CN110427857B - 一种基于遥感数据融合的输电线路地质灾害分析方法 - Google Patents

Abstract

本发明提供一种基于遥感数据融合的输电线路地质灾害分析方法，具体步骤为，进行航飞数据采集，分别得到激光雷达数据和高光谱图像数据；对激光雷达数据和高光谱图像数据进行数据预处理；完成激光雷达数据和高光谱图像数据的融合；对高光谱图像数据进行精度评估；收集水系数据、地貌数据、地质数据、土地利用数据、降雨数据以及基础地理数据；提取各类型因子；得到研究区的综合各因子的信息量图，然后利用统计学中的自然断点法将信息量图重新分类,划分为级高度、中度和轻度,按此标准分类后的危险性等级图即为最终的地质灾害危险性评价图。融合两种遥感数据的优势为输电线路通道内的地质灾害隐患排查提供有效的技术支撑。

Description

一种基于遥感数据融合的输电线路地质灾害分析方法

技术领域

本发明涉及地质灾害分析领域，尤其涉及一种基于遥感数据融合的输电线路地质灾害分析方法。

背景技术

近几年，因自然环境变化和人类活动影响，输电线路通道内滑坡及泥石流等地质灾害频发，特别是三峡库区本不稳定的地貌单元在近几年夏季雨热同期,暴雨频繁过程中出现不同的潜在的地质灾害。因此该地区部分输电线路杆塔基础存在相对较高的的滑坡及泥石流等地质灾害风险，特别是高边坡的地质灾害会直接危害到输电杆塔本体。国网湖北检修公司宜昌运维分部除去之前已经治理过的盘龙线、渔兴线和祁韶线等地质灾害隐患，今年初又发现宜华线31#跨江塔及峡都三回117#等滑坡地质灾害，目前三峡地区周边此类小范围滑坡地质灾害呈高发态势。目前关于输电线路通道内的地质灾害监测治理的基本流程是传统的群测群防方式，通过日常线路巡视或当地居民告知杆塔通道或基础边坡隐患，然后再采取相应的治理措施，而监测输电线路杆塔滑坡等地质灾害基本采取的都是视频、雨量采集器、位移或形变传感器等一些被动手段，缺乏一种高效高可靠性的主动监测技术。

发明内容

本发明旨在提供一种基于遥感数据融合的输电线路地质灾害分析方法，依据激光雷达和高光谱遥感技术及无人机技术的优点，融合两种遥感数据的优势实现输电线路地质灾害区的识别、地质灾害易发区的预判与监测、地质灾害评估，为输电线路通道内的地质灾害隐患排查提供有效的技术支撑。

本发明的技术方案：

一种基于遥感数据融合的输电线路地质灾害分析方法，包括以下具体步骤：

步骤一.激光雷达与高光谱集成的机载遥感系统对输电线路研究区进行航飞数据采集，分别得到激光雷达数据和高光谱图像数据；

步骤二.对激光雷达数据和高光谱图像数据进行数据预处理；

步骤三.将激光雷达数据栅格化转换为数字高程模型，再将高光谱图像选出一些波段配准至和数字高程模型图像一致，直接进行地物分类，完成激光雷达数据和高光谱图像数据的融合；

步骤四.对高光谱图像数据进行精度评估，验证高光谱图像数据在城市土地利用分类中的可行性，判断高光谱图像数据进行数据压缩处理后与激光雷达处理后数据中的哪些波段融合参与分类后效果最好，完成激光雷达数据和高光谱图像数据融合；

步骤五.收集水系数据、《中华人民共和国地貌图集》的地貌数据、《中国地质图》的地质数据、土地利用数据、降雨数据以及基础地理数据，再加上野外确认，统计地质灾害类型、数量、分布，对地质灾害成因、变化特征、对承灾体危害进行分析；

