CN112198511A - 一种基于星空地一体化地质灾害普查方法 - Google Patents
一种基于星空地一体化地质灾害普查方法 Download PDFInfo
- Publication number
- CN112198511A CN112198511A CN202010959026.4A CN202010959026A CN112198511A CN 112198511 A CN112198511 A CN 112198511A CN 202010959026 A CN202010959026 A CN 202010959026A CN 112198511 A CN112198511 A CN 112198511A
- Authority
- CN
- China
- Prior art keywords
- area
- disaster
- ground
- geological
- interpretation
- 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 70
- 238000005516 engineering process Methods 0.000 claims abstract description 39
- 230000003287 optical effect Effects 0.000 claims abstract description 20
- 238000011835 investigation Methods 0.000 claims abstract description 18
- 238000007689 inspection Methods 0.000 claims abstract description 14
- 230000002265 prevention Effects 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 12
- 230000000007 visual effect Effects 0.000 claims description 10
- 238000003384 imaging method Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 6
- 238000007670 refining Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 210000002105 tongue Anatomy 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 4
- 230000001788 irregular Effects 0.000 claims description 4
- 235000014443 Pyrus communis Nutrition 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 239000007787 solid Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims 1
- 230000002123 temporal effect Effects 0.000 claims 1
- 238000012876 topography Methods 0.000 claims 1
- 230000008713 feedback mechanism Effects 0.000 abstract 1
- 238000012544 monitoring process Methods 0.000 description 6
- 230000010354 integration Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
Images
Classifications
-
- 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
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/865—Combination of radar systems with lidar systems
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/002—Measuring arrangements characterised by the use of optical techniques for measuring two or more coordinates
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/004—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring coordinates of points
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/16—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge
-
- 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
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
-
- 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
- G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
- G01S13/867—Combination of radar systems with cameras
-
- 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
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9023—SAR image post-processing techniques combined with interferometric techniques
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- 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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/88—Lidar systems specially adapted for specific applications
