CN113450544A - 一种滑坡灾害倾向性精准辨识与预警方法 - Google Patents
一种滑坡灾害倾向性精准辨识与预警方法 Download PDFInfo
- Publication number
- CN113450544A CN113450544A CN202110724769.8A CN202110724769A CN113450544A CN 113450544 A CN113450544 A CN 113450544A CN 202110724769 A CN202110724769 A CN 202110724769A CN 113450544 A CN113450544 A CN 113450544A
- Authority
- CN
- China
- Prior art keywords
- landslide
- early warning
- hidden danger
- hazard
- marker
- 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.)
- Withdrawn
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)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Emergency Alarm Devices (AREA)
Abstract
本发明公开一种滑坡灾害倾向性精准辨识与预警方法,涉及滑坡灾害监测预警技术领域,包括以下步骤:S1:在目标区域进行地质隐患普查巡查,确定目标区域内存在滑坡隐患的滑坡分布区域以及各滑坡分布区域内滑坡隐患点的范围;S2:在各滑坡隐患点范围内和各滑坡隐患点范围外的滑坡分布区域表面均设置多个用于无人机航测的标识物;S3:定期实施无人机航测并采集各标识物的影像数据、对影像数据进行分析,当确定各滑坡隐患点中存在高危滑坡体时,在高危滑坡体内部埋设量测元件,对高危滑坡体进行24小时全天候监测预警。本发明提供的滑坡灾害倾向性精准辨识与预警方法,能够精准辨识滑坡灾害倾向性,大范围推广应用,24小时全天候监测预警。
Description
技术领域
本发明涉及滑坡灾害监测预警技术领域,特别是涉及一种滑坡灾害倾向性精准辨识与预警方法。
背景技术
滑坡是一种全球性的地质灾害,常常造成工农业生产及人民生命财产的巨大损失,有时甚至带来毁灭性的灾难。理论上讲,滑坡是从渐变过程慢慢发展到突变过程的,滑坡灾害发生前会有某种征兆,因此滑坡灾害的发生是可以提前预知的;开展滑坡灾害精准预警技术研究,对防灾减灾及保障人民生命财产安全具有重要意义。自20世纪中叶,人类就开始对滑坡监测技术开展了研究,传统滑坡变形演化过程的研究方法主要有工程地质调查与分析、遥感测绘与遥感图像解译,以及通过布设传感器来监测滑坡变形发展情况的原位监测。时至今日,以斜坡变形为切入点的监测技术涉及了空(太空卫星)、天(航测遥感)、地(地表)、内(边坡体内部)等多个方面,可以对滑坡进行形态特征、演化过程以及早期识别的研究。
值得注意的是,现有技术要么受限于成本(如:太空卫星定位、内部监测元件、地面三维测量等)无法大面积推广、要么受限于精度(如:遥感测绘等)无法实现灾前精准辨识、要么受限于环境因素(如:地面三维测量、人工地质调查、航测影像等)无法24小时全天候反馈数据,仅能针对极个别边坡开展的高精度监测预警工作,又失去了滑坡灾害预警的初衷和目的;另一方面,统计数据表明:新发滑坡灾害中,80%以上不在灾点控制范围之内,这就需要进一步扩大滑坡预警范围。
从现有监测预警技术发展趋势来看,都在努力获得滑坡灾害发生前的信息数据,却忽视了监测预警技术需要大面积覆盖的根本需求,导致在推广应用方面均有弊端和劣势,因此,如何设计一种既能够在大范围内精准辨识滑坡灾害倾向性,又具有24小时全天候反馈数据的滑坡预警技术,是滑坡灾害监测预警技术领域亟待解决的技术问题。
发明内容
本发明的目的是提供一种滑坡灾害倾向性精准辨识与预警方法,以解决上述现有技术存在的问题,能够精准辨识滑坡灾害倾向性,进行大范围推广应用,并能够24小时全天候监测预警。
为实现上述目的,本发明提供了如下方案:
本发明提供一种滑坡灾害倾向性精准辨识与预警方法,包括以下步骤:
S1:在目标区域进行地质隐患普查巡查,确定所述目标区域内存在滑坡隐患的滑坡分布区域以及各所述滑坡分布区域内滑坡隐患点的范围;
S2:在各所述滑坡隐患点范围内和各所述滑坡隐患点范围外的所述滑坡分布区域表面均设置多个用于无人机航测的标识物;
S3:定期实施无人机航测并采集各所述标识物的影像数据、对所述影像数据进行分析,当确定各所述滑坡隐患点中存在高危滑坡体时,在所述高危滑坡体内部埋设量测元件,对所述高危滑坡体进行24小时全天候监测预警。
