CN110111377B - 一种考虑地震位移场的震后区域性滑坡危险性评估方法 - Google Patents

一种考虑地震位移场的震后区域性滑坡危险性评估方法 Download PDF

Info

Publication number
CN110111377B
CN110111377B CN201910489435.XA CN201910489435A CN110111377B CN 110111377 B CN110111377 B CN 110111377B CN 201910489435 A CN201910489435 A CN 201910489435A CN 110111377 B CN110111377 B CN 110111377B
Authority
CN
China
Prior art keywords
earthquake
landslide
displacement field
layer
node
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.)
Expired - Fee Related
Application number
CN201910489435.XA
Other languages
English (en)
Other versions
CN110111377A (zh
Inventor
张建经
朱崇浩
刘阳
马东华
胡君龙
闫世杰
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN201910489435.XA priority Critical patent/CN110111377B/zh
Publication of CN110111377A publication Critical patent/CN110111377A/zh
Application granted granted Critical
Publication of CN110111377B publication Critical patent/CN110111377B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G01S13/9021—SAR image post-processing techniques
    • G01S13/9027—Pattern recognition for feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G06T2207/10044—Radar image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开一种考虑地震位移场的震后区域性滑坡危险性评估方法，使用BP神经网络，建立滑坡敏感性评估模型；根据滑坡样本，对BP神经网络滑坡敏感性评估模型进行训练，当训练误差达到目标误差时停止训练，获得评估模型的最终形态；通过最终形态的评估模型，将待评估区域的影响因子集输入到模型，获得敏感性评估值集；根据待评估区域的震前、震后两张雷达卫星干涉影像对，进行差分干涉计算，获得待评估区域的震后位移场；对滑坡敏感性评估值和震后位移场进行拟合，获得最优拟合方程；根据最优拟合方程，对待评估区域进行全区域的震后滑坡危险性评估。本发明表形态更新速度快，考虑了震后损伤，能及时发现震后滑坡危险性改变区域。

