CN111461009A - 基于高分sar技术的滑坡风险评估方法、装置及电子设备 - Google Patents

基于高分sar技术的滑坡风险评估方法、装置及电子设备 Download PDF

Info

Publication number
CN111461009A
CN111461009A CN202010247780.5A CN202010247780A CN111461009A CN 111461009 A CN111461009 A CN 111461009A CN 202010247780 A CN202010247780 A CN 202010247780A CN 111461009 A CN111461009 A CN 111461009A
Authority
CN
China
Prior art keywords
landslide
area
monitored
risk assessment
image 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.)
Granted
Application number
CN202010247780.5A
Other languages
English (en)
Other versions
CN111461009B (zh
Inventor
谢瀚
况长虹
胡文蓉
张帅毅
吴雨
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.)
Sichuan Jiuzhou Beidou Navigation And Position Service Co ltd
Original Assignee
Sichuan Jiuzhou Beidou Navigation And Position Service Co ltd
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 Sichuan Jiuzhou Beidou Navigation And Position Service Co ltd filed Critical Sichuan Jiuzhou Beidou Navigation And Position Service Co ltd
Priority to CN202010247780.5A priority Critical patent/CN111461009B/zh
Publication of CN111461009A publication Critical patent/CN111461009A/zh
Application granted granted Critical
Publication of CN111461009B publication Critical patent/CN111461009B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Data Mining & Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Mathematics (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Remote Sensing (AREA)
  • Astronomy & Astrophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)

Abstract

本申请提供一种基于高分SAR技术的滑坡风险评估方法、装置及电子设备，包括：获取待监测区域的影像数据；根据所述影像数据，确定出所述待监测区域的土地利用类型；在所述土地利用类型不为水体时，根据所述影像数据，确定出所述待监测区域中的地质参数的值；将所述地质参数的值输入预先构建的滑坡灾害风险评估模型中，得到所述待监测区域的滑坡风险评估指数，由于待监测区域的地质参数与待监测区域的滑坡风险程度具有较强的关联关系，因此，通过将待监测区域的地质参数的值输入到根据地质参数构建的风险评估模型中，能够确定出待监测区域的滑坡风险评估指数，以实现对待监测区域的滑坡风险评估。

