CN114493319A - 跨时间尺度联合的古滑坡复活风险分级评估方法和装置 - Google Patents
跨时间尺度联合的古滑坡复活风险分级评估方法和装置 Download PDFInfo
- Publication number
- CN114493319A CN114493319A CN202210128242.3A CN202210128242A CN114493319A CN 114493319 A CN114493319 A CN 114493319A CN 202210128242 A CN202210128242 A CN 202210128242A CN 114493319 A CN114493319 A CN 114493319A
- Authority
- CN
- China
- Prior art keywords
- landslide
- ancient
- resurrection
- ancient landslide
- grade
- 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
Links
Images
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
- G01B11/161—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge by interferometric means
-
- 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
- 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
-
- 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
- G01S13/9023—SAR image post-processing techniques combined with interferometric techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Radar, Positioning & Navigation (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Electromagnetism (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明提供了一种跨时间尺度联合的古滑坡复活风险分级评估方法和装置。所述方法包括获取古滑坡区域历史观测数据,计算时空概率,划分长时间尺度易发性等级;计算出沿雷达视线方向的地表形变速率;进行二维形变转换,得到沿坡度方向的地表形变速率,划分地表形变速率等级,更新易发性等级,得到风险性等级;分析动力学触发因素,根据短时间尺度古滑坡复活的动力学方程更新风险性等级,得到古滑坡复活风险分级评估模型;将待分析数据输入古滑坡复活风险分级评估模型,输出古滑坡复活风险分级评估结果。以此方式,可以加强古滑坡发育演化机理与动力学触发因素在时域上的动态关联,实现跨时间尺度内外因素耦合关联约束的古滑坡复活风险分级评估。
Description
技术领域
本发明一般涉及地理空间数据处理领域,并且更具体地,涉及一种跨时间尺度联合的古滑坡复活风险分级评估方法和装置。
背景技术
古滑坡是斜坡长期复杂演化过程的产物,物质组成复杂、岩土力学性质特殊,具有极强的隐蔽性和扰动敏感性。古滑坡泛指曾历经一次或多次滑动,在受到外界因素(强降雨、库水位变化)扰动时会再次滑动或具有滑动趋势,不稳定的古滑坡是人类工程活动的潜灾体。我国西南地区因其特殊的地理位置、地形地貌特征和极端气候条件等因素,致使区域内古滑坡失稳及复活所造成的地质灾害日益频发。西南地区地理地质环境(即长时间尺度的因素)与库水、降雨等内外因素耦合诱发的古滑坡失稳复活,其发育、变形影响因素众多、形变破坏机理复杂,随着大量基础设施的建设和外界极端因素(如强降雨、库水位变化等)的影响,滑坡地质灾害呈现日趋严重的趋势。
由于古滑坡复活灾害带来的广泛性、威胁性、损失性等恶劣影响,其失稳复活风险精准定量评估如今已成为灾前科学预警和主动防灾减灾的必要手段和迫切需求。野外勘测已无法满足对古滑坡复活灾害隐患风险定量评估的需求,利用数据驱动模型进行滑坡易发性分析成为主流。其中,基于机器学习方法的滑坡易发性分析非线性关系数据处理能力强,结合SBAS-InSAR技术得到的地表形变速率数据,能够跟踪古滑坡失稳复活全生命周期的形变破坏细部信息,寻找二次灾害与灾害链的临界触发点,再进行短时间尺度的动力学模型局部微观分析,提高古滑坡失稳复活隐患风险评估的精准性与可靠性及科学的监测预警能力。
使用传统的机器学习方法依赖于大量有代表性的数据样本,处理小样本数据易导致风险评估分析结果的欠拟合和过度拟合的问题,同时容易忽略古滑坡复活受外界极端因素(如强降雨、地震等)的影响,评估未与短期动力学触发过程建立动态关联,无法应对诱灾动力学触发因素突发性强、短期触发过程动态随机等情况,且古滑坡复活灾害时空演变信息量较为片面滞后、时效性不足,导致评估结果的随机性、偏移性和盲目性难以避免。
在长时间尺度古滑坡发育演化过程中对潜在失稳复活特征机理信息进行深入挖掘的同时,古滑坡复活灾害还面临着诱灾动力学触发因素突发性强、短期触发过程动态随机等问题。目前,对于古滑坡滑坡的复活触发过程,尤其是动力学过程研究关注较少。风险评估难以与短期动力学触发过程建立动态关联,以至于机器学习无法准确评估复活风险等级,面向海量待预测潜灾体无法事先精准评估滑坡灾害隐患并实施科学的监测预警措施,最终造成防灾减灾预警和应急时效性不足,损失惨重等痛点问题。
发明内容
根据本发明的实施例,提供了一种跨时间尺度联合的古滑坡复活风险分级评估方案。本方案能够加强古滑坡发育演化机理与动力学触发因素在时域上的动态关联,解决单一尺度评估精准性与可靠性不足的问题,实现孕灾场景复杂以及跨时间尺度内外因素耦合关联约束的古滑坡复活风险分级评估。
