CN113762623B - 一种滑坡方向与趋势的识别和预测方法、装置及电子设备 - Google Patents

一种滑坡方向与趋势的识别和预测方法、装置及电子设备 Download PDF

Info

Publication number
CN113762623B
CN113762623B CN202111057327.9A CN202111057327A CN113762623B CN 113762623 B CN113762623 B CN 113762623B CN 202111057327 A CN202111057327 A CN 202111057327A CN 113762623 B CN113762623 B CN 113762623B
Authority
CN
China
Prior art keywords
data
deformation
landslide
determining
curved surface
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.)
Active
Application number
CN202111057327.9A
Other languages
English (en)
Other versions
CN113762623A (zh
Inventor
雷添杰
张平
张保山
张亚珍
岳建伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lei Tianjie
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN202111057327.9A priority Critical patent/CN113762623B/zh
Publication of CN113762623A publication Critical patent/CN113762623A/zh
Application granted granted Critical
Publication of CN113762623B publication Critical patent/CN113762623B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种滑坡方向与趋势识别和预测方法及装置、电子设备，识别方向包括：S1、基于滑坡体的监测数据，确定滑坡体的形变参数；形变参数包括形变数据和高程数据；S2、对形变数据和高程数据进行数据融合处理，得到更新的形变数据；S3、确定更新的形变数据的曲面函数；S4、利用曲面函数确定滑坡体的滑动方向，实现滑坡方向与趋势识别。通过结合地基微变监测雷达的优势进行滑坡方向与趋势识别和预测，能适应各种地形环境，高密度覆盖监测区域并反映最真实的地面起伏情况；本发明方法可以更准确和便捷的实现滑坡方向与趋势的识别与预测。

