CN110006332A - 一种地震前兆形变gnss监测网的三角形形变监测方法 - Google Patents

一种地震前兆形变gnss监测网的三角形形变监测方法 Download PDF

Info

Publication number
CN110006332A
CN110006332A CN201910319110.7A CN201910319110A CN110006332A CN 110006332 A CN110006332 A CN 110006332A CN 201910319110 A CN201910319110 A CN 201910319110A CN 110006332 A CN110006332 A CN 110006332A
Authority
CN
China
Prior art keywords
data
triangle
deformation
monitoring
gnss
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
CN201910319110.7A
Other languages
English (en)
Inventor
唐颖哲
陶志刚
何满潮
王岩
乔亚飞
李梦楠
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 University of Mining and Technology Beijing CUMTB
Original Assignee
China University of Mining and Technology Beijing CUMTB
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 University of Mining and Technology Beijing CUMTB filed Critical China University of Mining and Technology Beijing CUMTB
Priority to CN201910319110.7A priority Critical patent/CN110006332A/zh
Publication of CN110006332A publication Critical patent/CN110006332A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
    • G01B7/16—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge
    • 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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/42—Determining position
    • G01V1/01—

Abstract

本发明提供了一种地震前兆形变GNSS监测网的三角形形变监测方法，在震发区域布设多个连续运行GNSS监测站，构成相连的但不重叠的Delaunay三角形网络，三角形边长(相邻监测站间距)小于10km，既提高了地壳运动监测的空间分辨率，又能达到GNSS测量计算的最高精度。根据三角形图形结构，可以对三角形边长观测数据进行程式化处理，有利于数据处理软件的自动化运行和对大规模数据进行处理，采用短时段观测数据，提高了观测结果的频次，有利于发现突发性形变事件；在形变判断方面，摒弃了基准站的作用，利用高精度GNSS测量结果，采用三角形形状比对方法，利用连续图形对点变化凸显出的面状效应，判断并确定地壳形变的区域。

