CN111337923A - 一种时序InSAR数据建立滑坡形变时程模型的方法 - Google Patents
一种时序InSAR数据建立滑坡形变时程模型的方法 Download PDFInfo
- Publication number
- CN111337923A CN111337923A CN202010280105.2A CN202010280105A CN111337923A CN 111337923 A CN111337923 A CN 111337923A CN 202010280105 A CN202010280105 A CN 202010280105A CN 111337923 A CN111337923 A CN 111337923A
- Authority
- CN
- China
- Prior art keywords
- deformation
- insar
- time sequence
- landslide
- item
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 238000012706 support-vector machine Methods 0.000 claims abstract description 21
- 239000002245 particle Substances 0.000 claims abstract description 17
- 230000009466 transformation Effects 0.000 claims abstract description 12
- 238000011160 research Methods 0.000 claims description 31
- 230000000737 periodic effect Effects 0.000 claims description 25
- 238000012549 training Methods 0.000 claims description 24
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000001427 coherent effect Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 abstract description 2
- 238000007796 conventional method Methods 0.000 abstract 1
- 238000009795 derivation Methods 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Images
Landscapes
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
一种时序InSAR数据建立滑坡形变时程模型的方法，具体涉及滑坡形变时程模型建立技术领域；其特征在于：采用了时序InSAR、小波变换、支持向量机、粒子群优化算法等算法实现了利用时序InSAR数据建立滑坡形变时程模型；本发明改变了以往顾及滑坡本身的物理特性并数字化其余滑坡影响因素，从而进行物理推导来构建滑坡形变时程模型的方法；本发明的有益效果在于：更加安全，效率高，节约大量人力，且更符合滑坡的面状特征；采用小波变换来提取时序数据中的趋势项和周期项，方法简单可行，易操作，减少计算量；采用机器学习算法训练与建立模型，提升效率，精度可靠，且模型维护与改进更加便捷。
Description
技术领域
本发明涉及滑坡形变时程模型建立技术领域，特别是涉及一种时序InSAR数据建立滑坡形变时程模型的方法。
背景技术
滑坡灾害指岩体或土体在重力作用下整体顺坡下滑造成的灾害；滑坡的直接危害主要包括:毁坏城镇、村庄、铁路、公路、航道、房屋、矿山企业等，造成人员伤亡和财产等重大损失；因此对滑坡灾害的识别、监测、预警刻不容缓；早在上世纪70年代末，遥感技术便被应用到滑坡灾害的研究中；通过GPS观测的数据或利用全站仪进行水准测量等手段来进行滑坡形变位移的监测与预测；但这些传统监测手段受许多现场条件约束，同时滑坡区域的现场条件一般也较为恶劣，道路损毁难入现场，且存在二次滑坡的可能，同时滑坡的发生也往往伴随着其他灾害，现场作业安全性不足。此外，GPS观测与水准测量多为点测量，而滑坡发生多为大面积的形变，点测量工作量巨大、效率低且较难反映整个大区域滑坡的形变趋势随着技术手段日益更新和改进，目前InSAR技术替换了传统的光学遥感，其搭载的传感器为SAR传感器（合成孔径雷达），具有非接触式、穿透性强、覆盖范围大等特点；在滑坡灾害的研究中，滑坡灾害的研究中滑坡时程模型建模是重要一环，对于滑坡的预警有着重要作用；通过InSAR技术得到了InSAR形变时序数据，对于时序数据分解为趋势项与周期项，目前有两种方法：一、使用二次平均法，消除时序数据中的周期项，提取出趋势项，再利用时序加法原理得到周期项；二、通过灰色模型方法获取趋势项，再利用时序加法原理获取周期项，这两种方法经典可用，但计算较为繁琐；在趋势项和周期项建模上，目前多采用灰色模型、AR模型等方法，这些建模方法工作量极大。
发明内容
