CN108459318A - 基于遥感技术的潜在滑坡早期识别方法 - Google Patents

基于遥感技术的潜在滑坡早期识别方法 Download PDF

Info

Publication number
CN108459318A
CN108459318A CN201810107897.6A CN201810107897A CN108459318A CN 108459318 A CN108459318 A CN 108459318A CN 201810107897 A CN201810107897 A CN 201810107897A CN 108459318 A CN108459318 A CN 108459318A
Authority
CN
China
Prior art keywords
landslide
development
remote sensing
factor
data
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
CN201810107897.6A
Other languages
English (en)
Inventor
刘桂卫
杨国涛
徐永明
李国和
齐春雨
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.)
China Railway Design Corp
Original Assignee
China Railway Design 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 Railway Design Corp filed Critical China Railway Design Corp
Priority to CN201810107897.6A priority Critical patent/CN108459318A/zh
Publication of CN108459318A publication Critical patent/CN108459318A/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
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • 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
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/865—Combination of radar systems with lidar systems
    • 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
    • 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
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging

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)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种基于遥感技术的潜在滑坡早期识别方法，包括以下步骤：S1、获取工程区的遥感资料、地形资料及地质资料；S2、提取滑坡发育因子及取值范围；S3、建立滑坡因子集标准单元；S4、建立模型划分滑坡发育高危区；S5、对滑坡发育高危区进行差分干涉雷达遥感监测，提取高危区变形及裂缝信息，实现潜在滑坡早期识别。该方法能够实现大范围潜在滑坡的早期识别并对重点区域进行聚焦，突破了传统方法点测量的范畴，实现了面状监测识别，能大幅减少人力物力投入，显著降低潜在滑坡早期识别成本，提高工程运营安全和防灾减灾水平。