- G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于星空地一体化技术的地质灾害普查方法。本发明将卫星数据与航拍影像融合应用到地质灾害早期的识别中,提高了普查的效率和识别的准确性。该发明包括以下步骤:步骤一:基于insar技术进行大范围区域的形变普查,筛选出潜在地质灾害的大致区域。步骤二:对筛选出来的潜在的地质灾害区域的光学影像进行目视解译,对其地貌特征和裂缝进行识别,圈定出灾害区域的准确范围。步骤三:基于机载LiDAR技术获取地面点云数据,判断灾害的类型和影响范围,识别出隐蔽性较强的地质灾害隐患。步骤四:对出现较为明显地质灾害早期特征的区域进行现场核查和人工巡查,根据现场情况制定灾害预防方案和反馈机制。
Description
技术领域
本发明涉及地质灾害调查与识别的技术领域,具体涉及一种基于星空地一体化灾害普查的方法。
背景技术
我国地域辽阔,地质条件复杂,地质构造活动频繁,地质灾害种类繁多,分布面广,是世界上地质灾害最为严重的国家之一。根据不完全统计,近年来我国由于崩塌、滑坡、泥石流等地质灾害每年造成的损失可达上百亿。
合成孔径雷达干涉测量(Interferometry Synthetic Aperture Radar,InSAR)是一种获取地面高精度变形信息的技术,其基本原理是通过对同一地区的两幅 SAR影像进行相位干涉,来获取地表的高程信息。相对于常规测量,InSAR技术具有测量范围更广、精度更高、全天候,全天时的特点;而同样为遥感领域的技术,相对于光学遥感测量,InSAR技术可以不受气候条件的限制,是一种较为理想的地表形变监测技术手段。小基线集技术(Small Baseline Subset,SBAS) 由Berardina和Lanari等学者于2002年提出,SBAS通过对短基线SAR影像进行自由组合,产生一系列基于不同主影像的时间序列干涉图,再通过奇异值分解法将多个短基线联合起来求解,从而有效地减少时空失相干影响,最终得到的形变图在时间和空间上也更为连续。总而言之,使用SBAS技术求解地表形变模型能够获得更稳定的结果,在大范围地质灾害普查方面具有较大的优势。
LiDAR(Light Detection and Ranging)意为激光探测及测距系统,是一种集激光、全球定位系统和惯性导航系统三种技术于一身的空间测量系统。其基本原理是通过激光测量地物并结合高精度定位姿态系统获取地面三维数据。LiDAR 具有抗强干扰、低成本、快速高效地短时间内获取海量高精度数据的特点。机载 LiDAR不仅能够获取高分辨率的地表影像,还能通过多次回波技术穿透地面植被,在利用滤波算法有效剔除地面无关要素,获得地表的真实高程信息,是识别隐蔽性地质灾害的有效手段。
传统的地质灾害识别主要通过人工调查,虽然准确率较高,但效率低、时效性差、普查范围小、成本较高、无法对地质灾害潜在区域的变化进行及时的反馈,因此也难以做到对灾害的预警。而InSAR技术、机载LiDAR技术、高分辨率遥感技术的快速发展与应用,为星空地一体化地质灾害普查系统提供了技术条件。InSAR的大范围地表形变监测、高分辨率光学影像的准确核查、机载LiDAR 建立的高精度地表DEM,三者结合可构建起覆盖范围广阔、识别效率高效、准确性高、低成本的地质灾害普查系统。
发明内容
鉴于现有技术的不足,本发明提供一种基于星空地一体化地质灾害的普查方法解决传统地质灾害普查效率低的问题。该方法运用了InSAR、光学遥感、机载LiDAR三种技术,将航天卫星、航空、地表三个不同的空间的监测技术统一起来,构建起星空地一体化的地质灾害普查系统,从而既能实现低成本大范围的普查,又能保证工作高效以及结果的准确性。
为了实现上述的目的,本发明采用如下技术方案:一种基于星空地一体化地质灾害的普查方法,包括以下步骤:
步骤一:基于InSAR技术进行大范围的地表形变普查,筛选出地表形变速率较快的区域,作为地质灾害潜在区域进行重点排查。
步骤二:基于卫星光学影像目视解译法,对筛选出来的潜在的地质灾害区域进行核查,对其地貌特征和裂缝进行识别,对该地区的滑坡规模、整体稳定性进行定性评价,圈定出灾害区域的准确范围,进一步查找出地质灾害潜在的高发区域。
步骤三:基于机载LiDAR获取地质灾害潜在高发区域的地面激光点云数据,采用滤波算法剔除地面植被,获取真实地面高程信息,建立高精度DEM和 DOM,判断灾害的类型和影响范围,同时识别出隐蔽性较强的地质灾害隐患。
步骤四:对出现较为明显地质灾害早期特征的区域进行现场核查和人工巡查,根据当地的裂缝宽度和沉降速率制定灾害预防方案和查巡机制,对现场的变化进行及时的记录和反馈。
进一步的,在所述的步骤一中,采用InSAR技术中的小基线集技术进行大范围的普查,具体操作为:
步骤1.1:获取SAR影像;
步骤1.2:生成连接图;
步骤1.3:引入参考DEM
步骤1.4:形成差分干涉图;
步骤1.5:相位解缠;
步骤1.6:依据相干系数图选取高相干点;
步骤1.7:去除残余地质和低通相位
步骤1.8:生成形变时间序列;
进一步的,上述的SBAS—InSAR技术中,形成差分干涉图的具体方式为:
针对覆盖同一区域的按照时间顺序排列的N+1幅单视复数影像,任选一景影像为主影像进行配准,之后设置合适的时间和空间基线阈值,将小于时空阈值的影像进行组合;并将组合后的影像对进行差分干涉,生成M幅干涉图,且M幅干涉图满足以下条件:
式中,N为雷达影像数量;M为干涉图数量。
进一步的,由于对地质灾害普查的区域多为山区,在SBAS处理中可能会出现相干性较差的情况,于是在形成干涉图和解缠的步骤中对解缠的方法和参数进行重新设定:
(1)提高分解的等级,将分解等级设置为2,此时干涉图将以一个较低的分辨率被解缠然后再重采样成原来的分辨率。当出现大范围低相干性区域时,该措施可以提高解缠的质量和处理效率,提高解缠正确性。
(2)将解缠相关系数阈值设置为0.20,由于普查的区域多为山区,多为相干性较差的区域,适当地降低解缠系数阈值,可以避免解缠结果较少,出现空洞,部分数据丢失的情况。
(3)采用Costantini提出的针对稀疏目标进行解缠的算法,即最小费用流法对差分干涉图进行解缠,对于tA和tB时刻获取的主从影像进行差分干涉后生成的第j幅差分干涉图,其干涉相位组成如下:
式中,为任意一点的干涉相位;和分别为tA时刻和tB时刻对应于t0时刻的相位;为与形变有关的相位信息,其中d(tA)和d(tB) 分别为d(tA)时刻和时刻对应于t0时刻的累积形变量, 为与地形有关的相位信息,可以看出,其与垂直基线B_大小成正比,与雷达至地面目标的斜距r 以及入射角大小θ成反比,为与大气有关的相位信息,即分别为时刻、时刻成像时的大气延迟相位;Δnj为失相关以及噪声所引起的相位信息。
