CN109388887B - 一种地面沉降影响因素定量分析方法及系统 - Google Patents
一种地面沉降影响因素定量分析方法及系统 Download PDFInfo
- Publication number
- CN109388887B CN109388887B CN201811173791.2A CN201811173791A CN109388887B CN 109388887 B CN109388887 B CN 109388887B CN 201811173791 A CN201811173791 A CN 201811173791A CN 109388887 B CN109388887 B CN 109388887B
- Authority
- CN
- China
- Prior art keywords
- dynamic load
- stress field
- load stress
- index
- ground settlement
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提出了一种地面沉降影响因素定量分析方法,该方法包括:选取区域中对应的动载荷数据对象,建立动载荷应力场,以所述动载荷应力场的场势值定量化所述动载荷应力场分布情况;对所述区域的遥感影像进行辐射校正,基于土壤调节植被指数、修正的归一化水体指数和归一化建筑指数,构建IBI指数模型;选取所述区域的多个影响因子,利用机器学习的方式,获取各影响因子的影响程度。本发明从大数据角度出发,将影响地面沉降的多个因素综合在一起进行考虑,更加客观地反应地面沉降中的各影响因素的贡献。
Description
技术领域
本发明涉及地面沉降的定量计算领域,尤其涉及一种通过大数据确定地面沉降的各影响因素在地面沉降中的影响程度的定量分析方法及系统。
背景技术
地面沉降作为地下空间开发利用及演化的地表响应,它由自然因素和人为因素共同作用下发生,是一种地面标高损失的环境地质现象。地面沉降多元场由地表形变场、地下水渗流场和动静载荷应力场构成。地面沉降的发生是不可逆的,当地面沉降严重时,会诱发一系列地质环境灾害发生,形成灾害链。据资料显示,目前,全世界范围内,包括中国在内的150多个地区已经发生了地面沉降,地面沉降已经引起了国际社会的大力关注,联合国教科文组织地面沉降组、国际水文科学协会、地质科学国际联合会和美国地质调查局等国际组织团体已开展了一系列的研究,共同探讨地面沉降监测技术与防治问题。地面沉降已经成为全球性、多学科交叉的复杂环境地质问题,定量计算地下水渗流场、动静载荷应力场和地质背景对地表形变场的贡献,即确定不同的影响因素在地面沉降中的权重,为区域地面沉降调控和治理提供科学依据是十分必要的。
目前,国内外众多专家学者对地表形变场监测、地下水渗流场和动静载荷应力场分析等方面开展了大量的研究。近20多年来,InSAR技术已经成为一种全新的对地观测技术,对比传统的技术,如水准测量、分层标基岩标测量和全球定位系统(GPS)等测量技术,该技术监测范围广、监测精度高(可达到毫米级)、并且可以全天候监测,现已被专家学者广泛应用于地面沉降监测研究中。目前主要的时序InSAR技术方法有:干涉图叠加法(Stacking)、永久散射体干涉测量技术(Persistent scatterer interferometry,PSI)、小基线干涉测量方法(Small Baseline Subset,SBAS-InSAR)、最小二乘技术方法(LeastSquare,LS)、相干目标技术方法(Coherence Target/Coherence Point Target,CPT-InSAR)、临时性相干点测量方法(Temporal Coherence Point,TCP-InSAR)和干涉点目标分析方法(IPTA)。部分专家学者利用Stacking技术探测天津、珠江三角洲、西安地裂缝、古交矿区、徐州沛北矿区、青藏高原东北缘老虎山断裂带的地表形变速率场;Stacking技术属于传统的干涉方法,它基于面进行观测,在使用Stacking技术时,要保证试验区整体上有较好的相干性,至少要有一片连续的相干区域。然而,在实际应用中,Stacking技术方法挑选的仅仅是少量相干性好的干涉图来用于叠加分析和形变信息提取,而大量相干性较低的干涉图被丢弃。这样全部的雷达数据得不到充分利用,累积观测时长也受到了限制。PSI技术最早由意大利的Ferretti等人提出,PSI技术是识别出PS点,也称为永久散射体,通常为裸露的岩石、建筑物、道路等相位较稳定的点,通过对所选取的PS点进行时空滤波等处理,获取PS点处相对稳定可靠的形变估算结果,这种技术可以很好的克服传统差分干涉测量(D-InSAR)技术中的相位失相关和大气延迟等因素的影响,研究学者选取JERS-1、ERS 1/2、ENVISAT ASAR、RADARSAT-1/2和TerraSAR-X等SAR数据,利用PSI技术对区域地表形变场信息进行获取;由于PSInSAR的优势,国际上众多学者开展了深入研究,2002年和2004年,Berardino等人和Lanari等人提出了一种新的时序InSAR测量方法—小基线集干涉测量(SBAS-InSAR)技术,该方法是以PSI为基础,不仅能克服空间时间失相关和大气延迟等因素的影响,并且相对于PSI技术,SBAS-InSAR技术对缺乏强后向散射特征,但在短时间间隔内保持较好相干性的像元进行识别,利用此方法可以获得更为连续的形变信息,从而更加适用于长时间缓慢形变的地表监测中。2012年,Canova等人利用SBAS-InSAR技术和ERS 1–2数据监测地面沉降,发现地表形变速率在奥古斯塔地区达到18mm/year,在锡拉库扎地区达到6mm/year,在维拉斯蒙多地区达到5mm/year,在普廖洛地区达到4.5mm/year。2014年,Chaussard等人利用SBAS-InSAR技术获取整个墨西哥中部地区地表形变场信息,发现在墨西哥城市观测到的地面沉降速率超过30cm/yeari。2016年,Sowter等人利用间歇SBAS-InSAR技术(ISBAS)处理143对小基线对,获取卫星视线向地表形变场信息。