步骤六.利用数字高程模型提取地形影响因子坡度、坡向、相对高差和坡形,利用地质数据提取地质构造因子岩性、断层距,利用地貌数据获取地貌类型因子；

步骤七.利用坡度、坡向、高程、坡形、地貌类型、断层距和岩性因子,叠加地质灾害数据,按照信息量模型计算各评价指标的信息量值,分别得到单因子信息量,然后将这个因子的信息量图层进行叠加计算,最终得到研究区的综合各因子的信息量图，然后利用统计学中的自然断点法将信息量图重新分类,划分为级高度、中度和轻度,按此标准分类后的危险性等级图即为最终的地质灾害危险性评价图。

所述步骤二中对激光雷达数据和高光谱图像数据进行数据预处理包括数据去噪，所述数据去噪的具体方法为，激光雷达数据和高光谱数据分别使用基于直方图分析和最大噪声分离的去噪方法来进行去除噪声，基于直方图分析是对原始高光谱数据或激光雷达高程值进行统计，并以直方图对其值的分布情况进行描述，根据上下噪点门限判断属于极高点和极低点的值范围，并剔除在这个范围内的数据点，剩余的数据即是具有有用信息的非噪声点。

所述步骤二中还包括高光谱图像的降维处理，对光谱特征进行降维处理的方法为，对输入的高光谱图像进行预处理，输入的高光谱图像共H个波段，随后计算其波段之间的协方差矩阵，然后计算该协方差矩阵的特征值和特征向量，特征值按从大到小的顺序排列，提取前P1个特征值，P1<H，这些特征值对应的P1个特征向量构成变换矩阵，而后该变换矩阵与原始数据相乘，获取主成分变换后的P1个图像，进而完成降维，H和P1为正整数。

所述步骤三中激光雷达数据栅格化转换为数字高程模型的方法为，

a.根据激光雷达数据所携带的水平方向地理位置信息，确定水平方向地理坐标的范围，对于待建立的栅格图像中的一个像素(i,j)，根据目标区域地理坐标的范围和栅格图像的空间分辨率d，计算其中心点坐标(X(i,j),Y(i,j))，为了方便与光谱图像联合使用，这里将栅格图像空间分辨率d设为与光谱图像相同；

b.依次搜索激光雷达数据中的所有脚点，若该脚点横坐标的范围在(X(i,j)-1/2d,Y(i,j)+1/2d)之间且纵坐标在(X(i,j)-1/2d,Y(i,j)+1/2d)之间，则收录该脚点至该像素的对应脚点集S(i,j)；

c.计算集合X(i,j)中所有脚点的高程信息或强度信息的均值，并将其该值赋予对应的目标像素；

d.计算下一像素，直至所有像素都计算完成，完成激光雷达数据到栅格图像的转换，得到激光雷达图像。

所述步骤三中激光雷达图像与高光谱图像的配准方法为，

控制点的选择，在图像配准时，首先在待配准图像中选择控制点，控制点必须足够多以确保产生精确的映射多项式；控制点有明显的特征，并且要分布在图像的各处，并覆盖整个图像；

确定映射多项式的系数，在确定了控制点对以后，再用最小二乘法构造两幅图像的线性映射关系；

根据某像素在参考图像的坐标值映射到待校正的图像的坐标系下的坐标值，然后从待校正的图像中选取离这个坐标值最近的灰度值作为该像素的灰度值，完成激光雷达图像与高光谱图像的配准。

所述步骤三中激光雷达图像与高光谱图像的配准方法为，

控制点的选择，在图像配准时，首先在待配准图像中选择控制点，控制点必须足够多以确保产生精确的映射多项式；控制点有明显的特征，并且要分布在图像的各处，并覆盖整个图像；

确定映射多项式的系数，在确定了控制点对以后，再用最小二乘法构造两幅图像的线性映射关系；

根据某像素在参考图像的坐标值映射到待校正的图像的坐标系下的坐标值，然后从待校正的图像中选取离这个坐标值最近的灰度值作为该像素的灰度值，完成激光雷达图像与高光谱图像的配准。

