CN112598881A - 一种地质灾害监测方法、装置及计算机设备 - Google Patents
一种地质灾害监测方法、装置及计算机设备 Download PDFInfo
- Publication number
- CN112598881A CN112598881A CN202011415858.6A CN202011415858A CN112598881A CN 112598881 A CN112598881 A CN 112598881A CN 202011415858 A CN202011415858 A CN 202011415858A CN 112598881 A CN112598881 A CN 112598881A
- Authority
- CN
- China
- Prior art keywords
- geological
- target
- information
- monitoring
- target area
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Alarm Systems (AREA)
- Geophysics And Detection Of Objects (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本申请提供一种地质灾害监测方法、装置及计算机设备,属于灾害预防技术领域。该方法包括:获取目标区域的区域信息,区域信息包括雷达图像、数字高程模型以及光学遥感图像;根据目标区域的区域信息确定目标区域的地质灾害识别条件,地质灾害识别条件包括:目标区域的地表形变时间序列、地形条件以及植被地物分类图;分别根据目标区域的地表形变时间序列、地形条件、植被地物分类图像确定满足预设条件的目标子区域;对目标子区域进行地质灾害监测。本申请可以提高对地质灾害监测和预防的准确性。
Description
技术领域
本申请涉及灾害预防技术领域,具体而言,涉及一种地质灾害监测方法、装置及计算机设备。
背景技术
随着人类活动的日益加剧,地面沉降、地裂缝、滑坡、崩塌、塌陷、泥石流等地质灾害有逐渐加剧的趋势。这些灾害给人们的生命财产、经济发展和社会稳定等带来了极大的损害。
为了对这些地质灾害进行监测以及预防,现有技术中采用的方法为采用合成孔径雷达干涉技术对地表进行全天时、全天候的监测,以确定地表发生形变的情况,进而进行地质灾害预防。
然而,合成孔径雷达干涉技术受到其成像几何原理的局限,无法对其方位向的形变进行有效监测。另外,受到起伏地形的影响,其雷达阴影、叠掩、顶底倒置等现象仍无法克服,导致了仅仅采用合成孔径雷达干涉技术并不能准确地得到地表的形变,相应地,对地质灾害的监测和预防效果也较低。
发明内容
本申请的目的在于提供一种地质灾害监测方法、装置及计算机设备,可以提高对地质灾害监测和预防的准确性。
本申请的实施例是这样实现的:
本申请实施例的一方面,提供一种地质灾害监测方法,包括:
获取目标区域的区域信息,区域信息包括雷达图像、数字高程模型以及光学遥感图像;
根据目标区域的区域信息确定目标区域的地质灾害识别条件,地质灾害识别条件包括:目标区域的地表形变时间序列、地形条件以及植被地物分类图;
分别根据目标区域的地表形变时间序列、地形条件、植被地物分类图像确定满足预设条件的目标子区域;
对目标子区域进行地质灾害监测。
可选地,根据目标区域的区域信息确定目标区域的地质灾害识别条件,包括:
确定数字高程模型的差分结果;
根据数字高程模型、数字高程模型的差分结果、雷达图像以及光学遥感图像,确定目标区域的地址灾害识别条件。
可选地,根据数字高程模型、数字高程模型的差分结果、雷达图像以及光学遥感图像,确定目标区域的地质灾害识别条件,包括:
对数字高程模型的差分结果以及雷达图像进行识别处理,得到目标区域的地表形变时间序列;
对数字高程模型进行地形梯度分析,获取目标区域的地形条件;
对光学遥感图像进行图像分割、增强、纹理分析,并结合数字高程模型对光学遥感图像进行辅助分析,获取目标区域的植被地物分类图。
可选地,对数字高程模型的差分结果以及雷达图像进行识别处理,得到目标区域的地表形变时间序列,包括:
基于合成孔径雷达干涉,对数字高程模型的差分结果以及雷达图像进行识别处理,得到目标区域的地表形变时间序列。
可选地,对目标子区域进行地质灾害监测,包括:
获取目标子区域的第一地质信息,第一地质信息由无人机进行摄影测量得到,第一地质信息包括以下至少一项:地物长度、宽度、高度、面积以及体积;
若第一地质信息满足预设的灾害反演条件,则将第一地质信息发送至监测设备,并由监测设备确定地表变形体。
可选地,该方法还包括:
若第一地质信息不满足预设的灾害反演条件,则获取第二地质信息,第二地质信息基于机载激光雷达测量得到,第二地质信息包括以下至少一项:目标地物形态边界、面积以及体积;
将第一地质信息以及第二地质信息发送给监测设备,并由监测设备确定地表变形体。
可选地,该方法还包括:
实时获取地表变形体的安全状态参数;
根据安全状态参数的变化信息,确定地表变形体的安全状态。
可选地,将第一地质信息以及第二地质信息发送给地质监测员进行地质监测之后,该方法还包括:
实时获取地表变形体的预警参数;
若预警参数超过预设的预警阈值,则针对地表变形体输出破坏预警信息。
本申请实施例的另一方面,提供一种地质灾害监测装置,包括:获取模块、识别模块、确定模块、监测模块;
获取模块,用于获取目标区域的区域信息,区域信息包括雷达图像、数字高程模型以及光学遥感图像;
识别模块,用于根据目标区域的区域信息确定目标区域的地质灾害识别条件,地质灾害识别条件包括:目标区域的地表形变时间序列、地形条件以及植被地物分类图;
确定模块,用于分别根据目标区域的地表形变时间序列、地形条件、植被地物分类图像确定满足预设条件的目标子区域;
监测模块,用于对目标子区域进行地质灾害监测。
可选地,识别模块,具体用于确定数字高程模型的差分结果;根据数字高程模型、数字高程模型的差分结果、雷达图像以及光学遥感图像,确定目标区域的地址灾害识别条件。
可选地,识别模块,具体还用于对数字高程模型的差分结果以及雷达图像进行识别处理,得到目标区域的地表形变时间序列;对数字高程模型进行地形梯度分析,获取目标区域的地形条件;对光学遥感图像进行图像分割、增强、纹理分析,并结合数字高程模型对光学遥感图像进行辅助分析,获取目标区域的植被地物分类图。
可选地,识别模块,还用于基于合成孔径雷达干涉,对数字高程模型的差分结果以及雷达图像进行识别处理,得到目标区域的地表形变时间序列。
可选地,监测模块,具体用于获取目标子区域的第一地质信息,第一地质信息由无人机进行摄影测量得到,第一地质信息包括以下至少一项:地物长度、宽度、高度、面积以及体积;若第一地质信息满足预设的灾害反演条件,则将第一地质信息发送至监测设备,并由监测设备确定地表变形体。
