则慢慢调小分割尺度,并重复以上检查过程,直到面积较小的滑坡被分割为独立对象,面积较大的滑坡被分成几部分,该尺度即为最优分割尺度。
步骤S6中所述的建立滑坡分类样本的方法为:将步骤S3得到的区域滑坡分布特征与S5得到的影像分割对象进行空间叠加分析,重叠部分的分割对象即确定为滑坡样本,非滑坡样本的建立釆用随机选择与人工选择相结合的方法,具体为:在去除了滑坡样本的其它对象里随机选择出一个对象,通过人工判断为非滑坡后,加入到非滑坡样本,重复这个过程,选择出至少与滑坡样本等数量的非滑坡样本。
本发明利用获取的工程区高分辨率遥感影像和数字高程数据(DEM)构建三维遥感判释空间场景,详细判释区域滑坡分布特征,提取区域滑坡发育的环境特征参数,并对环境特征参数进行敏感性分析,确定滑坡发育主要影响因子。根据区域滑坡特征确定影像分割尺度,进行影像分割处理。综合滑坡发育影响因子和多尺度分割结果,建立易发滑坡预测模型,实现易发滑坡预测。该方法具有以下优点和有益效果:
本发明能够实现潜在易发滑坡的预测,其聚焦性强,可靠度高,可为工程施工、运营维护、防灾减灾等提供更加具体科学的依据,能够提高工程运营安全和防灾减灾水平,具有很大的实际应用价值。
附图说明
图1为本发明的基于遥感技术的易发滑坡预测方法的流程图。
具体实施方式
下面结合附图对本发明的基于遥感技术的易发滑坡预测方法做进一步说明。图1为本发明的基于遥感技术的易发滑坡预测方法的流程图。如图1所示,本发明的基于遥感技术的易发滑坡预测方法包括以下步骤:S1、获取遥感影像、数字高程数据及地质资料;S2、构建三维遥感判释空间场景;S3、详细判释区域滑坡分布特征;S4、确定滑坡发育主要影响因子;S5、遥感影像分割处理;S6、建立易发滑坡预测模型。具体实施方式如下:
S1、获取遥感影像数据、数字高程数据及地质资料:
获取成像分辨率高于3m的遥感影像数据,所述遥感影像数据可以是分辨率为2.5m的SPOT5和ALOS卫星影像、分辨率为2.1m的资源三号卫星影像或者分辨率更高的卫星影像、数码航摄影像等。遥感影像应带有有理函数传感器模型(RPC)参数。
高精度数字高程数据可以是大比例尺地形图上的等高线数据、高分辨率卫星影像立体像对数据或机载激光雷达(LIDAR)获取的高程数据。LIDAR数据应带有全球定位(GPS)、惯性测量单元(IMU)等姿态定位参数。
所述地质资料主要包括工程区的地质图和水文地质图。
S2、构建三维遥感判释空间场景:
对获取的遥感影像进行处理,利用获取的数字高程数据建立数字高程模型,对数字高程模型和处理后的遥感影像进行严格配准和三维渲染处理,构建三维遥感判释空间场景。具体为:
①遥感影像处理:
是指利用遥感图像处理软件进行遥感影像的大气校正、波段组合、几何精校正、图像融合,以及镶嵌处理。
②数字高程模型的建立:
数字高程模型是构建三维遥感判释空间场景的重要基础。数字高程模型建立途径主要有以下几种:一是通过大比例尺地形图上的等高线数据建立数字高程模型;二是利用高分辨率卫星影像立体像对提取的高程数据建立数字高程模型;三是利用LIDAR获取的高程数据建立数字高程模型。
通过大比例尺地形图上的等高线数据建立数字高程模型,其数据处理包括矢量化等高线数据和将矢量化结果进行空间插值运算,一般的GIS软件都可实现此操作。
利用高分辨率卫星影像立体像对提取的高程数据建立数字高程模型,其数据处理包括图像裁剪、斑点压缩和图像配准,利用遥感图像处理软件即可完成数据处理。
利用LIDAR获取的高程数据建立数字高程模型,其数据处理包括GPS/IMU联合平差计算、点云滤波、坐标转换处理,利用雷达数据处理软件即可完成数据处理。
③以处理后的遥感影像为基准,对数字高程模型数据进行严格配准,进行三维渲染处理,构建三维遥感判释空间场景。该操作可在遥感图像处理软件中完成。
S3、详细判释区域滑坡分布特征:
基于三维遥感判释空间场景建立滑坡判释标志,提取区域滑坡分布特征,得到滑坡物理参数。具体为:
①建立滑坡判释标志:
在三维遥感判释空间场景中,识别典型滑坡对应的遥感影像特征,建立滑坡遥感判释标志。滑坡遥感判释标志包括簸箕形(舌形、似V字形、不规则形等)的平面形态以及滑坡壁、滑坡台阶、滑坡舌、封闭洼地等。在三维遥感判释空间场景中,将这些典型滑坡遥感影像特征信息提取出来,得到区域滑坡的判释标志。
②提取滑坡信息:
依据得到的滑坡判释标志,在三维遥感判释空间场景中,通过人工目视解译对区域滑坡进行详细判释,得到区域滑坡分布信息。由于三维遥感判释空间场景对真实地形地貌进行了虚拟再现,其对滑坡的判释不仅能从形态上识别,而且能够从地貌特征以及空间多角度进行综合分析判释,大大提高了滑坡的判释准确度。选取部分典型滑坡进行现场验证,通过现场验证对判释结果进行修改和完善,得到区域滑坡分布特征。