所述步骤三中还包括生成归一化数字表面模型，生成归一化数字表面模型的方法为，

基于移动曲面拟合的滤波算法的激光雷达图像滤波：

1)选取合适的滤波窗口尺寸，窗口尺寸应该比区域内最大的建筑物所占像素略大；

2)在该窗口中选取高程最低的几个点，作为初始种子点，输入到地面点集P，该假设认为区域内高程最低的点属于地面点；

3)利用P中的点进行在二次曲面拟合，拟合所涉及的函数方程为

Z_i＝c₀+c₁x_i+c₂y_i+c₃x_iy_i+c₄x_i ²+c₅y₁ ²

上式中，(x_i，y_i)为第i个点在图像中的坐标，Z₁为该点对应的高程值，依次将P集合内的点输入，得到一系列的方程组，在最小二乘准则下解出各系数c₀，c₁，c₂，c₃,c₄，c_s，从而确定曲面方程；

4)利用得到的曲面方程对其他点的高程进行预测，若预测值与实际值的差大于阈值T，则判定该点为非地面点；反之，则该点为地面点，然后将该点加入到地面点集P，重新计算各系数，得到新曲面，如此重复直至所有点都判定完毕；移动窗口至图像其它位置，完成整幅图像的滤波；

激光雷达图像也称为数字表面模型，整幅图像的滤波完成后将数字表面模型中的点集分为了地面点与非地面点两部分，根据图像中地面点的高程值对非地面点的值进行重新估计并插值，得到没有非地面点情况下的地形走势图像；

采用反距离加权插值的算法进行高程内插，首先以内插点为中心，确定适当数目N_C的最近邻点作为源采样点，假设内插点为S₀(X₀Y₀)，采样点为Q₀＝(x_i,y_i,z_i)，i＝(1，2，...，N₀)，反距离加权平均插值的数学表达式如下：

上式中

为内插点的高程估计值；δ_i为第i个采样点的权值；Z₁为第i个采样点的高程值，完成插值过程后，能够反映地面地形走势的数字地形模型即生成；

利用得到的数字表面模型与数字地形模型相减，就可以得到反映去除了地势起伏影响的地物相对高程信息的图像，即归一化数字表面模型。

所述步骤二中对高光谱图像数据的预处理还包括计算出归一化植被指数NVDI。

与现有技术相比，本发明的有益效果是：可以作为输电线路防灾减灾技术体系中重要的一个环节，在易发生滑坡和泥石流等地质灾害的输电线路微地形区域内通道相对比较复杂的地区开展使用，通过对地质灾害隐患的排查，建立区域性的输电线路地质灾害隐患分布图，对其隐患的治理提供有效的数据支撑。输电线路地质灾害主动监测防御手段可以有效的降低地质灾害造成的严重后果，及时发现输电线路及其通道的地质灾害隐患，从技术上保证电网的安全运行，为电网的安全稳定运行提供技术支撑和保障，减少因电路故障而造成的经济损失。提高电网企业形象和社会满意度。

附图说明

图1为本发明的灾害分析方法流程示意图；

图2为本发明激光雷达数据和高光谱图像数据的融合流程示意图。

具体实施方式

下面将结合本发明实施例中的附图，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做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。

请参阅图1和图2，本发明提供一种技术方案：

一种基于遥感数据融合的输电线路地质灾害分析方法，包括以下具体步骤：

步骤一.激光雷达与高光谱集成的机载遥感系统对输电线路研究区进行航飞数据采集，分别得到激光雷达数据和高光谱图像数据；

步骤二.对激光雷达数据和高光谱图像数据进行数据预处理；

步骤三.将激光雷达数据栅格化转换为数字高程模型，再将高光谱图像选出一些波段配准至和数字高程模型图像一致，直接进行地物分类，完成激光雷达数据和高光谱图像数据的融合；

