CN111595293A - 一种基于多源监测数据融合的地表形变监测方法与系统 - Google Patents

一种基于多源监测数据融合的地表形变监测方法与系统 Download PDF

Info

Publication number
CN111595293A
CN111595293A CN202010473695.0A CN202010473695A CN111595293A CN 111595293 A CN111595293 A CN 111595293A CN 202010473695 A CN202010473695 A CN 202010473695A CN 111595293 A CN111595293 A CN 111595293A
Authority
CN
China
Prior art keywords
data
field
observation
value
monitoring
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
Application number
CN202010473695.0A
Other languages
English (en)
Inventor
赵斌臣
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.)
Shandong Jiaotong University
Original Assignee
Shandong Jiaotong 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 Shandong Jiaotong University filed Critical Shandong Jiaotong University
Priority to CN202010473695.0A priority Critical patent/CN111595293A/zh
Publication of CN111595293A publication Critical patent/CN111595293A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/885—Radar or analogous systems specially adapted for specific applications for ground probing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Geophysics And Detection Of Objects (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明提供了一种基于多源监测数据融合的地表形变监测方法与系统，本发明通过采用以高精度水准沉降数据为主体的集合卡尔曼滤波同化方式，实现采动塌陷区的雷达影像差分面元沉降成果与离散实测水准数据的融合，实现采动区高精度监测，既保留了水准反演值在盆地中心的高精度，又因为融入了D‑InSAR差分数据，更保留了D‑InSAR数据在边界监测的优越性，实现了整个矿区高精度无缝沉陷监测，使得融合的地表沉降变形数据在空间上的过渡性更加吻合实际矿区变形区域。