优选的,
在步骤S2中,将各所述滑坡分布区域表面的所述标识物均匀布设,并将位于各所述滑坡隐患点范围内和范围外的所述标识物分别设定为监测标识物和参照标识物;
步骤S3中,对所述影像数据进行分析包括:以各所述滑坡分布区域内的所述参照标识物为参照获取各所述监测标识物相对于所述参照标识物的变形位移数据,分析所述监测标识物相对于所述参照标识物是否产生变形位移;当所述监测标识物产生变形位移时,加密实施无人机航测,获取所述监测标识物的变形位移规律,根据所述监测标识物的变形位移规律,分析所述滑坡隐患点的滑坡灾害孕育演化阶段并确定各所述滑坡隐患点中是否存在高危滑坡体。
优选的,分析所述滑坡隐患点的滑坡灾害孕育演化阶段并确定各所述滑坡隐患点中是否存在高危滑坡体的步骤中:当所述滑坡隐患点处于滑坡灾害初始滑动或减速滑动阶段时,继续加密实施无人机航测,获取所述监测标识物的变形位移规律;当所述滑坡隐患点处于滑坡灾害等速蠕滑或加速蠕滑阶段时,确定所述滑坡隐患点为高危滑坡体。
优选的,所述地质隐患普查巡查包括人工调查和遥感测量。
优选的,所述滑坡隐患点为具有滑坡灾害孕育特征的滑坡体。
优选的,所述标识物为能够被无人机航测时捕捉到影像数据的实体模型。
优选的,所述实体模型包括十字形模型。
优选的,在不良天气条件下,缩短无人机航测间隔时间,加密无人机航测。
优选的,所述影像数据的分析方法包括依次进行的图像合成、正射影像处理和图像识别。
优选的,所述正射影像处理包括水平面正射影像处理和/或倾斜平面正射影像处理。
本发明相对于现有技术取得了以下技术效果:
本发明提供的滑坡灾害倾向性精准辨识与预警方法,通过无人机航测技术对滑坡分布区域上的标识物进行影像采集,并根据影像数据分析确定滑坡隐患点中的高危滑坡体,而后在高危滑坡体内埋置量测元件,可以实现24小时全天候监测预警;采用无人机航测,方便快捷,通过无人机航测筛选出高危滑坡体,可显著缩小重点监测对象,降低成本,可以大范围推广使用;本发明综合无人机航测与内部监测技术,优势互补,经济合理,能够用于滑坡灾害高发区域的大范围精准辨识与高危边坡实时监测预警。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1为本发明提供的滑坡灾害倾向性精准辨识与预警方法流程图;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种滑坡灾害倾向性精准辨识与预警方法,以解决现有技术存在的问题,能够精准辨识滑坡灾害倾向性,进行大范围推广应用,并能够24小时全天候监测预警。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本实施例提供一种滑坡灾害倾向性精准辨识与预警方法,包括以下步骤:
S1:在目标区域进行地质隐患普查巡查,确定目标区域内存在滑坡隐患的滑坡分布区域以及各滑坡分布区域内滑坡隐患点的范围;
S2:在各滑坡隐患点范围内和各滑坡隐患点范围外的滑坡分布区域表面均设置多个用于无人机航测的标识物;
S3:定期实施无人机航测并采集各标识物的影像数据、对影像数据进行分析,当确定各滑坡隐患点中存在高危滑坡体时,在高危滑坡体内部埋设量测元件,对高危滑坡体进行24小时全天候监测预警。
本实施例提供的滑坡灾害倾向性精准辨识与预警方法,在目标区域(滑坡灾害高发区域)进行地质隐患普查巡查,确定目标区域内存在滑坡隐患的滑坡分布区域,并在滑坡分布区域确定滑坡隐患点的范围,通过无人机航测技术对滑坡分布区域上的标识物进行影像采集,并根据影像数据分析确定滑坡隐患点中的高危滑坡体,而后在高危滑坡体内埋置量测元件,其中,量测元件为能够不受环境条件限制,可以24小时反馈位移、变形、应力、含水率等参数的元件,通过量测元件可以实现24小时全天候监测预警;采用无人机航测,方便快捷,通过无人机航测筛选出高危滑坡体后再埋设量测元件,可显著缩小重点监测对象,降低成本,从而便于进行大范围推广使用;而且,无人机航测辨识精度达到了厘米级,用于滑坡灾害前兆影像数据的采集更加准确;本方法综合无人机航测与内部监测技术,优势互补,经济合理,能够用于滑坡灾害高发区域的大范围精准辨识与高危边坡实时监测预警。
在步骤S2中,将各滑坡分布区域表面的标识物均匀布设,并将位于各滑坡隐患点范围内和范围外的标识物分别设定为监测标识物和参照标识物;
