CN111611929A - 基于LiDAR和InSAR技术的河道行洪风险点识别方法、装置、服务器及存储介质 - Google Patents
基于LiDAR和InSAR技术的河道行洪风险点识别方法、装置、服务器及存储介质 Download PDFInfo
- Publication number
- CN111611929A CN111611929A CN202010440163.7A CN202010440163A CN111611929A CN 111611929 A CN111611929 A CN 111611929A CN 202010440163 A CN202010440163 A CN 202010440163A CN 111611929 A CN111611929 A CN 111611929A
- Authority
- CN
- China
- Prior art keywords
- data
- river
- lidar
- insar
- fusion
- 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 56
- 238000005516 engineering process Methods 0.000 title claims abstract description 35
- 238000003860 storage Methods 0.000 title claims abstract description 22
- 230000004927 fusion Effects 0.000 claims abstract description 81
- 238000004364 calculation method Methods 0.000 claims abstract description 62
- 230000015556 catabolic process Effects 0.000 claims description 35
- 238000006731 degradation reaction Methods 0.000 claims description 35
- 230000008569 process Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims 1
- 239000000203 mixture Substances 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 12
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000010287 polarization Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 235000005956 Cosmos caudatus Nutrition 0.000 description 2
- 238000002939 conjugate gradient method Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005305 interferometry Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000003334 potential effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Alarm Systems (AREA)
Abstract
本发明实施例公开了一种基于LiDAR和InSAR技术的河道行洪风险点识别方法、装置、服务器及存储介质,其中,所述方法包括:获取河堤LiDAR数据、河堤InSAR数据;将所述河堤LiDAR数据、河堤InSAR数据进行融合计算,以得到融合后的河堤高程预测值;根据所述河堤高程预测值来综合识别河道行洪风险点;提高了测量精度的同时实现河堤风险识别的应用。
Description
技术领域
本发明涉及河道检测技术领域,尤其涉及一种基于LiDAR和InSAR技术的河道行洪风险点识别方法、装置、服务器及存储介质。
背景技术
作为世界上最早广为采用的一种重要防洪工程,河道堤防是抵御洪涝灾害的重要工程措施,是防洪工程建设的基础,是人民生命财产的重要保障。
随着卫星遥感技术的发展,作为变形监测重要手段的InSAR监测技术逐渐走向成熟和应用,在地震监测、地表各类地物沉降监测中得到了重视和应用。它通过采用同一区域长时间序列的SAR影像识别永久散射体,利用大气影响、形变等不同信息源的特性开展时间序列分析来获取精确到mm级尺度的变形信息。
合成孔径雷达干涉技术(Interferometric Synthetic Aperture Radar,InSAR)出现于20世纪60年代末,它是SAR与射电天文学干涉测量技术结合的产物。当扫过地面同一目标区域时,利用成像几何关系,通过成像、一些特殊的数据处理和几何转换,即可提取地表目标区域的高程信息和形变信息。由于InSAR技术有效利用了SAR的回波相位信息,测高精度为米级甚至亚米级。
