CN110781169A - 自适应多源InSAR监测地面沉降时间序列数据拼接方法及系统 - Google Patents

自适应多源InSAR监测地面沉降时间序列数据拼接方法及系统 Download PDF

Info

Publication number
CN110781169A
CN110781169A CN201911018550.5A CN201911018550A CN110781169A CN 110781169 A CN110781169 A CN 110781169A CN 201911018550 A CN201911018550 A CN 201911018550A CN 110781169 A CN110781169 A CN 110781169A
Authority
CN
China
Prior art keywords
time sequence
data
time
splicing
insar
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.)
Granted
Application number
CN201911018550.5A
Other languages
English (en)
Other versions
CN110781169B (zh
Inventor
陈蓓蓓
宫辉力
段利
李小娟
周超凡
高明亮
曹群
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.)
Capital Normal University
Original Assignee
Capital Normal 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 Capital Normal University filed Critical Capital Normal University
Priority to CN201911018550.5A priority Critical patent/CN110781169B/zh
Publication of CN110781169A publication Critical patent/CN110781169A/zh
Application granted granted Critical
Publication of CN110781169B publication Critical patent/CN110781169B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/211—Schema design and management
    • G06F16/212—Schema design and management with details for data modelling support
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2291—User-Defined Types; Storage management thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Remote Sensing (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本发明提供了一种自适应多源InSAR监测地面沉降时间序列数据拼接方法及系统，考虑了地面沉降时间序列拼接中成像几何、空间覆盖度、时间匹配度三个方面的问题，在成像几何中，通过估算InSAR数据的垂直向形变，提高了InSAR监测结果的精度；针对多源InSAR数据集的空间覆盖范围和空间分辨率的不同，提出了构建空间格网的方法；考虑到空间参考的差异性，首次提出结合外部数据统一空间参考，以减小系统误差；并利用时间序列分解的思想，构建自适应时间序列模型，避免了普通拟合模型误差的引入，提高了拼接后数据的精度。本发明对多源InSAR监测结果的地面沉降时间序列数据大范围拼接的适用性强，拼接后数据精度明显提高。