在步骤S3中,对影像数据进行分析包括:以各滑坡分布区域内的参照标识物为参照获取各监测标识物相对于参照标识物的变形位移数据,分析监测标识物相对于参照标识物是否产生变形位移;当监测标识物产生变形位移时,加密实施无人机航测,获取监测标识物的变形位移规律,根据监测标识物的变形位移规律,分析滑坡隐患点的滑坡灾害孕育演化阶段并确定各滑坡隐患点中是否存在高危滑坡体。通过在滑坡隐患点范围外设置参照标识物,参照标识物是固定不动的,以参照标识物为参照,对监测标识物和参照标识物的影像数据进行分析对比,从而准确地得到监测标识物的变形位移数据。对于产生变形位移的监测标识物,加密实施无人机航测,以便短时间内得到监测标识物的变形位移规律,从而能够缩短确定是否存在高危滑坡体的时间,快速地建立起重点监测预警体系。
分析滑坡隐患点的滑坡灾害孕育演化阶段并确定各滑坡隐患点中是否存在高危滑坡体的步骤中:当滑坡隐患点处于滑坡灾害初始滑动或减速滑动阶段时,继续加密实施无人机航测,获取监测标识物的变形位移规律;当滑坡隐患点处于滑坡灾害等速蠕滑或加速蠕滑阶段时,确定滑坡隐患点为高危滑坡体。通过分析滑坡隐患点的滑坡灾害孕育演化阶段,筛选出其中处于滑坡灾害等速蠕滑或加速蠕滑阶段的滑坡隐患点,将其确定为高危滑坡体,可以缩小重点监测对象,降低成本;对于处于滑坡灾害初始滑动或减速滑动阶段的滑坡隐患点,继续进行无人机航测,保证其后续可能出现等速蠕滑或加速蠕滑情况时,能够及时地获取到滑坡灾害孕育演化阶段的信息数据,从而不会遗漏其中的高危滑坡体的重点监测,保证重点监测对象的全面覆盖。
地质隐患普查巡查包括人工调查和遥感测量,采用现有的地质普查技术进行地质普查巡查即可。
滑坡隐患点为具有滑坡灾害孕育特征的滑坡体,滑坡灾害孕育特征包括裂缝等,当进行地质普查巡查时,将出现滑坡灾害孕育特征的该区域确定为滑坡隐患点。
标识物为能够被无人机航测时捕捉到影像数据的实体模型,根据实际航测需求,可以适应性的调整标识物的尺寸大小。
实体模型包括十字形模型,但不限于十字形模型。
在不良天气条件下,缩短无人机航测间隔时间,加密无人机航测。常规情况下,每间隔一定时间(如1个月)实施无人机航测,在不良天气条件下(如雨后、震后),更容易出现滑坡灾害,因此通过缩短无人机航测间隔时间(如一星期至半个月),加密无人机航测,以及时获取滑坡隐患点的变形位移数据。
影像数据的分析方法包括依次进行的图像合成、正射影像处理和图像识别,以便得到更加准确的变形位移数据。
正射影像处理包括水平面正射影像处理和/或倾斜平面正射影像处理,通过正射影像处理,得到正射影像,从而在进行图像识别时得到的数据更加准确。
本发明通过无人机航测技术对滑坡隐患点上的监测标识物进行影像采集,并根据影像数据分析获得监测标识物的变形位移,然后通过对监测标识物的变形位移进行分析,精准辨识出高危滑坡体,而后在高危滑坡体内埋置量测元件,可以实现24小时全天候检测预警;而且,采用无人机航测,方便快捷,通过无人机航测筛选出高危滑坡体,可显著缩小重点监测对象,降低成本,可以大范围推广使用;无人机航测辨识精度达到了厘米级,用于滑坡灾害前兆变形数据的采集更加准确。
本发明公开的滑坡灾害倾向性精准辨识与预警方法,该方法在地质隐患普查巡查数据基础上,在滑坡隐患点分布区域内布设标识物,通过定期实施无人机航测影像分析,精准辨识潜在的滑坡灾害及其发育阶段,在辨识出的潜在高危滑坡体内埋设量测元件采集信息数据,大面积筛查地质隐患范围内潜在滑坡灾害的同时,实现滑坡灾害24小时全天候监测预警。
本发明综合无人机航测与内部监测技术,优势互补、多源立体协同工作,实现由面到点、从粗到细的差异化监测预警,相比现有滑坡灾害预警技术,该方案技术可行、经济合理,兼具典型普适性与广阔推广前景,能够用于滑坡灾害高发区域的大范围精准辨识与高危边坡实时监测预警。
本发明中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种滑坡灾害倾向性精准辨识与预警方法,其特征在于:包括以下步骤:
S1:在目标区域进行地质隐患普查巡查,确定所述目标区域内存在滑坡隐患的滑坡分布区域以及各所述滑坡分布区域内滑坡隐患点的范围;
S2:在各所述滑坡隐患点范围内和各所述滑坡隐患点范围外的所述滑坡分布区域表面均设置多个用于无人机航测的标识物;
S3:定期实施无人机航测并采集各所述标识物的影像数据、对所述影像数据进行分析,当确定各所述滑坡隐患点中存在高危滑坡体时,在所述高危滑坡体内部埋设量测元件,对所述高危滑坡体进行24小时全天候监测预警。
2.根据权利要求1所述的滑坡灾害倾向性精准辨识与预警方法,其特征在于:在步骤S2中,将各所述滑坡分布区域表面的所述标识物均匀布设,并将位于各所述滑坡隐患点范围内和范围外的所述标识物分别设定为监测标识物和参照标识物;
步骤S3中,对所述影像数据进行分析包括:以各所述滑坡分布区域内的所述参照标识物为参照获取各所述监测标识物相对于所述参照标识物的变形位移数据,分析所述监测标识物相对于所述参照标识物是否产生变形位移;当所述监测标识物产生变形位移时,加密实施无人机航测,获取所述监测标识物的变形位移规律,根据所述监测标识物的变形位移规律,分析所述滑坡隐患点的滑坡灾害孕育演化阶段并确定各所述滑坡隐患点中是否存在高危滑坡体。