Description

一种滑坡方向与趋势的识别和预测方法、装置及电子设备
技术领域
本发明属于微波成像技术对地观测技术领域，具体涉及一种滑坡方向与趋势识别和预测方法及装置、电子设备。
背景技术
滑坡作为一种可以产生重大影响的地质灾害，在世界范围内广泛分布，给社会发展和经济建设造成了严重损失。然而，由于滑坡灾害的形成原因和发展过程十分复杂，同时受到常规滑坡调查、监测技术的限制，使得灾难性滑坡时有发生。因此，相关的防灾减灾工作引起了有关部门的高度重视。
边坡失稳的发育过程十分复杂，这加大了对滑坡的预防和治理难度。在边坡监测中，边坡的形变量和滑动方向是尤为重要的两个观测量，而边坡的滑动方向是边坡滑动过程中形变信息的综合体现，明确滑动方向对判定滑坡的形成机制、评估灾害风险以及提升滑坡防治效果都大有裨益。因此，在滑坡监测和治理过程中，边坡滑动方向的估计是一项十分重要的内容。在常规的监测方法中，滑动坡方向的确定主要依靠地貌特征和实地勘察，通过寻找滑坡体后缘区域的最高最凹点，以及前缘区域的最低最凸点，然后连线来确定滑动方向。或者在边坡上设置多个监测点以形成监测网，通过分析各个监测点的形变信息，获得滑坡体的滑动方向。在以往监测中，这些监测点通常选择全站仪、裂缝计、GNSS系统等单点高精度监测手段，这类手段虽然单点监测精度高，但安置监测站的过程对地形要求极高，工程量较大，难以高密度覆盖监测区域。
同时，边坡在重力荷载作用下形成的失稳，其形变信息在空间上的分布以及具体的形变方向一般与地形地貌和边坡结构有关。绝大部分边坡在失稳时，其形变方向(或者滑动方向)基本与边坡坡面倾向一致。因此，可以结合当前边坡滑动方向和地形信息来预测下一时刻边坡的滑动方向。在这一方面，依托于大地测量技术的进步，人们可以获得较高质量的地形信息，比如地理信息数字地表模型(DSM)，它是包含了地表建筑物、桥梁和树木等高度信息的地面高程模型，是最真实的地面起伏情况。
综上，现有的滑动坡方向监测方式难以全面呈现滑坡体的特征，而地基微变监测雷达凭借大范围、高密度的监测优势而受到广泛关注，但地基微变监测雷达获得形变值的方式与传统监测手段有很大区别，目前，研究人员尚未给出一种能够结合其监测结果和优势进行滑坡方向与趋势识别与预测的系统，因此，迫切需要一种可以结合地基微变监测雷达进行数据解译，实现滑坡方向与趋势识别与预测的系统。
发明内容
针对现有技术中的上述不足，本发明提供的滑坡方向与趋势识别和预测方法、装置及电子设备解决了滑坡方向与趋势识别和预测方法难以全面呈现滑坡体的特征的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种滑坡方向与趋势识别方法，包括以下步骤：
S1、基于滑坡体的监测数据，确定滑坡体的形变参数；
所述形变参数包括形变数据和高程数据；
S2、对形变数据和高程数据进行数据融合处理，得到更新的形变数据；
S3、确定更新的形变数据的曲面函数；
S4、利用曲面函数确定滑坡体的滑动方向，实现滑坡方向与趋势识别。
进一步地，所述步骤S1中滑坡体的监测数据包括形变监测数据和数字地形数据，所述形变监测数据通过地基微变监测雷达获得，所述数字地形数据通过三维激光扫描仪和/或无人机的切斜摄影获得；
所述步骤S1中通过形变监测数据确定的形变数据表示为Ddiff(ρ,θ,D)，其中，D为将形变监测数据Ddiff构造为对应的扇形数据中每个像素点位置的形变量，(ρ,θ)为像素点的雷达坐标，ρ为各像素点与雷达间的视向距离，θ为各像素点与雷达之间的视向方位角；
所述步骤S1中通过数字地形数据确定的高程数据表示为Dtree(x,y,h)，其中，(x,y,h)为数字地形数据Dtree对应的矩阵数据中各个像素点的地理坐标，x,y,h分别为地形数据中各个像素点的水平地理坐标、竖直地理坐标和高程。
进一步地，所述步骤S2具体为：
S21、创建与高程数据相同大小、相同分辨率的待定分析区域E(x,y,u)；
其中，x,y分别为待定分析区域的水平和竖直地理坐标，u为待定参数；
S22、确定待定分析区域E(x,y,u)中各像素点与雷达中心之间的距离和方位角；
S23、确定形变数据中与距离和方位角最近的第一坐标；
S24、将第一坐标的形变值确定为待定参数u的参数值；
S25、将更新后的参数值对应的待定分析区域确定为数据融合处理得到的更新后的形变数据。
进一步地，所述步骤S3具体为：
S31、将更新后的形变数据中形变值最大的像素点确定为初始点；
S32、在更新的形变数据中以初始点为中心进行曲面拟合，得到更新的形变数据的中间曲面函数；
S33、利用中间曲面函数确定初始点对应的变化斜率；
S34、利用变化斜率更新初始点，并利用更新的初始点重新确定中间曲面函数和变化斜率；
S35、重复步骤S33-S34，对中间曲面函数进行更新，直到满足终止条件，将满足终止条件的中间曲面函数作为形变数据的曲面函数。
进一步地，所述步骤S34中终止条件包括以下条件中的至少一种：
(1)在利用变化斜率更新初始点，进而确地中间曲面函数和变化斜率的重复执行次数达到预设次数时，即满足终止条件；
(2)在利用变化斜率更新初始点进而确定的中间曲面函数过程中，当相邻两次得到的中间曲面函数相同或曲面相似度大于预设相似度时，即满足终止条件；
(3)在利用中间曲面函数重新确定初始点对应的变化斜率的过程中，当相邻两次得到的初始点对应的变化斜率相同或变化斜率之间的差值小于预设差值时，即满足终止条件；
(4)在利用中间曲面函数重新确定初始点对应的变化斜率的过程中，当确定的变化斜率的模值小于预设阈值时，即满足终止条件；
所述步骤S35中，在对中间曲面函数进行更新的过程中，将每次确定的初始点依次存入到数组Gdiff中；
所述初始点的存入方式为：
Gdiff(1:2,j)＝(xd,yd)
式中，Gdiff(1:2,j)表示将第j次得到的初始点的坐标值xd和yd分别存入到数组Gdiff中第j列的第一行和第二行。
进一步地，所述步骤S4具体为：
S41、确定数组Gdiff中的存入的第一个初始点和最后一个初始点对应的矢量Vdiff；
S42、计算矢量Vdiff的方位角度θdiff，即为滑坡体的滑动方向，实现滑坡方向与趋势识别。
一种滑坡方向与趋势预测方法，将所述步骤S3和步骤S4替换为：
S3'、基于更新的形变数据，确定高程数据对应的曲面函数；
S4'、利用高程数据对应的曲面函数对滑坡体的滑动方向进行预测；
所述步骤S3'具体为：
A1、确定更新后的形变数据中最大形变值对应的像素点在高程数据中对应的坐标值，并作为初始点；
A2、以初始点为中心进行曲面拟合，得到高程数据的中间曲面函数；
A3、利用中间曲面函数确定初始点对应的变化斜率；
A4、利用变化斜率更新初始点，并利用更新的初始点重新确定中间曲面函数和变化斜率；
A5、重复步骤A3-A4，对中间曲面函数进行更新，直到满足终止条件，将满足终止条件的中间曲面函数作为高程数据的曲面函数。