Description

基于遥感技术的潜在滑坡早期识别方法
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潜在滑坡早期识别方法。
背景技术
滑坡灾害是工程地质勘察的一项重要内容。常规的地面调查或遥感解译方法都是用于识别已经发生的滑坡，很难实现潜在滑坡的早期识别。潜在滑坡对工程具有很大的危害性，给工程施工和运营安全带来很大风险。因此实现潜在滑坡的早期识别对于工程施工、运营安全等都有重要的意义。
传统的滑坡早期识别方法，如埋设传感器法、现场监测法等，都需要大量的人力物力，并多局限在点测量的范畴上，难以满足大范围潜在滑坡的早期识别需求。
发明内容
本发明的目的是提供一种识别成本低、能够实现大范围潜在滑坡早期识别的方法。
为此，本发明的技术方案如下：
一种基于遥感技术的潜在滑坡早期识别方法，包括以下步骤：
S1、获取工程区的遥感资料、地形资料及地质资料：所述遥感资料包括高分辨率遥感影像和多期差分干涉雷达遥感影像；所述地质资料包括地质图和不良地质图；
S2、提取滑坡发育因子及取值范围，包括以下步骤：(1)对步骤S1获取的地质图和不良地质图进行坐标系校正和数字化处理，提取区域滑坡分布特征信息；(2)构建三维遥感空间场景，提取坡度、坡向、坡面曲率、地形起伏度、植被覆盖度及到达水系距离信息；(3)利用统计方法得到滑坡发育影响因子和取值范围；
S3、建立滑坡因子集标准单元：根据步骤S2得到的滑坡发育影响因子和取值范围将各个滑坡发育影响因子划分成多个区间，统计单个影响因子的各个区间内滑坡发生的密度，得到该影响因子的最佳取值区间；利用同样方法得到所有影响因子的最佳取值区间，这些因子的最佳取值区间组成滑坡因子集标准单元；
S4、建立模型划分滑坡发育高危区：利用步骤S2得到的三维遥感空间场景，划分滑坡发育单元；编辑其属性信息，将步骤(1)得到的滑坡发育单元发送至步骤S2构建的三维遥感空间场景中，提取滑坡发育单元的坡度、坡向、坡面曲率、地形起伏度、植被覆盖度和到达水系距离，组成滑坡发育单元属性集；利用数学相似度模型，计算得到滑坡发育单元的高危区；
S5、对滑坡发育高危区进行差分干涉雷达遥感监测，提取高危区变形及裂缝信息，实现潜在滑坡早期识别。
其中，步骤S1所述的地形资料为工程区的数字高程数据，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和惯性测量单元姿态定位参数。
步骤S1所述的高分辨率遥感影像为分辨率为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者分辨率更高的卫星影像、数码航摄影像；所述的高分辨率遥感影像带有有理函数传感器模型参数；所述差分干涉雷达遥感影像为分辨率较高的Radarsat、 TerraSAR-X数据。
在S2中，步骤(2)具体包括：对步骤S1获取的高分辨率遥感影像进行处理；利用获取的数字高程数据建立数字高程模型；以处理后的遥感影像为基准，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，构建三维遥感空间场景该操作可在遥感图像处理软件中完成；将步骤(1)提取的区域滑坡分布特征信息加载至所构建的三维遥感空间场景，提取滑坡发生区域的坡度、坡向、坡面曲率、地形起伏度、植被覆盖度和到达水系距离。
所述对高分辨率遥感影像进行处理包括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。
所述建立数字高程模型主要有以下几种途径：
1)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；
2)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；
3)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。
在S2中，步骤(3)具体包括：将得到的滑坡分布特征与坡度、坡向、坡面曲率、地形起伏度、植被覆盖度和到达水系距离在地理信息系统软件中进行空间叠加分析，统计每个滑坡发生区域的坡度、坡向、坡面曲率、地形起伏度、植被覆盖度和到达水系距离的取值范围。
步骤S4中划分滑坡发育单元的方法包括以下步骤：
1)划分河流沟谷和集水区域：对步骤S2得到的数字高程模型进行水文分析，包括洼地填充、水流方向计算、汇流计算和集水区域计算，划分出河流沟谷和集水区域；