针对上述存在的技术问题，本发明提供一种时序InSAR数据建立滑坡形变时程模型的方法；其特征在于：采用了时序InSAR、小波变换、支持向量机、粒子群优化算法等算法实现了利用时序InSAR数据建立滑坡形变时程模型；顾及数据源、研究区概况等因素选择更合适的时序InSAR方法，利用小波变换将时序InSAR的形变结果分解为趋势项形变和周期项形变；然后，对趋势项形变和周期项形变分别利用支持向量机算法进行训练，分别建模，并利用粒子群优化算法对支持向量机的参数进行优化选取；最后，将分别训练好的趋势项形变模型和周期项形变模型进行耦合，得出滑坡形变时程模型。
所述时序InSAR方法包括SBAS-InSAR方法与PS-InSAR方法。
所述选取PS-InSAR方法时必须满足三个条件：a、研究区域影像数据较多，在20景以上；b、研究区域沉降在长时间序列上呈线性形变；c、研究区域存在明显的高相干散射体。
所述选取SBAS-InSAR方法时须在以下三个条件：a、影像数据较多，在20景以上；b、研究区域沉降在长时间序列上呈线性形变；c、研究区域存在明显的高相干散射体；其中有一个或一个以上条件不满足。
本发明一种时序InSAR数据建立滑坡形变时程模型的方法通以下步骤予以实现：
第一步：选取InSAR方法；常用InSAR方法有两种：SBAS-InSAR与PS-InSAR；对方法的选取时，遵循以下原则，若以下三个条件：a、影像数据较多，在20景以上；b、究区域沉降在长时间序列上呈线性形变；c、研究区域存在明显的高相干散射体全部满足时；采用PS-InSAR方法；若上述三个条件有一个或一个以上不满足时，采用SBAS-InSAR方法；
第二步：采用第一步选取的InSAR方法对SAR图像进行处理。不管使用的是哪种InSAR技术，都会得到InSAR时序形变结果；
第三步：小波变化分解InSAR时序结果；通过对InSAR时序形变结果进行离散小波变换，得到高频信息和低频信息，其中低频信息为趋势项，高频信息为周期项。由此提取出原始形变数据中的趋势项形变及周期项形变；
第四步：分别训练趋势项形变和周期项形变；两者的形变影响因素不同，故分开进行训练建模，分别得到趋势项建模结果和周期项建模结果；利用支持向量机对于两种分项形变进行训练建模。在训练中，支持向量机的参数取值对支持向量机这一学习机器的性能有很大的影响，故采用粒子群优化算法来进行支持向量机参数的自动优化选取；粒子群算法基于种群的并行搜索策略特点来迭代搜索最优的目标函数值，从而找到最优的参数取值，实现了参数的自动优化选取；进一步提高了计算精度及全局寻优能力，由此得到的预测模型具有更好的学习和泛化能力，大大加强滑坡形变时程模型的预测精度；
第五步：构建滑坡形变时程模型；将上一步中由趋势项形变和周期项形变分别训练得到的结果，基于时间序列加法进行结合，得出最终的滑坡形变时程模型。
本发明的有益效果在于：
1、更加安全，效率高，节约大量人力，且更符合滑坡的面状特征；
2、采用小波变换来提取时序数据中的趋势项和周期项，方法简单可行，易操作，减少计算量；
3、采用机器学习算法训练与建立模型，提升效率，精度可靠，且模型维护与改进更加便捷。
附图说明
图1为本发明的流程图；
图中：SBAS-InSAR为小基线集方法； PS-InSAR为永久散射体方法。
具体实施方式
实施例1，如图所示，本发明提供一种时序InSAR数据建立滑坡形变时程模型的方法；其特征在于：采用了时序InSAR、小波变换、支持向量机、粒子群优化算法等算法实现了利用时序InSAR数据建立滑坡形变时程模型；顾及数据源、研究区概况等因素选择更合适的时序InSAR方法，利用小波变换将时序InSAR的形变结果分解为趋势项形变和周期项形变；然后，对趋势项形变和周期项形变分别利用支持向量及算法进行训练，分别建模，并利用粒子群优化算法对支持向量机的参数进行优化选取；最后，将分别训练好的趋势项形变模型和周期项形变模型进行耦合，得出滑坡形变时程模型。
所述时序InSAR方法包括SBAS-InSAR方法与PS-InSAR方法。
所述选取PS-InSAR方法时必须满足三个条件：a、研究区域影像数据较多，在20景以上；b、研究区域沉降在长时间序列上呈线性形变；c、研究区域存在明显的高相干散射体。
本发明一种时序InSAR数据建立滑坡形变时程模型的方法通以下步骤予以实现：
第一步：选取InSAR方法；对方法的选取时，遵循以下原则，若以下三个条件：a、研究区域像数据较多，在20景以上；b、研究区域沉降在长时间序列上呈线性形变；c、研究区域存在明显的高相干散射体全部满足时；采用PS-InSAR方法；
第二步：采用第一步选取的PS-InSAR方法对SAR图像进行处理，得到InSAR时序形变结果；
第三步：小波变化分解InSAR时序结果；通过对InSAR时序形变结果进行离散小波变换，得到高频信息和低频信息，其中低频信息为趋势项，高频信息为周期项；由此提取出原始形变数据中的趋势项形变及周期项形变；
第四步：分别训练趋势项形变和周期项形变，两者的形变影响因素不同，故分开进行训练建模，分别得到趋势项建模结果和周期项建模结果；利用支持向量机对于两种分项形变进行训练建模；在训练中，支持向量机的参数取值对学习机器的性能有很大的影响，故采用粒子群优化算法来进行参数的自动优化选取；粒子群算法基于种群的并行搜索策略特点来迭代搜索最优的目标函数值，从而找到最优的参数取值，实现了参数的自动优化选取；进一步提高了计算精度及全局寻优能力，由此得到的预测模型具有更好的学习和泛化能力，大大加强滑坡形变时程模型的预测精度。
第五步：构建滑坡形变时程模型；将上一步中由趋势项形变和周期项形变分别训练得到的结果，基于时间序列加法进行结合，得出最终的滑坡形变时程模型。
