CN111243240B - 一种滑坡预警方法及装置 - Google Patents
一种滑坡预警方法及装置 Download PDFInfo
- Publication number
- CN111243240B CN111243240B CN202010066731.1A CN202010066731A CN111243240B CN 111243240 B CN111243240 B CN 111243240B CN 202010066731 A CN202010066731 A CN 202010066731A CN 111243240 B CN111243240 B CN 111243240B
- Authority
- CN
- China
- Prior art keywords
- deformation
- determining
- landslide
- area
- data
- 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.)
- Active
Links
Images
Classifications
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Abstract
一种滑坡预警方法及装置,所述方法包括,将基于雷达得到的整景图像进行识别;识别通过后,确定所述整景图像的形变区域;判断形变区域的可信性;当所述形变区域可信时,确定所述形变区域所处的形变阶段,以实现对于滑坡的预警。通过使用本发明提供的滑坡预警方法可以有效避免传统点监测手段无法获取边坡整体形变情况的问题;本发明提供的预警方法对雷达采集的数据进行了多种干扰抑制和数据质量检测,减少了数据异常对形变趋势的误判;对形变过程的各阶段单独识别处理,增加了形变处理决策的多样性;通过实时数据分析对形变趋势做出预测,增强了救援能力和抗风险能力。
Description
技术领域
本发明涉及微波成像技术对地观测以及地质灾害发生前期识别与预警领域,具体涉及一种滑坡预警方法及装置。
背景技术
滑坡作为一种主要的地质灾害,在世界范围内广泛分布,在中国分布更为广泛。然而,由于滑坡灾害的特征谱十分宽泛,受到常规滑坡调查、监测技术的限制,导致大量的灾难性滑坡时有发生,引起了防灾部门的高度重视。
目前,崩滑灾害预测主要有2种方法。一种是基于试验和力学分析研究坡体失稳的演化机制,并利用这些结果做出进一步预测。然而,由于上述影响因素相互作用产生高度的非线性及复杂性,导致描述滑坡演化过程的动力学方程还未能正确写出,即使这些方程能够正确写出,准确确定方程中的诸多几何及力学参数仍然十分困难。C.A.Tang指出,在非线性和不连续问题的理论研究方面有一种越来越复杂化而难以实际应用的趋势。另一种是依据经验、统计模型进行滑坡时间预测。然而由于加速蠕变的突变破坏统计预测已经导致了不正确的预测结果,例如在阿尔卑斯山Kilchenstock失败了2次。M.Rat曾坦率地指出,由于缺乏严格的物理基础,统计预测通常是很不可靠和很有“诡计”的。
另外,传统的目视、光学或红外等措施受天气和昼夜等因素的影响较大,不具备全天候和全天时的工作能力;点式监测站的选址又是工程量很大且复杂的一项工作,同时需要直接接触监测目标。新型遥感对地观测技术的出现,为实现地质灾害的防治规划目标提供了重要的技术支持,其中合成孔径雷达干涉测量(Interferometric SyntheticAperture Radar,InSAR)作为一项新型的空间对地观测技术,不仅能够穿透烟、雾、云层和浮尘等,以及不受天气和气候影响,而且能够对监测区域进行实时高分辨率成像和高精度形变提取,具有全天候、全天时获取大面积地面精确形变信息的能力,近些年来已广泛应用于中国三峡库区、西南山区以及西北地区潜在滑坡的识别、监测以及机理研究中。
地基微变监测雷达凭借其良好的应用优势而受到国内外广泛关注和持续研究,但现有技术中基于地基微变雷达数据进行预警的方法还存在诸多问题,例如,多以设置形变阈值为主,灵活度较低;现有地基微变雷达数据处理方法中没有给出数据干扰抑制和剔除的相关决策,也尚未系统地利用雷达获取的多种数据进行协同分析,系统分析结果可靠性相对较低。因此,亟需发展解决滑坡预测问题的新方法。
发明内容
本发明提供了一种滑坡预警方法及装置。通过使用本发明提供的滑坡预警方法可以有效避免传统点监测手段无法获取边坡整体形变情况的问题;本发明提供的预警方法对雷达采集的数据进行了多种干扰抑制和数据质量检测,减少了数据异常对形变趋势的误判;对形变过程的各阶段单独识别处理,增加了形变处理决策的多样性;通过实时数据分析对形变趋势做出预测,增强了救援能力和抗风险能力。
为了解决上述技术问题,本发明实施例提供了如下的技术方案:
本发明第一方面提供一种滑坡预警方法,所述方法包括,
将基于雷达得到的整景图像进行识别;