Description

一种基于多源监测数据融合的地表形变监测方法与系统
技术领域
本发明涉及地表形变监测技术领域，特别是涉及一种基于多源监测数据融合的地表形变监测方法与系统。
背景技术
D-InSAR作为一种有效的面状监测技术，能够很好的反应监测区域地表形变信息，但由于受到大气延迟、轨道误差和失相干等多种因素影响，造成其监测结果在沉降量大而快的沉陷盆地附近精度远远的不如水准测量；而水准测量精度虽然较高，但是外业工作量繁重而且一次只能获取有限个离散点的沉降形变数据，难于精准把握沉降变形区域的变形特点和沉降范围。
因此，如何将上述两种数据优势进行互补，以达到实现高等级公路的高精度沉降变形监测，是本领域的重要研究方向。
发明内容
本发明的目的是提供一种基于多源监测数据融合的地表形变监测方法与系统，旨在解决现有技术中单一数据源在地表形变监测中存在精度低以及难于把握变形特点的问题，实现矿区高精度无缝沉陷监测，使得融合的地表沉降变形数据在空间上的过渡性更加吻合实际矿区变形区域。
为达到上述技术目的，本发明提供了一种基于多源监测数据融合的地表形变监测方法，所述方法包括以下操作：
选取背景场以及观测场数据，以D-InSAR差分沉降量作为背景场，以实测水准离散点沉降量的反演值作为观测场；
设定背景场误差，对背景场D-InSAR差分沉降值面元数据施加高斯扰动噪声，初始化生成背景场集合；
根据水准观测值到观测场的状态变量设定观测场误差，根据对观测场数据施加高斯扰动噪声，生成观测场集合；
根据背景场以及观测场集合求取增益矩阵系数，并根据增益矩阵系数求取融合数据分析场的同化值以及相应的误差协方差，通过同化值对路面沉降变形破坏进行监测。
优选地，所述背景场集合为：
Xb＝M(x)+w,w～N(0,W)
Xb为数据背景场状态量，x为D-InSAR差分面元数据沉降量，M取值为1，w是数学期望为0、方差为W的高斯噪声，W为背景场误差协方差。
优选地，所述观测场集合为：
Y0＝H(y)+v，v～N(0,R)
Y0为观测场，y为反演值，H为观测算子，由于试验中观测数据即为地表沉降值，则观测算子H为1，R为观测误差协方差，v为数学期望为0、方差为R的高斯噪声。
优选地，所述增益矩阵系数计算公式如下：
Figure BDA0002515130360000021
其中，Db表示样本数据的背景场误差方差，其计算公式如下：
Figure BDA0002515130360000022
Figure BDA0002515130360000023
为背景场状态变量集合中第i个样本数据的预报值，
Figure BDA0002515130360000024
为
Figure BDA0002515130360000025
的平均值：
Figure BDA0002515130360000026
优选地，所述融合数据分析场的同化值以及相应的误差协方差的计算公式如下：
Figure BDA0002515130360000027
Figure BDA0002515130360000028
Figure BDA0002515130360000029
为背景场状态变量集合中第i个样本数据的同化值，
Figure BDA00025151303600000210
为相应的误差协方差，
Figure BDA00025151303600000211
为
Figure BDA00025151303600000212
的平均值：
Figure BDA0002515130360000031
本发明还提供了一种基于多源监测数据融合的地表形变监测系统，所述系统包括：
数据选取模块，用于选取背景场以及观测场数据，以D-InSAR差分沉降量作为背景场，以实测水准离散点沉降量的反演值作为观测场；
背景场生成模块，用于设定背景场误差，对背景场D-InSAR差分沉降值面元数据施加高斯扰动噪声，初始化生成背景场集合；
观测场生成模块，用于根据水准观测值到观测场的状态变量设定观测场误差，根据对观测场数据施加高斯扰动噪声，生成观测场集合；
同化值获取模块，用于根据背景场以及观测场集合求取增益矩阵系数，并根据增益矩阵系数求取融合数据分析场的同化值以及相应的误差协方差，通过同化值对路面沉降变形破坏进行监测。
优选地，所述背景场集合为：
Xb＝M(x)+w,w～N(0,W)
Xb为数据背景场状态量，x为D-InSAR差分面元数据沉降量，M取值为1，w是数学期望为0、方差为W的高斯噪声，W为背景场误差协方差。
优选地，所述观测场集合为：
Y0＝H(y)+v，v～N(0,R)