步骤四.对高光谱图像数据进行精度评估，验证高光谱图像数据在城市土地利用分类中的可行性，判断高光谱图像数据进行数据压缩处理后与激光雷达处理后数据中的哪些波段融合参与分类后效果最好；

目前为止，混合矩阵是对遥感影像分类进行精度评价的主要方法，它能够简单概括的描述分类精度信息。通过混淆矩阵计算，可以得到准确度指数、总体精度、用户精度、生产者精度以及Kappa系数。混合矩阵是一个N*N的矩阵。通常来讲，矩阵的行代表分类样本，列代表参考样本，对角线上的数值代表正确分类后的样本。

步骤五.收集水系数据、《中华人民共和国地貌图集》的地貌数据、《中国地质图》的地质数据、土地利用数据、降雨数据以及基础地理数据，再加上野外确认，统计地质灾害类型、数量、分布，对地质灾害成因、变化特征、对承灾体危害进行分析；

步骤六.利用数字高程模型提取地形影响因子坡度、坡向、相对高差和坡形,利用地质数据提取地质构造因子岩性、断层距,利用地貌数据获取地貌类型因子；

步骤七.利用坡度、坡向、高程、坡形、地貌类型、断层距和岩性因子,叠加地质灾害数据,按照信息量模型计算各评价指标的信息量值,分别得到单因子信息量,然后将这个因子的信息量图层进行叠加计算,最终得到研究区的综合各因子的信息量图，然后利用统计学中的自然断点法将信息量图重新分类,划分为级高度、中度和轻度,按此标准分类后的危险性等级图即为最终的地质灾害危险性评价图。

所述步骤二中对激光雷达数据和高光谱图像数据进行数据预处理包括数据去噪，所述数据去噪的具体方法为，激光雷达数据和高光谱数据分别使用基于直方图分析和最大噪声分离的去噪方法来进行去除噪声，基于直方图分析是对原始高光谱数据或激光雷达高程值进行统计，并以直方图对其值的分布情况进行描述，根据上下噪点门限判断属于极高点和极低点的值范围，并剔除在这个范围内的数据点，剩余的数据即是具有有用信息的非噪声点。

所述步骤二中还包括高光谱图像的降维处理，对光谱特征进行降维处理的方法为，对输入的高光谱图像进行预处理，输入的高光谱图像共H个波段，随后计算其波段之间的协方差矩阵，然后计算该协方差矩阵的特征值和特征向量，特征值按从大到小的顺序排列，提取前P1个特征值，P1<H，这些特征值对应的P1个特征向量构成变换矩阵，而后该变换矩阵与原始数据相乘，获取主成分变换后的P1个图像，进而完成降维，H和P1为正整数。

所述步骤三中激光雷达数据栅格化转换为数字高程模型的方法为，

a.根据激光雷达数据所携带的水平方向地理位置信息，确定水平方向地理坐标的范围，对于待建立的栅格图像中的一个像素(i,j)，根据目标区域地理坐标的范围和栅格图像的空间分辨率d，计算其中心点坐标(X(i,j),Y(i,j))，为了方便与光谱图像联合使用，这里将栅格图像空间分辨率d设为与光谱图像相同；

b.依次搜索激光雷达数据中的所有脚点，若该脚点横坐标的范围在(X(i,j)-1/2d,Y(i,j)+1/2d)之间且纵坐标在(X(i,j)-1/2d,Y(i,j)+1/2d)之间，则收录该脚点至该像素的对应脚点集S(i,j)；

c.计算集合X(i,j)中所有脚点的高程信息或强度信息的均值，并将其该值赋予对应的目标像素；

d.计算下一像素，直至所有像素都计算完成，完成激光雷达数据到栅格图像的转换，得到激光雷达图像。

所述步骤三中激光雷达图像与高光谱图像的配准方法为，

控制点的选择，在图像配准时，首先在待配准图像中选择控制点，控制点必须足够多以确保产生精确的映射多项式；控制点有明显的特征，并且要分布在图像的各处，并覆盖整个图像；