识别通过后,确定所述整景图像的形变区域;
判断形变区域的可信性;
当所述形变区域可信时,确定所述形变区域所处的形变阶段,以实现对于滑坡的预警。
作为优选,所述将基于雷达得到的整景图像进行识别,包括,
计算所述整景图像的有效形变范围占比、矩阵行和差分标准差、矩阵列和差分标准差;
将所述有效形变范围占比、矩阵行和差分标准差、矩阵列和差分标准差分别与数据整体质量阈值、方位向数据质量阈值和距离向数据质量阈值进行比较,得到识别结果。
作为优选,所述确定所述整景图像的形变区域,包括,
将所述整景图像划分为多个子域;
确定每个子域的形变情况;
基于各子域中心之间的欧式距离形成形变区域。
作为优选,所述确定每个子域的形变情况,包括,
计算每个子域的形变均值;
将所述每个子域的形变均值分别与所述形变阈值进行比较,从而确定每个子域的形变情况。
作为优选,所述判断形变区域的可信性,包括,
计算所述形变区域的相干系数均值;
将所述相干系数均值分别与相干系数阈值和参考域集合中各个元素的相干系数均值进行比对,得到所述形变区域的可信性。
作为优选,所述形变阶段包括,平稳阶段、开始形变阶段、加速形变阶段和临滑阶段;所述确定所述形变区域所处的形变阶段,包括,
基于形变速率、阶段速率曲线切线角和速率曲线切线角阈值来确定所述形变区域所处的形变阶段。
作为优选,当确定所述形变区域处于所述加速形变阶段时,基于形变速率曲线确定形变速率开始减速的时刻。
作为优选,对接近或处于加速形变阶段的形变速率曲线做数学模型为二次多项式的最小二乘拟合;
基于所述二次多项式的二次项前的系数确定形变速率开始减速的时刻。
作为优选,当所述形变速率开始减速时,
对处于形变速率开始减速的形变逆速率曲线,通过线性回归分析得到滑坡的预测时间。
本发明第二方面提供一种滑坡预警装置,所述装置至少包括存储器、处理器,所述存储器上存储有计算机程序,所述处理器执行如下步骤:
将基于雷达得到的整景图像进行识别;
识别通过后,确定所述整景图像的形变区域;
判断形变区域的可信性;
当所述形变区域可信时,确定所述形变区域所处的形变阶段,以实现对于滑坡的预警。
基于上述实施例的公开可以获知,本发明实施例具备如下的有益效果:
通过使用本发明提供的滑坡预警方法可以有效避免传统点监测手段无法获取边坡整体形变情况的问题;本发明提供的预警方法对雷达采集的数据进行了多种干扰抑制和数据质量检测,减少了数据异常对形变趋势的误判;对形变过程的各阶段单独识别处理,增加了形变处理决策的多样性;通过实时数据分析对形变趋势做出预测,增强了救援能力和抗风险能力。
附图说明
图1为本发明实施例提供的一种滑坡预警方法的流程示意图;
图2为本发明实施例提供的整景数据矩阵中包括多个参考域的示意图;
图3为本发明实施例提供的整景数据矩阵中包括多个子域的示意图;
图4为图2中的部分局部示意图;
图5为本发明实施例提供的阶段滑坡速率示意图。
具体实施方式
下面,结合附图对本发明的具体实施例进行详细的描述,但不作为本发明的限定。
应理解的是,可以对此处公开的实施例做出各种修改。因此,上述说明书不应该视为限制,而仅是作为实施例的范例。本领域的技术人员将想到在本公开的范围和精神内的其他修改。
包含在说明书中并构成说明书的一部分的附图示出了本公开的实施例,并且与上面给出的对本公开的大致描述以及下面给出的对实施例的详细描述一起用于解释本公开的原理。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述,本发明的这些和其它特性将会变得显而易见。
还应当理解,尽管已经参照一些具体实例对本发明进行了描述,但本领域技术人员能够确定地实现本发明的很多其它等效形式,它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时,鉴于以下详细说明,本公开的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本公开的具体实施例;然而,应当理解,所公开的实施例仅仅是本公开的实例,其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以避免不必要或多余的细节使得本公开模糊不清。因此,本文所公开的具体的结构性和功能性细节并非意在限定,而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本公开。
本说明书可使用词组“在一种实施例中”、“在另一个实施例中”、“在又一实施例中”或“在其他实施例中”,其均可指代根据本公开的相同或不同实施例中的一个或多个。
下面,结合附图详细的说明本发明实施例,
如图1所示,本发明第一个实施例提供一种滑坡预警方法,所述方法包括,
将基于雷达得到的整景图像进行识别;
识别通过后,确定所述整景图像的形变区域;
判断形变区域的可信性;