Y0为观测场，y为反演值，H为观测算子，由于试验中观测数据即为地表沉降值，则观测算子H为1，R为观测误差协方差，v为数学期望为0、方差为R的高斯噪声。
优选地，所述增益矩阵系数计算公式如下：
Figure BDA0002515130360000032
其中，Db表示样本数据的背景场误差方差，其计算公式如下：
Figure BDA0002515130360000033
Figure BDA0002515130360000041
为背景场状态变量集合中第i个样本数据的预报值，
Figure BDA0002515130360000042
为
Figure BDA0002515130360000043
的平均值：
Figure BDA0002515130360000044
优选地，所述融合数据分析场的同化值以及相应的误差协方差的计算公式如下：
Figure BDA0002515130360000045
Figure BDA0002515130360000046
Figure BDA0002515130360000047
为背景场状态变量集合中第i个样本数据的同化值，
Figure BDA0002515130360000048
为相应的误差协方差，
Figure BDA0002515130360000049
为
Figure BDA00025151303600000410
的平均值：
Figure BDA00025151303600000411
发明内容中提供的效果仅仅是实施例的效果，而不是发明所有的全部效果，上述技术方案中的一个技术方案具有如下优点或有益效果：
与现有技术相比，本发明通过采用以高精度水准沉降数据为主体的集合卡尔曼滤波同化方式，实现采动塌陷区的雷达影像差分面元沉降成果与离散实测水准数据的融合，实现采动区高精度监测，既保留了水准反演值在盆地中心的高精度，又因为融入了D-InSAR差分数据，更保留了D-InSAR数据在边界监测的优越性，实现了整个矿区高精度无缝沉陷监测，使得融合的地表沉降变形数据在空间上的过渡性更加吻合实际矿区变形区域。
附图说明
图1为本发明实施例中所提供的一种基于多源监测数据融合的地表形变监测方法流程图；
图2为本发明实施例中所提供的集合卡尔曼滤波算法流程图；
图3为本发明实施例中所提供的一种基于多源监测数据融合的地表形变监测系统框图。
具体实施方式
为了能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
下面结合附图对本发明实施例所提供的一种基于多源监测数据融合的地表形变监测方法与系统进行详细说明。
如图1所示，本发明实施例公开了一种基于多源监测数据融合的地表形变监测方法，所述方法包括以下操作：
选取背景场以及观测场数据，以D-InSAR差分沉降量作为背景场，以实测水准离散点沉降量的反演值作为观测场；
设定背景场误差，对背景场D-InSAR差分沉降值面元数据施加高斯扰动噪声，初始化生成背景场集合；
根据水准观测值到观测场的状态变量设定观测场误差，根据对观测场数据施加高斯扰动噪声，生成观测场集合；
根据背景场以及观测场集合求取增益矩阵系数，并根据增益矩阵系数求取融合数据分析场的同化值以及相应的误差协方差，通过同化值对路面沉降变形破坏进行监测。
本发明实施例为充分利用高分辨率雷达影像和高精度水准成果，更好的研究采动区地表形变，将合成孔径雷达干涉测量监测成果与同步实测水准沉降成果利用集合卡尔曼滤波算法同化技术开展数据融合试验研究，实现采动区高精度监测的目的。
集合卡尔曼滤波能够将连续监测数据与模型预测数据很好融合，而且主体数据观测精度越高，同化系统估计的成果准确性就越高。因此，为获得采动沉陷区精度更高的面元沉降成果，采用以高精度水准沉降数据为主体的集合卡尔曼滤波同化方式，实现采动塌陷区的雷达影像差分面元沉降成果与离散实测水准数据的融合。
在观测数据中施设扰动高斯白噪声来加强滤波器的稳定性能。由于在数据同化系统运行期间，若给定状态变量背景场和外业观测数据的误差协方差合理，就能够大大提高数据同化系统的性能指标，计算的数据同化精度也远远超出协方差为0时的同化值精度。
在实验数据的选取上，以D-InSAR差分沉降量作为背景场，对于观测场，以实测水准离散点沉降量为基础，结合遗传算法反演概率积分法的预计参数，以此参数为基础，利用概率积分法预计采动工作面的区域沉降变形量，即反演值，作为观测场，通过集合卡尔曼滤波算法对背景场以及观测场进行融合，如图2所示。
设定背景场误差，根据D-InSAR差分沉降值面元数据计算出背景场集合：