2)划分山体区域和山脊线：将步骤S2得到的数字高程模型进行地形倒置，将地形倒置后的数字高程模型发送到GIS软件，利用水淹分析提取凸起的山体区域和山脊线；
3)生成滑坡发育单元：将划分的集水区域和凸起的山体区域进行交切，生成滑坡发育单元。
步骤S4中，利用欧氏距离数学相似度模型计算所有滑坡发育单元属性集与滑坡因子集标准单元之间的距离，得到滑坡发育高危区，其中：
滑坡因子集标准单元表示为向量V(V1,V2,V3,V4,V5,V6)，其中V1表示坡度因子最佳取值区间， V2表示坡向因子最佳取值区间，V3表示坡面曲率因子最佳取值区间，V4表示地形起伏度因子最佳取值区间，V5表示植被覆盖度因子最佳取值区间，V6表示到达水系距离因子最佳取值区间；
第i个滑坡发育单元的属性集表示为向量Vi(Vi1,Vi2,Vi3,Vi4,Vi5,Vi6)，其中Vi1表示该滑坡发育单元的坡度因子取值区间，Vi2表示该滑坡发育单元的坡向因子取值区间，Vi3表示该滑坡发育单元的坡面曲率因子取值区间，Vi4表示该滑坡发育单元的地形起伏度因子取值区间，Vi5表示该滑坡发育单元的植被覆盖度因子取值区间，Vi6表示该滑坡发育单元的到达水系距离因子取值区间；
则第i个滑坡发育单元属性集与滑坡因子集标准单元的欧氏距离Li表示为：
计算所有滑坡发育单元与滑坡因子集标准单元的欧氏距离，组成一个数列；取这个数列的中值L中作为划分标准，对所有滑坡发育单元进行筛选，其中，Li﹤L中的滑坡发育单元划分为滑坡发育高危区。
步骤S5的实现方法为：对步骤S1获取的多期差分干涉雷达遥感影像进行处理，对步骤 S4得到的滑坡发育高危区进行差分干涉雷达遥感监测，提取高危区变形及裂缝信息，优选采用永久散射体差分干涉测量技术提取高危区变形信息；若滑坡发育高危区出现连续变形，或裂缝出现开裂和拉伸，则确定为潜在滑坡发育的早期阶段，实现潜在滑坡的早期识别。
本发明具有以下优点和有益效果：
本发明能够实现大范围潜在滑坡的早期识别，并对重点区域进行聚焦，突破了传统方法点测量的范畴，实现了面状监测识别，能够大幅减少人力物力投入，显著降低潜在滑坡早期识别成本，具有很强的工程实用性，可为工程设计、施工和运维提供重要参考，提高工程运营安全和防灾减灾水平。
附图说明
图1为本发明的基于遥感技术的潜在滑坡早期识别方法的流程图。
具体实施方式
下面结合附图对本发明的基于遥感技术的潜在滑坡早期识别方法做进一步说明。
图1为本发明的基于遥感技术的潜在滑坡早期识别方法的流程图。如图1所示，本发明的基于遥感技术的潜在滑坡早期识别方法包括以下步骤：
S1、获取工程区遥感、地形及地质资料
所述工程区遥感资料包括高分辨率遥感影像和多期差分干涉雷达遥感影像。所述高分辨率遥感影像可以是分辨率为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参数。所述差分干涉雷达遥感影像可以是分辨率较高的Radarsat、TerraSAR-X等数据。
所述工程区地形资料主要为数字高程数据。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、惯性测量单元等姿态定位参数。
所述工程区地质资料主要包括地质图、不良地质图等。
S2、提取滑坡发育因子及取值范围，包括以下步骤：
(1)对步骤S1获取的地质图和不良地质图等资料进行坐标系校正和数字化处理，提取区域滑坡分布特征信息。
(2)构建三维遥感空间场景，提取坡度、坡向、坡面曲率、地形起伏度、植被覆盖度、到达水系距离等信息：对步骤S1获取的高分辨率遥感影像进行处理；利用获取的数字高程数据建立数字高程模型；以处理后的遥感影像为基准，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，构建三维遥感空间场景该操作可在遥感图像处理软件中完成；将步骤(1)提取的区域滑坡分布特征信息加载至所构建的三维遥感空间场景，提取滑坡发生区域的坡度、坡向、坡面曲率、地形起伏度、植被覆盖度和到达水系距离等信息，该操作可在GIS软件中完成。
其中，所述对高分辨率遥感影像进行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；
所述建立数字高程模型主要有以下几种途径：
1)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，一般的地理信息系统(GIS)软件都可实现此操作。
2)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。