当所述形变区域可信时,确定所述形变区域所处的形变阶段,以实现对于滑坡的预警。
在本实施例中,可以将基于雷达得到的整景图像进行识别,具体地,例如可以计算所述整景图像的有效形变范围占比、矩阵行和差分标准差、矩阵列和差分标准差,将计算得到的所述整景图像的有效形变范围占比、矩阵行和差分标准差、矩阵列和差分标准差与阈值进行比较,比较后可以判断该整景图像是否识别通过,若该整景图像识别通过,则确定所述整景图像的形变区域,然后再判断形变区域的可信性,当所述形变区域可信时,确定所述形变区域所处的形变阶段,以实现对于滑坡的预警。
通过使用本发明提供的滑坡预警方法可以有效避免传统点监测手段无法获取边坡整体形变情况的问题;本发明提供的预警方法对雷达采集的数据进行了多种干扰抑制和数据质量检测,减少了数据异常对形变趋势的误判;对形变过程的各阶段单独识别处理,增加了形变处理决策的多样性;通过实时数据分析对形变趋势做出预测,增强了救援能力和抗风险能力。
在本发明提供的另一个实施例中,所述将基于雷达得到的整景图像进行识别,包括,
计算所述整景图像的有效形变范围占比、矩阵行和差分标准差、矩阵列和差分标准差;
将所述有效形变范围占比、矩阵行和差分标准差、矩阵列和差分标准差分别与数据整体质量阈值、方位向数据质量阈值和距离向数据质量阈值进行比较,得到识别结果。
在本实施例中,初始化各项参数,将hs置1,hs表示数据预处理过程中第几个数据样本,且hs∈[1,N],N为预处理所需的样本数据量(即,整景图像的数量),根据现场数据采集周期的长短可以选择N∈[30,50]。读取数据,利用前N景数据样本进行数据预处理,这里通过预处理要确定:数据整体质量阈值QT、方位向数据质量阈值QC、距离向数据质量阈值QL和参考域集合GA,具体步骤如下:
假设雷达采集的数据矩阵D的大小为row×col,统计单景数据中可提取有效形变值的像素点个数nvalid,而后计算该景数据中有效形变范围的占比Qtp,并将其存入一个独立的数组S_Qtp,即:
计算单景数据的行和数组Sumrow与列和数组Sumcol:
其中,DR为数据矩阵D的行数组,大小为1×col,将D的每一行对应位置累加,得到数据矩阵的行和数组Sumrow,大小同样为1×col,DC为数据矩阵D的列数组,同理,将D的每一列对应位置累加,得到数据矩阵的列和数组Sumcol,DC和Sumcol的大小均为row×1。
另外,这里对上面的表达方式做简要说明,例如,DR,i表示第i个DR,若是DR(i),则表示DR中的第i个元素,后续内容中相同的表达方式也是此含义。
计算数组Sumrow和Sumcol的差分数组DSrow和DScol:
DSrow=diff(Sumrow) (4)
DScol=diff(Sumcol) (5)
这里函数Y=diff(X)表示对“X”所代表的数组做相邻元素之间的差分,X为一维数组,即:
Y=diff(X)=[X(2)-X(1),X(3)-X(2),…,X(M)-X(M-1)] (6)
如果输入的数组长度为M,则输出的数组长度为M-1;
计算数组DSrow和DScol的均值μ和标准差σ,并将标准差存入独立的数组S_σ,其中,均值μ为:
标准差σ和数组S_σ为:
选取参考域A,参考域A是若干相邻像素点组成的点集,设其大小为a×b,点集中心为P(x,y),一般的:
其中,(xlb,ylb)为点集左下角的坐标;
如图2所示,单个参考域的大小确定后,在整景数据矩阵中等间隔的选取多个参考域A,例如,在图2中,参考域分别为A11、A12……Amn,一般根据数据矩阵大小不同,横向设置数量可以为n=5~10,纵向设置数量可以为m=20~30,这样在满足参考域数量要求的同时,不会因为过多的计算量加重系统负担,随后计算每个参考域A的相干系数均值并将其按行排序存入一个独立的矩阵S_I,即:
Ipq表示单个参考域中各像素点对应的相干系数,这里Aij的下标ij表示其相对位置,其中,i∈[1,m],j∈[1,n],hs_c表示数据重新排入矩阵S_I的列号,且hs_c=(i-1)×n+j;
若hs<N,则循环执行上述步骤,并且令hs加1,即hs=hs+1,;
若hs=N,则由循环hs次得到的数组S_Qtp计算得到QT,即:
由循环hs次得到的数组S_σrow、S_σcol计算其分布函数F(S_σ),进而求得得到QC、QL,具体的,以S_σrow例,首先划分区间rii,ii∈[1,B],以100为界,各区间分别为:
其中,B为区间的分段数,已在初始化时设置为11,也可根据实际情况在7~11之间调整,随后计算数组S_σrow中元素数值落在对应区间的概率,即pii(S_σrow(i)∈rii),i∈[1,hs],随后找到满足式(17)条件的第ii个区间rii,则QC为区间rii+1中的最大值,即:
QC=max(rii) (18)
QL的计算流程与QC相同,pjj(S_σcol(j)∈rjj),j∈[1,hs],寻找满足式(19)条件的第jj个区间rjj,jj∈[1,B];则QL为区间rjj+1中的最大值,即:
QL=max(rjj) (20)
由循环hs次得到的矩阵S_I确定参考域集合GA,首先对矩阵S_I进行列向差分,即相邻两行的对应元素做差分,得到DS_I:
DS_I=diff2C(S_I) (21)
函数diff2C(X)表示对矩阵“X”进行相邻两行的对应元素差分,设输入S_I的大小为(N×(m×n)),则输出DS_I的大小为((N-1)×(m×n)),N为预处理数据样本数,m为横向设置参考域A的数量,n为纵向设置参考域A的数量,而后求矩阵DS_I列向的均值数组μDS_I:
其中,DS_I(i,:)表示矩阵DS_I的第i行元素,μDS_I大小为(1×(m×n));
求DS_I的列向标准差数组σDS_I:
其中,DS_I(i,j)表示矩阵DS_I第i行,第j列的元素,σDS_I的大小同样为(1×(m×n)),若j<m×n,则循环执行上述步骤,且令j加1,即j=j+1,若j=m×n,则取σDS_I中数值最小的前15%所对应的参考域A组成参考域集合GA。
样本数据的干扰识别及剔除,利用上述步骤中得到的参考阈值QT、QC和QL,与数据预处理过程中的N景样本数据的Qtp、σrow和σcol进行对比,若对比结果为Qtp<QT||σrow>QC||σcol>QL,则该数据不满足阈值条件,不予保留,其中,“||”表示“或”,即三个条件任意满足一个即可,若对比结果为Qtp≥QT&&σrow≤QC&&σcol≤QL,则该数据满足阈值条件,应保留,其中,“&&”表示“与”,即三个条件需要同时满足。
设保留的数据数量为hn(0≤hn≤hs),将保留数据中已选定的特征点FP和特征区域FA的形变信息作为D_FP和D_FA的第1~hn个元素,并设置当前保留数据计数器ht,令ht=hn,特征点FP为人工选取的像素点,特征区域FA可以是人工圈选,也可以是系统识别的形变区。
其中,形变信息主要包括特征点FP的形变信息D_FP和特征区域FA的形变信息D_FA,其中,D_FP包括特征点FP的阶段形变速率FP_v和累积形变量FP_Dsum,D_FA包括特征区域FA的平均阶段形变速率FA_v和平均累积形变量FA_Dsum;
实时数据的干扰识别及剔除,提取实时数据的特征信息Qtp、σrow和σcol,所述Qtp、σrow和σcol分别对应于所述整景图像的有效形变范围占比、矩阵行和差分标准差、矩阵列和差分标准差,并与参考阈值QT、QC和QL进行对比,若对比结果为Qtp<QT||σrow>QC||σcol>QL,则该数据不满足阈值条件,不予保留,若对比结果为Qtp≥QT&&σrow≤QC&&σcol≤QL,则该数据满足阈值条件,应保留,同时令ht加1,将数据中已选定的特征点FP和特征区域FA的形变信息记录到D_FP(ht)和D_FA(ht)。
在本发明提供的一个实施例中,所述确定所述整景图像的形变区域,包括,
将所述整景图像划分为多个子域;
确定每个子域的形变情况;
基于各子域中心之间的欧式距离形成形变区域。
在本实施例中,形变区域识别,通过将整景数据划分为多个子域,拾取每个子域的形变特征,来判断监测场景内是否存在滑坡隐患的区域,并进一步获取形变区域的边界和面积,如图3所示,具体的:
在本发明提供的另一个实施例中,所述确定每个子域的形变情况,包括,计算每个子域的形变均值;
将所述每个子域的形变均值分别与所述形变阈值进行比较,从而确定每个子域的形变情况。
采用与上述确定参考域大小相同的方法,即子域由若干相邻像素点组成的点集,其大小为a×b,点集中心为P(x,y),计算公式参考式(11)~式(13),如果分布在边缘处的点集不足以组成一个独立的子域,则将它们并入到上一个子域中。
遍历所有子域,计算每个子域的形变均值Dsubdomain:
其中,Dij为子集中第(i,j)个像素的形变值,且有i∈[1,a],j∈[1,b],TD为判断子域是否形变的阈值,该值为经验值,建议结合现场实际情况设定,如果Dsubdomain<TD,则认为该子域无形变,如果Dsubdomain≥TD,则认为该子域有形变,选中该子域,而后将该子域的中心位置P(x,y)记录在GP中;
计算GP中各子域中心之间的欧氏距离,即:
并以此来判断两子域之间的位置关系,是相邻、相离或是相通,判断标准为:
其中,i,j,u∈[1,L],L为GP中的元素个数,如图3所示,子域1的中心为P1,其中Area_D1在子域1中;子域2的中心为P2,子域3的中心为P3,子域4的中心为P4,子域5的中心为P5,子域6的中心为P6,子域7的中心为P7,子域8的中心为P8,其中Area_D2在子域2、3、4、5、6、7、8中;子域1、2为相离,子域2、4和4、7为相邻,子域2、7为相通,即本身不相邻的两个子域,可以借助其他相邻子域实现连通。