一种滑坡方向与趋势识别装置，包括：
第一确定模块，用于利用滑坡体的监测数据，确定滑坡体的形变数据和高程数据；
第一融合模块，用于对形变数据和高程数据进行数据融合处理，得到更新的形变数据；
第一拟合模块，用于确定更新的形变数据的曲面函数；
滑动方向识别模块，用于利用曲面函数，对滑坡体的滑动方向与趋势进行识别。
一种滑坡方向与趋势预测装置，包括：
第二确定模块：用于利用滑坡体的监测数据，确定滑坡体的形变数据和高程数据；
第二融合模块，用于对形变数据和高程数据进行数据融合处理，得到更新的形变数据；
第二拟合模块，用于根据更新的形变数据确定高程数据对应的曲面函数；
滑动方向预测模块，用于利用曲面函数，对滑坡体的滑动方向与趋势进行预测。
一种电子设备，包括处理器及用于存储处理器可执行指令的存储器；
所述处理器配置为调用存储器存储的指令，以执行上述滑坡方向与趋势识别方法和/或滑坡方向与趋势预测方法。
本发明的有益效果为：
(1)通过结合地基微变监测雷达的优势进行滑坡方向与趋势识别和预测，能适应各种地形环境，高密度覆盖监测区域并反映最真实的地面起伏情况；
(2)本发明方法提高了滑坡方向与趋势的识别与预测的准确性和便捷性；
(3)本发明方法基于地基微变监测雷达能够全面的呈现出滑坡体的特征；
(4)本发明方法提供了实现滑坡方向与趋势的识别与预测的多角度实现方法，提高了本发明方法的普适性。
附图说明
图1为本发明提供的滑坡方向与趋势识别方法流程图。
图2为本发明提供的滑坡方向与趋势识别装置示意图。
图3为本发明提供的滑坡方向与趋势预测装置示意图。
图4为本发明提供的电子设备800的框图。
图5为本发明提供的电子设备1900的框图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
本发明提供了一种滑坡方法与趋势的识别方法，可以应用在任意的电子设备和服务器中，电子设备可以包括用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中，该方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现，服务器可以包括云端服务器或者本地服务器。
实施例1：
如图1所示，一种滑坡方向与趋势识别方法，包括以下步骤：
S1、基于滑坡体的监测数据，确定滑坡体的形变参数；
所述形变参数包括形变数据和高程数据；
S2、对形变数据和高程数据进行数据融合处理，得到更新的形变数据；
S3、确定更新的形变数据的曲面函数；
S4、利用曲面函数确定滑坡体的滑动方向，实现滑坡方向与趋势识别。
本实施例中，首先获得滑坡体的监测数据，利用监测数据至少可以确定滑坡体的形变数据和高程数据，从而可以获得实施滑动方向识别的必要数据，同时获取形变数据和高程数据的数据分辨率和像素坐标，由于这形变数据和高程数据的数据分辨率和展现形式是不相同的，因此需要进行数据融合，将两种数据转换到同一分辨率，并使得融合更新后的形变数据中含有高程数据对应的地理信息。通常高程数据的数据分辨率更高，因此可以将形变数据的数据分辨率转化为高程数据的数据分辨率，但不作为本公开的具体限定。随后，可以进一步得到更新的形变数据和/或高程数据的曲面函数，这里对形变数据和高程数据进行曲面拟合。得到表达式后，以形变数据中形变最大点为起点，分别求解形变数据和高程数据的变化斜率，以得到形变数据和高程数据中数据变化最大的路径。由形变数据得到路径的起点和终点连线即为滑坡体当前滑动方向，而对形变数据和高程数据中的路径进行矢量和，得到的即为滑坡体下一时刻可能的滑动方向。
下面对本实施例中的具体实施方式进行具体说明，上述步骤S1中滑坡体的监测数据包括形变监测数据和数字地形数据，所述形变监测数据通过地基微变监测雷达获得，所述数字地形数据通过三维激光扫描仪和/或无人机的切斜摄影获得；本公开对此不作具体限定，本领域技术人员也可以通过其他方式获得；
所述步骤S1中通过形变监测数据确定的形变数据表示为Ddiff(ρ,θ,D)，其中，D为将形变监测数据Ddiff构造为对应的扇形数据中每个像素点位置的形变量，(ρ,θ)为像素点的雷达坐标，ρ为各像素点与雷达间的视向距离，θ为各像素点与雷达之间的视向方位角；同时还可以得到雷达放置位置的中心坐标O(x0,y0,z0)，其中，该形变监测数据的分辨率为d×a，d为雷达的距离向分辨率，a为雷达的距离向分辨率。
所述步骤S1中通过数字地形数据确定的高程数据表示为Dtree(x,y,h)，其中，(x,y,h)为数字地形数据Dtree对应的矩阵数据中各个像素点的地理坐标，x,y,h分别为地形数据中各个像素点的水平地理坐标、竖直地理坐标和高程，读取地形数据分辨率c×b。其中c为地形数据在水平方向上的分辨率，b为地形数据在竖直方向上的分辨率。该Dtree的大小为m×n，m为各位置的水平地理坐标的最大值与最小值之间的差值和水平分辨率之间的比值，n为各位置的竖直地理坐标和最大值和最小值的差值和竖直方向的分辨率之间的比值，可以表示如公式(1)：
式中，xmax和xmin分别为水平地理坐标的最大值与最小值，ymax和ymin分别为竖直地理坐标的最大值和最小值；
通过上述配置，可以得到滑坡体的监测数据，并利用监测数据分别得到滑坡体的高程数据和形变数据。
在上述步骤S2中，可以利用得到形变数据和高程数据进行数据融合处理，具体的，可以利用所述高程数据的参数形式，调整所述形变数据，调整后的形变数据包括所述高程数据中的至少一部分信息。由于本公开实施例中的高程数据和形变数据的表达方式不同，数据形式、分辨率等参数均存在差异，通过数据融合处理可以建立高程数据和形变数据之间的关联，可以至少使得融合后的形变数据中包括高程数据的位置信息，从而建立二者之间的关联映射。在本公开的其他实施例中，也可以通过其他融合方式，使得高程数据中包括形变数据的至少一部分信息，例如通过形变数据内的雷达坐标建立二者的关联映射，也就是说，可以使得融合后的高程数据包括形变数据中的雷达坐标，上述不作为本公开的具体限定。
基于上述内容，在本实施例一个具体实施方式中，步骤S2具体为：
S21、创建与高程数据相同大小、相同分辨率的待定分析区域E(x,y,u)；
其中，x,y分别为待定分析区域的水平和竖直地理坐标，u为待定参数；
待定分析区域E(x,y,u)的分辨率为c×b，待定参数的初始化为0，通过不断融合，可以在待定分析区域E(x,y,u)的待定参数中融入形变数据的数据，具体的：
S22、确定待定分析区域E(x,y,u)中各像素点与雷达中心之间的距离和方位角；
通过遍历待定分析区域中的每一个像素Pi的坐标(xi,yi,ui)，并计算该像素Pi到雷达中心O的距离，获得距离ρi，Pi的计算公式为：
还可以获得像素点Pi到雷达中心O的方位角θi，获取方位角的方式为：
式中，ρi的数值精确到0.1mm，而θi的数值精确到0.1mrad；