3.根据权利要求2所述的滑坡灾害倾向性精准辨识与预警方法,其特征在于:分析所述滑坡隐患点的滑坡灾害孕育演化阶段并确定各所述滑坡隐患点中是否存在高危滑坡体的步骤中:当所述滑坡隐患点处于滑坡灾害初始滑动或减速滑动阶段时,继续加密实施无人机航测,获取所述监测标识物的变形位移规律;当所述滑坡隐患点处于滑坡灾害等速蠕滑或加速蠕滑阶段时,确定所述滑坡隐患点为高危滑坡体。
4.根据权利要求1所述的滑坡灾害倾向性精准辨识与预警方法,其特征在于:所述地质隐患普查巡查包括人工调查和遥感测量。
5.根据权利要求1所述的滑坡灾害倾向性精准辨识与预警方法,其特征在于:所述滑坡隐患点为具有滑坡灾害孕育特征的滑坡体。
6.根据权利要求1所述的滑坡灾害倾向性精准辨识与预警方法,其特征在于:所述标识物为能够被无人机航测时捕捉到影像数据的实体模型。
7.根据权利要求6所述的滑坡灾害倾向性精准辨识与预警方法,其特征在于:所述实体模型包括十字形模型。
8.根据权利要求1所述的滑坡灾害倾向性精准辨识与预警方法,其特征在于:在不良天气条件下,缩短无人机航测间隔时间,加密无人机航测。
9.根据权利要求1所述的滑坡灾害倾向性精准辨识与预警方法,其特征在于:所述影像数据的分析方法包括依次进行的图像合成、正射影像处理和图像识别。
10.根据权利要求9所述的滑坡灾害倾向性精准辨识与预警方法,其特征在于:所述正射影像处理包括水平面正射影像处理和/或倾斜平面正射影像处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110724769.8A CN113450544A (zh) | 2021-06-29 | 2021-06-29 | 一种滑坡灾害倾向性精准辨识与预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110724769.8A CN113450544A (zh) | 2021-06-29 | 2021-06-29 | 一种滑坡灾害倾向性精准辨识与预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113450544A true CN113450544A (zh) | 2021-09-28 |
Family
ID=77813829
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110724769.8A Withdrawn CN113450544A (zh) | 2021-06-29 | 2021-06-29 | 一种滑坡灾害倾向性精准辨识与预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113450544A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723274A (zh) * | 2022-04-02 | 2022-07-08 | 北京新兴科遥信息技术有限公司 | 一种用于监测生态因子的系统 |
-
2021
- 2021-06-29 CN CN202110724769.8A patent/CN113450544A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114723274A (zh) * | 2022-04-02 | 2022-07-08 | 北京新兴科遥信息技术有限公司 | 一种用于监测生态因子的系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kromer et al. | Identifying rock slope failure precursors using LiDAR for transportation corridor hazard management | |
CN113091599B (zh) | 融合无人机dom和星载sar影像的地表三维形变提取方法 | |
CN103047970B (zh) | 一种确定塌陷耕地损害边界的方法 | |
CN114333241B (zh) | 基于事件触发的滑坡灾害点大数据采集与样本库更新方法 | |
CN103049655B (zh) | 基于多数据源的矿区土地生态损伤信息获取方法 | |
DE102019211145A1 (de) | SAR-Bildanalysesystem | |