可选地,监测模块,还用于若第一地质信息不满足预设的灾害反演条件,则获取第二地质信息,第二地质信息基于机载激光雷达测量得到,第二地质信息包括以下至少一项:目标地物形态边界、面积以及体积;将第一地质信息以及第二地质信息发送给监测设备,并由监测设备确定地表变形体。
可选地,监测模块,还用于实时获取地表变形体的安全状态参数;根据安全状态参数的变化信息,确定地表变形体的安全状态。
可选地,监测模块,还用于实时获取地表变形体的预警参数;若预警参数超过预设的预警阈值,则针对地表变形体输出破坏预警信息。
本申请实施例的另一方面,提供一种计算机设备,包括:存储器、处理器,存储器中存储有可在处理器上运行的计算机程序,处理器执行计算机程序时,实现上述地质灾害监测方法的步骤。
本申请实施例的另一方面,提供一种存储介质,存储介质上存储有计算机程序,该计算机程序被处理器执行时,实现上述地质灾害监测方法的步骤。
本申请实施例的有益效果包括:
本申请实施例提供的地质灾害监测方法、装置及计算机设备中,通过获取目标区域的区域信息,区域信息包括雷达图像、数字高程模型以及光学遥感图像;根据目标区域的区域信息确定目标区域的地质灾害识别条件,地质灾害识别条件包括:目标区域的地表形变时间序列、地形条件以及植被地物分类图;分别根据目标区域的地表形变时间序列、地形条件、植被地物分类图像确定满足预设条件的目标子区域;对目标子区域进行地质灾害监测。其中,通过目标区域的地表形变时间序列、地形条件、植被地物分类图像可以更加准确地得到满足预设条件的目标子区域,也即是可以更加准确地确定可能发生地质灾害的区域,进而可以对这些区域采取定期监测和预警等手段,提高对这些区域的地质灾害监测和预防的准确性。
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地质灾害监测方法的流程示意图;
图2为本申请实施例提供的确定目标区域的地质灾害识别条件的流程示意图;
图3为本申请实施例提供的确定目标区域的地质灾害识别条件的另一流程示意图;
图4为本申请实施例提供的对目标子区域进行地质灾害监测的流程示意图;
图5为本申请实施例提供的地质灾害监测方法的另一流程示意图;
图6为本申请实施例提供的地质灾害监测方法的又一流程示意图;
图7为本申请实施例提供的地质灾害监测装置的结构示意图;
图8为本申请实施例提供的计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
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。
在本申请的描述中,需要说明的是,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
为了便于理解本申请实施例中提供的方案,现将本申请中可能涉及到的地质灾害监测技术中术语进行解释,具体如下:
InSAR技术(合成孔径雷达干涉技术):具有全天候、全天时、覆盖范围广、空间分辨率高、非接触、综合成本低等优点,适宜于开展大范围地质灾害普查与长期持续观测。特别是InSAR具有的大范围连续跟踪微小形变的特性,使其对正在变形区具有独特的识别能力。
卫星光学遥感技术:卫星光学遥感技术因其时效性好、宏观性强、信息丰富等特点,已成为重大自然灾害调查分析和灾情评估的一种重要技术手段。基于高空间分辨率、时间分辨率和光谱分辨率的光学遥感影像,利用多时相、多数据源在地质灾害研究应用中进行复合分析,进行静态地质灾害辨识、形态分析以及地质灾害变形动态观测。地表变形会导致光谱特性变化,由此可利用光学遥感的颜色变化来有效识别地表变形,从而圈定潜在的地质灾害隐患。
无人机机载LiDAR(激光雷达)测量技术:无人机机载LiDAR测量技术是激光测距仪器主动发射脉冲信号,可部分穿透植被到达真实地表,通过点云数据去噪、滤波,剔除植被点云层数据后,可快速构建高精度地形地貌,在无地面控制点情况下数据的相对精度可达厘米级,最后利用生成的高精度地形地貌模型,结合光学影像、三维场景,或者数字地形分析算法等分别进行地质灾害解译。
无人机摄影技术:随着无人机技术的突飞猛进,利用无人机可进行高精度(厘米级)的垂直航空摄影测量和倾斜摄影测量,并快速生成测区数字地形图、数字正射影像图、数字地表模型、数字地面模型。利用三维DSM(数字高程模型)不仅可以清楚直观地查看斜坡的历史和现今变形破坏迹象(如地表裂缝、拉陷槽、错台、滑坡壁等),以此发现和识别地质灾害隐患,还可进行地表垂直位移、体积变化、变化前后剖面的计算。利用无人机航拍进行地质灾害隐患识别具有方便快捷、直观形象等特点。
可选地,本申请实施例中提供的方法可以应用于计算机设备,计算机设备可以是任意类型的终端设备,计算机设备可以获取区域信息并进行相应的处理。计算机设备可以与监测设备通信连接,将处理后的结果发送给监测设备,以使工作人员通过监测设备对可监控范围内的地质灾害情况进行监控。可选地,计算机设备和监控设备可以分开设备也可以集成设置于一体,在此不作限制。
下面来解释本申请实施例中提供的地质灾害监测方法的具体实施过程。
图1为本申请实施例提供的地质灾害监测方法的流程示意图,请参照图1,地质灾害监测方法,包括:
S110:获取目标区域的区域信息。
其中,区域信息包括雷达图像、数字高程模型以及光学遥感图像。
可选地,可以通过卫星上的雷达系统采用前述的InSAR技术获取雷达图像,通过卫星上的遥感系统采用卫星光学遥感技术获取光学遥感图像,并且可以预先建立好目标区域对应的数字高程模型,具体可以是通过无人机航拍影像生成的数字高程模型,或者也可以是互联网上下载的数字高程模型,在此不作限制。数字高程模型的分辨率可以根据实际需求进行相应选择,例如:5米、12.5米、30米等。
可选地,目标区域可以是卫星可以监测到的区域范围,可以是预设定的区域,该区域可以是较大范围的区域。
S120:根据目标区域的区域信息确定目标区域的地质灾害识别条件。
其中,地质灾害识别条件包括:目标区域的地表形变时间序列、地形条件以及植被地物分类图。
可选地,可以根据获取到的目标区域的区域信息来确定目标区域的地质灾害识别条件。其中,目标区域的地表形变时间序列可以是该区域地表发生的形变随时间变化的关系;地形条件可以是该目标区域的坡度、坡向等地理因素的条件;植被地物分类图可以是该目标区域上的植被以及地物的覆盖情况。
S130:分别根据目标区域的地表形变时间序列、地形条件、植被地物分类图像确定满足预设条件的目标子区域。
可选地,可以根据目标区域的地表形变时间序列、地形条件、植被地物分类图像来确定目标区域中满足预设条件的目标子区域,其中,预设条件可以是根据上述三种地质灾害识别条件判定的具体结果。目标子区域可以是目标区域中可能发生地质灾害的小区域,目标子区域的范围通常比目标区域小。