3)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)利用统计方法得到滑坡发育影响因子和取值范围：将得到的滑坡分布特征与坡度、坡向、坡面曲率、地形起伏度、植被覆盖度、到达水系距离等信息在地理信息系统软件中进行空间叠加分析，统计每个滑坡发生区域的坡度、坡向、坡面曲率、地形起伏度、植被覆盖度、到达水系距离等影响因子的取值范围。统计过程可利用表面分析、距离分析和区域分析等工具，在GIS软件中完成。
S3、建立滑坡因子集标准单元
根据步骤S2得到的滑坡发育影响因子和取值范围，将各个影响因子划分成多个区间，统计单个因子各区间内滑坡发生的密度，发生滑坡的密度最大的区间，即为该因子的最佳取值区间。利用同样的统计方法得到所有因子的最佳取值区间，这些因子的最佳取值区间组成一个集合，即为因子集标准单元；
S4、建立模型划分滑坡发育高危区：利用步骤S2得到的三维遥感空间场景划分滑坡发育单元；编辑滑坡发育单元属性信息；利用数学相似度模型计算得到滑坡发育单元的高危区。具体如下：
(1)划分滑坡发育单元：滑坡往往发生在地形起伏的斜坡坡面上，划分滑坡发育单元主要是划分斜坡地形单元，该过程可在地理信息系统软件中完成。包括以下步骤：
①划分河流沟谷和集水区域：对步骤S2得到的数字高程模型进行水文分析，包括洼地填充、水流方向计算、汇流计算和集水区域计算，划分出河流沟谷和集水区域；
②划分山体区域和山脊线：将步骤S2得到的数字高程模型进行地形倒置，将地形倒置后的数字高程模型发送到GIS软件，利用水淹分析提取凸起的山体区域和山脊线；
③生成滑坡发育单元：将步骤①划分的集水区域和步骤②提取的凸起的山体区域进行交切，生成滑坡发育单元。
(2)编辑滑坡发育单元属性。将步骤(1)得到的滑坡发育单元发送至步骤S2构建的三维遥感空间场景中，提取滑坡发育单元的坡度、坡向、坡面曲率、地形起伏度、植被覆盖度、到达水系距离等属性信息，组成滑坡发育单元属性集。
(3)计算滑坡发育高危区：利用欧氏距离数学相似度模型计算所有滑坡发育单元属性集与滑坡因子集标准单元之间的距离，得到滑坡发育高危区。其中：
滑坡因子集标准单元可表示为向量V(V1,V2,V3,V4,V5,V6)，其中V1表示坡度因子最佳取值区间，V2表示坡向因子最佳取值区间，V3表示坡面曲率因子最佳取值区间，V4表示地形起伏度因子最佳取值区间，V5表示植被覆盖度因子最佳取值区间，V6表示到达水系距离因子最佳取值区间。第i个滑坡发育单元的属性集可表示为向量Vi(Vi1,Vi2,Vi3,Vi4,Vi5,Vi6)，其中Vi1表示该滑坡发育单元的坡度因子取值区间，Vi2表示该滑坡发育单元的坡向因子取值区间，Vi3表示该滑坡发育单元的坡面曲率因子取值区间，Vi4表示该滑坡发育单元的地形起伏度因子取值区间，Vi5表示该滑坡发育单元的植被覆盖度因子取值区间，Vi6表示该滑坡发育单元的到达水系距离因子取值区间。则第i个滑坡发育单元属性集与滑坡因子集标准单元的欧氏距离Li可表示为：
Li越小，说明该滑坡发育单元发生滑坡的危险性越高。
计算所有滑坡发育单元与滑坡因子集标准单元的欧氏距离，组成一个数列。取这个数列的中值L中作为划分标准，对所有滑坡发育单元进行筛选，其中，Li﹤L中的滑坡发育单元划分为滑坡发育的高危区。
S5、提取上述高危区变形及裂缝信息，实现潜在滑坡早期识别
对步骤S1获取的多期差分干涉雷达遥感影像进行处理，对步骤S4得到的滑坡发育高危区进行差分干涉雷达遥感监测，提取高危区变形及裂缝信息。本发明采用永久散射体(PS) 差分干涉测量技术提取变形信息。若滑坡发育高危区出现连续变形，或裂缝出现开裂、拉伸等现象，可确定为潜在滑坡发育的早期阶段，从而实现潜在滑坡的早期识别。
永久散射体差分干涉测量技术可用于长时间、缓慢、mm级的高精度形变监测。其数据处理过程如下：
①雷达影像配准：选择参考影像，将其他雷达影像与参考影像进行配准，并裁剪出滑坡发育高危区工作范围；
②提取PS点：采用正负离差指数以及强度信息提取PS点；
③差分干涉处理：提取PS点上的干涉相位；
④计算线性形变及高程改正：计算线性形变速率以及高程误差改正；
⑤残余相位分解：利用不同相位时空特点，分解出噪声、非线性以及大气等相位分量；
⑥计算变形量及变形速率：利用不同分量计算变形量及变形速率。
以上对本发明做了示例性的描述，应该说明的是，在不脱离本发明的核心的情况下，任何简单的变形、修改或者其他本领域技术人员能够不花费创造性劳动的等同替换均落入本实发明的保护范围。