Description

一种地震前兆形变GNSS监测网的三角形形变监测方法
技术领域
本发明属于形变监测技术领域，具体涉及一种地震前兆形变GNSS监测网的三角形形变监测方法。
背景技术
近年来，全球范围内地震、滑坡、地表沉降等地质灾害频频发生对地形以及大型结构的土木建筑等造成了不同程度的形变影响，从而对人类生命财产安全造成重大威胁。因此地形形变以及大型结构的形变监测和异常预警已成为亟待解决的技术问题，其技术难点包括：测量的实时性，测量的精确性等。全球卫星导航技术(GNSS)以其在连续性、实时性和自动化程度高等优点，且不受天气条件影响，可实现全天候作业，利用GNSS进行水平位移观测可获得小于±3mm精度的位移矢量，高程的测量也可获得不大于±5mm的精度。因此，GNSS技术在变形监测中越来越受到广泛的应用，现在更是地震变形监测的主要技术手段。
传统的GNSS形变测量方法，必须要先确立一个或多个GNSS基准站，然后每个GNSS监测站都要以这些基准站为基准进行差分测量计算得到，其计算结果是相对于基准站的位置结果，精度与基准站的精度密切相关。显然，传统方法对基准站的要求非常高，而且基准站建立的难度非常大，往往这样的基准站与监测区域的距离较远而且数量少。根据GNSS的数据处理原则(经验公式是：精度＝2mm+D×1×10-6)，基线D越短测量结果的精度越高，距离越长计算精度越低，而且观测时间要长，通常需要观测24小时，由于观测时间较长，观测结果难以形成高频次的数据集，不便于计算，通常需要采用国外的大型处理软件进行数据处理，计算过程还需要事后的GNSS精密星历等辅助数据，其所需的计算资源要求高，并且计算时间长、实时性不好，很难进行全自动化运行。长基线解算精度通常用相对精度表示，目前技术水平的数据处理精度可以达到1×10-8左右，即点位精度为D×1×10-8，如1000km的基线，点位精度为1厘米。
目前国内在利用GNSS技术进行地震前兆监测预报方面，布设GNSS监测站的密度不够，一般站间距为50km以上，站间距低于30km的监测网络很少，空间分辨率低，在数据处理方面，严格遵守以基准站信息为基准的差分测量计算原则，其结果精度达不到GNSS系统所能达到的最高测量精度，另外由于监测站间距远，其各点的运动信息相关性不强，分析工作量大且不直观，很难判断地震监测区域的细部位移变化。
因此，需要提供一种针对上述现有技术不足的改进技术方案。
发明内容
为至少在一定程度上克服相关技术中存在的问题，本发明提供了一种地震前兆形变GNSS监测网的三角形形变监测方法。
为了实现上述目的，本发明提供如下技术方案：
一种地震前兆形变GNSS监测网的三角形形变监测方法，所述监测方法包括有如下步骤：
S1：在震发区域布设N个连续运行的GNSS监测站，形成监测网络，N为自然数且N>3；
S2：采用Delaunay三角形算法，将监测网络构建成相连的但不重叠的Delaunay三角形网络图形结构；
S3：对每天连续的观测数据进行分段处理，获取每个时段的三角形形状数据，记录并保存时间序列数据，所述时间序列数据为获取的三角形形状数据的集合，所述三角形形状数据包括三角形边长和三角形边的基线数据；
S4：利用大数据方法对累积的三角形形状的时间序列数据进行处理，获取三角形形状的背景数据；
S5：把最新时段的三角形形状数据与三角形形状的背景数据进行比较，且同时对三角形形状的时间序列数据的变化速率进行分析，判断地壳形变的区域。
如上所述的地震前兆形变GNSS监测网的三角形形变监测方法，优选地，所述步骤S3包括有：
S31：把每天24小时的连续观测数据分为若干个时段分别处理，每个时段观测数据的观测时间相等；
S32：对同一观测时段的各个三角形的边长观测数据进行基线解算，形成一个时段的整个网络的基线数据；
S33：对同一时段的基线数据进行自由网平差处理，得到该时段的每个三角形形状数据。
如上所述的地震前兆形变GNSS监测网的三角形形变监测方法，优选地，所述三角形的边长小于10km。
如上所述的地震前兆形变GNSS监测网的三角形形变监测方法，优选地，所述背景数据利用最新的三角形形状数据进行迭代更新。
如上所述的地震前兆形变GNSS监测网的三角形形变监测方法，优选地，所述步骤S5包括：
把当前时段的三角形形状数据与该三角形形状的背景数据进行比较，且同时对三角形形状的时间序列数据的变化速率进行分析；若数据有变化，初步判断该所述三角形所处地壳区域或相邻区域有形变发生。
与最接近的现有技术相比，本发明提供的技术方案具有如下优异效果：
1、在震发区域内布设N(N为自然数且N>3)个连续运行的GNSS监测站组成监测网络，将监测网络构建成Delaunay三角形网络图形结构，该图形结构是一系列相连的但不重叠的三角形的集合，结构良好，与不规则的地面特征和谐一致，可以迭加任意形状的区域边界，易于更新，根据GNSS的测量原理和GNSS数据处理的常识，GNSS基线越短测量结果的精度越高。因此，为了使三角形边长测量与计算精度达到GNSS测量的最高水平(2mm)，同时考虑监测地壳运动的分辨率尺度范围，每个三角形的边长(相邻监测站间距)不宜大于10km；
2、Delaunay三角形网络图形结构可以用数学方法描述，数据结构简单,数据冗余度小，存储效率高，有利于对观测数据进行程式化处理，进一步有利于数据处理软件的自动化运行和对大规模数据进行处理；
3、由于三角形边长(<10km)属于短边，其边两端点的观测数据的相关性较强，在基线数据处理软件中可以简化许多数据改正项，且不依赖事后的GNSS精密星历等其他数据，软件系统简单，计算效率高，实时性好，易于数据处理自动化，并且可以得到GNSS系统最佳精度的测量计算结果。对基线数据进行无约束的自由网平差处理，可以进一步提高监测网的整体精度水平及各三角形的相互位置关系。由于每个时段观测数据的时间较短，可以得到较高频次的测量结果，有利于发现突发性的形变事件；
4、三角形图形比对方式，就是高精度的三角形形状数据比较。因为描述三角形形状的边的基线数据，实际就是三角形边两个端点的坐标差，其与GNSS基准站的位置无关，因此不需要在震发区域外稳固地点建立传统的GNSS基准站(一般情况基准站与监测站的距离较远)，所以三角形形状(边长<10km)数据精度高于传统的以GNSS基准站为基准的长基线测量结果。