Description

自适应多源InSAR监测地面沉降时间序列数据拼接方法及 系统
技术领域
本发明涉及地面沉降时间序列数据处理领域，尤其涉及一种针对大范围多源InSAR监测结果的地面沉降时间序列数据自适应的拼接方法及其系统。
背景技术
地面沉降是在自然和人为因素综合作用下由土体压缩引起的地面标高损失的环境地质现象，具有不可补偿的永久性环境和资源损失的特点，因此，研究地面沉降时序演化规律对于城市可持续发展是非常有必要的。随着遥感技术的进步，地面沉降监测技术进入了新的时代。目前，合成孔径雷达干涉测量技术(Interferometric Synthetic ApertureRadar,InSAR)相比于水准测量、分层标、GPS测量等常规点、线观测监测方法，具有高精度、大范围、长时序、高形变敏感度的优点。特别是在缺乏地面监测点的条件下，InSAR技术监测形变是一种快速且经济的手段，在地面沉降监测领域应用广泛。特别是在Ferretti et al.(2000)提出了一种时序InSAR新技术——永久散射体干涉测量技术(PersistentScatterer Interferometric Synthetic Aperture Radar,PS-InSAR)之后，使得研究区域地面沉降时序演化成为了可能。此外，SAR卫星的平均寿命通常设计在5～7年左右，而地面沉降是一种长期的地质现象，通常需要10-20年才能准确监测到其形变规律，因此，需要联合多种卫星数据源才能监测更长时序的形变信息。并且，不同的卫星数据源由于其信号波段不同，需要分开来处理。因此，地面沉降长时序遥感监测首先要解决的就是多源卫星数据的时序拼接问题。
多源InSAR时序拼接需要解决三个方面的问题。首先，成像几何问题。SAR卫星采用的是侧视成像，因此，InSAR获取的是沿视线方向的形变信息(Line of Sight，LOS)。而不同传感器对地观测的入射角不同，再加上水平形变的影响，这都将造成多源数据成像几何不一致的问题。其次，空间范围匹配问题。不同SAR卫星其PS点的空间覆盖范围不同，高明亮(2017)提出利用最近邻法匹配同名点；司远(2018)提出利用空间插值并提取到点的方法。最后，时间参考的统一问题。时序InSAR是基于差分的思想，因此每一段时序的开始都是零，时序连接时需要转换到相同的时间参考。时序拼接包括有重叠时段和没有重叠时段两种情况。针对有重叠时段的时序拼接，刘凯斯(2018)利用奇异值分解的方法寻找重叠区最佳拼接点，然后利用最小二乘多项式拟合的方法实现拼接；P.E(2018)、司远(2018)分别建立了双曲线(Hyperbolic Method,HM)和Logistic沉降模型拟合时序沉降变化，并利用拟合曲线梯度差最小方法进行时序拼接；Mahmud(2019)假设沉降速率不发生变化，构建线性模型，并用最小二乘平差的方法进行拼接。针对没有重叠时段的时序拼接，Pasca(2017)利用前一时段的平均沉降速率填补空缺时段；司远(2018)采用双向预测的方法，重新构建重叠区进行拼接。
以往的时序拼接方法均是针对不同研究区的特点提出的有针对性的拼接方法，具有区域性，然而地面沉降不仅存在区域差异性，而且随着时间序列的加长，固定的沉降模型不再能适应沉降规律变化的情况。因此，构建自适应的时序拼接模型对于地面沉降长时序监测研究具有十分重要的意义。
发明内容
本发明基于上述传统方法不能充分考虑上述三个问题的缺陷，将综合考虑多源InSAR监测时序拼接的三个问题，提出一套适用于大范围地面沉降时序拼接的系统性方法。具体而言，本发明提供了以下的技术方案：
一方面，本发明提供了一种自适应多源InSAR监测地面沉降时间序列数据拼接方法，该方法包括：
S1、基于获取的卫星数据，进行多源InSAR成像几何纠正，所述几何纠正中，仅求解垂直向形变；
S2、确定多源InSAR监测结果的公共区域，构建空间格网，对所述几何纠正后的InSAR数据集进行重采样，获取多源InSAR空间格网数据集；
S3、选取形变速率小于一阈值的所述空间格网中的网格作为参考格网，将多源InSAR数据集转化为相对于所述参考格网的时序形变；
S4、将不同时序序列进行时间参考匹配，进行时间序列拼接，形成拼接后时序数据。
优选地，所述S1中，基于外部数据，以及LOS向形变数据，获取垂直向形变；所述外部数据包括全球定位数据或水准测量数据。全球定位数据可以是例如GPS数据、北斗导航定位数据等。
优选地，所述外部数据用于获取垂直向形变量的运算常数。
优选地，LOS向形变数据与垂直向形变数据的关系可以简化为：