S140:对目标子区域进行地质灾害监测。
可选地,获取到目标子区域后,可以采用北斗无人值守地面静态监测设备或者其他类型的地面监测设备对该子区域进行监测;根据前述的判定条件可以设置多种监测方式,例如:定期监测、实时监测等。
本申请实施例提供的地质灾害监测方法中通过获取目标区域的区域信息,区域信息包括雷达图像、数字高程模型以及光学遥感图像;根据目标区域的区域信息确定目标区域的地质灾害识别条件,地质灾害识别条件包括:目标区域的地表形变时间序列、地形条件以及植被地物分类图;分别根据目标区域的地表形变时间序列、地形条件、植被地物分类图像确定满足预设条件的目标子区域;对目标子区域进行地质灾害监测。其中,通过目标区域的地表形变时间序列、地形条件、植被地物分类图像可以更加准确地得到满足预设条件的目标子区域,也即是可以更加准确地确定可能发生地质灾害的区域,进而可以对这些区域采取定期监测和预警等手段,提高对这些区域的地质灾害监测和预防的准确性。
下面来解释本申请实施例中提供的确定目标区域的地质灾害识别条件的具体实施过程。
图2为本申请实施例提供的确定目标区域的地质灾害识别条件的流程示意图,请参照图2,根据目标区域的区域信息确定目标区域的地质灾害识别条件,包括:
S210:确定数字高程模型的差分结果。
可选地,可以对数字高程模型作差分运算,得到数字高程模型的差分结果。具体的,差分运算可以是对于不同的两个时间点的数字高程模型中,每个对应的离散的点进行高程差值处理的过程。
S220:根据数字高程模型、数字高程模型的差分结果、雷达图像以及光学遥感图像,确定目标区域的地址灾害识别条件。
可选地,可以结合上述数字高程模型、数字高程模型的差分结果、雷达图像以及光学遥感图像综合进行判定,确定目标区域的地址灾害识别条件。
下面来具体解释本申请实施例中提供的确定目标区域的地质灾害识别条件的具体实施过程。
图3为本申请实施例提供的确定目标区域的地质灾害识别条件的另一流程示意图,请参照图3,根据数字高程模型、数字高程模型的差分结果、雷达图像以及光学遥感图像,确定目标区域的地质灾害识别条件,包括:
S310:对数字高程模型的差分结果以及雷达图像进行识别处理,得到目标区域的地表形变时间序列。
可选地,可以根据数字高程模型的差分结果以及雷达图像进行识别,得到对应的目标区域的地表形变时间序列。
S320:对数字高程模型进行地形梯度分析,获取目标区域的地形条件。
可选地,可以调用预先建立的数字高程模型,并对该数字高程模型进行地形梯度分析,进而获取目标区域的地形条件。
S330:对光学遥感图像进行图像分割、增强、纹理分析,并结合数字高程模型对光学遥感图像进行辅助分析,获取目标区域的植被地物分类图。
可选地,可以结合数字高程模型对光学遥感图像进行辅助分析,对光学遥感图像进行图像分割、增强、纹理分析,进而从光学遥感图像中提取到目标区域的植被地物分类图。
可选地,对数字高程模型的差分结果以及雷达图像进行识别处理,得到目标区域的地表形变时间序列,包括:
基于合成孔径雷达干涉,对数字高程模型的差分结果以及雷达图像进行识别处理,得到目标区域的地表形变时间序列。
可选地,可以采用前述的InSAR技术进行对数字高程模型的差分结果以及雷达图像的识别处理,具体可以实现对目标区域的大范围的形变探测和监测。由于InSAR监测结果是时空面状分布的,因此与传统的基于滑坡点状物理量变化预警不同,广域滑坡动态识别和早期预警的理论方法应该建立在面状时空分析上。要从对数字高程模型的差分结果以及雷达图像进行识别处理的处理结果中分辨出灾害体移动类型主要从形变值、形变范围的大小、发生的位置、发生的频率等方面进行分析,把过滤后的结果以上述四方面为依据、从时间和空间上进行图斑分析,得到目标区域的地表形变时间序列。
需要说明的是,卫星光学遥感解译技术凭借其越来越高的分辨率可直接用于地质灾害识别、监测。其中,InSAR技术由于失相干导致的无法判定区域可以通过卫星光学遥感解译技术进行识别。也即是说,可以通过结合InSAR技术获取的到的目标区域的地表形变时间序列以及卫星光学遥感技术获得的植被地物分类图,结合目标区域的地形条件来对地质灾害进行识别与监测。另外,卫星光学遥感解译技术也可以弥补InSAR技术受成像几何局限导致的方位向形变不敏感和地形起伏区域存在雷达叠掩、阴影等无法监测的不足。
可选地,一个灾害体无论在卫星数据或者光学遥感数据中均有不同的表现特征,利用这两类数据进行灾害体识别的主要理论基础是该监测对象具有一定的空间范围,满足一定的地形条件(坡度、坡向),在时间尺度上具有一定的形变特征,基于此设置形变和坡度等阈值来判定是否为一个潜在灾害体,也即是结合上述目标区域的地表形变时间序列、地形条件、植被地物分类图像确定满足预设条件的目标子区域,预设条件即可以是形变和坡度等阈值的具体大小,该阈值的具体大小可以根据实际需求进行设置,在此不作限制。
具体的,可以根据目标区域的地表形变时间序列得到大范围地表形变结果,判断形变位置和形变量级,汇总疑似地质灾区域,然后通过植被地物分类图以及地形条件,圈定发生滑坡、崩塌等地质灾害点。对于两种数据融合结果,进行如下判定:①植被地物分类图中的结果与形变时间序列中的形变吻合,皆为可疑区域;②植被地物分类图中的结果与形变时间序列中的严重失相干区域吻合;③植被地物分类图中的结果与形变时间序列中的形变不吻合,一个为可疑区域,另一个不为可疑区域。将出现上述三种情况的地区标注为目标子区域。
下面来解释本申请实施例中提供的对目标子区域进行地质灾害监测具体实施过程。
图4为本申请实施例提供的对目标子区域进行地质灾害监测的流程示意图,请参照图4,对目标子区域进行地质灾害监测,包括:
S410:获取目标子区域的第一地质信息。
其中,第一地质信息由无人机进行摄影测量得到,第一地质信息包括以下至少一项:地物长度、宽度、高度、面积以及体积。
可选地,可以通过无人机空中摄影拍摄进行测量,获取到该目标子区域的地物长度、宽度、高度、面积以及体积等第一地质信息,具体可以是在无人机中设置预设的比例算法,根据获取到的图像进行计算得到目标子区域中的地物长度、宽度、高度、面积以及体积等信息。
S420:判定第一地质信息是否满足预设的灾害反演条件。
可选地,可以根据无人机拍摄到的第一地质信息进行灾害反演判定,具体可以是采用自动识别技术判定目标子区域的第一地质信息是否属于发生过地质灾害的区域。
若第一地质信息满足预设的灾害反演条件,则S430:将第一地质信息发送至监测设备,并由监测设备确定地表变形体。
可选地,若第一地质信息满足预设的灾害反演条件,也即是判断该地区发生过地质灾害,则可以将第一地质信息发送至监测设备,工作人员可以根据监测设备呈现的内容进行人工判定,并可以将人工判定的结果输入至监测设备中,响应于人工输入的结果,可以由监测设备确定地表变形体。