但是,二者还是存在一定问题,LiDAR测量存在一定误差,其误差源包括测距误差、测角误差、定位误差、坐标转换误差、数据处理误差等。InSAR数据获取和处理过程中存在的失相干、监测点识别、相位解缠等误差对工程化应用造成一定影响,尤其是线路长、周边环境既有城市密集区又有农村的河堤工程的工程化应用。
发明内容
本发明实施例提供了一种基于LiDAR和InSAR技术的河道行洪风险点识别方法、装置、服务器及存储介质,以解决现有技术中存在上述描述的技术问题。
第一方面,本发明实施例提供了一种基于LiDAR和InSAR技术的河道行洪风险点识别方法,包括:
获取当前采集的河堤LiDAR数据、当前采集的河堤InSAR数据和历史河堤InSAR数据;
将所述当前采集的河堤LiDAR数据、当前采集的河堤InSAR数据和历史河堤InSAR数据进行融合计算,以得到融合后的河堤高程预测值;
根据所述河堤高程预测值确定河道行洪风险点。
进一步的,所述将所述当前采集的河堤LiDAR数据、当前采集的河堤InSAR数据和历史河堤InSAR数据进行融合计算,包括:
建立多源数据与待融合结果之间的降质模型;
利用多源数据与待融合结果之间的降质模型进行融合计算。
进一步的,所述利用建立多源数据与待融合结果之间的降质模型进行融合计算,包括:
计算基于鲁棒性加权l1范数的数据;
根据所述基于鲁棒性加权l1范数的数据利用多源数据与待融合结果之间的降质模型进行融合计算。
进一步的,所述根据所述基于鲁棒性加权l1范数的数据利用多源数据与待融合结果之间的降质模型进行融合计算,包括:
建立基于坡度自适应的先验模型;
根据所述先验模型和基于鲁棒性加权l1范数的数据利用多源数据与待融合结果之间的降质模型进行融合计算。
进一步的,所述将所述当前采集的河堤LiDAR数据、当前采集的河堤InSAR数据和历史河堤InSAR数据进行融合计算,包括:
利用如下方式进行融合计算:
yk=DkMku+nk,其中,其中,u(HN1×HN2)表示待求的融合结果,而yk则表示投影在相同坐标系下的多尺度数据集,大小为N1k×N2k。Mk是大小为HN1HN2×HN1HN2的运动矩阵,描述的是在网格配准的过程中的平移量。
进一步的,所述计算基于鲁棒性加权l1范数的数据,包括:
利用如下公式计算:
更进一步的,所述根据所述河堤高程预测值确定河道行洪风险点包括:
根据堤防计算高程与实际堤防高程的差值确定河道行洪风险点。
第二方面,本发明实施例还提供了一种基于LiDAR和InSAR技术的河道行洪风险点识别装置,包括:
获取模块,用于获取当前采集的河堤LiDAR数据、当前采集的河堤InSAR数据和历史河堤InSAR数据;
计算模块,用于将所述当前采集的河堤LiDAR数据、当前采集的河堤InSAR数据和历史河堤InSAR数据进行融合计算,以得到融合后的河堤高程预测值;
确定模块,用于根据所述河堤高程预测值确定河道行洪风险点。
进一步的,所述计算模块包括:
模型建立单元,用于建立多源数据与待融合结果之间的降质模型;
融合计算单元,用于利用多源数据与待融合结果之间的降质模型进行融合计算。
进一步的,所述融合计算单元,包括:
计算一级子单元,用于计算基于鲁棒性加权l1范数的数据;
融合计算一级子单元,用于根据所述基于鲁棒性加权l1范数的数据利用多源数据与待融合结果之间的降质模型进行融合计算。
进一步的,所述融合计算子单元包括:
计算二级子单元,用于计算基于鲁棒性加权l1范数的数据;
融合计算二级子单元,用于根据所述基于鲁棒性加权l1范数的数据利用多源数据与待融合结果之间的降质模型进行融合计算。
进一步的,所述获取模块用于:
利用如下方式进行融合计算:
yk=DkMku+nk,其中,其中,u(HN1×HN2)表示待求的融合结果,而yk则表示投影在相同坐标系下的多尺度数据集,大小为N1k×N2k。Mk是大小为HN1HN2×HN1HN2的运动矩阵,描述的是在网格配准的过程中的平移量。
进一步的,所述运算子单元用于:
利用如下公式计算:
更进一步的,所述确定模块用于:
根据堤防计算高程H计算与实际堤防高程H堤的差值确定河道行洪风险点。
第三方面,本发明实施例还提供了一种服务器,所述服务器包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现上述实施例提供的任一所述的基于LiDAR和InSAR技术的河道行洪风险点识别方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的任一所述的基于LiDAR和InSAR技术的河道行洪风险点识别方法。
