CN114063063A - 基于合成孔径雷达和点状传感器的地质灾害监测方法 - Google Patents

基于合成孔径雷达和点状传感器的地质灾害监测方法 Download PDF

Info

Publication number
CN114063063A
CN114063063A CN202111064630.1A CN202111064630A CN114063063A CN 114063063 A CN114063063 A CN 114063063A CN 202111064630 A CN202111064630 A CN 202111064630A CN 114063063 A CN114063063 A CN 114063063A
Authority
CN
China
Prior art keywords
synthetic aperture
xij
aperture radar
data
sensor
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
Application number
CN202111064630.1A
Other languages
English (en)
Inventor
向星任
赵俊丞
曹俊杰
杨秦敏
宋祎昕
詹佳琪
刘洋
肖丽
何国军
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.)
Zhejiang Provincial Natural Gas Development Co ltd
Original Assignee
Zhejiang Zheneng Natural Gas Operation Co ltd
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 Zhejiang Zheneng Natural Gas Operation Co ltd filed Critical Zhejiang Zheneng Natural Gas Operation Co ltd
Priority to CN202111064630.1A priority Critical patent/CN114063063A/zh
Publication of CN114063063A publication Critical patent/CN114063063A/zh
Pending legal-status Critical Current

Links

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
    • G01S13/88—Radar or analogous systems specially adapted for specific applications
    • G01S13/885—Radar or analogous systems specially adapted for specific applications for ground probing
    • 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
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • G01S7/417—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section involving the use of neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Electromagnetism (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geology (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于管道地质灾害监测技术领域，具体涉及基于合成孔径雷达和点状传感器的地质灾害监测方法。包括如下步骤：在灾害易发区布置合成孔径雷达和点状传感器；采集历史数据，建立原始数据库；对原始数据进行预处理，得到合成孔径雷达图像数据集；对预先设计的网络进行离线训练，并将训练好的网络模型进行保存；采集实时数据，对实时数据进行预处理后，利用训练好的网络模型进行地质灾害的在线监测。本发明具有以图像角度提取特征，对数据质量的敏感性较低，能够进行油气管道地质灾害精确预警的特点。

Description

基于合成孔径雷达和点状传感器的地质灾害监测方法
技术领域
本发明属于管道地质灾害监测技术领域，具体涉及基于合成孔径雷达和点状传感器的地质灾害监测方法。
背景技术
目前，大部分地区的油气管道线路区地质结构复杂，土壤可蚀性高，水土流失严重，夏季短时强降雨引起的地形变化剧烈，地质灾害类型多样。油气管道不可避免地面临交叉河流洪水、滑坡崩塌、黄土湿陷等致灾因子的威胁，对管道运行造成巨大风险，而且由于油气管道距离长和跨度大的特点，油气管道的地质灾害风险具有很大的不确定性和不可预见性，现有技术手段下难以提前防控，发布预报预警的技术方法和管理手段依旧缺乏，一旦造成事故，损失巨大。
现有技术中，在油气管道地质灾害监测时，采用的方法是：对地质灾害的规律进行分析，建立数学模型并设定阈值进行预警；或通过有限元等手段对管道受力进行分析并预警；或通过风险进行预警，所述方法缺乏将人工智能应用到油气管道地址灾害监测领域的经验，通过阈值预警的方法准确性和适应性较差。而使用图像信息进行预警时，由于光照，气候条件，和地表植被掩盖等多方面原因，对基于相机拍摄的图像进行分析，往往不能满足精度要求。另外，现有的监测技术中，缺乏将多源数据进行结合，对地质灾害的预警进行分析，准确性较差，无法满足对油气管道地质灾害的预警要求。
例如，申请号为CN201810470350.2的中国发明专利所述的管道地质灾害监测预警方法及装置，该方法包括：获取管道沿线的多个地质环境因子，该管道沿线地质环境因子包含选自以下中的任意一者：地震烈度、地貌类型、海拔高度、年均降雨量、植被类型、岩土体类型和水文地质类型；基于所获取的多个管道沿线地质环境因子，确定管道沿线的地质环境指数；获取关于管道沿线的历史地质灾害数据和天气信息；根据管道沿线的历史地质灾害数据、地质环境指数和所获取的天气信息，计算管道地质灾害发生的概率，判断是否执行预警操作。虽然能够监测预警管道沿线多种地质灾害，且量化了管道地质灾害发生的概率，提高了管道地质灾害预警结果的可靠性，但是其缺点在于其监测方法仅基于所获取的多个管道沿线地质环境因子和对应建立的数据模型，手段单一，缺乏多维数据融合进行监测预警，准确性不高，具有局限性。
发明内容
本发明是为了克服现有技术中，现有的油气管道地质灾害监测方法，缺乏将多源数据进行结合，准确性较差，无法满足对油气管道地质灾害的预警要求的问题，提供了一种以图像角度提取特征，对数据质量的敏感性较低，能够进行油气管道地质灾害精确预警的基于合成孔径雷达和点状传感器的地质灾害监测方法。
为了达到上述发明目的，本发明采用以下技术方案：
基于合成孔径雷达和点状传感器的地质灾害监测方法，包括如下步骤：
S1，结合历史灾害数据情况，在灾害易发区布置合成孔径雷达和点状传感器；
S2，采集合成孔径雷达图像数据和点状传感器地质数据，建立原始数据库；
S3，导入原始数据库中的合成孔径雷达图像数据，利用三帧差分法提取感兴趣区域ROI，获得经过三帧差分法提取ROI后的合成孔径雷达图像数据；
S4，建立与合成孔径雷达图像数据的像素点对应的点状传感器坐标，采用双线性插值算法对点状传感器采集的数据进行插值，再融入到经过三帧差分法提取ROI后的合成孔径雷达图像数据中，得到融合点状传感器数据的合成孔径雷达图像数据集；
S5，利用融合点状传感器数据的合成孔径雷达图像数据集，对预先设计的网络进行离线训练，并将训练好的网络模型进行保存；
S6，将实时得到的合成孔径雷达图像数据和点状传感器数据，经过步骤S3和步骤S4变为融合点状传感器数据的合成孔径雷达图像数据集，并利用训练好的网络模型进行地质灾害的在线监测。
作为优选，步骤S3包括如下步骤：
记第n+1帧、第n帧和第n-1帧的图像分别为fn+1、fn和fn-1，三帧对应像素点的特征记为fn+1(xij′)、fn(xij′)和fn-1(xij′)，按照如下公式，分别得到差分图像Dn+1和Dn：
Dn(xij′)＝fn(xij′)-fn-1(xij′)
其中，xij′为合成孔径雷达图像数据的坐标，fn(xij′)为第n帧图像像素点的复数值；
对得到的差分图像Dn+1和Dn按照如下公式进行操作，得到图像D′n：
D′n(xij′)＝(fn+1(xij′)-fn(xij′))∩(fn(xij′)-fn-1(xij′))；
再对得到的图像D′n进行阈值处理、连通性分析：
即，
Figure BDA0003254445380000031
其中，T为阈值，R′n(xij′)表示图像D′n经过阈值处理，连通性分析后的像素点值。
作为优选，步骤S4包括如下步骤：
设定，
Figure BDA0003254445380000032
其中，X表示每一帧有n行n列的数据，xnn表示为第n行第n列的数据，
Figure BDA0003254445380000033
|xijps|＝m，xij(1:2)＝R′n(xij′)，θ＝tan-1(b/a)；
采集的合成孔径雷达图像数据为复数，a表示采集的合成孔径雷达图像数据的实部，b表示采集的合成孔径雷达图像数据的虚部；xij为融合点状传感器数据的合成孔径雷达图像数据；xij(1:2)表示xij数据的前两项，具体指经过三帧差分法提取ROI后，合成孔径雷达图像数据的数据特征，即xij(1:2)＝R′n(xij′)；xijps为点状传感器数据；|xijps|＝m表示点状传感器采集了多维数据，维度为m。
作为优选，步骤S5中所述的网络模型如下：
输入为X矩阵，m+2通道，滑动窗口设定为10，输出为地质灾害的概率，损失函数采取交叉熵，对应公式如下：
Figure BDA0003254445380000041
其中，yi表示样本i的标签，正类为1，负类为0；pi表示样本i预测为正类的概率，N表示样本数量；所述样本i为融合点状传感器数据的合成孔径雷达图像数据集；所述正类表示发生地质灾害，所述负类表示没有发生地质灾害。
作为优选，步骤S5中所述的网络离线训练采用反向传播算法，所述反向传播算法原理为通过梯度下降法，以最小化训练的损失函数为目标，进行网络参数优化，其中梯度下降的公式为：
Figure BDA0003254445380000042
其中，θi表示网络中待优化的参数，θi+1表示θi下一步的迭代值，α表示梯度下降中的学习率。
作为优选，所述合成孔径雷达图像数据中的每一像素均包含反映地表微波反射强度以及与合成孔径雷达斜距有关的相位值。
本发明与现有技术相比，有益效果是：(1)利用合成孔径雷达获得的数据，有较高分辨率，且合成孔径雷达具有不受光照和气候条件等限制，可以实现全天时、全天候对地观测的特点，且采集的数据质量稳定，利用三帧差分法提取感兴趣区域，还能够减少背景的干扰；(2)结合点状传感器的数据，利用多维数据进行预警，提高了预警的准确性；(3)本发明中的网络模型采用CNN提出特征，输入到LSTM网络，结合注意力机制，即以图像的角度提取了特征，又考虑了数据的序列信息使得油气管道地质灾害的监测预警更加的准确；(4)本发明具有较好的实用性和经济效益及社会效益，市场前景广阔。
附图说明
图1为本发明方法的一种流程图；
图2为本发明中三帧差分法的一种流程图；
图3为本发明中在双线性插值算法下点状传感器的一种位置分布图；
图4为本发明中网络模型的一种结构示意图。
具体实施方式
为了更清楚地说明本发明实施例，下面将对照附图说明本发明的具体实施方式。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，并获得其他的实施方式。
实施例1：
本发明提供了一种基于合成孔径雷达和点状传感器的地质灾害监测方法。基于合成孔径雷达技术和点状传感器获得的数据，建立融合点状传感器数据的合成孔径雷达图像数据集。利用帧差法和人工智能的方法，通过学习，进行油气管道地质灾害精确的预警。
如图1所示，本发明的具体方法按如下步骤进行：
S1，结合历史灾害数据情况，在灾害易发区布置合成孔径雷达和点状传感器；
S2，采集合成孔径雷达图像数据和点状传感器地质数据，建立原始数据库；
所述合成孔径雷达图像数据中的每一像素均包含反映地表微波反射强度以及与合成孔径雷达斜距(一般取样到垂直于平台飞行方向的斜距上)有关的相位值，上述两个信息分量可用一个复数(a+b·i)表示：
Figure BDA0003254445380000061
S3，导入原始数据库中的合成孔径雷达图像数据，利用三帧差分法提取感兴趣区域ROI，获得经过三帧差分法提取ROI后的合成孔径雷达图像数据；
步骤S3中的三帧差分法，具体流程如图2所示，记第n+1帧、第n帧和第n-1帧的图像分别为fn+1、fn和fn-1，三帧对应像素点的特征记为fn+1(xij′)、fn(xij′)和fn-1(xij′)，按照如下公式，分别得到差分图像Dn+1和Dn：
Dn(xij′)＝fn(xij′)-fn-1(xij′)
其中，xij′为合成孔径雷达图像数据的坐标，fn(xij′)为第n帧图像像素点的复数值；
对得到的差分图像Dn+1和Dn按照如下公式进行操作，得到图像D′n：
D′n(xij′)＝(fn+1(xij′)-fn(xij′))∩(fn(xij′)-fn-1(xij′))；
再对得到的图像D′n进行阈值处理、连通性分析：
即，
Figure BDA0003254445380000062
其中，T为阈值，R′n(xij′)表示图像D′n经过阈值处理，连通性分析后的像素点值。
S4，建立与合成孔径雷达图像数据的像素点对应的点状传感器坐标，采用双线性插值算法对点状传感器采集的数据进行插值，再融入到经过三帧差分法提取ROI后的合成孔径雷达图像数据中，得到融合点状传感器数据的合成孔径雷达图像数据集；
设定，
Figure BDA0003254445380000063
其中，X表示每一帧有n行n列的数据，xnn表示为第n行第n列的数据，
Figure BDA0003254445380000071
|xijps|＝m，xij(1:2)＝R′n(xij′)，θ＝tan-1(b/a)，θ为复数值的幅角；
采集的合成孔径雷达图像数据为复数，a表示采集的合成孔径雷达图像数据的实部，b表示采集的合成孔径雷达图像数据的虚部；xij为融合点状传感器数据的合成孔径雷达图像数据；xij(1:2)表示xij数据的前两项，具体指经过三帧差分法提取ROI后，合成孔径雷达图像数据的数据特征，即xij(1:2)＝R′n(xij′)；xijps为点状传感器数据；|xijps|＝m表示点状传感器采集了多维数据，维度为m。
所述点状传感器的坐标位置用xijx，xijy表示。
具体的，如图3所示，点Q12，Q22，Q11，Q21为点状传感器的布置点，可以通过点状传感器采集数据直接获得，由于点状传感器布置的密度远远小于合成孔径雷达图像数据的像素点密度，若要获得图中P点的数据，可以通过双线性插值实现，具体步骤为：
S41，在X方向进行线性插值，插入蓝色点R1，R2；
Figure BDA0003254445380000072
whereR1＝(x,y1)
Figure BDA0003254445380000073
whereR2＝(x,y2)
其中，Q11＝(x1,y1),Q12＝(x1,y2),Q21＝(x2,y1),Q22＝(x2,y2),且有：
f(Q11)＝x11ps,x1＝x11x,y1＝x11y，同理即得其它点的关系：
f(Qij)＝xijps,x＝xijx,y＝xijy；
S42，做完X方向的插值后再做Y方向的，由点R1和R2计算P点：
Figure BDA0003254445380000074
其中，此时的f(·)为一个向量函数，维度为m，即点状传感器测得的每一维数据都可以用双线性插值进行扩充。
S5，利用融合点状传感器数据的合成孔径雷达图像数据集，对预先设计的网络进行离线训练，并将训练好的网络模型进行保存；
所述的网络模型结构，如图4所示,因利用传感器采集了m维的数据，再加上原来的两维，故通道设定为m+2：
输入为X矩阵，m+2通道，滑动窗口设定为10，输出为地质灾害的概率，损失函数采取交叉熵，对应公式如下：
Figure BDA0003254445380000081
其中，yi表示样本i的标签，正类为1，负类为0；pi表示样本i预测为正类的概率，N表示样本数量；所述样本i为融合点状传感器数据的合成孔径雷达图像数据集；正类表示发生地质灾害，负类表示没有发生地质灾害。
图4所示的网络结构模型表示的运算流程如下：
将采集的数据输入CNN(卷积神经网络)网络，提取特征，加入LSTM层提取序列信息，并结合注意力机制attention，使输出层接一个softmax层来进行多分类，最后输出预警信息。
步骤S5中，所述的网络离线训练采用反向传播算法，所述反向传播算法原理为通过梯度下降法，以最小化训练的损失函数为目标，进行网络参数优化，其中梯度下降的公式为：
Figure BDA0003254445380000082
式中，θi表示网络中待优化的参数，θi+1表示θi下一步的迭代值，α表示梯度下降中的学习率。
S6，将实时得到的合成孔径雷达图像数据和点状传感器数据，经过步骤S3和步骤S4变为融合点状传感器数据的合成孔径雷达图像数据集，并利用训练好的网络模型进行地质灾害的在线监测。
本发明中步骤S1至步骤S5的过程，相当于图1中所示的离线训练过程；
本发明中步骤S6所述的过程，相当于图1中所示的在线预测过程。
本发明所基于的合成孔径雷达(SAR)技术，是利用一个小天线沿着长线阵的轨迹等速移动并辐射相参信号,把在不同位置接收的回波进行相干处理,从而获得较高分辨率的成像雷达，合成孔径雷达具有不受光照和气候条件等限制实现全天时、全天候对地观测的特点,甚至可以透过地表或植被获取其掩盖的信息。这些特点使其在农、林、水或地质、自然灾害等民用领域具有广泛的应用前景。
本发明将点状传感器获得的数据，以扩充图像通道的角度，和合成孔径雷达的数据进行融合，变为多通道，利用多维数据进行预警，提高了预警的准确性；本发明中的网络模型采用CNN提出特征，输入到LSTM网络，结合注意力机制，即以图像的角度提取了特征，又考虑了数据的序列信息使得油气管道地质灾害的监测预警更加的准确。
以上所述仅是对本发明的优选实施例及原理进行了详细说明，对本领域的普通技术人员而言，依据本发明提供的思想，在具体实施方式上会有改变之处，而这些改变也应视为本发明的保护范围。

Claims (6)

1.基于合成孔径雷达和点状传感器的地质灾害监测方法，其特征在于，包括如下步骤：
S1，结合历史灾害数据情况，在灾害易发区布置合成孔径雷达和点状传感器；
S2，采集合成孔径雷达图像数据和点状传感器地质数据，建立原始数据库；
S3，导入原始数据库中的合成孔径雷达图像数据，利用三帧差分法提取感兴趣区域ROI，获得经过三帧差分法提取ROI后的合成孔径雷达图像数据；
S4，建立与合成孔径雷达图像的像素点对应的点状传感器坐标，采用双线性插值算法对点状传感器采集的数据进行插值，再融入到经过三帧差分法提取ROI后的合成孔径雷达图像数据中，得到融合点状传感器数据的合成孔径雷达图像数据集；
S5，利用融合点状传感器数据的合成孔径雷达图像数据集，对预先设计的网络进行离线训练，并将训练好的网络模型进行保存；
S6，将实时采集的合成孔径雷达图像数据和点状传感器数据，经过步骤S3和步骤S4变为融合点状传感器数据的合成孔径雷达图像数据集，并利用训练好的网络模型进行地质灾害的在线监测。
2.根据权利要求1所述的基于合成孔径雷达和点状传感器的地质灾害监测方法，其特征在于，步骤S3包括如下步骤：
记第n+1帧、第n帧和第n-1帧的图像分别为fn+1、fn和fn-1，三帧对应像素点的特征记为fn+1(xij′)、fn(xij′)和fn-1(xij′)，按照如下公式，分别得到差分图像Dn+1和Dn：
Dn(xij′)＝fn(xij′)-fn-1(xij′)
其中，xij′为合成孔径雷达图像数据的坐标，fn(xij′)为第n帧图像像素点的复数值；
对得到的差分图像Dn+1和Dn按照如下公式进行操作，得到图像D′n：
D′n(xij′)＝(fn+1(xij′)-fn(xij′))∩(fn(xij′)-fn-1(xij′))；
再对得到的图像D′n进行阈值处理、连通性分析：
即，
Figure FDA0003254445370000021
其中，T为阈值，R′n(xij′)表示图像D′n经过阈值处理，连通性分析后的像素点值。
3.根据权利要求2所述的基于合成孔径雷达和点状传感器的地质灾害监测方法，其特征在于，步骤S4包括如下步骤：
设定，
Figure FDA0003254445370000022
其中，X表示每一帧有n行n列的数据，xnn表示为第n行第n列的数据，
Figure FDA0003254445370000023
|xijps|＝m，xij(1:2)＝R′n(xij′)，θ＝tan-1(b/a)；
采集的合成孔径雷达图像数据为复数，a表示采集的合成孔径雷达图像数据的实部，b表示采集的合成孔径雷达图像数据的虚部；xij为融合点状传感器数据的合成孔径雷达图像数据；xij(1:2)表示xij数据的前两项，具体指经过三帧差分法提取ROI后，合成孔径雷达图像数据的数据特征，即xij(1:2)＝R′n(xij′)；xijps为点状传感器数据；|xijps|＝m表示点状传感器采集了多维数据，维度为m。
4.根据权利要求3所述的基于合成孔径雷达和点状传感器的地质灾害监测方法，其特征在于，步骤S5中所述的网络模型如下：
输入为X矩阵，m+2通道，滑动窗口设定为10，输出为地质灾害的概率，损失函数采取交叉熵，对应公式如下：
Figure FDA0003254445370000024
其中，yi表示样本i的标签，正类为1，负类为0；pi表示样本i预测为正类的概率，N表示样本数量；所述样本i为融合点状传感器数据的合成孔径雷达图像数据集；所述正类表示发生地质灾害，所述负类表示没有发生地质灾害。
5.根据权利要求4所述的基于合成孔径雷达和点状传感器的地质灾害监测方法，其特征在于，步骤S5中所述的网络离线训练采用反向传播算法，所述反向传播算法原理为通过梯度下降法，以最小化训练的损失函数为目标，进行网络参数优化，其中梯度下降的公式为：
Figure FDA0003254445370000031
其中，θi表示网络中待优化的参数，θi+1表示θi下一步的迭代值，α表示梯度下降中的学习率。
6.根据权利要求4或5所述的基于合成孔径雷达和点状传感器的地质灾害监测方法，其特征在于，所述合成孔径雷达图像数据中的每一像素均包含反映地表微波反射强度以及与合成孔径雷达斜距有关的相位值。
CN202111064630.1A 2021-09-09 2021-09-09 基于合成孔径雷达和点状传感器的地质灾害监测方法 Pending CN114063063A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111064630.1A CN114063063A (zh) 2021-09-09 2021-09-09 基于合成孔径雷达和点状传感器的地质灾害监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111064630.1A CN114063063A (zh) 2021-09-09 2021-09-09 基于合成孔径雷达和点状传感器的地质灾害监测方法

Publications (1)

Publication Number Publication Date
CN114063063A true CN114063063A (zh) 2022-02-18

Family

ID=80233688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111064630.1A Pending CN114063063A (zh) 2021-09-09 2021-09-09 基于合成孔径雷达和点状传感器的地质灾害监测方法

Country Status (1)

Country Link
CN (1) CN114063063A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114821975A (zh) * 2022-06-02 2022-07-29 重庆蜀通岩土工程有限公司 一种高边坡安全在线监测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10445896B1 (en) * 2016-09-23 2019-10-15 Apple Inc. Systems and methods for determining object range
CN110533620A (zh) * 2019-07-19 2019-12-03 西安电子科技大学 基于aae提取空间特征的高光谱和全色图像融合方法
CN111026150A (zh) * 2019-11-25 2020-04-17 国家电网有限公司 一种利用无人机进行输电线路地质灾害预警系统及方法
CN111144656A (zh) * 2019-12-27 2020-05-12 兰州大方电子有限责任公司 一种基于gis的灾害评价分析方法
CN111429471A (zh) * 2020-03-24 2020-07-17 东华理工大学 一种地质灾害信息管理系统及方法
CN111623749A (zh) * 2020-05-19 2020-09-04 中国铁路设计集团有限公司 一种基于D-InSAR的铁路采空区边界提取新方法
WO2020199290A1 (zh) * 2019-04-04 2020-10-08 山东大学 基于岩性与不良地质前兆特征识别的tbm搭载式超前地质预报系统及方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10445896B1 (en) * 2016-09-23 2019-10-15 Apple Inc. Systems and methods for determining object range
WO2020199290A1 (zh) * 2019-04-04 2020-10-08 山东大学 基于岩性与不良地质前兆特征识别的tbm搭载式超前地质预报系统及方法
CN110533620A (zh) * 2019-07-19 2019-12-03 西安电子科技大学 基于aae提取空间特征的高光谱和全色图像融合方法
CN111026150A (zh) * 2019-11-25 2020-04-17 国家电网有限公司 一种利用无人机进行输电线路地质灾害预警系统及方法
CN111144656A (zh) * 2019-12-27 2020-05-12 兰州大方电子有限责任公司 一种基于gis的灾害评价分析方法
CN111429471A (zh) * 2020-03-24 2020-07-17 东华理工大学 一种地质灾害信息管理系统及方法
CN111623749A (zh) * 2020-05-19 2020-09-04 中国铁路设计集团有限公司 一种基于D-InSAR的铁路采空区边界提取新方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JUN WANG: "Synthetic Aperture Radar Images Target Detection and Recognition with Multiscale Feature Extraction and Fusion Based on Convolutional Neural Networks", 2019 IEEE INTERNATIONAL CONFERENCE ON SIGNAL, INFORMATION AND DATA PROCESSING (ICSIDP), 13 December 2019 (2019-12-13), pages 1 - 4, XP033813119, DOI: 10.1109/ICSIDP47821.2019.9172989 *
周文韬: "融合GNSS与InSAR的矿区地表三维形变监测", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅰ辑)》, 15 August 2021 (2021-08-15), pages 021 - 22 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114821975A (zh) * 2022-06-02 2022-07-29 重庆蜀通岩土工程有限公司 一种高边坡安全在线监测方法

Similar Documents

Publication Publication Date Title
CN113128134B (zh) 一种矿区生态环境演变驱动因子权重量化分析方法
Ai et al. Convolutional neural network to retrieve water depth in marine shallow water area from remote sensing images
CN113312993B (zh) 一种基于PSPNet的遥感数据土地覆盖分类方法
CN112859011B (zh) 一种单波长机载测深雷达波形信号提取方法
CN113642475B (zh) 基于卷积神经网络模型的大西洋飓风强度估算方法
CN111445011A (zh) 一种基于气象和遥感数据的山火预警方法
CN113919226B (zh) 基于权重的采矿植被生态累积效应扰动范围识别方法
Chini et al. Comparing statistical and neural network methods applied to very high resolution satellite images showing changes in man-made structures at rocky flats
CN106845343B (zh) 一种光学遥感图像海上平台自动检测方法
Feng et al. Embranchment cnn based local climate zone classification using sar and multispectral remote sensing data
Alerskans et al. Exploring machine learning techniques to retrieve sea surface temperatures from passive microwave measurements
CN111624606A (zh) 一种雷达图像降雨识别方法
CN117192510A (zh) 一种双偏振雷达雨滴谱参数反演方法
Wu et al. ESRGAN-based DEM super-resolution for enhanced slope deformation monitoring in lantau island of Hong Kong
Wang et al. Deep learning in extracting tropical cyclone intensity and wind radius information from satellite infrared images—A review
Kaparakis et al. Wf-unet: Weather fusion unet for precipitation nowcasting
Ayub et al. Wheat Crop Field and Yield Prediction using Remote Sensing and Machine Learning
CN114063063A (zh) 基于合成孔径雷达和点状传感器的地质灾害监测方法
CN110441743A (zh) 一种基于ENet全卷积网络的气象杂波抑制方法
CN117710508A (zh) 基于改进条件生成对抗网络的近地表温度反演方法和装置
Zhang et al. Pixel-CRN: A new machine learning approach for convective storm nowcasting
Kaparakis et al. WF-UNet: Weather data fusion using 3d-unet for precipitation nowcasting
Avolio et al. A deep learning architecture for heterogeneous and irregularly sampled remote sensing time series
Sun et al. Check dam extraction from remote sensing images using deep learning and geospatial analysis: A case study in the Yanhe River Basin of the Loess Plateau, China
Yang et al. Evaluation of precipitation forecasting methods and an advanced lightweight model

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
TA01 Transfer of patent application right

Effective date of registration: 20231113

Address after: No. 1751 Binsheng Road, Binjiang District, Hangzhou City, Zhejiang Province, 310000

Applicant after: Zhejiang Provincial Natural Gas Development Co.,Ltd.

Address before: Zheneng second building, 1751 Binsheng Road, Binjiang District, Hangzhou City, Zhejiang Province 310052

Applicant before: ZHEJIANG ZHENENG NATURAL GAS OPERATION CO.,LTD.