其中,地表变形体即是地表上发生形变的物体,可以是土块、石堆等自然物体,也可以是认为建设的建筑体等,在此不作限制。
可选地,该方法还包括:
若第一地质信息不满足预设的灾害反演条件,则S440:获取第二地质信息。
其中,第二地质信息基于机载激光雷达测量得到,第二地质信息包括以下至少一项:目标地物形态边界、面积以及体积。
可选地,若第一地质信息不满足预设的灾害反演条件,可以确定无人机拍摄测量并未获取该地区是否发生过地质灾害,为了更加准确地进行判定,可以基于机载激光雷达测量获取得到目标地物形态边界、面积以及体积等第二地质信息。
其中,与传统的遥感手段相比,机载激光雷达技术具有以下优势:①可穿透植被。机载激光雷达对植被的穿透能力可有效地去除植被覆盖对地面高程测量的影响,增加了对地面数据的有效测量,提高了测量精度。②主动非接触测量。与光学遥感相比,机载激光雷达技术不限于单一光照,不受阴影和太阳高度角的影响,在传统摄影测量方式无能为力的山区和植被等阴影地区,不会影响到测量数据的精度。③远距离高精度三维测量。机载激光雷达的工作系统可以对传统手段束手无策的植被覆盖茂密地区、沙漠、滩涂地及高差较大的地形复杂地区等进行远距离测量获取高精度高程数据。④直接连续定位测量。在机载激光雷达额工作系统进行测量过程中同步进行地面点连续GPS(Global PositioningSystem,全球定位系统)定位和机载GPS系统差分处理,获取的数据具有真实的地理坐标,是对地表三维坐标进行直接测量;相对传统摄影测量手段通过间接方法获取的数据更加高效和准确。
可选地,无人机摄影技术和机载LiDAR技术都可以用于制作正射影像和三维模型,在地灾定期监测中,两种技术手段都可以对地质灾害区域的灾害体进行空间形态的变化监测。
S450:将第一地质信息以及第二地质信息发送给监测设备,并由监测设备确定地表变形体。
可选地,可以将第一地质信息和第二地质信息分别发送至监测设备,工作人员可以根据监测设备呈现的内容进行人工判定,并可以将人工判定的结果输入至监测设备中,响应于人工输入的结果,可以由监测设备确定地表变形体。
可选地,可以利用无人机低倾斜摄影测量,以及相机定标参数、拍摄时的姿态数据和有关几何模型,对无人飞机获取的数据进行快速镶嵌、拼接、纠正,获取了示范区高分辨率影像数据,将数据变为直观的地图。利用航拍的影像并结合基础地理信息数据库资料,快速对示范区进行灾害解译和评估,开展比对分析,获得了滑坡、泥石流、崩塌等各种灾情的位置、分布特征等信息。
可选地,机载LiDAR可以对地探测可全天候接收数据,不受天气条件影响,高密度的激光雷达束可穿透山区茂密的植被或灌木丛到达实地表面。通过研制的适宜植被灌木茂盛的相关滤波分类精准数学计算模型,可快速分析点云数据,获取地灾体LiDAR点云真实地表信息,构建三维模型,辅助快速巡查监测,辨别是否为地灾体和发现无人机影像上表现特征不明显易遗漏的小地灾体。
可选地,本申请的实施例中可以利用无人机摄影测量和机载LiDAR两者技术优势,进行数据融合,借助于生产经验和计算机自动识别技术,可高效准确地进行地质灾害特征信息提取。
下面来具体解释本申请实施例中提供的对目标子区域进行实时监测的具体实施过程。
图5为本申请实施例提供的地质灾害监测方法的另一流程示意图,请参照图5,该方法还包括:
S510:实时获取地表变形体的安全状态参数。
可选地,具体可以在特定灾害点(也即是前述通过人工确定后的变形体的位置)布设无人值守北斗静态监测设备,可实现长期高精度监测,其实时反馈地表变形体的安全状态参数,并将该安全状态参数发送给监测设备。
S520:根据安全状态参数的变化信息,确定地表变形体的安全状态。
可选地,将该安全状态参数发送给监测设备后,监测设备可以安全状态参数的变化信息,确定地表变形体的安全状态,具体可以是根据预设的数值监测情况进行判定,或者也可以是人工进行监测,在此不作限制。
下面来具体解释本申请实施例中提供的对目标子区域进行实时预警的具体实施过程。
图6为本申请实施例提供的地质灾害监测方法的又一流程示意图,请参照图6,将第一地质信息以及第二地质信息发送给地质监测员进行地质监测之后,该方法还包括:
S610:实时获取地表变形体的预警参数。
S620:若预警参数超过预设的预警阈值,则针对地表变形体输出破坏预警信息。
可选地,前述北斗无人值守地面静态监测系统除了进行监测工作外,还可以进行预警工作,例如可以设置裂缝计、雨量站、预警喇叭、视频监控终端、泥位计等拓展设备。通过这些设备可以分别获取变形体的多个预警参数,其中,裂缝计可针对由地下裂缝诱发、地表无明显形变的地灾点进行辅助监测和预警;雨量站可实现对地灾点受降水影响的土壤含水量的状态监测,辅助潜在的滑坡、崩塌、泥石流等地质灾害的预判;预警喇叭可在灾害发生时实现现场实地预警,指导群众撤离疏散;视频监控终端可在地灾监测、地灾预警、灾后救援各个阶段获取灾害现场的实时影像;泥位计可在泥石流发生初期实现预警。
可选地,可以通过上述方法获取多个变形体的预警参数,并基于这些预警参数进行判定,若预警参数超过预设的预警阈值,则针对地表变形体输出破坏预警信息,以提醒当地居民进行避难以及当地救援机关进行救援工作。
本申请的实施例中通过卫星监测获取目标区域的区域信息,进而确定目标子区域,在目标子区域中采用无人机、机载激光雷达等进行定期检测确定变形体,并通过北斗无人值守地面静态监测设备对变形体进行实时监测以及预警,进而可以实现从“天、空、地”三个角度的灾害监测与预警处理,提高了对地质灾害监测和预防的准确性。
下述对用以执行的本申请所提供地质灾害监测方法对应的装置、设备及存储介质等进行说明,其具体的实现过程以及技术效果参见上述,下述不再赘述。
图7为本申请实施例提供的地质灾害监测装置的结构示意图,请参照图7,地质灾害监测装置,包括:获取模块100、识别模块200、确定模块300、监测模块400;
获取模块100,用于获取目标区域的区域信息,区域信息包括雷达图像、数字高程模型以及光学遥感图像;
识别模块200,用于根据目标区域的区域信息确定目标区域的地质灾害识别条件,地质灾害识别条件包括:目标区域的地表形变时间序列、地形条件以及植被地物分类图;
确定模块300,用于分别根据目标区域的地表形变时间序列、地形条件、植被地物分类图像确定满足预设条件的目标子区域;
监测模块400,用于对目标子区域进行地质灾害监测。
可选地,识别模块200,具体用于确定数字高程模型的差分结果;根据数字高程模型、数字高程模型的差分结果、雷达图像以及光学遥感图像,确定目标区域的地址灾害识别条件。