在本发明的第一方面,提供了一种跨时间尺度联合的古滑坡复活风险分级评估方法。该方法包括:
获取古滑坡区域历史观测数据,构建古滑坡复活灾害特征评价因子体系,计算古滑坡长期发育演进过程复活灾害发生的时空概率,根据所述时空概率划分长时间尺度古滑坡复活灾害的易发性等级;
获取Sentinel-1影像数据集,通过SBAS-InSAR方法计算出沿雷达视线方向的地表形变速率;对所述沿雷达视线方向的地表形变速率进行二维形变转换,得到沿坡度方向的地表形变速率,并划分地表形变速率等级;以所述地表形变速率等级对应更新所述长时间尺度古滑坡复活灾害的易发性等级,得到长时间尺度古滑坡复活风险性等级;所述长时间尺度古滑坡复活风险性等级包括高风险等级;
将所述高风险等级对应的区域作为古滑坡发育演化的关键节点,在所述关键节点上分析诱发古滑坡复活的动力学触发因素,构建短时间尺度古滑坡复活的动力学方程,并根据短时间尺度古滑坡复活的动力学方程计算出二次灾害下的滑带土残余抗剪强度,更新所述长时间尺度古滑坡复活风险性等级,得到古滑坡复活风险分级评估模型;
将待分析的古滑坡区域历史观测数据和Sentinel-1影像数据集输入所述古滑坡复活风险分级评估模型,输出古滑坡复活风险分级评估结果。
进一步地,所述构建古滑坡复活灾害特征评价因子体系,包括:
从所述古滑坡区域历史观测数据中提取深部地质条件特征因子与地形地貌条件特征因子;
对所述深部地质条件特征因子与地形地貌条件特征因子进行归一化;
计算归一化后的特征因子的滑坡频率比和信息熵权值。
进一步地,所述通过SBAS-InSAR方法计算出沿雷达视线方向的地表形变速率,包括:
对所述Sentinel-1影像数据集进行干涉像对的配对,得到若干对配对后的干涉像对;
利用所述若干对配对后的干涉像对生成干涉图,对所述干涉图进行去平处理,对去平后的干涉图进行自适应滤波,并生成相干系数,得到优化后的干涉图;
将所述优化后的干涉图进行SBAS第一次反演,得到第一次估算的形变速率和残余地形;再对第一次估算的形变速率和残余地形进行SBAS第二次反演,得到时间序列上的位移;再对所述时间序列上的位移进行地理编码,得到沿雷达视线方向的地表形变速率。
进一步地,所述对所述雷达视线方向的地表形变速率进行二维形变转换,得到沿坡度方向的地表形变速率,包括:
进一步地,所述以所述地表形变速率等级对应更新所述长时间尺度古滑坡复活灾害的易发性等级,包括:
若目标古滑坡区域对应地表形变速率等级的级别高于所述目标古滑坡区域对应古滑坡复活灾害的易发性等级的级别,则将所述目标古滑坡区域对应古滑坡复活灾害的易发性等级的级别更新为所述目标古滑坡区域对应地表形变速率等级的级别;将更新后的古滑坡复活灾害的易发性等级作为长时间尺度古滑坡复活风险性等级;
所述地表形变速率等级与古滑坡复活灾害的易发性等级的级别数相同。
进一步地,所述根据短时间尺度古滑坡复活的动力学方程计算出二次灾害下的滑带土残余抗剪强度,包括:
在古滑坡失稳过程中,当滑体处于间歇期和滑动期的临界触发状态时,计算滑带土的抗剪强度:
τf=c′Re c+{σ-[u0+p(zm,tdiff)]}tanφ′Re c
其中,τf为滑带土的抗剪强度;c′Re c为经强度恢复后滑带土的有效黏聚力;σ为总应力;u0为滑带土的初始孔隙水压力;p(zm,tdiff)为降雨或库水位变动产生的水头压力扩散到滑动面处引发的滑带土孔隙的水压力增量,zm为滑坡体厚度;tdiff为降雨或库水位变动产生的水头压力扩散到滑动面的时间;
选择所述滑体中单位宽度的滑坡块体作为研究对象,在所述在古滑坡失稳过程中,所述滑坡块体不发生相对位移且运动速率大小和方向均相同,当所述滑坡块体处于间歇期和滑动期的临界触发状态时,计算下滑力τ:
当所述滑坡块体进入滑动期,开始沿滑动面滑动时,获得初始加速度a0,计算滑动期滑带土的残余抗剪强度:
进一步地,所述更新所述长时间尺度古滑坡复活风险性等级,包括:
若所述滑带土残余抗剪强度的剪切速率效应为正速率效应,则所述关键节点对应的长时间尺度古滑坡复活风险性等级的级别与所述滑带土残余抗剪强度的剪切速率效应呈正相关,并根据正相关的相关程度分级更新所述关键节点对应的长时间尺度古滑坡复活风险等级的级别;
其中,所述滑带土残余抗剪强度的剪切速率效应为正速率效应,则:
h=τv-τr>0
h为剪切速率效应系数,表示正相关的相关程度,若h越大,则正相关的相关程度越高;τv为滑动期滑带土的残余抗剪强度;τr为间歇期滑带土的残余抗剪强度。
在本发明的第二方面,提供了一种跨时间尺度联合的古滑坡复活风险分级评估装置。该装置包括:
第一分级模块,用于获取古滑坡区域历史观测数据,构建古滑坡复活灾害特征评价因子体系,计算古滑坡长期发育演进过程复活灾害发生的时空概率,根据所述时空概率划分长时间尺度古滑坡复活灾害的易发性等级;
第二分级模块,用于获取Sentinel-1影像数据集,通过SBAS-InSAR方法计算出沿雷达视线方向的地表形变速率;对所述沿雷达视线方向的地表形变速率进行二维形变转换,得到沿坡度方向的地表形变速率,并划分地表形变速率等级;以所述地表形变速率等级对应更新所述长时间尺度古滑坡复活灾害的易发性等级,得到长时间尺度古滑坡复活风险性等级;所述长时间尺度古滑坡复活风险性等级包括高风险等级;
等级更新模块,用于将所述高风险等级对应的区域作为古滑坡发育演化的关键节点,在所述关键节点上分析诱发古滑坡复活的动力学触发因素,构建短时间尺度古滑坡复活的动力学方程,并根据短时间尺度古滑坡复活的动力学方程计算出二次灾害下的滑带土残余抗剪强度,更新所述长时间尺度古滑坡复活风险性等级,得到古滑坡复活风险分级评估模型;
评估模块,用于将待分析的古滑坡区域历史观测数据和Sentinel-1影像数据集输入所述古滑坡复活风险分级评估模型,输出古滑坡复活风险分级评估结果。
在本发明的第三方面,提供了一种电子设备。该电子设备至少一个处理器;以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明第一方面的方法。