进一步的,为了提高处理结果的精度与可靠性,需将高程误差、大气延迟误差以及噪声所对应的相位信息去除。在本发明中采用了以下措施减小误差: (1)在步骤1.3中引入外部参考数字高程模型按照雷达构像方程来模拟生成地形相位,之后再从雷达干涉图中去除地形得到干涉图;
(2)在步骤1.6中添加控制点进行轨道重计算和重去平并基于上次结果进行多次迭代计算。当轨道参数不够精确时,会影响干涉相位转变成地形高程。轨道精炼是基于多项式进行计算的,正常为三次多项式,当控制点不够无法解算时程序会自动降低多项式的次数重新计算,但精度会有所降低,为了避免出现该情况应至少选取20个以上的控制点。在重去平完成后查看计算精度,当精度较低时,重复该步骤,重新选择控制点,在该次结果的基础上再次进行轨道精炼和重去平。
(3)在步骤1.7中利用大气延迟与形变、噪声在时间域和空间域中表现出的不同特性,将大气延迟相位从残余相位中区分出来;通过多视和滤波有效地去除噪声以及失相关引起的相位误差。
经过以上步骤对误差进行改正后,差分相位可化简为:
进一步的,使用奇异分解法计算出误差方程矩阵的广义逆从而求出方程组的最小二乘解。最后得到区域内的形变速率,将平均变形速率进行时间域上的积分,即可求得时间段内的历史累积变形量。
进一步的,在步骤二所述的基于光学影像目视解译法筛选出地质灾害潜在高发区域。具体的实施方式如下:
先对SBAS-InSAR技术大范围区域内的处理结果进行分析,筛选出地表形变速率较快的区域。然后获取该区域的高分辨率卫星影像,采用目视解译法对地质灾害潜在区域进行核查,圈定出灾害区域的准确范围,对灾害的类型、严重程度、影响范围进行大致的评估。
进一步的,在步骤三所述基于机载LiDAR获取地面高精度DEM,识别隐蔽性灾害,具体的步骤为:
步骤3.1:机载LiDAR数据采集;利用机载LiDAR对地面物体进行扫描并同时装载高精度相机摄影成像,获取测区的原始激光点云数据、惯性导航仪数据、机载GPS数据和地面基站GPS数据以及高分辨率影像。
步骤3.2:机载LiDAR数据处理;将点云数据进行定向和校正,通过测得测区的反射靶坐标对点云数据进行坐标转换,将点云坐标归算到测区的局部坐标系下。
步骤3.3:点云数据去植被处理;将点云数据进行滤波处理,采用人工交互编辑的方法,先用TerraSolid软件进行计算机自动分类再结合人工精细化分类将点云中的植被、建筑等无关要素剔除掉,提取出地表的点云。
步骤3.4:构建DOM与DEM;采用Delauny三角网模拟地表起伏,能够更详尽地表现地表特征,有利于后期的解译标志的判读。
步骤3.5:构建解译标志;寻找出常见地质灾害的一般特征,构建出不同地质灾害的解译标志系统,依据解译标志系统对该地区的地质灾害进行识别。
进一步的,根据LiDAR数据生成的DOM和DEM以及地质灾害的特征可构建出滑坡、崩塌、泥石流三种常见地质灾害的解译标志。本发明的解译标志系统具体为:
滑坡解译标志:滑坡灾害多分布在沟谷、河流等陡峭边坡区域,不正常河流弯道、局部河道突然变窄、斜坡前部地下水呈线状出露以及滑坡地表的湿地和泉水涌出等,这些不正常的水文现象都是滑坡的明显解译特征。在DEM中滑坡呈现簸箕形、舌形、梨形等不规则等坡面形态,规模较大时可见到滑坡壁、滑坡台阶、滑坡鼓丘、封闭洼地、滑坡舌、滑坡裂缝等微地貌形态。
崩塌解译标志:崩塌灾害多发育于陡峻的山坡地段,上陡下缓,崩塌体堆积在谷底或斜坡平缓地段,地表植被往往呈丛状,崩塌体的后缘常为带状分布的陡峭山崖与绝壁。在DEM中崩塌体轮廓明显,表面坎坷不平,其上部外围有时可见到放射状张节理形成的裂缝。
泥石流解译标志:泥石流多分布在陡峭地形和较大沟床纵坡的区域,植被下通常存在大量松散固体堆积物。在DEM中可以清楚看到泥石流的物源区、流通区和堆积区,堆积区的表面较为光滑,呈倒锥状,流通区一般为泥石流沟的沟床,呈直线或曲线条带状。
进一步的,在获得地质灾害潜在高发区域的DEM和DOM后,可依据地质灾害解译系统判断出地质灾害的类型以及存在的隐蔽性灾害。对出现较为明显地质灾害早期特征的区域应进行现场核查和人工巡查,根据当地的裂缝宽度和沉降速率制定灾害预防方案和查巡机制,对现场的变化进行及时的记录和反馈。
本发明突破了传统地质灾害监测效率低、轻整体重局部、时效性低的局限,将InSAR、光学遥感、机载LiDAR三种技术综合应用到地质灾害普查中,实现了地质灾害的大范围普查、低成本操作以及实时反馈。该方法节约了大量的人力物力,识别的准确性较高,是一种经济、准确、可靠的地质灾害普查手段。
附图说明
图1为本发明的一种基于星空地一体化地质灾害普查方法的流程图。
图2为SBAS-InSAR技术的处理流程图。
图3为实施例中影像数据覆盖的区域。
图4为经SBAS技术处理后得到的变形速率图。
图5为筛选出来的地质灾害潜在区域。
图6为地质灾害潜在区域不同时间段的光学影像对比图。
图7为机载LiDAR技术的实施流程图。
图8为机载LiDAR获取的DEM
具体实施方式
下面结合附图对本发明进行进一步描述,以使本发明的优点和特征能更好地被本领域的技术人员理解。但应注意,本文所描述的实例只是本发明实施例的一部分,只要各种变化在所附权利要求限定的范围内,都属于本发明的保护范围内。
如图1所示,一种基于星空地一体化的地砖灾害普查方法,包括以下步骤:
步骤一:基于InSAR技术进行大范围的地表形变普查,筛选出地表形变速率较快的区域,作为地质灾害潜在区域进行重点排查:
筛选出地质灾害潜在区域的方法为:采用SBAS-InSAR技术,这种方法不仅能克服DInSAR技术无法去除时空失相关、大气延迟相位等因素干扰的缺点,同时因其基于多景主影像产生干涉对,之后再提取在一定时间内保持相干性的分布式点目标,从而能够解决PS-InSAR技术因选取一幅影像作为公共主影像而造成的部分干涉对相干性较差的问题。
对照附图2,SBAS-Insar技术的处理流程可以简单总结为以下步骤:
步骤1.1:获取SAR影像;
步骤1.2:生成连接图;
步骤1.3:引入参考DEM
步骤1.4:形成差分干涉图;
步骤1.5:相位解缠;
步骤1.6:依据相干系数图选取高相干点;
步骤1.7:去除残余地质和低通相位;
步骤1.8:生成形变时间序列;
依据上述的SBAS处理步骤,选取了云南省大理市南部的20景降轨Sentinel-1A影像进行处理。区域中心坐标为100°48’E,24°56’N,影像覆盖面积为1000平方公里,具体覆盖范围如图3所示,时间范围在2019年4月~2020年 3月。该组影像成像模式为IW模式,采用VV+VH极化方式。其中所用影像的成像日期以及累积时间基线表如表1所示。
表1 Sentinel-1A影像成像日期及累积时间基线表
其中在形成差分干涉图时,应满足以下的条件:针对覆盖同一区域的按照时间顺序排列的N+1幅单视复数影像,任选一景影像为主影像进行配准,之后设置合适的时间和空间基线阈值,将小于时空阈值的影像进行组合;并将组合后的影像对进行差分干涉,生成M幅干涉图,且M幅干涉图满足以下条件:
式中,N为雷达影像数量;M为干涉图数量。