可选地,识别模块200,具体还用于对数字高程模型的差分结果以及雷达图像进行识别处理,得到目标区域的地表形变时间序列;对数字高程模型进行地形梯度分析,获取目标区域的地形条件;对光学遥感图像进行图像分割、增强、纹理分析,并结合数字高程模型对光学遥感图像进行辅助分析,获取目标区域的植被地物分类图。
可选地,识别模块200,还用于基于合成孔径雷达干涉,对数字高程模型的差分结果以及雷达图像进行识别处理,得到目标区域的地表形变时间序列。
可选地,监测模块400,具体用于获取目标子区域的第一地质信息,第一地质信息由无人机进行摄影测量得到,第一地质信息包括以下至少一项:地物长度、宽度、高度、面积以及体积;若第一地质信息满足预设的灾害反演条件,则将第一地质信息发送至监测设备,并由监测设备确定地表变形体。
可选地,监测模块400,还用于若第一地质信息不满足预设的灾害反演条件,则获取第二地质信息,第二地质信息基于机载激光雷达测量得到,第二地质信息包括以下至少一项:目标地物形态边界、面积以及体积;将第一地质信息以及第二地质信息发送给监测设备,并由监测设备确定地表变形体。
可选地,监测模块400,还用于实时获取地表变形体的安全状态参数;根据安全状态参数的变化信息,确定地表变形体的安全状态。
可选地,监测模块400,还用于实时获取地表变形体的预警参数;若预警参数超过预设的预警阈值,则针对地表变形体输出破坏预警信息。
上述装置用于执行前述实施例提供的方法,其实现原理和技术效果类似,在此不再赘述。
以上这些模块可以是被配置成实施以上方法的一个或多个集成电路,例如:一个或多个特定集成电路(Application Specific Integrated Circuit,简称ASIC),或,一个或多个微处理器(digital singnal processor,简称DSP),或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,简称FPGA)等。再如,当以上某个模块通过处理元件调度程序代码的形式实现时,该处理元件可以是通用处理器,例如中央处理器(CentralProcessing Unit,简称CPU)或其它可以调用程序代码的处理器。再如,这些模块可以集成在一起,以片上系统(system-on-a-chip,简称SOC)的形式实现。
图8为本申请实施例提供的计算机设备的结构示意图,请参照图8,计算机设备,包括:存储器500、处理器600,存储器500中存储有可在处理器600上运行的计算机程序,处理器600执行计算机程序时,实现上述地质灾害监测方法的步骤。
可选地,上述计算机设备可以访问网络上的虚拟平台,并可以基于该虚拟平台执行前述方法,例如该虚拟平台上可以设置有地质灾害的早期识别、定期检测、实时监测等。
本申请实施例的另一方面,还提供一种存储介质,存储介质上存储有计算机程序,该计算机程序被处理器执行时,实现上述地质灾害监测方法的步骤。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本发明各个实施例方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
上仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种地质灾害监测方法,其特征在于,包括:
获取目标区域的区域信息,所述区域信息包括雷达图像、数字高程模型以及光学遥感图像;
根据所述目标区域的区域信息确定所述目标区域的地质灾害识别条件,所述地质灾害识别条件包括:所述目标区域的地表形变时间序列、地形条件以及植被地物分类图;
分别根据所述目标区域的地表形变时间序列、地形条件、植被地物分类图像确定满足预设条件的目标子区域;
对所述目标子区域进行地质灾害监测。
2.如权利要求1所述的方法,其特征在于,所述根据所述目标区域的区域信息确定所述目标区域的地质灾害识别条件,包括:
确定所述数字高程模型的差分结果;
根据所述数字高程模型、所述数字高程模型的差分结果、所述雷达图像以及所述光学遥感图像,确定所述目标区域的地址灾害识别条件。
3.如权利要求2所述的方法,其特征在于,所述根据所述数字高程模型、所述数字高程模型的差分结果、所述雷达图像以及所述光学遥感图像,确定所述目标区域的地质灾害识别条件,包括:
对所述数字高程模型的差分结果以及所述雷达图像进行识别处理,得到所述目标区域的地表形变时间序列;
对所述数字高程模型进行地形梯度分析,获取所述目标区域的地形条件;
对所述光学遥感图像进行图像分割、增强、纹理分析,并结合所述数字高程模型对所述光学遥感图像进行辅助分析,获取所述目标区域的植被地物分类图。
4.如权利要求3所述的方法,其特征在于,所述对所述数字高程模型的差分结果以及所述雷达图像进行识别处理,得到所述目标区域的地表形变时间序列,包括:
基于合成孔径雷达干涉,对所述数字高程模型的差分结果以及所述雷达图像进行识别处理,得到所述目标区域的地表形变时间序列。
5.如权利要求1所述的方法,其特征在于,所述对所述目标子区域进行地质灾害监测,包括:
获取所述目标子区域的第一地质信息,所述第一地质信息由无人机进行摄影测量得到,所述第一地质信息包括以下至少一项:地物长度、宽度、高度、面积以及体积;
若所述第一地质信息满足预设的灾害反演条件,则将所述第一地质信息发送至监测设备,并由所述监测设备确定地表变形体。
6.如权利要求5所述的方法,其特征在于,所述方法还包括:
若所述第一地质信息不满足所述预设的灾害反演条件,则获取第二地质信息,所述第二地质信息基于机载激光雷达测量得到,所述第二地质信息包括以下至少一项:目标地物形态边界、面积以及体积;
将所述第一地质信息以及所述第二地质信息发送给所述监测设备,并由所述监测设备确定地表变形体。
7.如权利要求6所述的方法,其特征在于,所述方法还包括:
实时获取所述地表变形体的安全状态参数;
根据所述安全状态参数的变化信息,确定所述地表变形体的安全状态。
8.如权利要求7所述的方法,其特征在于,所述将所述第一地质信息以及所述第二地质信息发送给地质监测员进行地质监测之后,所述方法还包括:
实时获取所述地表变形体的预警参数;
若所述预警参数超过预设的预警阈值,则针对所述地表变形体输出破坏预警信息。
9.一种地质灾害监测装置,其特征在于,包括:获取模块、识别模块、确定模块、监测模块;
所述获取模块,用于获取目标区域的区域信息,所述区域信息包括雷达图像、数字高程模型以及光学遥感图像;
所述识别模块,用于根据所述目标区域的区域信息确定所述目标区域的地质灾害识别条件,所述地质灾害识别条件包括:所述目标区域的地表形变时间序列、地形条件以及植被地物分类图;
所述确定模块,用于分别根据所述目标区域的地表形变时间序列、地形条件、植被地物分类图像确定满足预设条件的目标子区域;
所述监测模块,用于对所述目标子区域进行地质灾害监测。