本发明实施例提供的基于LiDAR和InSAR技术的河道行洪风险点识别方法、装置、服务器及存储介质,通过获取当前采集的河堤LiDAR数据、当前采集的河堤InSAR数据和历史河堤InSAR数据;将所述当前采集的河堤LiDAR数据、当前采集的河堤InSAR数据和历史河堤InSAR数据进行融合计算,以得到融合后的河堤高程预测值;根据所述河堤高程预测值确定河道行洪风险点。可以利用当前采集的河堤LiDAR数据、当前采集的河堤InSAR数据和历史河堤InSAR数据进行正则变分框架融合,以得到融合结果,根据融合结果可以计算得到河堤高程预测值。有效的避免了各种测量误差所产生的影响。提高了测量精度和风险识别精度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1是本发明实施例一提供的基于LiDAR和InSAR技术的河道行洪风险点识别方法的流程示意图;
图2是本发明实施例一提供的基于LiDAR和InSAR技术的河道行洪风险点识别方法中多源DEM数据集网格配准关系的示意图;
图3是本发明实施例二提供的基于LiDAR和InSAR技术的河道行洪风险点识别方法的流程示意图;
图4是本发明实施例三提供的基于LiDAR和InSAR技术的河道行洪风险点识别方法的流程示意图;
图5是本发明实施例四提供的基于LiDAR和InSAR技术的河道行洪风险点识别装置的结构示意图;
图6是本发明实施例五提供的服务器的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供基于LiDAR和InSAR技术的河道行洪风险点识别方法的流程示意图,本实施例可适用于对河道行洪风险点进行识别,特别是由于沉降到来的河堤风险的情况,该方法可以由基于LiDAR和InSAR技术的河道行洪风险点识别装置来执行,并可集成于服务器中,具体包括如下步骤:
S110,获取当前采集的河堤LiDAR数据、当前采集的河堤InSAR数据和历史河堤InSAR数据。
LiDAR系统通过记录激光测距系统向地面发射并接收的激光信号在空中的传播时间,计算传感器到地面反射激光脚点间的距离;同时利用自身携带的GNSS系统确定LiDAR发射瞬间激光束原点的三维空间位置信息。在本实施例中,考虑到时间因素,采用机载LiDAR系统实现LiDAR数据的采集。
在采用机载LiDAR系统实现LiDAR数据的采集前,还可设置地面控制点,在航飞执行前按计划飞行路线提前将需要增加架设的人工静态GNSS基准站布设好,布设间距为每5公里1个,使其与GNSS参考站形成的基站网能够满足航飞任务对基站间距的要求。示例性的,还可基于低矮地物特征和最小二乘方法进行LiDAR粗滤波,并且还可基于地形特征和线性预测的LiDAR精滤波。例如:通过迭代角度和迭代距离两个主要特征参数作为基本条件,来实现基于地形特征和线性预测的LiDAR精滤波。
在本实施例中,所述InSAR数据可以通过卫星雷达进行获取。主要有Sentinel、TerraSAR、Cosmo数据。TerraSAR、Cosmo空间分辨率较高,但是由于其数据幅宽仅为30km与40km,需要4景以上影像方能覆盖监测区域。Sentinel数据1景影像即可覆盖监测区域。
Sentinel是欧空局的卫星星座,其中Sentinel-1是基于C波段的成像系统。通过采用4种成像模式(分辨率最高5米、幅宽达到400km)来观测,具有双极化、短重访周期、快速产品生产的能力,可精确确定卫星位置和姿态角。
Sentinel-1有多种成像方式,可实现单极化、双极化等不同的极化方式。
Sentinel-1影像采用最新的TOPS测量模式,通过波束由后向前摆动来获取大范围覆盖数据。采用多级迭代配准策略来进行Sentinel-1数据精确配准。在采用后处理精密轨道参数对Sentinel-1号数据实时轨道进行修正基础上,利用三维场景地形模型来确定初始偏移量;迭代利用最大幅度相关函数法使得粗配准精度优于0.02个像素;然后基于子块重叠部分差异开展光谱差异性估计实现方位向偏移量精化,使得最终配准精度优于0.001个像素。
在本实施例中,可以进行预处理,示例性的,采用基于幅度离差阈值法来选择时间序列上的变化小的PSC,以减少时间失相干的影响;其次基于点目标检测方法选择高亮度的点目标,减少空间失相干的影响。
S120,将所述当前采集的河堤LiDAR数据、当前采集的河堤InSAR数据和历史河堤InSAR数据进行融合计算,以得到融合后的河堤高程预测值。
正则化变分框架是图像处理领域应用最为广泛的研究框架。它能够将图像复杂的降质因素作为一个整体过程考虑,并具有较强的融入空间先验约束的能为,可将病态逆问题转化成有唯一解的代价函数最优化问题。因此,在本实施例中,可以将当前采集的河堤LiDAR数据、当前采集的河堤InSAR数据和历史河堤InSAR数据利用正则化变分融舍框架进行融合。
示例性的,所述将所述当前采集的河堤LiDAR数据、当前采集的河堤InSAR数据和历史河堤InSAR数据进行融合计算,可以包括:建立多源数据与待融合结果之间的降质模型;利用多源数据与待融合结果之间的降质模型进行融合计算。
由于LiDAR数据获取的是面状的DEM数据,InSAR数据获取的是点状的高程变化数据,两者精度和代表的物理量均存在差异。从数学角度上讲,两者反映的都是高程信息数据,因此可以将两者视为具有高分辨率、高精度的DEM数据。