③得到滑坡物理参数
建立地理空间数据库,将得到的区域滑坡分布特征导入地理空间数据库,得到滑坡面积、周长等物理参数。该操作可在一般地理信息系统软件中完成。
S4、确定滑坡发育主要影响因子:
根据步骤S3得到的滑坡分布特征,提取滑坡发育的环境特征参数,并对环境特征参数进行敏感性分析,得到滑坡发育主要影响因子。具体为:
①环境特征参数提取:
将步骤S1获取的地质图和水文地质图,以步骤S2得到的处理后的遥感影像为基准,进行严格配准。并从地质图中提取岩性分布信息,从水文地质图中提取河流分布信息;基于步骤S2得到的配准后的数字高程模型数据,提取高程信息、坡度信息和坡向信息;基于步骤S2得到的处理后的遥感影像提取植被覆盖信息。提取的岩性分布信息、河流分布信息、高程信息、坡度信息、坡向信息和植被覆盖信息即为滑坡发育环境特征参数。该操作可在地理信息系统和遥感图像处理软件中完成。
②环境参数敏感性分析:
将步骤S3得到的区域滑坡分布特征与岩性分布信息、河流分布信息、高程信息、坡度信息、坡向信息和植被覆盖信息等环境特征参数,在地理信息系统软件中进行空间叠加分析,采集每个滑坡对应的环境特征参数取值,包括岩性类型和产状、到河流的距离、高程值范围、坡度值范围、坡向值范围、植被覆盖度值等,并进行数理统计和相关性分析。该操作可在地理信息系统软件和数理统计软件中完成。
③确定主要影响因子:
根据数理统计和相关性分析结果,确定滑坡发育的环境敏感因子和取值范围。按照敏感性进行排序,剔除对滑坡发育不敏感的环境特征参数,仅保留敏感的环境特征参数作为主要影响因子。
S5、遥感影像分割处理:
参考区域滑坡物理参数,反复试验,确定影像分割尺度,执行影像分割处理。具体为:
①确定影像分割尺度:
影像分割尺度的确定需要根据滑坡的物理参数进行反复试验,确定最优的分割尺度。操作方法如下:先选择一个初始的分割尺度,如尺度50,进行影像分割处理。后检查分割结果是否将面积较小的滑坡分割成不同对象:如果是,则慢慢调大分割尺度;如果否,则慢慢调小分割尺度。并重复以上检查过程,直到面积较小的滑坡基本被分割为独立对象,面积较大的滑坡被分成几部分,该尺度即为最优分割尺度。以使分割后的对象在滑坡内部的同质性尽量高,而滑坡与其他地物之间的异质性尽量大。
②影像分割处理:
基于步骤S2得到的大气校正和几何校正后的遥感影像,利用确定的最优分割尺度,执行影像分割处理,得到遥感影像分割对象。
S6、建立易发滑坡预测模型:
建立滑坡分类样本,将步骤S4确定的滑坡发育主要影响因子作为其属性特征,利用支持向量机模型对滑坡样本进行训练,确定惩罚系数和径向基核函数的宽度,建立易发滑坡预测模型,并利用该模型对所有分割对象进行计算,后剔除已发生滑坡,得到易发滑坡预测结果,实现易发滑坡预测。具体为:
①建立分类样本:
基于步骤S5得到的影像分割对象,进行分类样本准备。分类样本分为滑坡样本和非滑坡样本。滑坡样本的建立过程为:将步骤S3得到的区域滑坡分布特征与S5得到的影像分割对象进行空间叠加分析,重叠部分的分割对象即确定为滑坡样本。非滑坡样本的建立釆用随机选择与人工选择相结合的方法,具体为:在去除了滑坡样本的其它对象里随机选择出一个对象,通过人工判断为非滑坡后,加入到非滑坡样本。重复这个过程,选择出至少与滑坡样本等数量的非滑坡样本。并抽出三分之一的分类样本作为测试样本。
②建立分类样本特征参数:
将得到的分类样本进行编号,将步骤S4得到的主要影响因子作为分类样本的属性特征,将影响因子的值作为该属性的值,这样就得到分类样本的特征参数。为了防止数值较大的影响因子对数值较小影响因子的支配,将不同影响因子的范围进行拉伸。在拉伸过程中针对不同影响因子的范围选择不同的变换值,将影响因子的数值范围压缩到(0,1)之间。
③建立易发滑坡预测模型:
采用支持向量机模型,选择径向基函数核对分类样本特征参数进行训练,确定惩罚系数(C)和径向基函数核的宽度(gamma),得到滑坡预测模型。
在训练特征参数时,确定惩罚系数值是关键。过小的惩罚系数,会导致引入大量不合适的支持向量,而过大的惩罚系数,可能会导致过拟合。这里采用网络搜索来寻求最佳的C和gamma组合。这里采用k(k=5)折交叉验证网格搜索策略训练C和gamma。为了快速的接近最佳的c和gamma在网格中的位置,采用二级网格搜索策略:先是粗网格搜索;第二轮网格搜索只对首轮中高值区域,进行小间隔搜索。利用测试样本测试二者的训练精度,选择精度较高的C和gamma值,作为最终值,建立易发滑坡预测模型。关于支持向量机模型(SVM)详细的算法可以参考模式识别、计算机方面学习的文献。
利用得到的易发滑坡预测模型对步骤S5得到的所有分割对象进行计算,得到区域滑坡信息。
④剔除已发生滑坡,得到易发滑坡预测结果:
将预测模型提取的区域滑坡信息与步骤S3得到的区域滑坡分布特征进行空间叠加分析,并将预测模型提取的滑坡信息中与步骤S3得到的区域滑坡分布特征重合的对象删除,得到易发滑坡的预测结果。
Claims (10)
1.一种基于遥感技术的易发滑坡预测方法,包括以下步骤:
S1、获取遥感影像、数字高程数据及地质资料:获取工程区一定成像分辨率的遥感影像数据以及数字高程数据和地质图;
S2、构建三维遥感判释空间场景:对获取的遥感影像数据进行处理,利用获取的数字高程数据建立数字高程模型,对所述数字高程模型和处理后的遥感影像数据进行严格配准和三维渲染处理,构建三维遥感判释空间场景;
S3、判释区域滑坡分布特征:基于所构建的三维遥感判释空间场景,建立滑坡判释标志,提取区域滑坡分布特征,得到滑坡物理参数;
S4、确定滑坡发育主要影响因子:根据步骤S3得到的区域滑坡分布特征提取滑坡发育的环境特征参数,并对环境特征参数进行敏感性分析,得到滑坡发育主要影响因子;
S5、遥感影像分割处理:参考区域滑坡物理参数,反复试验,确定影像分割尺度,执行影像分割处理;
S6、建立易发滑坡预测模型:建立滑坡分类样本,将步骤S4确定的滑坡发育主要影响因子作为其属性特征,对分类样本进行规则构建和分类,并在此基础上建立易发滑坡预测模型,剔除已发生滑坡,得到易发滑坡预测结果。
2.根据权利要求1所述的易发滑坡预测方法,其特征在于:步骤S1中所述的一定成像分辨率为成像分辨率高于3m;所述遥感影像数据为分辨率为2.5m的SPOT5和ALOS卫星影像、分辨率为2.1m的资源三号卫星影像或分辨率更高的卫星影像、数码航摄影像。
3.根据权利要求1所述的易发滑坡预测方法,其特征在于:步骤S1中所述数字高程数据为大比例尺地形图上的等高线数据、高分辨率卫星影像立体像对数据或机载激光雷达获取的高程数据,所述机载激光雷达获取的高程数据带有全球定位参数和惯性测量单元定位参数。
4.根据权利要求1所述的易发滑坡预测方法,其特征在于:步骤S2中,所述遥感影像处理为利用遥感图像处理软件进行遥感影像的大气校正、波段组合、几何精校正、图像融合,以及镶嵌处理;所述数字高程模型建立途径为通过大比例尺地形图上的等高线数据建立数字高程模型、利用高分辨率卫星影像立体像对提取的高程数据建立数字高程模型,或利用LIDAR获取的高程数据建立数字高程模型。
5.根据权利要求1所述的易发滑坡预测方法,其特征在于:步骤S3中,通过在三维遥感判释空间场景中识别典型滑坡对应的遥感影像特征,得到滑坡遥感判释标志,所述滑坡遥感判释标志包括簸箕形、舌形、V字形、不规则形的平面形态以及滑坡壁、滑坡台阶、滑坡舌和封闭洼地;所述提取区域滑坡分布特征的方法为:依据得到的滑坡判释标志,在三维遥感判释空间场景中,通过人工目视解译对区域滑坡进行详细判释,得到区域滑坡分布信息,选取部分典型滑坡进行现场验证,通过现场验证对判释结果进行修改和完善,得到区域滑坡分布特征。
6.根据权利要求1所述的易发滑坡预测方法,其特征在于:步骤S4中,所述滑坡发育的环境特征参数包括从地质图中提取的岩性分布信息,从水文地质图中提取的河流分布信息,基于步骤S2得到的配准后的数字高程模型数据提取的高程信息、坡度信息和坡向信息以及基于步骤S2得到的处理后的遥感影像提取的植被覆盖信息。
7.根据权利要求1所述的易发滑坡预测方法,其特征在于:步骤S4中所述的对环境特征参数进行敏感性分析的方法为:将步骤S3得到的区域滑坡分布特征与岩性分布信息、河流分布信息、高程信息、坡度信息、坡向信息和植被覆盖信息在地理信息系统软件中进行空间叠加分析,采集每个滑坡对应的环境特征参数取值,包括岩性类型和产状、到河流的距离、高程值范围、坡度值范围、坡向值范围以及植被覆盖度值,并进行数理统计和相关性分析。
8.根据权利要求1所述的易发滑坡预测方法,其特征在于:步骤S5中所述的确定影像分割尺度的方法为:选择一个初始的分割尺度,进行影像分割处理,然后检查分割结果是否将面积较小的滑坡分割成了不同对象:如果是,则慢慢调大分割尺度;如果否,则慢慢调小分割尺度,并重复以上检查过程,直到面积较小的滑坡被分割为独立对象,面积较大的滑坡被分成几部分,该尺度即为最优分割尺度。
9.根据权利要求8所述的易发滑坡预测方法,其特征在于:所述初始的分割尺度为尺度50。