dLOS＝dUcosθ+M (2)
其中，M为常数，可以结合外部的全球定位数据或水准测量数据，利用例如最小二乘等方法求得，从而建立LOS向形变向垂直向形变的转化方程。
优选地，所述S3中，所述参考格网为一个或多个所述空间格网中的网格；更为优选地，所述阈值为1cm，当然，阈值的设置，可以依据数据计算精度等要求进行适当调整。
优选地，所述S4中，所述时间参考匹配包括，针对不同时序序列：
S401、通过平稳性检验，剔除平稳序列数据，保留非平稳序列数据；本发明中，通过非平稳序列数据的获取，来得到地面沉降中的非线性变化趋势项，以达到无需先验知识，且能够批量处理InSAR监测结果的目的；
此处的平稳性检验方法，可以采用例如根据时序图和自相关图对应的特征进行判断的图检验方法，也可以采用构造检验统计量进行假设检验的方法等。
S402、对保留的非平稳序列数据进行时间插值，获得间隔均匀的时序数据；此处的插值可以采用例如三次样条时间序列插值等方法；插值后的序列时间间隔可以基于数据计算精度进行调整，例如设置为1天、2天、1周等；
S403、基于所述间隔均匀的时序数据，构建自适应地面沉降时间序列模型：
Xt(沉降时序)＝Tt(趋势项)+Rt(余项)；
S404、若不同时序序列存在重叠时段，则直接构建不同时序序列的自适应地面沉降时间序列模型；若不同时序序列不存在重叠时段，则分别基于各时序序列构建的自适应地面沉降时间序列模型进行双向预测，重新构建重叠时段；
S405、确定重叠时段的拼接点，并拼接不同时序序列的自适应地面沉降时间序列模型。
优选地，所述S405中，确定重叠时段的拼接点时，将待拼接的自适应地面沉降时间序列模型中的趋势项对应时间的形变差，计算一待拼接自适应地面沉降时间序列模型中的趋势项与另一待拼接自适应地面沉降时间序列模型拼接后的趋势项的误差平方和，以所述误差平方和最小处的时刻，作为拼接点。
优选地，所述S405中，进行拼接时，基于所述拼接点，确定待拼接自适应地面沉降时间序列模型的平移距离，并在平移后，将待拼接的自适应地面沉降时间序列模型连接为整段自适应地面沉降时间序列模型。
此外，本发明还提供了一种自适应多源InSAR监测地面沉降时间序列数据拼接系统，该系统包括：
几何纠正模块，用于基于获取的卫星数据，进行多源InSAR成像几何纠正，所述几何纠正中，仅求解垂直向形变；
重采样模块，用于确定多源InSAR监测结果的公共区域，构建空间格网，对所述几何纠正后的InSAR数据集进行重采样，获取多源InSAR空间格网数据集；
参考点统一模块，用于选取形变速率小于一阈值的所述空间格网中的网格作为参考格网，将多源InSAR数据集转化为相对于所述参考格网的时序形变；
拼接模块，用于将不同时序序列进行时间参考匹配，进行时间序列拼接，形成拼接后时序数据。
优选地，所述拼接模块包括：
平稳性检测单元，用于通过平稳性检验，筛选并保留非平稳序列数据；
插值单元，用于对保留的非平稳序列数据进行插值，获得间隔均匀的时序数据；
时间序列建模单元，用于基于所述间隔均匀的时序数据，构建自适应地面沉降时间序列模型：
Xt(沉降时序)＝Tt(趋势项)+Rt(余项)；
时间序列拼接单元，用于获取不同时序序列的重叠时段，并确定重叠时段的拼接点，并拼接不同时序序列的自适应地面沉降时间序列模型。
优选地，所述时间序列拼接单元中，获取重叠时段时，若不同时序序列存在重叠时段，则直接构建不同时序序列的自适应地面沉降时间序列模型；若不同时序序列不存在重叠时段，则分别基于各时序序列构建的自适应地面沉降时间序列模型进行双向预测，重新构建重叠时段。
与现有技术相比，本发明具有以下有益效果：本发明考虑了地面沉降时间序列拼接中成像几何、空间覆盖度、时间匹配度三个方面的问题，为多源InSAR监测地表形变时间序列拼接问题给出了一套系统的解决方案。在成像几何中，通过估算InSAR数据的垂直向形变，提高了InSAR监测结果的精度；针对多源InSAR数据集的空间覆盖范围和空间分辨率的不同，提出了构建空间格网的方法；考虑到空间参考的差异性，首次提出结合外部数据(GPS或水准数据)统一空间参考，以减小系统误差；并利用时间序列分解的思想，构建自适应时间序列模型，避免了普通拟合模型误差的引入，提高了拼接后数据的精度。本发明对多源InSAR监测结果的地面沉降时间序列数据大范围拼接的适用性强，拼接后数据精度明显提高。
附图说明
图1为SAR成像几何示意图；
图2为本发明实施例的成像几何纠正方法流程图；
图3为本发明实施例的时间参考的匹配流程图。
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