实施例2，如图所示，本发明提供一种时序InSAR数据建立滑坡形变时程模型的方法；其特征在于：采用了时序InSAR、小波变换、支持向量机、粒子群优化算法等算法实现了利用时序InSAR数据建立滑坡形变时程模型；顾及数据源、研究区概况等因素选择更合适的时序InSAR方法，利用小波变换将时序InSAR的形变结果分解为趋势项形变和周期项形变；然后，对趋势项形变和周期项形变分别利用支持向量及算法进行训练，分别建模，并利用粒子群优化算法对支持向量机的参数进行优化选取；最后，将分别训练好的趋势项形变模型和周期项形变模型进行耦合，得出滑坡形变时程模型。
所述时序InSAR方法包括SBAS-InSAR方法与PS-InSAR方法。
所述选取SBAS-InSAR方法时须在以下三个条件：a、研究区域影像数据较多，在20景以上；b、研究区域沉降在长时间序列上呈线性形变；c、研究区域存在明显的高相干散射体；其中有一个或一个以上条件不满足。
本发明一种时序InSAR数据建立滑坡形变时程模型的方法通以下步骤予以实现：
第一步：选取InSAR方法；对方法的选取时，遵循以下原则，若以下三个条件：a、研究区域像数据较多，在20景以上；b、研究区域沉降在长时间序列上呈线性形变；c、研究区域存在明显的高相干散射体全部满足时；有一个或一个以上不满足时，采用SBAS-InSAR方法；
第二步：采用第一步选取的SBAS-InSAR方法对SAR图像进行处理，得到InSAR时序形变结果；
第三步：小波变化分解InSAR时序结果；通过对InSAR时序形变结果进行离散小波变换，得到高频信息和低频信息，其中低频信息为趋势项，高频信息为周期项；由此提取出原始形变数据中的趋势项形变及周期项形变；
第四步：分别训练趋势项形变和周期项形变，两者的形变影响因素不同，故分开进行训练建模，分别得到趋势项建模结果和周期项建模结果；利用支持向量机对于两种分项形变进行训练建模；在训练中，支持向量机的参数取值对学习机器的性能有很大的影响，故采用粒子群优化算法来进行参数的自动优化选取；粒子群算法基于种群的并行搜索策略特点来迭代搜索最优的目标函数值，从而找到最优的参数取值，实现了参数的自动优化选取；进一步提高了计算精度及全局寻优能力，由此得到的预测模型具有更好的学习和泛化能力，大大加强滑坡形变时程模型的预测精度；
第五步：构建滑坡形变时程模型，将上一步中由趋势项形变和周期项形变分别训练得到的结果，基于时间序列加法进行结合，得出最终的滑坡形变时程模型。
Claims (5)
1.一种时序InSAR数据建立滑坡形变时程模型的方法；其特征在于：采用了时序InSAR、小波变换、支持向量机、粒子群优化算法等算法实现了利用时序InSAR数据建立滑坡形变时程模型；顾及数据源、研究区概况等因素选择更合适的时序InSAR方法，利用小波变换将时序InSAR的形变结果分解为趋势项形变和周期项形变；然后，对趋势项形变和周期项形变分别利用支持向量机算法进行训练，分别建模，并利用粒子群优化算法对支持向量机的参数进行优化选取；最后，将分别训练好的趋势项形变模型和周期项形变模型进行耦合，得出滑坡形变时程模型。
2.根据权利要求1所述的一种时序InSAR数据建立滑坡形变时程模型的方法；其特征在于：所述的时序InSAR方法包括SBAS-InSAR方法与PS-InSAR方法。
3.根据权利要求2所述的一种时序InSAR数据建立滑坡形变时程模型的方法；其特征在于：所述选取PS-InSAR方法时必须满足三个条件：a、研究区域影像数据较多，在20景以上；b、研究区域沉降在长时间序列上呈线性形变；c、研究区域存在明显的高相干散射体。
4.根据权利要求2所述的一种时序InSAR数据建立滑坡形变时程模型的方法；其特征在于：所述选取SBAS-InSAR方法时须在以下三个条件：a、研究区域影像数据较多，在20景以上；b、研究区域沉降在长时间序列上呈线性形变；c、研究区域存在明显的高相干散射体；其中有一个或一个以上条件不满足。
5.根据权利要求1所述的一种时序InSAR数据建立滑坡形变时程模型的方法；其特征在于：该方法通以下步骤予以实现：
第一步：选取InSAR方法；常用InSAR方法有两种：SBAS-InSAR与PS-InSAR；对方法的选取时，遵循以下原则，若以下三个条件：a、研究区域影像数据较多，在20景以上；b、研究区域沉降在长时间序列上呈线性形变；c、研究区域存在明显的高相干散射体全部满足时；采用PS-InSAR方法；若上述三个条件有一个或一个以上不满足时，采用SBAS-InSAR方法；
第二步：采用第一步选取的InSAR方法对SAR图像进行处理；不管使用的是哪种InSAR技术，都会得到InSAR时序形变结果；
第三步：小波变化分解InSAR时序结果；通过对InSAR时序形变结果进行离散小波变换，得到高频信息和低频信息，其中低频信息为趋势项，高频信息为周期项；由此提取出原始形变数据中的趋势项形变及周期项形变；
第四步：分别训练趋势项形变和周期项形变，两者的形变影响因素不同，故分开进行训练建模，分别得到趋势项建模结果和周期项建模结果；利用支持向量机对于两种分项形变进行训练建模；
在训练中，支持向量机的参数取值对学习机器的性能有很大的影响，故采用粒子群优化算法来进行参数的自动优化选取；粒子群算法基于种群的并行搜索策略特点来迭代搜索最优的目标函数值，从而找到最优的参数取值，实现了参数的自动优化选取；进一步提高了计算精度及全局寻优能力，由此得到的预测模型具有更好的学习和泛化能力，大大加强滑坡形变时程模型的预测精度；