10.一种计算机设备,其特征在于,包括:存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现上述权利要求1至8任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011415858.6A CN112598881B (zh) | 2020-12-03 | 2020-12-03 | 一种地质灾害监测方法、装置及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011415858.6A CN112598881B (zh) | 2020-12-03 | 2020-12-03 | 一种地质灾害监测方法、装置及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112598881A true CN112598881A (zh) | 2021-04-02 |
CN112598881B CN112598881B (zh) | 2022-03-25 |
Family
ID=75188969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011415858.6A Active CN112598881B (zh) | 2020-12-03 | 2020-12-03 | 一种地质灾害监测方法、装置及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112598881B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113051519A (zh) * | 2021-06-01 | 2021-06-29 | 北方卓越(北京)勘测技术有限公司 | 一种基于地球物理的地面沉降预警监测系统 |
CN113378785A (zh) * | 2021-07-05 | 2021-09-10 | 中煤航测遥感集团有限公司 | 森林类型识别方法及装置 |
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 |
CN113538861A (zh) * | 2021-09-16 | 2021-10-22 | 山东金科星机电股份有限公司 | 基于矿产地质勘查的地质灾害信息管理系统 |
CN113705108A (zh) * | 2021-09-02 | 2021-11-26 | 南方科技大学 | 实时滑坡灾害监测预警方法及系统 |
CN113724229A (zh) * | 2021-08-31 | 2021-11-30 | 北京英视睿达科技有限公司 | 高程差的确定方法、装置及电子设备 |
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 |
CN114063616A (zh) * | 2021-11-11 | 2022-02-18 | 深圳市城市公共安全技术研究院有限公司 | 基于三维激光扫描探测规划林区路径的方法及装置 |
CN114089332A (zh) * | 2021-12-01 | 2022-02-25 | 中大检测(湖南)股份有限公司 | 基于雷达和遥感技术的地质灾害预警系统 |
CN114279398A (zh) * | 2021-11-25 | 2022-04-05 | 金川集团股份有限公司 | 一种基于无人机航测技术的金属矿开采地表沉降监测方法 |
CN114676907A (zh) * | 2022-01-17 | 2022-06-28 | 中国地质大学(北京) | 一种区域地质灾害预警方法、装置、存储介质及设备 |
CN115166847A (zh) * | 2022-07-05 | 2022-10-11 | 深圳市地质局 | 一种基于遥感技术的地质识别方法及系统 |
CN115410095A (zh) * | 2022-10-31 | 2022-11-29 | 天津市地质工程勘测设计院有限公司 | 灾害信息获取方法、装置、电子设备和计算机可读介质 |
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 |
WO2023047441A1 (ja) * | 2021-09-21 | 2023-03-30 | 日本電気株式会社 | 情報提供装置、情報提供方法、記録媒体、および観測システム |
CN116183624A (zh) * | 2023-01-05 | 2023-05-30 | 国网安徽省电力有限公司铜陵供电公司 | 一种施工区顺坡溜渣监测方法、系统和存储介质 |
CN116229280A (zh) * | 2023-01-09 | 2023-06-06 | 广东省科学院广州地理研究所 | 崩岗识别方法、装置、电子设备以及存储介质 |
CN116933535A (zh) * | 2023-07-24 | 2023-10-24 | 广东省有色矿山地质灾害防治中心 | 一种地质灾害位移监测方法、装置、设备以及存储介质 |
CN116989746A (zh) * | 2023-07-20 | 2023-11-03 | 深圳赛尔智控科技有限公司 | 一种倾斜摄影航测方法、系统、设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105004320A (zh) * | 2015-06-09 | 2015-10-28 | 北京师范大学 | 一种高分卫星数据陆表植被覆盖度反演方法及系统 |
CN106226779A (zh) * | 2016-07-11 | 2016-12-14 | 铁道第三勘察设计院集团有限公司 | 基于遥感技术的易发滑坡预测方法 |
WO2018010408A1 (zh) * | 2016-07-11 | 2018-01-18 | 胡洁维 | 智能地质监测基站 |
CN108459318A (zh) * | 2018-02-02 | 2018-08-28 | 中国铁路设计集团有限公司 | 基于遥感技术的潜在滑坡早期识别方法 |
CN109543654A (zh) * | 2018-12-14 | 2019-03-29 | 常州大学 | 一种反映农作物生长状况的改进型植被指数的构建方法 |
CN110610595A (zh) * | 2019-08-01 | 2019-12-24 | 江苏科博空间信息科技有限公司 | 一种基于北斗水汽反演地质灾害预警方法 |