针对目前多源InSAR形变时间序列拼接技术中存在的三个问题，本发明提出了相应的解决方案，并从多个角度进行了改进，包括：
1)成像几何。以往的研究均直接忽略水平形变的影响，本发明引入外部GPS或水准点数据削弱水平形变的影响，进而精确计算垂直向形变。
2)空间范围。以往的研究大多以某一数据集作为参考，会出现覆盖范围不均匀的现象。本发明通过构建空间格网统一数据覆盖范围，并通过重采样的方法削弱突变点对整体数据的影响，同时也保证了空间分辨率。
3)空间参考。以往的研究均未提及空间参考问题，事实上在利用InSAR技术计算时序形变的过程中，参考点的选取是至关重要的。不同数据集很难将参考点设置在相同的位置上。如果不对参考点进行纠正很容易造成系统性偏差。本发明利用构建的空间格网并结合地面监测点，统一两个数据集的参考点来去掉系统偏差。
4)时间参考。时间参考的统一有两种方式，一种是基于原始时序结果本身，通过计算重叠区最小误差平方和来确定最佳拼接时间点。事实上，原始沉降时间序列受InSAR技术本身信号的影响存在随机影响。另一类是构建沉降模型，沉降模型的使用很容易给沉降时序的监测带来主观误差，且现有的沉降模型均建立在先验知识充足的条件下。因此，本发明构建自适应的沉降时序模型，最大程度的保留沉降时序规律，同时避免原始沉降时序的随机影响。
需要指出的是，以下实施例仅作为最为优选的方式提出，以便于对本发明的技术方案进行具体、详细的阐述，其中涉及到的具体数值的设置，也仅作为优选的一实施方式来呈现，而不应理解为对本发明保护范围的限定。
在一个具体的实施例中，本发明所述的自适应多源InSAR监测地面沉降时间序列数据拼接方法，该方法包括以下步骤：
S1：结合GPS或水准数据进行多源InSAR成像几何纠正。
SAR卫星飞行方向大多沿极地轨道(近南北向)，且均为右视成像，侧视角一般为20°～40°，其直接观测结果并不是地表在空间方位的真实形变，而是地表在正东、正北和垂直向形变量在雷达视线向的投影之和。因此，由InSAR测量得到的形变结果，可以按照观测几何的空间关系分解为上述三个方向的分量(如图1所示)。InSAR观测的LOS向形变可以表示为：
Figure BDA0002246462090000101
其中dLOS、dN、dE、dU，分别表示LOS向、正北、正东、垂直向形变，θ为侧视角，α为卫星航向与正北方向沿顺时针方向的夹角。
长时序地面沉降演化之所以受限，是由于数据源时序较短。而方程(1)中含有三个未知数，需要构造三个方程才能求出各个分量。故大多数时序研究都是建立在水平方向形变忽略不计(包括dN和dE)的假设前提下，即：dLOS≈COSθ，求解的结果显然不够精确。现有的InSAR三维解算方法通常需要联合多轨数据，研究时序形变的硬件条件很难达到。考虑到本发明只为获得垂直向形变dU，没有必要做三维解算。因此，将方程(1)简化为如下形式：
dLOS＝dUcosθ+M(2)
方程(2)中的M为常数，可以结合外部的GPS数据或水准测量数据，利用最小二乘求得，从而建立LOS向形变向垂直向形变的转化方程，计算流程如图2所示，其中，m表示外部GPS点或水准点的个数，InSAR数据插值方法可以用反距离加权方法(IDW)或克里金插值方法。
S2：重采样到统一的空间范围。
求取多源InSAR监测结果的公共区域，在公共区域构建200m2的空间格网G，假设200m2内的区域地面沉降均匀变化。分别对每一个几何纠正后的InSAR数据集进行重采样，获取多源InSAR空间格网数据集(分别命名为Gd1,Gd2…)。
S3：统一参考点。
根据外部的GPS或水准测量数据，选取平均形变速率小于1cm的一个网格作为参考格网。重新计算多源InSAR数据集，获取相对于同一空间参考格网的时序形变结果。
S4：时间参考的匹配。
InSAR获取的形变值是一个时间相对值，不同数据源其时间参考也不同。因此，要想获取连续的形变序列值，关键是统一两段时序的时间参考。一般情况下都是将第二段时序连接到第一段时序上，一种方法是找到两段时序的最佳拼接点，然后整体平移；另外一种方法是通过建立沉降模型，重新计算后半段形变量。考虑到要保留数据最大的真实性，本发明采用第一种方法进行拼接。与以往研究不同的是，本发明将采用时序分解的思路，摆脱以往研究中有限的沉降假设模型，提取地面沉降的非线性变化趋势项。这样做的优点是，无需先验知识，能够批量处理InSAR监测结果。以两段时序数据的拼接为例，具体流程如图3所示，其中的关键步骤如下：
1.平稳性检验