Xb＝M(x)+w,w～N(0,W)
Xb为数据背景场状态量，x为D-InSAR差分面元数据沉降量，M取值为1，w是数学期望为0、方差为W的高斯噪声，W为背景场误差协方差。
初始化生成背景场状态集合，对背景场样本数据施加高斯扰动噪声，产生背景场的状态数据集合，这N个状态变量
Figure BDA0002515130360000061
样本误差符合高斯分布。
根据区域水准观测值到观测场的状态变量设定观测场误差，
Y0＝H(y)+v，v～N(0,R)
Y0为观测场，y为反演值，H为观测算子，由于试验中观测数据即为地表沉降值，则观测算子H为1，R为观测误差协方差，v为数学期望为0、方差为R的高斯噪声。
观测样本数据初始化，产生观测场数据集合。对观测场样本数据施加高斯扰动噪声，产生观测场的数据集合，这N个状态变量Yi(i＝1,2,…,N)样本误差符合高斯分布。
求取增益矩阵系数：
Figure BDA0002515130360000071
其中，Db表示样本数据的背景场误差方差，其计算公式如下：
Figure BDA0002515130360000072
Figure BDA0002515130360000073
为背景场状态变量集合中第i个样本数据的预报值，
Figure BDA0002515130360000074
为
Figure BDA0002515130360000075
的平均值，
Figure BDA0002515130360000076
求取数据分析场及相应的误差协方差：
Figure BDA0002515130360000077
Figure BDA0002515130360000078
Figure BDA0002515130360000079
为背景场状态变量集合中第i个样本数据的分析值，
Figure BDA00025151303600000710
为
Figure BDA00025151303600000711
的平均值，
Figure BDA00025151303600000712
分析数据误差，如果利用集合卡尔曼滤波同化方法计算的样本分析值不满足预计效果，可通过对同化系统的一系列参数值进行调整，并重新计算，直到符合要求并输出分析值为止，完成此轮的数据同化工作，并继续下一时刻的计算，从而获得D-InSAR差分沉降数据与反演值融合的同化值。
为了准确衡量集合卡尔曼滤波系统的数据同化效果，在表1中对比了反演值、D-InSAR值和同化值的RMSE、r以及MAPE(平均绝对百分比误差)三个指标。其中，
Figure BDA00025151303600000713
式中H′i为第i个测点的水准，H′i为第i个测点的其他方式测量沉降成果，N为测点数。
表1
Figure BDA00025151303600000714
Figure BDA0002515130360000081
由表1可知，大部分同化值的RMSE、r、MAPE三个指标都优于D-InSAR与反演值，尤其各个时刻同化值的RMSE指标明显减小，满足高等级公路沉降变形监测小于25mm的精度要求，可以对路面沉降变形破坏进行监测。
本发明实施例通过采用以高精度水准沉降数据为主体的集合卡尔曼滤波同化方式，实现采动塌陷区的雷达影像差分面元沉降成果与离散实测水准数据的融合，实现采动区高精度监测，既保留了水准反演值在盆地中心的高精度，又因为融入了D-InSAR差分数据，更保留了D-InSAR数据在边界监测的优越性，实现了整个矿区高精度无缝沉陷监测，使得融合的地表沉降变形数据在空间上的过渡性更加吻合实际矿区变形区域。
如图3所示，本发明实施例还公开了一种基于多源监测数据融合的地表形变监测系统，所述系统包括：
数据选取模块，用于选取背景场以及观测场数据，以D-InSAR差分沉降量作为背景场，以实测水准离散点沉降量的反演值作为观测场；
背景场生成模块，用于设定背景场误差，对背景场D-InSAR差分沉降值面元数据施加高斯扰动噪声，初始化生成背景场集合；
观测场生成模块，用于根据水准观测值到观测场的状态变量设定观测场误差，根据对观测场数据施加高斯扰动噪声，生成观测场集合；
同化值获取模块，用于根据背景场以及观测场集合求取增益矩阵系数，并根据增益矩阵系数求取融合数据分析场的同化值以及相应的误差协方差，通过同化值对路面沉降变形破坏进行监测。
在实验数据的选取上，以D-InSAR差分沉降量作为背景场，对于观测场，以实测水准离散点沉降量为基础，结合遗传算法反演概率积分法的预计参数，以此参数为基础，利用概率积分法预计采动工作面的区域沉降变形量，即反演值，作为观测场，通过集合卡尔曼滤波算法对背景场以及观测场进行融合。