5、因为监测网中的三角形是依次相连的，如果监测站的位置没有形变或三角形的三个站在同一板块上同步移动，则该三角形的形状不会改变，若三角形的边发生变化，其相邻的三角形的形状数据也会发生变化，但与之不相邻的三角形形状则不会变化，这样可以更进一步凸显确定地壳形变的区域。从整个网络来看，一个点带动了一个面的变化，从监测的角度看，发现一个面的变化比发现一个点的变化更容易，并且在这个面中很容易确定移动断层的边界位置和运动趋势。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
附图说明
图1为本发明实施例中地震前兆形变GNSS监测网的三角形形变监测方法的流程示意图；
图2为图1中步骤S3的具体流程示意图；
图3是本发明实施例中N等于34时，监测站构成的三角形图形网络的示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
下面将参考附图1-3并结合实施例来详细说明本发明的方案。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
本具体实施方式提供了一种地震前兆形变GNSS监测网的三角形形变监测方法，如图1所示，包括以下步骤：
S1：在震发区域布设N个连续运行的GNSS监测站，形成监测网络，N为自然数且N>3；
S2：采用Delaunay三角形算法，将监测网络构建成相连的但不重叠的Delaunay三角形网络图形结构；
本发明的其中一个实施例中，比如当N等于34时，形成的监测网络如图3所示。
进一步地，组成三角形的三个监测站可以位于同一板块上，或者分别位于不同的板块上。而地震前兆位移现象多发在大断裂带周边一些未知的小断裂带断层上，很难精确选点监测，本实施例中监测站数量多，监测站密度增加、覆盖面广、监测的断层多，则预报地震的概率增大。目前，监测地震前兆位移的主要技术手段是利用GNSS卫星测量技术进行地面形变监测，根据GNSS的测量原理并按GNSS数据处理的常识(经验公式是：精度＝2mm+D×1×10-6)，基线D越短测量结果的精度越高。因此，同时考虑地震前兆位移监测分辨率情况和GNSS的最佳测量计算精度，GNSS监测站网的相邻站的站间距应小于10km，即为了使三角形边长精度达到GNSS测量的最高水平(2mm)，同时考虑监测地壳运动的分辨率尺度范围，每个三角形的边长不宜大于10km。
具体地，三角形的边长可以设置为5km，具体视实际情况而定。
S3：对每天连续观测的数据进行分段处理，获取每个时段的三角形的形状数据，记录并保存时间序列数据，所述时间序列数据为获取的每个时段的三角形形状数据的集合，所述三角形的形状数据包括三角形边长和三角形边的基线数据；
如此，可以得到较高频次的测量结果，有利于发现突发性的形变事件。
S4：利用大数据方法对累积的三角形形状的时间序列数据进行处理，获取三角形形状的背景数据；
S5：把最新时段的三角形形状数据与三角形形状的背景数据进行比较，且同时对三角形形状的时间序列数据的变化速率进行分析，判断地壳形变的区域。
由于监测网络的形状是由依次相连的三角形构成，如果监测站的位置没有形变或三角形的三个站在同一板块上同步移动，则该三角形的形状是不会变的，但测量是有误差的，而且地壳在缓慢移动，所以，对于长期累积的三角形形状数据时间序列，需要用大数据的方法进行统计分析，给出三角形形状的背景数据，并利用新数据对背景数据进行迭代更新。最新时段的三角形形状数据通过与背景数据进行比较，判断地壳形变的发生。因为监测网络中的三角形是依次相连的，所以其相邻的三角形的形状数据也会发生变化，但与之不相邻的三角形形状则不会变化，这样可以更进一步凸显确定地壳形变的区域。
优选地，如图2所示，步骤S3包括有：
S31：把每天24小时的连续观测数据分为若干个时段分别处理，每个时段观测数据的观测时间相等；
具体地，把每天24小时连续运行的GNSS监测站的观测数据分为48个时段分别处理，相应的每个时段观测数据的时间长度为30分钟，可以得到较高频次的测量结果，有利于发现突发性的形变事件。
S32：对同一观测时段的各个三角形的边长观测数据利用GNSS短基线处理软件进行基线解算，得到该时段整个网络的基线数据；
由于相邻GNSS监测站距离较短，基线精度可以达到毫米级。
S33：利用网平差软件对基线数据进行自由网平差处理，得到该时段的每个三角形形状数据；
在进行网平差处理时采用不加任何约束的自由网平差方法，其计算结果能够进一步提高整体监测网络的精度水平及各站点的相互位置关系。
形变观测的对象是运动的，理论上前后两个时段的移动结果是不一样的，因此，需要对每个时段的观测数据进行单独统一处理，时段之间的数据不交集，各自独立，例如30分钟为一个时段，则一个小时可以分成两个时段，数据处理时，上一个时段的观测数据按上述的方法分别进行基线解算处理和网平差处理，下一个时段的数据照上述方法处理一遍，但两个时段的观测数据不能交集，这样可以按时间序列动态地描述监测对象的运动状态。地面形变具有缓慢变化和突发性，该方法由于观测时间短，观测计算结果可以形成高频次的数据集，有利于发现突发性的形变事件。
如果监测站的位置没有形变或三角形的三个站在同一板块上同步移动，则该三角形的立体形状是不会变的，如果有一个点位置发生变化，则与该点有关的三角形形状都会发生变化，但与之不相邻的三角形形状则不会变化，从整个网络来看，一个点带动了一个面的变化，可谓是牵一发而动全身，从监测的角度看，发现一个面的变化比发现一个点的变化更容易，并且在这个面中，通过对三角形形状数据分析，很容易确定移动断层的边界位置和运动趋势。本方法采用大数据思路，对三角形形状的时间序列数据的变化速率和趋势进行分析，推断确定形变的位置及其变化量，三角形越小(即监测站越密)，判断位移的分辨率越高。
同一个三角形，前后两个时间段的形状发生变化，或其时间序列数据的变化速率过大，可认为在该三角形内有位移现象发生。
需要说明的是，还可以提供一种地震GNSS形变监测装置，具体地，地震GNSS形变监测装置是由GNSS监测网络、数据中心和数据通信网络组成，数据通信网络利用有线网络和无线互联网把监测站的数据实时传送给数据中心，数据中心通过软件系统程序来实现上述方法的实施。
当然，本发明中的形变GNSS监测网的三角形形变监测方法，也适合于其他方面的形变监测,比如地灾方面、建筑方面等，具体根据实际情况而定。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均在本发明待批权利要求保护范围之内。