通常把具有明显趋势的时序数据叫做非平稳时间序列，反之为平稳时间序列。非平稳的地面沉降时序数据是研究的重点，因此，需要剔除掉沉降趋势不明显的点。对序列的平稳性有两种检验方法，一种是根据时序图和自相关图显示的特征做出判断的图检验方法；一种是构造检验统计量进行假设检验的方法。图检验显然不适合批量数据处理，因此，本发明选用统计检验中最常用的单位根检验(ADF)方法。单位根检验是指检验序列中是否存在单位根，若存在就是非平稳时间序列。采用Python中statsmodels.tsa.stattools.adfuller进行ADF校验，传入时间序列即可输出校验结果：Radf,,P-value,R1％,R5％,R10％。ADF检验的原假设是存在单位根，设置检验要求：若Radf<R5％拒绝原假设，即序列为平稳序列，剔除；否则为非平稳序列，保留。
2.三次样条时间序列插值。
InSAR获取的形变数据在时序上具有不均匀性，即数据的时间间隔不固定，在进行时序分析时需要将其转化为间隔均匀的序列，本发明采用三次样条插值方法将时序插值到每天。此时由时间间隔不均匀的数据Gd1和Gd2变为间隔均匀(例如1天)的时序数据：
Figure BDA0002246462090000121
和
Figure BDA0002246462090000122
3.自适应地面沉降时间序列建模。
不同水文地质条件下的地表高程具有空间差异性，相同地质条件下不同时段地表高程呈现不同的变化趋势。因此，InSAR获取的形变时序数据呈现非线性特征，不能简单的采用线性方式进行拟合。已有的非线性拟合方式如：Logistic、双曲线模型，需要基于一定的先验知识。在研究地面沉降长时序演化过程中，是缺乏先验知识的。因此，构建自适应的时间序列模型是研究地面沉降时序演化的突破口。地面沉降时间序列属于时间序列中的一种，尽管不同的序列波动特征千变万化，但是序列的各种变化都可以归纳成四大类因素，即：长期趋势(Trend)，循环波动(Circle)，季节性变化(Season)，随机波动(1mmediate)。在地面沉降时序拼接问题中，考虑到不同研究区地面沉降的季节性变化和循环波动存在差异性，长期趋势项更能准确地刻画沉降变化规律。因此，针对大范围地面沉降时间序列，将沉降时序变化概化为趋势项和其他项，其中趋势项的计算过程具有自适应特性，因此，得到自适应地面沉降时间序列模型(3)。
Xt(沉降时序)＝Tt(趋势项)+Rt(余项) (3)
在趋势项的计算过程中，引入STL(Seasonal and Trend decomposition usingLoess)方法。其中Loess(Locally Weighted Smoothing Scatterplot，LOWESS或LOESS)为局部加权散点平滑法，该方法先从预测变量附近取一个数据子集，然后对该子集进行线性或二次回归，回归时采用加权最小二乘法，即越靠近估计点的权值越大，最后利用得到的局部回归模型估计响应变量。用这种方法进行逐点运算得到整条拟合趋势线。并且这种方法不容易出现欠拟合和过拟合现象。利用STL进行时间序列分解时，需要注意参数t.window的设置，即对提取趋势性时的Loess算法时间窗口宽度的设置，要根据实际情况修改参数大小，确保趋势项提取的正确性。分别对每一个重采样后空间格网的时序结果(和
Figure BDA0002246462090000142
)求STL，即可分解出各自的趋势项(
Figure BDA0002246462090000143
和
Figure BDA0002246462090000144
)。STL的具体求解方法此处不再赘述。
4.重叠时段的判断。
待拼接的两个时序结果(
Figure BDA0002246462090000145
和
Figure BDA0002246462090000146
)包含两种情况，一种是存在重叠时段，即t1和t2有重叠区，一种是不存在重叠时段，即t1和t2中间有间隔。如果是第一种情况，则直接构建自适应地面沉降时间序列模型。如果不存在重叠时段，首先，基于已有时段分别构建两个自适应地面沉降时间序列模型，根据模型对两个时序的间隔区域进行双向预测，重新构建重叠区即可。
5.确定最佳拼接点。
把两段时序中重叠时段的趋势项分别记为和
Figure BDA0002246462090000148
计算这两段趋势项对应时间的形变差,记为c，是后半段时序需要平移的距离集合。j(单位：天)表示重叠时段的开始时间，m(单位：天)表示重叠时段的天数。
Figure BDA00022464620900001410
Figure BDA0002246462090000151