Description

基于高分SAR技术的滑坡风险评估方法、装置及电子设备
技术领域
本申请涉及地质灾害监测技术领域，具体而言，涉及一种基于高分SAR技术的滑坡风险评估方法、装置及电子设备。
背景技术
我国是一个地质灾害多发的国家。据自然资源部统计，2018年全国共发生地质灾害2966起，造成人员伤亡180余人，直接经济损失14.7亿元，其中，滑坡灾害发生频率高、危险系数高，而且造成的损失极大，因此，应当加强对滑坡灾害的调查与监测，以对滑坡灾害给出合理评估，继而能够为公路、铁路等的正常运营，以及人民的生命安全提高保障。
申请内容
鉴于此，本申请实施例的目的在于提供一种基于高分SAR技术的滑坡风险评估方法、装置及电子设备，以实现对待监测区域的滑坡风险评估。
第一方面，本申请实施例提供一种基于高分SAR技术的滑坡风险评估方法，所述方法包括：获取待监测区域的影像数据；根据所述影像数据，确定出所述待监测区域的土地利用类型；在所述土地利用类型不为水体时，根据所述影像数据，确定出所述待监测区域中的地质参数的值；将所述地质参数的值输入预先构建的滑坡灾害风险评估模型中，得到所述待监测区域的滑坡风险评估指数。
由于在待监测区域的土地利用类型为水体时，待监测区域不会存在滑坡风险，在待监测区域的土地利用类型不为水体时，待监测区域可能会存在滑坡风险，同时，由于待监测区域的地质参数与待监测区域的滑坡风险程度具有较强的关联关系，因此，在上述实现过程中，通过对待监测区域的影像数据进行分析，确定出待监测区域的土地利用类型，从而在所述土地利用类型不为水体时，根据所述影像数据，确定出所述待监测区域中的地质参数的值，继而通过将所述地质参数的值输入到根据所述地质参数构建的风险评估模型中，确定出所述待监测区域的滑坡风险评估指数，以实现对待监测区域的滑坡风险评估。
基于第一方面，在一种可能的设计中，得到所述待监测区域的滑坡风险评估指数之后，所述方法还包括：根据所述滑坡风险评估指数，确定是否需要进行风险预警。
由于滑坡风险评估指数直接影响是否需要进行滑坡灾害风险预警，因此，在上述实现过程中，利用风险评估指数来进一步确定是否需要进行风险预警，以便于工作人员能够快速得到风险预警结果。
基于第一方面，在一种可能的设计中，所述根据所述滑坡风险评估指数，确定是否需要进行风险预警，包括：根据所述待监测区域在不同时间序列的影像数据，确定出与各个时间序列对应的数字高程模型；根据所述数字高程模型，确定出所述待监测区域的滑坡形变指数方向向量；根据所述滑坡形变指数方向向量和所述滑坡风险评估指数，确定是否需要进行风险预警。
由于滑坡的形变情况对是否需要进行风险预警有着一定的决定性作用，因此，在上述实现过程中，根据待监测区域在不同时间序列的影像数据确定出的数字高程模型，确定出待监测区域的滑坡形变指数方向向量，继而根所述方向向量和所述滑坡风险评估指数，准确地确定是否需要进行风险预警。
基于第一方面，在一种可能的设计中，根据所述滑坡形变指数方向向量和所述滑坡风险评估指数，确定是否需要进行风险预警，包括：根据所述滑坡形变指数方向向量，确定所述滑坡形变指数方向向量的模；根据所述滑坡形变指数方向向量的模和所述滑坡风险评估指数，确定是否需要进行风险预警。
由于滑坡形变指数方向向量的模的大小与是否需要进行风险预警相关，因此，在上述实现过程中，根据所述滑坡形变指数方向向量的模和所述滑坡风险评估指数，能够更准确地确定是否需要进行风险预警。
基于第一方面，在一种可能的设计中，根据所述滑坡形变指数方向向量和所述滑坡风险评估指数，确定是否需要进行风险预警，包括：根据所述滑坡形变指数方向向量，确定出向量之间的向量夹角；根据所述向量夹角和所述滑坡风险评估指数，确定是否需要进行风险预警。
由于滑坡形变指数方向向量之间的夹角的大小与是否需要进行风险预警相关，因此，在上述实现过程中，根据所述向量夹角和所述滑坡风险评估指数，能够更准确地确定是否需要进行风险预警。
基于第一方面，在一种可能的设计中，所述影像数据为高分遥感影像数据。
在上述实现过程中，由于所述影像数据为高分遥感影像数据，保证所述影像数据的分辨率，继而能够利用所述影像数据更准确地确定出待监测区域中的地质参数的值。
基于第一方面，在一种可能的设计中，所述地质参数包括：地表坡度、内摩擦角、土壤粘聚力、土壤密度、水流长度和水体密度，所述预先构建的滑坡灾害风险评估模型为：
Figure BDA0002433217380000031
其中，Slide表征所述滑坡风险评估指数；Lt表征所述土地利用类型；θ表征所述地表坡度；
Figure BDA0002433217380000032
表征所述内摩擦角；a表征所述影像数据中的一个像素点对应的地理面积；b代表所述对应的面积内水流长度；c表征所述土壤黏聚力；γs表征所述土壤密度；γw表征所述水体密度，Z表征土壤厚度。
由于风险评估指数与土地利用类型、地表坡度、内摩擦角、土壤粘聚力、土壤密度、水流长度、水体密度和所述影像数据中的一个像素点对应的地理面积存在关联关系，因此，在上述实现过程中，在构建风险评估模型时，充分考虑了风险评估指数与土地利用类型、地表坡度、内摩擦角、土壤粘聚力、土壤密度、水流长度、水体密度和所述影像数据中的一个像素点对应的地理面积的关系，保证构建出的风险评估模型的合理性，继而保证所述待监测区域的风险评估指数的准确性。
第二方面，本申请实施例提供一种基于高分SAR技术的滑坡风险评估装置，所述装置包括：影像数据获取单元，用于获取待监测区域的影像数据；土地利用类型确定单元，用于根据所述影像数据，确定出所述待监测区域的土地利用类型；地质参数确定单元，用于在所述土地利用类型不为水体时，根据所述影像数据，确定出所述待监测区域中的地质参数的值；风险评估指数确定单元，用于将所述地质参数的值输入预先构建的滑坡灾害风险评估模型中，得到所述待监测区域的滑坡风险评估指数。