Claims (5)

1.一种地震前兆形变GNSS监测网的三角形形变监测方法，其特征在于，所述监测方法包括有如下步骤：
S1：在震发区域布设N个连续运行的GNSS监测站，形成监测网络，其中，N为自然数且N>3；
S2：采用Delaunay三角形算法，将监测网络构建成相连的但不重叠的Delaunay三角形网络图形结构；
S3：对每天连续的观测数据进行分段处理，获取每个时段的三角形形状数据，记录并保存时间序列数据，所述时间序列数据为获取的每个时段的三角形形状数据的集合，所述三角形形状数据包括三角形边长和三角形边的基线数据；
S4：利用大数据方法对累积的三角形形状的时间序列数据进行处理，获取三角形形状的背景数据；
S5：把最新时段的三角形形状数据与三角形形状的背景数据进行比较，且同时对三角形形状的时间序列数据的变化速率进行分析，判断地壳形变的区域。
2.如权利要求1所述的地震前兆形变GNSS监测网的三角形形变监测方法，其特征在于，所述步骤S3包括有：
S31：把每天24小时的连续观测数据分为若干个时段分别处理，每个时段观测数据的观测时间相等；
S32：对同一观测时段的各个三角形的边长观测数据进行基线解算，形成一个时段的整个网络的基线数据；
S33：对同一时段的基线数据进行自由网平差处理，得到该时段的每个三角形形状数据。
3.如权利要求1所述的地震前兆形变GNSS监测网的三角形形变监测方法，其特征在于，所述三角形的边长小于10km。
4.如权利要求1所述的地震前兆形变GNSS监测网的三角形形变监测方法，其特征在于，所述背景数据利用最新的三角形形状数据进行迭代更新。
5.如权利要求1所述的地震前兆形变GNSS监测网的三角形形变监测方法，其特征在于，所述步骤S5包括：
把当前时段的三角形形状数据与该三角形形状的背景数据进行比较，且同时对三角形形状的时间序列数据的变化速率进行分析；若数据有变化，初步判断该所述三角形所处地壳区域或相邻区域有形变发生。
CN201910319110.7A 2019-04-19 2019-04-19 一种地震前兆形变gnss监测网的三角形形变监测方法 Pending CN110006332A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910319110.7A CN110006332A (zh) 2019-04-19 2019-04-19 一种地震前兆形变gnss监测网的三角形形变监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910319110.7A CN110006332A (zh) 2019-04-19 2019-04-19 一种地震前兆形变gnss监测网的三角形形变监测方法

Publications (1)

Publication Number Publication Date
CN110006332A true CN110006332A (zh) 2019-07-12

Family

ID=67173207

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910319110.7A Pending CN110006332A (zh) 2019-04-19 2019-04-19 一种地震前兆形变gnss监测网的三角形形变监测方法

Country Status (1)