在本发明的第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行本发明第一方面的方法。
应当理解,发明内容部分中所描述的内容并非旨在限定本发明的实施例的关键或重要特征,亦非用于限制本发明的范围。本发明的其它特征将通过以下的描述变得容易理解。
附图说明
结合附图并参考以下详细说明,本发明各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中,相同或相似的附图标记表示相同或相似的元素,其中:
图1示出了根据本发明的实施例的跨时间尺度联合的古滑坡复活风险分级评估方法的流程图;
图2示出了根据本发明的实施例的跨时间尺度联合的古滑坡复活风险分级评估装置的方框图;
图3示出了能够实施本发明的实施例的示例性电子设备的方框图;
其中,300为电子设备、301为CPU、302为ROM、303为RAM、304为总线、305为I/O接口、306为输入单元、307为输出单元、308为存储单元、309为通信单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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作出创造性劳动前提下所获得的全部其他实施例,都属于本发明保护的范围。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
本发明中,能够加强古滑坡发育演化机理与动力学触发因素在时域上的动态关联,解决单一尺度评估精准性与可靠性不足的问题,实现孕灾场景复杂以及跨时间尺度内外因素耦合关联约束的古滑坡复活风险分级评估。
图1示出了本发明实施例的跨时间尺度联合的古滑坡复活风险分级评估方法的流程图。
该方法包括:
S101、获取古滑坡区域历史观测数据,构建古滑坡复活灾害特征评价因子体系,计算古滑坡长期发育演进过程复活灾害发生的时空概率,根据所述时空概率划分长时间尺度古滑坡复活灾害的易发性等级。
作为本发明的一种实施例,古滑坡是曾历经一次或多次滑动,在受到外界因素,例如强降雨、库水位变化等扰动时会再次滑动或具有滑动趋势的地质环境。我国西南地区因其特殊的地理位置、地形地貌特征和极端气候条件等因素,致使区域内古滑坡失稳及复活所造成的地质灾害日益频发。西南地区地理地质环境(即长时间尺度的因素)与库水、降雨等内外因素耦合诱发的古滑坡失稳复活,其发育、变形影响因素众多、形变破坏机理复杂,随着大量基础设施的建设和外界极端因素(如强降雨、库水位变化等)的影响,滑坡地质灾害呈现日趋严重的趋势,作为本实施例的研究对象。
作为本发明的一种实施例,所述构建古滑坡复活灾害特征评价因子体系,包括:
首先,从所述古滑坡区域历史观测数据中提取深部地质条件特征因子与地形地貌条件特征因子。所述深部地质条件特征因子,例如断层、岩性、土壤侵蚀、裂缝发育情况等。所述地形地貌条件特征因子,例如坡度坡向、剖面曲率、植被覆盖等。
其次,对所述深部地质条件特征因子与地形地貌条件特征因子进行归一化。
古滑坡复活灾害特征评价因子呈现多源异构的特点,其中存在连续型和离散型两种类型,需要进行空间化预处理,对离散型评价因子进行分类量化,对连续型评价因子采取分级离散化处理,统一模型输入。
在本实施例中,归一化处理如下:
其中,Y*为归一化处理前的样本数据;Y为归一化处理前的样本数据;max为样本数据的最大值,min为样本数据的最小值。
综合提取形成各评价因子分级量化,并生成滑坡各评价因子专题图。
最后,计算归一化后的特征因子的滑坡频率比和信息熵权值。
其中,Ni、Si分别表示分布在评价因子ui中某一分级类别中的古滑坡单元数和分级区域面积;N、S为研究区域古滑坡单元总数和研究区总面积;FRij、pij分别为第i个评价因子指标下第j个分级类别的滑坡频率比和分布概率,FRij>1表明因子该类别的状态条件利于古滑坡复活发生;FRij<1表明该状态条件不利于古滑坡复活发生;K为常数项,由每个古滑坡灾害环境评价因子的分级类别数Ki取值决定;WEi为熵权值,Ei为信息熵,熵权值与信息熵呈反比,熵权值越大,特征评价因子数据中的信息量不确定性越小,该评价因子对古滑坡复活灾害发育贡献度越大。
通过计算滑坡频率比及信息熵权值,量化古滑坡复活灾害特征评价因子对古滑坡灾害环境特征规律及贡献度的影响,结合古滑坡知识机理规律与研究区基础地理概况综合归纳区域古滑坡发育演变的作用机制和空间统计规律。
作为本发明的一种实施例,所述计算古滑坡长期发育演进过程复活灾害发生的时空概率,根据所述时空概率划分长时间尺度古滑坡复活灾害的易发性等级,包括:
以所述归一化且分级量化的特征评价因子研究区历史专题数据为输入,结合bagging和随机选择特征建立并融合多个决策树构建随机森林模型,分级刻画古滑坡长期发育演进过程复活灾害发生的时空概率。所述随机森林模型(Random Forest)指的是利用多棵树对样本进行训练并预测的一种分类器;在机器学习中,随机森林是一个包含多个决策树的分类器,并且其输出的类别是由个别树输出的类别的众数而定。
在本实施例中,根据所述时空概率划分长时间尺度古滑坡复活灾害的易发性等级可以划分为多个等级,例如划分为五个等级,分别为极低易发性、低易发性、中易发性、高易发性、极高易发性。
作为本发明的一种实施例,在划分易发性等级后,利用自然断点法将连续性古滑坡易发性图层对应重分类为5个离散的古滑坡易发性等级分区图。
S102、获取Sentinel-1影像数据集,通过SBAS-InSAR方法计算出沿雷达视线方向的地表形变速率;对所述沿雷达视线方向的地表形变速率进行二维形变转换,得到沿坡度方向的地表形变速率,并划分地表形变速率等级;以所述地表形变速率等级对应更新所述长时间尺度古滑坡复活灾害的易发性等级,得到长时间尺度古滑坡复活风险性等级;所述长时间尺度古滑坡复活风险性等级包括高风险等级。