所述降质模型为yk=DkMku+nk,其中,其中,u(HN1×HN2)表示待求的融合结果,而yk则表示投影在相同坐标系下的多尺度数据集,大小为N1k×N2k。Mk是大小为HN1HN2×HN1HN2的运动矩阵,描述的是在网格配准的过程中的平移量。图2是本发明实施例提供的基于LiDAR和InSAR技术的河道行洪风险点识别方法中多源DEM数据集网格配准关系的示意图,由图2可以看出,在相同的几何参考下,低分辨率数据与原始高分辨率数据所在的参考格网存在亚像素的位移,为了避免重采样过程带来的额外误差,可以将低分辨率数据所对应的格网进行平移,与高分辨率参考格网对齐。矩阵是降采样矩阵,描述数据之间的尺度差异。
根据上述模型,可以计算得到融合后的河堤高程预测值。
S130,根据所述河堤高程预测值确定河道行洪风险点。
示例性的,所述根据所述河堤高程预测值确定河道行洪风险点可以包括:
将所述河道堤防分为若干段堤防;
根据预设的规则计算每段设定年份堤防预测高程与堤防计算高程之间的差值;
根据预设的规则根据所述差值确定其是否为河道行洪风险点。
示例性的,由于每段河道堤防的具体修建完成的日期不同,其设定的防洪要求不同,因此,需要根据每段河道的实际情况进行河道行洪风险点识别。可选的,可以根据河道堤防的修建日期来进行分段。可以将河道堤防分为若干段。
在将河道堤防分为若干段堤防后,可以根据预设的规则计算每段设定年份堤防预测高程与堤防计算高程之间的差值。所述预设的规则可以是参考《堤防工程设计规范》对于河道行洪风险的设定所述设定相应的规则。示例性的,可以根据堤防计算高程H计算与实际堤防高程H堤的差值确定河道行洪风险点。
判断洪水是否存在溢出风险的主要依据是将堤防计算高程H计算与实际堤防高程H堤进行比较,即通过产生式规则来判断其差值H差是否小于0。其中,堤防计算高程H计算可以是根据上述河堤LiDAR数据、当前采集的河堤InSAR数据和历史河堤InSAR数据计算得到的预测高程数值。所述预测高程数值可以是根据堤防对应的防洪标准,确定5年、10年或者20年后的高程数值,并将所述堤防计算高程H计算与满足堤防最低要求的实际堤防高程H堤的差值,在差值小于0时,将其对应的堤防点作为河道行洪风险点。
本实施例通过获取当前采集的河堤LiDAR数据、当前采集的河堤InSAR数据和历史河堤InSAR数据;将所述当前采集的河堤LiDAR数据、当前采集的河堤InSAR数据和历史河堤InSAR数据进行融合计算,以得到融合后的河堤高程预测值;根据所述河堤高程预测值确定河道行洪风险点。可以利用当前采集的河堤LiDAR数据、当前采集的河堤InSAR数据和历史河堤InSAR数据进行正则变分框架融合,以得到融合结果,根据融合结果可以计算得到河堤高程预测值。有效的避免了各种测量误差所产生的影响。提高了测量精度和风险识别精度。
实施例二
图3为本发明实施例二提供的基于LiDAR和InSAR技术的河道行洪风险点识别方法的流程示意图。本实施例以上述实施例为基础进行优化,在本实施例中,将所述利用建立多源数据与待融合结果之间的降质模型进行融合计算,具体优化为:计算基于鲁棒性加权l1范数的数据;根据所述基于鲁棒性加权l1范数的数据利用多源数据与待融合结果之间的降质模型进行融合计算。
相应的,本实施例所提供的基于LiDAR和InSAR技术的河道行洪风险点识别方法,具体包括:
S210,获取当前采集的河堤LiDAR数据、当前采集的河堤InSAR数据和历史河堤InSAR数据。
S220,建立多源数据与待融合结果之间的降质模型。
S230,计算基于鲁棒性加权l1范数的数据。
示例性的,所述计算基于鲁棒性加权l1范数的数据,包括:
通过对LiDAR、InSAR数据集建立这个降质模型,可以将两者数据融合表达成一个逆问题,从而利用正则化融合框架求解。为了表达方便,我们将降质因素简单地表示为Ak=DkMk。然后,一般的正则化融合框架可以表示为如下形式:
考虑数据一致性约束项的模型,主要目的是要确定观测模型的降质矩阵Ak和约束函数ψ(·)。在降质矩阵中,Dk可以通过数据之间的尺度关系轻易得到,而Mk由经过坐标投影转换之后两个覆盖范围相同的数据在相同几何基准下的顶点坐标经纬度偏移量计算得到。
考虑DEM数据集之间在投影转换、配准过程中产生的不可避免的水平配准误差及数据集之间的精度差异对结果的潜在影响,构建如下基于鲁棒性加权l1范数的数据一致性约束项模型:
在这个模型中,权值wk表示的是不同DEM数据集对模型的贡献值。
S240,根据所述基于鲁棒性加权l1范数的数据利用多源数据与待融合结果之间的降质模型进行融合计算,以得到融合后的河堤高程预测值。
根据上述提供的基于鲁棒性加权l1范数的数据一致性约束项模型进行融合计算,得到融合后的河堤高程预测值。
S250,根据所述河堤高程预测值确定河道行洪风险点。
本实施例通过将所述利用建立多源数据与待融合结果之间的降质模型进行融合计算,具体优化为:计算基于鲁棒性加权l1范数的数据;根据所述基于鲁棒性加权l1范数的数据利用多源数据与待融合结果之间的降质模型进行融合计算。有效减少水平配准误差及数据集之间的精度差异对结果的潜在影响。能够进一步提高基于LiDAR和InSAR技术的河道行洪风险点识别精确性。
实施例三