S23、确定形变数据中与距离和方位角最近的第一坐标；
遍历形变数据Ddiff(ρ,θ,D)，确定形变数据中ui得到的所述距离和方位角构成的坐标距离最近的雷达坐标。例如可以在在形变数据中确定与(ρi,θi)之间的棋盘距离最近的雷达坐标(ρc,θc)(第一坐标)，在其他实施例中，也可以是其他距离形式，本实施例中对此不作限定。
S24、将第一坐标的形变值确定为待定参数u的参数值；
在得到第一坐标的情况下，可以进一步将形变数据中与第一坐标对应的形变值Dc赋值给待定分析区域中的待定参数，即：
ui|E(xi,yi)＝Dc|D(ρc,θc) (4)
式中，其中，A|B表示A在条件B下的取值。
S25、将更新后的参数值对应的待定分析区域确定为数据融合处理得到的更新后的形变数据。
本公开实施例中，通过上述方式，可以得到待定分析区域E中每个像素点(x,y)对应的形变数据中的形变量D，继而得到更新后的形变数据E(xi,yi,ui)，其中，i表示像素点变量。反过来可以看做是在形变数据中融合了地理位置信息(x,y)。
本公开实施例的上述过程，可以针对待定分析区域中每个像素点并行或者串行的执行，例如可以按照像素点的顺序依次执行各像素点对应的形变值，若第一次执行该步骤，则令i＝1；否则i＝i+1，直至遍历E中的每一个像素Pi的坐标(xi,yi,ui)，或者也可以同时执行多个像素点的形变值的确定，本公开对此不作具体限定。
在得到更新后的形变数据的情况下，还可以利用得到的形变数据对当前的滑动方向进行识别。
本实施例中的步骤S3具体为：
S31、将更新后的形变数据中形变值最大的像素点确定为初始点；
通过上述实施例可以建立形变数据和高程数据的关联，利用形变数据中的形变量可以确定出在高程数据中的地理位置。
具体地，首先，遍历更新的形变数据，确定出形变数据中最大的形变值Dmax，该最大形变值在高程数据以及更新的形变数据中的像素点分别表示Pterr(xt,yt)Pdiff(xd,yd)，(xt,yt)分别表示高程数据形变值最大的点对应的坐标，以及(xd,yd)分别表示更新的形变数据中形变值最大的点对应的坐标。在此需要说明的是，由于形变数据为扇形结构，高程数据为矩阵数据，因此在通过最大形变值建立形变数据和高程数据之间的映射时，存在一个形变值对应多个雷达坐标的情况，因此，更新后的形变数据中最大形变值对应的像素点也可以为多个，本公开可以将该多个像素点构建成像素点集GP。则对应的更新后的形变数据的形变值最大的像素点Pdiff(xd,yd)，以及Pterr(xt,yt)的获得方式为：
为点集GP中的所有x坐标，/>为点集GP中的所有y坐标，N点集GP中的元素个数，符号/>表示向下取整；
本实施例中将上述形变值最大的像素点设定为初始点，进行后续的局部曲面拟合。
S32、在更新的形变数据中以初始点为中心进行曲面拟合，得到更新的形变数据的中间曲面函数；
具体地，得到的更新的形变数据Ddiff中以坐标Pdiff(xd,yd)为中心，在大小为w×w的窗口内进行二阶的曲面拟合。其中，w可以预先设定的值，如可以为4等大于1的整数数值。假设曲面的表达式Fdiff(x,y,u)为：
Fdiff(x,y,u)＝u-a0+a1·x+a2·y+a3·x2+a4·xy+a5·y2 (6)
其中拟合值为u，使用最小二乘来估计参数a0～a5，求解泛函数误差δd的最小值，由于窗口内共有w2个像素，即w2组元素，则有：
其中，i，j表示窗口中各像素点的位置，且有i,j∈[1,w]。分别对a0～a5求偏导，并令其结果等于零。利用复合函数求偏导的定理，得到：
整理上式，表现为矩阵运算的形式，即：
解得系数a0～a5，带回式(6)得到窗口内的曲面函数Fdiff(x,y,u)。
通过上述配置，可以得到初始点得到的形变数据的曲面拟合的结果，也就是曲面表达形式，该结果可以作为中间曲面拟合结果，称为中间曲面函数。
S33、利用中间曲面函数确定初始点对应的变化斜率；
在得到的曲面函数Fdiff(x,y,u)中，以像素点Pdiff(xd,yd)为起点计算变化斜率即：
S34、利用变化斜率更新初始点，并利用更新的初始点重新确定中间曲面函数和变化斜率；
S35、重复步骤S33-S34，对中间曲面函数进行更新，直到满足终止条件，将满足终止条件的中间曲面函数作为形变数据的曲面函数。
利用初始点在形变数据对应的中间曲面函数的变化斜率对初始点更新，例如可以将初始点的位置按照变化斜率与预设平移步长的乘积进行平移，得到更新后的初始点。平移表达方式为：
式中，ηd为形变数据对应的平移步长，可以设为变化斜率的模，也可以根据实际需要进行调整。
在得到形变数据的新的初始点的情况下，可以进一步利用更新的初始点执行S33-S34，重新进行形变数据的中间曲面函数的确定，以及初始点的偏移过程，直至满足终止条件。上述步骤S34中终止条件包括以下条件中的至少一种：
(1)在利用变化斜率更新初始点，进而确地中间曲面函数和变化斜率的重复执行次数达到预设次数时，即满足终止条件；预设次数可以为50次，或者其他预先设定的数值；
(2)在利用变化斜率更新初始点进而确定的中间曲面函数过程中，当相邻两次得到的中间曲面函数相同或曲面相似度大于预设相似度时，即满足终止条件；预设相似度可以大于0.8的数值，但不作为本公开的具体限定；
(3)在利用中间曲面函数重新确定初始点对应的变化斜率的过程中，当相邻两次得到的初始点对应的变化斜率相同或变化斜率之间的差值小于预设差值时，即满足终止条件；预设差值可以为小于0.2的数值，但不作为本公开的具体限定。
(4)在利用中间曲面函数重新确定初始点对应的变化斜率的过程中，当确定的变化斜率的模值小于预设阈值时，即满足终止条件；例如可以小于1，但不作为本公开的具体限定。
步骤S35中，在对中间曲面函数进行更新的过程中，将每次确定的初始点依次存入到数组Gdiff中；该第一数组为预先设定的空数组，其中每次得到的初始点(第一次为形变值最大的初始点，其余为经过平移得到的初始点)依次被存入到该第一数组Gdiff中；
初始点的存入方式为：
Gdiff(1:2,j)＝(xd,yd) (12)
式中，Gdiff(1:2,j)表示将第j次得到的初始点的坐标值xd和yd分别存入到数组Gdiff中第j列的第一行和第二行；
具体的，可以利用第一数组Gdiff中存入的第一初始点和当前最后一个初始点，确定滑坡体的滑动方向；
本实施例中的步骤S4具体为：
S41、确定数组Gdiff中的存入的第一个初始点和最后一个初始点对应的矢量Vdiff；
S42、计算矢量Vdiff的方位角度θdiff，即为滑坡体的滑动方向，实现滑坡方向与趋势识别；
计算矢量Vdiff的方位角度，设正北为0°方向，顺时针为角度正方向，则当前的滑坡体滑动方向θdiff为：
通过上述配置则可以确定滑坡体的滑动方向θdiff，该方法可以方便的获取边坡的整体形变数据情况，同时通过融合形变数据和高程数据，重新建立形变数据和高程数据的表明方程，进而通过变化斜率信息确定滑坡体的滑动方向，具有识别准确，且突破了目前无法利用雷达监测数据进行滑动方向识别的问题。