Sentinel-1影像数据集为通过Sentinel-1卫星采集到的影像数据。Sentinel-1卫星是欧洲航天局哥白尼计划(GMES)中的地球观测卫星,由两颗卫星组成,载有C波段合成孔径雷达,可提供连续图像(白天、夜晚和各种天气)。
作为本发明的一种实施例,所述通过SBAS-InSAR方法计算出沿雷达视线方向的地表形变速率,包括:
首先,对所述Sentinel-1影像数据集进行干涉像对的配对,得到若干对配对后的干涉像对。
在本实施例中,对Sentinel-1影像数据集进行干涉像对的配对,像对结果图表方式输出,输入N景数据,能得到的最大配对数是(N*(N-1))/2,生成连接图工具会选择最优的组合方式进行配对。程序自动选择超级主影像,在整个处理中,超级主影像作为参考影像,所有的像对都会配准到超级主影像上。
其次,利用所述若干对配对后的干涉像对生成干涉图,对所述干涉图进行去平处理,对去平后的干涉图进行自适应滤波,得到优化后的干涉图。
具体地,对所有的配对的干涉像对进行干涉处理,生成干涉图,需要设置多视的视数,从传感器的原始采样间隔和入射角计算得出,能让最后的结果尽可能的得到方位向和距离向一致的分辨率。注:视数大于1:1。
具体地,去平处理:去除间隔相同,由平地效应造成的干涉条纹;保留因地形起伏、高程起伏所导致的干涉条纹。
具体地,自适应滤波:对上一步去平后的干涉图进行滤波,去掉由平地干涉引起的位相噪声,让干涉条纹变得更加平滑。同时,生成干涉的相干图(描述位相质量)和滤波后的主影像强度图,增加干涉图的信噪比,提供了更可靠的相干性,为SBAS反演做好数据准备。
最后,将所述优化后的干涉图进行SBAS第一次反演,得到第一次估算的形变速率和残余地形。所述SBAS第反演,使用线性模型,在第一次估算速率图中,可以看到明显的沉降和抬升,SBAS反演的下一步就会得到优化的速率估算值,在这一步中确定了形变的位置和空间范围。再对第一次估算的形变速率和残余地形进行SBAS第二次反演,得到时间序列上的位移。SBAS第二次反演是在第一次估算形变速率之后,在这一步用滤波的方法去除大气相位,得到最终的时序上的形变量。大气滤波起到了对时间序列上的形变平滑的作用,大气的去除是通过低通滤波和高通滤波实现的。这一步的最后,会根据第一次反演选择的形变模型计算出最终的形变速率,是根据多项式计算出来的纯净的时序上的形变量。这里还会生成模型计算出的平方值。再对所述时间序列上的位移进行地理编码,得到沿雷达视线方向的地表形变速率。其中,形变结果和形变速率会重投影到用户定义的方向,此处已知直接投影到沿雷达视线方向。
作为本发明的一种实施例,由于滑坡多沿斜坡面进行滑动,雷达视线方向的形变信息无法准确反映斜坡面的真实形变情况,考虑雷达视线方向和坡度方向的几何关系,假设运动沿单位矢量指定的方向发生,采用下式将视线方向的形变速率转化为坡度方向的形变速率。
VSlope=VLos/cosβ
上式中,cosβ表示为:
通过SBAS-InSAR方法计算出沿雷达视线方向的地表形变速率;对所述沿雷达视线方向的地表形变速率进行二维形变转换,得到沿坡度方向的地表形变速率,旨在减少单一使用机器学习模型可能出现的假阴性数,精准更新易发性等级,进一步建立深度精准复活风险分级标准,从而宏观确定古滑坡的危险性等级及危险区域范围。
在本实施例中,经SBAS-InSAR方法处理得到实际地表形变速率数据,根据地表形变速率阈值范围,与所述长时间尺度古滑坡复活灾害的易发性等级划分相同的等级,即同样划分五个速率等级。
作为本发明的一种实施例,以所述地表形变速率等级对应更新所述长时间尺度古滑坡复活灾害的易发性等级,得到长时间尺度古滑坡复活风险性等级,具体包括:
若目标古滑坡区域对应地表形变速率等级的级别高于所述目标古滑坡区域对应古滑坡复活灾害的易发性等级的级别,则将所述目标古滑坡区域对应古滑坡复活灾害的易发性等级的级别更新为所述目标古滑坡区域对应地表形变速率等级的级别;将更新后的古滑坡复活灾害的易发性等级作为长时间尺度古滑坡复活风险性等级。
在本实施例中,如表1表示将古滑坡复活灾害的易发性等级更新为长时间尺度古滑坡复活风险性等级:
表1
表1中,列表示将地表形变速率等级划分为5个级别,行表示将易发性等级划分为5个级别,表中元素表示更新后的长时间尺度古滑坡复活风险性等级。例如,第一行第二列表示易发性等级为1级,地表形变速率等级为2级时,由于地表形变速率等级的级别高于易发性等级的级别,则需要将易发性等级的级别提升1级,作为对应风险性等级的级别。
所述长时间尺度古滑坡复活风险性等级与所述地表形变速率等级以及古滑坡复活灾害的易发性等级的级别数均相同。例如,在本实施例中,所述长时间尺度古滑坡复活风险性等级划分为5级,分别为极低风险级别、低风险级别、中风险级别、高风险级别和极高风险级别。将高风险级别和极高风险级别作为高风险等级。即高风险等级为古滑坡复活风险较高的级别。
S103、将所述高风险等级对应的区域作为古滑坡发育演化的关键节点,在所述关键节点上分析诱发古滑坡复活的动力学触发因素,构建短时间尺度古滑坡复活的动力学方程,并根据短时间尺度古滑坡复活的动力学方程计算出二次灾害下的滑带土残余抗剪强度,更新所述长时间尺度古滑坡复活风险性等级,得到古滑坡复活风险分级评估模型。
在一些实施例中,诱发古滑坡复活的动力学触发因素,例如季节性强降雨导致的降雨入渗引起的周期性的库水位变化。
在一些实施例中,构建短时间尺度古滑坡复活的动力学方程,将降雨和库水位变动在滑坡边界产生的作用可简化为具有某一水头的压力,该压力以水力扩散的形式影响滑坡各部位的孔隙水压力。假设滑坡体物质是均质的土体,则根据均匀多孔介质中的一维竖向瞬时达西流的规律特征,降雨或库水位变动产生的水头压力在滑坡体中的扩散过程可用下式表示:
其中,p(z,t)为滑动块体深度z位置在t时刻的孔隙水压力增量;D为滑坡体的水力扩散系数。
当滑体处于间歇期和滑动期的临界状态时,滑带土的抗剪强度τf可表示为:
τf=c′Re c+{σ-[u0+p(zm,tdiff)]}tanφ′Re c