Description

一种考虑地震位移场的震后区域性滑坡危险性评估方法
技术领域
本发明涉及地质灾害危险性评估技术领域，具体为一种考虑地震位移场的震后区域性滑坡危险性评估方法。
背景技术
滑坡危险性评估是一种通过经验方法或物理力学模型确定个体或者区域性滑坡危险性的方法。经验模型具有较快的评估速度和较好的评估精度，因此对于区域性滑坡危险性评估，经常使用经验模型。经验模型通常不考虑单一滑坡的具体物理力学指标，而是通过收集区域中一定数量的滑坡样本，基于数学统计或机器学习的方法，建立滑坡影响因子与危险性之间的非线性关系，最终通过输入不同的影响因子信息来获得整个区域的滑坡危险性，其中人工神经网络、逻辑回归、支持向量机、随机森林、多元回归分析是目前研究成果比较成熟的几种方法。
对于震后地区的区域性滑坡危险性的评估，现在主要依赖于现场勘查、考证的手段，原因是区域地形信息在地表形态发生巨大变化后，需要大量的人力、物力投入才能获得一次更新。因此，受限于地形因素不能快速更新，传统的经验模型无法及时发现震后滑坡危险性改变的区域。
随着遥感卫星技术的迅猛发展，区域地表形态的更新速度逐步加快，其中差分雷达干涉测量技术（Differential Interferometric synthetic aperture radar，DInSAR）可以对同一地区的两副雷达影像（SAR影像）进行干涉差分处理，从而获得厘米级或更微小的地表形变信息。DInSAR技术的最大特点就是可以快速、高精度获得震后地区的地表形变信息，因此它可以弥补传统的区域地质灾害危险性评估方法的不足，如果将二者进行适当的结合，形成一种综合分析方法，那么在理论上可以提高震后区域地质灾害危险性评估的精确性和适用性，同时还可以节省一定的人力、物力。
发明内容
针对上述问题，本发明的目的在于提供一种能够解决现有技术中地表形态更新速度慢、无法考虑震后损伤、不能及时发现震后滑坡危险性改变区域的问题的考虑地震位移场的震后区域性滑坡危险性评估方法。技术方案如下：
步骤1：使用BP神经网络，建立滑坡敏感性评估模型：
模型的几何拓扑结构包括输入层、隐含层、输出层；输入层包括M个节点，隐含层也包括q个节点，用来模拟输入层与输出层之间的非线性关系；输出层包括1个节点，代表滑坡敏感性评估值S；
步骤2：根据滑坡样本，对BP神经网络滑坡敏感性评估模型进行训练，当训练误差达到目标误差时停止训练，获得评估模型的最终形态；
步骤3：通过最终形态的评估模型，将待评估区域的影响因子集输入到模型，获得敏感性评估值集；
步骤4：根据待评估区域的震前、震后两张雷达卫星干涉影像对，进行差分干涉计算，获得待评估区域的震后位移场D；
步骤5：对滑坡敏感性评估值S和震后位移场D进行拟合，获得震后危险性评价值与S和D的最优拟合方程；
步骤6：根据所述最优拟合方程，对待评估区域进行全区域的震后滑坡危险性评估。
进一步的，所述输入层的6个节点包括高程X 1 、坡度X 2 、植被指数X 3 、年均降雨量X 4 、地表切割密度X 5 和上覆土类型X 6 ，即待评估区域的影响因子。
更进一步的，所述隐含层第i个节点的输入值net i 按式（1）计算：
Figure 581936DEST_PATH_IMAGE001
（1）
其中，w ij 是隐含层第i个节点到输入层第j个节点的权值，M是输入层节点数量，x j 是输入层第j个节点的输入值，
Figure 295814DEST_PATH_IMAGE002
是隐含层第i个节点的阈值；
隐含层第i个节点的输出值y i 按式（2）计算：
Figure DEST_PATH_IMAGE003
（2）
其中，
Figure DEST_PATH_IMAGE004
是隐含层的激励函数；
输出层第k个节点的输入值net k 按式（3）计算：
Figure DEST_PATH_IMAGE005
（3）
其中，q是隐含层节点数量，w ki 是输出层第k个节点到隐含层第i个节点的权值，
Figure DEST_PATH_IMAGE006
是输出层第k个节点的阈值；
输出层第k个节点的输出值按式（4）计算：
Figure DEST_PATH_IMAGE007
（4）
其中，
Figure DEST_PATH_IMAGE008
是第k个节点的输出值，
Figure DEST_PATH_IMAGE009
是输出层的激励函数。
更进一步的，所述训练误差E为：
Figure DEST_PATH_IMAGE010
（5）
其中，d m 是第m个训练样本的真实值，o m 是第m个样本的预测值，l为训练样本的数量。
更进一步的，所述差分干涉计算的步骤包括：
1）计算震前、震后两张雷达卫星干涉影像之间的基线距离；
2）震前、震后雷达卫星干涉影像对进行主从影像配准；
3）按式（6）进行差分干涉；
Figure DEST_PATH_IMAGE011
（6）
其中，
Figure DEST_PATH_IMAGE012
是地表型变量，
Figure DEST_PATH_IMAGE013
是干涉相位，
Figure DEST_PATH_IMAGE014
是地形因素带来的相位差，
Figure DEST_PATH_IMAGE015
是 雷达发射的信号波波长；
4）相位解缠，获得地表形变值。
更进一步的，所述对敏感性评估值S和震后位移场D进行拟合的二次多元非线性回归拟合方程为：
Figure DEST_PATH_IMAGE016
（7）
其中，R是震后滑坡危险性评估值，S是滑坡敏感性评估值，D是震后位移场，a,b,c, d,e,f为待定系数。