CN111142119A (zh) * | 2020-01-10 | 2020-05-12 | 中国地质大学(北京) | 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 |
-
2020
- 2020-12-03 CN CN202011415858.6A patent/CN112598881B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105004320A (zh) * | 2015-06-09 | 2015-10-28 | 北京师范大学 | 一种高分卫星数据陆表植被覆盖度反演方法及系统 |
CN106226779A (zh) * | 2016-07-11 | 2016-12-14 | 铁道第三勘察设计院集团有限公司 | 基于遥感技术的易发滑坡预测方法 |
WO2018010408A1 (zh) * | 2016-07-11 | 2018-01-18 | 胡洁维 | 智能地质监测基站 |
CN108459318A (zh) * | 2018-02-02 | 2018-08-28 | 中国铁路设计集团有限公司 | 基于遥感技术的潜在滑坡早期识别方法 |
CN109543654A (zh) * | 2018-12-14 | 2019-03-29 | 常州大学 | 一种反映农作物生长状况的改进型植被指数的构建方法 |
CN110610595A (zh) * | 2019-08-01 | 2019-12-24 | 江苏科博空间信息科技有限公司 | 一种基于北斗水汽反演地质灾害预警方法 |
CN111142119A (zh) * | 2020-01-10 | 2020-05-12 | 中国地质大学(北京) | 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 |
Cited By (26)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113051519A (zh) * | 2021-06-01 | 2021-06-29 | 北方卓越(北京)勘测技术有限公司 | 一种基于地球物理的地面沉降预警监测系统 |
CN113378785A (zh) * | 2021-07-05 | 2021-09-10 | 中煤航测遥感集团有限公司 | 森林类型识别方法及装置 |
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 |
CN113724229A (zh) * | 2021-08-31 | 2021-11-30 | 北京英视睿达科技有限公司 | 高程差的确定方法、装置及电子设备 |
CN113705108A (zh) * | 2021-09-02 | 2021-11-26 | 南方科技大学 | 实时滑坡灾害监测预警方法及系统 |
CN113538861A (zh) * | 2021-09-16 | 2021-10-22 | 山东金科星机电股份有限公司 | 基于矿产地质勘查的地质灾害信息管理系统 |
WO2023047441A1 (ja) * | 2021-09-21 | 2023-03-30 | 日本電気株式会社 | 情報提供装置、情報提供方法、記録媒体、および観測システム |
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 |
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 |
CN114063616B (zh) * | 2021-11-11 | 2024-03-01 | 深圳市城市公共安全技术研究院有限公司 | 基于三维激光扫描探测规划林区路径的方法及装置 |
CN114063616A (zh) * | 2021-11-11 | 2022-02-18 | 深圳市城市公共安全技术研究院有限公司 | 基于三维激光扫描探测规划林区路径的方法及装置 |
CN114279398A (zh) * | 2021-11-25 | 2022-04-05 | 金川集团股份有限公司 | 一种基于无人机航测技术的金属矿开采地表沉降监测方法 |
CN114279398B (zh) * | 2021-11-25 | 2024-02-06 | 金川集团股份有限公司 | 一种基于无人机航测技术的金属矿开采地表沉降监测方法 |
CN114089332A (zh) * | 2021-12-01 | 2022-02-25 | 中大检测(湖南)股份有限公司 | 基于雷达和遥感技术的地质灾害预警系统 |
CN114676907B (zh) * | 2022-01-17 | 2022-09-20 | 中国地质大学(北京) | 一种区域地质灾害预警方法、装置、存储介质及设备 |
CN114676907A (zh) * | 2022-01-17 | 2022-06-28 | 中国地质大学(北京) | 一种区域地质灾害预警方法、装置、存储介质及设备 |
CN115166847A (zh) * | 2022-07-05 | 2022-10-11 | 深圳市地质局 | 一种基于遥感技术的地质识别方法及系统 |
CN115166847B (zh) * | 2022-07-05 | 2024-05-07 | 深圳市地质局 | 一种基于遥感技术的地质识别方法及系统 |
CN115410095A (zh) * | 2022-10-31 | 2022-11-29 | 天津市地质工程勘测设计院有限公司 | 灾害信息获取方法、装置、电子设备和计算机可读介质 |
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 |
CN116183624A (zh) * | 2023-01-05 | 2023-05-30 | 国网安徽省电力有限公司铜陵供电公司 | 一种施工区顺坡溜渣监测方法、系统和存储介质 |
CN116229280A (zh) * | 2023-01-09 | 2023-06-06 | 广东省科学院广州地理研究所 | 崩岗识别方法、装置、电子设备以及存储介质 |
CN116229280B (zh) * | 2023-01-09 | 2024-06-04 | 广东省科学院广州地理研究所 | 崩岗识别方法、装置、电子设备以及存储介质 |
CN116989746A (zh) * | 2023-07-20 | 2023-11-03 | 深圳赛尔智控科技有限公司 | 一种倾斜摄影航测方法、系统、设备及存储介质 |
CN116933535A (zh) * | 2023-07-24 | 2023-10-24 | 广东省有色矿山地质灾害防治中心 | 一种地质灾害位移监测方法、装置、设备以及存储介质 |
