CN111142119B - 一种基于多源遥感数据的矿山地质灾害动态识别与监测方法 - Google Patents
一种基于多源遥感数据的矿山地质灾害动态识别与监测方法 Download PDFInfo
- Publication number
- CN111142119B CN111142119B CN202010028044.0A CN202010028044A CN111142119B CN 111142119 B CN111142119 B CN 111142119B CN 202010028044 A CN202010028044 A CN 202010028044A CN 111142119 B CN111142119 B CN 111142119B
- Authority
- CN
- China
- Prior art keywords
- data
- precision
- deformation
- remote sensing
- steps
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000012544 monitoring process Methods 0.000 title claims abstract description 38
- 230000003287 optical effect Effects 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000005516 engineering process Methods 0.000 claims abstract description 24
- 238000011161 development Methods 0.000 claims abstract description 20
- 230000000694 effects Effects 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 5
- 238000004364 calculation method Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 19
- 238000011160 research Methods 0.000 claims description 16
- 230000001174 ascending effect Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000012300 Sequence Analysis Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 230000001427 coherent effect Effects 0.000 abstract description 4
- 238000009826 distribution Methods 0.000 abstract description 3
- 238000011835 investigation Methods 0.000 description 13
- 238000006073 displacement reaction Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 5
- 238000005065 mining Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013173 literature analysis Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000012634 optical imaging Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
- G01C11/02—Picture taking arrangements specially adapted for photogrammetry or photographic surveying, e.g. controlling overlapping of pictures
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
Landscapes
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明实施例公开了一种基于多源遥感数据的矿山地质灾害动态识别与监测方法，融合了光学遥感技术、无人机机载激光雷达技术、人工角反射器技术和星载合成孔径雷达技术，机载激光雷达能够有效地去除地面地面植被，获得精确地变形轮廓及地裂缝陡坎分布情况，利用存档高精度光学影像数据，对变形发展历史进行综合分析和描述，利用高分辨率遥感影像变化检测与特征识别搜寻成灾迹象，引入机载激光雷达获取高精度dem数据，有效的去除InSAR数据处理中地形效应影响；提出布设人工角反射器阵列，提高关键区域相干点数量，优化相干点分布，改善干涉相位解缠效果；优化传统时间序列InSAR数据处理技术，利用CR‑InSAR获得高精度时序变形曲线。
Description
技术领域
本发明实施例涉及矿山地质灾害识别与监测技术领域，具体涉及一种基于 多源遥感数据的矿山地质灾害动态识别与监测方法。
背景技术
随着人类活动范围拓展和程度不断加深，人类活动正在逐渐替代自然营力 成为影响斜坡稳定性的主要原因。矿山开采，水电开发，修路切坡等人类工程 活动引发的崩滑灾害事件发生频率逐渐增高，造成的人员及财产损失日益加 剧。很多灾难性滑坡都发生在下部有采煤活动的桌山构造山体中，众多案例表 明开展矿山地质灾害早期识别与监测工作显得尤为重要。
矿山地质灾害主要表现为崩塌，滑坡，地面塌陷和地裂缝等，针对地质灾 害崩滑灾害的监测预警，前人已有过诸多尝试，主要集中在灾害变形历史调查 和单点位移监测设备布设两方面。现有灾害历史调查主要通过调查走访，通过 采访当地村民及历史文献分析，该方法可以获得大型崩滑事件发生的准确时间 及财产损失情况，但不能定量掌握变形动态发展情况。单点位移监测设备能够 获得准确的单点位移信息，能够对安装仪器以来的变形历史进行较为准确的定 量描述，但是由矿山地质灾害具有区域性变形特征，单点位移情况不能全面的 反应区域变形情况，其用于动态监测具有一定的局限性。