基于第二方面，在一种可能的设计中，所述装置还包括：风险预警单元，用于根据所述滑坡风险评估指数，确定是否需要进行风险预警。
基于第二方面，在一种可能的设计中，所述风险预警单元，包括：模型确定单元，用于根据所述待监测区域在不同时间序列的影像数据，确定出与各个时间序列对应的数字高程模型；方向向量确定单元，用于根据所述数字高程模型，确定出所述待监测区域的滑坡形变指数方向向量；预警单元，用于根据所述滑坡形变指数方向向量和所述滑坡风险评估指数，确定是否需要进行风险预警。
基于第二方面，在一种可能的设计中，所述预警单元，具体用于根据所述滑坡形变指数方向向量，确定所述滑坡形变指数方向向量的模；以及根据所述滑坡形变指数方向向量的模和所述滑坡风险评估指数，确定是否需要进行风险预警。
基于第二方面，在一种可能的设计中，所述预警单元，还用于根据所述滑坡形变指数方向向量，确定出向量之间的向量夹角；以及根据所述向量夹角和所述滑坡风险评估指数，确定是否需要进行风险预警。
基于第二方面，在一种可能的设计中，所述影像数据为高分遥感影像数据。
基于第二方面，在一种可能的设计中，所述地质参数包括：地表坡度、内摩擦角、土壤粘聚力、土壤密度、水流长度和水体密度，所述预先构建的滑坡灾害风险评估模型为：
Figure BDA0002433217380000051
其中，Slide表征所述滑坡风险评估指数；Lt表征所述土地利用类型；θ表征所述地表坡度；
Figure BDA0002433217380000052
表征所述内摩擦角；a表征所述影像数据中的一个像素点对应的地理面积；b代表所述对应的面积内水流长度；c表征所述土壤黏聚力；γs表征所述土壤密度；γw表征所述水体密度，Z表征土壤厚度。
第三方面，本申请实施例提供一种电子设备，包括处理器以及与所述处理器连接的存储器，所述存储器内存储计算机程序，当所述计算机程序被所述处理器执行时，使得所述电子设备执行第一方面所述的方法。
第四方面，本申请实施例提供一种存储介质，所述存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行第一方面所述的方法。
本申请的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请实施例了解。本申请的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
图1为本申请实施例提供的基于高分SAR技术的滑坡风险评估方法的流程示意图。
图2为本申请实施例提供的基于高分SAR技术的滑坡风险评估装置的结构示意图。
图3为本申请实施例提供的待监测区域的示意图。
图4为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面将结合本申请实施例中附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
请参照图1，图1为本申请实施例提供的一种基于高分合成雷达孔径(SyntheticAperture Radar，SAR)技术的滑坡风险评估方法的流程图，下面将对图1所示的流程进行详细阐述，所述方法包括：
S11：获取待监测区域的影像数据。
S12：根据所述影像数据，确定出所述待监测区域的土地利用类型。
S13：在所述土地利用类型不为水体时，根据所述影像数据，确定出所述待监测区域中的地质参数的值。
S14：将所述地质参数的值输入预先构建的滑坡灾害风险评估模型中，得到所述待监测区域的滑坡风险评估指数。
下面对上述方法进行详细介绍。
S11：获取待监测区域的影像数据。
其中，所述影像数据为利用高分三号卫星、合成孔径雷达等对待监测区域进行拍摄所获得的高分遥感影像数据，也可以为利用普通的卫星遥感设备对待监测区域进行拍摄所获得的遥感影像数据，也可以为利用安装于待监测区域的摄像头对待监测区域进行拍摄所获得的影像数据。
作为一种实施方式，S11通过获取待监测区域在一个时间序列中的影像数据实施。其中，若S11通过获取待监测区域在一个时间序列中的影像数据实施，则根据影像数据执行步骤S12-S14得到所述待监测区域的滑坡风险评估指数。
作为另一种实施方式，S11也可以通过获取待监测区域在不同时间序列中的影像数据实施。其中，针对所述待监测区域，一个时间序列对应一个影像数据。
其中，在本实施例中，获取待监测区域的不同时间序列中的影像数据可以例如为获取待监测区域在N个时间序列中的影像数据。其中，N为大于等于2的正整数，N可以为2，3，4等。
其中，若S11通过获取待监测区域在不同时间序列中的影像数据实施，则利用所述不同时间序列中的每个时间序列的影像数据单独执行步骤S12-S14，可以理解的是，针对每个影像数据均可以得到一个滑坡风险评估指数，继而得到多个滑坡风险评估指数，继而将所述多个滑坡风险评估指数的均值作为最终的评估指数，也可以将所述多个滑坡风险评估指数的最大值作为最终的评估指数。在其他实施例中，也可以采用其他方式确定所述待监测区域的滑坡风险评估指数。
在得到所述影像数据之后，执行步骤S12。
S12：根据所述影像数据，确定出所述待监测区域的土地利用类型。
作为一种实施方式，在S11通过获取所述待监测区域在一个时间序列的影像数据实施时，S12可以按照如下方式实施，基于决策树的遥感影像分类方法或其他分类方法对所述影像数据进行分类，提取出监测区域范围内土地利用类型空间分布图(包括雪地、林地、草地、湿地、农田、居民地、水体、道路及其它中的一种、两种或多种)，如表1所示。