CN116933535B (zh) * | 2023-07-24 | 2024-03-19 | 广东省有色矿山地质灾害防治中心 | 一种地质灾害位移监测方法、装置、设备以及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112598881B (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112598881B (zh) | 一种地质灾害监测方法、装置及计算机设备 | |
Zhao et al. | Structural health monitoring and inspection of dams based on UAV photogrammetry with image 3D reconstruction | |
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 | |
Abellán et al. | Terrestrial laser scanning of rock slope instabilities | |
CN113611082B (zh) | 一种无人机铁路边坡监控与预警系统及方法 | |
Lindenbergh et al. | Change detection and deformation analysis using static and mobile laser scanning | |
Hervás et al. | Monitoring landslides from optical remotely sensed imagery: the case history of Tessina landslide, Italy | |
Brasington et al. | Monitoring and modelling morphological change in a braided gravel‐bed river using high resolution GPS‐based survey | |
EP1806700A1 (en) | Geospatial image change detecting system and associated methods | |
Xu et al. | Remote sensing for landslide investigations: A progress report from China | |
EP1806699A1 (en) | Geospatial image change detecting system with environmental enhancement and associated methods | |
CN112198511A (zh) | 一种基于星空地一体化地质灾害普查方法 | |
Matwij et al. | Determination of underground mining-induced displacement field using multi-temporal TLS point cloud registration | |
ES2604807B1 (es) | Método y sistema para buscar fugas de agua a través de análisis de imágenes generadas mediante sistemas de detección remota | |
JP2021056008A (ja) | 地すべり領域検出装置及びプログラム | |
Gonçalves et al. | Monitoring Local Shoreline Changes by Integrating UASs, Airborne LiDAR, Historical Images and Orthophotos. | |
Karantanellis et al. | 3D hazard analysis and object-based characterization of landslide motion mechanism using UAV imagery | |
Lee et al. | Creation of river terrain data using region growing method based on point cloud data from UAV photography | |
Erdogan et al. | Detection of building damage caused by Van Earthquake using image and Digital Surface Model (DSM) difference | |
Palenzuela et al. | Integration of LiDAR data for the assessment of activity in diachronic landslides: a case study in the Betic Cordillera (Spain) | |
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) | |
Singh et al. | High resolution DEM generation for complex snow covered Indian Himalayan Region using ADS80 aerial push-broom camera: a first time attempt | |
Liu et al. | Architecture planning and geo-disasters assessment mapping of landslide by using airborne LiDAR data and UAV images | |
Karantanellis et al. | multitemporal landslide mapping and quantification of mass movement in red beach, Santorini Island Using Lidar and UAV platform | |
CN115638772A (zh) | 基于无人机影像数据提取高山峡谷区滑坡灾害信息的方法 |
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 |