本发明的有益效果是：本发明解决了现有技术中地表形态更新速度慢、无法考虑震后损伤、不能及时发现震后滑坡危险性改变区域的问题；本发明的方案表形态更新速度快，考虑了震后损伤，能及时发现震后滑坡危险性改变区域。
附图说明
图1 是发明内容整体流程图；
图2 是“九寨沟-川主寺”区域数字高程图；
图3 是BP神经网络滑坡敏感性评估模型结构图；
图4 是“九寨沟-川主寺”区域敏感性评估结果图；
图5 是“九寨沟-川主寺”区域震前雷达卫星影像；
图6 是“九寨沟-川主寺”区域震后雷达卫星影像；
图7 是“九寨沟-川主寺”区域震后位移场图；
图8 是“九寨沟-川主寺”区域震后滑坡危险性评估结果图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细说明。本发明考虑地震位移场的震后区域性滑坡危险性评估方法的流程图如图1所示，具体步骤如下：
1）使用BP神经网络，建立滑坡敏感性评估模型。该模型的几何拓扑结构主要包括输入层、隐含层、输出层。输入层包括6个节点，分别代表高程（X 1 ）、坡度（X 2 ）、植被指数（X 3 ）、年均降雨量（X 4 ）、地表切割密度（X 5 ）、上覆土类型（X 6 ）；隐含层包括6个节点，用来模拟输入层与输出层之间的非线性关系；输出层包括1个节点，代表滑坡敏感性评估值（S）。隐含层第i个节点的输入net i 按式（1）计算：
Figure DEST_PATH_IMAGE017
（1）
其中，w ij 是隐含层第i个节点到输入层第j个节点的权值，M是输入层节点数量，x j 是输入层第j个节点的输入值，
Figure 964299DEST_PATH_IMAGE002
是隐含层第i个节点的阈值。
隐含层第i个节点的输出y i 按式（2）计算：
Figure 156246DEST_PATH_IMAGE003
（2）
其中，
Figure 439460DEST_PATH_IMAGE004
是隐含层的激励函数。
输出层第k个节点的输入net k 按式（3）计算：
Figure 855398DEST_PATH_IMAGE005
（3）
其中，q是隐含层节点数量，w ki 是输出层第k个节点到隐含层第i个节点的权值，a k 是输出层第k个节点的阈值。
输出层第k个节点的输出按式（4）计算：
Figure 591273DEST_PATH_IMAGE007
（4）
其中，
Figure 649228DEST_PATH_IMAGE008
是第k个节点的输出值，
Figure 786948DEST_PATH_IMAGE009
是输出层的激励函数。
2）使用一定数量的滑坡样本，对BP神经网络模型进行训练，当训练误差达到目标误差时停止训练，获得评估模型的最终形态，其中误差按式（5）进行控制。
Figure 373787DEST_PATH_IMAGE010
（5）
其中E是误差，d m 是第m个训练样本的真实值，
Figure DEST_PATH_IMAGE018
是第m个样本的预测值。
3）使用2）步骤中获得的最终形态的评估模型，将待评估区域的影响因子集（X 1 ,X 2 , X 3 ,X 4 ,X 5 ,X 6 ）输入到模型，获得敏感性评估值集（S）。
4）使用待评估区域的震前、震后两张雷达卫星干涉影像对，进行差分干涉计算，获得待评估区域的震后位移场（D）。差分干涉的主要计算步骤为：①计算震前、震后两张雷达卫星干涉影像之间的基线距离；②震前、震后雷达卫星干涉影像对进行主从影像配准；③按式（6）进行差分干涉；④相位解缠，获得真厚位移场D。
Figure 190433DEST_PATH_IMAGE011
（6）
其中，
Figure 648484DEST_PATH_IMAGE012
是地表型变量，
Figure 234186DEST_PATH_IMAGE013
是干涉相位，
Figure 726347DEST_PATH_IMAGE014
是地形因素带来的相位差，
Figure 764710DEST_PATH_IMAGE015
是 雷达发射的信号波波长。
5）使用式（7）所示的二次多元非线性回归拟合方程，对敏感性评估值S和震后位移场D进行拟合，获得震后危险性评价值与S和D的最优拟合方程。
Figure 633309DEST_PATH_IMAGE016
（7）
其中R是震后滑坡危险性评估值，S是滑坡敏感性评估值，D是震后位移值，a,b,c, d,e,f为待定系数。
6）利用5）步骤中获得的最优拟合方程，对待评估区域进行全区域的震后滑坡危险性评估。
结合具体实例对本发明的方案进行说明：以中国四川省“九寨沟-川主寺”区域的震后滑坡危险性评估为例，研究区域如图2所示，包括以下步骤：
步骤1：建立基于BP神经网络的滑坡敏感性评估模型，BP神经网络模型的结构如图3所示，利用一定数量的滑坡样本进行训练，获得最终形态的模型。
步骤2：使用步骤1中获得的模型，对“九寨沟-川主寺”区域进行滑坡敏感性评估，评估结果如图4所示。
步骤3：收集“九寨沟-川主寺”震前、震后两幅雷达卫星干涉影像，如图5所示，使用差分干涉技术，计算评估区域震后地表位移场，结果如图6所示。
步骤4：使用二次多元非线性回归方程建立震后滑坡危险性、滑坡敏感性、震后位移场之间的函数关系，对于“川主寺-九寨沟”区域，拟合结果震后滑坡危险性评估值为：
Figure DEST_PATH_IMAGE019
步骤5：使用步骤4中得到的公式，对“川主寺-九寨沟”全区域进行震后滑坡危险性评估，结果如图7所示。
本发明的方案表形态更新速度快，考虑了震后损伤，能及时发现震后滑坡危险性改变区域。