图4为本发明实施例三提供的基于LiDAR和InSAR技术的河道行洪风险点识别方法的流程示意图。本实施例以上述实施例为基础进行优化,在本实施例中,将所述根据所述基于鲁棒性加权l1范数的数据利用多源数据与待融合结果之间的降质模型进行融合计算,具体优化为:建立基于坡度自适应的先验模型;根据所述先验模型和基于鲁棒性加权l1范数的数据利用多源数据与待融合结果之间的降质模型进行融合计算。
相应的,本实施例所提供的基于LiDAR和InSAR技术的河道行洪风险点识别方法,具体包括:
S310,获取当前采集的河堤LiDAR数据、当前采集的河堤InSAR数据和历史河堤InSAR数据。
S320,建立多源数据与待融合结果之间的降质模型。
S330,计算基于鲁棒性加权l1范数的数据。
S340,建立基于坡度自适应的先验模型。
DEM数据记录的是地表的高程值,因此灰度范围梯度特征都与一般的数字图像和遥感影像有所区别。高程变化具有在局部区域变化平缓,而在大范围尺度下随地形差异跨度较大的特点。因此,考虑地形起伏的变化,引入了DEM的重要衍生参数——坡度来将DEM数据分为不同的属性区域,然后确定式如下的范数约束:
其中,S是根据u计算得到的坡度值,而Ts是阈值。为了自适应确定阀值,实验中将S归一化后取中值作为阈值Ts的取值,取得了较稳定的效果。结合数据一致性约束项和先验项,目标的能量函数可以最终表示为:
S350,根据所述先验模型和基于鲁棒性加权l1范数的数据利用多源数据与待融合结果之间的降质模型进行融合计算,以得到融合后的河堤高程预测值。
在构建相应的正则化表达式之后,利用最优化算法对目标函数进行优化求解,即可得到最终的融合结果。由于混合范数的优化是一个非线性问题,较为常用的求解方法包括交替方向乘子法、迭代重加权范数等。
示例性的,可以采用迭代重加权范数的思想对非线性问题进行转化,利用加权的l2范数逼近lp范数。因此可以将上述该公式转化为:
其中,WF和Wt为范数转换权值矩阵。具体可以定义为:
WF=diag(ηξ(yk-Aku))
式中:
其中,ξ为一个极小的常数来避免在转换过趕中分母为0的情况,通常被设为10-5。在第r+1次迭代中,WF和Wt矩阵均利用上一次迭代中求得的ur计算得到,因此迭代重加权范数是一个近似逼近非线性解的过程。计算WF和等于p=1的情形,而对于Wt矩阵,范数pi根据逐像素的空间信息来确定。可以将其转变为求常规l2范数的最小化最优解,可以求导后用传统的共扼梯度法或预条件共轭梯度法对线性的拉格朗日方程进行求解。
S360,根据所述河堤高程预测值确定河道行洪风险点。
本实施例通过将所述利用建立多源数据与待融合结果之间的降质模型进行融合计算,具体优化为:计算基于鲁棒性加权l1范数的数据;根据所述基于鲁棒性加权l1范数的数据利用多源数据与待融合结果之间的降质模型进行融合计算。有效避免了高程变化过大产生的误差。提高了河堤高程测量的准确性。
实施例四
图5是本发明实施例四提供的基于LiDAR和InSAR技术的河道行洪风险点识别装置的结构示意图,如图5所示,所述装置包括:
获取模块410,用于获取当前采集的河堤LiDAR数据、当前采集的河堤InSAR数据和历史河堤InSAR数据;
计算模块420,用于将所述当前采集的河堤LiDAR数据、当前采集的河堤InSAR数据和历史河堤InSAR数据进行融合计算,以得到融合后的河堤高程预测值;
确定模块430,用于根据所述河堤高程预测值确定河道行洪风险点。
本实施例提供的基于LiDAR和InSAR技术的河道行洪风险点识别装置,通过获取当前采集的河堤LiDAR数据、当前采集的河堤InSAR数据和历史河堤InSAR数据;将所述当前采集的河堤LiDAR数据、当前采集的河堤InSAR数据和历史河堤InSAR数据进行融合计算,以得到融合后的河堤高程预测值;根据所述河堤高程预测值确定河道行洪风险点。可以利用当前采集的河堤LiDAR数据、当前采集的河堤InSAR数据和历史河堤InSAR数据进行正则变分框架融合,以得到融合结果,根据融合结果可以计算得到河堤高程预测值。有效的避免了各种测量误差所产生的影响。提高了测量精度和风险识别精度。
在上述各实施例的基础上,所述计算模块包括:
模型建立单元,用于建立多源数据与待融合结果之间的降质模型;
融合计算单元,用于利用多源数据与待融合结果之间的降质模型进行融合计算。
在上述各实施例的基础上,所述融合计算单元,包括:
计算一级子单元,用于计算基于鲁棒性加权l1范数的数据;
融合计算一级子单元,用于根据所述基于鲁棒性加权l1范数的数据利用多源数据与待融合结果之间的降质模型进行融合计算。
在上述各实施例的基础上,所述融合计算子单元包括:
计算二级子单元,用于计算基于鲁棒性加权l1范数的数据;
融合计算二级子单元,用于根据所述基于鲁棒性加权l1范数的数据利用多源数据与待融合结果之间的降质模型进行融合计算。
在上述各实施例的基础上,所述获取模块用于:
利用如下方式进行融合计算:
yk=DkMku+nk,其中,其中,u(HN1×HN2)表示待求的融合结果,而yk则表示投影在相同坐标系下的多尺度数据集,大小为N1k×N2k。Mk是大小为HN1HN2×HN1HN2的运动矩阵,描述的是在网格配准的过程中的平移量。
在上述各实施例的基础上,所述运算子单元用于:
利用如下公式计算:
在上述各实施例的基础上,所述确定模块用于:
根据堤防计算高程H计算与实际堤防高程H堤的差值确定河道行洪风险点。
本发明实施例所提供的基于LiDAR和InSAR技术的河道行洪风险点识别装置可执行本发明任意实施例所提供的基于LiDAR和InSAR技术的河道行洪风险点识别方法,具备执行方法相应的功能模块和有益效果。
实施例五
图6为本发明实施例五提供的一种服务器的结构示意图。图6示出了适于用来实现本发明实施方式的示例性服务器12的框图。图6显示的服务器12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图6所示,服务器12以通用计算设备的形式表现。服务器12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线,微通道体系结构(MAC)总线,增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被服务器12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示,通常称为“硬盘驱动器”)。尽管图6中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该设备/服务器/服务器12交互的设备通信,和/或与使得该服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图所示,网络适配器20通过总线18与服务器12的其它模块通信。应当明白,尽管图中未示出,可以结合服务器12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的基于LiDAR和InSAR技术的河道行洪风险点识别方法。
实施例六
本发明实施例六还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如上述实施例提供的基于LiDAR和InSAR技术的河道行洪风险点识别方法。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种基于LiDAR和InSAR技术的河道行洪风险点识别方法,其特征在于,包括:
获取河堤LiDAR数据、河堤InSAR数据;
将河堤LiDAR数据、河堤InSAR数据进行融合计算,以得到融合后的河堤高程预测值;
根据所述河堤高程预测值和专家知识来识别河道行洪风险点。
2.根据权利要求1所述的方法,其特征在于,所述将河堤LiDAR数据、河堤InSAR数据进行融合计算,包括:
建立LiDAR、InSAR数据与待融合结果之间的自适应正则化变分融合模型;
利用LiDAR、InSAR数据与待融合结果之间的变分融合模型进行融合计算。
3.根据权利要求2所述的方法,其特征在于,所述利用建立LiDAR、InSAR数据与待融合结果之间的自适应正则化变分融合模型进行融合计算,包括:
计算基于鲁棒性加权l1范数的数据约束;
根据所述基于鲁棒性加权l1范数的数据约束来计算变分融合模型的降质矩阵和约束函数。
4.根据权利要求3所述的方法,其特征在于,所述根据所述基于鲁棒性加权l1范数的数据约束下利用LiDAR、InSAR数据与待融合结果之间的变分融合模型进行融合计算,包括:
建立基于坡度自适应的先验模型;
根据所述先验模型和基于鲁棒性加权l1范数的数据约束,利用LiDAR、InSAR数据与待融合结果之间的变分融合模型进行融合计算。
5.根据权利要求1所述的方法,其特征在于,所述将所述当前河堤LiDAR数据、河堤InSAR数据进行融合计算,包括:
利用如下方式进行融合计算:
yk=DkMku+nk,其中,其中,u(HN1×HN2)表示待求的融合结果,而yk则表示投影在相同坐标系下的多尺度数据集,大小为N1k×N2k。Mk是大小为HN1HN2×HN1HN2的运动矩阵,描述的是在网格配准的过程中的平移量。
7.根据权利要求1所述的方法,其特征在于,所述根据所述河堤高程不同年份的预测值和专家知识确定河道行洪风险点,包括:
将所述河道堤防分为若干段堤防;
根据预设的规则计算每段设定年份堤防预测高程与堤防计算高程之间的差值;
根据所述差值确定其是否为河道行洪风险点。
8.一种基于LiDAR和InSAR技术的河道行洪风险点识别方法装置,其特征在于,包括:
获取模块,用于获取河堤LiDAR数据、河堤InSAR数据;
计算模块,用于将所述河堤LiDAR数据、河堤InSAR数据进行融合计算,以得到融合后的河堤高程预测值;
确定模块,用于根据所述河堤高程预测值确定河道行洪风险点。
9.一种服务器,其特征在于,所述服务器包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的基于LiDAR和InSAR技术的河道行洪风险点识别方法。