对GP进行分类,将所有满足相邻或相通的子域组合在一起,形成形变区Area_D,形变区可能不止一个,当系统自动识别到有多个形变区时,应当引入人工干预,决定是否仅保留一部分识别结果,或者全部保留,并将保留下来的Area_D视为特征区域FA。
确定形变区的边界,由于FA本身仍然是一个由诸多像素点组成点集,在寻找边界时,首先遍历FA的每一行,找到每行像素点中列号最大值和最小值对应的像素点,组成边界点集GBrow,而后遍历FA的每一列,找到每列像素点中行号最大值和最小值对应的像素点,组成边界点集GBcol,将GBrow和GBcol中元素较多的一个认为是FA的边界GB;
计算特征区域FA的面积,雷达采集过程中的距离向分辨率d(m)和方位向分辨率α(°)是定值,进而每个像素点所代表的的面积是可以确定的:
其中,ln为像素点在雷达数据矩阵中的行号,则FA的面积为区域内所有像素点的面积和:
其中,Nop为FA中包含的像素点数量。
在本发明提供的另一个实施例中,所述判断形变区域的可信性,包括,计算所述形变区域的相干系数均值;
将所述相干系数均值分别与相干系数阈值和参考域集合中各个元素的相干系数均值进行比对,得到所述形变区域的可信性。
在本实施例中,相干系数检测,这里主要针对特征区域FA,首先计算区域相干系数均值IFA:
比较结果可能是下列中的一种:
1).IFA始终大于阈值IT,状态稳定或有所改善,那么FA的监测数据是十分可信的;
进行上述操作时,与FA存在交集的子区域不予考虑,如图4中的参考域A22、A23和A32。
在本发明提供的另一个实施例中,所述形变阶段包括,平稳阶段、开始形变阶段、加速形变阶段和临滑阶段;所述确定所述形变区域所处的形变阶段,包括,
基于形变速率、阶段速率曲线切线角和速率曲线切线角阈值来确定所述形变区域所处的形变阶段。
形变信息提取完毕,随后进入数据后处理,首先识别当前目标的形变阶段,如图5所示,一般情况下,滑坡会经过4个阶段,随后计算形变逆速率,最后根据逆速率变化实现滑坡预测,这个过程对于D_FP和D_FA是完全相同的,这里以D_FP为例,具体的:
设置窗宽为Δw的时间窗,根据现场需求,可设Δw∈[0.5h,24h],h为小时,若系统首次执行此步骤时,则以t0时刻为起点滑动时间窗,否则以tht-Δw为起始时刻,tht为实时数据对应时刻,ht为实时数据对应的计数序号;
如果时间窗内的FP_v(tin)正负交替,且|∑FP_v(tin)|≤2mm则目标处于平稳阶段,接下来没有需要反馈的信息,并重复执行上述步骤,这里tin表示第in条数据对应的时刻,tin∈[tht-Δw,tht],;
如果FP_v(tin)均为正数,且有:
则目标处于开始形变阶段,此时应通知监测现场加强警戒,而后执行步骤S101,这里k为速率曲线切线角阈值,可根据目标地址结构和选取的Δw不同适当调整,一般选择k∈[10°,30°];
如果FP_v(tin)均为正数,且有:
则目标处于加速形变阶段,随后执行步骤S101。
在一个实施例中,当确定所述形变区域处于所述加速形变阶段时,基于形变速率曲线确定形变速率开始减速的时刻。
在本发明提供的一个实施例中,当确定所述形变区域处于所述加速形变阶段时,
对接近或处于加速形变阶段的形变速率曲线做数学模型为二次多项式的最小二乘拟合;
基于所述二次多项式的二次项前的系数确定形变速率开始减速的时刻。
在本发明提供的一个实施例中,将所述二次多项式的二次项前的系数由正到负时的时刻记录为形变速率开始减速的时刻。
在另一个实施例中,当所述形变速率开始减速时,
对处于形变速率开始减速的形变逆速率曲线,通过线性回归分析得到滑坡的预测时间。
在本发明提供的其他实施例中,当所述形变速率开始减速时,
对处于形变速率开始减速的形变逆速率曲线做数学模型为一次多项式的最小二乘拟合;
基于所述一次多项式的系数得到滑坡的预测时间。
步骤S101:计算时间窗内对应时间点的逆阶段形变速率FP_Iv(tin):
若系统首次执行此步骤,则将当前时间窗的起点记录为tin1,即tin1=tht-Δw,并将当前时间点对应的数据计数序号in记为in1;
同样按照式(35)计算FP_Iv(tin),若系统首次执行此步骤,则设置子时间窗Δsw∈[0.5h,2h],但窗宽要小于等于上述步骤中的Δw,即满足Δsw≤Δw,将当前时间窗的起点记录为tin2,即tin2=tht-Δsw,并将当前时间点对应的数据计数序号in记为in2;
对时间段t∈[tin2,tht]的FP_v(t)曲线做数学模型为二次多项式的最小二乘拟合,即数学模型为F(xt)=a0+a1(xt)+a2(xt)2,其中xt表示该模型中任一时刻t对应的自变量,则有:
解得a0,a1,a2。若a2为正,则没有需要反馈的信息,若a2为负,则记录时刻tin21,且tin21=tht-Δsw。
对时间段t∈[tin21,tht]的FP_Iv(t)曲线做数学模型为一次多项式的最小二乘拟合,即数学模型为F1(xt)=a00+a11(xt),则有:
其中,xti={in21,in21+1,…,ht},fi=FP_Iv(txti),i∈[1,ht-in21],
通过求解方程组Ga=dt,得到a00,a11,确定表达式F1(xt),其中xt表示该模型中任一时刻t对应的自变量,且:
令F1(xt)=a00+a11(xt)2=0,则有:
滑坡的预测时间tslipe为:
tslipe=(xt-ht)×T+tht (41)
其中,T为雷达的数据采集周期,随后向现场反馈系统预测的滑坡时间。
另外,tin3表示形变速率达到峰值的时刻,tin4表示形变速率重新回归平稳的时刻,同时也意味着边坡的形变进程已经(或者暂时)结束。由于本申请并没有涉及这两部分的计算,所以这里仅做概念上的解释,不做其他说明。
本发明第二个实施例提供一种滑坡预警装置,所述装置至少包括存储器、处理器,所述存储器上存储有计算机程序,所述处理器执行如下步骤:
将基于雷达得到的整景图像进行识别;
识别通过后,确定所述整景图像的形变区域;
判断形变区域的可信性;
当所述形变区域可信时,确定所述形变区域所处的形变阶段,以实现对于滑坡的预警。
以上实施例仅为本发明的示例性实施例,不用于限制本发明,本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内,对本发明做出各种修改或等同替换,这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (10)
1.一种滑坡预警方法,其特征在于,所述方法包括,
将基于雷达得到的整景图像进行识别;
识别通过后,确定所述整景图像的形变区域;
判断形变区域的可信性;
当所述形变区域可信时,确定所述形变区域所处的形变阶段,以实现对于滑坡的预警。
2.根据权利要求1所述的方法,其特征在于,所述将基于雷达得到的整景图像进行识别,包括,
计算所述整景图像的有效形变范围占比、矩阵行和差分标准差、矩阵列和差分标准差;
将所述有效形变范围占比、矩阵行和差分标准差、矩阵列和差分标准差分别与数据整体质量阈值、方位向数据质量阈值和距离向数据质量阈值进行比较,得到识别结果。
3.根据权利要求1所述的方法,其特征在于,所述确定所述整景图像的形变区域,包括,
将所述整景图像划分为多个子域;
确定每个子域的形变情况;
基于各子域中心之间的欧式距离形成形变区域。
4.根据权利要求3所述的方法,其特征在于,所述确定每个子域的形变情况,包括,
计算每个子域的形变均值;
将所述每个子域的形变均值分别与形变阈值进行比较,从而确定每个子域的形变情况。
5.根据权利要求1所述的方法,其特征在于,所述判断形变区域的可信性,包括,
计算所述形变区域的相干系数均值;
将所述相干系数均值分别与相干系数阈值和参考域集合中各个元素的相干系数均值进行比对,得到所述形变区域的可信性。
6.根据权利要求1所述的方法,其特征在于,所述形变阶段包括,平稳阶段、开始形变阶段、加速形变阶段和临滑阶段;所述确定所述形变区域所处的形变阶段,包括,
基于形变速率、阶段速率曲线切线角和速率曲线切线角阈值来确定所述形变区域所处的形变阶段。
7.根据权利要求6所述的方法,其特征在于,当确定所述形变区域处于所述加速形变阶段时,基于形变速率曲线确定形变速率开始减速的时刻。
8.根据权利要求7所述的方法,其特征在于,对接近或处于加速形变阶段的形变速率曲线做数学模型为二次多项式的最小二乘拟合;
基于所述二次多项式的二次项前的系数确定形变速率开始减速的时刻。
9.根据权利要求7所述的方法,其特征在于,当所述形变速率开始减速时,
对处于形变速率开始减速的形变逆速率曲线,通过线性回归分析得到滑坡的预测时间。
10.一种滑坡预警装置,其特征在于,所述装置至少包括存储器、处理器,所述存储器上存储有计算机程序,所述处理器执行如下步骤:
将基于雷达得到的整景图像进行识别;
识别通过后,确定所述整景图像的形变区域;
判断形变区域的可信性;
当所述形变区域可信时,确定所述形变区域所处的形变阶段,以实现对于滑坡的预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010066731.1A CN111243240B (zh) | 2020-01-20 | 2020-01-20 | 一种滑坡预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010066731.1A CN111243240B (zh) | 2020-01-20 | 2020-01-20 | 一种滑坡预警方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111243240A CN111243240A (zh) | 2020-06-05 |
CN111243240B true CN111243240B (zh) | 2021-09-10 |
Family