其中,τf为滑带土的抗剪强度;c′Re c为经强度恢复后滑带土的有效黏聚力;σ为总应力;u0为滑带土的初始孔隙水压力;p(zm,tdiff)为降雨或库水位变动产生的水头压力扩散到滑动面处引发的滑带土孔隙的水压力增量,zm为滑坡体厚度;tdiff为降雨或库水位变动产生的水头压力扩散到滑动面的时间。
取单位宽度滑坡块体为研究对象,在间歇性复活的缓慢滑动过程中,块体本身不发生相对位移,那么在滑坡块体上任一点(包括滑动面处)的运动速率大小和方向均相同。假定滑坡块体为刚体,其受到上部块体的推力和下部块体的阻力大小相等且方向相反,因此,当滑坡块体处于间歇期和滑动期的临界状态时,有:
其中,τ为下滑力;为所述滑动块体的平均重度;g为重力加速度;a0为突破临界状态后滑坡块体的初始加速度;a为滑动期滑坡块体的加速度;τv为滑动期滑带土的残余抗剪强度;m为单位宽度滑坡块体的质量;S为单位宽度滑坡块体的底面积。
在获得初始加速度a0后,进入滑动期的滑坡体沿滑动面开始滑动,此时有:
其中,f(v)为滑坡运动速率v的函数。
在一些实施例中,所述更新所述长时间尺度古滑坡复活风险性等级,包括:
若所述滑带土残余抗剪强度的剪切速率效应为正速率效应,则所述关键节点对应的长时间尺度古滑坡复活风险性等级的级别与所述滑带土残余抗剪强度的剪切速率效应呈正相关,并根据正相关的相关程度更新所述关键节点对应的长时间尺度古滑坡复活风险等级的级别。
其中,所述滑带土残余抗剪强度的剪切速率效应为正速率效应,则:
h=τv-τr>0
h为剪切速率效应系数,表示正相关的相关程度,若h越大,则正相关的相关程度越高;τv为滑动期滑带土的残余抗剪强度;τr为间歇期滑带土的残余抗剪强度。
具体地,当τv>τr时,表明滑带土的残余强度具有正速率效应,即随剪切速率的增大而增大;反之,当τv<τr时,滑带土的残余强度具有负速率效应;而当τv=τr时,则无效应。
所述根据正相关的相关程度更新所述关键节点对应的长时间尺度古滑坡复活风险等级的级别,具体包括:
若剪切速率效应系数高于高风险系数阈值范围,则对应提升所述关键节点对应的长时间尺度古滑坡复活风险等级的级别至相应最高风险等级。
综上,即为描述库岸古滑坡短时间尺度触发复活的动力学方程。
S104、将待分析的古滑坡区域历史观测数据和Sentinel-1影像数据集输入所述古滑坡复活风险分级评估模型,输出古滑坡复活风险分级评估结果。
根据本发明的实施例,以短时间尺度动力学触发因素与长时间尺度古滑坡发育进化机理定量关联的联合机制为核心,克服单一尺度对古滑坡复活风险进行分析研究,在系统分析古滑坡隐式成因机理和显式表征的基础上,深度分析短期动力学触发因素和长期滑坡形变位移演化过程存在的典型时空关联性特征,寻找二次灾害与灾害链的临界触发点,建立短时间尺度动力学触发因素及长时间尺度古滑坡发育演化机理定量关联的联合响应机制。在机器学习框架下,建立古滑坡演化机理模型和动力学触发模型之间的高层映射,多尺度多阶段实时动态风险跟踪,在易发性分析基础之上实现跨尺度联合的古滑坡失稳复活风险精准定量评估。最终,够实现孕灾场景复杂,跨尺度内外因素耦合关联约束的古滑坡复活风险定量测算,能够加强古滑坡发育演化机理与动力学触发因素在时域上的动态定量关联,解决单一尺度评估精准性与可靠性不足的问题,能够支持多尺度多阶段内外因素耦合关联约束的风险定量测算,做到事先精准评估古滑坡复活隐患并实施科学有效的监测预警。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作和模块并不一定是本发明所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本发明所述方案进行进一步说明。
如图2所示,装置200包括:
第一分级模块210,用于获取古滑坡区域历史观测数据,构建古滑坡复活灾害特征评价因子体系,计算古滑坡长期发育演进过程复活灾害发生的时空概率,根据所述时空概率划分长时间尺度古滑坡复活灾害的易发性等级。
第二分级模块220,用于获取Sentinel-1影像数据集,通过SBAS-InSAR方法计算出沿雷达视线方向的地表形变速率;对所述沿雷达视线方向的地表形变速率进行二维形变转换,得到沿坡度方向的地表形变速率,并划分地表形变速率等级;以所述地表形变速率等级对应更新所述长时间尺度古滑坡复活灾害的易发性等级,得到长时间尺度古滑坡复活风险性等级;所述长时间尺度古滑坡复活风险性等级包括高风险等级。
等级更新模块230,用于将所述高风险等级对应的区域作为古滑坡发育演化的关键节点,在所述关键节点上分析诱发古滑坡复活的动力学触发因素,构建短时间尺度古滑坡复活的动力学方程,并根据短时间尺度古滑坡复活的动力学方程计算出二次灾害下的滑带土残余抗剪强度,更新所述长时间尺度古滑坡复活风险性等级,得到古滑坡复活风险分级评估模型。
评估模块240,用于将待分析的古滑坡区域历史观测数据和Sentinel-1影像数据集输入所述古滑坡复活风险分级评估模型,输出古滑坡复活风险分级评估结果。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,所述描述的模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本发明的实施例,本发明还提供了一种电子设备和一种可读存储介质。
图3示出了可以用来实施本发明的实施例的电子设备300的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
设备300包括计算单元301,其可以根据存储在只读存储器(ROM)302中的计算机程序或者从存储单元308加载到随机访问存储器(RAM)303中的计算机程序,来执行各种适当的动作和处理。在RAM 303中,还可存储设备300操作所需的各种程序和数据。计算单元301、ROM 302以及RAM 303通过总线304彼此相连。输入/输出(I/O)接口305也连接至总线304。