设定背景场误差，根据D-InSAR差分沉降值面元数据计算出背景场集合：
Xb＝M(x)+w,w～N(0,W)
Xb为数据背景场状态量，x为D-InSAR差分面元数据沉降量，M取值为1，w是数学期望为0、方差为W的高斯噪声，W为背景场误差协方差。
初始化生成背景场状态集合，对背景场样本数据施加高斯扰动噪声，产生背景场的状态数据集合，这N个状态变量
Figure BDA0002515130360000091
样本误差符合高斯分布。
根据区域水准观测值到观测场的状态变量设定观测场误差，
Y0＝H(y)+v，v～N(0,R)
Y0为观测场，y为反演值，H为观测算子，由于试验中观测数据即为地表沉降值，则观测算子H为1，R为观测误差协方差，v为数学期望为0、方差为R的高斯噪声。
观测样本数据初始化，产生观测场数据集合。对观测场样本数据施加高斯扰动噪声，产生观测场的数据集合，这N个状态变量Yi(i1,2,…,N)样本误差符合高斯分布。
求取增益矩阵系数：
Figure BDA0002515130360000092
其中，Db表示样本数据的背景场误差方差，其计算公式如下：
Figure BDA0002515130360000093
Figure BDA0002515130360000094
为背景场状态变量集合中第i个样本数据的预报值，
Figure BDA0002515130360000095
为
Figure BDA0002515130360000096
的平均值，
Figure BDA0002515130360000097
求取数据分析场及相应的误差协方差：
Figure BDA0002515130360000098
Figure BDA0002515130360000099
Figure BDA0002515130360000101
为背景场状态变量集合中第i个样本数据的分析值，
Figure BDA0002515130360000102
为
Figure BDA0002515130360000103
的平均值，
Figure BDA0002515130360000104
分析数据误差，如果利用集合卡尔曼滤波同化方法计算的样本分析值不满足预计效果，可通过对同化系统的一系列参数值进行调整，并重新计算，直到符合要求并输出分析值为止，完成此轮的数据同化工作，并继续下一时刻的计算，从而获得D-InSAR差分沉降数据与反演值融合的同化值。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于多源监测数据融合的地表形变监测方法，其特征在于，所述方法包括以下操作：
选取背景场以及观测场数据，以D-InSAR差分沉降量作为背景场，以实测水准离散点沉降量的反演值作为观测场；
设定背景场误差，对背景场D-InSAR差分沉降值面元数据施加高斯扰动噪声，初始化生成背景场集合；
根据水准观测值到观测场的状态变量设定观测场误差，根据对观测场数据施加高斯扰动噪声，生成观测场集合；
根据背景场以及观测场集合求取增益矩阵系数，并根据增益矩阵系数求取融合数据分析场的同化值以及相应的误差协方差，通过同化值对路面沉降变形破坏进行监测。
2.根据权利要求1所述的一种基于多源监测数据融合的地表形变监测方法，其特征在于，所述背景场集合为：
Xb＝M(x)+w,w～N(0,W)
Xb为数据背景场状态量，x为D-InSAR差分面元数据沉降量，M取值为1，w是数学期望为0、方差为W的高斯噪声，W为背景场误差协方差。
3.根据权利要求1所述的一种基于多源监测数据融合的地表形变监测方法，其特征在于，所述观测场集合为：
Y0＝H(y)+v，v～N(0,R)
Y0为观测场，y为反演值，H为观测算子，由于试验中观测数据即为地表沉降值，则观测算子H为1，R为观测误差协方差，v为数学期望为0、方差为R的高斯噪声。
4.根据权利要求1所述的一种基于多源监测数据融合的地表形变监测方法，其特征在于，所述增益矩阵系数计算公式如下：
Figure FDA0002515130350000011
其中，Db表示样本数据的背景场误差方差，其计算公式如下：
Figure FDA0002515130350000021
Figure FDA0002515130350000022
为背景场状态变量集合中第i个样本数据的预报值，
Figure FDA0002515130350000023
为
Figure FDA0002515130350000024