10.根据权利要求1所述的易发滑坡预测方法,其特征在于,步骤S6中所述的建立滑坡分类样本的方法为:将步骤S3得到的区域滑坡分布特征与S5得到的影像分割对象进行空间叠加分析,重叠部分的分割对象即确定为滑坡样本,非滑坡样本的建立釆用随机选择与人工选择相结合的方法,具体为:在去除了滑坡样本的其它对象里随机选择出一个对象,通过人工判断为非滑坡后,加入到非滑坡样本,重复这个过程,选择出至少与滑坡样本等数量的非滑坡样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610542776.5A CN106226779A (zh) | 2016-07-11 | 2016-07-11 | 基于遥感技术的易发滑坡预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610542776.5A CN106226779A (zh) | 2016-07-11 | 2016-07-11 | 基于遥感技术的易发滑坡预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106226779A true CN106226779A (zh) | 2016-12-14 |
Family
ID=57519513
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610542776.5A Pending CN106226779A (zh) | 2016-07-11 | 2016-07-11 | 基于遥感技术的易发滑坡预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106226779A (zh) |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844948A (zh) * | 2017-01-19 | 2017-06-13 | 北京辰安科技股份有限公司 | 滑坡预测方法和装置 |
CN106844628A (zh) * | 2017-01-19 | 2017-06-13 | 北京辰安科技股份有限公司 | 滑坡预测方法和装置 |
CN107092798A (zh) * | 2017-04-28 | 2017-08-25 | 成都理工大学 | 滑坡预测模型的稳定性评价方法及装置 |
CN107861129A (zh) * | 2017-10-31 | 2018-03-30 | 中国铁路设计集团有限公司 | 一种山地地貌遥感提取方法 |
CN108154006A (zh) * | 2018-01-11 | 2018-06-12 | 中南大学 | 泥石流流动路径的搜索方法 |
CN108346155A (zh) * | 2018-02-12 | 2018-07-31 | 西北大学 | 滑坡影响因素分析系统与分析方法 |
CN108459318A (zh) * | 2018-02-02 | 2018-08-28 | 中国铁路设计集团有限公司 | 基于遥感技术的潜在滑坡早期识别方法 |
CN109406755A (zh) * | 2018-10-30 | 2019-03-01 | 四川安信科创科技有限公司 | 一种基于地貌单元的山区崩滑地质灾害高位性质辨识方法 |
CN110031406A (zh) * | 2019-03-21 | 2019-07-19 | 北京航空航天大学 | 一种大气-海洋耦合系统光学浅水遥感信号敏感性分析方法 |
CN111223183A (zh) * | 2019-11-14 | 2020-06-02 | 中国地质环境监测院 | 一种基于深度神经网络的滑坡地形检测方法 |
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 |
CN111999780A (zh) * | 2020-08-28 | 2020-11-27 | 中国地质调查局西安地质调查中心(西北地质科技创新中心) | 一种对戈壁荒漠覆盖区的三维模型构建方法 |
CN112598881A (zh) * | 2020-12-03 | 2021-04-02 | 中煤航测遥感集团有限公司 | 一种地质灾害监测方法、装置及计算机设备 |
CN113610070A (zh) * | 2021-10-11 | 2021-11-05 | 中国地质环境监测院(自然资源部地质灾害技术指导中心) | 一种基于多源数据融合的滑坡灾害识别方法 |
CN113780175A (zh) * | 2021-09-10 | 2021-12-10 | 福州大学 | 高植被覆盖区台风暴雨型滑坡的遥感识别方法 |
CN114049565A (zh) * | 2021-11-08 | 2022-02-15 | 中国公路工程咨询集团有限公司 | 基于遥感影像和dem数据的地质灾害判识方法和装置 |
CN115880597A (zh) * | 2023-02-15 | 2023-03-31 | 中国铁路设计集团有限公司 | 一种基于遥感技术的岩溶区落水洞提取方法 |