光学遥感解译和差分干涉合成孔径雷达技术(InSAR)现被广泛应用于潜 在滑坡识别。光学遥感技术作为一种非接触的探测技术，能够高效快速的获取 地表信息。具有时效性强信息量丰富等特点，已经在区域滑坡灾害遥感调查和 大型单体崩滑灾害调查方面进行了广泛的应用，虽然高精度光学遥感在应用中 已经取得一些成果，但是光学遥感数据在使用中仍然存在一定的限制。首先， 遥感影像的空间分辨率限制了其解译能力，现有的高精度光学数据分辨率能达 到亚米级，能够对变形梯度较大的变形迹象进行识别，但是对于变形迹象不明 显的隐患点识别存在难度。此外，由于光学成像的原理，图像获取时对天气要 求较高，对于西南峡谷地区，由于常年云雾笼罩数据可获得性较弱，丰富的植 被也对变形特征解译识别带来了难度。InSAR技术是一种主动式微波遥感技 术，能够获得大范围高精度的地表变形信息。相对于光学遥感其具有全天时， 大范围，不受气候影响等优势，近年InSAR技术被广泛用于滑坡灾害识别研 究。在利用InSAR技术对滑坡灾害进行识别的过程中，面对山势陡峭，变形 梯度大速度快等情况时，现有InSAR方法并不能有效的获取变形体形变信息。
现有发明虽提出了光学遥感+InSAR融合调查方法，但是适用性存在一定 的限制。
1、现有光学遥感解译仅用于变形范围圈定，未对变形历史进行动态追溯， 其解译结果也受影像分辨率影响。光学解译结果只能反映出宏观变形现象。
2、现有光学遥感+InSAR方法应用对象城市区域，城市区域由于建筑物 较多，植被较少，进行时间序列变形分析的时候能够获得数量可观的干涉点。 在西南地区，采矿区多位于植被丰富山势陡立的山区，在植被丰富的高陡山区， 干涉点数量提取有限，高程误差影响严重，对InSAR变形调查带来很大的挑 战。此外，快速变形现象难以通过传统InSAR结果获得，传统InSAR结果受 气传感器波段影响，变形较大会造成失相干现象。
3、现有发明多为还针对潜在滑坡区域的识别与圈定，而不能对已知变形 区域进行精细化动态识别与监测。
发明内容
为此，本发明实施例提供一种基于多源遥感数据的矿山地质灾害动态识别 与监测方法，以解决现有技术中由于现有技术不足而导致的无法进行精准的动 态识别与监测的问题。
为了实现上述目的，本发明实施例提供如下技术方案：
根据本发明实施例的第一方面一种基于多源遥感数据的矿山地质灾害动 态识别与监测方法，包括以下步骤
S1：利用航摄无人机技术获取高精度地面光学影像并利用机载激光雷达获 取高精度地面高程信息；
S2：根据所述高精度地面光学影像和所述高精度地面高程信息生成三维立 体地质模型，根据所述三维立体地质模型进行灾害解译；
S3：回溯历史高精度影像并根据历史高精度影像追溯研究区的变形发展过 程信息；
S4：根据高精度地面光学影像进行堆栈InSAR计算，提取历史变形信息， 并计算平均变形结果；
S5：根据变形发展过程信息和历史变形信息提取出重点区域，布设人工角 反射器网络；
S6：采用融合角反射传感器的时间序列InSAR数据处理流程对重点区域进 行时序分析；
所述根据变形发展过程信息和历史变形信息提取出重点区域，布设人工角 反射器网络具体包括：
根据无人机载激光雷达获取的高程数据、雷达数据的方位向角度和入射角 、卫星升轨或降轨状态进行叠掩分析；
根据雷达反射截面对角反射器的形状大小进行设计；
根据卫星轨道的倾角、角反射器安装地点的纬度、卫星升轨或降轨状态来 计算角反射器底边方位角；
根据卫星过境当地入射角计算角反射器的俯仰角度；
根据所述堆栈InSAR计算得出的平均变形结果确定角反射器布设阵列；
所述采用融合角反射传感器的时间序列InSAR数据处理流程对重点区域 进行时序分析具体包括：
获取到k+1幅SAR原始格式的SAR数据后，生成多景单视复数图像；
通过重采样后的单视复数图像生成平均后向散射强度图，识别图中亮斑行 列数确定点位；
通过测量角反射器的gps精确点位，利用地理编码表将地理坐标转换为雷 达坐标获取角反射器的行列数；
利用角反射器的干涉光谱图斑识别图斑中心位置，获取亚像素级别角反射 器点精确坐标；
在提取到永久散射点并确定雷达坐标下角反射器点位后，将多景数据进行 多依次进行计算，具体包括：多参考基线组合计算；多参考干涉相位估计计算 ；解缠及残差极限优化计算；解缠及残差低通滤波分离大气相位计算；引入机 载激光雷达获取的高精度地面高程信息进行高程优化计算；在处理高程及大气 误差后，利用奇异分解获得单参考干涉相位计算，生成时间序列形变量。
进一步地，所述利用航摄无人机技术获取高精度地面光学影像具体包括： 数据处理步骤为：飞行重叠度检查；空三计算；进行智能平差；dem生成； 正射纠正；dom生成；正射影像拼接。
进一步地，所述根据所述高精度地面光学影像和所述高精度地面高程信息 生成三维立体地质模型具体包括：
利用机载激光雷达获取高精度dem数据生成山体阴影图；
选取可以识别的典型特征地物，利用典型特征地物与航摄无人机技术获取 的高精度dom数据进行亚像素级配准；
利用配准表配准dom与dem数据；
利用配准后的dom和dem构建三维立体模型。
进一步地，所述回溯历史高精度影像并根据历史高精度影像追溯研究区的 变形发展过程信息具体包括：
利用存档高精度光学影像数据，对发展进行综合分析评估；
利用高分辨率遥感影像变化检测与特征识别搜寻成灾迹象。
进一步地，所述根据高精度地面光学影像进行堆栈InSAR计算，提取历史 变形信息具体包括：将多幅SAR单视复数图像进行配准，重采样，多视去平 地效应，匹配获得生成差分干涉相位，引入高精度dem去除高程误差，选取 稳定点进行解缠计算，将多幅解缠后的差分干涉相位图进行线性叠加，获得区 域年平均相位变形速率。
进一步地，所述根据无人机载激光雷达获取的高程数据、雷达数据的方位 向角度和入射角、卫星升轨或降轨状态进行叠掩分析具体包括：
利用无人机载激光雷达获取的高程数据计算出研究区坡度及坡向数据；
查询卫星平台获取雷达数据的方位向角度和入射角；
根据研究区坡度、坡向数据、方位向角度和入射角计算角度影响因子；
根据研究区坡度、坡向数据、方位向角度、入射角和角度影响因子计算叠 掩因子。
根据本发明实施例的第二方面，一种基于多源遥感数据的矿山地质灾害动 态识别与监测方法的电子设备，包括：
存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信； 所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序 指令能够执行如权利要求1至6任一所述的方法。