随着InSAR技术的出现,大范围、高精度监测地表形变信息已成为可能,其监测精度可以达到毫米级,并且以监测点表征地表的形变信息,其中北京平原区的监测点就达到几十万个,在获取监测信息的基础上,有必要定量分析地面沉降的影响因素对其的影响,目前,在对地面沉降的各个影响因素进行分析时,多为分析各个影响因素单独对地面沉降的影响,且利用的是简单的相关分析,而地面沉降的影响因素之间往往存在着一定的互影响。
发明内容
针对现有技术的不足,本发明针对地面沉降监测信息,从大数据角度出发,整体定量分析各影响因素对地面沉降的贡献,为地面沉降科学调控提供一定的理论基础。具体而言,本发明提供了以下的技术方案:
一方面,本发明提供了一种地面沉降影响因素定量分析方法,所述方法包括:
步骤1、选取区域中对应的动载荷数据对象,建立动载荷应力场,以所述动载荷应力场的场势值定量化所述动载荷应力场分布情况;
步骤2、对所述区域的遥感影像进行辐射校正,基于土壤调节植被指数、修正的归一化水体指数和归一化建筑指数,构建IBI指数模型;
步骤3、选取所述区域的地下水流场-地下水水位变化、地质背景-可压缩层厚度、动载荷应力场-动载荷应力场势值、静载荷应力场-静载荷应力场IBI作为影响因子,利用机器学习的方式,获取各影响因子的影响程度。
优选地,所述步骤1中,所述动载荷数据对象选取时,通过所述区域中的交通线选取,所述交通线包括地铁线、高速公路和环城高速,并将所述交通线的路网数据的线图层叠加,获取交点图层,将交点作为数据对象的数据点。
优选地,所述步骤1还包括:统计所述交点的坐标信息,获取所述区域中的地面沉降监测点坐标信息,计算交点、地面沉降监测点的场势值,获取所述区域的动载荷应力场势场图,基于最优影响因子参数对所述动载荷应力场进行扩散,得到交点动载荷应力场势图。
优选地,所述最优影响因子参数通过如下方式计算:
(1)初始化道路和地铁节点原始地理坐标CD1,初始化SDFP点地理坐标CD2;其中,SDFP即地面沉降监测点(Slowly Decorrelating Filtered Phase);
(2)采用欧式距离获取道路和地铁节点原始地理坐标CD1与地面沉降监测点坐标CD2的距离,获取势值:
X1(tp1,:)=CD2(1,:)-CD1(1,tp1);
Y1(tp1,:)=CD2(2,:)-CD1(2,tp1);
(3)使用简单试探法,初始搜索范围为
(4)在满足精度条件下,通过选择试验点并且对函数值进行对比分析,逐渐缩小包含极小值点所在区间的范围,获取最优σ值。
优选地,所述监测点坐标信息通过小基线干涉测量方法获取。
优选地,所述步骤2中,所述辐射校正包括去除传感器本身误差,以及在信号传播过程中的影像误差。
优选地,所述土壤调节植被指数计算方法为:
SAVI=[(NIR-RED)(1+L)]/(NIR+RED+1)
其中,NIR为近红外波段的反射率,RED是短红外波段的反射率,L代表土壤调节因子。
优选地,所述修正的归一化水体指数计算方法为:
MNDWI=(GREEN-MIR)/(GREEN+MIR)
其中,GREEN为绿波段的反射率,MIR是中红外波段的反射率。
优选地,所述归一化建筑指数计算方法为:
NDBI=(SWIR-NIR)-(SWIR+NIR)
其中,SWIR为短红外波段的反射率,NIR为近红外波段的反射率。
优选地,所述IBI指数模型为:
IBI=[NDBI-(SAVI+MNDWI)/2]/[NDBI+(MNDWI)/2]
其中,NDBI为归一化建筑指数,SAVI为土壤调节植被指数,MNDWI为修正的归一化水体指数。
优选地,所述步骤3中,所述机器学习采用随机森林模型和梯度提升决策树模型实现。
另一方面,本发明还提供了一种地面沉降影响因素定量分析系统,所述系统包括:
动载荷应力场计算模块,用于选取区域中对应的动载荷数据对象,建立动载荷应力场,以所述动载荷应力场的场势值定量化所述动载荷应力场分布情况;
静载荷应力场计算模块,用于对所述区域的遥感影像进行辐射校正,基于土壤调节植被指数、修正的归一化水体指数和归一化建筑指数,构建IBI指数模型;
影响程度计算模块,选取所述区域的地下水流场-地下水水位变化、地质背景-可压缩层厚度、动载荷应力场-动载荷应力场势值、静载荷应力场-静载荷应力场IBI作为影响因子,利用机器学习的方式,获取各影响因子的影响程度。
优选地,所述动载荷数据对象选取时,通过所述区域中的交通线选取,所述交通线包括地铁线、高速公路和环城高速,并将所述交通线的路网数据的线图层叠加,获取交点图层,将交点作为数据对象的数据点。
优选地,基于交点,统计所述交点的坐标信息,获取所述区域中的监测点坐标信息,计算交点、监测点的场势值,获取所述区域的动载荷应力场势场图,基于最优影响因子参数对所述动载荷应力场进行扩散,得到交点动载荷应力场势图。
优选地,所述最优影响因子参数通过如下方式计算:
(1)初始化道路和地铁节点原始地理坐标CD1,初始化地面沉降监测点地理坐标CD2;
(2)采用欧式距离获取道路和地铁节点原始地理坐标CD1与SDFP坐标CD2的距离,获取势值:
X1(tp1,:)=CD2(1,:)-CD1(1,tp1);
Y1(tp1,:)=CD2(2,:)-CD1(2,tp1);
(3)使用简单试探法,初始搜索范围为
(4)在满足精度条件下,通过选择试验点并且对函数值进行对比分析,逐渐缩小包含极小值点所在区间的范围,获取最优σ值。
优选地,所述监测点坐标信息通过小基线干涉测量方法获取。
优选地,所述辐射校正包括去除传感器本身误差,以及在信号传播过程中的影像误差。
优选地,所述土壤调节植被指数计算方法为:
SAVI=[(NIR-RED)(1+L)]/(NIR+RED+1)
其中,NIR为近红外波段的反射率,RED是短红外波段的反射率,L代表土壤调节因子。
优选地,所述修正的归一化水体指数计算方法为:
MNDWI=(GREEN-MIR)/(GREEN+MIR)
其中,GREEN为绿波段的反射率,MIR是中红外波段的反射率。
优选地,所述归一化建筑指数计算方法为:
NDBI=(SWIR-NIR)-(SWIR+NIR)
其中,SWIR为短红外波段的反射率,NIR为近红外波段的反射率。
优选地,所述IBI指数模型为:
IBI=[NDBI-(SAVI+MNDWI)/2]/[NDBI+(MNDWI)/2]
其中,NDBI为归一化建筑指数,SAVI为土壤调节植被指数,MNDWI为修正的归一化水体指数。