CN116183624A (zh) * | 2023-01-05 | 2023-05-30 | 国网安徽省电力有限公司铜陵供电公司 | 一种施工区顺坡溜渣监测方法、系统和存储介质 |
CN116504032A (zh) * | 2023-06-28 | 2023-07-28 | 湖南科技大学 | 一种基于实景三维的滑坡危险性监测预警方法及系统 |
CN116563672A (zh) * | 2023-07-05 | 2023-08-08 | 中国地质大学(武汉) | 一种岩土体分类模型构建方法及岩土体分类方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102661710A (zh) * | 2012-04-26 | 2012-09-12 | 铁道第三勘察设计院集团有限公司 | 一种滑坡下滑量参数遥感快速勘测方法 |
-
2016
- 2016-07-11 CN CN201610542776.5A patent/CN106226779A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102661710A (zh) * | 2012-04-26 | 2012-09-12 | 铁道第三勘察设计院集团有限公司 | 一种滑坡下滑量参数遥感快速勘测方法 |
Non-Patent Citations (2)
Title |
---|
张文君: "滑坡灾害遥感动态特征监测及其预测分析研究", 《中国博士学位论文全文数据库 基础科学辑》 * |
钟延江: "昆明市典型滑坡泥石流的遥感研究", 《中国优秀博硕士学位论文全文数据库(硕士) 基础科学辑》 * |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106844948B (zh) * | 2017-01-19 | 2020-03-10 | 北京辰安科技股份有限公司 | 滑坡预测方法和装置 |
CN106844628A (zh) * | 2017-01-19 | 2017-06-13 | 北京辰安科技股份有限公司 | 滑坡预测方法和装置 |
CN106844948A (zh) * | 2017-01-19 | 2017-06-13 | 北京辰安科技股份有限公司 | 滑坡预测方法和装置 |
CN107092798A (zh) * | 2017-04-28 | 2017-08-25 | 成都理工大学 | 滑坡预测模型的稳定性评价方法及装置 |
CN107861129A (zh) * | 2017-10-31 | 2018-03-30 | 中国铁路设计集团有限公司 | 一种山地地貌遥感提取方法 |
CN108154006A (zh) * | 2018-01-11 | 2018-06-12 | 中南大学 | 泥石流流动路径的搜索方法 |
CN108459318A (zh) * | 2018-02-02 | 2018-08-28 | 中国铁路设计集团有限公司 | 基于遥感技术的潜在滑坡早期识别方法 |
CN108346155A (zh) * | 2018-02-12 | 2018-07-31 | 西北大学 | 滑坡影响因素分析系统与分析方法 |
CN109406755A (zh) * | 2018-10-30 | 2019-03-01 | 四川安信科创科技有限公司 | 一种基于地貌单元的山区崩滑地质灾害高位性质辨识方法 |
CN109406755B (zh) * | 2018-10-30 | 2020-08-18 | 四川安信科创科技有限公司 | 一种基于地貌单元的山区崩滑地质灾害高位性质辨识方法 |
CN110031406A (zh) * | 2019-03-21 | 2019-07-19 | 北京航空航天大学 | 一种大气-海洋耦合系统光学浅水遥感信号敏感性分析方法 |
CN110031406B (zh) * | 2019-03-21 | 2021-09-07 | 北京航空航天大学 | 一种大气-海洋耦合系统光学浅水遥感信号敏感性分析方法 |
CN111223183A (zh) * | 2019-11-14 | 2020-06-02 | 中国地质环境监测院 | 一种基于深度神经网络的滑坡地形检测方法 |
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 |
CN111999780A (zh) * | 2020-08-28 | 2020-11-27 | 中国地质调查局西安地质调查中心(西北地质科技创新中心) | 一种对戈壁荒漠覆盖区的三维模型构建方法 |
CN112598881A (zh) * | 2020-12-03 | 2021-04-02 | 中煤航测遥感集团有限公司 | 一种地质灾害监测方法、装置及计算机设备 |