拼接点必然落在j～j+m之间，拼接后的有如下几种情况，用矩阵表示：
Figure BDA0002246462090000153
计算
Figure BDA0002246462090000154
与
Figure BDA0002246462090000155
逐行的误差平方和：若在第q行误差平方和最小，则选择误差平方和最小值min(Wq)处的时刻为j+q，作为最佳拼接时间点，则cj+q为最佳平移距离。
6.时间序列拼接。
第二段时序
Figure BDA0002246462090000157
从j+q时间开始，后半段整体向下平移cj+q，其中n表示最终日期距离参考日期的天数。将平移后的结果与
Figure BDA0002246462090000159
连接即可得到整段时序Xt:
Figure BDA00022464620900001510
Figure BDA00022464620900001511
Figure BDA00022464620900001512
实施例2：
在又一个具体的实施例中，本发明还提出了一种自适应多源InSAR监测地面沉降时间序列数据拼接系统，该系统可以执行例如实施例1中所记载的自适应多源InSAR监测地面沉降时间序列数据拼接方法。
在一个具体的实施方式中，该系统可以通过如下方式实现：
几何纠正模块，用于基于获取的卫星数据，进行多源InSAR成像几何纠正，所述几何纠正中，仅求解垂直向形变；
重采样模块，用于确定多源InSAR监测结果的公共区域，构建空间格网，对所述几何纠正后的InSAR数据集进行重采样，获取多源InSAR空间格网数据集；
参考点统一模块，用于选取形变速率小于一阈值的所述空间格网中的网格作为参考格网，将多源InSAR数据集转化为相对于所述参考格网的时序形变；
拼接模块，用于将不同时序序列进行时间参考匹配，进行时间序列拼接，形成拼接后时序数据。
优选地，所述拼接模块包括：
平稳性检测单元，用于通过平稳性检验，筛选并保留非平稳序列数据；本发明中，通过非平稳序列数据的获取，来得到地面沉降中的非线性变化趋势项，以达到无需先验知识，且能够批量处理InSAR监测结果的目的；
此处的平稳性检验方法，可以采用例如根据时序图和自相关图对应的特征进行判断的图检验方法，也可以采用构造检验统计量进行假设检验的方法等；
插值单元，用于对保留的非平稳序列数据进行插值，获得间隔均匀的时序数据；此处的插值可以采用例如三次样条时间序列插值等方法；插值后的序列时间间隔可以基于数据计算精度进行调整，例如设置为1天、2天、1周等；
时间序列建模单元，用于基于所述间隔均匀的时序数据，构建自适应地面沉降时间序列模型：
Xt(沉降时序)＝Tt(趋势项)+Rt(余项)；
时间序列拼接单元，用于获取不同时序序列的重叠时段，并确定重叠时段的拼接点，并拼接不同时序序列的自适应地面沉降时间序列模型。
优选地，所述时间序列拼接单元中，获取重叠时段时，若不同时序序列存在重叠时段，则直接构建不同时序序列的自适应地面沉降时间序列模型；若不同时序序列不存在重叠时段，则分别基于各时序序列构建的自适应地面沉降时间序列模型进行双向预测，重新构建重叠时段。
优选地，所述几何纠正模块中，基于外部数据，以及LOS向形变数据，获取垂直向形变；所述外部数据包括全球定位数据或水准测量数据。全球定位数据可以是例如GPS数据、北斗导航定位数据等。
优选地，所述外部数据用于获取垂直向形变量的运算常数。
优选地，LOS向形变数据与垂直向形变数据的关系可以简化为：
dLOS＝dUcosθ+M(2)
其中，M为常数，可以结合外部的全球定位数据或水准测量数据，利用例如最小二乘等方法求得，从而建立LOS向形变向垂直向形变的转化方程。
优选地，所述参考点统一模块中，所述参考格网为一个或多个所述空间格网中的网格；更为优选地，所述阈值为1cm，当然，阈值的设置，可以依据数据计算精度等要求进行适当调整。
优选地，所述时间序列拼接单元中，确定重叠时段的拼接点时，将待拼接的自适应地面沉降时间序列模型中的趋势项对应时间的形变差，计算一待拼接自适应地面沉降时间序列模型中的趋势项与另一待拼接自适应地面沉降时间序列模型拼接后的趋势项的误差平方和，以所述误差平方和最小处的时刻，作为拼接点。
更为优选地，进行拼接时，基于所述拼接点，确定待拼接自适应地面沉降时间序列模型的平移距离，并在平移后，将待拼接的自适应地面沉降时间序列模型连接为整段自适应地面沉降时间序列模型。
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 (10)