Figure BDA0002433217380000081
表1影像分类结果
作为另一种实施方式，在S11通过获取待监测区域在不同时间序列的影像数据实施时，S12可以按照如下方式实施，在实际实施过程中，所述待监测区域在所述不同时间序列中的土地利用类型不会发生变化，因此，利用所述不同时间序列中的一个时间序列的影像数据就能确定所述待监测区域的土地利用类型，其中，利用一个时间序列的影像数据确定所述待监测区域的土地类型的方式如上所示，在此不再赘述。
其中，在该监测区域的土地利用类型为水体时，表征该监测区域全部为水，此时，不会发生滑坡风险；反之，在该监测区域的土地利用类型不为水体时，该监测区域才可能会发生滑坡风险，因此，在所述土地利用类型不为水体时，需要进一步确定监测区域的滑坡风险评估指数，继而执行步骤S13。
S13：在所述土地利用类型不为水体时，根据所述影像数据，确定出所述待监测区域中的地质参数的值。
作为一种实施方式，在所述待监测区域的土地利用类型为一种，且不为水体时，根据所述影像数据，确定出所述待监测区域中的地质参数的值。
作为一种实施方式，所述待监测区域的土地利用类型包括至少两种，且不包括水体时，按照土地利用类型，在所述影像数据中将所述待监测区域进行进一步划分，得到至少两个子监测区域，以保证每个子监测区域的土地利用类型为一种，针对所述至少两个子监测区域中的每个子监测区域，根据该子监测区域的影像数据，确定出该子监测区域中的地质参数的值，针对每个子监测区域，利用该子监测区域的地质参数的值执行步骤S14，得到该子监测区域的滑坡风险评估指数，继而得到监测区域的滑坡风险评估指数。
其中，所述地质参数可以为地表坡度和内摩擦角或土壤粘聚力、土壤密度、水流长度和水体密度中的一种或多种。
在所述土地利用类型不为水体时，对所述影像数据进行图像处理，确定出所述待监测区域中的地质参数的值。
其中，监测区域内的土壤粘聚力、土壤密度和水体密度的值为预先通过采取监测区域内的土和水的样本确定出的，在后续监测时，默认该监测区域内的土壤粘聚力、土壤密度和水体密度的值保持不变，并非根据影像数据确定出的；地表坡度、内摩擦角和水流长度的值是根据影像数据确定出的，其中，根据监测区域的影像数据确定监测区域中的地表坡度、内摩擦角和水流长度的值的确定方式为本领域熟知技术，因此，在此不再赘述。
S14：将所述地质参数的值输入预先构建的滑坡灾害风险评估模型中，得到所述待监测区域的滑坡风险评估指数。
作为一种实施方式，所述地质参数包括：地表坡度、内摩擦角、土壤粘聚力、土壤密度、水流长度和水体密度，所述预先构建的滑坡灾害风险评估模型为：
Figure BDA0002433217380000091
其中，Slide表征所述滑坡风险评估指数；Lt表征所述土地利用类型；θ表征所述地表坡度；
Figure BDA0002433217380000092
表征所述内摩擦角；a表征所述影像数据中的一个像素点对应的地理面积(平方米)；b代表所述对应的面积内水流长度(单位m)；c表征所述土壤黏聚力；γs表征所述土壤密度；γw表征所述水体密度，Z表征土壤厚度(单位m)，其为常量。
其中，确定所述风险评估模型的具体实施方式为：
基于广义摩尔-库仑破坏准则为基本原理，得到等式(1)
γsZcosθsinθ＝c+(γsZcos2θ-γwZwcos2θ)tanφ (1)
其中，请参照图2，θ表征待监测区域的地表坡度，即滑坡与水平地表面之间的夹角；
Figure BDA0002433217380000101
表征待监测区域的内摩擦角，即土壤颗粒之间相互移动或胶合作用形成的摩擦特性；c表征所述待监测区域的土壤黏聚力；γs表征所述待监测区域的土壤密度；γw表征所述待监测区域的水体密度，Z表征所述待监测区域的土壤厚度(单位m)；Zw为所述待监测区域的地下水位高度(m)。
将上式(1)整理后，得到等式(2)
Figure BDA0002433217380000102
式中：Zw为地下水位高度(m)；Z为土壤厚度(m)；γs为土体密度(kg/m3)；γw为水体密度(kg/m3)；φ为内摩擦角即土壤颗粒之间相互移动或胶合作用形成的摩擦特性(°)；θ为坡度(°)；c为土壤黏聚力(kPa)。
Dietrich与Montgomery利用稳定的降雨为基础，结合分布式生态水文模型进行运算，并假设自然降雨与湿度空间分布有关联，将达西定律方程式转换为等式(3)
qa＝kZwcosθsinθb (3)
其中，b代表所述对应的面积内水流长度(单位m)；q为有效降雨量(mm)，k为常量。
在饱和土壤的浅层地表下径流中，根据土壤导水系数T，T为常量和土壤厚度Z的关系，得到等式(4)
Tbsinθ＝kZcosθsinθb (4)
结合等式(3)和等式(4)，可以得到等式(5)：
Figure BDA0002433217380000111
其中，w为湿度指数。
结合水文模型(等式5)和无限边坡稳定性模型(等式2)，得到新的斜坡稳定计算模型式(6)：
Figure BDA0002433217380000112
由于土地利用类型会影响边坡稳定性，因此在公式(6)中引入土地利用类型参数Lt，并对其取对数，得到新的边坡稳定性指数公式(7)：
Figure BDA0002433217380000113
其中，风险评估模型根据地质参数的种类而确定，在地质参数的种类发生变化时，风险评估模型也会发生变化，因此，在所述地质参数为地表坡度和内摩擦角或土壤粘聚力、土壤密度、水流长度和水体密度中的一种或多种时，所述风险评估模型的表达式为其他。