确定映射多项式的系数，在确定了控制点对以后，再用最小二乘法构造两幅图像的线性映射关系；

根据某像素在参考图像的坐标值映射到待校正的图像的坐标系下的坐标值，然后从待校正的图像中选取离这个坐标值最近的灰度值作为该像素的灰度值，完成激光雷达图像与高光谱图像的配准。

所述步骤三中激光雷达图像与高光谱图像的配准方法为，

控制点的选择，在图像配准时，首先在待配准图像中选择控制点，控制点必须足够多以确保产生精确的映射多项式；控制点有明显的特征，并且要分布在图像的各处，并覆盖整个图像；

确定映射多项式的系数，在确定了控制点对以后，再用最小二乘法构造两幅图像的线性映射关系；

根据某像素在参考图像的坐标值映射到待校正的图像的坐标系下的坐标值，然后从待校正的图像中选取离这个坐标值最近的灰度值作为该像素的灰度值，完成激光雷达图像与高光谱图像的配准。

所述步骤三中还包括生成归一化数字表面模型，生成归一化数字表面模型的方法为，

基于移动曲面拟合的滤波算法的激光雷达图像滤波：

1)选取合适的滤波窗口尺寸，窗口尺寸应该比区域内最大的建筑物所占像素略大；

2)在该窗口中选取高程最低的几个点，作为初始种子点，输入到地面点集P，该假设认为区域内高程最低的点属于地面点；

3)利用P中的点进行在二次曲面拟合，拟合所涉及的函数方程为

Z_i＝c₀+c₁x_i+c₂y_i+c₃x_iy_i+c₄x_i ²+c₅y_i ²

上式中，(x_i，y₁)为第i个点在图像中的坐标，Z₁为该点对应的高程值，依次将P集合内的点输入，得到一系列的方程组，在最小二乘准则下解出各系数c₀，c_i，c₂，c₃，，c₄，c₅，从而确定曲面方程；

4)利用得到的曲面方程对其他点的高程进行预测，若预测值与实际值的差大于阈值T，则判定该点为非地面点；反之，则该点为地面点，然后将该点加入到地面点集P，重新计算各系数，得到新曲面，如此重复直至所有点都判定完毕；移动窗口至图像其它位置，完成整幅图像的滤波；

激光雷达图像也称为数字表面模型，整幅图像的滤波完成后将数字表面模型中的点集分为了地面点与非地面点两部分，根据图像中地面点的高程值对非地面点的值进行重新估计并插值，得到没有非地面点情况下的地形走势图像；

采用反距离加权插值的算法进行高程内插，首先以内插点为中心，确定适当数目N_C的最近邻点作为源采样点，假设内插点为S₀(X₀Y₀)，采样点为Q₀＝(x_i，y_i，z_i)，i＝(1，2...，N₀)，反距离加权平均插值的数学表达式如下：

上式中

为内插点的高程估计值；δ_i为第i个采样点的权值；Z₁为第i个采样点的高程值，完成插值过程后，能够反映地面地形走势的数字地形模型即生成；

利用得到的数字表面模型与数字地形模型相减，就可以得到反映去除了地势起伏影响的地物相对高程信息的图像，即归一化数字表面模型。

所述步骤二中对高光谱图像数据的预处理还包括计算出归一化植被指数NVDI。

危险性评估指标，三峡库区近几年浅源地震也比较常发，对于地震引起的不稳定坡体的排查也尤为重要包括灾区环境地质条件分析,评估指标体系的建立、提取与量化。评估时,综合考虑灾区地震、地质灾害的发生过程、发育环境等因子,建立震区地质灾害危险性评估模型、评估指标体系等。利用DEM进行地质灾害危险性评价的一个重要内容就是提取地形因子坡度、坡向、坡长、地势起伏度、坡形等,并与地质灾害信息进行空间叠加分析统计,以此作为指标联合其它因子栅格化运算进行地质灾害评价。