优选地,所述机器学习采用随机森林模型和梯度提升决策树模型实现。
本发明的技术方案相比于现有技术,具有以下优点:本发明从大数据角度出发,将影响地面沉降的多个因素综合在一起进行考虑,并且给出了切实可行的定量分析各影响因素对于地面沉降的影响程度的方法,并且考虑进了多个影响因素之间的相互作用,更加客观地反应地面沉降中的各影响因素的贡献。
附图说明
图1为本发明实施例的各影响因素对地面沉降贡献的技术流程图;
图2为本发明实施例的SBAS-InSAR技术处理流程示意图。
具体实施例
下面将结合本发明实施例中的图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
在一个具体的实施例中,本发明所提出的技术方案通过以下的方式来实现:
在获取到地面沉降监测信息的基础上,结合GIS空间分析、空间数据挖掘和机器学习方法,查明地面沉降各影响因素(地下水流场、动静载荷应力场、地质背景)的贡献。对于动载荷应力场,研究选取数据场模型中的势值对其进行刻画,提取研究区轨道交通路网分布情况,从空间大数据挖掘角度识别研究区交轨道通载荷的空间分布,将轨道交通载荷与地面沉降作为数据对象,结合轨道交通路网中的道路及地铁站点节点与监测地表形变的监测点,建立动载荷数据场,将动载荷应力场势值作为衡量动载荷程度指标,定量化研究区空间分布情况;对于静载荷应力场,选取研究区光学遥感影像,首先对遥感影像进行辐射校正,去除传感器本身产生的误差和在信号传播过程中的大气、太阳高度角和地形等对影像产生的误差影响;然后,分别创建土壤调节植被指数(SAVI)、修正的归一化水体指数(MNDWI)和归一化建筑指数(NDBI)提取模型;接着,利用提取到的三个指数模型构建提取IBI指数模型,利用该方法,使得建筑用地信息更精确的提取出来,作为静载荷应力场;将地面沉降监测信息作为因变量,地下水流场、地质背景(可压缩层厚度)、动静载荷应力场作为自变量,选取空间数据挖掘技术,利用机器学习中随机森林和梯度提升决策树模型,定量揭示地面沉降各影响因素(地下水流场、动静载荷应力场、地质背景)的贡献。
具体而言,本发明的技术方案可以以如下方式来实现:
本发明提供了一种地面沉降影响因素定量分析方法,所述方法包括:
步骤1、选取区域中对应的动载荷数据对象,建立动载荷应力场,以所述动载荷应力场的场势值定量化所述动载荷应力场分布情况;
步骤2、对所述区域的遥感影像进行辐射校正,基于土壤调节植被指数、修正的归一化水体指数和归一化建筑指数,构建IBI指数模型;
步骤3、选取所述区域的地下水流场-地下水水位变化、地质背景-可压缩层厚度、动载荷应力场-动载荷应力场势值、静载荷应力场-静载荷应力场IBI作为影响因子,利用机器学习的方式,获取各影响因子的影响程度。
优选地,所述步骤1中,所述动载荷数据对象选取时,通过所述区域中的交通线选取,所述交通线包括地铁线、高速公路和环城高速,并将所述交通线的路网数据的线图层叠加,获取交点图层,将交点作为数据对象的数据点。
优选地,所述步骤1还包括:统计所述交点的坐标信息,获取所述区域中的地面沉降监测点坐标信息,计算交点、地面沉降监测点的场势值,获取所述区域的动载荷应力场势场图,基于最优影响因子参数对所述动载荷应力场进行扩散,得到交点动载荷应力场势图。
优选地,所述最优影响因子参数通过如下方式计算:
(1)初始化道路和地铁节点原始地理坐标CD1,初始化SDFP点地理坐标CD2;
(2)采用欧式距离获取道路和地铁节点原始地理坐标CD1与SDFP点地理坐标CD2的距离,获取势值:
X1(tp1,:)=CD2(1,:)-CD1(1,tp1);
Y1(tp1,:)=CD2(2,:)-CD1(2,tp1);
(3)使用简单试探法,初始搜索范围为
(4)在满足精度条件下,通过选择试验点并且对函数值进行对比分析,逐渐缩小包含极小值点所在区间的范围,获取最优σ值。
优选地,所述监测点坐标信息通过小基线干涉测量方法获取。
优选地,所述步骤2中,所述辐射校正包括去除传感器本身误差,以及在信号传播过程中的影像误差。
优选地,所述土壤调节植被指数计算方法为:
SAVI=[(NIR-RED)(1+L)]/(NIR+RED+1)
其中,NIR为近红外波段的反射率,RED是短红外波段的反射率,L代表土壤调节因子。
优选地,所述修正的归一化水体指数计算方法为:
MNDWI=(GREEN-MIR)/(GREEN+MIR)
其中,GREEN为绿波段的反射率,MIR是中红外波段的反射率。
优选地,所述归一化建筑指数计算方法为:
NDBI=(SWIR-NIR)-(SWIR+NIR)
其中,SWIR为短红外波段的反射率,NIR为近红外波段的反射率。
优选地,所述IBI指数模型为:
IBI=[NDBI-(SAVI+MNDWI)/2]/[NDBI+(MNDWI)/2]
其中,NDBI为归一化建筑指数,SAVI为土壤调节植被指数,MNDWI为修正的归一化水体指数。
优选地,所述步骤3中,所述机器学习采用随机森林模型和梯度提升决策树模型实现。
实施例2
SBAS-InSAR技术主要原理为,在同一地区获取到N幅雷达影像,通过选取小基线干涉组合条件,生成若干个对小基线干涉相对,假设有M对,再对影像生成差分干涉图,其中包括M幅单视和M幅多视差分干涉图,然后采用传统SBAS-InSAR技术对获得到的多视差分干涉图进行线性形变速率和DEM地形误差的提取,接着将高分辨率单视差分干涉图与对应的低分辨率的单视差分干涉图进行相减,得到残余相位,主要包含形变相位和地形相位。公式可以表示为:
其中,υ(x,r)和分别是高分辨率的平均速度和残余形变中的非线性组分,Δz(x,r)是高分辨率中的地形组分,Δn(x,r)是噪声误差,对于υ(x,r)和Δz(x,r)的估算,要它们满足最大化时相相干因素,表示如下:
d(tn,x,r)=dL(tn,x,r)+(tn-t0)υ(x,r)+β(tn,x,r),n=0,…N(公式1.4)
动载荷应力场因素:
常规的动载荷应力场场强函数是对单一动载荷数据产生的动载荷应力场分布特征的描述,然而,在空间动载荷数据研究中,数据对象是大量的空间动载荷数据,需要考虑各个空间动载荷数据在不止一个属性数据值中表现出的空间特征规律。在动载荷应力场中,每个样本点对数域空间中的各个动载荷数据对象都有影响,每个样本数据产生的动载荷应力场是包括其在内所有样本点产生的动载荷应力场的叠加,也就是说,每个样本数据产生的动载荷应力场的场强均是数域空间中各个动载荷样本数据产生动载荷应力场的总和。任何一个动载荷样本点均单独向周围辐射数据能量,此时某个动载荷样本点接受到的所有动载荷数据能量之和被称为该样本点动载荷应力场的势能(Potential)。由此可知,势能的大小可以衡量动载荷应力场中某个样本数据接受到的数据能量总和的大小,它包括所有样本点的动载荷应力场在该动载荷样本数据上产生的辐射能量总和。
已知数域空间中,动载荷数据分布为D={x1,x2,x3…,xn},在数据集中,各个数据对象xi(i=1,2,…,n)为场源点,具有辐射亮度,各个样本数据向其它位置x(x∈Ω)辐射能量的方式与拟核场辐射方式相同,在动载荷应力场中,某个数据点的势值是各个数据样本的作用之和,表示如下:
式中,K(x)是数据样本的单位势函数;σ作为影响因子,是数据间的影响力程大小,决定样本点间相互作用的有效范围;mi(mi≥0)表示数据对象Xi的质量,n表示数据样本的个数。在大部分数据中,认为各个样本数据的质量相等,即各个样本数据在辐射能量时具有相同的地位,势场的空间分布此时表现为标量函数,得到势函数的公式,表示如下:
在本发明中,由数据产生的动载荷应力场同物理学中的有源场相同,此时获取到的势函数是有关场源点的单值函数,表示,在动载荷应力场空间分布范围内,任意某个数据点对应的势值大小和代表场源点强度的参数有关,并且呈正比关系,可以得到动载荷应力场势函数形态的基本准则为:给定空间Ω中的数据对象x,记对象x在点y处产生的势值为则必须同时满足:
式中,||x-xi||是对象xi与场点x间的距离,通常采用欧氏距离,在本文中,对象xi是路网节点,x是InSAR技术获得的监测点。
优选动载荷应力场场函数中影响因子的方法:
对于给定的某一个势函数,影响因子σ的取值必然会对影响动载荷应力场的分布形态,当σ值较小的时候,数据点之间的相互作用力程很短,各个数据点周围的势值都比较小;相反,当σ为很大的值时,数据点之间的相互作用比较强,各个数据点对周围数据点的影响很大,有很大的势值。显然,合适的σ值下的势场分布才对后期研究有意义。
本发明的技术方案中引入势熵的概念来描述动载荷势场分布的合理性,在信息论中,可以用熵来衡量系统不确定性的大小,不确定性随着熵值的增大而增大,对于n个数据对象产生的动载荷应力场来讲,若每个数据对象的势值均相等,那么原始数据对象分布的不确定性达到最大,这时具有最大的熵;相反,若数据对象的势值呈现不对称形态,那么此时的不确定性达到最小,熵达到最小值。
假设数据对象x1,x2,x3…,xn的势值Ψ1,Ψ2,Ψ3…Ψn,势熵定义为:
本发明中在一个实施例中,采用如下方式进行搜索计算,初始搜索范围为此方法的思想属于简单试探法,原理主要是通过选择试验点并且对函数值进行对比分析,逐渐缩小包含极小值点所在区间的范围,最终寻找到满足精度条件的函数极小点。通过此方法获取到的最优σ值,可以得到最小熵的势值场分布,此时道路动载荷表现的最完整,使得下一步分析动载荷与地面沉降的响应关系更加准确。最优σ影响因子算法如下:
表1最优σ影响因子算法
上表1中的代码,其实现的步骤如下:
1、初始化道路和地铁节点原始地理坐标,初始化地面沉降监测点(SDFP)地理坐标
CD1=交通线交点;
CD2=地面沉降监测点。
2、采用欧式距离获取交通线交点和地面沉降监测点的距离,获取势值for tp1=1:size(CD2,2)
X1(tp1,:)=CD1(1,:)-CD2(1,tp1);
Y1(tp1,:)=CD1(2,:)-CD2(2,tp1);
end
3、进行简单试探,初始搜索范围为
Minval=(min(S1(:))),Maxval=(max(S1(:)));
H1=H(σ1),Hr=H(σr);
4、在满足精度条件下,通过选择试验点并且对函数值进行对比分析,逐渐缩小包含极小值点所在区间的范围,获取最优σ值
While((b-a)>precision)
If Hl<Hr,b=σr,σr=σl,Hr=Hl;
求σl=a+(1-τ)*(b-a),Hl=H(σl);
Else,a=σr,σl=σr,Hl=Hr;
求σr=a+τ(b-a),Hτ=H(σr);
end
If Hl<Hr,σ=σl;Else,σ=σr。
静载荷应力场信息获取:
静载荷应力场信息获取利用的是基于指数的建筑用地指数IBI来进行表征。在土地利用类型中,城市建筑用地主要由其次一级的土地利用类型区域所构成,使得建筑用地成为一种极其复杂的土地利用类型,由于其构成组分的复杂性,导致其电磁波的反射光谱产生异质性,传统利用原始多光谱波段提取建筑用地不能达到理想的精度要求。建筑用地指数选取中,基于土壤调节植被指数(SAVI)、修正的归一化水体指数(MNDWI)、归一化建筑指数(NDBI)这3个遥感指数来确定。其中土壤调节植被指数用于减小土壤的背景影响,计算公式如下:
SAVI=[(NIR-RED)(1+L)]/(NIR+RED+1)(公式3.1)
其中,NIR为近红外波段的反射率,RED是短红外波段的反射率,L代表土壤调节因子,它的取值范围在0至1之间,当区域内,没有植被覆盖的时候是1,当区域内植被覆盖密度很高是为0。L为0.5时,可以很好的减弱土壤的北京差异,在一个具体的实施例中,计算时将L设置为0.5。
修正的归一化水体指数是基于Mcfeeters提出的归一化差异水体指数(NDWI)的基础上提出来的,计算公式如下:
MNDWI=(GREEN-MIR)/(GREEN+MIR)(公式3.2)
其中,GREEN为绿波段的反射率,MIR是中红外波段的反射率。
归一化建筑指数主要是在多光谱波段中,选取所提取地物的最强反射波段和最弱反射波段,在进行比值运算,弱者作为分母,强者作为分子,比值之后扩大了二者之间的差距,使得地物在生成影像上的亮度有明显增强现象,此时,其它背景的地物会受到普遍的抑制,计算公式如下:
NDBI=(SWIR-NIR)-(SWIR+NIR)(公式3.3)
其中,SWIR为短红外波段的反射率。基于上述三个指数波段构成影像的光谱特征,发现建筑用地具有NDBI波段同时大于SAVI波段和MNDWI波段的唯一特征,基于这一特征,构建IBI建筑指数,计算公式如下:
IBI=[NDBI-(SAVI+MNDWI)/2]/[NDBI+(MNDWI)/2](公式3.4)
在一个具体的实施方式中,本发明的技术方案继续以如下方式实现:
在动载荷应力场信息获取中,将交通载荷与地面沉降作为动载荷数据对象,结合交通路网中的道路及地铁站点节点与地面沉降的监测点,建立动载荷应力场,将场势值作为衡量动载荷程度指标,定量化动载荷应力场分布情况。交通线情况分布可以包含地铁线、高速公路、环城快速路和市区道路,本发明的一个具体的实施方式中筛选地铁线、高速公路和环城高速作为最终的交通路网数据,将三个路网数据的线图层叠加到同一图层上,获取三个路网的交点图层,将所有交点作为表征动载荷信息的样本数据点。然后选取路网交点作为数据场样本点,统计每个交点的坐标信息,结合利用小基线干涉测量技术获取到的监测点坐标信息,计算各个路网交点与监测点的势值,生成数据动载荷应力场势场图,基于上述最优影响因子算法得到的参数对动载荷应力场进行扩散。应用Matlab软件对选取到的路网节点进行动载荷应力场扩散,构建动载荷应力场模型,其中σ例如可以设置为1043.3,等势间距设置为50,从而得到路网节点动载荷应力场势图。
在静载荷应力场信息获取中,首先对遥感影像进行辐射校正,去除传感器本身产生的误差和在信号传播过程中的大气、太阳高度角和地形等对影像产生的误差影响;然后,选取ERDAS中的Model Maker模块分别创建土壤调节植被指数(SAVI)、修正的归一化水体指数(MNDWI)和归一化建筑指数(NDBI)提取模型;接着,利用提取到的三个指数模型构建提取IBI指数模型,利用该方法,使得建筑用地信息更精确的提取出来,为后续研究提供了数据支撑。
然后,利用基于机器学习的方法计算地面沉降各影响因素贡献。在获取到地面沉降监测信息的基础上,利用机器学习方法,探究地面沉降各影响因素对其的贡献,其中影响因子包含:地下水流场-地下水水位变化、地质背景-可压缩层厚度、动载荷应力场-动载荷应力场势值、静载荷应力场-静载荷应力场IBI。本次研究利用Python中的sklearn.ensemble库对随机森林(RF)和梯度提升决策树(GDBT)算法进行实现,在sklearn.ensemble库中,RF包含两种模型,分别为RandomForestClassifier分类模型,RandomForestRegression回归模型;GDBT同样包含两种模型,分别为GradientBoostingClassifier分类模型,GradientBoostingRegression回归模型,本次研究选用RandomForestRegression和GradientBoostingRegression回归模型,本实施例中采用RF模型和GDBT模型举例。模型参数如下:表2模型参数表
在经过历时数据的训练后,利用模型,输入检测数据,从而获得最后的各个参数对于地面沉降的作用率或者贡献率,即反反映为各个影响因素对地面沉降所起到的作用的大小,实现各影响因素影响力大小的定量计算。
实施例3
在又一个具体的实施例中,本发明的技术方案还可以通过系统方式实现,该系统可以执行如实施例1、实施例2中所述的方法。具体而言,本发明还提供了一种地面沉降影响因素定量分析系统,所述系统包括:
动载荷应力场计算模块,用于选取区域中对应的动载荷数据对象,建立动载荷应力场,以所述动载荷应力场的场势值定量化所述动载荷应力场分布情况;
静载荷应力场计算模块,用于对所述区域的遥感影像进行辐射校正,基于土壤调节植被指数、修正的归一化水体指数和归一化建筑指数,构建IBI指数模型;
影响程度计算模块,选取所述区域的地下水流场-地下水水位变化、地质背景-可压缩层厚度、动载荷应力场-动载荷应力场势值、静载荷应力场-静载荷应力场IBI作为影响因子,利用机器学习的方式,获取各影响因子的影响程度。
优选地,所述动载荷数据对象选取时,通过所述区域中的交通线选取,所述交通线包括地铁线、高速公路和环城高速,并将所述交通线的路网数据的线图层叠加,获取交点图层,将交点作为数据对象的数据点。
优选地,基于交点,统计所述交点的坐标信息,获取所述区域中的监测点坐标信息,计算交点、监测点的场势值,获取所述区域的动载荷应力场势场图,基于最优影响因子参数对所述动载荷应力场进行扩散,得到交点动载荷应力场势图。
优选地,所述最优影响因子参数通过如下方式计算:
(1)初始化道路和地铁节点原始地理坐标CD1,初始化地面沉降监测点SDFP地理坐标CD2;
(2)采用欧式距离获取道路和地铁节点原始地理坐标与SDFP的地理坐标的距离,获取势值:
X1(tp1,:)=CD2(1,:)-CD1(1,tp1);
Y1(tp1,:)=CD2(2,:)-CD1(2,tp1);
(3)使用简单试探法,初始搜索范围为
(4)在满足精度条件下,通过选择试验点并且对函数值进行对比分析,逐渐缩小包含极小值点所在区间的范围,获取最优σ值。
优选地,所述监测点坐标信息通过小基线干涉测量方法获取。
优选地,所述辐射校正包括去除传感器本身误差,以及在信号传播过程中的影像误差。
优选地,所述土壤调节植被指数计算方法为:
SAVI=[(NIR-RED)(1+L)/(NIR+RED+1)
其中,NIR为近红外波段的反射率,RED是短红外波段的反射率,L代表土壤调节因子。
优选地,所述修正的归一化水体指数计算方法为:
MNDWI=(GREEN-MIR)/(GREEN+MIR)
其中,GREEN为绿波段的反射率,MIR是中红外波段的反射率。
优选地,所述归一化建筑指数计算方法为:
NDBI=(SWIR-NIR)-(SWIR+NIR)
其中,SWIR为短红外波段的反射率,NIR为近红外波段的反射率。
优选地,所述IBI指数模型为:
IBI=[NDBI-(SAVI+MNDWI)/2]/[NDBI+(MNDWI)/2]
其中,NDBI为归一化建筑指数,SAVI为土壤调节植被指数,MNDWI为修正的归一化水体指数。
优选地,所述机器学习采用随机森林模型和梯度提升决策树模型实现。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (15)
1.一种地面沉降影响因素定量分析方法,其特征在于,所述方法包括:
步骤1、选取区域中对应的动载荷数据对象,建立动载荷应力场,以所述动载荷应力场的场势值定量化所述动载荷应力场分布情况;