Claims (10)

1.一种基于遥感技术的潜在滑坡早期识别方法，包括以下步骤：
S1、获取工程区的遥感资料、地形资料及地质资料：所述遥感资料包括高分辨率遥感影像和多期差分干涉雷达遥感影像；所述地质资料包括地质图和不良地质图；
S2、提取滑坡发育因子及取值范围，包括以下步骤：(1)对步骤S1获取的地质图和不良地质图进行坐标系校正和数字化处理，提取区域滑坡分布特征信息；(2)构建三维遥感空间场景，提取坡度、坡向、坡面曲率、地形起伏度、植被覆盖度及到达水系距离信息；(3)利用统计方法得到滑坡发育影响因子和取值范围；
S3、建立滑坡因子集标准单元：根据步骤S2得到的滑坡发育影响因子和取值范围将各个滑坡发育影响因子划分成多个区间，统计单个影响因子的各个区间内滑坡发生的密度，得到该影响因子的最佳取值区间；利用同样方法得到所有影响因子的最佳取值区间，这些因子的最佳取值区间组成滑坡因子集标准单元；
S4、建立模型划分滑坡发育高危区：利用步骤S2得到的三维遥感空间场景，划分滑坡发育单元；编辑其属性信息，将步骤(1)得到的滑坡发育单元发送至步骤S2构建的三维遥感空间场景中，提取滑坡发育单元的坡度、坡向、坡面曲率、地形起伏度、植被覆盖度和到达水系距离，组成滑坡发育单元属性集；利用数学相似度模型，计算得到滑坡发育单元的高危区；
S5、对滑坡发育高危区进行差分干涉雷达遥感监测，提取高危区变形及裂缝信息，实现潜在滑坡早期识别。
2.根据权利要求1所述的潜在滑坡早期识别方法，其特征在于：步骤S1所述的地形资料为工程区的数字高程数据，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和惯性测量单元姿态定位参数。
3.根据权利要求1所述的潜在滑坡早期识别方法，其特征在于：步骤S1所述的高分辨率遥感影像为分辨率为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者分辨率更高的卫星影像、数码航摄影像；所述的高分辨率遥感影像带有有理函数传感器模型参数；所述差分干涉雷达遥感影像为分辨率较高的Radarsat、TerraSAR-X数据。
4.根据权利要求1所述的潜在滑坡早期识别方法，其特征在于，在S2中，步骤(2)具体包括：对步骤S1获取的高分辨率遥感影像进行处理；利用获取的数字高程数据建立数字高程模型；以处理后的遥感影像为基准，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，构建三维遥感空间场景该操作可在遥感图像处理软件中完成；将步骤(1)提取的区域滑坡分布特征信息加载至所构建的三维遥感空间场景，提取滑坡发生区域的坡度、坡向、坡面曲率、地形起伏度、植被覆盖度和到达水系距离。
5.根据权利要求4所述的潜在滑坡早期识别方法，其特征在于：所述对高分辨率遥感影像进行处理包括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。
6.根据权利要求4所述的潜在滑坡早期识别方法，其特征在于：所述建立数字高程模型主要有以下几种途径：
1)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；
2)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；
3)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。