Claims (5)

1.一种考虑地震位移场的震后区域性滑坡危险性评估方法，其特征在于，包括以下步骤：
步骤1：使用BP神经网络，建立滑坡敏感性评估模型：
模型的几何拓扑结构包括输入层、隐含层、输出层；输入层包括M个节点，隐含层也包括q个节点，用来模拟输入层与输出层之间的非线性关系；输出层包括1个节点，代表滑坡敏感性评估值S；
步骤2：根据滑坡样本，对BP神经网络滑坡敏感性评估模型进行训练，当训练误差达到目标误差时停止训练，获得评估模型的最终形态；
步骤3：通过最终形态的评估模型，将待评估区域的影响因子集输入到模型，获得敏感性评估值集；
步骤4：根据待评估区域的震前、震后两张雷达卫星干涉影像对，进行差分干涉计算，获得待评估区域的震后位移场D；
步骤5：根据一定数量的拟合样本，对滑坡敏感性评估值S和震后位移场D进行拟合，获得震后危险性评价值与S和D的最优二次多元非线性拟合函数；
对敏感性评估值S和震后位移场D进行拟合的二次多元非线性回归拟合方程为：
R＝aS+bD+cS2+dD2+eSD+f (7)
其中，R是震后滑坡危险性评估值，S是滑坡敏感性评估值，D是震后位移场，a,b,c,d,e,f为待定系数；
步骤6：根据所述最优拟合函数，对待评估区域进行全区域的震后滑坡危险性评估。
2.根据权利要求1所述的考虑地震位移场的震后区域性滑坡危险性评估方法，其特征在于，所述输入层的6个节点包括高程X1、坡度X2、植被指数X3、年均降雨量X4、地表切割密度X5和上覆土类型X6，即待评估区域的影响因子。
3.根据权利要求1所述的考虑地震位移场的震后区域性滑坡危险性评估方法，其特征在于，所述隐含层第i个节点的输入值neti按式(1)计算：
Figure FDA0003786008740000011
其中，wij是隐含层第i个节点到输入层第j个节点的权值，M是输入层节点数量，xj是输入层第j个节点的输入值，θi是隐含层第i个节点的阈值；
隐含层第i个节点的输出值yi按式(2)计算：
Figure FDA0003786008740000021
其中，φ是隐含层的激励函数；
输出层第k个节点的输入值netk按式(3)计算：
Figure FDA0003786008740000022
其中，q是隐含层节点数量，wki是输出层第k个节点到隐含层第i个节点的权值，ak是输出层第k个节点的阈值；
输出层第k个节点的输出值按式(4)计算：
Figure FDA0003786008740000023
其中，ok是第k个节点的输出值，ψ是输出层的激励函数。
4.根据权利要求3所述的考虑地震位移场的震后区域性滑坡危险性评估方法，其特征在于，所述训练误差E为：
Figure FDA0003786008740000024
其中，dm是第m个训练样本的真实值，om是第m个样本的预测值，l为训练样本的数量。
5.根据权利要求1所述的考虑地震位移场的震后区域性滑坡危险性评估方法，其特征在于，所述差分干涉计算的步骤包括：
1)计算震前、震后两张雷达卫星干涉影像之间的基线距离；
2)震前、震后雷达卫星干涉影像对进行主从影像配准；
3)按式(6)进行差分干涉；
Figure FDA0003786008740000025
其中，
Figure FDA0003786008740000026
是地表型变量，φ'是干涉相位，
Figure FDA0003786008740000027
是地形因素带来的相位差，λ是雷达发射的信号波波长；
4)相位解缠，获得震后位移场D。
CN201910489435.XA 2019-06-06 2019-06-06 一种考虑地震位移场的震后区域性滑坡危险性评估方法 Expired - Fee Related CN110111377B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910489435.XA CN110111377B (zh) 2019-06-06 2019-06-06 一种考虑地震位移场的震后区域性滑坡危险性评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910489435.XA CN110111377B (zh) 2019-06-06 2019-06-06 一种考虑地震位移场的震后区域性滑坡危险性评估方法