由于影像覆盖的区域都是山区,在SBAS处理中可能会出现相干性较差的情况,于是在形成干涉图和解缠的步骤中对解缠的方法和参数进行重新设定: (1)提高分解的等级,将分解等级设置为2,此时干涉图将以一个较低的分辨率被解缠然后再重采样成原来的分辨率。当出现大范围低相干性区域时,该措施可以提高解缠的质量和处理效率,提高解缠正确性。
(2)将解缠相关系数阈值设置为0.20,由于普查的区域多为山区,多为相干性较差的区域,适当地降低解缠系数阈值,可以避免解缠结果较少,出现空洞,部分数据丢失的情况。
(3)采用Costantini提出的针对稀疏目标进行解缠的算法,即最小费用流法对差分干涉图进行解缠,对于tA和tB时刻获取的主从影像进行差分干涉后生成的第j幅差分干涉图,其干涉相位组成如下:
式中,为任意一点的干涉相位;和分别为tA时刻和tB时刻对应于t0时刻的相位;为与形变有关的相位信息,其中d(tA)和d(tB) 分别为d(tA)时刻和时刻对应于t0时刻的累积形变量, 为与地形有关的相位信息,可以看出,其与垂直基线B_大小成正比,与雷达至地面目标的斜距r 以及入射角大小θ成反比,为与大气有关的相位信息,即分别为时刻、时刻成像时的大气延迟相位;Δnj为失相关以及噪声所引起的相位信息。
为了提高SBAS处理结果的精度与可靠性,需将影像的高程误差、大气延迟误差以及噪声所对应的相位信息去除,在实施例中采用了以下措施减小误差:
(4)在步骤1.3中引入外部参考数字高程模型按照雷达构像方程来模拟生成地形相位,之后再从雷达干涉图中去除地形得到干涉图;
(5)在步骤1.6中添加控制点进行轨道重计算和重去平并基于上次结果进行多次迭代计算。当轨道参数不够精确时,会影响干涉相位转变成地形高程。轨道精炼是基于多项式进行计算的,正常为三次多项式,当控制点不够无法解算时程序会自动降低多项式的次数重新计算,但精度会有所降低,为了避免出现该情况应至少选取20个以上的控制点。在重去平完成后查看计算精度,当精度较低时,重复该步骤,重新选择控制点,在该次结果的基础上再次进行轨道精炼和重去平。
(6)在步骤1.7中利用大气延迟与形变、噪声在时间域和空间域中表现出的不同特性,将大气延迟相位从残余相位中区分出来;通过多视和滤波有效地去除噪声以及失相关引起的相位误差。
经过以上步骤对误差进行改正后,差分相位可化简为:
最后使用奇异分解法计算出误差方程矩阵的广义逆从而求出方程组的最小二乘解,进而得到区域内的形变速率,将平均变形速率进行时间域上的积分,即可求得时间段内的历史累积变形量。
图4为云南地区的影像按上述的方法处理得到的形变速率图。由图可知,形变速率为正代表抬升,而形变速率为负则表示下沉形变,影像中部分区域呈现了大面积的±30mm/yr形变速率波动,这些区域主要集中在影像覆盖范围的东南角,同时也有少数形变速率较快的区域分布在中心地带,这些区域可认定为地质灾害潜在区域,后续继续对该区域的地质灾害情况进行进一步调查。
步骤二:基于光学影像目视解译法,对潜在的地质灾害区域的地貌特征和裂缝进行识别,对该地区的滑坡规模、整体稳定性进行定性评价,圈定出地质灾害发生的范围。
依据实施例中经过SBAS处理的云南地区形变速率图,如图5所示,选取了影像中部一个形变速率较快的区域作为地质灾害的潜在区域,获取该地区的不同时期的历史光学影像图进行目视解译,通过影像对比进一步缩小地质灾害可能发生的范围,圈定出准确的区域。
通过对该区域的历史光学影像对比,发现在该区域的中心地带,坐标为 100°15′9.18″E,24°54′52.16″N附近的地区,虽然没有观察到裂缝和形变,但是地貌出现了明显的变化。如图6所示,在一年的时间内该地区的植被大量减少,同时斜坡出现一定程度的位移,查阅资料得知2020年1、2月份云南地区的降雨量大幅上升,当暴雨来临时,该斜坡可能会出现滑坡或泥石流灾害,将会对附近的村庄造成难以估算的损失。
步骤三:基于机载LiDAR获取地面激光点云数据,采用滤波算法剔除地面植被,获取真实地面高程信息,建立高精度DEM,识别出隐蔽性较强的地质灾害隐患。
对照附图7,机载LiDAR获取地面数据的具体步骤为:
步骤3.1:机载LiDAR数据采集;利用机载LiDAR对地面物体进行扫描并同时装载高精度相机摄影成像,获取测区的原始激光点云数据、惯性导航仪数据、机载GPS数据和地面基站GPS数据以及高分辨率影像。
步骤3.2:机载LiDAR数据处理;将点云数据进行定向和校正,通过测得测区的反射靶坐标对点云数据进行坐标转换,将点云坐标归算到测区的局部坐标系下。
步骤3.3:点云数据去植被处理;将点云数据进行滤波处理,采用人工交互编辑的方法,先用TerraSolid软件进行计算机自动分类再结合人工精细化分类将点云中的植被、建筑等无关要素剔除掉,提取出地表的点云。
步骤3.4:构建DOM与DEM;采用Delauny三角网模拟地表起伏,能够更详尽地表现地表特征,有利于后期的解译标志的判读。
步骤3.5:构建解译标志;寻找出常见地质灾害的一般特征,构建出不同地质灾害的解译标志系统,依据解译标志系统对该地区的地质灾害进行识别。
根据LiDAR数据生成的DOM和DEM以及地质灾害的特征可构建出滑坡、崩塌、泥石流三种常见地质灾害的解译标志。本发明的解译标志系统具体为:
滑坡解译标志:滑坡灾害多分布在沟谷、河流等陡峭边坡区域,不正常河流弯道、局部河道突然变窄、斜坡前部地下水呈线状出露以及滑坡地表的湿地和泉水涌出等,这些不正常的水文现象都是滑坡的明显解译特征。在DEM中滑坡呈现簸箕形、舌形、梨形等不规则等坡面形态,规模较大时可见到滑坡壁、滑坡台阶、滑坡鼓丘、封闭洼地、滑坡舌、滑坡裂缝等微地貌形态。
崩塌解译标志:崩塌灾害多发育于陡峻的山坡地段,上陡下缓,崩塌体堆积在谷底或斜坡平缓地段,地表植被往往呈丛状,崩塌体的后缘常为带状分布的陡峭山崖与绝壁。在DEM中崩塌体轮廓明显,表面坎坷不平,其上部外围有时可见到放射状张节理形成的裂缝。
泥石流解译标志:泥石流多分布在陡峭地形和较大沟床纵坡的区域,植被下通常存在大量松散固体堆积物。在DEM中可以清楚看到泥石流的物源区、流通区和堆积区,堆积区的表面较为光滑,呈倒锥状,流通区一般为泥石流沟的沟床,呈直线或曲线条带状。
步骤四:对出现较为明显地质灾害早期特征的区域进行现场核查和人工巡查,根据当地的裂缝宽度和沉降速率制定灾害预防方案和查巡机制,对现场的变化进行及时的记录和反馈。
依据步骤三所述的LiDAR获取地表DEM的方法,对实施例中通过光学影像目视解译法圈定出来的可能存在地质灾害的区域进行LiDAR无人机航拍,最后剔除地面植被后获得真实地表DEM。如图8所示,通过DEM可观测到该地区呈现出梨形的不规则坡面,其纵断面形态上陡下缓,表面平整土体密实,无明显沉陷不均现象,该斜坡可以判断为滑坡壁,确实存在滑坡的可能。后续应对该区域的地表形变保持持续的观测,依据现场情况和形变速率制定监测的频率,可以通过对该地区进行多次LiDAR无人机航拍,用不同时期的DEM进行对比,监测该地区的形变速率是否有加快的趋势,及时制定出滑坡预警方案。