设备300中的多个部件连接至I/O接口305,包括:输入单元306,例如键盘、鼠标等;输出单元307,例如各种类型的显示器、扬声器等;存储单元308,例如磁盘、光盘等;以及通信单元309,例如网卡、调制解调器、无线通信收发机等。通信单元309允许设备300通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元301可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元301的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元301执行上文所描述的各个方法和处理,例如方法S101~S104。例如,在一些实施例中,方法S101~S104可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元308。在一些实施例中,计算机程序的部分或者全部可以经由ROM 302和/或通信单元309而被载入和/或安装到设备300上。当计算机程序加载到RAM 303并由计算单元301执行时,可以执行上文描述的方法S101~S104的一个或多个步骤。备选地,在其他实施例中,计算单元301可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行方法S101~S104。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种跨时间尺度联合的古滑坡复活风险分级评估方法,其特征在于,包括:
获取古滑坡区域历史观测数据,构建古滑坡复活灾害特征评价因子体系,计算古滑坡长期发育演进过程复活灾害发生的时空概率,根据所述时空概率划分长时间尺度古滑坡复活灾害的易发性等级;
获取Sentinel-1影像数据集,通过SBAS-InSAR方法计算出沿雷达视线方向的地表形变速率;对所述沿雷达视线方向的地表形变速率进行二维形变转换,得到沿坡度方向的地表形变速率,并划分地表形变速率等级;以所述地表形变速率等级对应更新所述长时间尺度古滑坡复活灾害的易发性等级,得到长时间尺度古滑坡复活风险性等级;所述长时间尺度古滑坡复活风险性等级包括高风险等级;
将所述高风险等级对应的区域作为古滑坡发育演化的关键节点,在所述关键节点上分析诱发古滑坡复活的动力学触发因素,构建短时间尺度古滑坡复活的动力学方程,并根据短时间尺度古滑坡复活的动力学方程计算出二次灾害下的滑带土残余抗剪强度,更新所述长时间尺度古滑坡复活风险性等级,得到古滑坡复活风险分级评估模型;
将待分析的古滑坡区域历史观测数据和Sentinel-1影像数据集输入所述古滑坡复活风险分级评估模型,输出古滑坡复活风险分级评估结果。
2.根据权利要求1所述的方法,其特征在于,所述构建古滑坡复活灾害特征评价因子体系,包括:
从所述古滑坡区域历史观测数据中提取深部地质条件特征因子与地形地貌条件特征因子;
对所述深部地质条件特征因子与地形地貌条件特征因子进行归一化;
计算归一化后的特征因子的滑坡频率比和信息熵权值。
3.根据权利要求1所述的方法,其特征在于,所述通过SBAS-InSAR方法计算出沿雷达视线方向的地表形变速率,包括:
对所述Sentinel-1影像数据集进行干涉像对的配对,得到若干对配对后的干涉像对;
利用所述若干对配对后的干涉像对生成干涉图,对所述干涉图进行去平处理,对去平后的干涉图进行自适应滤波,并生成相干系数,得到优化后的干涉图;
将所述优化后的干涉图进行SBAS第一次反演,得到第一次估算的形变速率和残余地形;再对第一次估算的形变速率和残余地形进行SBAS第二次反演,得到时间序列上的位移;再对所述时间序列上的位移进行地理编码,得到沿雷达视线方向的地表形变速率。
5.根据权利要求1所述的方法,其特征在于,所述以所述地表形变速率等级对应更新所述长时间尺度古滑坡复活灾害的易发性等级,包括:
若目标古滑坡区域对应地表形变速率等级的级别高于所述目标古滑坡区域对应古滑坡复活灾害的易发性等级的级别,则将所述目标古滑坡区域对应古滑坡复活灾害的易发性等级的级别更新为所述目标古滑坡区域对应地表形变速率等级的级别;将更新后的古滑坡复活灾害的易发性等级作为长时间尺度古滑坡复活风险性等级;
所述地表形变速率等级与古滑坡复活灾害的易发性等级的级别数相同。
6.根据权利要求1所述的方法,其特征在于,所述根据短时间尺度古滑坡复活的动力学方程计算出二次灾害下的滑带土残余抗剪强度,包括:
在古滑坡失稳过程中,当滑体处于间歇期和滑动期的临界触发状态时,计算滑带土的抗剪强度:
τf=c′Rec+{σ-[u0+p(zm,tdiff)]}tanφ′Rec
其中,τf为滑带土的抗剪强度;c′Rec为经强度恢复后滑带土的有效黏聚力;σ为总应力;u0为滑带土的初始孔隙水压力;p(zm,tdiff)为降雨或库水位变动产生的水头压力扩散到滑动面处引发的滑带土孔隙的水压力增量,zm为滑坡体厚度;tdiff为降雨或库水位变动产生的水头压力扩散到滑动面的时间;
选择所述滑体中单位宽度的滑坡块体作为研究对象,在所述在古滑坡失稳过程中,所述滑坡块体不发生相对位移且运动速率大小和方向均相同,当所述滑坡块体处于间歇期和滑动期的临界触发状态时,计算下滑力τ:
当所述滑坡块体进入滑动期,开始沿滑动面滑动时,获得初始加速度a0,计算滑动期滑带土的残余抗剪强度:
7.根据权利要求1所述的方法,其特征在于,所述更新所述长时间尺度古滑坡复活风险性等级,包括:
若所述滑带土残余抗剪强度的剪切速率效应为正速率效应,则所述关键节点对应的长时间尺度古滑坡复活风险性等级的级别与所述滑带土残余抗剪强度的剪切速率效应呈正相关,并根据正相关的相关程度分级更新所述关键节点对应的长时间尺度古滑坡复活风险等级的级别;
其中,所述滑带土残余抗剪强度的剪切速率效应为正速率效应,则:
h=τv-τr>0
h为剪切速率效应系数,表示正相关的相关程度,若h越大,则正相关的相关程度越高;τv为滑动期滑带土的残余抗剪强度;τr为间歇期滑带土的残余抗剪强度。
8.一种跨时间尺度联合的古滑坡失稳复活风险分级评估装置,其特征在于,包括:
第一分级模块,用于获取古滑坡区域历史观测数据,构建古滑坡复活灾害特征评价因子体系,计算古滑坡长期发育演进过程复活灾害发生的时空概率,根据所述时空概率划分长时间尺度古滑坡复活灾害的易发性等级;