CN113780175A (zh) * | 2021-09-10 | 2021-12-10 | 福州大学 | 高植被覆盖区台风暴雨型滑坡的遥感识别方法 |
CN113780175B (zh) * | 2021-09-10 | 2023-08-15 | 福州大学 | 高植被覆盖区台风暴雨型滑坡的遥感识别方法 |
CN113610070A (zh) * | 2021-10-11 | 2021-11-05 | 中国地质环境监测院(自然资源部地质灾害技术指导中心) | 一种基于多源数据融合的滑坡灾害识别方法 |
CN114049565A (zh) * | 2021-11-08 | 2022-02-15 | 中国公路工程咨询集团有限公司 | 基于遥感影像和dem数据的地质灾害判识方法和装置 |
CN116183624A (zh) * | 2023-01-05 | 2023-05-30 | 国网安徽省电力有限公司铜陵供电公司 | 一种施工区顺坡溜渣监测方法、系统和存储介质 |
CN115880597A (zh) * | 2023-02-15 | 2023-03-31 | 中国铁路设计集团有限公司 | 一种基于遥感技术的岩溶区落水洞提取方法 |
CN116504032A (zh) * | 2023-06-28 | 2023-07-28 | 湖南科技大学 | 一种基于实景三维的滑坡危险性监测预警方法及系统 |
CN116504032B (zh) * | 2023-06-28 | 2023-09-22 | 湖南科技大学 | 一种基于实景三维的滑坡危险性监测预警方法及系统 |
CN116563672A (zh) * | 2023-07-05 | 2023-08-08 | 中国地质大学(武汉) | 一种岩土体分类模型构建方法及岩土体分类方法 |
CN116563672B (zh) * | 2023-07-05 | 2023-09-19 | 中国地质大学(武汉) | 一种岩土体分类模型构建方法及岩土体分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106226779A (zh) | 基于遥感技术的易发滑坡预测方法 | |
Fanos et al. | A novel rockfall hazard assessment using laser scanning data and 3D modelling in GIS | |
CN103529455B (zh) | 一种基于机载激光雷达三维的危岩落石调查方法 | |
Xu et al. | Application of an incomplete landslide inventory, logistic regression model and its validation for landslide susceptibility mapping related to the May 12, 2008 Wenchuan earthquake of China | |
Blachowski | Application of GIS spatial regression methods in assessment of land subsidence in complicated mining conditions: case study of the Walbrzych coal mine (SW Poland) | |
KR100884100B1 (ko) | 항공 레이저 측량을 이용한 수목 캐노피 추출 시스템 및 방법 | |
CN104376595A (zh) | 一种基于机载LiDAR和GIS协同的三维道路生成方法 | |
Chen et al. | Landslide susceptibility mapping using feature fusion-based CPCNN-ML in Lantau Island, Hong Kong | |
CN102208013A (zh) | 风景匹配参考数据生成系统和位置测量系统 | |
Xu et al. | Remote sensing for landslide investigations: A progress report from China | |
Ismail et al. | Application of combined terrestrial laser scanning and unmanned aerial vehicle digital photogrammetry method in high rock slope stability analysis: A case study | |