本发明将InSAR、光学遥感、机载LiDAR三种地面数据获取的方法融合到地质灾害的识别方法中,避免了目前地质灾害盲目识别、效率低的现状。首先用InSAR数据进行大范围的地质灾害普查,锁定变形速率较快的局部区域,然后使用光学遥感影像对这些局部区域进行核查,进一步缩小地质灾害潜在的范围。最后,对这些区域采用机载LiDAR技术获取地面DEM和DOM,提高识别的准确性,同时寻找出隐蔽性较强的灾害。总而言之,该方法通过多层次、多手段、多精度的多元数据融合方法,为地质灾害识别提供低成本高效率、更精密更可靠的技术支持。
Claims (9)
1.一种基于星空地一体化地质灾害普查方法,其特征在于,包括以下步骤:
步骤一:基于InSAR技术进行大范围的地表形变普查,筛选出地表形变速率较快的区域,作为地质灾害潜在区域进行重点排查。
步骤二:基于卫星光学影像目视解译法,对筛选出来的潜在的地质灾害区域进行核查,对其地貌特征和裂缝进行识别,对该地区的滑坡规模、整体稳定性进行定性评价,圈定出灾害区域的准确范围,进一步查找出地质灾害潜在的高发区域。
步骤三:基于机载LiDAR获取地质灾害潜在高发区域的地面激光点云数据,采用滤波算法剔除地面植被,获取真实地面高程信息,建立高精度DEM和DOM,判断灾害的类型和影响范围,同时识别出隐蔽性较强的地质灾害隐患。
步骤四:对出现较为明显地质灾害早期特征的区域进行现场核查和人工巡查,根据当地的裂缝宽度和沉降速率制定灾害预防方案和查巡机制,对现场的变化进行及时的记录和反馈。
2.根据权利要求1所述的一种基于星空地一体化地质灾害普查方法,其特征在于:在所述的步骤一中,采用SBAS-InSAR技术,这种方法不仅能克服DInSAR技术受时空失相关、大气延迟相位等因素制约而导致精度较低的缺点,同时因其基于多景主影像产生干涉对,之后再提取在一定时间内保持相干性的分布式点目标,从而能够解决PS-InSAR技术因选取一幅影像作为公共主影像而造成的部分干涉对相干性较差的问题。
3.根据权利要求2所述的一种基于星空地一体化地质灾害普查方法,其特征在于:采用InSAR技术中的SBAS技术进行大范围的普查,具体操作为:
步骤3.1:获取SAR影像;
步骤3.2:生成连接图;
步骤3.3:引入参考DEM
步骤3.4:形成差分干涉图;
步骤3.5:相位解缠;
步骤3.6:依据相干系数图选取高相干点;
步骤3.7:去除残余地形和低通相位
步骤3.8:生成形变时间序列。
4.根据权利要求3所述的一种基于星空地一体化地质灾害普查方法,其特征在于:由于对地质灾害普查的区域多为山区,在SBAS处理中可能会出现相干性较差的情况,于是在步骤3.5中对解缠的方法和参数进行重新设定:
(1)提高分解的等级,将分解等级设置为2,此时干涉图将以一个较低的分辨率被解缠然后再重采样成原来的分辨率。当出现大范围低相干性区域时,该措施可以提高解缠的质量和处理效率,提高解缠正确性。
(2)将解缠相关系数阈值设置为0.20,由于普查的区域多为山区,多为相干性较差的区域,适当地降低解缠系数阈值,可以避免解缠结果较少,出现空洞,部分数据丢失的情况。
(3)采用Costantini提出的针对稀疏目标进行解缠的算法,即最小费用流法对差分干涉图进行解缠,对于tA和tB时刻获取的主从影像进行差分干涉后生成的第j幅差分干涉图,其干涉相位组成如下:
5.根据权利要求3所述的一种基于星空地一体化地质灾害普查方法,其特征在于:为了提高处理结果的精度与可靠性,需将高程误差、大气延迟误差以及噪声所对应的相位信息去除。在SBAS技术中采用了以下措施减小误差:
(1)在步骤3.3中引入外部参考数字高程模型按照雷达构像方程来模拟生成地形相位,之后再从雷达干涉图中去除地形得到干涉图;
(2)在步骤3.6中添加控制点进行轨道重计算和重去平并基于上次结果进行多次迭代计算。当轨道参数不够精确时,会影响干涉相位转变成地形高程。轨道精炼是基于多项式进行计算的,正常为三次多项式,当控制点不够,无法解算时程序会自动降低多项式的次数重新计算,但精度会有所降低,为了避免出现该情况应至少选取20个以上的控制点。在重去平完成后查看计算精度,当精度较低时,重复该步骤,重新选择控制点,在该次结果的基础上再次进行轨道精炼和重去平。
(3)在步骤3.7中利用大气延迟与形变、噪声在时间域和空间域中表现出的不同特性,使用空间低通滤波和时间高通滤波将大气延迟相位从残余相位中区分出来,通过多视和滤波有效地去除噪声以及失相关引起的相位误差。
经过以上步骤对误差进行改正后,差分相位可化简为:
6.根据权利要求1所述的一种基于星空地一体化地质灾害普查方法,其特征在于:将InSAR技术大范围普查与光学遥感准确识别的优点相结合,先利用InSAR技术大范围排查地质灾害潜在区域,然后在所述的步骤二中,采用目视解译法对地质灾害潜在区域进行核查。通过光学遥感领域中的目视解译法对同一地区的历史影像对比分析,能够很好地识别出地质灾害的特征要素和变形轨迹。但是由于解译的标志往往带有地区性且同一地区的解译标志也具有可变性,因此该方法对解译人员的专业水平要求较高,进行大范围的普查需要花费工作人员较多的时间与精力。同样的,InSAR技术可分析出大范围区域的变形结果,但局部地区的形变内容不够精细,无法准确划分出地质灾害的影响范围,且当地质变形速率较快时,会导致失相干,无法进行有效的探测。因此将两种技术的优点相结合,先通过InSAR技术在范围内筛选出形变速率较快的地区,然后通过目视解译法进一步检验,排除误判的区域,准确锁定地质灾害潜在区域。
7.根据权利要求1所述的一种基于星空地一体化地质灾害普查方法,其特征在于:步骤三中,采用机载LiDAR获取地面高程数据,克服了InSAR技术和光学遥感无法穿透植被与建筑的缺点,建立了精确的地表DEM以及DOM,能够依据地形和水文条件,迅速寻找出隐蔽性较强的灾害,并且通过对数据的解译可进一步准确圈绘出灾害体的边界和影响范围,确认灾害的类型和变形特征。
8.根据权利要求1所述的一种基于星空地一体化地质灾害普查方法,其特征在于:步骤三中,基于机载LiDAR获取地表高精度数据的具体实施步骤为:
步骤8.1:机载LiDAR数据采集;利用机载LiDAR对地面物体进行扫描并同时装载高精度相机摄影成像,获取测区的原始激光点云数据、惯性导航仪数据、机载GPS数据和地面基站GPS数据以及高分辨率影像。
步骤8.2:机载LiDAR数据处理;将点云数据进行定向和校正,通过测得测区的反射靶坐标对点云数据进行坐标转换,将点云坐标归算到测区的局部坐标系下。
步骤8.3:点云数据去植被处理;将点云数据进行滤波处理,采用人工交互编辑的方法,先用TerraSolid软件进行计算机自动分类再结合人工精细化分类将点云中的植被、建筑等无关要素剔除掉,提取出地表的点云。
步骤8.4:构建DOM与DEM;采用Delauny三角网模拟地表起伏,能够更详尽地表现地表特征,有利于后期的解译标志的判读。