根据本发明实施例的第三方面，一种基于多源遥感数据的矿山地质灾害动 态识别与监测方法计算机的可读存储介质，其特征在于，其上存储有计算机程 序，所述计算机程序被处理器执行时实现如权利要求1至6任一所述方法的步 骤。
本发明实施例具有如下优点：多元高精度光学遥感数据与lidar激光雷达 数据综合介意提高灾害解译的精度，提高了调查效率与精度；提出多元高精度 遥感影像数据综合历史动态解译，实现了已有变形痕迹从发生到现今状况的定 量调查，弥补了原有调查地方法的不足；存档InSAR数据处理与遥感综合识别 相互补充，实现大尺度变形和缓慢变形的识别，弥补单一方法使用过程总漏识 问题；引入无人机机载雷达获取高精度dem的技术手段，服务于遥感解译及 InSAR数据处理中高程误差的去除，提高了InSAR监测的精度；通过光学遥感 解译及存档数据InSAR数据处理提取出重点区域，布设人工角反射器网络，进 行区域及单点相统一的位移监测体系，实现研究区的动态监测；采用 CRTS-InSAR数据处理流程对重点区域进行时序分析，能够有效的降低解馋误 差，并提取先关点位时序变形信息，弥补传统GPS监测单价高，点位少，位 移信息反应不全面等问题。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对 实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下 面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创 造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内 容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条 件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调 整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明 所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例提供的一种基于多源遥感数据的矿山地质灾害动态 识别与监测方法的流程框图；
图2为本发明实施例提供的种基于多源遥感数据的矿山地质灾害动态识 别与监测方法的整体方法流程图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由 本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的 实施例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。
实施例：一种基于多源遥感数据的矿山地质灾害动态识别与监测方法，如 图1和图2所示，包括以下步骤
S1：利用航摄无人机技术获取高精度地面光学影像并利用机载激光雷达获 取高精度地面高程信息；
具体的：利用航摄无人机技术获取高精度地面光学影像的工作流程为：勾 画航飞区域，设计航线，利用免像控无人机执行飞行任务获取高精度正射影像 ，其数据处理流程为：飞行重叠度检查-空三计算-智能平差-dem生成-正射纠 正-dom生成-正射影像拼接，其精度达0.05m-0.1m。免像控技术不依靠地面布 设控制点网络即可获得mm级误差航飞数据，提高了野外工作效率。
机载激光雷达获取高精度dem数据改善了无人机航摄获取的dem数据不 能去除植被的问题，提高高程数据精度，本方法引入机载激光雷达获取高精度 dem数据，有效的去除地形效应勾画航飞区域-航线设计-数据获取-空间三角坐 标计算-航带拼接-激光点云数据分类-dem生成。
S2：根据所述高精度地面光学影像和所述高精度地面高程信息生成三维立 体地质模型，根据所述三维立体地质模型进行灾害解译；
具体的，首先进行地理配准：利用获得的dem数据生成山体阴影图，按 每平方公里一个点的密度选取可以识别的典型特征地物，要求选取定非线性， 平均分布于图像范围内。利用选取的典型地物与dom进行亚像素级配准，进 一步利用配准表配准dom与dem数据。之后利用配准后的dom和dem构建三 维立体模型，建立崩塌、滑坡、泥石流、地裂缝、陡坎和地面塌陷的解译标志 ，结合三维立体模型进行精细化解译，圈定变形范围及相关变形特征，高精度 无人机遥感影像+机载激光雷达。通过构造三维立体模型叠加高精度航摄数据能够有效提高识别准确性及识别效率。
S3：回溯历史高精度影像并根据历史高精度影像追溯研究区的变形发展过 程信息；
具体的，回溯历史高精度影像主要指分辨率为0.3m-1m的亚米级数据影 像，追溯形变发展过程。利用存档高精度光学遥感影像识别灾害现象的发生时 间及边界拓展情况，主要指崩滑边界拓展情况，裂缝延伸及宽度变化情况，陡 坎发育变化情况等，按照以上信息确定宏观变形活动区。利用存档高精度光学 影像数据，对发展进行综合分析评估，利用高分辨率遥感影像变化检测与特征 识别搜寻成灾迹象。S1到S3步骤为光学解译过程，是为了对变形区域宏观变 形迹象进行快速高效调查并掌握灾害动态发展过程；大型崩滑灾害在启动之前 会有长时间的变形过程，提取历史变形信息可以针对灾害变形特点，识别肉眼可见的宏观变形。
S4：根据高精度地面光学影像进行堆栈InSAR计算，提取历史变形信息；
具体的，堆栈InSAR技术处理流程为：将多幅SAR单视复数图像进行配 准，重采样，多视去平地效应，匹配获得生成差分干涉相位，引入2中高精度 dem去除高程误差，选取稳定点进行解缠计算，将多幅解缠后的差分干涉相 位图进行线性叠加，获得区域年平均相位变形速率。该变形速率对应年平均变 形速度。区别于传统的D-InSAR的是，堆栈InSAR处理技术是将多期D-InSAR 数据叠加计算获得平均值，其大气误差现对于D-InSAR明显减少，测量精度 更高。通过堆栈InSAR技术对大面积区域进行计算，圈定潜在活动区域。
S5：根据变形发展过程信息和历史变形信息提取出重点区域，布设人工角 反射器网络；
具体的，角反射器即CR的网络设计包括叠掩分析、CR形状大小设计、 底边方位向计算和间距设计，其中叠掩分析用于在角反射器布置时避开叠掩区 域，具体包括以下步骤：
1利用无人机载激光雷达获取的高程数据计算出研究区坡度θslope及坡 向数据θaspect
2查询卫星平台获取雷达数据的方位向角度α和入射角β(通常入射角可 编程，方位向角度固定不变)
3计算角度影响因子
降轨数据计算公式为：θde＝θaspect-α
升轨数据计算公式为：θas＝θaspect+α+180