的平均值：
Figure FDA0002515130350000025
5.根据权利要求1所述的一种基于多源监测数据融合的地表形变监测方法，其特征在于，所述融合数据分析场的同化值以及相应的误差协方差的计算公式如下：
Figure FDA0002515130350000026
Figure FDA0002515130350000027
Figure FDA0002515130350000028
为背景场状态变量集合中第i个样本数据的同化值，
Figure FDA0002515130350000029
为相应的误差协方差，
Figure FDA00025151303500000210
为
Figure FDA00025151303500000211
的平均值：
Figure FDA00025151303500000212
6.一种基于多源监测数据融合的地表形变监测系统，其特征在于，所述系统包括：
数据选取模块，用于选取背景场以及观测场数据，以D-InSAR差分沉降量作为背景场，以实测水准离散点沉降量的反演值作为观测场；
背景场生成模块，用于设定背景场误差，对背景场D-InSAR差分沉降值面元数据施加高斯扰动噪声，初始化生成背景场集合；
观测场生成模块，用于根据水准观测值到观测场的状态变量设定观测场误差，根据对观测场数据施加高斯扰动噪声，生成观测场集合；
同化值获取模块，用于根据背景场以及观测场集合求取增益矩阵系数，并根据增益矩阵系数求取融合数据分析场的同化值以及相应的误差协方差，通过同化值对路面沉降变形破坏进行监测。
7.根据权利要求6所述的一种基于多源监测数据融合的地表形变监测方法，其特征在于，所述背景场集合为：
Xb＝M(x)+w,w～N(0,W)
Xb为数据背景场状态量，x为D-InSAR差分面元数据沉降量，M取值为1，w是数学期望为0、方差为W的高斯噪声，W为背景场误差协方差。
8.根据权利要求6所述的一种基于多源监测数据融合的地表形变监测方法，其特征在于，所述观测场集合为：
Y0＝H(y)+v，v～N(0,R)
Y0为观测场，y为反演值，H为观测算子，由于试验中观测数据即为地表沉降值，则观测算子H为1，R为观测误差协方差，v为数学期望为0、方差为R的高斯噪声。
9.根据权利要求6所述的一种基于多源监测数据融合的地表形变监测方法，其特征在于，所述增益矩阵系数计算公式如下：
Figure FDA0002515130350000031
其中，Db表示样本数据的背景场误差方差，其计算公式如下：
Figure FDA0002515130350000032
Figure FDA0002515130350000033
为背景场状态变量集合中第i个样本数据的预报值，
Figure FDA0002515130350000034
为
Figure FDA0002515130350000035
的平均值：
Figure FDA0002515130350000036
10.根据权利要求6所述的一种基于多源监测数据融合的地表形变监测方法，其特征在于，所述融合数据分析场的同化值以及相应的误差协方差的计算公式如下：
Figure FDA0002515130350000037
Figure FDA0002515130350000038
Figure FDA0002515130350000039
为背景场状态变量集合中第i个样本数据的同化值，
Figure FDA00025151303500000310
为相应的误差协方差，
Figure FDA00025151303500000311
为
Figure FDA00025151303500000312
的平均值：
Figure FDA0002515130350000041
CN202010473695.0A 2020-05-29 2020-05-29 一种基于多源监测数据融合的地表形变监测方法与系统 Pending CN111595293A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010473695.0A CN111595293A (zh) 2020-05-29 2020-05-29 一种基于多源监测数据融合的地表形变监测方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010473695.0A CN111595293A (zh) 2020-05-29 2020-05-29 一种基于多源监测数据融合的地表形变监测方法与系统