Country Link
CN (1) CN110006332A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113759402A (zh) * 2020-06-03 2021-12-07 千寻位置网络有限公司 Gnss形变监测方法、系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101581790A (zh) * 2009-06-11 2009-11-18 廖毅 地震传感器阵列装置及其数据采集方法
CN101655352A (zh) * 2009-09-15 2010-02-24 西安交通大学 一种三维散斑应变测量装置及其测量方法
CN102012521A (zh) * 2010-10-27 2011-04-13 中国石油化工股份有限公司 一种地震储层预测中叠前裂缝的检测方法
JP2012215525A (ja) * 2011-04-01 2012-11-08 Taisei Corp メッシュ化プログラム
CN105806208A (zh) * 2016-03-11 2016-07-27 河南理工大学 一种基于gnss网形变化的形变异常检测方法
CN106705830A (zh) * 2017-01-17 2017-05-24 中建局集团建设发展有限公司 一种基于北斗卫星的超高层建筑高精度变形监测系统及监测方法
CN108981559A (zh) * 2018-08-28 2018-12-11 郑州信大先进技术研究院 基于北斗地基增强系统的实时变形监测方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101581790A (zh) * 2009-06-11 2009-11-18 廖毅 地震传感器阵列装置及其数据采集方法
CN101655352A (zh) * 2009-09-15 2010-02-24 西安交通大学 一种三维散斑应变测量装置及其测量方法
CN102012521A (zh) * 2010-10-27 2011-04-13 中国石油化工股份有限公司 一种地震储层预测中叠前裂缝的检测方法
JP2012215525A (ja) * 2011-04-01 2012-11-08 Taisei Corp メッシュ化プログラム
CN105806208A (zh) * 2016-03-11 2016-07-27 河南理工大学 一种基于gnss网形变化的形变异常检测方法
CN106705830A (zh) * 2017-01-17 2017-05-24 中建局集团建设发展有限公司 一种基于北斗卫星的超高层建筑高精度变形监测系统及监测方法
CN108981559A (zh) * 2018-08-28 2018-12-11 郑州信大先进技术研究院 基于北斗地基增强系统的实时变形监测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
苗树平: "基于GNSS技术的矿区地表三维形变监测研究", 《现代矿业》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113759402A (zh) * 2020-06-03 2021-12-07 千寻位置网络有限公司 Gnss形变监测方法、系统

Similar Documents

Publication Publication Date Title
CN102707300B (zh) 一种gps轨迹优化方法、装置及系统
CN102435165B (zh) 基于cnss的地面设施变形的长期监测方法
Murray et al. Global Positioning System data collection, processing, and analysis conducted by the US Geological Survey Earthquake Hazards Program
CN102607506B (zh) 高填方机场边坡单台全站仪的自由设站变形监测方法
CN106959456B (zh) 一种gnss测量控制网精度估计方法
Rawat et al. Landslide movement monitoring using GPS technology: A case study of Bakthang landslide, Gangtok, East Sikkim, India
Mahapatra et al. InSAR datum connection using GNSS-augmented radar transponders
CN105069295B (zh) 基于卡尔曼滤波的卫星以及地面降水测量值同化方法
CN103217177A (zh) 一种电波折射修正方法、装置及系统
CN110441770A (zh) 基于多部mimo-sar联合观测的三维形变测量方法
CN108983232A (zh) 一种基于邻轨数据的InSAR二维地表形变监测方法
CN109238227A (zh) 一种表征地面沉降时空演变的方法
Bitelli et al. Evolution of the techniques for subsidence monitoring at regional scale: the case of Emilia-Romagna region (Italy)
CN108037490A (zh) 探地雷达定位精度检测方法及系统
CN103278115A (zh) 一种基于dem计算淤地坝淤积量的方法及系统
CN109059827A (zh) 一种saa监测地裂缝的方法及系统
CN206959776U (zh) 基于北斗卫星的高层建筑安全监测系统
CN112639504A (zh) 使用电子测距设备进行地理定位优化的方法
CN110006332A (zh) 一种地震前兆形变gnss监测网的三角形形变监测方法
Qin et al. Comparative study on vertical deformation based on GPS and leveling data
Koros et al. Subsidence surveys at Olkaria geothermal field, Kenya
Garrido et al. A high spatio-temporal methodology for monitoring dunes morphology based on precise GPS-NRTK profiles: Test-case of Dune of Mónsul on the south-east Spanish coastline
CN110069584B (zh) 一种基于移动端的信息采集和特征匹配的方法
Wang et al. Prediction analysis of landslide displacement trajectory based on the gradient descent method with multisource remote sensing observations
CN115507827A (zh) 基于超宽带与高精度mems组成的网状分布式滑坡监测系统

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: 20190712

RJ01 Rejection of invention patent application after publication