环境因素的提取与量化

a.坡度

不同坡度的斜坡,因太阳的投射角度不同,其所获得的太阳辐射也有不同,气温、土温及其他生态因子随着坡度的变化而发生变化,坡度愈大,水土流失也愈多,土壤受侵蚀的可能性也愈大。一般来说,坡度对滑坡等地质灾害的发育具有重要的控制因素,滑坡灾害的形成是坡体的凌空面逐步积累为有效凌空面的结果,而坡体的凌空面是否能成为有效凌空面与坡体的坡度有很大关系。地形坡度为松散物质势能向动能转化的主要因素,坡度的大小直接影响着地表物质流动与能量转换的规模与强度,对滑坡而言,坡度的大小对于斜坡表面土体所承受的力、斜坡表面的径流能量等都具有重要的作用。

b.地貌类型

基本地貌形态类型是反映地貌最基本内外营力的过程所形成的基本地貌形态,主要是由地面坡度、起伏度和地貌面的海拔高度三个基本指标逐级划分根据地表坡度组合划分平原和山地两种,按切割深度和起伏度将平原和山地分别划分成种基本地貌形态。

c.相对高差

相对高差定义为研究区域内所有栅格中最大高程与最小高程的差。它主要是用来反映地形起伏的宏观地形因子,在地质灾害易发性研究中,相对高差指标能够反映研究区的土壤侵蚀特征,相对高差越大,地质灾害也相对较强。

d.地质岩组

由于板块的隆升等影响,造成区新构造运动活跃。

e.构造断裂密度

构造断裂密度是指单位面积内所包含的断层线的总长度,它反映断裂构造空间密度分布的结构特征,主要提供深部宏观构造信息，

f.植被覆盖

植被作为地理环境最重要的组成部分,与一定的气候、地貌、土壤条件相适应,对地理环境的依赖性最大,其分布在很大程度上受到地形地貌的制约,因而植被覆盖程度及其变化是区域生态系统环境变化的重要指标,也是影响区域地质灾害发生频率与规模的重要因子之一。

标准化差值植被指数定义为两个通道的反射率之差与它们的和的比值。其计算公式表示为：

其中,R_ir和R分别是目标在近红外和红波段的反射率。

在植被遥感中，NDVI的应用最为广泛,它是植被生长状态及植被覆盖度的最佳指示因子,与植被分布密度呈线性相关,因此又被称为反映生物量和植被检测的指数。本文选择标准化差值植被指数作为分析指标。从实际调查来看,大多数的滑坡都是发生在植被覆盖度较低的区域。这主要是由于：

植被的繁衍改变了地表近地层的土壤结构,使地表在一定的深度内出现了持力层,而且植被的覆盖度越大,越有利于出现持力层,对近地表土层起保护作用。

植被的存在有效的减少了水土流失以及雨水下渗,有效阻止了降雨对坡体内地下水的补给。

植被的蒸腾作用使得蒸发增强,有利于坡体在一定的深度保持干燥,不因水分作用而使坡体抗剪强度降低。

地质灾害风险可以表达为危险性和易损性的乘积。因此,风险评估分三步进行,首先是危险性评价,确定可能发生灾害的概率,其次是易损性分析,进行承灾体的识别与易损性评估,最后进行风险评估。

