CN114440758B - 一种区域尺度上滑坡对降雨响应的分析方法 - Google Patents
一种区域尺度上滑坡对降雨响应的分析方法 Download PDFInfo
- Publication number
- CN114440758B CN114440758B CN202210018764.8A CN202210018764A CN114440758B CN 114440758 B CN114440758 B CN 114440758B CN 202210018764 A CN202210018764 A CN 202210018764A CN 114440758 B CN114440758 B CN 114440758B
- Authority
- CN
- China
- Prior art keywords
- data
- rainfall
- landslide
- displacement
- time series
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 13
- 238000006073 displacement reaction Methods 0.000 claims abstract description 80
- 238000004458 analytical method Methods 0.000 claims abstract description 37
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 230000001932 seasonal effect Effects 0.000 claims abstract description 12
- 230000006378 damage Effects 0.000 claims abstract description 7
- 238000001556 precipitation Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000011160 research Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 6
- 230000009977 dual effect Effects 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000001427 coherent effect Effects 0.000 claims description 5
- 230000001939 inductive effect Effects 0.000 claims description 5
- 230000000737 periodic effect Effects 0.000 claims description 5
- 238000012731 temporal analysis Methods 0.000 claims description 5
- 238000000700 time series analysis Methods 0.000 claims description 5
- 238000011835 investigation Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 230000015271 coagulation Effects 0.000 claims description 3
- 238000005345 coagulation Methods 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 239000008186 active pharmaceutical agent Substances 0.000 claims 7
- 230000015572 biosynthetic process Effects 0.000 claims 1
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009528 severe injury Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
- G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/42—Determining position
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
一种区域尺度上滑坡对季节性降雨响应的分析方法，收集目标区域相关资料，如周围地质地层分布情况，收集与调查气温、降水等自然条件资料，收集目标区域内的历史SAR影像，对历史滑坡灾害的危害程度、诱因、成灾过程进行判断，初步划定分析的目标区域存在的大体范围；利用Stacking‑InSAR、时序InSAR技术对目标区域进行形变识别与监测，获取区域内滑坡位移数据；结合InSAR结果和现场调查数据，对综合选取的典型滑坡进行验证来保证滑坡位移数据的正确性；最后，利用小波分析工具，探究出降雨与滑坡位移量之间的定量关系。
Description
技术领域
本发明属于地质灾害技术领域，具体涉及了一种区域尺度上滑坡对降雨响应的分析方法。
背景技术
降雨是大多数滑坡的重要触发因素，由降雨造成的滑坡在世界范围内达到三分之二。近几十年来，全球气候变化使降雨变得更加异常，特别是在高海拔和地形起伏地区，这显著增加了滑坡发生的频率。而降雨与滑坡的关系也一直是研究的重点和难点。
研究滑坡形变对降雨的响应可以帮助我们了解滑坡的运动过程，从而减少灾害的发生。InSAR（Interferometic SAR）作为一种大范围监测小尺度变形的微波遥感技术，在滑坡识别与监测中发挥着越来越重要的作用，其监测出来的位移数据为滑坡的进一步研究提供基础数据。此外也有一些专家借助于模型来量化降雨对滑坡的影响，但模型一般具有极大的限制性和不确定性；而且如果只关注单一的时间维度，可能会忽略某些重要信息。
发明内容
为了克服上述现有技术的不足，本发明的目的是提供一种区域尺度上滑坡对降雨响应的分析方法，其主要内容有四点，其一，收集目标区域相关资料，如周围地质地层分布情况，收集与调查气温、降水等自然条件资料，收集目标区域内的历史SAR影像，对历史滑坡灾害的危害程度、诱因、成灾过程进行判断，初步划定分析的目标区域存在的大体范围；其二，利用Stacking-InSAR、时序InSAR技术对目标区域进行形变识别与监测，获取区域内滑坡位移数据；其三，结合InSAR结果和现场调查数据，对综合选取的典型滑坡进行验证来保证滑坡位移数据的正确性；最后，利用小波分析工具，探究出降雨与滑坡位移量之间的定量关系。通过将成熟的InSAR技术与时频分析工具小波分析的完美结合，从新的角度在大区域尺度上定量研究降雨与滑坡位移关系的不确定性。
为了实现实现上述目的，本发明采用的技术方案是：
一种区域尺度上滑坡对季节性降雨响应的分析方法，其包括以下步骤：
步骤1、收集目标区域相关资料，对历史滑坡灾害的危害程度、诱因、成灾过程进行判断，初步划定分析的目标区域存在的大体范围；
步骤2、根据目标滑坡区域的位置特点，基于InSAR技术处理雷达卫星影像来获取滑坡位移数据，包括以下三个方面：
步骤2.1、对研究区SAR影像数据进行前期处理：
获取目标区域SAR数据集后，需要对卫星雷达数据进行配准、去斜、滤波等预处理，通过引入精密轨道数据（POD）可有效去除因轨道误差引起的系统性误差，通过引入外部DEM、时空滤波去除部分误差形成相位解缠的差分干涉图；
步骤2.2、大区域范围内滑坡灾害的识别：
对前期处理过的SAR卫星数据集借助于Stacking技术进行大区域内滑坡灾害的识别，Stacking技术在获取M幅相位解缠的差分干涉图后，将解缠相位加权叠加，估计出平均相位变化速率，从而最大程度地减少了大气误差，提高了形变速率地解算精度，通过大范围的Stacking识别聚焦灾害严重的区域作为研究区，再对形变严重区进行长时间监测分析来获取更精确的位移结果；
步骤2.3、区域滑坡的时序分析：
运用联合PS点和DS点的时序InSAR分析方法，进行相位分析来获取时间序列形变，根据目标区域监测的形变结果，均匀地选取几个典型大滑坡的位移数据，通过分析典型滑坡位移量对降雨响应的共性来定量说明区域上滑坡与降雨的关系；
步骤3、基于InSAR识别监测结果，结合现有位移资料，进行区域内典型滑坡的现场调查，对区域内滑坡监测精度进行评价，InSAR结果中剧烈形变的位置，发生了严重的破坏，也对应剧烈位移变化；
步骤4、利用小波分析工具，探究出降雨与滑坡位移数据间的定量关系：
步骤4.1、数据重采样：
由于基于SAR卫星获取的滑坡位移数据以重访周期12天为一单元间隔，而对应时间段内降雨数据以一日为单元，为了减少数据误差，将日降雨数据重采样为以12天为间隔的数据，此外针对滑坡位移数据中由于卫星影像缺失可能存在的个别数据缺失，将根据InSAR原理采用线性插值来补充；
步骤4.2、非线性位移数据提取：
结合滑坡成因，分析监测的滑坡位移的时间序列，认为其位移的线性趋势主要是重力作用下的非弹性变形，那时序位移曲线上的小波动则应该与外部诱发因素密切相关，而对各诱因进行主成分、相关性分析后，则确定位移周期项是对主诱因降雨的体现，因此，采用时间序列加法模型将滑坡位移时间序列分解为线性趋势和非线性趋势两部分，线性分量通过线性最小二乘拟合计算，非线性分量定义为位移时间序列与之前计算的线性分量的差值，其表现出明显的周期性，因此，降雨对滑坡的影响就集中体现在降雨与非线性位移数据的定量关系上；
步骤4.3、连续小波变换CWT：
由于非线性时间序列位移、降雨数据都表现出明显周期性，将这两个数据借助于CWT转换到时频域，根据其二维图像中信号的时频分布来获取周期性、季节性信息，这即是对数据的时频处理；
步骤4.4、交叉小波变换XWT和小波相干WTC：
对连续小波变换后的双时间序列进行交叉小波变换CWT和小波相干分析WTC，可以得到周期性位移量与降雨量之间的交叉小波能量谱和交叉小波凝结谱，XWT的计算方法是将一个时间序列的CWT乘以第二个时间序列的CWT的复共轭，结果为二维图像，因此XWT高值的位置表示了两个时间序列中高值共振能量，WTC定义为两个时间序列的CWT在时频域的相干性，它是通过两者之间的标准化互相关来计算的，因此在两个CWT时频图局部相似，即相干的时频区域内，XWT的绝对值越大、WTC值会很高，即接近于1；
步骤5、CWT结果表明：多年间降雨数据和形变数据都显著存在约1年的周期。此外，在每年的降水湿季，具有突出的动力信号，这是降雨影响下滑坡运动季节性表现。对CWT后的双时间序列进行XWT和WTC处理。图中的箭头表示相对相位关系，右箭头表示相同相位变化（正相关），左箭头表示相反相位变化（负相关）。向上的箭头表示滑坡运动先于降雨1/4个周期，向下的箭头表示其滞后于降雨。通过典型滑坡的一致性规律得到区域尺度上滑坡对降雨相应的相关性和滞后性。
对CWT后的双时间序列进行XWT和WTC处理。箭头表示相对相位关系，右箭头表示相同相位变化（正相关），左箭头表示相反相位变化（负相关）。向上的箭头表示滑坡运动先于降雨1/4个周期，向下的箭头表示其滞后于降雨。通过典型滑坡的一致性规律得到区域尺度上滑坡对降雨相应的相关性和滞后性。
所述的目标区域相关资料包括周围地质地层分布情况，气温、降水等自然条件资料，历史SAR影像资料。
所述的进行相位分析来获取时间序列形变，主要包括三个步骤：PS点的选取、DS点的选取、PS点和DS点的结合分析；
PS点是指相干性较高的稳定点，是通过振幅离差指数（ADI）选取的。DS点在短时间内保持一定稳定性的目标体，在空间上分布广泛，但是，DS占主导地位的低信噪比像素不能直接用于时间序列分析，而分布散射体在空间分布上统计一致，因此将通过3倍多视滤波后提高的像素点作为DS点。最后将选取的PS和DS点合并在一起，与PS点共享相同雷达坐标的DS点被丢弃，将其在商业软件GAMMA中用最小成本流(MCF)算法进行相位解缠。然后根据解缠后的相位分量各自的特点，逐一计算并去除轨道误差、高程误差、大气扰动和噪声等相位分量。最后获得正确可靠的位移结果。
本发明的有益效果是：
通过使用不同的InSAR技术进行滑坡识别与监测，有效获取了区域内滑坡的高精度位移数据，并通过实地调查验证了其准确性和可靠性。作为可靠的位移数据源，将其与小波分析工具完美结合，可发现区域内滑坡运动与降雨的关系。即年际尺度上和年内尺度上降雨对区域内滑坡运动的周期性、季节性影响。且在时频分析中明确了主要外诱因降雨与区域滑坡变形的强相关关系及滑坡运动的滞后效应，并可以将相关性和滞后时间定量表示出。这些降雨对滑坡影响的定量解释，为研究滑坡运动提供了新的基础，在对提高今后的滑坡地质灾害防治和预测工作效率方面有重要理论意义和实际价值。
附图说明
图1是本发明中某区域尺度上滑坡对降雨响应的分析方法示意图；
图2是本发明中某区域内滑坡位移量与降水数据的CWT分析结果示例图。
图3是本发明中某区域内滑坡位移量与降水数据的XWT、WTC分析结果示例图。
具体实施方式
以下结合附图及实施例对本发明进一步叙述。
如图1所示，一种区域尺度上滑坡对季节性降雨响应的分析方法，其包括以下步骤：
步骤1、收集目标区域相关资料：
收集区域有关的地质地层分布资料，气温、降水等资料，历史SAR影像，以及区域内历史滑坡灾害情况。根据上述资料对区域内滑坡的危害程度做出判断，初步确定目标区域初始范围。
步骤2、根据收集的SAR影像数据，基于InSAR技术对目标区域进行识别与监测，获取区域内典型滑坡位移数据。包括以下三个方面：
步骤2.1、对研究区SAR影像数据进行前期处理：
获取目标区域SAR数据集后，需要对卫星雷达数据进行预处理，来保证后续相关处理方法的准确进行。通过引入精密轨道数据对轨道信息进行修正，可有效去除因轨道误差引起的系统性误差，在SAR影像配准、去斜中起到重要作用。通过引入外部DEM、时空滤波去除部分误差形成相位解缠的差分干涉图。
步骤2.2、大区域范围内滑坡灾害的识别：
对前期处理过的SAR数据借助于Stacking技术进行大区域内滑坡灾害的识别。Stacking技术在获取M幅相位解缠的差分干涉图后，将解缠相位加权叠加，估计出平均相位变化速率，从而最大程度地减少了大气误差，提高了形变速率地解算精度。通过大范围的Stacking识别聚焦灾害严重的区域作为研究区，这样不仅减少了工作量，提高了效率，而且可以很好的避开了解缠跃变和解缠跳变，然后再对形变严重区进行长时间监测分析来获取更精确的位移结果。这符合地质灾害研究的思路，是普查到详查的体现。
步骤2.3、目标区域滑坡的时序分析：
在典型的多时相雷达干涉(MTInSAR)算法：PSI和SBAS发展的基础上,本发明运用将两种算法结合的时序InSAR分析方法。PSI+DSI技术是联合永久性散射体（PS）和分布式散射体（DS）来改善形变信号空间采样率，进行相位分析来获取时间序列形变。主要包括三个步骤：PS点的选取、DS点的选取、PS点和DS点的结合分析。
PS点是指相干性较高的稳定点，是通过振幅离差指数（ADI）选取的。DS点在短时间内保持一定稳定性的目标体，在空间上分布广泛。但是，DS占主导地位的低信噪比像素不能直接用于时间序列分析，而分布散射体在空间分布上统计一致，因此将通过3倍多视滤波后提高的像素点作为DS点。最后将选取的PS和DS点合并在一起，与PS点共享相同雷达坐标的DS点被丢弃，将其在商业软件GAMMA中用最小成本流(MCF)算法进行相位解缠。然后根据解缠后的相位分量各自的特点，逐一计算并去除轨道误差、高程误差、大气扰动和噪声等相位分量。最后获得正确可靠的位移结果。
根据目标区域监测的形变结果，均匀地选取几个典型大滑坡的位移数据，通过分析典型滑坡位移量对降雨响应的共性来定量说明区域上滑坡与降雨的关系。
步骤3、基于InSAR识别监测结果，结合现有位移资料，进行区域内典型滑坡的现场调查，对区域内滑坡监测精度进行评价。InSAR结果中剧烈形变的位置，发生了严重的破坏，也对应剧烈位移变化。这保证了获取的滑坡位移数据的正确性，从而替代了传统的位移监测，降低了位移数据获取成本。
步骤4、利用小波分析工具，探究出降雨与滑坡位移数据间的定量关系：
步骤4.1、数据重采样：
由于基于SAR卫星获取的滑坡位移数据以重访周期12天为一单元间隔，而对应时间段内降雨数据以一日为单元，为了减少数据误差，这就需要将日降雨数据重采样为以12天为间隔的数据。此外针对滑坡位移数据中由于卫星影像缺失可能存在的个别数据缺失，将根据InSAR原理采用线性插值来补充。
步骤4.2、周期项位移数据提取：
结合滑坡成因，分析监测的滑坡位移的时间序列，认为其位移的线性趋势主要是重力作用下的非弹性变形，那时序位移曲线上的小波动则应该与外部诱发因素密切相关，而对各诱因进行主成分、相关性分析后，则确定位移周期项是对主诱因降雨的体现。因此，采用时间序列加法模型将滑坡位移时间序列分解为线性趋势和非线性趋势两部分。线性分量通过线性最小二乘拟合计算，非线性分量定义为位移时间序列与之前计算的线性分量的差值，其表现出明显的周期性。因此，降雨对滑坡的影响就集中体现在降雨与非线性位移数据的定量关系上。
步骤4.3、连续小波变换（CWT）：
由于非线性时间序列位移、降雨数据都表现出明显周期性。将这两个数据借助于CWT转换到时频域，根据其二维图像中信号的时频分布来获取周期性、季节性信息，这即是对数据的时频处理，也是对此分析工具正确可用性的验证，提供了更好的可视化。如图2所示：在95%的置信度下，结果主要反应在锥内；其中高值频谱区域的位置表明了在特定时间存在显著的时间模式（即周期性、季节性）。
步骤4.4、交叉小波变换（XWT）和小波相干（WTC）：
对连续小波变换后的双时间序列进行交叉小波变换(CWT)和小波相干分析(WTC)，可以得到周期性位移量与降雨量之间的交叉小波能量谱和交叉小波凝结谱(图3)。XWT的计算方法是将一个时间序列的CWT乘以第二个时间序列的CWT的复共轭，结果为二维图像。因此XWT高值的位置表示了两个时间序列中高值共振能量。WTC定义为两个时间序列的CWT在时频域的相干性，它是通过两者之间的标准化互相关来计算的，因此在两个CWT时频图局部相似(即相干)的时频区域内，XWT的绝对值越大、WTC值会很高(即接近于1)；
步骤5、CWT结果表明：多年间降雨数据和形变数据都显著存在约1年的周期。此外，在每年的降水湿季，具有突出的动力信号，这是降雨影响下滑坡运动季节性表现。对CWT后的双时间序列进行XWT和WTC处理。图中的箭头表示相对相位关系，右箭头表示相同相位变化（正相关），左箭头表示相反相位变化（负相关）。向上的箭头表示滑坡运动先于降雨1/4个周期，向下的箭头表示其滞后于降雨。通过典型滑坡的一致性规律得到区域尺度上滑坡对降雨相应的相关性和滞后性。
最重要的是，图中箭头可表示滑坡位移与降雨量的相关性和滞后性。根据两者的相对相位关系，“→”表示相同的相位变化(正相关)，“←”表示相反的相位变化(负相关)，“↑”表示滑坡位移比降雨提前90天，“↓”表示滑坡位移滞后于降雨90天。在95%置信锥内，区域内典型滑坡一致性规律表示：区域内滑坡形变与降雨之间有很强的正相关关系,这更加清楚有力说明了降雨是区域上地表变形的主导因素。此外，根据观测到的频带箭头走向，发现区域上形变位移与降雨量之间存在的滞后周期，从而可以计算滑坡位移滞后降雨的影响约多少天。
Claims (3)
1.一种区域尺度上滑坡对季节性降雨响应的分析方法，其特征在于，其包括以下步骤：步骤1、收集目标区域相关资料，对历史滑坡灾害的危害程度、诱因、成灾过程进行判断，初步划定分析的目标区域存在的大体范围；步骤2、根据目标滑坡区域的位置特点，基于InSAR技术处理雷达卫星影像来获取滑坡位移数据，包括以下三个方面：步骤2.1、对研究区SAR影像数据进行前期处理：获取目标区域SAR数据集后，需要对卫星雷达数据进行配准、去斜、滤波预处理，通过引入精密轨道数据（POD）可有效去除因轨道误差引起的系统性误差，通过引入外部DEM、时空滤波去除部分误差形成相位解缠的差分干涉图；步骤2.2、大区域范围内滑坡灾害的识别：对前期处理过的SAR卫星数据集借助于Stacking技术进行大区域内滑坡灾害的识别，Stacking技术在获取M幅相位解缠的差分干涉图后，将解缠相位加权叠加，估计出平均相位变化速率，从而最大程度地减少了大气误差，提高了形变速率地解算精度，通过大范围的Stacking识别聚焦灾害严重的区域作为研究区，再对形变严重区进行长时间监测分析来获取更精确的位移结果；步骤2.3、区域滑坡的时序分析：运用联合PS点和DS点的时序InSAR分析方法，进行相位分析来获取时间序列形变，根据目标区域监测的形变结果，均匀地选取几个典型大滑坡的位移数据，通过分析典型滑坡位移量对降雨响应的共性来定量说明区域上滑坡与降雨的关系；步骤3、基于InSAR识别监测结果，结合现有位移资料，进行区域内典型滑坡的现场调查，对区域内滑坡监测精度进行评价，InSAR结果中剧烈形变的位置，发生了严重的破坏，也对应剧烈位移变化；步骤4、利用小波分析工具，探究出降雨与滑坡位移数据间的定量关系：步骤4.1、数据重采样：由于基于SAR卫星获取的滑坡位移数据以重访周期12天为一单元间隔，而对应时间段内降雨数据以一日为单元，为了减少数据误差，将日降雨数据重采样为以12天为间隔的数据，此外针对滑坡位移数据中由于卫星影像缺失可能存在的个别数据缺失，将根据InSAR原理采用线性插值来补充；步骤4.2、非线性位移数据提取：结合滑坡成因，分析监测的滑坡位移的时间序列，认为其位移的线性趋势主要是重力作用下的非弹性变形，那时序位移曲线上的小波动则应该与外部诱发因素密切相关，而对各诱因进行主成分、相关性分析后，则确定位移周期项是对主诱因降雨的体现，因此，采用时间序列加法模型将滑坡位移时间序列分解为线性趋势和非线性趋势两部分，线性分量通过线性最小二乘拟合计算，非线性分量定义为位移时间序列与之前计算的线性分量的差值，其表现出明显的周期性，因此，降雨对滑坡的影响就集中体现在降雨与非线性位移数据的定量关系上；步骤4.3、连续小波变换CWT：由于非线性时间序列位移、降雨数据都表现出明显周期性，将这两个数据借助于CWT转换到时频域，根据其二维图像中信号的时频分布来获取周期性、季节性信息，这即是对数据的时频处理；步骤4.4、交叉小波变换XWT和小波相干WTC：对连续小波变换后的双时间序列进行交叉小波变换XWT和小波相干分析WTC，可以得到周期性位移量与降雨量之间的交叉小波能量谱和交叉小波凝结谱，XWT的计算方法是将一个时间序列的CWT乘以第二个时间序列的CWT的复共轭，结果为二维图像，因此XWT高值的位置表示了两个时间序列中高值共振能量，WTC定义为两个时间序列的CWT在时频域的相干性，它是通过两者之间的标准化互相关来计算的，因此在两个CWT时频图局部相似，即相干的时频区域内，XWT的绝对值越大、WTC值会很高，即接近于1；步骤5、CWT结果表明：多年间降雨数据和形变数据都显著存在约1年的周期；此外，在每年的降水湿季，具有突出的动力信号，这是降雨影响下滑坡运动季节性表现；对CWT后的双时间序列进行XWT和WTC处理；箭头表示相对相位关系，右箭头表示相同相位变化，即正相关，左箭头表示相反相位变化，即负相关；向上的箭头表示滑坡运动滞后降雨1/4个周期，向下的箭头表示其超前于降雨；通过典型滑坡的一致性规律得到区域尺度上滑坡对降雨相应的相关性和滞后性。
2.根据权利要求1所述的一种区域尺度上滑坡对季节性降雨响应的分析方法，其特征在于，所述的目标区域相关资料包括周围地质地层分布情况，气温、降水自然条件资料，历史SAR影像资料。
3.根据权利要求1所述的一种区域尺度上滑坡对季节性降雨响应的分析方法，其特征在于，所述的进行相位分析来获取时间序列形变，主要包括三个步骤：PS点的选取、DS点的选取、PS点和DS点的结合分析；PS点是指相干性较高的稳定点，是通过振幅离差指数（ADI）选取的；DS点在短时间内保持一定稳定性的目标体，在空间上分布广泛，但是，DS占主导地位的低信噪比像素不能直接用于时间序列分析，而分布散射体在空间分布上统计一致，因此将通过3倍多视滤波后提高的像素点作为DS点；最后将选取的PS和DS点合并在一起，与PS点共享相同雷达坐标的DS点被丢弃，将其在商业软件GAMMA中用最小成本流(MCF)算法进行相位解缠；然后根据解缠后的相位分量各自的特点，逐一计算并去除轨道误差、高程误差、大气扰动和噪声相位分量，最后获得正确可靠的位移结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210018764.8A CN114440758B (zh) | 2022-01-09 | 2022-01-09 | 一种区域尺度上滑坡对降雨响应的分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210018764.8A CN114440758B (zh) | 2022-01-09 | 2022-01-09 | 一种区域尺度上滑坡对降雨响应的分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114440758A CN114440758A (zh) | 2022-05-06 |
| CN114440758B true CN114440758B (zh) | 2023-04-14 |
Family
ID=81367829
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210018764.8A Active CN114440758B (zh) | 2022-01-09 | 2022-01-09 | 一种区域尺度上滑坡对降雨响应的分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114440758B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115081197B (zh) * | 2022-06-08 | 2025-05-09 | 烟台大学 | 一种识别地下水位与影响因子尺度依赖关系的分析方法 |
| CN115343317B (zh) * | 2022-08-15 | 2024-04-26 | 长安大学 | 一种黄土滑坡灾害综合监测方法及系统 |
| CN116363057B (zh) * | 2023-01-16 | 2023-11-10 | 中国矿业大学 | 一种融合PCA和时序InSAR的地表形变提取方法 |
| CN117975287B (zh) * | 2024-01-12 | 2024-09-24 | 成都理工大学 | 用于滑坡灾害InSAR早期识别的关键参数分析方法 |
| CN117633139B (zh) * | 2024-01-23 | 2024-03-22 | 云南省气象台 | 基于气象数据的滑坡预测方法、装置、设备及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112036460A (zh) * | 2020-08-24 | 2020-12-04 | 河海大学 | 一种识别量化控制泉流量潜在因素的方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104318103B (zh) * | 2014-10-23 | 2017-12-15 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种滑坡灾害监测预警降雨阈值判定方法 |
| CN107132539A (zh) * | 2017-05-03 | 2017-09-05 | 中国地质科学院探矿工艺研究所 | 一种基于小基线集的时间序列InSAR的滑坡早期识别方法 |
| KR102242977B1 (ko) * | 2019-09-09 | 2021-04-21 | 한국지질자원연구원 | 사전 기상정보 연동 산사태 조기경보 방법 및 산사태 조기경보 시스템 |
| CN111474544B (zh) * | 2020-03-04 | 2022-11-18 | 广东明源勘测设计有限公司 | 一种基于sar数据的滑坡形变监测及预警方法 |
| CN112213723A (zh) * | 2020-09-11 | 2021-01-12 | 速度时空信息科技股份有限公司 | 一种利用sbas技术进行滑坡实时监测的方法 |
| CN113281742B (zh) * | 2021-06-02 | 2023-07-25 | 西南交通大学 | 一种基于滑坡形变信息和气象数据的sar滑坡预警方法 |
| CN114282148B (zh) * | 2021-11-09 | 2024-07-23 | 武汉大学 | 一种土壤水分对气象变量时滞效应的量化方法 |
-
2022
- 2022-01-09 CN CN202210018764.8A patent/CN114440758B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112036460A (zh) * | 2020-08-24 | 2020-12-04 | 河海大学 | 一种识别量化控制泉流量潜在因素的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114440758A (zh) | 2022-05-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114440758B (zh) | 一种区域尺度上滑坡对降雨响应的分析方法 | |
| Almonacid-Caballer et al. | Evaluation of annual mean shoreline position deduced from Landsat imagery as a mid-term coastal evolution indicator | |
| Ayoub et al. | A description of the Mediterranean surface variable circulation from combined ERS-1 and TOPEX/POSEIDON altimetric data | |
| Quiroz et al. | Improving daily rainfall estimation from NDVI using a wavelet transform | |
| Liu et al. | Estimating Spatiotemporal Ground Deformation With Improved Persistent-Scatterer Radar Interferometry $^\ast$ | |
| CN113866764A (zh) | 基于InSAR和LR-IOE模型的滑坡易发性改进评估方法 | |
| CN114333241A (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 | |
| CN114812491B (zh) | 基于长时间序列分析的输电线路地表形变预警方法及装置 | |
| CN103558599B (zh) | 一种基于多源遥感数据的复杂异质林分平均高估测方法 | |
| Shen et al. | Feature extraction algorithm using a correlation coefficient combined with the VMD and its application to the GPS and GRACE | |
| CN117710776A (zh) | 一种滑坡形变时空预测方法与系统 | |
| Huang et al. | An Improved Adaptive Template Size Pixel‐Tracking Method for Monitoring Large‐Gradient Mining Subsidence | |
| CN116338607B (zh) | 时间域和空间域两步式InSAR对流层延迟矫正方法 | |
| CN110826518A (zh) | 一种遥感影像隐伏地质构造信息提取方法 | |
| CN110174673A (zh) | 一种利用时序接力干涉图叠加高效减弱大气相位影响的方法 | |
| Gu et al. | Image compression–based DS-InSAR method for landslide identification and monitoring of alpine canyon region: a case study of Ahai Reservoir area in Jinsha River Basin | |
| CN117724098A (zh) | 一种缓解大气季节性震荡的时序InSAR对流层延迟校正方法 | |
| CN118746808A (zh) | 一种滑坡形变预测方法、装置、介质及产品 | |
| Chang et al. | Temporal stacking of sub-pixel offset tracking for monitoring slow-moving landslides in vegetated terrain | |
| Li et al. | Adaptive denoising approach for high-rate GNSS seismic waveform preservation: Application to the 2010 EI Mayor-Cucapah earthquake and 2012 Brawley seismic swarm | |
| CN116148855A (zh) | 时序InSAR大气相位去除和形变解算的方法及系统 | |
| Solimine et al. | Relationships between intense convection, lightning, and rainfall over the interior Congo Basin using TRMM data | |
| Naumov et al. | Quality assessment of a satellite altimetry data product DT18 in the Norwegian Sea: A comparison to tide gauge records and drifters data | |
| CN108828656B (zh) | 一种基于背景噪声互相关技术的obs时钟校正方法 | |
| Wan et al. | An Improved Sparse Bayesian Learning SAR Tomography Method and Its Application for Forest Vertical Structure Inversion |
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 |