作为一种实施方式，在S14之后，所述方法还包括步骤：A。
A：根据所述滑坡风险评估指数，确定是否需要进行风险预警。
将滑坡风险等级分为以下5个等级，如表2所示，其中，K1-K5的取值为经验值。
Figure BDA0002433217380000114
表2滑坡风险评估等级分类
作为一种实施方式，确定所述滑坡风险评估指数是否小于第一预设值，在所述滑坡风险评估指数小于等于所述第一预设值时，确定需要进行风险预警，反之，确定不需要进行风险预警，其中，所述第一预设值为经验值K3，也可以为K2或K1。
作为一种实施方式，在S11通过获取所述待监测区域在不同时间序列中的影像数据实施时，步骤A包括步骤：A11、A12和A13。
A11：根据所述待监测区域在不同时间序列的影像数据，确定出与各个时间序列对应的数字高程模型。
其中，相邻两个时间序列的最大时间间隔小于等于第一预设时长，其中，所述第一预设时长可以为3天，5天，10天，1个月等，且需保证监测区域内的土地利用类型在所述不同时间序列内不会发生变化，在本申请实施例中，所述预设时长为5天，其中，所述预设时长太长或者太短均会影响风险预警结果的准确性。
在得到不同时间序列的影像数据之后，按照时间先后顺序，对所述不同时间序列的影像数据进行排序，根据空间交会方法和迭代的方法对排序结果中的任意两个相邻时间序列的影像数据进行处理，确定出任意两个相邻时间序列的影像数据对应的数字高程模型，其中，确定数字高程模型的具体实施方式为本领域熟知技术，因此，在此不再赘述。
例如，在所述不同时间序列的影像数据的排序结果为S1、S2和S3时，采用空间交会和迭代的方法对相邻时间序列的影像数据S1和S2进行处理，提取监测区域范围数字高程模型，得到的数字高程模型为DEMs2-s1；采用空间交会和迭代的方法对相邻时间序列的影像数据S2和S3进行处理，提取监测区域范围数字高程模型，得到的数字高程模型为DEMs3-s2。
在得到各个时间序列对应的数字高程模型之后，执行步骤A12。
A12：根据所述数字高程模型，确定出所述待监测区域的滑坡形变指数方向向量。
针对待监测区域中的每个地理位置，根据影像坐标系空间坐标，按照时间序列的先后顺序，确定出第i组相邻的三个时间序列的影像数据对应的两个数字高程模型中的高程数据之间的差值向量，该差值向量为该地理位置在第i个时间节点的第一滑坡形变指数方向向量；其中，多个所述第一滑坡形变指数方向向量构成所述滑坡形变指数方向向量。其中，所述第一滑坡形变指数方向向量包括：监测区域滑坡在X轴、Y轴和Z轴(即垂直于滑坡的方向)的方向向量(DXi，DYi，DZi)。所述第一滑坡形变指数方向向量也可以包括：监测区域滑坡在X轴和Y轴的方向向量。
假设在所述N个时间序列的影像数据的排序结果为S1、S2、S3和S4，根据S1和S2确定出的数字高程模型为DEMs2-s1，根据S2和S3确定出的数字高程模型为DEMs3-s2，根据S3和S4确定出的数字高程模型为DEMs4-s3，那么，按照时间序列的先后顺序，第1组相邻的三个时间序列对应的影像数据S1、S2和S3对应的两个数字高程模型为DEMs2-s1和DEMs3-s2，DEMs2-s1和DEMs3-s2之间的差向量为第1个时间节点的滑坡形变指数方向向量，第2组相邻的三个时间序列对应的影像数据S2、S3和S4对应的两个数字高程模型为DEMs3-s2和DEMs4-s3，其中，DEMs3-s2和DEMs4-s3之间的差向量为第2个时间节点的滑坡形变指数方向向量。
A13：根据所述滑坡形变指数方向向量和所述滑坡风险评估指数，确定是否需要进行风险预警。
在获取到所述滑坡形变指数方向向量之后，作为一种实施方式，步骤A包括步骤：A21和A22。
A21：根据所述滑坡形变指数方向向量，确定所述滑坡形变指数方向向量的模。
针对第i个时间节点对应的多个第一滑坡形变指数方向向量中的每个方向向量，确定出该方向向量的模ddi，
Figure BDA0002433217380000141
可以理解的是，第i个时间节点对应的ddi有多个，一个第一滑坡形变指数方向向量对应一个ddi。因此，可以理解的是，所述滑坡形变指数方向向量的模的值包括多个。
A22：根据所述滑坡形变指数方向向量的模和所述滑坡风险评估指数，确定是否需要进行风险预警。
在所述滑坡形变指数方向向量的模均大于等于第二预设值或者所述滑坡形变指数方向向量的模的绝对值大于等于所述第二预设值，且所述滑坡风险评估指数小于等于第一预设值时，确定需要进行风险预警，反之，确定不需要进行风险预警。其中，所述第二预设值为经验值，可以为5mm、10mm、20mm、40mm等。
作为一种实施方式，步骤A包括步骤：A31和A32。
A31：根据所述滑坡形变指数方向向量，确定出向量之间的向量夹角。
针对监测区域中的每个地理位置，确定出相邻两个时间节点的滑坡形变指数方向向量之间的向量夹角，例如，确定第i个时间节点的滑坡形变指数方向向量和第i+1个时间节点的滑坡形变指数方向向量之间的向量夹角βi的表达式为βi＝arccos((DXi×DXi+1+DYi×DYi+1+DZi×DZi+1)/(ddi×ddi+1))。可以理解的是βi的值有多个。
A32：根据所述向量夹角和所述滑坡风险评估指数，确定是否需要进行风险预警。
在确定所述向量夹角均小于等于预设角度或者所述向量夹角的绝对值小于等于所述预设角度，且所述滑坡风险评估指数小于等于第一预设值时，确定需要进行风险预警，反之，确定不需要进行风险预警。