7.根据权利要求1所述的潜在滑坡早期识别方法，其特征在于，在S2中，步骤(3)具体包括：将得到的滑坡分布特征与坡度、坡向、坡面曲率、地形起伏度、植被覆盖度和到达水系距离在地理信息系统软件中进行空间叠加分析，统计每个滑坡发生区域的坡度、坡向、坡面曲率、地形起伏度、植被覆盖度和到达水系距离的取值范围。
8.据权利要求1所述的潜在滑坡早期识别方法，其特征在于：步骤S4中划分滑坡发育单元的方法包括以下步骤：
1)划分河流沟谷和集水区域：对步骤S2得到的数字高程模型进行水文分析，包括洼地填充、水流方向计算、汇流计算和集水区域计算，划分出河流沟谷和集水区域；
2)划分山体区域和山脊线：将步骤S2得到的数字高程模型进行地形倒置，将地形倒置后的数字高程模型发送到GIS软件，利用水淹分析提取凸起的山体区域和山脊线；
3)生成滑坡发育单元：将划分的集水区域和凸起的山体区域进行交切，生成滑坡发育单元。
9.根据权利要求1所述的潜在滑坡早期识别方法，其特征在于：步骤S4中，利用欧氏距离数学相似度模型计算所有滑坡发育单元属性集与滑坡因子集标准单元之间的距离，得到滑坡发育高危区，其中：
滑坡因子集标准单元表示为向量V(V1,V2,V3,V4,V5,V6)，其中V1表示坡度因子最佳取值区间，V2表示坡向因子最佳取值区间，V3表示坡面曲率因子最佳取值区间，V4表示地形起伏度因子最佳取值区间，V5表示植被覆盖度因子最佳取值区间，V6表示到达水系距离因子最佳取值区间；
第i个滑坡发育单元的属性集表示为向量Vi(Vi1,Vi2,Vi3,Vi4,Vi5,Vi6)，其中Vi1表示该滑坡发育单元的坡度因子取值区间，Vi2表示该滑坡发育单元的坡向因子取值区间，Vi3表示该滑坡发育单元的坡面曲率因子取值区间，Vi4表示该滑坡发育单元的地形起伏度因子取值区间，Vi5表示该滑坡发育单元的植被覆盖度因子取值区间，Vi6表示该滑坡发育单元的到达水系距离因子取值区间；
则第i个滑坡发育单元属性集与滑坡因子集标准单元的欧氏距离Li表示为：
计算所有滑坡发育单元与滑坡因子集标准单元的欧氏距离，组成一个数列；取这个数列的中值L中作为划分标准，对所有滑坡发育单元进行筛选，其中，Li﹤L中的滑坡发育单元划分为滑坡发育高危区。
10.根据权利要求1所述的潜在滑坡早期识别方法，其特征在于，步骤S5的实现方法为：对步骤S1获取的多期差分干涉雷达遥感影像进行处理，对步骤S4得到的滑坡发育高危区进行差分干涉雷达遥感监测，提取高危区变形及裂缝信息，优选采用永久散射体差分干涉测量技术提取高危区变形信息；若滑坡发育高危区出现连续变形，或裂缝出现开裂和拉伸，则确定为潜在滑坡发育的早期阶段，实现潜在滑坡的早期识别。
CN201810107897.6A 2018-02-02 2018-02-02 基于遥感技术的潜在滑坡早期识别方法 Pending CN108459318A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810107897.6A CN108459318A (zh) 2018-02-02 2018-02-02 基于遥感技术的潜在滑坡早期识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810107897.6A CN108459318A (zh) 2018-02-02 2018-02-02 基于遥感技术的潜在滑坡早期识别方法