10.一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7一所述的基于LiDAR和InSAR技术的河道行洪风险点识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010440163.7A CN111611929A (zh) | 2020-05-22 | 2020-05-22 | 基于LiDAR和InSAR技术的河道行洪风险点识别方法、装置、服务器及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010440163.7A CN111611929A (zh) | 2020-05-22 | 2020-05-22 | 基于LiDAR和InSAR技术的河道行洪风险点识别方法、装置、服务器及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111611929A true CN111611929A (zh) | 2020-09-01 |
Family
ID=72199900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010440163.7A Pending CN111611929A (zh) | 2020-05-22 | 2020-05-22 | 基于LiDAR和InSAR技术的河道行洪风险点识别方法、装置、服务器及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111611929A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115471144A (zh) * | 2022-11-14 | 2022-12-13 | 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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108648162A (zh) * | 2018-05-16 | 2018-10-12 | 浙江大学 | 一种基于噪声水平的梯度相关tv因子图像去噪去模糊方法 |
US20200111011A1 (en) * | 2018-10-04 | 2020-04-09 | Here Global B.V. | Method and apparatus for predicting sensor error |
CN111080060A (zh) * | 2019-11-11 | 2020-04-28 | 天津大学 | 一种堤防洪水风险评价指标体系构建方法 |
-
2020
- 2020-05-22 CN CN202010440163.7A patent/CN111611929A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108648162A (zh) * | 2018-05-16 | 2018-10-12 | 浙江大学 | 一种基于噪声水平的梯度相关tv因子图像去噪去模糊方法 |
US20200111011A1 (en) * | 2018-10-04 | 2020-04-09 | Here Global B.V. | Method and apparatus for predicting sensor error |
CN111080060A (zh) * | 2019-11-11 | 2020-04-28 | 天津大学 | 一种堤防洪水风险评价指标体系构建方法 |
Non-Patent Citations (2)
Title |
---|
岳林蔚: "多源多尺度DEM数据融合方法与应用研究", 《中国优秀博硕士学位论文全文数据库(博士)基础科学辑》 * |
陈炳乾: "面向矿区沉降监测的InSAR技术及应用研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅰ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115471144A (zh) * | 2022-11-14 | 2022-12-13 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11461964B2 (en) | Satellite SAR artifact suppression for enhanced three-dimensional feature extraction, change detection, and visualizations | |
Leprince et al. | Automatic and precise orthorectification, coregistration, and subpixel correlation of satellite images, application to ground deformation measurements | |
US9466143B1 (en) | Geoaccurate three-dimensional reconstruction via image-based geometry | |