DeLong et al. | Rates and patterns of surface deformation from laser scanning following the South Napa earthquake, California | |
CN108537674A (zh) | 一种遥感技术在财产保险理赔中的应用方法 | |
Theron et al. | Detection of sinkhole precursors through SAR interferometry: radar and geological considerations | |
Reyes-Carmona et al. | Rapid characterisation of the extremely large landslide threatening the Rules Reservoir (Southern Spain) | |
CN113450544A (zh) | 一种滑坡灾害倾向性精准辨识与预警方法 | |
CN117437508B (zh) | 一种基于InSAR的建筑群体震后损伤评估方法及系统 | |
CN107944377A (zh) | 一种交通基础设施安全监控方法和系统 | |
CN112213723A (zh) | 一种利用sbas技术进行滑坡实时监测的方法 | |
Conner et al. | Automated quantification of distributed landslide movement using circular tree trunks extracted from terrestrial laser scan data | |
Xi et al. | Automatic identification of mining-induced subsidence using deep convolutional networks based on time-series InSAR data: A case study of Huodong mining area in Shanxi Province, China | |
Weng et al. | Towards a rapid assessment of highway slope disasters by using multidisciplinary techniques | |
Schovanec | Development of semi-automated lidar processing algorithms to correlate climate variables to rockfall patterns for a slope near Glenwood Springs, Colorado | |
Navarro-Hernández et al. | ValInSAR: A systematic approach for the validation of Differential SAR Interferometry in land subsidence areas | |
Nagyváradi et al. | Monitoring the changes of suburban settlement by remote sensing | |
CN112964192A (zh) | 一种基于图像视频的工程测量在线标定方法及系统 | |
Chung et al. | Automated management for pavement inspection system (AMPIS) | |
Kipp et al. | Early detection, permanent monitoring and documentation of critical locations at the surface in mining areas | |
Olusegun | Assessing the Reliability of UAV-Based Geospatial Data in District Six | |
Salim et al. | Monitoring quarry areas using remote sensing techniques |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210928 |
|
WW01 | Invention patent application withdrawn after publication |