步骤8.5:构建解译标志;寻找出常见地质灾害的一般特征,构建出不同地质灾害的解译标志系统,依据解译标志系统对该地区的地质灾害进行识别。
9.根据权利要求8所述的一种基于星空地一体化地质灾害普查方法,其特征在于:步骤8.5中,根据基于LiDAR数据生成的DOM和DEM以及地质灾害的特征可构建出滑坡、崩塌、泥石流三种常见地质灾害的解译标志。实际上,LIDAR处理结果的解译标志与传统的光学影像解译标志基本一致,但生成的DEM经过了去植被处理,能够呈现更精细的地表的三维信息,能够更清楚地表现区域内的地貌以及走势,而DOM能够直观地反映当地的水文条件与植被特征,两者结合能够迅速地判断出灾害的类型并准确地划分出灾害的影响范围。本发明的解译标志系统具体为:
9.1滑坡解译标志:滑坡灾害多分布在沟谷、河流等陡峭边坡区域,不正常河流弯道、局部河道突然变窄、斜坡前部地下水呈线状出露以及滑坡地表的湿地和泉水涌出等,这些不正常的水文现象都是滑坡的明显解译特征。在DEM中滑坡呈现簸箕形、舌形、梨形等不规则等坡面形态,规模较大时可见到滑坡壁、滑坡台阶、滑坡鼓丘、封闭洼地、滑坡舌、滑坡裂缝等微地貌形态。
9.2崩塌解译标志:崩塌灾害多发育于陡峻的山坡地段,上陡下缓,崩塌体堆积在谷底或斜坡平缓地段,地表植被往往呈丛状,崩塌体的后缘常为带状分布的陡峭山崖与绝壁。在DEM中崩塌体轮廓明显,表面坎坷不平,其上部外围有时可见到放射状张节理形成的裂缝。
9.3泥石流解译标志:泥石流多分布在陡峭地形和较大沟床纵坡的区域,植被下通常存在大量松散固体堆积物。在DEM中可以清楚看到泥石流的物源区、流通区和堆积区,堆积区的表面较为光滑,呈倒锥状,流通区一般为泥石流沟的沟床,呈直线或曲线条带状。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010959026.4A CN112198511A (zh) | 2020-09-14 | 2020-09-14 | 一种基于星空地一体化地质灾害普查方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010959026.4A CN112198511A (zh) | 2020-09-14 | 2020-09-14 | 一种基于星空地一体化地质灾害普查方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112198511A true CN112198511A (zh) | 2021-01-08 |
Family
ID=74014856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010959026.4A Pending CN112198511A (zh) | 2020-09-14 | 2020-09-14 | 一种基于星空地一体化地质灾害普查方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112198511A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112923904A (zh) * | 2021-01-26 | 2021-06-08 | 四川融鑫信息科技有限公司 | 面向多无人机协同摄影测量的地质灾害隐患探测方法 |
CN113091597A (zh) * | 2021-04-01 | 2021-07-09 | 浙江易智信息技术有限公司 | 基于Insar地表形变监测技术查找地面坍塌隐患的方法 |
CN113506203A (zh) * | 2021-07-12 | 2021-10-15 | 京创智慧科技有限责任公司 | 一种数据处理方法、装置、设备及存储介质 |
CN113505994A (zh) * | 2021-07-12 | 2021-10-15 | 京创智慧科技有限责任公司 | 一种数据处理方法、装置、设备及存储介质 |
CN113642544A (zh) * | 2021-10-14 | 2021-11-12 | 中国测绘科学研究院 | 基于InSAR形变信息的疑似地灾隐患区自动提取方法及系统 |
CN113933838A (zh) * | 2021-09-30 | 2022-01-14 | 应急管理部国家自然灾害防治研究院 | 一种面向多种地质灾害场景的InSAR形变监测方法和设备 |
CN115422766A (zh) * | 2022-09-26 | 2022-12-02 | 北京云庐科技有限公司 | 一种基于数字孪生技术的泥石流监测方法及系统 |
CN115615344A (zh) * | 2022-12-06 | 2023-01-17 | 中国地质环境监测院(自然资源部地质灾害技术指导中心) | 一种地表形变监测方法、装置、电子设备及存储介质 |
KR20230030881A (ko) * | 2021-08-26 | 2023-03-07 | 주식회사 자연과기술 | 땅 밀림 모니터링과 암석 균열 측정 및 분석 시스템 |
CN116504032A (zh) * | 2023-06-28 | 2023-07-28 | 湖南科技大学 | 一种基于实景三维的滑坡危险性监测预警方法及系统 |
CN116994156A (zh) * | 2023-09-27 | 2023-11-03 | 自然资源部第三地理信息制图院 | 一种滑坡隐患综合遥感识别方法、系统、设备及介质 |
CN117348022A (zh) * | 2023-09-26 | 2024-01-05 | 长安大学 | 一种基于多源数据的滑坡后缘裂缝识别方法 |
CN117784075A (zh) * | 2024-02-27 | 2024-03-29 | 中国铁路设计集团有限公司 | 一种融合雷达遥感和空间分析的岩溶发育强度分级方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016057092A (ja) * | 2014-09-05 | 2016-04-21 | 国立研究開発法人情報通信研究機構 | Sar図からの立体地形図形成方法 |
CN110132237A (zh) * | 2019-05-05 | 2019-08-16 | 四川省地质工程勘察院 | 一种城市地面变形灾害早期识别的方法 |
KR20190140175A (ko) * | 2018-06-11 | 2019-12-19 | 한국건설기술연구원 | 무인비행체에 탑재된 합성구경레이더 센서를 활용한 비탈면 변위 측정 시스템 및 그 방법 |
CN111090954A (zh) * | 2019-12-17 | 2020-05-01 | 国家电网有限公司 | 一种地质灾害隐患判识以及分析评估并治理的方法 |
-
2020