CN103698818B (zh) | 一种基于三维遥感判释技术的正断层产状要素量测方法 | |
Paradella et al. | Automatic DEM Generation | |
Jain et al. | Modeling urban land cover growth dynamics based on land change modeler (LCM) using remote sensing: a case study of Gurgaon, India | |
Pourali et al. | Vertical accuracy assessment of LiDAR ground points using minimum distance approach | |
Chen et al. | Research on the improvement of single tree segmentation algorithm based on airborne LiDAR point cloud | |
Sengar et al. | Liquefaction identification using class-based sensor independent approach based on single pixel classification after 2001 Bhuj, India earthquake | |
She et al. | Analysis Using High‐Precision Airborne LiDAR Data to Survey Potential Collapse Geological Hazards | |
Ren et al. | Mapping High-Resolution Global Impervious Surface Area: Status and Trends | |
Somma et al. | Application of laser scanning for monitoring coastal cliff instability in the Pozzuoli Bay, Coroglio site, Posillipo Hill, Naples | |
Movchan et al. | Identification of structural control factors of primary gold ore occurrences by method of unmanned aeromagnetic survey by the example of the neryungrisky district of yakutia | |
Karakas et al. | On the effect of DEM quality for landslide susceptibility mapping | |
KR102286178B1 (ko) | 정밀도로지도 품질평가 점수 생성 및 배포 시스템 | |
Karakas et al. | Analysis of landslide susceptibility prediction accuracy with an event-based inventory: The 6 February 2023 Turkiye earthquakes | |
Kakavas et al. | Karst features detection and mapping using airphotos, DSMs and GIS techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 300300, Tianjin free trade zone (Airport Economic Zone) west two Avenue 82, Laguna building, 201 Applicant after: China Railway Design Group Limited Address before: 300300 Tianjin Airport Economic Zone Binhai West Road No. 82 two Laguna building 201 Applicant before: China Railway Third Survey and Design Institute Group Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20161214 |