第二分级模块,用于获取Sentinel-1影像数据集,通过SBAS-InSAR方法计算出沿雷达视线方向的地表形变速率;对所述沿雷达视线方向的地表形变速率进行二维形变转换,得到沿坡度方向的地表形变速率,并划分地表形变速率等级;以所述地表形变速率等级对应更新所述长时间尺度古滑坡复活灾害的易发性等级,得到长时间尺度古滑坡复活风险性等级;所述长时间尺度古滑坡复活风险性等级包括高风险等级;
等级更新模块,用于将所述高风险等级对应的区域作为古滑坡发育演化的关键节点,在所述关键节点上分析诱发古滑坡复活的动力学触发因素,构建短时间尺度古滑坡复活的动力学方程,并根据短时间尺度古滑坡复活的动力学方程计算出二次灾害下的滑带土残余抗剪强度,更新所述长时间尺度古滑坡复活风险性等级,得到古滑坡复活风险分级评估模型;
评估模块,用于将待分析的古滑坡区域历史观测数据和Sentinel-1影像数据集输入所述古滑坡复活风险分级评估模型,输出古滑坡复活风险分级评估结果。
9.一种电子设备,至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其特征在于,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7中任一项所述的方法。
10.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行根据权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210128242.3A CN114493319A (zh) | 2022-02-11 | 2022-02-11 | 跨时间尺度联合的古滑坡复活风险分级评估方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210128242.3A CN114493319A (zh) | 2022-02-11 | 2022-02-11 | 跨时间尺度联合的古滑坡复活风险分级评估方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114493319A true CN114493319A (zh) | 2022-05-13 |
Family
ID=81481402
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210128242.3A Pending CN114493319A (zh) | 2022-02-11 | 2022-02-11 | 跨时间尺度联合的古滑坡复活风险分级评估方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114493319A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115512531A (zh) * | 2022-09-28 | 2022-12-23 | 重庆地质矿产研究院 | 一种基于形变有序性的滑坡灾害多监测点融合预警方法 |
CN116227938A (zh) * | 2023-04-26 | 2023-06-06 | 四川川核地质工程有限公司 | 基于北斗卫星的山体滑坡智能预警方法及系统 |
CN116243269A (zh) * | 2023-05-06 | 2023-06-09 | 南京航天宏图信息技术有限公司 | 一种基于Insar数据的震后滑坡灾害监测方法和装置 |
-
2022
- 2022-02-11 CN CN202210128242.3A patent/CN114493319A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115512531A (zh) * | 2022-09-28 | 2022-12-23 | 重庆地质矿产研究院 | 一种基于形变有序性的滑坡灾害多监测点融合预警方法 |
CN116227938A (zh) * | 2023-04-26 | 2023-06-06 | 四川川核地质工程有限公司 | 基于北斗卫星的山体滑坡智能预警方法及系统 |
CN116227938B (zh) * | 2023-04-26 | 2023-06-30 | 四川川核地质工程有限公司 | 基于北斗卫星的山体滑坡智能预警方法及系统 |
CN116243269A (zh) * | 2023-05-06 | 2023-06-09 | 南京航天宏图信息技术有限公司 | 一种基于Insar数据的震后滑坡灾害监测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ghorbanzadeh et al. | A new GIS-based technique using an adaptive neuro-fuzzy inference system for land subsidence susceptibility mapping | |
CN114493319A (zh) | 跨时间尺度联合的古滑坡复活风险分级评估方法和装置 | |
Kirschbaum et al. | The state of remote sensing capabilities of cascading hazards over High Mountain Asia | |
Huggel et al. | Remote sensing based assessment of hazards from glacier lake outbursts: a case study in the Swiss Alps | |
Alkhasawneh et al. | Modeling and testing landslide hazard using decision tree | |