1.自适应多源InSAR监测地面沉降时间序列数据拼接方法，其特征在于，所述方法包括：
S1、基于获取的卫星数据，进行多源InSAR成像几何纠正，所述几何纠正中，仅求解垂直向形变；
S2、确定多源InSAR监测结果的公共区域，构建空间格网，对所述几何纠正后的InSAR数据集进行重采样，获取多源InSAR空间格网数据集；
S3、结合外部数据源，选取形变速率小于一阈值的所述空间格网中的网格作为参考格网，将多源InSAR数据集转化为相对于所述参考格网的时序形变；
S4、将不同时序序列进行时间参考匹配，进行时间序列拼接，形成拼接后时序数据。
2.根据权利要求1所述的方法，其特征在于，所述S1中，基于外部数据，以及LOS向形变数据，获取垂直向形变；所述外部数据包括全球定位数据或水准测量数据。
3.根据权利要求2所述的方法，其特征在于，所述外部数据用于获取垂直向形变量的运算常数。
4.根据权利要求1所述的方法，其特征在于，所述S3中，所述参考格网为一个或多个所述空间格网中的网格。
5.根据权利要求1所述的方法，其特征在于，所述S4中，所述时间参考匹配包括，针对不同时序序列：
S401、通过平稳性检验，保留非平稳序列数据；
S402、对保留的非平稳序列数据进行时间插值，获得间隔均匀的时序数据；
S403、基于所述间隔均匀的时序数据，构建自适应地面沉降时间序列模型：
Xt(沉降时序)＝Tt(趋势项)+Rt(余项)；
S404、若不同时序序列存在重叠时段，则直接构建不同时序序列的自适应地面沉降时间序列模型；若不同时序序列不存在重叠时段，则分别基于各时序序列构建的自适应地面沉降时间序列模型进行双向预测，重新构建重叠时段；
S405、确定重叠时段的拼接点，并拼接不同时序序列的自适应地面沉降时间序列模型。
6.根据权利要求5所述的方法，其特征在于，所述S405中，确定重叠时段的拼接点时，将待拼接的自适应地面沉降时间序列模型中的趋势项对应时间的形变差，计算一待拼接自适应地面沉降时间序列模型中的趋势项与另一待拼接自适应地面沉降时间序列模型拼接后的趋势项的误差平方和，以所述误差平方和最小处的时刻，作为拼接点。
7.根据权利要求5所述的方法，其特征在于，所述S405中，进行拼接时，基于所述拼接点，确定待拼接自适应地面沉降时间序列模型的平移距离，并在平移后，将待拼接的自适应地面沉降时间序列模型连接为整段自适应地面沉降时间序列模型。
8.自适应多源InSAR监测地面沉降时间序列数据拼接系统，其特征在于，所述系统包括：
几何纠正模块，用于基于获取的卫星数据，进行多源InSAR成像几何纠正，所述几何纠正中，仅求解垂直向形变；
重采样模块，用于确定多源InSAR监测结果的公共区域，构建空间格网，对所述几何纠正后的InSAR数据集进行重采样，获取多源InSAR空间格网数据集；
参考点统一模块，用于选取形变速率小于一阈值的所述空间格网中的网格作为参考格网，将多源InSAR数据集转化为相对于所述参考格网的时序形变；
拼接模块，用于将不同时序序列进行时间参考匹配，进行时间序列拼接，形成拼接后时序数据。
9.根据权利要求8所述的系统，其特征在于，所述拼接模块包括：
平稳性检测单元，用于通过平稳性检验，筛选并保留非平稳序列数据；
插值单元，用于对保留的非平稳序列数据进行插值，获得间隔均匀的时序数据；
时间序列建模单元，用于基于所述间隔均匀的时序数据，构建自适应地面沉降时间序列模型：
Xt(沉降时序)＝Tt(趋势项)+Rt(余项)；
时间序列拼接单元，用于获取不同时序序列的重叠时段，并确定重叠时段的拼接点，并拼接不同时序序列的自适应地面沉降时间序列模型。
10.根据权利要求9所述的系统，其特征在于，所述时间序列拼接单元中，获取重叠时段时，若不同时序序列存在重叠时段，则直接构建不同时序序列的自适应地面沉降时间序列模型；若不同时序序列不存在重叠时段，则分别基于各时序序列构建的自适应地面沉降时间序列模型进行双向预测，重新构建重叠时段。
CN201911018550.5A 2019-10-24 2019-10-24 自适应多源InSAR监测地面沉降时间序列数据拼接方法及系统 Active CN110781169B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911018550.5A CN110781169B (zh) 2019-10-24 2019-10-24 自适应多源InSAR监测地面沉降时间序列数据拼接方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911018550.5A CN110781169B (zh) 2019-10-24 2019-10-24 自适应多源InSAR监测地面沉降时间序列数据拼接方法及系统