4计算叠掩因子：φ＝-sin{[θslope*sin(θde)]-sin(β)}
当叠掩因子φ小于0即识别为叠掩区域，布设角反射时需要避开此区域， 叠掩因子φ小于0.3的区域可以通过增加人工角反射器来控制永久散射体数目 。上述叠掩分析的过程均可以在ArcIGS平台中进行操作。
由于Sentinel1数据不可编程，故其在研究区上方飞过时的卫星参数相对 固定不可调，利用存档Sentinel1数据进行堆栈InSAR计算，首先获得变形区 阴影叠掩图，将Sentinel1阴影叠掩图进行地理编码，获得地理坐标系下的叠 掩区域。其他数据如PALSAR-2和TerraSAR-X数据由于其可编程，依据获取 的高精度dem计算出可获得最小阴影叠掩面积时对应的卫星入射角，作为卫 星编程时数据购买参数，并依照以上方法计算叠掩区域，在接下里的角反阵列 布设时进行规避。
CR形状大小设计用于保证角反射器能够被识别，雷达反射截面是地面目 标在雷达波照射下所产生的回波信号强度的一种物理量。雷达散射截面是地面 目标在雷达波照射下所产生的回波信号强度的一种物理量，简称RCS，通常用 符号σ来表示目标的雷达散射截面，单位为平方米。而另一种更常用的表示目 标回波信号强度的方法是用雷达散射截面的对数值的十倍来表示，即σdBsm ，单位是分贝每平方米dBsm。
雷达反射截面受地物形状、大小、材料等诸多因素影响，不同的物体在雷 达波持照射下产生的回波强度不同。为了对人工角反射器位置进行提取，以获 得特征区的稳定相位和幅度。需要对人工角反射器的大小进行设计。三角面雷 达角反射器反射截面计算公式为：
其中l为角反射器的每一个棱的边长，λ为雷达数据波的波长，通过对已 有存档D-InSAR数据进行处理，发现像素间雷达散射截面RCS差值大于10dB 时SAR强度图上存在明显的亮度变化，可以作为目视解译的依据。为了保证 角反射器能够被识别，参照上述公式，并考虑角反射器自身尺寸与和周围地物 的后向散射特性，对CR尺寸进行设计。
角反射器的底边方位向与卫星轨道倾角一致时，能够获得最大的RCS值 。因此需要对底边方位向进行计算，其计算公式为：
α＝arcsin[±cosi/cosβ]
其中，α为CR底边与经线方向的夹角；i为卫星轨道倾角，对于确定的 卫星平台是固定的；β为CR安装地点的纬度，根据升轨和降轨来判断cosi 前符号，如升轨cosi前符号为“+”，降轨为“-”。
角反射器法线方向与雷达入射波方向一致时能够最大限度的反射雷达波， 从而取得最大的回波信号，因此需要计算角反射器的俯仰角度。
CR的3面是边长相等的等腰直角三角形，其法线方向与底面夹角为一个 固定值，通过计算可知其值为35.264°，用θ表示卫星过境当地入射角，求取 CR仰角γ的公式为：
γ＝90-35.624-θ
由于山区植被丰富，地形陡峭，在长时间序列中传统永久散射体技术往往 不能够在形变特征区域提取到相干点，因此通过布设人工角反射器改善相干点 分布，降低差分干涉图集解缠难度，并获取特征点位形变信息。
人工CR网络布设间距时CR网络布设的间距取值最小为数据最大像元10 倍，有利于后期CR点的识别与提取。根据步骤5中堆栈InSAR计算的平均变 形结果，在形变速率较大区域加大CR网络密度，其间距设置为单视复数影像 最大分辩率10倍，在形变速率较小区域CR间距设置为单视复数影像最大分 辩率20-50倍
S6：采用融合角反射传感器的时间序列InSAR数据处理流程对重点区域进 行时序分析；
具体的，融合角反射传感器的时间序列InSAR数据处理流程，在本实施例 中命名为CRTS-InSAR数据处理流程，包括包括融合CR的SBAS；融合CR的 OFF-TRACKING方法数据处理；融合CR的IPTA数据处理方法；融合CR的 DS-InSAR数据处理方法，具体包括以下步骤：获取到k+1幅SAR原始格式 的SAR数据后，生成多景单视复数图像，选取主影像，将多景单视复数图像 进行裁剪及配准配准，重采样；与传统已有ps-InSAR不同的是，CRTS-InSAR 采用先提点后差分处理的策略，在获取重采样之后通过设置空间域波谱和相干 性阈值提取永久散射点。在提取到散射点后，进一步对CR布设点位进行确定 ，确定方法如下：
aCR点具有较强的后向散射特性，在向散射强度图表现为明显的亮斑。通 过重采样后的单视复数图像生成平均后向散射强度图，识别图中亮斑行列数确 定点位
通过测量CR的gps精确点位，利用地理编码表，将地理坐标转换为雷达 坐标获取CR行列数
利用CR干涉光谱图斑，识别图斑中心位置，获取亚像素级别CR点精确 坐标。
在提取到永久散射点并确定雷达坐标下CR点位后，将多景数据进行多依 次进行以下步骤计算:多参考基线组合，多参考干涉相位估计，解缠及残差极 限优化，解缠及残差低通滤波分离大气相位，引入lidar获取的高精度dem进 行高程优化，在处理高程及大气误差后，利用奇异分解获得单参考干涉相位， 最终生成时间序列形变量，该时间序列形变量包含点位的位移，速度，加速度 等信息，服务于后期的地形变更预警，提供预警信息。其中，S1到S3步骤识 别的裂缝及快速变形区域作为重点区域之一，在辅助布设CR点进行监测设备 布设工作。
本发明实施例提供了一种基于多源遥感数据的矿山地质灾害动态识别与 监测方法，多元高精度光学遥感数据与lidar激光雷达数据综合介意提高灾害 解译的精度，提高了调查效率与精度；提出多元高精度遥感影像数据综合历史 动态解译，实现了已有变形痕迹从发生到现今状况的定量调查，弥补了原有调 查方法的不足；存档及编程InSAR数据处理与遥感综合识别相互补充，实现大 尺度变形和缓慢变形的识别，弥补单一方法使用过程漏识问题；引入无人机机 载雷达获取高精度dem的技术手段，服务于遥感解译及InSAR数据处理中高 程误差的去除，提高了InSAR监测的精度；通过光学遥感解译及存档数据InSAR数据处理提取出重点区域，布设人工角反射器网络，进行区域及单点相统一的 位移监测体系，实现研究区的动态监测；采用CRTS-InSAR数据处理流程对重 点区域进行时序分析，能够有效的降低解缠误差，并提取相关点位时序变形信 息，弥补传统GPS监测单价高，点位少，位移信息反应不全面等问题。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述， 但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是 显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均 属于本发明要求保护的范围。