CN113340191B (zh) | 时间序列干涉sar的形变量测量方法及sar系统 | |
Zhang et al. | Satellite SAR geocoding with refined RPC model | |
CN102788979B (zh) | 一种基于后向投影InSAR成像配准的GPU实现方法 | |
CN111650579B (zh) | 一种岩移参数自适应获取的InSAR矿区三维形变估计方法、装置及介质 | |
Guindon et al. | Analytic formulation of spaceborne SAR image geocoding and “value-added” product generation procedures using digital elevation data | |
Luo et al. | A new baseline linear combination algorithm for generating urban digital elevation models with multitemporal InSAR observations | |
CN107037428A (zh) | 一种提高星载双站差分InSAR提取形变精度的方法 | |
Aati et al. | A new approach for 2-D and 3-D precise measurements of ground deformation from optimized registration and correlation of optical images and ICA-based filtering of image geometry artifacts | |
Tang et al. | Changes of Chinese coastal regions induced by land reclamation as revealed through TanDEM-X DEM and InSAR analyses | |
Feng et al. | A hierarchical network densification approach for reconstruction of historical ice velocity fields in East Antarctica | |
Zhou et al. | Delineating beach and dune morphology from massive terrestrial laser-scanning data using generic mapping tools | |
Wang et al. | Layover compensation method for regional spaceborne SAR imagery without GCPs | |
CN111611929A (zh) | 基于LiDAR和InSAR技术的河道行洪风险点识别方法、装置、服务器及存储介质 | |
CN116148855B (zh) | 时序InSAR大气相位去除和形变解算的方法及系统 | |
CN116128762A (zh) | 卫星影像预处理方法、装置、电子设备及存储介质 | |
Wang et al. | Planar block adjustment and orthorectification of Chinese spaceborne SAR YG-5 imagery based on RPC | |
CN116245757A (zh) | 多模态数据的多场景通用性遥感影像云修复方法和系统 | |
Feng et al. | Automatic selection of permanent scatterers-based GCPs for refinement and reflattening in InSAR DEM generation | |
Osmanoglu | Applications and development of new algorithms for displacement analysis using InSAR time series | |
Xu et al. | A Framework for Graphical GNSS Multipath and NLOS Mitigation | |
CN115201779B (zh) | 获取雷达的成像原点空间位置和基线水平方位角的方法 | |
Rebmeister et al. | Geodetic monitoring of complex shaped infrastructures using Ground-Based 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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200901 |