步骤2、对所述区域的遥感影像进行辐射校正,基于土壤调节植被指数、修正的归一化水体指数和归一化建筑指数,构建IBI指数模型;
步骤3、选取所述区域的地下水流场-地下水水位变化、地质背景-可压缩层厚度、动载荷应力场-动载荷应力场势值、静载荷应力场-静载荷应力场IBI作为影响因子,利用机器学习的方式,获取各影响因子的影响程度;
所述步骤1中,所述动载荷数据对象选取时,通过所述区域中的交通线选取,所述交通线包括地铁线、高速公路和环城高速,并将所述交通线的路网数据的线图层叠加,获取交点图层,将交点作为数据对象的数据点;
所述步骤1还包括:统计所述交点的坐标信息,获取所述区域中的地面沉降监测点坐标信息,计算交点、地面沉降监测点的场势值,获取所述区域的动载荷应力场势场图,基于最优影响因子参数对所述动载荷应力场进行扩散,得到交点动载荷应力场势图;
所述最优影响因子参数通过如下方式计算:
(1)初始化道路和地铁节点原始地理坐标CD1,初始化地面沉降监测点地理坐标CD2;
(2)采用欧式距离获取道路和地铁节点原始地理坐标与地面沉降监测点地理坐标的距离,获取势值F:
X1(tp1,:)=CD2(1,:)-CD1(1,tp1);
Y1(tp1,:)=CD2(2,:)-CD1(2,tp1);
(3)使用简单试探法,初始搜索范围为
(4)在满足精度条件下,通过选择试验点并且对函数值进行对比分析,逐渐缩小包含极小值点所在区间的范围,获取最优σ值;
其中,σ为影响因子,CD1为交通线交点,CD2为地面沉降监测点。
2.根据权利要求1所述的方法,其特征在于,所述地面沉降监测点坐标信息通过小基线干涉测量方法获取。
3.根据权利要求1所述的方法,其特征在于,所述步骤2中,所述辐射校正包括去除传感器本身误差,以及在信号传播过程中的影像误差。
4.根据权利要求1所述的方法,其特征在于,所述土壤调节植被指数计算方法为:
SAVI=[(NIR-RED)(1+L)]/(NIR+RED+1)
其中,NIR为近红外波段的反射率,RED是短红外波段的反射率,L代表土壤调节因子。
5.根据权利要求1所述的方法,其特征在于,所述修正的归一化水体指数计算方法为:
MNDWI=(GREEN-MIR)/(GREEN+MIR)
其中,GREEN为绿波段的反射率,MIR是中红外波段的反射率。
6.根据权利要求1所述的方法,其特征在于,所述归一化建筑指数计算方法为:
NDBI=(SWIR-NIR)-(SWIR+NIR)
其中,SWIR为短红外波段的反射率,NIR为近红外波段的反射率。
7.根据权利要求1所述的方法,其特征在于,所述IBI指数模型为:
IBI=[NDBI-(SAVI+MNDWI)/2]/[NDBI+(MNDWI)/2]
其中,NDBI为归一化建筑指数,SAVI为土壤调节植被指数,MNDWI为修正的归一化水体指数。
8.根据权利要求1所述的方法,其特征在于,所述步骤3中,所述机器学习采用随机森林模型和梯度提升决策树模型实现。
9.一种地面沉降影响因素定量分析系统,其特征在于,所述系统包括:
动载荷应力场计算模块,用于选取区域中对应的动载荷数据对象,建立动载荷应力场,以所述动载荷应力场的场势值定量化所述动载荷应力场分布情况;
静载荷应力场计算模块,用于对所述区域的遥感影像进行辐射校正,基于土壤调节植被指数、修正的归一化水体指数和归一化建筑指数,构建IBI指数模型;
影响程度计算模块,选取所述区域的地下水流场-地下水水位变化、地质背景-可压缩层厚度、动载荷应力场-动载荷应力场势值、静载荷应力场-静载荷应力场IBI作为影响因子,利用机器学习的方式,获取各影响因子的影响程度;
所述动载荷数据对象选取时,通过所述区域中的交通线选取,所述交通线包括地铁线、高速公路和环城高速,并将所述交通线的路网数据的线图层叠加,获取交点图层,将交点作为数据对象的数据点;
所述动载荷应力场计算模块还用于基于交点,统计所述交点的坐标信息,获取所述区域中的地面沉降监测点坐标信息,计算交点、地面沉降监测点的场势值,获取所述区域的动载荷应力场势场图,基于最优影响因子参数对所述动载荷应力场进行扩散,得到交点动载荷应力场势图;
所述最优影响因子参数通过如下方式计算:
(1)初始化道路和地铁节点原始地理坐标CD1,初始化地面沉降监测点地理坐标CD2;
(2)采用欧式距离获取道路和地铁节点原始地理坐标与地面沉降监测点地理坐标的距离,获取势值F:
X1(tp1,:)=CD2(1,:)-CD1(1,tp1);
Y1(tp1,:)=CD2(2,:)-CD1(2,tp1);
(3)使用简单试探法,初始搜索范围为
(4)在满足精度条件下,通过选择试验点并且对函数值进行对比分析,逐渐缩小包含极小值点所在区间的范围,获取最优σ值;
其中,σ为影响因子,CD1为交通线交点,CD2为地面沉降监测点。
10.根据权利要求9所述的系统,其特征在于,所述监测点坐标信息通过小基线干涉测量方法获取。
11.根据权利要求9所述的系统,其特征在于,所述辐射校正包括去除传感器本身误差,以及在信号传播过程中的影像误差。
12.根据权利要求9所述的系统,其特征在于,所述土壤调节植被指数计算方法为:
SAVI=[(NIR-RED)(1+L)]/(NIR+RED+1)
其中,NIR为近红外波段的反射率,RED是短红外波段的反射率,L代表土壤调节因子。
13.根据权利要求9所述的系统,其特征在于,所述修正的归一化水体指数计算方法为:
MNDWI=(GREEN-MIR)/(GREEN+MIR)
其中,GREEN为绿波段的反射率,MIR是中红外波段的反射率。
14.根据权利要求9所述的系统,其特征在于,所述归一化建筑指数计算方法为:
NDBI=(SWIR-NIR)-(SWIR+NIR)
其中,SWIR为短红外波段的反射率,NIR为近红外波段的反射率。
15.根据权利要求9所述的系统,其特征在于,所述IBI指数模型为:
IBI=[NDBI-(SAVI+MNDWI)/2]/[NDBI+(MNDWI)/2]