Claims (8)
1.一种基于多源遥感数据的矿山地质灾害动态识别与监测方法，其特征是：包括以下步骤
S1：利用航摄无人机技术获取高精度地面光学影像并利用机载激光雷达获取高精度地面高程信息；
S2：根据所述高精度地面光学影像和所述高精度地面高程信息生成三维立体地质模型，根据所述三维立体地质模型进行灾害解译；
S3：回溯历史高精度影像并根据历史高精度影像追溯研究区的变形发展过程信息；
S4：根据高精度地面光学影像进行堆栈InSAR计算，提取历史变形信息，并计算平均变形结果；
S5：根据变形发展过程信息和历史变形信息提取出重点区域，布设人工角反射器网络；
S6：采用融合角反射传感器的时间序列InSAR数据处理流程对重点区域进行时序分析；
所述根据变形发展过程信息和历史变形信息提取出重点区域，布设人工角反射器网络具体包括：
根据无人机载激光雷达获取的高程数据、雷达数据的方位向角度和入射角、卫星升轨或降轨状态进行叠掩分析；
根据雷达反射截面对角反射器的形状大小进行设计；
根据卫星轨道的倾角、角反射器安装地点的纬度、卫星升轨或降轨状态来计算角反射器底边方位角；
根据卫星过境当地入射角计算角反射器的俯仰角度；
根据所述堆栈InSAR计算得出的平均变形结果确定角反射器布设阵列；
所述采用融合角反射传感器的时间序列InSAR数据处理流程对重点区域进行时序分析具体包括：
获取到k+1幅SAR原始格式的SAR数据后，生成多景单视复数图像；
通过重采样后的单视复数图像生成平均后向散射强度图，识别图中亮斑行列数确定点位；
通过测量角反射器的gps精确点位，利用地理编码表将地理坐标转换为雷达坐标获取角反射器的行列数；
利用角反射器的干涉光谱图斑识别图斑中心位置，获取亚像素级别角反射器点精确坐标；
在提取到永久散射点并确定雷达坐标下角反射器点位后，将多景数据进行多依次进行计算，具体包括：多参考基线组合计算；多参考干涉相位估计计算；解缠及残差极限优化计算；解缠及残差低通滤波分离大气相位计算；引入机载激光雷达获取的高精度地面高程信息进行高程优化计算；在处理高程及大气误差后，利用奇异分解获得单参考干涉相位计算，生成时间序列形变量。
2.根据权利要求1所述的一种基于多源遥感数据的矿山地质灾害动态识别与监测方法，其特征是：所述利用航摄无人机技术获取高精度地面光学影像具体包括：数据处理步骤为：飞行重叠度检查；空三计算；进行智能平差；dem生成；正射纠正；dom生成；正射影像拼接。
3.根据权利要求1所述的一种基于多源遥感数据的矿山地质灾害动态识别与监测方法，其特征是：所述根据所述高精度地面光学影像和所述高精度地面高程信息生成三维立体地质模型具体包括：
利用机载激光雷达获取高精度dem数据生成山体阴影图；
选取可以识别的典型特征地物，利用典型特征地物与航摄无人机技术获取的高精度dom数据进行亚像素级配准；
利用配准表配准dom与dem数据；
利用配准后的dom和dem构建三维立体模型。
4.根据权利要求1所述的一种基于多源遥感数据的矿山地质灾害动态识别与监测方法，其特征是：所述回溯历史高精度影像并根据历史高精度影像追溯研究区的变形发展过程信息具体包括：
利用存档高精度光学影像数据，对发展进行综合分析评估；
利用高分辨率遥感影像变化检测与特征识别搜寻成灾迹象。
5.根据权利要求1所述的一种基于多源遥感数据的矿山地质灾害动态识别与监测方法，其特征是：所述根据高精度地面光学影像进行堆栈InSAR计算，提取历史变形信息具体包括：将多幅SAR单视复数图像进行配准，重采样，多视去平地效应，匹配获得生成差分干涉相位，引入高精度dem去除高程误差，选取稳定点进行解缠计算，将多幅解缠后的差分干涉相位图进行线性叠加，获得区域年平均相位变形速率。
6.根据权利要求1所述的一种基于多源遥感数据的矿山地质灾害动态识别与监测方法，其特征是：所述根据无人机载激光雷达获取的高程数据、雷达数据的方位向角度和入射角、卫星升轨或降轨状态进行叠掩分析具体包括：
利用无人机载激光雷达获取的高程数据计算出研究区坡度及坡向数据；
查询卫星平台获取雷达数据的方位向角度和入射角；
根据研究区坡度、坡向数据、方位向角度和入射角计算角度影响因子；
根据研究区坡度、坡向数据、方位向角度、入射角和角度影响因子计算叠掩因子。
7.一种基于多源遥感数据的矿山地质灾害动态识别与监测方法的电子设备，其特征在于，包括：
存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至6任一所述的方法。
8.一种基于多源遥感数据的矿山地质灾害动态识别与监测方法的 计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010028044.0A CN111142119B (zh) | 2020-01-10 | 2020-01-10 | 一种基于多源遥感数据的矿山地质灾害动态识别与监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010028044.0A CN111142119B (zh) | 2020-01-10 | 2020-01-10 | 一种基于多源遥感数据的矿山地质灾害动态识别与监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111142119A CN111142119A (zh) | 2020-05-12 |
| CN111142119B true CN111142119B (zh) | 2021-08-17 |
Family
ID=70524451
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010028044.0A Expired - Fee Related CN111142119B (zh) | 2020-01-10 | 2020-01-10 | 一种基于多源遥感数据的矿山地质灾害动态识别与监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111142119B (zh) |
Families Citing this family (31)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113405447A (zh) * | 2020-05-19 | 2021-09-17 | 湖南北斗微芯产业发展有限公司 | 一种综合InSAR和GNSS的轨道交通形变监测方法、装置及设备 |