Publications (1)

Publication Number Publication Date
CN111595293A true CN111595293A (zh) 2020-08-28

Family

ID=72184183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010473695.0A Pending CN111595293A (zh) 2020-05-29 2020-05-29 一种基于多源监测数据融合的地表形变监测方法与系统

Country Status (1)

Country Link
CN (1) CN111595293A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112577470A (zh) * 2020-10-27 2021-03-30 中国矿业大学 一种UAV与InSAR融合监测矿区动态沉陷盆地的方法和系统
CN112901169A (zh) * 2021-01-19 2021-06-04 安徽理工大学 一种不对称孤岛工作面的冲击失稳判别与防冲开采方法

Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030106731A1 (en) * 2001-12-12 2003-06-12 Mark Marino Driverless vehicle guidance system and method
US20030184468A1 (en) * 2002-03-26 2003-10-02 Hai-Wen Chen Method and system for data fusion using spatial and temporal diversity between sensors
US20100045513A1 (en) * 2008-08-22 2010-02-25 Microsoft Corporation Stability monitoring using synthetic aperture radar
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
CN103454636A (zh) * 2013-09-08 2013-12-18 西安电子科技大学 基于多像素协方差矩阵的差分干涉相位估计方法
CN104765981A (zh) * 2015-05-07 2015-07-08 中国科学院地理科学与资源研究所 一种基于分布式时变增益水文模型的蒸散发数据同化方法
CN104864858A (zh) * 2015-05-29 2015-08-26 山东交通学院 一种工程控制网的布设方法和装置
US20160047940A1 (en) * 2014-08-15 2016-02-18 California Institute Of Technology Systems and methods for advanced rapid imaging and analysis for earthquakes
CN105444730A (zh) * 2015-11-12 2016-03-30 中国矿业大学 多源数据监测矿区形变的时空特性及越界开采识别方法
CN107389029A (zh) * 2017-08-24 2017-11-24 北京市水文地质工程地质大队 一种基于多源监测技术融合的地面沉降集成监测方法
CN109029344A (zh) * 2018-07-10 2018-12-18 湖南中科星图信息技术有限公司 一种基于高分影像和升降轨InSAR的堤坝沉降监测方法
CN109541586A (zh) * 2018-11-08 2019-03-29 山东交通学院 一种探地雷达快速探测道路工程混凝土垫层厚度分析方法
CN109540095A (zh) * 2018-12-29 2019-03-29 北方信息控制研究院集团有限公司 基于卫星导航及最小二乘的路基沉降监测方法
CN109828270A (zh) * 2018-12-27 2019-05-31 首都师范大学 一种表征地面沉降时序演变的方法
CN110020462A (zh) * 2019-03-07 2019-07-16 江苏无线电厂有限公司 一种对气象数据进行融合处理并生成数值天气预报的方法
CN110310370A (zh) * 2019-06-18 2019-10-08 中南林业科技大学 一种基于积分平差实现gps与srtm点面融合的方法
WO2020002863A1 (en) * 2018-06-29 2020-01-02 The Secretary Of State For Defence Method and apparatus for radar imaging
CN111076704A (zh) * 2019-12-23 2020-04-28 煤炭科学技术研究院有限公司 一种利用insar精确解算采煤沉陷区地表下沉量的方法
WO2020096141A1 (ko) * 2018-11-05 2020-05-14 경북대학교 산학협력단 초단기예보모델 기반의 레이더 융해층 고도 자료 동화 방법, 이를 수행하기 위한 기록 매체 및 장치

Patent Citations (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030106731A1 (en) * 2001-12-12 2003-06-12 Mark Marino Driverless vehicle guidance system and method
US20030184468A1 (en) * 2002-03-26 2003-10-02 Hai-Wen Chen Method and system for data fusion using spatial and temporal diversity between sensors
US20100045513A1 (en) * 2008-08-22 2010-02-25 Microsoft Corporation Stability monitoring using synthetic aperture radar
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
CN103454636A (zh) * 2013-09-08 2013-12-18 西安电子科技大学 基于多像素协方差矩阵的差分干涉相位估计方法
US20160047940A1 (en) * 2014-08-15 2016-02-18 California Institute Of Technology Systems and methods for advanced rapid imaging and analysis for earthquakes
CN104765981A (zh) * 2015-05-07 2015-07-08 中国科学院地理科学与资源研究所 一种基于分布式时变增益水文模型的蒸散发数据同化方法
CN104864858A (zh) * 2015-05-29 2015-08-26 山东交通学院 一种工程控制网的布设方法和装置
CN105444730A (zh) * 2015-11-12 2016-03-30 中国矿业大学 多源数据监测矿区形变的时空特性及越界开采识别方法
CN107389029A (zh) * 2017-08-24 2017-11-24 北京市水文地质工程地质大队 一种基于多源监测技术融合的地面沉降集成监测方法
WO2020002863A1 (en) * 2018-06-29 2020-01-02 The Secretary Of State For Defence Method and apparatus for radar imaging
CN109029344A (zh) * 2018-07-10 2018-12-18 湖南中科星图信息技术有限公司 一种基于高分影像和升降轨InSAR的堤坝沉降监测方法
WO2020096141A1 (ko) * 2018-11-05 2020-05-14 경북대학교 산학협력단 초단기예보모델 기반의 레이더 융해층 고도 자료 동화 방법, 이를 수행하기 위한 기록 매체 및 장치
CN109541586A (zh) * 2018-11-08 2019-03-29 山东交通学院 一种探地雷达快速探测道路工程混凝土垫层厚度分析方法
CN109828270A (zh) * 2018-12-27 2019-05-31 首都师范大学 一种表征地面沉降时序演变的方法
CN109540095A (zh) * 2018-12-29 2019-03-29 北方信息控制研究院集团有限公司 基于卫星导航及最小二乘的路基沉降监测方法
CN110020462A (zh) * 2019-03-07 2019-07-16 江苏无线电厂有限公司 一种对气象数据进行融合处理并生成数值天气预报的方法
CN110310370A (zh) * 2019-06-18 2019-10-08 中南林业科技大学 一种基于积分平差实现gps与srtm点面融合的方法
CN111076704A (zh) * 2019-12-23 2020-04-28 煤炭科学技术研究院有限公司 一种利用insar精确解算采煤沉陷区地表下沉量的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孟庆博等: "基于多源数据同化融合的尼洋河降水时空分布特征", 《南水北调与水利科技(中英文)》 *
杨帆等: "D-InSAR和水准数据融合方法研究", 《测绘通报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112577470A (zh) * 2020-10-27 2021-03-30 中国矿业大学 一种UAV与InSAR融合监测矿区动态沉陷盆地的方法和系统
CN112577470B (zh) * 2020-10-27 2021-11-02 中国矿业大学 一种UAV与InSAR融合监测矿区动态沉陷盆地的方法和系统
CN112901169A (zh) * 2021-01-19 2021-06-04 安徽理工大学 一种不对称孤岛工作面的冲击失稳判别与防冲开采方法