为了更准确地确定是否需要进行预警，作为一种实施方式，根据所述方向向量的模、所述方向向量的夹角和所述滑坡风险评估指数，确定是否需要进行风险预警。
在所述滑坡形变指数方向向量的模均大于等于第二预设值或者所述滑坡形变指数方向向量的模的绝对值大于等于所述第二预设值，所述向量夹角均小于等于预设角度或者所述向量夹角的绝对值小于等于所述预设角度，且所述滑坡风险评估指数小于等于第一预设值时，确定需要进行风险预警，反之，确定不需要进行风险预警。
请参照图3，图3是本申请实施例提供的一种基于高分SAR技术的滑坡风险评估装置200的结构框图。下面将对图3所示的结构框图进行阐述，所示装置包括：
影像数据获取单元210，用于获取待监测区域的影像数据。
土地利用类型确定单元220，用于根据所述影像数据，确定出所述待监测区域的土地利用类型。
地质参数确定单元230，用于在所述土地利用类型不为水体时，根据所述影像数据，确定出所述待监测区域中的地质参数的值。
风险评估指数确定单元240，用于将所述地质参数的值输入预先构建的滑坡灾害风险评估模型中，得到所述待监测区域的滑坡风险评估指数。
作为一种实施方式，所述装置还包括：风险预警单元，用于根据所述滑坡风险评估指数，确定是否需要进行风险预警。
作为一种实施方式，所述风险预警单元，包括：模型确定单元，用于根据待监测区域在不同时间序列的影像数据，确定出与各个时间序列对应的数字高程模型；方向向量确定单元，用于根据所述数字高程模型，确定出所述待监测区域的滑坡形变指数方向向量；预警单元，用于根据所述滑坡形变指数方向向量和所述滑坡风险评估指数，确定是否需要进行风险预警。
作为一种实施方式，所述预警单元，具体用于根据所述滑坡形变指数方向向量，确定所述滑坡形变指数方向向量的模；以及根据所述滑坡形变指数方向向量的模和所述滑坡风险评估指数，确定是否需要进行风险预警。
作为一种实施方式，所述预警单元，还用于根据所述滑坡形变指数方向向量，确定出向量之间的向量夹角；以及根据所述向量夹角和所述滑坡风险评估指数，确定是否需要进行风险预警。
作为一种实施方式，所述影像数据为高分遥感影像数据。
作为一种实施方式，所述地质参数包括：地表坡度、内摩擦角、土壤粘聚力、土壤密度、水流长度和水体密度，所述预先构建的滑坡灾害风险评估模型为：
Figure BDA0002433217380000161
其中，Slide表征所述滑坡风险评估指数；Lt表征所述土地利用类型；θ表征所述地表坡度；
Figure BDA0002433217380000162
表征所述内摩擦角；a表征所述影像数据中的一个像素点对应的地理面积；b代表所述对应的面积内水流长度；c表征所述土壤黏聚力；γs表征所述土壤密度；γw表征所述水体密度。
本实施例对的各功能单元实现各自功能的过程，请参见上述图1-图3所示实施例中描述的内容，此处不再赘述。
请参照图4，本申请实施例提供一种电子设备100的结构示意图，电子设备100可以是个人电脑(personal computer，PC)、平板电脑、智能手机、个人数字助理(personaldigital assistant，PDA)等。
电子设备100可以包括：存储器102、处理101和通信总线，通信总线用于实现这些组件的连接通信。
所述存储器102用于存储本申请实施例提供的基于高分SAR技术的滑坡风险评估方法和装置对应的计算程序指令等各种数据，其中，存储器102可以是，但不限于，随机存取存储器(Random Access Memory，RAM)，只读存储器(Read Only Memory，ROM)，可编程只读存储器(Programmable Read-Only Memory，PROM)，可擦除只读存储器(ErasableProgrammable Read-Only Memory，EPROM)，电可擦除只读存储器(Electric ErasableProgrammable Read-Only Memory，EEPROM)等。
处理器101用于读取并运行存储于存储器中的基于高分SAR技术的滑坡风险评估方法和装置对应的计算机程序指令，以得到待监测区域的滑坡风险评估指数。
其中，处理器101可能是一种集成电路芯片，具有信号的处理能力。上述的处理器101可以是通用处理器，包括中央处理器(Central Processing Unit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
此外，本申请实施例还提供了一种存储介质，在该存储介质中存储有计算机程序，当所述计算机程序在计算机上运行时，使得所述计算机执行本申请任一项实施方式所提供的方法。
由于在待监测区域的土地利用类型为水体时，待监测区域不会存在滑坡风险，在待监测区域的土地利用类型不为水体时，待监测区域可能会存在滑坡风险，同时，由于待监测区域的地质参数与待监测区域的滑坡风险程度具有较强的关联关系，因此，综上所述，本申请各实施例提出的基于高分SAR技术的滑坡风险评估方法、装置及电子设备，通过对待监测区域的影像数据进行分析，确定出待监测区域的土地利用类型，继而在所述土地利用类型不为水体时，根据所述影像数据，确定出所述待监测区域中的地质参数的值，继而通过将所述地质参数的值输入到根据所述地质参数构建的风险评估模型中，确定出所述待监测区域的滑坡风险评估指数，以实现对待监测区域的滑坡风险评估。
在本申请所提供的实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的装置来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