ID=70867143
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010066731.1A Active CN111243240B (zh) | 2020-01-20 | 2020-01-20 | 一种滑坡预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111243240B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419849B (zh) * | 2022-01-26 | 2024-01-30 | 中煤航测遥感集团有限公司 | 一种滑坡预警方法、装置及计算机设备 |
CN115294749B (zh) * | 2022-09-29 | 2022-12-27 | 久恩金属制品(昆山)有限公司 | 基于金属防护网的多位面监测系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964135A (zh) * | 2010-10-13 | 2011-02-02 | 南京泰通科技有限公司 | 用于山体滑坡监测的装置 |
CN102509420A (zh) * | 2011-10-12 | 2012-06-20 | 北京科技大学 | 一种基于临滑区变形信息的滑坡预报方法 |
CN102645650A (zh) * | 2012-03-06 | 2012-08-22 | 北京北科安地科技发展有限公司 | 一种基于D-InSAR干涉差分的滑坡动态识别及监测技术 |
CN103646181A (zh) * | 2013-12-20 | 2014-03-19 | 青岛理工大学 | 蠕滑型人工边坡稳定性系数与预警判据的确定方法 |
CN104515988A (zh) * | 2014-12-16 | 2015-04-15 | 中国安全生产科学研究院 | 一种基于地基合成孔径雷达的边坡安全监测预警方法 |
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 |
CN108010280A (zh) * | 2017-12-26 | 2018-05-08 | 成都理工大学 | 一种突发性黄土滑坡预警方法及其应用 |
CN108548497A (zh) * | 2018-06-12 | 2018-09-18 | 西南交通大学 | 一种基于雷达和红外线的高陡边坡监测系统及监测方法 |
CN109493569A (zh) * | 2018-12-14 | 2019-03-19 | 深圳高速工程检测有限公司 | 滑坡预警方法、装置、计算机设备和存储介质 |
CN110441770A (zh) * | 2019-07-01 | 2019-11-12 | 北京理工大学 | 基于多部mimo-sar联合观测的三维形变测量方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6528301B2 (ja) * | 2014-09-04 | 2019-06-12 | 久 佐々木 | 避難誘導システム |
CN107515970A (zh) * | 2017-08-09 | 2017-12-26 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种滑坡段电网杆塔危险性三维多点位多指标的预警方法 |
-
2020
- 2020-01-20 CN CN202010066731.1A patent/CN111243240B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101964135A (zh) * | 2010-10-13 | 2011-02-02 | 南京泰通科技有限公司 | 用于山体滑坡监测的装置 |
CN102509420A (zh) * | 2011-10-12 | 2012-06-20 | 北京科技大学 | 一种基于临滑区变形信息的滑坡预报方法 |
CN102645650A (zh) * | 2012-03-06 | 2012-08-22 | 北京北科安地科技发展有限公司 | 一种基于D-InSAR干涉差分的滑坡动态识别及监测技术 |
CN103646181A (zh) * | 2013-12-20 | 2014-03-19 | 青岛理工大学 | 蠕滑型人工边坡稳定性系数与预警判据的确定方法 |
CN104515988A (zh) * | 2014-12-16 | 2015-04-15 | 中国安全生产科学研究院 | 一种基于地基合成孔径雷达的边坡安全监测预警方法 |
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 |