Publications (1)

Publication Number Publication Date
CN108459318A true CN108459318A (zh) 2018-08-28

Family

ID=63239259

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810107897.6A Pending CN108459318A (zh) 2018-02-02 2018-02-02 基于遥感技术的潜在滑坡早期识别方法

Country Status (1)

Country Link
CN (1) CN108459318A (zh)

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165622A (zh) * 2018-09-06 2019-01-08 中国地质环境监测院 基于InSAR技术的区域滑坡早期动态识别监测有效区域确定方法
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
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
CN110189018A (zh) * 2019-05-28 2019-08-30 中国科学院地理科学与资源研究所 边坡稳定性评测方法及装置
CN110346537A (zh) * 2019-07-11 2019-10-18 中国科学院、水利部成都山地灾害与环境研究所 基于构造隆升地块与地貌凸出体判定潜在岩质滑坡的方法
CN110781825A (zh) * 2019-10-25 2020-02-11 云南电网有限责任公司电力科学研究院 一种电网滑坡区域识别系统及方法
CN111626269A (zh) * 2020-07-07 2020-09-04 中国科学院空天信息创新研究院 一种实用的大空间范围滑坡提取方法
CN111854699A (zh) * 2020-07-03 2020-10-30 武汉大学 一种基于无人机航测河道崩岸过程的监测方法
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
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
CN113326756A (zh) * 2021-05-25 2021-08-31 中国地质调查局武汉地质调查中心 一种基于岩体劣化特征的库岸潜在滑坡隐患识别方法
CN113591700A (zh) * 2021-07-30 2021-11-02 兰州大学 一种潜在滑坡堵江预测方法
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
CN114036777A (zh) * 2021-11-26 2022-02-11 成都理工大学 一种浅层土质滑坡的早期识别方法
CN115236655A (zh) * 2022-09-01 2022-10-25 成都理工大学 基于全极化sar的滑坡识别方法、系统、设备及介质
CN116994156A (zh) * 2023-09-27 2023-11-03 自然资源部第三地理信息制图院 一种滑坡隐患综合遥感识别方法、系统、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102426395A (zh) * 2011-11-11 2012-04-25 铁道第三勘察设计院集团有限公司 一种基于三维地质遥感判释技术的滑坡体体积参数量测方法
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
CN105989322A (zh) * 2015-01-27 2016-10-05 同济大学 一种基于高分辨率遥感影像的多指标融合滑坡检测方法
CN106226779A (zh) * 2016-07-11 2016-12-14 铁道第三勘察设计院集团有限公司 基于遥感技术的易发滑坡预测方法
CN107132539A (zh) * 2017-05-03 2017-09-05 中国地质科学院探矿工艺研究所 一种基于小基线集的时间序列InSAR的滑坡早期识别方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102426395A (zh) * 2011-11-11 2012-04-25 铁道第三勘察设计院集团有限公司 一种基于三维地质遥感判释技术的滑坡体体积参数量测方法
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
CN105989322A (zh) * 2015-01-27 2016-10-05 同济大学 一种基于高分辨率遥感影像的多指标融合滑坡检测方法
CN106226779A (zh) * 2016-07-11 2016-12-14 铁道第三勘察设计院集团有限公司 基于遥感技术的易发滑坡预测方法
CN107132539A (zh) * 2017-05-03 2017-09-05 中国地质科学院探矿工艺研究所 一种基于小基线集的时间序列InSAR的滑坡早期识别方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
PERAYA TANTIANUPARP等: "Characterization of Landslide Deformations in Three Gorges Area Using Multiple InSAR Data Stacks", 《REMOTE SENSING》 *
何杨: "高分遥感与InSAR技术在黄土滑坡识别和监测中的应用研究", 《中国优秀硕士学位论文全文数据库基础科学辑（月刊）》 *
李婧: "一种改进的最近邻聚类算法", 《重庆工商大学学报( 自然科学版)》 *
温浩: "基于MTI技术的岷江流域滑坡识别研究", 《中国优秀硕士学位论文全文数据库基础科学辑（月刊）》 *
黄发明: "基于3S和人工智能的滑坡位移预测与易发性评价", 《中国博士学位论文全文数据库基础科学辑（月刊）》 *