Claims (10)

1.一种基于高分SAR技术的滑坡风险评估方法，其特征在于，所述方法包括：
获取待监测区域的影像数据；
根据所述影像数据，确定出所述待监测区域的土地利用类型；
在所述土地利用类型不为水体时，根据所述影像数据，确定出所述待监测区域中的地质参数的值；
将所述地质参数的值输入预先构建的滑坡灾害风险评估模型中，得到所述待监测区域的滑坡风险评估指数。
2.根据权利要求1所述的方法，其特征在于，得到所述待监测区域的滑坡风险评估指数之后，所述方法还包括：
根据所述滑坡风险评估指数，确定是否需要进行风险预警。
3.根据权利要求2所述的方法，其特征在于，所述根据所述滑坡风险评估指数，确定是否需要进行风险预警，包括：
根据所述待监测区域在不同时间序列的影像数据，确定出与各个时间序列对应的数字高程模型；
根据所述数字高程模型，确定出所述待监测区域的滑坡形变指数方向向量；
根据所述滑坡形变指数方向向量和所述滑坡风险评估指数，确定是否需要进行风险预警。
4.根据权利要求3所述的方法，其特征在于，根据所述滑坡形变指数方向向量和所述滑坡风险评估指数，确定是否需要进行风险预警，包括：
根据所述滑坡形变指数方向向量，确定所述方向向量的模；
根据所述滑坡形变指数方向向量的模和所述滑坡风险评估指数，确定是否需要进行风险预警。
5.根据权利要求3所述的方法，其特征在于，根据所述滑坡形变指数方向向量和所述滑坡风险评估指数，确定是否需要进行风险预警，包括：
根据所述滑坡形变指数方向向量，确定出向量之间的向量夹角；
根据所述向量夹角和所述滑坡风险评估指数，确定是否需要进行风险预警。
6.根据权利要求1所述的方法，其特征在于，所述影像数据为高分遥感影像数据。
7.根据权利要求1所述的方法，其特征在于，所述地质参数包括：地表坡度、内摩擦角、土壤粘聚力、土壤密度、水流长度和水体密度，所述预先构建的滑坡灾害风险评估模型为：
Figure FDA0002433217370000021
其中，Slide表征所述滑坡风险评估指数；Lt表征所述土地利用类型；θ表征所述地表坡度；
Figure FDA0002433217370000022
表征所述内摩擦角；a表征所述影像数据中的一个像素点对应的地理面积；b代表所述对应的面积内水流长度；c表征所述土壤黏聚力；γs表征所述土壤密度；γw表征所述水体密度，Z表征土壤厚度。
8.一种基于高分SAR技术的滑坡风险评估装置，其特征在于，所述装置包括：
影像数据获取单元，用于获取待监测区域在一时间序列中的影像数据；
土地利用类型确定单元，用于根据所述影像数据，确定出所述待监测区域的土地利用类型；
地质参数确定单元，用于在所述土地利用类型不为水体时，根据所述影像数据，确定出所述待监测区域中的地质参数的值；
风险评估指数确定单元，用于将所述地质参数的值输入预先构建的滑坡灾害风险评估模型中，得到所述待监测区域的滑坡风险评估指数。
9.一种电子设备，其特征在于，包括存储器以及处理器，所述存储器中存储有计算机程序指令，所述计算机程序指令被所述处理器读取并运行时，执行如权利要求1-7中任一项所述的方法。
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序指令，所述计算机程序指令被计算机读取并运行时，执行如权利要求1-7中任一项所述的方法。
CN202010247780.5A 2020-03-31 2020-03-31 基于高分sar技术的滑坡风险评估方法、装置及电子设备 Active CN111461009B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010247780.5A CN111461009B (zh) 2020-03-31 2020-03-31 基于高分sar技术的滑坡风险评估方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010247780.5A CN111461009B (zh) 2020-03-31 2020-03-31 基于高分sar技术的滑坡风险评估方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN111461009A true CN111461009A (zh) 2020-07-28
CN111461009B CN111461009B (zh) 2023-10-24