Publications (2)

Publication Number Publication Date
CN110111377A CN110111377A (zh) 2019-08-09
CN110111377B true CN110111377B (zh) 2022-10-21

Family

ID=67494026

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910489435.XA Expired - Fee Related CN110111377B (zh) 2019-06-06 2019-06-06 一种考虑地震位移场的震后区域性滑坡危险性评估方法

Country Status (1)

Country Link
CN (1) CN110111377B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310623B (zh) * 2020-02-03 2023-04-07 中国地质大学（武汉） 基于遥感数据与机器学习对泥石流敏感性地图分析的方法
CN113281742B (zh) * 2021-06-02 2023-07-25 西南交通大学 一种基于滑坡形变信息和气象数据的sar滑坡预警方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101699477A (zh) * 2009-10-21 2010-04-28 东南大学 精确预测大坝变形的神经网络方法
CN103364830A (zh) * 2013-07-24 2013-10-23 北京师范大学 一种基于多因子的地震后发生崩滑灾害位置的预测方法
CN105204079A (zh) * 2015-08-31 2015-12-30 中国科学院测量与地球物理研究所 一种利用TanDEM-X双站InSAR提取地震滑坡体积的方法
CN109359738A (zh) * 2018-10-19 2019-02-19 西南交通大学 一种基于qpso-bp神经网络的滑坡危险性评估方法
CN109471107A (zh) * 2018-11-27 2019-03-15 长沙理工大学 基于PS-InSAR技术的桥梁永久形变分析方法
CN109492793A (zh) * 2018-09-29 2019-03-19 桂林电子科技大学 一种动态灰色费尔哈斯特神经网络滑坡形变预测方法
CN109558859A (zh) * 2018-12-13 2019-04-02 中国地质大学（武汉） 基于DInSAR和DCNN的矿区分布信息提取方法及系统