实施例2：
基于上述滑坡方向与趋势识别的方法，本实施例提供了在其基础上进行改进实现滑坡方向与趋势预测的方法，将图1的识别方法中的步骤S3和步骤S4替换为：
S3'、基于更新的形变数据，确定高程数据对应的曲面函数；
S4'、利用高程数据对应的曲面函数对滑坡体的滑动方向进行预测；
所述步骤S3'具体为：
A1、确定更新后的形变数据中最大形变值对应的像素点在高程数据中对应的坐标值，并作为初始点；
A2、以初始点为中心进行曲面拟合，得到高程数据的中间曲面函数；
A3、利用中间曲面函数确定初始点对应的变化斜率；
A4、利用变化斜率更新初始点，并利用更新的初始点重新确定中间曲面函数和变化斜率；
A5、重复步骤A3-A4，对中间曲面函数进行更新，直到满足终止条件，将满足终止条件的中间曲面函数作为高程数据的曲面函数。
上述步骤S3'的实现过程与识别方法中步骤S3的实现过程类似，仅是将满足终止条件的情况下得到的形变数据的中间曲面函数为形变数据的曲面函数，对应的满足终止条件的情况下，得到的高程数据的中间曲面函数为高程数据的曲面函数，进而实现后续的滑坡方向和趋势的预测。
具体地，在高程数据中，以通过最大形变量确定的初始点为中心，执行高程数据的曲面拟合，得到高程数据的中间曲面函数；利用所述中间曲面函数确定所述初始点对应的变化斜率；利用所述变化斜率更新所述初始点，并利用更新的初始点重新确定中间曲面函数和变化斜率，直至满足第二终止条件，将得到中间曲面函数确定为高程数据的曲面函数。
在得到的高程数据Dterr中以坐标Pterr(xt,yt)中心，在大小为w×w的窗口内进行二阶的曲面拟合。假设曲面的表达式Fterr(x,y,h))为：
其中拟合值为h，使用最小二乘来估计参数b0～b5，求解泛函数误差δt的最小值，由于窗口内共有w2个像素，即w2组元素，则有：
其中，i，j表示窗口中各像素点的位置，且有i,j∈[1,w]。分别对b0～b5求偏导，并令其结果等于零。利用复合函数求偏导的定理，得到：
整理上式，表现为矩阵运算的形式，即：
解得系数b0～b5，带回式(14)得到窗口内的曲面函数Fterr(x,y,h)。
通过上述配置，可以得到初始点得到的高程数据的曲面拟合的结果，也就是曲面表达形式，该结果可以作为中间曲面拟合结果，称为中间曲面函数。
进一步地，可以在得到的曲面函数Fterr(x,y,h)中，以像素点Pterr(xt,yt)为起点计算变化斜率计算变化斜率的表达为：
利用初始点在高程数据对应的中间曲面函数的变化斜率对初始点更新，例如可以将初始点的位置按照变化斜率与预设平移步长的乘积进行平移，得到更新后的初始点。平移表达方式为：
ηt为高程数据对应的平移步长，可以设为变化斜率的模，也可以根据实际需要进行调整。本公开对此不作具体限定。
在得到高程数据的新的初始点的情况下，可以进一步利用更新的初始点执行上述过程，重新进行高程数据的中间曲面函数的确定，以及初始点的偏移过程，直至满足终止条件(这里的终止条件和上面识别方法中的终止条件是一样的)。
在进行滑坡方向和趋势预测时，本公开实施例可以将每次确定的高程数据的初始点存入到第二数组Gterr中，该第一数组为预先设定的空数组，其中每次得到的初始点(第一次为形变值最大的初始点，其余为经过平移得到的初始点)依次被存入到该第二数组Gterr中，存入方式表示为：
Gterr(1:2,j)＝(xt,yt)T (20)
表示为将第j次得到的初始点的坐标值xt和yt分别存入到数组Gterr的第j列的第一行和第二行。
在得到高程数据的曲面函数的情况下，可以进一步得到高程数据每个初始点对应的第二矢量Vterr，利用第一矢量Vdiff和第二矢量Vterr预测下一时刻的滑动方向；该第二矢量Vterr为高程数据中第j个初始点和第一个初始点之间的坐标差：
利用第一矢量和第二矢量的矢量和对应的方位角，预测下一时刻滑坡体的滑动方向。其中，两个矢量和为：
计算矢量的方位角度，同样设正北为0°方向，顺时针为角度正方向，则预测的滑坡体滑动方向θterr为：
通过上述配置，可以实现对未来时刻的滑动方向的预测，增强了救援能力和抗风险能力。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。
本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
本发明还提供了滑动方向的识别和预测、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种滑动方向的识别和预测方法(具体参见实施例3-4)，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
实施例3：
如图2所示，一种滑坡方向与趋势识别装置，包括：
第一确定模块，用于利用滑坡体的监测数据，确定滑坡体的形变数据和高程数据；
第一融合模块，用于对形变数据和高程数据进行数据融合处理，得到更新的形变数据；
第一拟合模块，用于确定更新的形变数据的曲面函数；
滑动方向识别模块，用于利用曲面函数，对滑坡体的滑动方向与趋势进行识别。
实施例4：
如图3所示，一种基滑坡方向与趋势预测装置，包括：
第二确定模块：用于利用滑坡体的监测数据，确定滑坡体的形变数据和高程数据；
第二融合模块，用于对形变数据和高程数据进行数据融合处理，得到更新的形变数据；
第二拟合模块，用于根据更新的形变数据确定高程数据对应的曲面函数；
滑动方向预测模块，用于利用曲面函数，对滑坡体的滑动方向与趋势进行预测。
在上述实施例3和实施例4中提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
实施例5：
一种电子设备，包括处理器及用于存储处理器可执行指令的存储器；
所述处理器配置为调用存储器存储的指令，以执行滑坡方向与趋势识别方法和/或滑坡方向与趋势预测方法。
本实施例中的电子设备可以为终端、服务器或其它形态的设备。
图4示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图4，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图5示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图5，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、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)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