灾害风险评估分为广义和狭义两种。广义的风险评估是对灾害系统进行风险评估,即对孕灾环境、致灾因子、承灾体分别进行风险评估的基础上,对灾害系统进行风险评估狭义的风险评估主要是对致灾因子进行风险评估,即从对危害的识别,到对危害的认识,进而开展风险评估。广义的风险评估的内容孕灾环境稳定性分析主要研究风险区内的地理环境是否易于发生相应的灾害。致灾因子危险性分析主要任务是研究风险区内各种自然灾害发生的概率、强度和频率。承灾体易损性评估包括风险区的确定、风险区特性的评价和抗灾能力的分析。灾情损失评估评价风险区内一定时间段内可能发生的自然灾害给风险区造成损失的可能性。综上所述,地质灾害风险评估首先是分析风险区域内致灾因子发生的时间、范围、强度、频率的可能概率,然后据此分析人类社会系统各种灾损的可能性概率,再根据破坏程度,推测各种损失的可能性数值,最后将三个环节的可能性数值组合起来,给出灾害风险损失。首先利用DEM提取地形影响因子坡度、坡向、相对高差和坡形,利用地质数据提取地质构造因子岩性、断层距,利用地貌数据获取地貌类型因子,然后栅格化各评价因子,利用灾害数据通过空间分析功能计算各因子的信息量,针对输入的各评价因子图层进行空间分析建模,获得研究区的危险性分布图层。利用融合解译研究区的地质灾害,并与危险性分布图进行叠加,分析验证制作的危险性分布图的评价效果。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (2)

1.一种基于遥感数据融合的输电线路地质灾害分析方法，其特征在于，包括以下具体步骤：

步骤一.激光雷达与高光谱集成的机载遥感系统对输电线路研究区进行航飞数据采集，分别得到激光雷达数据和高光谱图像数据；

步骤二.对激光雷达数据和高光谱图像数据进行数据预处理；

步骤三.将激光雷达数据栅格化转换为数字高程模型，再将高光谱图像配准至和数字高程模型图像一致，直接进行地物分类，完成激光雷达数据和高光谱图像数据的融合；

步骤四.对高光谱图像数据进行精度评估，验证高光谱图像数据在城市土地利用分类中的可行性，判断高光谱图像数据进行数据压缩处理后与激光雷达处理后数据中的哪些波段融合参与分类后效果最好；

步骤五.收集水系数据、地貌数据、地质数据、土地利用数据、降雨数据以及基础地理数据，再加上野外确认，统计地质灾害类型、数量、分布，对地质灾害成因、变化特征、对承灾体危害进行分析；

步骤六.利用数字高程模型提取地形影响因子坡度、坡向、相对高差和坡形,利用地质数据提取地质构造因子岩性、断层距,利用地貌数据获取地貌类型因子；

步骤七.利用坡度、坡向、高程、坡形、地貌类型、断层距和岩性因子,叠加地质灾害数据,按照信息量模型计算各评价指标的信息量值,分别得到单因子信息量,然后将这个因子的信息量图层进行叠加计算,最终得到研究区的综合各因子的信息量图，然后利用统计学中的自然断点法将信息量图重新分类,划分为级高度、中度和轻度,按此标准分类后的危险性等级图即为最终的地质灾害危险性评价图；

所述步骤二中对激光雷达数据和高光谱图像数据进行数据预处理包括数据去噪，所述数据去噪的具体方法为，激光雷达数据和高光谱数据分别使用基于直方图分析和最大噪声分离的去噪方法来进行去除噪声，基于直方图分析是对原始高光谱数据或激光雷达高程值进行统计，并以直方图对其值的分布情况进行描述，根据上下噪点门限判断属于极高点和极低点的值范围，并剔除在这个范围内的数据点，剩余的数据即是具有有用信息的非噪声点；

所述步骤二中还包括高光谱图像的降维处理，对光谱特征进行降维处理的方法为，对输入的高光谱图像进行预处理，输入的高光谱图像共H个波段，随后计算其波段之间的协方差矩阵，然后计算该协方差矩阵的特征值和特征向量，特征值按从大到小的顺序排列，提取前P1个特征值，P1<H，这些特征值对应的P1个特征向量构成变换矩阵，而后该变换矩阵与原始数据相乘，获取主成分变换后的P1个图像，进而完成降维，H和P1为正整数；