Van Westen et al. | Spatial data for landslide susceptibility, hazard, and vulnerability assessment: An overview | |
Jena et al. | Earthquake hazard and risk assessment using machine learning approaches at Palu, Indonesia | |
Zhou et al. | Enhanced dynamic landslide hazard mapping using MT-InSAR method in the Three Gorges Reservoir Area | |
US20180045853A1 (en) | Landslide hazard assessment system and method | |
Böhme et al. | Analyses of past and present rock slope instabilities in a fjord valley: Implications for hazard estimations | |
Wu et al. | Comparison of spatial and non-spatial logistic regression models for modeling the occurrence of cloud cover in north-eastern Puerto Rico | |
Thiery et al. | Application of expert rules in indirect approaches for landslide susceptibility assessment | |
Gnyawali et al. | Mapping the susceptibility of rainfall and earthquake triggered landslides along China–Nepal highways | |
Kumar et al. | Evaluation of spatial probability of landslides using bivariate and multivariate approaches in the Goriganga valley, Kumaun Himalaya, India | |
Wu et al. | An evaluation of landslide susceptibility using probability statistic modeling and GIS's spatial clustering analysis | |
Braun et al. | Elevation change of Bhasan Char measured by persistent scatterer interferometry using Sentinel-1 data in a humanitarian context | |
Wu et al. | A fast monitor and real time early warning system for landslides in the Baige landslide damming event, Tibet, China | |
Bayramov et al. | Quantitative assessment of ground deformation risks, controlling factors and movement trends for onshore petroleum and gas industry using satellite Radar remote sensing and spatial statistics | |
Festa et al. | Automated classification of A-DInSAR-based ground deformation by using random forest | |
Gui et al. | Landslide displacement analysis based on fractal theory, in Wanzhou District, Three Gorges Reservoir, China | |
Sardar et al. | Snow avalanche based susceptibility assessment of selected districts in northern zone of Pakistan applying MCDA approach in GIS. | |
Petty et al. | Flood forecasting GIS water-flow visualization enhancement (WaVE): A case study | |
Zhang et al. | A time-series InSAR processing chain for wide-area geohazard identification | |
Nonomura et al. | Regional extraction of flexural-toppled slopes in epicentral regions of subduction earthquakes along the Nankai Trough using DEMs | |
Safaei et al. | Applying geospatial technology to landslide susceptibility assessment |
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 |