其中,NDBI为归一化建筑指数,SAVI为土壤调节植被指数,MNDWI为修正的归一化水体指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811173791.2A CN109388887B (zh) | 2018-10-09 | 2018-10-09 | 一种地面沉降影响因素定量分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811173791.2A CN109388887B (zh) | 2018-10-09 | 2018-10-09 | 一种地面沉降影响因素定量分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109388887A CN109388887A (zh) | 2019-02-26 |
CN109388887B true CN109388887B (zh) | 2023-01-13 |
Family
ID=65426786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811173791.2A Active CN109388887B (zh) | 2018-10-09 | 2018-10-09 | 一种地面沉降影响因素定量分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109388887B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110598513A (zh) * | 2019-05-24 | 2019-12-20 | 南京大学 | 一种基于sleuth模型的城市开发边界预测方法 |
CN111398958B (zh) * | 2020-04-03 | 2022-06-14 | 兰州大学 | 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 |
CN111812645A (zh) * | 2020-06-10 | 2020-10-23 | 西南交通大学 | 冻土季节形变的卫星干涉测量方法 |
CN111680427B (zh) * | 2020-06-16 | 2021-02-02 | 中国气象科学研究院 | 一种极度稀疏植被区域负土壤调节因子计算方法 |
CN112883646B (zh) * | 2021-02-20 | 2023-11-24 | 首都师范大学 | 联合机器学习和土力学模型的建筑沉降量提取方法、系统及装置 |
CN114413832B (zh) * | 2021-12-02 | 2023-12-15 | 中国通信建设第三工程局有限公司 | 一种基于光纤传感的道路监测系统及方法 |
CN116049929B (zh) * | 2022-10-26 | 2023-09-29 | 马培峰 | 一种城市建筑物风险等级InSAR评估和预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708307A (zh) * | 2012-06-26 | 2012-10-03 | 上海大学 | 一种应用于城市的植被指数构造方法 |
CN104133996A (zh) * | 2014-07-25 | 2014-11-05 | 首都师范大学 | 一种基于云模型和数据场的地面沉降风险等级评估方法 |
CN105467389A (zh) * | 2015-12-23 | 2016-04-06 | 首都师范大学 | 分析浅地表空间利用差异模式下地面沉降演变规律的方法 |
CN105488253A (zh) * | 2015-11-24 | 2016-04-13 | 首都师范大学 | 一种确定地面沉降和区域静载荷相关性的方法 |
WO2017031857A1 (zh) * | 2015-08-24 | 2017-03-02 | 深圳朝伟达科技有限公司 | 一种构建双溶腔盐穴储库地面沉降预测模型的装置 |
-
2018
- 2018-10-09 CN CN201811173791.2A patent/CN109388887B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708307A (zh) * | 2012-06-26 | 2012-10-03 | 上海大学 | 一种应用于城市的植被指数构造方法 |
CN104133996A (zh) * | 2014-07-25 | 2014-11-05 | 首都师范大学 | 一种基于云模型和数据场的地面沉降风险等级评估方法 |
WO2017031857A1 (zh) * | 2015-08-24 | 2017-03-02 | 深圳朝伟达科技有限公司 | 一种构建双溶腔盐穴储库地面沉降预测模型的装置 |
CN105488253A (zh) * | 2015-11-24 | 2016-04-13 | 首都师范大学 | 一种确定地面沉降和区域静载荷相关性的方法 |
CN105467389A (zh) * | 2015-12-23 | 2016-04-06 | 首都师范大学 | 分析浅地表空间利用差异模式下地面沉降演变规律的方法 |
Non-Patent Citations (4)
Title |
---|
PS-InSAR技术与多光谱遥感建筑指数的载荷密度对地面沉降影响的研究;陈蓓蓓等;《光谱学与光谱分析》;20130815(第08期);全文 * |
利用数据场模型评价北京地面沉降交通载荷程度;周超凡等;《吉林大学学报(地球科学版)》;20170926(第05期);全文 * |
北京典型地下水漏斗区载荷密度与地面沉降相关性;陈蓓蓓等;《应用基础与工程科学学报》;20131215(第06期);全文 * |
北京平原地区地面沉降特征和研究途径的进展与思考;周丙锋等;《中国矿业》;20141215(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109388887A (zh) | 2019-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109388887B (zh) | 一种地面沉降影响因素定量分析方法及系统 | |