| CN111912386A (zh) * | 2020-06-22 | 2020-11-10 | 中铁第一勘察设计院集团有限公司 | 山区铁路低空勘察作业方法 |
| CN111854699A (zh) * | 2020-07-03 | 2020-10-30 | 武汉大学 | 一种基于无人机航测河道崩岸过程的监测方法 |
| CN111968230B (zh) * | 2020-07-16 | 2021-05-04 | 中国自然资源航空物探遥感中心 | 一种区域性活动滑坡识别与圈定方法、装置和设备 |
| CN112269176B (zh) * | 2020-10-14 | 2021-09-14 | 武汉工程大学 | 一种矿山地表沉陷早期识别监测方法 |
| CN112598881B (zh) * | 2020-12-03 | 2022-03-25 | 中煤航测遥感集团有限公司 | 一种地质灾害监测方法、装置及计算机设备 |
| CN112923904B (zh) * | 2021-01-26 | 2022-09-23 | 四川融鑫信息科技有限公司 | 面向多无人机协同摄影测量的地质灾害隐患探测方法 |
| CN113033381B (zh) * | 2021-03-23 | 2021-09-10 | 生态环境部卫星环境应用中心 | 基于遥感数据的矿山和固废填埋场自动提取方法和装置 |
| CN112711793B (zh) * | 2021-03-26 | 2021-07-02 | 中国测绘科学研究院 | 一种削山建设识别方法及装置 |
| CN113506203A (zh) * | 2021-07-12 | 2021-10-15 | 京创智慧科技有限责任公司 | 一种数据处理方法、装置、设备及存储介质 |
| CN113505994A (zh) * | 2021-07-12 | 2021-10-15 | 京创智慧科技有限责任公司 | 一种数据处理方法、装置、设备及存储介质 |
| CN113762090B (zh) * | 2021-08-16 | 2024-03-08 | 国网浙江省电力有限公司湖州供电公司 | 一种特高压密集输电通道灾害监测预警方法 |
| CN113759374A (zh) * | 2021-08-19 | 2021-12-07 | 速度时空信息科技股份有限公司 | 一种城市基础设施的结构健康问题的监测系统和监测方法 |
| CN113900117A (zh) * | 2021-09-13 | 2022-01-07 | 东华理工大学 | 一种融合PS-InSAR和光学遥感的地下无证开采识别方法 |
| CN114236544B (zh) * | 2022-02-23 | 2022-05-13 | 中国科学院空天信息创新研究院 | 一种基于几何匹配的升降轨星载sar三维成像方法及装置 |
| CN114612631B (zh) * | 2022-03-02 | 2023-06-09 | 自然资源部重庆测绘院 | 一种基于InSAR技术的高精度无漏洞DSM提取方法 |
| CN114608527B (zh) * | 2022-03-08 | 2024-03-26 | 内蒙古银宏能源开发有限公司 | 一种基于煤矿开采地表沉陷特征的D-InSAR和UAV摄影测量融合方法 |
| CN114964028B (zh) * | 2022-05-24 | 2023-03-10 | 长安大学 | 一种综合遥感快速解译地震地表破裂带的方法 |
| CN115032637A (zh) * | 2022-06-07 | 2022-09-09 | 安徽理工大学 | 一种井工开采全生命周期地表沉陷监测方法 |
| CN115035424B (zh) * | 2022-06-07 | 2024-03-08 | 北京庚图科技有限公司 | 一种基于无人机的遥感图像地质识别检测方法、装置、电子设备及存储介质 |
| CN115471144B (zh) * | 2022-11-14 | 2023-04-07 | 四川省公路规划勘察设计研究院有限公司 | 基于多源数据融合的泥石流监测预警方法、装置及介质 |
| CN115762067B (zh) * | 2022-11-25 | 2023-10-03 | 中国科学院空天信息创新研究院 | 一种基于激光点云与视频数据融合的山体滑坡监测系统 |
| CN116244662B (zh) * | 2023-02-24 | 2023-11-03 | 中山大学 | 一种多源高程数据融合方法、装置、计算机设备及介质 |
| CN116311047B (zh) * | 2023-03-01 | 2023-09-05 | 四川省公路规划勘察设计研究院有限公司 | 空天地多源融合的滑坡监测方法、装置、介质及服务器 |
| CN116385883B (zh) * | 2023-04-13 | 2024-01-05 | 珠江水利委员会珠江水利科学研究院 | 基于无人机山体阴影区植被覆盖度修正方法、设备和介质 |
| CN116434072B (zh) * | 2023-06-12 | 2023-08-18 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 基于多源数据的地质灾害早期识别方法、装置 |
| CN117216641A (zh) * | 2023-09-20 | 2023-12-12 | 四川省公路规划勘察设计研究院有限公司 | 一种高位崩滑地质灾害智能识别方法 |
| CN117348022B (zh) * | 2023-09-26 | 2024-05-24 | 长安大学 | 一种基于多源数据的滑坡后缘裂缝识别方法 |
| CN117310706B (zh) * | 2023-11-28 | 2024-02-02 | 中山大学 | 一种地基雷达间断形变监测方法及系统 |
| CN117475314B (zh) * | 2023-12-28 | 2024-03-12 | 自然资源部第三地理信息制图院 | 一种地质灾害隐患立体识别方法、系统及介质 |
| CN117784075B (zh) * | 2024-02-27 | 2024-05-10 | 中国铁路设计集团有限公司 | 一种融合雷达遥感和空间分析的岩溶发育强度分级方法 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101770027A (zh) * | 2010-02-05 | 2010-07-07 | 河海大学 | 基于InSAR与GPS数据融合的地表三维形变监测方法 |