第五步：构建滑坡形变时程模型；将上一步中由趋势项形变和周期项形变分别训练得到的结果，基于时间序列加法进行结合，得出最终的滑坡形变时程模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010280105.2A CN111337923A (zh) | 2020-04-10 | 2020-04-10 | 一种时序InSAR数据建立滑坡形变时程模型的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010280105.2A CN111337923A (zh) | 2020-04-10 | 2020-04-10 | 一种时序InSAR数据建立滑坡形变时程模型的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111337923A true CN111337923A (zh) | 2020-06-26 |
Family
ID=71186341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010280105.2A Pending CN111337923A (zh) | 2020-04-10 | 2020-04-10 | 一种时序InSAR数据建立滑坡形变时程模型的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111337923A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111929683A (zh) * | 2020-07-28 | 2020-11-13 | 中国自然资源航空物探遥感中心 | 滑坡形变聚集区预测模型生成方法和滑坡形变聚集区预测方法 |
| CN112581725A (zh) * | 2020-12-08 | 2021-03-30 | 重庆邮电大学 | 一种基于NBIOT与LoRa双模通信的山体滑坡预警监测系统 |
| CN112857312A (zh) * | 2021-03-31 | 2021-05-28 | 中铁上海设计院集团有限公司 | 依据沉降速率的不同时序差分干涉地面沉降测量融合方法 |
| 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 |
| CN114966692A (zh) * | 2022-07-19 | 2022-08-30 | 之江实验室 | 基于Transformer的InSAR技术冻土区多变量时序形变预测方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109992847A (zh) * | 2019-03-14 | 2019-07-09 | 桂林电子科技大学 | 一种混合机器学习模型的滑坡位移预测方法 |
| CN110378070A (zh) * | 2019-08-05 | 2019-10-25 | 成都理工大学 | 基于pso-svr与des联合的滑坡位移预测方法 |
-
2020
- 2020-04-10 CN CN202010280105.2A patent/CN111337923A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109992847A (zh) * | 2019-03-14 | 2019-07-09 | 桂林电子科技大学 | 一种混合机器学习模型的滑坡位移预测方法 |
| CN110378070A (zh) * | 2019-08-05 | 2019-10-25 | 成都理工大学 | 基于pso-svr与des联合的滑坡位移预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| FU REN 等: "Application of wavelet analysis and a particle swarm-optimized support vector machine to predict the displacement of the Shuping landslide in the Three Gorges, China", 《ENVIRONMENTAL EARTH SCIENCES》 * |
| 周超: "集成时间序列InSAR技术的滑坡早期识别与预测研究", 《中国优秀博硕士学位论文全文数据库（博士） 基础科学辑（月刊）》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111929683A (zh) * | 2020-07-28 | 2020-11-13 | 中国自然资源航空物探遥感中心 | 滑坡形变聚集区预测模型生成方法和滑坡形变聚集区预测方法 |
| CN112581725A (zh) * | 2020-12-08 | 2021-03-30 | 重庆邮电大学 | 一种基于NBIOT与LoRa双模通信的山体滑坡预警监测系统 |
| CN112857312A (zh) * | 2021-03-31 | 2021-05-28 | 中铁上海设计院集团有限公司 | 依据沉降速率的不同时序差分干涉地面沉降测量融合方法 |
| 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 |