Chen et al. | Forested landslide detection using LiDAR data and the random forest algorithm: A case study of the Three Gorges, China | |
Jung et al. | Coherent change detection using InSAR temporal decorrelation model: A case study for volcanic ash detection | |
Vincent et al. | Accuracy of small footprint airborne LiDAR in its predictions of tropical moist forest stand structure | |
Cambule et al. | A methodology for digital soil mapping in poorly-accessible areas | |
CN104613944B (zh) | 一种基于gwr和bp神经网络的分布式水深预测方法 | |
Alexakis et al. | Integrated GIS, remote sensing and geomorphologic approaches for the reconstruction of the landscape habitation of Thessaly during the neolithic period | |
Grebby et al. | Lithological mapping of the Troodos ophiolite, Cyprus, using airborne LiDAR topographic data | |
Sindayihebura et al. | Comparing digital soil mapping techniques for organic carbon and clay content: Case study in Burundi's central plateaus | |
Maguya et al. | Adaptive algorithm for large scale dtm interpolation from lidar data for forestry applications in steep forested terrain | |
Fatoyinbo et al. | The NASA AfriSAR campaign: Airborne SAR and lidar measurements of tropical forest structure and biomass in support of current and future space missions | |
Ni et al. | Features of point clouds synthesized from multi-view ALOS/PRISM data and comparisons with LiDAR data in forested areas | |
Zhang et al. | Subsidence monitoring in coal area using time-series InSAR combining persistent scatterers and distributed scatterers | |
Trevisani et al. | Surface texture analysis of a high-resolution DTM: Interpreting an alpine basin | |
Barbier et al. | Bidirectional texture function of high resolution optical images of tropical forest: An approach using LiDAR hillshade simulations | |
Huang et al. | Mapping vegetation heights in China using slope correction ICESat data, SRTM, MODIS-derived and climate data | |
Proisy et al. | Biomass prediction in tropical forests: the canopy grain approach | |
CN113866764A (zh) | 基于InSAR和LR-IOE模型的滑坡易发性改进评估方法 | |
CN110287457A (zh) | 基于卫星雷达遥感数据的玉米生物量反演测算方法 | |
CN102629378A (zh) | 基于多特征融合的遥感图像变化检测方法 | |
Liao et al. | Urban change detection based on coherence and intensity characteristics of SAR imagery | |
Safanelli et al. | Leveraging the application of Earth observation data for mapping cropland soils in Brazil | |
Koppel et al. | Sentinel-1 for urban area monitoring—Analysing local-area statistics and interferometric coherence methods for buildings' detection | |
CN113281749A (zh) | 一种顾及同质性的时序InSAR高相干点选取方法 | |
Antonova et al. | Estimating tree height from TanDEM-X data at the northwestern Canadian treeline |
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 |