Publications (2)

Publication Number Publication Date
CN110781169A true CN110781169A (zh) 2020-02-11
CN110781169B CN110781169B (zh) 2022-05-13

Family

ID=69386329

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911018550.5A Active CN110781169B (zh) 2019-10-24 2019-10-24 自适应多源InSAR监测地面沉降时间序列数据拼接方法及系统

Country Status (1)

Country Link
CN (1) CN110781169B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111522006A (zh) * 2020-06-29 2020-08-11 航天宏图信息技术股份有限公司 融合北斗和InSAR数据的地表沉降监测方法及装置
CN112446559A (zh) * 2021-02-01 2021-03-05 中国测绘科学研究院 一种基于深度学习的大范围地面沉降时空预测方法和系统
CN113139349A (zh) * 2021-05-12 2021-07-20 江西师范大学 一种InSAR时序中大气噪声的去除方法、装置及设备
CN113238228A (zh) * 2021-05-10 2021-08-10 首都师范大学 一种基于水准约束的InSAR三维地表形变获取方法、系统及装置
CN117710776A (zh) * 2024-02-06 2024-03-15 中国地震局地质研究所 一种滑坡形变时空预测方法与系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102938095A (zh) * 2012-11-23 2013-02-20 湖南科技大学 一种基于多源数据的矿山沉陷监测预警方法
US20150323666A1 (en) * 2014-05-09 2015-11-12 Nec Corporation Change detection device, change detection method and recording medium
CN106556834A (zh) * 2016-11-24 2017-04-05 首都师范大学 一种从两平行轨道sar数据集中精确提取地面垂直形变方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102938095A (zh) * 2012-11-23 2013-02-20 湖南科技大学 一种基于多源数据的矿山沉陷监测预警方法
US20150323666A1 (en) * 2014-05-09 2015-11-12 Nec Corporation Change detection device, change detection method and recording medium
CN106556834A (zh) * 2016-11-24 2017-04-05 首都师范大学 一种从两平行轨道sar数据集中精确提取地面垂直形变方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
MAHMUD等: "Ground surface response to continuous compaction of aquifer system in Tehran, Iran: Results from a long-term multi-sensor InSAR analysis", 《REMOTE SENSING OF ENVIRONMENT》 *
张婉婉等: "基于多源SAR数据的京津高铁北京段垂向形变监测", 《中国科技论文》 *
朱武等: "多参考点的PS-InSAR变形监测数据处理", 《测绘学报》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111522006A (zh) * 2020-06-29 2020-08-11 航天宏图信息技术股份有限公司 融合北斗和InSAR数据的地表沉降监测方法及装置
CN111522006B (zh) * 2020-06-29 2020-10-09 航天宏图信息技术股份有限公司 融合北斗和InSAR数据的地表沉降监测方法及装置
CN112446559A (zh) * 2021-02-01 2021-03-05 中国测绘科学研究院 一种基于深度学习的大范围地面沉降时空预测方法和系统
CN113238228A (zh) * 2021-05-10 2021-08-10 首都师范大学 一种基于水准约束的InSAR三维地表形变获取方法、系统及装置
CN113238228B (zh) * 2021-05-10 2023-03-10 首都师范大学 基于水准约束的三维地表形变获取方法、系统及装置
CN113139349A (zh) * 2021-05-12 2021-07-20 江西师范大学 一种InSAR时序中大气噪声的去除方法、装置及设备
CN113139349B (zh) * 2021-05-12 2022-11-29 江西师范大学 一种InSAR时序中大气噪声的去除方法、装置及设备
CN117710776A (zh) * 2024-02-06 2024-03-15 中国地震局地质研究所 一种滑坡形变时空预测方法与系统

Also Published As

Publication number Publication date
CN110781169B (zh) 2022-05-13

Similar Documents

Publication Publication Date Title
CN110781169B (zh) 自适应多源InSAR监测地面沉降时间序列数据拼接方法及系统
Funk et al. A high-resolution 1983–2016 T max climate data record based on infrared temperatures and stations by the Climate Hazard Center
Li et al. A high-resolution bathymetry dataset for global reservoirs using multi-source satellite imagery and altimetry
Xie et al. A space–time multiscale analysis system: A sequential variational analysis approach
JP6635038B2 (ja) シミュレーション装置、シミュレーション方法、および、記憶媒体
Chatterjee et al. A new atlas of temperature and salinity for the North Indian Ocean
Mínguez et al. Directional calibration of wave reanalysis databases using instrumental data
CN114253962B (zh) 一种考虑非线性因素的区域格网速度场构建方法及系统
Vernay et al. Characterizing measurements campaigns for an innovative calibration approach of the global horizontal irradiation estimated by HelioClim-3
Wijaya et al. Atmospheric pressure loading
CN113139327B (zh) 一种基于gru网络模型的电离层tec单点预测方法及系统
CN115077656B (zh) 水库水储量反演方法和装置
Mudelsee et al. Climate spectrum estimation in the presence of timescale errors
González‐Abad et al. Using explainability to inform statistical downscaling based on deep learning beyond standard validation approaches
CN116450700A (zh) 极轨卫星地表温度时间归一化方法、装置及电子设备
Zhang et al. Can Gross Primary Productivity Products be effectively evaluated in regions with few observation data?
CN114118511A (zh) 基于云量预测信息的大区域多星联合覆盖有效性评估方法
Yuan et al. Consistent nighttime light time series in 1992–2020 in Northern Africa by combining DMSP-OLS and NPP-VIIRS data
CN116883594A (zh) 融合卫星与浮标观测的海洋三维温度遥感超分重建方法
Soloviev et al. Accuracy estimation of the modern core magnetic field models using DMA-methods for recognition of the decreased geomagnetic activity in magnetic observatory data
CN113627465B (zh) 基于卷积长短期记忆神经网络的降水数据时空动态融合方法
Gilpin et al. Sensitivity of forward-modeled bending angles to vertical interpolation of refractivity for radio occultation data assimilation
Chen et al. Timing and extent of glacial fluctuations around Mt. Noijin Kangsang on the southern Tibetan Plateau during the Little Ice Age
Salimov et al. Application of convolution neural networks for critical frequency foF2 prediction
Meyer et al. Standardizing and benchmarking of modeled DNI data products

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