CN108010280A (zh) * | 2017-12-26 | 2018-05-08 | 成都理工大学 | 一种突发性黄土滑坡预警方法及其应用 |
CN108548497A (zh) * | 2018-06-12 | 2018-09-18 | 西南交通大学 | 一种基于雷达和红外线的高陡边坡监测系统及监测方法 |
CN109493569A (zh) * | 2018-12-14 | 2019-03-19 | 深圳高速工程检测有限公司 | 滑坡预警方法、装置、计算机设备和存储介质 |
CN110441770A (zh) * | 2019-07-01 | 2019-11-12 | 北京理工大学 | 基于多部mimo-sar联合观测的三维形变测量方法 |
Non-Patent Citations (1)
Title |
---|
基于D-InSAR数据分析的高山峡谷区域滑坡位移识别;王立伟;《中国博士学位论文全文数据库基础科学辑》;20150615;第17-18、62、95-101、106-121页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111243240A (zh) | 2020-06-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461319B (zh) | 可适应用户要求的基于cnn的对象检测方法及装置 | |
CN110096994B (zh) | 一种基于模糊标签语义先验的小样本PolSAR图像分类方法 | |
CN111243240B (zh) | 一种滑坡预警方法及装置 | |
CN107016677A (zh) | 一种基于fcn和cnn的云图分割方法 | |
CN112132093B (zh) | 高分辨率遥感图像目标检测方法、装置和计算机设备 | |
DE102014213981A1 (de) | Parkplatz-Erfassungsvorrichtung und entsprechendes Verfahren | |
Chen et al. | Cloud field classification based upon high spatial resolution textural features: 2. Simplified vector approaches | |
EP2297701A2 (de) | Verfahren zur videoanalyse | |
CN105405133A (zh) | 一种遥感影像变化检测方法 | |
CN104062651B (zh) | 一种基于g0杂波背景及恒定目标幅度的检测前跟踪方法 | |
CN107392887B (zh) | 一种基于同质像素点转化的异质遥感图像变化检测方法 | |
WO2021031711A1 (zh) | 一种识别位置谱的方法、装置以及计算机存储介质 | |
CN103366371A (zh) | 基于k分布和纹理特征的sar图像分割方法 | |
CN112419202A (zh) | 基于大数据及深度学习的野生动物图像自动识别系统 | |
DE202022101590U1 (de) | Ein System zur Klassifizierung von Fernerkundungsbildern unter Verwendung fusionierter Faltungsmerkmale mit maschinellem Lernen | |
CN110490061B (zh) | 一种遥感影像特征的不确定性建模与度量方法 | |
CN112580542A (zh) | 一种基于目标检测的钢筋计数方法 | |
CN106600613A (zh) | 基于嵌入式gpu的改进lbp红外目标检测方法 | |
CN102129559A (zh) | 基于Primal Sketch算法的SAR图像目标检测方法 | |
CN112700469A (zh) | 一种基于eco算法和目标检测的视觉目标跟踪方法及装置 | |
CN115953371A (zh) | 一种绝缘子缺陷检测方法、装置、设备和存储介质 | |
CN110674782B (zh) | 一种基于分数熵的红外弱小目标检测方法 | |
CN113421194A (zh) | 一种根据布格重力异常图像提取隐伏断层的方法 | |
CN106022262A (zh) | 基于插值小波的遥感图像纹理识别方法及系统 | |
DE102019121544A1 (de) | Zieldetektionsvorrichtung und zieldetektionsverfahren |
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 |