- 2020-09-14 CN CN202010959026.4A patent/CN112198511A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016057092A (ja) * | 2014-09-05 | 2016-04-21 | 国立研究開発法人情報通信研究機構 | Sar図からの立体地形図形成方法 |
KR20190140175A (ko) * | 2018-06-11 | 2019-12-19 | 한국건설기술연구원 | 무인비행체에 탑재된 합성구경레이더 센서를 활용한 비탈면 변위 측정 시스템 및 그 방법 |
CN110132237A (zh) * | 2019-05-05 | 2019-08-16 | 四川省地质工程勘察院 | 一种城市地面变形灾害早期识别的方法 |
CN111090954A (zh) * | 2019-12-17 | 2020-05-01 | 国家电网有限公司 | 一种地质灾害隐患判识以及分析评估并治理的方法 |
Non-Patent Citations (4)
Title |
---|
佘金星 等: "丹巴地质灾害隐患早期识别关键技术研究", 测绘, vol. 42, no. 9, pages 243 - 247 * |
向淇文 等: "基于SBAS技术的川藏铁路折多山地区地表形变监测与分析", 测绘工程, vol. 29, no. 4, pages 48 - 54 * |
许强 等: "基于天-空-地一体化的重大地质灾害隐患早期识别与监测预警", 武汉大学学报 信息科学版, vol. 44, no. 7, pages 957 - 965 * |
陆超然;蔡杰华;刘东烈;郭金城;董杰;廖明生;: "基于卫星InSAR技术的地质灾害隐患点探测与形变分析", 南京信息工程大学学报(自然科学版), no. 02, pages 63 - 65 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112923904A (zh) * | 2021-01-26 | 2021-06-08 | 四川融鑫信息科技有限公司 | 面向多无人机协同摄影测量的地质灾害隐患探测方法 |
CN113091597A (zh) * | 2021-04-01 | 2021-07-09 | 浙江易智信息技术有限公司 | 基于Insar地表形变监测技术查找地面坍塌隐患的方法 |
CN113506203A (zh) * | 2021-07-12 | 2021-10-15 | 京创智慧科技有限责任公司 | 一种数据处理方法、装置、设备及存储介质 |
CN113505994A (zh) * | 2021-07-12 | 2021-10-15 | 京创智慧科技有限责任公司 | 一种数据处理方法、装置、设备及存储介质 |
KR102619960B1 (ko) | 2021-08-26 | 2024-01-02 | 주식회사 자연과기술 | 땅 밀림 모니터링과 암석 균열 측정 및 분석 시스템 |
KR20230030881A (ko) * | 2021-08-26 | 2023-03-07 | 주식회사 자연과기술 | 땅 밀림 모니터링과 암석 균열 측정 및 분석 시스템 |
CN113933838B (zh) * | 2021-09-30 | 2022-05-31 | 应急管理部国家自然灾害防治研究院 | 一种面向多种地质灾害场景的InSAR形变监测方法和设备 |
CN113933838A (zh) * | 2021-09-30 | 2022-01-14 | 应急管理部国家自然灾害防治研究院 | 一种面向多种地质灾害场景的InSAR形变监测方法和设备 |
CN113642544A (zh) * | 2021-10-14 | 2021-11-12 | 中国测绘科学研究院 | 基于InSAR形变信息的疑似地灾隐患区自动提取方法及系统 |
CN113642544B (zh) * | 2021-10-14 | 2022-04-01 | 中国测绘科学研究院 | 基于InSAR形变信息的疑似地灾隐患区自动提取方法及系统 |
CN115422766A (zh) * | 2022-09-26 | 2022-12-02 | 北京云庐科技有限公司 | 一种基于数字孪生技术的泥石流监测方法及系统 |
CN115615344A (zh) * | 2022-12-06 | 2023-01-17 | 中国地质环境监测院(自然资源部地质灾害技术指导中心) | 一种地表形变监测方法、装置、电子设备及存储介质 |
CN116504032A (zh) * | 2023-06-28 | 2023-07-28 | 湖南科技大学 | 一种基于实景三维的滑坡危险性监测预警方法及系统 |
CN116504032B (zh) * | 2023-06-28 | 2023-09-22 | 湖南科技大学 | 一种基于实景三维的滑坡危险性监测预警方法及系统 |
CN117348022A (zh) * | 2023-09-26 | 2024-01-05 | 长安大学 | 一种基于多源数据的滑坡后缘裂缝识别方法 |
CN117348022B (zh) * | 2023-09-26 | 2024-05-24 | 长安大学 | 一种基于多源数据的滑坡后缘裂缝识别方法 |
CN116994156A (zh) * | 2023-09-27 | 2023-11-03 | 自然资源部第三地理信息制图院 | 一种滑坡隐患综合遥感识别方法、系统、设备及介质 |
CN116994156B (zh) * | 2023-09-27 | 2023-12-08 | 自然资源部第三地理信息制图院 | 一种滑坡隐患综合遥感识别方法、系统、设备及介质 |
CN117784075A (zh) * | 2024-02-27 | 2024-03-29 | 中国铁路设计集团有限公司 | 一种融合雷达遥感和空间分析的岩溶发育强度分级方法 |
CN117784075B (zh) * | 2024-02-27 | 2024-05-10 | 中国铁路设计集团有限公司 | 一种融合雷达遥感和空间分析的岩溶发育强度分级方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112198511A (zh) | 一种基于星空地一体化地质灾害普查方法 | |
CN111142119B (zh) | 一种基于多源遥感数据的矿山地质灾害动态识别与监测方法 | |
Valkaniotis et al. | Mapping an earthquake-induced landslide based on UAV imagery; case study of the 2015 Okeanos landslide, Lefkada, Greece | |