Claims (8)

1.一种滑坡方向与趋势识别方法，其特征在于，包括以下步骤：
S1、基于滑坡体的监测数据，确定滑坡体的形变参数；
所述形变参数包括形变数据和高程数据；
S2、对形变数据和高程数据进行数据融合处理，得到更新的形变数据；
S3、确定更新的形变数据的曲面函数；
S4、利用曲面函数确定滑坡体的滑动方向，实现滑坡方向与趋势识别；
所述步骤S3具体为：
S31、将更新后的形变数据中形变值最大的像素点确定为初始点；
S32、在更新的形变数据中以初始点为中心进行曲面拟合，得到更新的形变数据的中间曲面函数；
S33、利用中间曲面函数确定初始点对应的变化斜率；
S34、利用变化斜率更新初始点，并利用更新的初始点重新确定中间曲面函数和变化斜率；
S35、重复步骤S33-S34，对中间曲面函数进行更新，直到满足终止条件，将满足终止条件的中间曲面函数作为形变数据的曲面函数。
2.根据权利要求1所述的滑坡方向与趋势识别方法，其特征在于，所述步骤S1中滑坡体的监测数据包括形变监测数据和数字地形数据，所述形变监测数据通过地基微变监测雷达获得，所述数字地形数据通过三维激光扫描仪和/或无人机的切斜摄影获得；
所述步骤S1中通过形变监测数据确定的形变数据表示为Ddiff(ρ,θ,D)，其中，D为将形变监测数据Ddiff构造为对应的扇形数据中每个像素点位置的形变量，(ρ,θ)为像素点的雷达坐标，ρ为各像素点与雷达间的视向距离，θ为各像素点与雷达之间的视向方位角；
所述步骤S1中通过数字地形数据确定的高程数据表示为Dtree(x,y,h)，其中，(x,y,h)为数字地形数据Dtree对应的矩阵数据中各个像素点的地理坐标，x,y,h分别为地形数据中各个像素点的水平地理坐标、竖直地理坐标和高程。
3.根据权利要求2所述的滑坡方向与趋势识别方法，其特征在于，所述步骤S2具体为：
S21、创建与高程数据相同大小、相同分辨率的待定分析区域E(x,y,u)；
其中，x,y分别为待定分析区域的水平和竖直地理坐标，u为待定参数；
S22、确定待定分析区域E(x,y,u)中各像素点与雷达中心之间的距离和方位角；
S23、确定形变数据中与距离和方位角最近的第一坐标；
S24、将第一坐标的形变值确定为待定参数u的参数值；
S25、将更新后的参数值对应的待定分析区域确定为数据融合处理得到的更新后的形变数据。
4.根据权利要求1所述的滑坡方向与趋势识别方法，其特征在于，所述步骤S34中终止条件包括以下条件中的至少一种：
(1)在利用变化斜率更新初始点，进而确地中间曲面函数和变化斜率的重复执行次数达到预设次数时，即满足终止条件；
(2)在利用变化斜率更新初始点进而确定的中间曲面函数过程中，当相邻两次得到的中间曲面函数相同或曲面相似度大于预设相似度时，即满足终止条件；
(3)在利用中间曲面函数重新确定初始点对应的变化斜率的过程中，当相邻两次得到的初始点对应的变化斜率相同或变化斜率之间的差值小于预设差值时，即满足终止条件；
(4)在利用中间曲面函数重新确定初始点对应的变化斜率的过程中，当确定的变化斜率的模值小于预设阈值时，即满足终止条件；
所述步骤S35中，在对中间曲面函数进行更新的过程中，将每次确定的初始点依次存入到数组Gdiff中；
所述初始点的存入方式为：
Gdiff(1:2,j)＝(xd,yd)
式中，Gdiff(1:2,j)表示将第j次得到的初始点的坐标值xd和yd分别存入到数组Gdiff中第j列的第一行和第二行。
5.根据权利要求4所述的滑坡方向与趋势识别方法，其特征在于，所述步骤S4具体为：
S41、确定数组Gdiff中的存入的第一个初始点和最后一个初始点对应的矢量Vdiff；
S42、计算矢量Vdiff的方位角度θdiff，即为滑坡体的滑动方向，实现滑坡方向与趋势识别。
6.一种基于权利要求1～5任意一条权利要求所述的滑坡方向与趋势识别方法的滑坡方向与趋势识别装置，其特征在于，包括：
第一确定模块，用于利用滑坡体的监测数据，确定滑坡体的形变数据和高程数据；
第一融合模块，用于对形变数据和高程数据进行数据融合处理，得到更新的形变数据；
第一拟合模块，用于确定更新的形变数据的曲面函数；
滑动方向识别模块，用于利用曲面函数，对滑坡体的滑动方向与趋势进行识别。
7.一种基于权利要求6所述的滑坡方向与趋势预测方法的滑坡方向与趋势预测装置，其特征在于，包括：
第二确定模块：用于利用滑坡体的监测数据，确定滑坡体的形变数据和高程数据；
第二融合模块，用于对形变数据和高程数据进行数据融合处理，得到更新的形变数据；
第二拟合模块，用于根据更新的形变数据确定高程数据对应的曲面函数；
滑动方向预测模块，用于利用曲面函数，对滑坡体的滑动方向与趋势进行预测。
8.一种电子设备，其特征在于，包括处理器及用于存储处理器可执行指令的存储器；
所述处理器配置为调用存储器存储的指令，以执行权利要求1-5任意一项权利要求所述的滑坡方向与趋势识别方法。
CN202111057327.9A 2021-09-09 2021-09-09 一种滑坡方向与趋势的识别和预测方法、装置及电子设备 Active CN113762623B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111057327.9A CN113762623B (zh) 2021-09-09 2021-09-09 一种滑坡方向与趋势的识别和预测方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111057327.9A CN113762623B (zh) 2021-09-09 2021-09-09 一种滑坡方向与趋势的识别和预测方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN113762623A CN113762623A (zh) 2021-12-07
CN113762623B true CN113762623B (zh) 2024-04-05