Family

ID=71685794

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010247780.5A Active CN111461009B (zh) 2020-03-31 2020-03-31 基于高分sar技术的滑坡风险评估方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN111461009B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2034147C1 (ru) * 1992-05-15 1995-04-30 Александр Яковлевич Егоров Способ натурного определения параметров сопротивления сдвигу пород в массиве
JP2004045158A (ja) * 2002-07-10 2004-02-12 Pasuko:Kk 地盤変動計測システム
JP2004133849A (ja) * 2002-10-15 2004-04-30 Akiyama Chosa Sekkei:Kk 警報装置
US20040215428A1 (en) * 2003-04-28 2004-10-28 Massachusetts Institute Of Technology Method for producing property-preserving variable resolution models of surfaces
CN102799756A (zh) * 2012-06-08 2012-11-28 冉启华 一种降雨作用下的滑坡预测方法
WO2013009160A2 (en) * 2011-07-11 2013-01-17 Universiti Sains Malaysia A geometric method for predicting landslide disaste
KR20160062470A (ko) * 2014-11-25 2016-06-02 대한민국(산림청 국립산림과학원장) 로지스틱 회귀모형을 이용하여 산사태를 예측하기 위한 장치 및 그 방법
CN108776851A (zh) * 2018-06-11 2018-11-09 广州地理研究所 一种暴雨诱发的浅层滑坡灾害预警阈值确定方法
CN109165424A (zh) * 2018-08-03 2019-01-08 四川理工学院 一种基于国产gf-1卫星数据的滑坡易发性评估方法
US20190051146A1 (en) * 2017-08-09 2019-02-14 Institute Of Mountain Hazards And Environment, Chinese Academy Of Sciences Three-dimensional multi-point multi-index early warning method for risk at power grid tower in landslide section
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
CN109584510A (zh) * 2018-11-30 2019-04-05 中国公路工程咨询集团有限公司 一种基于评估函数训练的道路高边坡滑坡灾害预警方法
CN110795832A (zh) * 2019-10-14 2020-02-14 武汉大学 一种滑坡灾害多源数据一体化综合实时监测方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2034147C1 (ru) * 1992-05-15 1995-04-30 Александр Яковлевич Егоров Способ натурного определения параметров сопротивления сдвигу пород в массиве
JP2004045158A (ja) * 2002-07-10 2004-02-12 Pasuko:Kk 地盤変動計測システム
JP2004133849A (ja) * 2002-10-15 2004-04-30 Akiyama Chosa Sekkei:Kk 警報装置
US20040215428A1 (en) * 2003-04-28 2004-10-28 Massachusetts Institute Of Technology Method for producing property-preserving variable resolution models of surfaces
WO2013009160A2 (en) * 2011-07-11 2013-01-17 Universiti Sains Malaysia A geometric method for predicting landslide disaste
CN102799756A (zh) * 2012-06-08 2012-11-28 冉启华 一种降雨作用下的滑坡预测方法
KR20160062470A (ko) * 2014-11-25 2016-06-02 대한민국(산림청 국립산림과학원장) 로지스틱 회귀모형을 이용하여 산사태를 예측하기 위한 장치 및 그 방법
US20190051146A1 (en) * 2017-08-09 2019-02-14 Institute Of Mountain Hazards And Environment, Chinese Academy Of Sciences Three-dimensional multi-point multi-index early warning method for risk at power grid tower in landslide section
CN108776851A (zh) * 2018-06-11 2018-11-09 广州地理研究所 一种暴雨诱发的浅层滑坡灾害预警阈值确定方法
CN109165424A (zh) * 2018-08-03 2019-01-08 四川理工学院 一种基于国产gf-1卫星数据的滑坡易发性评估方法
CN109584510A (zh) * 2018-11-30 2019-04-05 中国公路工程咨询集团有限公司 一种基于评估函数训练的道路高边坡滑坡灾害预警方法
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
CN110795832A (zh) * 2019-10-14 2020-02-14 武汉大学 一种滑坡灾害多源数据一体化综合实时监测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
石崇喜: "云南红土型滑坡室内试验研究", 《中国优秀硕士学位论文全文数据库（工程科技Ⅱ辑）》 *
石崇喜: "云南红土型滑坡室内试验研究", 《中国优秀硕士学位论文全文数据库（工程科技Ⅱ辑）》, 15 May 2012 (2012-05-15), pages 1 - 79 *
许石罗: "基于多源遥感影像的动态滑坡灾害空间预测模型研究", 《中国优秀博士学位论文全文数据库（工程科技Ⅱ辑）》 *
许石罗: "基于多源遥感影像的动态滑坡灾害空间预测模型研究", 《中国优秀博士学位论文全文数据库（工程科技Ⅱ辑）》, 15 July 2018 (2018-07-15), pages 1 - 132 *
郭加伟等: "迁移学习支持下的高分影像山地滑坡灾害解译模型", 《测绘科学技术学报》 *
郭加伟等: "迁移学习支持下的高分影像山地滑坡灾害解译模型", 《测绘科学技术学报》, vol. 33, no. 5, 13 January 2017 (2017-01-13), pages 496 - 501 *

Also Published As

Publication number Publication date
CN111461009B (zh) 2023-10-24

Similar Documents

Publication Publication Date Title
Machiwal et al. A review of GIS-integrated statistical techniques for groundwater quality evaluation and protection
Abuelgasim et al. Mapping soil salinity in arid and semi-arid regions using Landsat 8 OLI satellite data
Zheng et al. Crowdsourcing methods for data collection in geophysics: State of the art, issues, and future directions
Watson et al. Optimising NDWI supraglacial pond classification on Himalayan debris-covered glaciers
Berberoglu et al. Assessing different remote sensing techniques to detect land use/cover changes in the eastern Mediterranean
Pourghasemi et al. Application of weights-of-evidence and certainty factor models and their comparison in landslide susceptibility mapping at Haraz watershed, Iran
Jendryke et al. Putting people in the picture: Combining big location-based social media data and remote sensing imagery for enhanced contextual urban information in Shanghai
Kyoung et al. Dynamic characteristics of monthly rainfall in the Korean Peninsula under climate change
Mathews et al. Satellite scatterometer estimation of urban built-up volume: Validation with airborne lidar data
Stevenazzi et al. Groundwater vulnerability maps derived from a time-dependent method using satellite scatterometer data
Chen et al. Application of frequency ratio and weights of evidence models in landslide susceptibility mapping for the Shangzhou District of Shangluo City, China
Javari Spatial variability of rainfall trends in Iran
Karl et al. A technique for estimating rangeland canopy-gap size distributions from high-resolution digital imagery
Hamarash et al. Meteorological drought in semi-arid regions: A case study of Iran
Lin et al. Characteristics of long-term climate change and the ecological responses in central China
Jacobs et al. Time stability and variability of electronically scanned thinned array radiometer soil moisture during Southern Great Plains hydrology experiments
Ghurah et al. Temporal change detection of land use/land cover using GIS and remote sensing techniques in South Ghor Regions, Al-Karak, Jordan
Zhao et al. Assessment of wetland fragmentation in the middle reaches of the Heihe River by the type change tracker model
CN113870224A (zh) 一种洪水监测方法、系统、设备和介质
CN111461009B (zh) 基于高分sar技术的滑坡风险评估方法、装置及电子设备
Zhang et al. Multifractal analysis of measure representation of flood/drought grade series in the Yangtze Delta, China, during the past millennium and their fractal model simulation
Idowu et al. Spatiotemporal evaluation of flood potential indices for watershed flood prediction in the Mississippi River basin, USA
CN106204568A (zh) 极化sar图像人造目标提取方法
Guida et al. Post-disaster damage assessment through coherent change detection on SAR imagery
Shujun et al. Using fuzzy relations and GIS method to evaluate debris flow hazard

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