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103399344B (zh) * 2013-07-24 2016-06-29 北京师范大学 一种地震后崩滑灾害发生位置的预测方法
CN106250667A (zh) * 2016-06-29 2016-12-21 中国地质大学（武汉） 一种涉水滑坡状态跃迁的监测方法及装置
CN107577913A (zh) * 2017-08-31 2018-01-12 成都九十度工业产品设计有限公司 一种区域滑坡灾害易发性评估装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101699477A (zh) * 2009-10-21 2010-04-28 东南大学 精确预测大坝变形的神经网络方法
CN103364830A (zh) * 2013-07-24 2013-10-23 北京师范大学 一种基于多因子的地震后发生崩滑灾害位置的预测方法
CN105204079A (zh) * 2015-08-31 2015-12-30 中国科学院测量与地球物理研究所 一种利用TanDEM-X双站InSAR提取地震滑坡体积的方法
CN109492793A (zh) * 2018-09-29 2019-03-19 桂林电子科技大学 一种动态灰色费尔哈斯特神经网络滑坡形变预测方法
CN109359738A (zh) * 2018-10-19 2019-02-19 西南交通大学 一种基于qpso-bp神经网络的滑坡危险性评估方法
CN109471107A (zh) * 2018-11-27 2019-03-15 长沙理工大学 基于PS-InSAR技术的桥梁永久形变分析方法
CN109558859A (zh) * 2018-12-13 2019-04-02 中国地质大学（武汉） 基于DInSAR和DCNN的矿区分布信息提取方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Time series insar techniques to estimate deformation in a landslide-prone area in Haridwar region, India;Manoj Kuri et al.;《2016 IEEE International Geoscience and Remote Sensing Symposium (IGARSS)》;20161103;第6839-6842页 *
基于时序InSAR技术与地形特征的黄土高原潜在滑坡识别研究——以绥德县城为例;殷宗敏;《中国优秀硕士论文全文数据库（基础科学辑）》;20181115;A011-5 *
支持向量机与Newmark模型结合的地震滑坡易发性评估研究;林齐根等;《地球信息科学学报》;20171228;第19卷(第12期);第1623-1633页 *

Also Published As

Publication number Publication date
CN110111377A (zh) 2019-08-09

Similar Documents

Publication Publication Date Title
CN102819673B (zh) 一种多源灌溉信息融合方法及装置
Razavi-Termeh et al. Mapping of landslide susceptibility using the combination of neuro-fuzzy inference system (ANFIS), ant colony (ANFIS-ACOR), and differential evolution (ANFIS-DE) models
CN110111377B (zh) 一种考虑地震位移场的震后区域性滑坡危险性评估方法
CN112287294A (zh) 一种基于深度学习的时空双向土壤含水量插值方法
Lai et al. Variational assimilation of remotely sensed flood extents using a 2-D flood model
CN114218853A (zh) 基于机器学习空间降尺度提高水储量分辨率和精度的方法
CN114819737B (zh) 公路路域植被的碳储量估算方法、系统及存储介质
CN115308386B (zh) 一种基于cygnss卫星数据的土壤盐分反演方法和系统
CN114861277A (zh) 一种长时序国土空间功能与结构模拟方法
CN116777079A (zh) 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法
CN105528523A (zh) 一种基于遥感数据的土壤厚度反演方法
De Lannoy et al. Adaptive soil moisture profile filtering for horizontal information propagation in the independent column-based CLM2. 0
Ayanlade Seasonal rainfall variability in Guinea Savanna part of Nigeria: a GIS approach
CN109919990B (zh) 利用深度感知网络和视差遥感影像进行森林高度预测方法
CN116432032A (zh) 基于多源数据和机器学习的气象数据异常事件识别方法
CN116183868A (zh) 一种复杂生态系统土壤有机碳遥感估算方法及系统
Zanella et al. Internet of things for hydrology: Potential and challenges
CN113792992B (zh) 一种基于遥感大数据的滑坡崩塌应急评价方法及系统
CN115392128A (zh) 一种利用时空卷积lstm网络模拟流域径流量的方法
CN115019476A (zh) 一种基于多源信息融合的滑坡时空信息监测预警方法
Dai et al. Impact of complexity of radar rainfall uncertainty model on flow simulation
CN114912075A (zh) 一种融合站点和卫星遥感观测的时空三维信息的土壤湿度数据缺失填补方法
Bramer et al. How Many Measurements of Soil Moisture within the Footprint of a Ground‐Based Microwave Radiometer Are Required to Account for Meter‐Scale Spatial Variability?
CN112347700A (zh) 一种泥石流发生概率及规模预报方法
CN115688955A (zh) 植被长势预测方法、装置及存储介质

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20221021

CF01 Termination of patent right due to non-payment of annual fee