Family

ID=78794413

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111057327.9A Active CN113762623B (zh) 2021-09-09 2021-09-09 一种滑坡方向与趋势的识别和预测方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN113762623B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115015937A (zh) * 2022-07-08 2022-09-06 内蒙古工业大学 一种微变监测雷达边坡滑坡预测方法及装置
CN115240371B (zh) * 2022-09-23 2023-01-10 西北大学 一种基于数据分析的山体滑坡实时监测系统
CN116734754B (zh) * 2023-05-10 2024-04-26 吉林大学 滑坡监测系统及方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000172742A (ja) * 1998-12-07 2000-06-23 Sony Corp 曲線変形処理方法、曲線変形処理装置、曲線変形用処理プログラムが記憶された記憶媒体、曲面変形処理方法、曲面変形処理装置および曲面変形用処理プログラムが記憶された記憶媒体
CN104700399A (zh) * 2015-01-08 2015-06-10 东北大学 一种基于高分遥感影像的大变形滑坡位移场标定方法
KR101762809B1 (ko) * 2016-01-21 2017-07-28 전주비전대학교산학협력단 드론을 사용한 산사태 예측 지형자료 생성 및 산사태 위험지역 선정 방법
CN109308396A (zh) * 2018-10-08 2019-02-05 江西理工大学 边坡三维任意形滑裂面构建方法与临界滑裂面搜索方法
CN109325311A (zh) * 2018-10-29 2019-02-12 中交第公路勘察设计研究院有限公司 多年冻土地区大尺度路基的变形评价方法
CN110453731A (zh) * 2019-08-15 2019-11-15 中国水利水电科学研究院 一种大坝边坡形变监测系统及方法
CN110703245A (zh) * 2019-10-15 2020-01-17 北京理工大学 基于同名点匹配与dem辅助的地基sar多角度图像配准方法
CN111721241A (zh) * 2020-05-08 2020-09-29 北京理工大学 一种GNSS-InBSAR和GB-InSAR跨系统融合三维形变测量方法
CN111754540A (zh) * 2020-06-29 2020-10-09 中国水利水电科学研究院 一种边坡质点位移轨迹监测实时跟踪方法及系统
CN111881566A (zh) * 2020-07-21 2020-11-03 成都雨航创科科技有限公司 基于实景仿真的滑坡位移检测方法及装置
CN111968230A (zh) * 2020-07-16 2020-11-20 中国自然资源航空物探遥感中心 一种区域性活动滑坡识别与圈定方法、装置和设备
CN112505696A (zh) * 2020-11-10 2021-03-16 沈阳建筑大学 一种基于星载sar的露天矿边坡形变动态监测方法
CN112540369A (zh) * 2020-11-27 2021-03-23 武汉大学 融合GNSS与升降轨时序InSAR的滑坡三维形变解算方法及系统