| CN114966692A (zh) * | 2022-07-19 | 2022-08-30 | 之江实验室 | 基于Transformer的InSAR技术冻土区多变量时序形变预测方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111337923A (zh) | 一种时序InSAR数据建立滑坡形变时程模型的方法 | |
| Huang et al. | BIM, machine learning and computer vision techniques in underground construction: Current status and future perspectives | |
| CN107655457B (zh) | 一种基于遥感卫星图像的泥石流地质灾害识别方法 | |
| CN113256562B (zh) | 基于雷达图像和人工智能的道路地下隐患检测方法和系统 | |
| Li et al. | Integrated use of spatial and semantic relationships for extracting road networks from floating car data | |
| CN105444730A (zh) | 多源数据监测矿区形变的时空特性及越界开采识别方法 | |
| CN104656098A (zh) | 一种遥感森林生物量反演的方法 | |
| CN104899562A (zh) | 基于纹理分割融合的雷达遥感影像人工建筑识别算法 | |
| AU2018273815B2 (en) | Automated pipeline construction modelling | |
| Kalenjuk et al. | Processing of mobile laser scanning data for large‐scale deformation monitoring of anchored retaining structures along highways | |
| Zong et al. | A deep learning approach for urban underground objects detection from vehicle-borne ground penetrating radar data in real-time | |
| Uhl et al. | Towards the automated large-scale reconstruction of past road networks from historical maps | |
| CN114036841A (zh) | 基于半监督支持向量机模型的滑坡易发性预测方法及系统 | |
| CN116975576A (zh) | 基于关键信息统计的山区公路地质灾害危险性评价方法 | |
| Lague | Terrestrial laser scanner applied to fluvial geomorphology | |
| CN112097733A (zh) | InSAR技术与地理探测器结合的地表形变监测方法 | |
| CN103218614A (zh) | 基于流形学习和粗糙集相结合的强对流天气识别方法 | |
| Liu et al. | Spatial-temporal hidden Markov model for land cover classification using multitemporal satellite images | |
| Qin et al. | Development and application of an intelligent robot for rock mass structure detection: A case study of Letuan tunnel in Shandong, China | |
| Chen et al. | A critical review of automated extraction of rock mass parameters using 3D point cloud data | |
| CN111881566B (zh) | 基于实景仿真的滑坡位移检测方法及装置 | |
| CN117275209A (zh) | 一种基于分布式光纤声波传感的监测预警方法以及相关装置 | |
| Saydam et al. | A coarse-to-fine approach for rock bolt detection from 3D point clouds | |
| Luo et al. | High-precise water extraction based on spectral-spatial coupled remote sensing information | |
| Teichtmann | A proof of concept for mapping environmental change in areas of resource extraction at the source of energy transition supply chains. |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200626 |