Similar Documents

Publication Publication Date Title
CN110532636B (zh) 一种面向多场景的智能驾驶自主车道保持性能检测方法
CN109001711A (zh) 多线激光雷达标定方法
CN106683122A (zh) 一种基于高斯混合模型和变分贝叶斯的粒子滤波方法
CN109063083B (zh) 一种多源气象信息数据同化方法
CN106597417A (zh) 一种远距离扫描激光雷达测量误差的修正方法
CN111595293A (zh) 一种基于多源监测数据融合的地表形变监测方法与系统
CN110488234A (zh) 车载毫米波雷达的外参标定方法、装置、设备及介质
CN112763995B (zh) 雷达标定方法、装置、电子设备和路侧设备
CN110231636A (zh) Gps与bds双模卫星导航系统的自适应无迹卡尔曼滤波方法
CN110727923B (zh) 一种短期潮位预报方法
CN105740505A (zh) 一种基于gps-rtk技术的道路空间线形恢复方法
Peprah et al. Performance evaluation of the Earth Gravitational Model 2008 (EGM2008)–a case study
Elhassan et al. Comparative study of accuracy in distance measurement using: Optical and digital levels
CN111123345B (zh) 一种基于gnss测量的经验电离层模型数据驱动方法
CN102207380A (zh) 一种高精度横轴倾斜误差补偿方法
CN110796380B (zh) 大尺度下基于栅格数据的交通通达度评价方法
CN105321157B (zh) 被动微波亮温数据降尺度方法和系统
DE102013208040B3 (de) Verfahren und Vorrichtung zum Bestimmen eines Fehlers bei der Ausbreitung einer elektromagnetischen Welle
CN106056953A (zh) 基于低精度gps数据获取交通道路信息的方法
CN110906928A (zh) 基于地形梯度拟合的粒子滤波水下航迹跟踪方法
CN110849310A (zh) 一种农作物收割机收割面积计算系统
Neyezhmakov et al. On the Accuracy of Determining the Mean Integral Refractive Index of Air By its Values at the End Points of the Trace
RU2723349C1 (ru) Способ определения и уточнения ускорений от работы двигателей коррекции космического аппарата
CN110647591A (zh) 用于测试矢量地图的方法和装置
BALA LEVELING NETWORK ADJUSTMENT USING MATLAB

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

Application publication date: 20200828

RJ01 Rejection of invention patent application after publication