| CN101899845A (zh) * | 2010-04-07 | 2010-12-01 | 西南交通大学 | 一种高速铁路沉降监测技术 |
| CN103306173A (zh) * | 2013-07-09 | 2013-09-18 | 铁道第三勘察设计院集团有限公司 | 一种高速铁路结构体沉降监测新方法 |
| CN103714247A (zh) * | 2013-12-20 | 2014-04-09 | 深圳先进技术研究院 | 一种地铁中心线及沿线平均形变速率的获取方法、装置 |
| CN104299365A (zh) * | 2014-08-06 | 2015-01-21 | 江苏恒创软件有限公司 | 基于无人机的监测山区山体滑坡、泥石流的方法 |
| CN104881834A (zh) * | 2015-06-25 | 2015-09-02 | 辽宁有色勘察研究院 | 基于3s技术的泥石流地质灾害识别与判定的方法 |
| CN106093938A (zh) * | 2016-05-17 | 2016-11-09 | 长安大学 | 一种基于人工角反射器偏移量的矿区形变监测方法 |
| CN107132539A (zh) * | 2017-05-03 | 2017-09-05 | 中国地质科学院探矿工艺研究所 | 一种基于小基线集的时间序列InSAR的滑坡早期识别方法 |
| CN107358142A (zh) * | 2017-05-15 | 2017-11-17 | 西安电子科技大学 | 基于随机森林构图的极化sar图像半监督分类方法 |
| CN107655457A (zh) * | 2016-12-23 | 2018-02-02 | 航天星图科技（北京）有限公司 | 一种基于遥感卫星图像的泥石流地质灾害识别方法 |
| CN207571796U (zh) * | 2017-10-26 | 2018-07-03 | 昆明理工金图科技有限公司 | 一种基于insar的地质灾害监测系统 |
| CN110031842A (zh) * | 2019-04-30 | 2019-07-19 | 云南财经大学 | 一种基于InSAR的滑坡灾害应急监测排查方法 |
| CN110109105A (zh) * | 2019-04-23 | 2019-08-09 | 中国电力科学研究院有限公司 | 一种基于时序的InSAR技术监测地表形变的方法 |
| CN110174673A (zh) * | 2019-06-24 | 2019-08-27 | 首都师范大学 | 一种利用时序接力干涉图叠加高效减弱大气相位影响的方法 |
| CN110471062A (zh) * | 2019-07-29 | 2019-11-19 | 武汉大学 | 基于地面稳定平台sar的流域库岸形变数据自动采集与处理方法 |
-
2020
- 2020-01-10 CN CN202010028044.0A patent/CN111142119B/zh not_active Expired - Fee Related
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101770027A (zh) * | 2010-02-05 | 2010-07-07 | 河海大学 | 基于InSAR与GPS数据融合的地表三维形变监测方法 |
| CN101899845A (zh) * | 2010-04-07 | 2010-12-01 | 西南交通大学 | 一种高速铁路沉降监测技术 |
| CN103306173A (zh) * | 2013-07-09 | 2013-09-18 | 铁道第三勘察设计院集团有限公司 | 一种高速铁路结构体沉降监测新方法 |
| CN103714247A (zh) * | 2013-12-20 | 2014-04-09 | 深圳先进技术研究院 | 一种地铁中心线及沿线平均形变速率的获取方法、装置 |
| CN104299365A (zh) * | 2014-08-06 | 2015-01-21 | 江苏恒创软件有限公司 | 基于无人机的监测山区山体滑坡、泥石流的方法 |
| CN104881834A (zh) * | 2015-06-25 | 2015-09-02 | 辽宁有色勘察研究院 | 基于3s技术的泥石流地质灾害识别与判定的方法 |
| CN106093938A (zh) * | 2016-05-17 | 2016-11-09 | 长安大学 | 一种基于人工角反射器偏移量的矿区形变监测方法 |
| CN107655457A (zh) * | 2016-12-23 | 2018-02-02 | 航天星图科技（北京）有限公司 | 一种基于遥感卫星图像的泥石流地质灾害识别方法 |
| CN107132539A (zh) * | 2017-05-03 | 2017-09-05 | 中国地质科学院探矿工艺研究所 | 一种基于小基线集的时间序列InSAR的滑坡早期识别方法 |
| CN107358142A (zh) * | 2017-05-15 | 2017-11-17 | 西安电子科技大学 | 基于随机森林构图的极化sar图像半监督分类方法 |
| CN207571796U (zh) * | 2017-10-26 | 2018-07-03 | 昆明理工金图科技有限公司 | 一种基于insar的地质灾害监测系统 |
| CN110109105A (zh) * | 2019-04-23 | 2019-08-09 | 中国电力科学研究院有限公司 | 一种基于时序的InSAR技术监测地表形变的方法 |
| CN110031842A (zh) * | 2019-04-30 | 2019-07-19 | 云南财经大学 | 一种基于InSAR的滑坡灾害应急监测排查方法 |
| CN110174673A (zh) * | 2019-06-24 | 2019-08-27 | 首都师范大学 | 一种利用时序接力干涉图叠加高效减弱大气相位影响的方法 |
| CN110471062A (zh) * | 2019-07-29 | 2019-11-19 | 武汉大学 | 基于地面稳定平台sar的流域库岸形变数据自动采集与处理方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111142119A (zh) | 2020-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111142119B (zh) | 一种基于多源遥感数据的矿山地质灾害动态识别与监测方法 | |