Cited By (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109165622B (zh) * 2018-09-06 2021-10-01 中国地质环境监测院 基于InSAR技术的区域滑坡早期动态识别监测有效区域确定方法
CN109165622A (zh) * 2018-09-06 2019-01-08 中国地质环境监测院 基于InSAR技术的区域滑坡早期动态识别监测有效区域确定方法
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
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
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
CN110189018A (zh) * 2019-05-28 2019-08-30 中国科学院地理科学与资源研究所 边坡稳定性评测方法及装置
CN110346537A (zh) * 2019-07-11 2019-10-18 中国科学院、水利部成都山地灾害与环境研究所 基于构造隆升地块与地貌凸出体判定潜在岩质滑坡的方法
CN110346537B (zh) * 2019-07-11 2021-11-05 中国科学院、水利部成都山地灾害与环境研究所 基于构造隆升地块与地貌凸出体判定潜在岩质滑坡的方法
CN110781825A (zh) * 2019-10-25 2020-02-11 云南电网有限责任公司电力科学研究院 一种电网滑坡区域识别系统及方法
CN110781825B (zh) * 2019-10-25 2023-05-23 云南电网有限责任公司电力科学研究院 一种电网滑坡区域识别系统及方法
CN111854699A (zh) * 2020-07-03 2020-10-30 武汉大学 一种基于无人机航测河道崩岸过程的监测方法
CN111626269A (zh) * 2020-07-07 2020-09-04 中国科学院空天信息创新研究院 一种实用的大空间范围滑坡提取方法
CN111626269B (zh) * 2020-07-07 2021-08-27 中国科学院空天信息创新研究院 一种实用的大空间范围滑坡提取方法
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
CN112598881B (zh) * 2020-12-03 2022-03-25 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
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
CN113326756A (zh) * 2021-05-25 2021-08-31 中国地质调查局武汉地质调查中心 一种基于岩体劣化特征的库岸潜在滑坡隐患识别方法
CN113591700A (zh) * 2021-07-30 2021-11-02 兰州大学 一种潜在滑坡堵江预测方法
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
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
CN114036777A (zh) * 2021-11-26 2022-02-11 成都理工大学 一种浅层土质滑坡的早期识别方法
CN114036777B (zh) * 2021-11-26 2022-10-18 成都理工大学 一种浅层土质滑坡的早期识别方法
CN115236655A (zh) * 2022-09-01 2022-10-25 成都理工大学 基于全极化sar的滑坡识别方法、系统、设备及介质
CN115236655B (zh) * 2022-09-01 2022-12-20 成都理工大学 基于全极化sar的滑坡识别方法、系统、设备及介质
US11747498B1 (en) 2022-09-01 2023-09-05 Chengdu University Of Technology Method, system, device and medium for landslide identification based on full polarimetric SAR
CN116994156A (zh) * 2023-09-27 2023-11-03 自然资源部第三地理信息制图院 一种滑坡隐患综合遥感识别方法、系统、设备及介质
CN116994156B (zh) * 2023-09-27 2023-12-08 自然资源部第三地理信息制图院 一种滑坡隐患综合遥感识别方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
CN108459318A (zh) 基于遥感技术的潜在滑坡早期识别方法
d Alan Digital photogrammetric change analysis as applied to active coastal dunes in Michigan
Bullard et al. Morphometric analysis of aeolian bedforms in the Namib Sand Sea using ASTER data
CN109100719B (zh) 基于星载sar影像与光学影像的地形图联合测图方法
CN112729130A (zh) 卫星遥感测量树木冠层高度的方法
CN107861129A (zh) 一种山地地貌遥感提取方法
CN111932591B (zh) 典型地质灾害遥感智能提取的方法与系统
Chrysoulakis et al. Validation of ASTER GDEM for the Area of Greece
Krooks et al. WebGL visualisation of 3D environmental models based on finnish open geospatial data sets
Zhang et al. Building footprint and height information extraction from airborne LiDAR and aerial imagery
Dehvari et al. Removing non-ground points from automated photo-based DEM and evaluation of its accuracy with LiDAR DEM
Santos et al. Characterizing urban volumetry using lidar data
CN113744393B (zh) 一种多层级边坡滑坡变化监测方法
Liu An evaluation on the data quality of SRTM DEM at the alpine and plateau area, north-western of China
Gašparović et al. A novel automated method for the improvement of photogrammetric DTM accuracy in forests
CN107860375A (zh) 一种基于三维激光扫描技术的滑坡灾害体积快速提取方法
Göksel et al. Land Use and Land Cover Changes Using Spot 5 Pansharpen Images; A Case Study in Akdeniz District, Mersin-Turkey
Malekian et al. Photogrammetric reconstruction and multi-temporal comparison of Brenva glacier (Italy) from archive photos
Yu et al. A cue line based method for building modeling from LiDAR and satellite imagery
Peng et al. Application of digital twins in high precision geological hazard survey and prevention in Beijing
Oshio et al. Generating DTM from DSM Using a Conditional GAN in Built-Up Areas
Miliaresis The terrain signatures of administrative units: a tool for environmental assessment
Galy et al. Using Synthetic Aperture Radar imagery for flood modelling
Hnila et al. Quality Assessment of Digital Elevation Models in a Treeless High-Mountainous Landscape: A Case Study from Mount Aragats, Armenia
Mothi Kumar et al. GIS based cadastral level forest information system using World View-II data in Bir Hisar (Haryana)

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180828

RJ01 Rejection of invention patent application after publication