所述步骤三中激光雷达数据栅格化转换为数字高程模型的方法为，

a.根据激光雷达数据所携带的水平方向地理位置信息，确定水平方向地理坐标的范围，对于待建立的栅格图像中的一个像素(i,j)，根据目标区域地理坐标的范围和栅格图像的空间分辨率d，计算其中心点坐标(X(i,j),Y(i,j))，为了方便与光谱图像联合使用，这里将栅格图像空间分辨率d设为与光谱图像相同；

b.依次搜索激光雷达数据中的所有脚点，若该脚点横坐标的范围在(X(i,j)-1/2d,Y(i,j)+1/2d)之间且纵坐标在(X(i,j)-1/2d,Y(i,j)+1/2d)之间，则收录该脚点至该像素的对应脚点集S(i,j)；

c.计算集合X(i,j)中所有脚点的高程信息或强度信息的均值，并将该值赋予对应的目标像素；

d.计算下一像素，直至所有像素都计算完成，完成激光雷达数据到栅格图像的转换，得到激光雷达图像；

所述步骤三中激光雷达图像与高光谱图像的配准方法为，

控制点的选择，在图像配准时，首先在待配准图像中选择控制点，控制点必须确保产生精确的映射多项式；控制点有明显的特征，并且要分布在图像的各处，并覆盖整个图像；

确定映射多项式的系数，在确定了控制点对以后，再用最小二乘法构造两幅图像的线性映射关系；

根据某像素在参考图像的坐标值映射到待校正的图像的坐标系下的坐标值，然后从待校正的图像中选取离这个坐标值最近的灰度值作为该像素的灰度值，完成激光雷达图像与高光谱图像的配准；

所述步骤三中还包括生成归一化数字表面模型，生成归一化数字表面模型的方法为，

基于移动曲面拟合的滤波算法的激光雷达图像滤波：

1)选取合适的滤波窗口尺寸，窗口尺寸应该比区域内最大的建筑物所占像素大；

2)在该窗口中选取高程最低的几个点，作为初始种子点，输入到地面点集P，该假设认为区域内高程最低的点属于地面点；

3)利用P中的点进行在二次曲面拟合，拟合所涉及的函数方程为

Z_i＝c₀+c₁x_i+c₂y_i+c₃x_iy_i+c₄x_i ²+c₅y_i ²

上式中，(x_i，y_i)为第i个点在图像中的坐标，Z₁为该点对应的高程值，依次将P集合内的点输入，得到一系列的方程组，在最小二乘准则下解出各系数c₀，c₁，c₂，c₃，c₄，c₅，从而确定曲面方程；

4)利用得到的曲面方程对其他点的高程进行预测，若预测值与实际值的差大于阈值T，则判定该点为非地面点；反之，则该点为地面点，然后将该点加入到地面点集P，重新计算各系数，得到新曲面，如此重复直至所有点都判定完毕；移动窗口至图像其它位置，完成整幅图像的滤波；

激光雷达图像也称为数字表面模型，整幅图像的滤波完成后将数字表面模型中的点集分为了地面点与非地面点两部分，根据图像中地面点的高程值对非地面点的值进行重新估计并插值，得到没有非地面点情况下的地形走势图像；

采用反距离加权插值的算法进行高程内插，首先以内插点为中心，确定适当数目N_C的最近邻点作为源采样点，假设内插点为S₀(X₀Y₀)，采样点为Q₀＝(x_i，y_i，z_i)，i＝(1，2，...，N₀)，反距离加权平均插值的数学表达式如下：

上式中

为内插点的高程估计值；δ₁为第i个采样点的权值；Z₁为第i个采样点的高程值，完成插值过程后，能够反映地面地形走势的数字地形模型即生成；

利用得到的数字表面模型与数字地形模型相减，就可以得到反映去除了地势起伏影响的地物相对高程信息的图像，即归一化数字表面模型。

2.据权利要求1所述的一种基于遥感数据融合的输电线路地质灾害分析方法，其特征在于，所述步骤二中对高光谱图像数据的预处理还包括计算出归一化植被指数NVDI，其计算公式表示为：

其中，R_ir和R分别是目标在近红外波段和红波段的反射率。

Images