Jaboyedoff et al. | Use of LIDAR in landslide investigations: a review | |
Travelletti et al. | Image-based correlation of Laser Scanning point cloud time series for landslide monitoring | |
Hervás et al. | Monitoring landslides from optical remotely sensed imagery: the case history of Tessina landslide, Italy | |
Barbarella et al. | Monitoring of large landslides by Terrestrial Laser Scanning techniques: field data collection and processing | |
Dewitte et al. | Tracking landslide displacements by multi-temporal DTMs: A combined aerial stereophotogrammetric and LIDAR approach in western Belgium | |
Bitelli et al. | Terrestrial laser scanning and digital photogrammetry techniques to monitor landslide bodies | |
Micheletti et al. | Application of archival aerial photogrammetry to quantify climate forcing of alpine landscapes | |
Pesci et al. | Multitemporal laser scanner-based observation of the Mt. Vesuvius crater: Characterization of overall geometry and recognition of landslide events | |
Hopkinson et al. | Comparing alpine watershed attributes from LiDAR, photogrammetric, and contour‐based digital elevation models | |
Nuimura et al. | Downwasting of the debris-covered area of Lirung Glacier in Langtang Valley, Nepal Himalaya, from 1974 to 2010 | |
Zeybek et al. | Investigation of landslide detection using radial basis functions: a case study of the Taşkent landslide, Turkey | |
Pesci et al. | Integration of ground-based laser scanner and aerial digital photogrammetry for topographic modelling of Vesuvio volcano | |
Chrysoulakis et al. | Validation of ASTER GDEM for the Area of Greece | |
Hu et al. | Analysis of regional large-gradient land subsidence in the Alto Guadalentín Basin (Spain) using open-access aerial LiDAR datasets | |
Sarychikhina et al. | Application of satellite SAR interferometry for the detection and monitoring of landslides along the Tijuana-Ensenada Scenic Highway, Baja California, Mexico | |
Brighenti et al. | UAV survey method to monitor and analyze geological hazards: the case study of the mud volcano of Villaggio Santa Barbara, Caltanissetta (Sicily) | |
Walstra et al. | Time for change-quantifying landslide evolution using historical aerial photographs and modern photogrammetric methods | |
Razi et al. | Multi-temporal land deformation monitoring in V shape area using quasi-persistent scatterer (Q-PS) interferometry technique | |
Herzog et al. | Capturing complex star dune dynamics—repeated highly accurate surveys combining multitemporal 3D topographic measurements and local wind data | |
Barbarella et al. | Multi-temporal terrestrial laser scanning survey of a landslide | |
Abili | Comparison of vertical accuracy of open-source global digital elevation models: a case study of Adama City, Ethiopia | |
Kaplinski et al. | Monitoring fine-sediment volume in the Colorado River ecosystem, Arizona: Construction and analysis of digital elevation models |
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 |