| Tomás et al. | Radar interferometry techniques for the study of ground subsidence phenomena: a review of practical issues through cases in Spain | |
| Jaboyedoff et al. | Use of LIDAR in landslide investigations: a review | |
| CN111999733B (zh) | 海岸带大坝稳定性监测与淹没脆弱性评估方法、系统 | |
| CN112198511A (zh) | 一种基于星空地一体化地质灾害普查方法 | |
| Tapete et al. | Localising deformation along the elevation of linear structures: An experiment with space-borne InSAR and RTK GPS on the Roman Aqueducts in Rome, Italy | |
| Wang et al. | Delineating and defining the boundaries of an active landslide in the rainforest of Puerto Rico using a combination of airborne and terrestrial LIDAR data | |
| Xu et al. | Remote sensing for landslide investigations: A progress report from China | |
| Pesci et al. | Multitemporal laser scanner-based observation of the Mt. Vesuvius crater: Characterization of overall geometry and recognition of landslide events | |
| Gómez et al. | Accuracy assessment of ASTER and SRTM DEMs: a case study in Andean Patagonia | |
| de Macedo et al. | Long-term airborne DInSAR measurements at X-and P-bands: A case study on the application of surveying geohazard threats to pipelines | |
| Yu et al. | Subsidence detection by TerraSAR-X interferometry on a network of natural persistent scatterers and artificial corner reflectors | |
| No et al. | ALOS PALSAR and AVNIR Data for Geosciences Applications in Tropical Environments of Brazil | |
| CN109166084B (zh) | 一种基于邻近点梯度关系的sar几何畸变定量模拟方法 | |
| Bruno et al. | Integration of multitemporal SAR/InSAR techniques and NWM for coastal structures monitoring: Outline of the software system and of an operational service with COSMO-SkyMed data | |
| Owczarz | A review of geodetic and remote sensing methods used for detecting surface displacements caused by mining | |
| Mathews et al. | Examining Urban Built‐up Volume: Three‐Dimensional Analyses with Lidar and Radar Data | |
| CN113625241A (zh) | 差异沉降监控预警方法 | |
| Wang et al. | Deformation monitoring and evaluation of mountain slope stability combined with ground-based radar and spaceborne InSAR methods | |
| CN114199189B (zh) | 一种联合无人机和DInSAR技术的开采沉陷监测方法 | |
| Arifin et al. | Geological lineament assessment from passive and active remote sensing imageries | |
| Virelli et al. | COSMO-SkyMed: A satellite tool for monitoring cultural heritage | |
| Mandal et al. | Assessing the Accuracy of Digital Elevation Models for Darjeeling‐Sikkim Himalayas | |
| Bruno et al. | Integration of Multitemporal SAR/InSAR Techniques and NWM for Coastal Structures Monitoring | |
| Tang et al. | Transmission Line Geological Hazard Detection Based on UAV LiDAR DEM and InSAR |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210817 |