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000172742A (ja) * 1998-12-07 2000-06-23 Sony Corp 曲線変形処理方法、曲線変形処理装置、曲線変形用処理プログラムが記憶された記憶媒体、曲面変形処理方法、曲面変形処理装置および曲面変形用処理プログラムが記憶された記憶媒体
CN104700399A (zh) * 2015-01-08 2015-06-10 东北大学 一种基于高分遥感影像的大变形滑坡位移场标定方法
KR101762809B1 (ko) * 2016-01-21 2017-07-28 전주비전대학교산학협력단 드론을 사용한 산사태 예측 지형자료 생성 및 산사태 위험지역 선정 방법
CN109308396A (zh) * 2018-10-08 2019-02-05 江西理工大学 边坡三维任意形滑裂面构建方法与临界滑裂面搜索方法
CN109325311A (zh) * 2018-10-29 2019-02-12 中交第公路勘察设计研究院有限公司 多年冻土地区大尺度路基的变形评价方法
CN110453731A (zh) * 2019-08-15 2019-11-15 中国水利水电科学研究院 一种大坝边坡形变监测系统及方法
CN110703245A (zh) * 2019-10-15 2020-01-17 北京理工大学 基于同名点匹配与dem辅助的地基sar多角度图像配准方法
CN111721241A (zh) * 2020-05-08 2020-09-29 北京理工大学 一种GNSS-InBSAR和GB-InSAR跨系统融合三维形变测量方法
CN111754540A (zh) * 2020-06-29 2020-10-09 中国水利水电科学研究院 一种边坡质点位移轨迹监测实时跟踪方法及系统
CN111968230A (zh) * 2020-07-16 2020-11-20 中国自然资源航空物探遥感中心 一种区域性活动滑坡识别与圈定方法、装置和设备
CN111881566A (zh) * 2020-07-21 2020-11-03 成都雨航创科科技有限公司 基于实景仿真的滑坡位移检测方法及装置
CN112505696A (zh) * 2020-11-10 2021-03-16 沈阳建筑大学 一种基于星载sar的露天矿边坡形变动态监测方法
CN112540369A (zh) * 2020-11-27 2021-03-23 武汉大学 融合GNSS与升降轨时序InSAR的滑坡三维形变解算方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于多源数据融合的地质滑坡智能判识研究;李翔宇 等;安徽农业科学;第48卷(第9期);第221-225页 *
联合LiDAR DEM和时序SAR数据的露天矿高陡边坡形变监测;封秋月;联合LiDAR DEM和时序SAR数据的露天矿高陡边坡形变监测;第27-35页 *

Also Published As

Publication number Publication date
CN113762623A (zh) 2021-12-07

Similar Documents

Publication Publication Date Title
CN113762623B (zh) 一种滑坡方向与趋势的识别和预测方法、装置及电子设备
CN110647834B (zh) 人脸和人手关联检测方法及装置、电子设备和存储介质
CN113538519B (zh) 目标追踪方法及装置、电子设备和存储介质
CN112001321B (zh) 网络训练、行人重识别方法及装置、电子设备和存储介质
US11301726B2 (en) Anchor determination method and apparatus, electronic device, and storage medium
CN110674719A (zh) 目标对象匹配方法及装置、电子设备和存储介质
CN111243011A (zh) 关键点检测方法及装置、电子设备和存储介质
CN110569708A (zh) 文本检测方法及装置、电子设备和存储介质
CN112013844B (zh) 建立室内环境地图的方法及装置
CN112362047A (zh) 定位方法及装置、电子设备和存储介质
CN111323007A (zh) 定位方法及装置、电子设备和存储介质
CN113139484B (zh) 人群定位方法及装置、电子设备和存储介质
CN114088062B (zh) 目标定位方法及装置、电子设备和存储介质
CN113074726A (zh) 位姿确定方法及装置、电子设备和存储介质
CN110930351A (zh) 一种光斑检测方法、装置及电子设备
CN111339880A (zh) 一种目标检测方法及装置、电子设备和存储介质
CN112700468A (zh) 位姿确定方法及装置、电子设备和存储介质
CN109447258B (zh) 神经网络模型的优化方法及装置、电子设备和存储介质
CN106875450B (zh) 用于相机重定位的训练集优化方法及装置
CN112767541B (zh) 三维重建方法及装置、电子设备和存储介质
CN113283343A (zh) 人群定位方法及装置、电子设备和存储介质
CN113538310A (zh) 图像处理方法及装置、电子设备和存储介质
CN109754452B (zh) 图像渲染的处理方法、装置、电子设备及存储介质
CN112211624A (zh) 储层的破裂压力确定方法及装置、电子设备和存储介质
CN117893591B (zh) 光幕模板识别方法及装置、设备、存储介质和程序产品

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
TA01 Transfer of patent application right

Effective date of registration: 20230720

Address after: Water Science Institute, No. 20 Gongzhuang West Road, Collective Che, Haidian District, Beijing, 100048

Applicant after: Lei Tianjie

Address before: 730010 room 213, No. 281, gaoxinyan South Road, Chengguan District, Lanzhou City, Gansu Province

Applicant before: Gansu Zhongxing Hongtu Technology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant