CN114563787A - 一种冻土形变监测方法、装置、设备及存储介质 - Google Patents
一种冻土形变监测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN114563787A CN114563787A CN202210183255.0A CN202210183255A CN114563787A CN 114563787 A CN114563787 A CN 114563787A CN 202210183255 A CN202210183255 A CN 202210183255A CN 114563787 A CN114563787 A CN 114563787A
- Authority
- CN
- China
- Prior art keywords
- frozen soil
- coherence
- deformation
- differential
- product
- 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
- 239000002689 soil Substances 0.000 title claims abstract description 164
- 238000012544 monitoring process Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 44
- 230000008014 freezing Effects 0.000 claims abstract description 25
- 238000007710 freezing Methods 0.000 claims abstract description 25
- 230000007774 longterm Effects 0.000 claims abstract description 25
- 230000001932 seasonal effect Effects 0.000 claims abstract description 25
- 238000012806 monitoring device Methods 0.000 claims abstract description 11
- 238000012937 correction Methods 0.000 claims description 73
- 230000001186 cumulative effect Effects 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 20
- 238000010257 thawing Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 5
- 230000001427 coherent effect Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- YKORUANEKZOBMT-INIZCTEOSA-N (2s)-2-[[4-[(4-oxo-1h-1,2,3-benzotriazin-6-yl)methylamino]benzoyl]amino]pentanedioic acid Chemical compound C1=CC(C(=O)N[C@@H](CCC(=O)O)C(O)=O)=CC=C1NCC1=CC=C(NN=NC2=O)C2=C1 YKORUANEKZOBMT-INIZCTEOSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
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
- G01S13/89—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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种冻土形变监测方法、装置、设备及存储介质，通过获取冻土区域对应的第二数量的高相干性差分干涉图；并基于大气产品对每幅高相干性差分干涉图进行校正处理，获取优化差分干涉图，用于计算冻土区域的时间形变序列；对预处理后的地表温度产品数据进行插值处理，得到并根据冻土区域的日均温度数据，同时计算解冻时间区间和冻结时间区间对应的日均累积温度，得到日均累计温度序列；根据时间形变序列和日均累计温度序列，通过分段高程模型，估计并根据冻土区域的长期形变速率和季节性形变振幅，得到冻土区域的长期形变和季节性形变。与现有技术相比，本发明的技术方案提高了冻土区域形变监测结果的准确性，同时提高监测效率。
Description
技术领域
本发明涉及计算机技术领域，特别是涉及一种冻土形变监测方法、装置、设备及存储介质。
背景技术
冻土区域一般自然环境恶劣，地形复杂，传统外业测量手段效率较低，需要消耗大量的人力物力财力，且只能获取离散点的结果。随着时序InSAR技术的发展，能够分离冻土区域长期形变和季节性形变，提供较高时空间分辨率的形变监测结果，为进一步分析相关物理因子的影响提供数据支撑；
目前，时序InSAR基于需通过建模模型估计冻土的长期形变和季节性形变。其中，纯数学模型难以揭示冻土与物理环境的相关性；考虑到外界环境因素的模型，则需要地表温度产品作为外部辅助数据来辅助参数估计。但冻土区气象站分布稀疏，布置观测点困难，当研究范围较大时，采用几个站点温度的均值代替整体的温度变化存在较大的偏差。此外，目前基于冻土形变模型估计的形变一般假设两幅影像间的形变为匀速形变，这与冻土实际形变不符，可能会导致形变速率或振幅估计误差。
发明内容
本发明要解决的技术问题是：提供一种冻土形变监测方法、装置、设备及存储介质，提高冻土区域形变监测结果的准确性，同时提高监测效率。
为了解决上述技术问题，本发明提供了一种冻土形变监测方法，包括：
获取并根据冻土区域的多幅SAR影像图，得到第一数量的差分干涉图，并基于每幅差分干涉图对应的相干性，选取第二数量的高相干性差分干涉图；
获取所述多幅SAR影像图对应的大气产品，并基于所述大气产品对每幅高相干性差分干涉图进行校正处理，得到优化差分干涉图，同时根据所述优化差分干涉图的系数矩阵，通过预设公式计算所述冻土区域的时间形变序列；
获取并对预处理后的所述冻土区域的地表温度产品数据进行插值处理，得到所述冻土区域的日均温度数据，并基于所述日均温度数据，获取所述冻土区域的解冻时间区间和冻结时间区间，分别计算所述解冻时间区间和所述冻结时间区间对应的日均累积温度，并对所述日均累积温度进行归一化处理，得到日均累计温度序列；
根据所述时间形变序列和所述日均累计温度序列，通过分段高程模型，估计并根据所述冻土区域的长期形变速率和季节性形变振幅，得到所述冻土区域的长期形变和季节性形变。
进一步地，所述获取所述多幅SAR影像图对应的大气产品，并基于所述大气产品对每幅高相干性差分干涉图进行校正处理，具体的：
根据所述多幅SAR影像图的获取时间，获取所述多幅SAR影像图对应的大气产品，并对每个大气产品进行裁剪和编码处理，得到相对应的第一大气改正产品，并基于预设公式，得到每个第一大气改正产品的第一大气改正相位；
获取所述每幅高相干性差分干涉图对应的第二大气改正产品，并对所述第二大气改正产品进行差分处理，得到所述每幅高相干性差分干涉图的第二大气改正相位，并基于所述第二大气改正相位，对所述每幅高相干性差分干涉图进行大气误差校正处理；
同时，基于迭代二次曲面拟合模型获取所述每幅高相干性差分干涉图对应的长波趋势误差，并对所述每幅高相干性差分干涉图进行长波趋势误差校正处理。
进一步地，对所述冻土区域的地表温度产品数据进行预处理，具体为：
获取所述冻土区域的地表温度产品数据，其中，所述地表温度产品数据包括每日地表温度产品数据和8日地表温度产品数据；
分别获取所述每日地表温度产品数据和所述8日地表温度产品数据对应的白天温度数据和晚上温度数据；
对所述白天温度数据和所述晚上温度数据进行有效值提取，分别得到所述白天温度数据和所述晚上温度数据的有效值，并分别计算所述白天温度数据和所述晚上温度数据的有效值的均值。
进一步地，所述获取并根据冻土区域的多幅SAR影像图，得到第一数量的差分干涉图，并基于每幅差分干涉图对应的相干性，选取第二数量的高相干性差分干涉图，具体为：
获取所述冻土区域的多幅SAR影像图，并将所述多幅SAR影像图配准到同一坐标系下，通过设置时空基线，得到第一数量的差分干涉图及其对应的相干图；
根据所述相干图，获取每幅差分干涉图对应的相干性，并根据所述相干性，选取第二数量的高相干性差分干涉图，其中，所述第二数量不大于所述第一数量。
进一步地，本发明还提供了一种冻土形变监测装置，包括：差分干涉图获取模块、时间形变序列获取模块、日均累计温度序列获取模块和估计模块；
其中，所述差分干涉图获取模块，用于获取并根据冻土区域的多幅SAR影像图，得到第一数量的差分干涉图，并基于每幅差分干涉图对应的相干性，选取第二数量的高相干性差分干涉图；
所述时间形变序列获取模块，用于获取所述多幅SAR影像图对应的大气产品，并基于所述大气产品对每幅高相干性差分干涉图进行校正处理，得到优化差分干涉图，同时根据所述优化差分干涉图的系数矩阵，通过预设公式计算所述冻土区域的时间形变序列；
所述日均累计温度序列获取模块，用于获取并对预处理后的所述冻土区域的地表温度产品数据进行插值处理，得到所述冻土区域的日均温度数据，并基于所述日均温度数据，获取所述冻土区域的解冻时间区间和冻结时间区间，分别计算所述解冻时间区间和所述冻结时间区间对应的日均累积温度，并对所述日均累积温度进行归一化处理，得到日均累计温度序列；
所述估计模块，用于根据所述时间形变序列和所述日均累计温度序列，通过分段高程模型，估计并根据所述冻土区域的长期形变速率和季节性形变振幅，得到所述冻土区域的长期形变和季节性形变。
进一步地，所述时间形变序列获取模块，用于获取所述多幅SAR影像图对应的大气产品，并基于所述大气产品对每幅高相干性差分干涉图进行校正处理，具体的：
所述时间形变序列获取模块，用于根据所述多幅SAR影像图的获取时间，获取所述多幅SAR影像图对应的大气产品，并对每个大气产品进行裁剪和编码处理，得到相对应的第一大气改正产品，并基于预设公式，得到每个第一大气改正产品的第一大气改正相位；
所述时间形变序列获取模块，用于获取所述每幅高相干性差分干涉图对应的第二大气改正产品，并对所述第二大气改正产品进行差分处理，得到所述每幅高相干性差分干涉图的第二大气改正相位，并基于所述第二大气改正相位，对所述每幅高相干性差分干涉图进行大气误差校正处理；
所述时间形变序列获取模块，用于基于迭代二次曲面拟合模型获取所述每幅高相干性差分干涉图对应的长波趋势误差，并对所述每幅高相干性差分干涉图进行长波趋势误差校正处理。
进一步地，所述日均累计温度序列获取模块，用于对所述冻土区域的地表温度产品数据进行预处理，具体为：
所述日均累计温度序列获取模块，用于获取所述冻土区域的地表温度产品数据，其中，所述地表温度产品数据包括每日地表温度产品数据和8日地表温度产品数据；
所述日均累计温度序列获取模块，用于分别获取所述每日地表温度产品数据和所述8日地表温度产品数据对应的白天温度数据和晚上温度数据；
所述日均累计温度序列获取模块，用于对所述白天温度数据和所述晚上温度数据进行有效值提取，分别得到所述白天温度数据和所述晚上温度数据的有效值，并分别计算所述白天温度数据和所述晚上温度数据的有效值的均值。
进一步地，所述差分干涉图获取模块，用于获取并根据冻土区域的多幅SAR影像图，得到第一数量的差分干涉图，并基于每幅差分干涉图对应的相干性，选取第二数量的高相干性差分干涉图，具体为：
所述差分干涉图获取模块，用于获取所述冻土区域的多幅SAR影像图，并将所述多幅SAR影像图配准到同一坐标系下，通过设置时空基线，得到第一数量的差分干涉图及其对应的相干图；
所述差分干涉图获取模块，用于根据所述相干图，获取每幅差分干涉图对应的相干性，并根据所述相干性，选取第二数量的高相干性差分干涉图，其中，所述第二数量不大于所述第一数量。
进一步地，本发明还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任意一项所述的冻土形变监测方法。
进一步地，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任意一项所述的冻土形变监测方法。
本发明实施例一种冻土形变监测方法、装置、设备及存储介质，与现有技术相比，具有如下有益效果：
通过对获取的冻土区域的多幅SAR影像图进行差分处理，得到第二数量的高相干性差分干涉图，并基于大气产品对高相干性差分干涉图进行校正处理，得到优化差分干涉图，基于优化差分干涉图的系数矩阵，根据预设公式计算冻土区域的时间形变序列，避免了现有中基于冻土形变模型估计的形变与冻土实际形变存在不符的情况，提供了获取的冻土区域的时间形变序列的准确性；同时通过地表温度产品获取冻土区域的地表温度产品数据进行预处理，并对与会处理后的地表温度产品数据进行插值处理，得到冻土区域的日均温度数据，有效解决了冻土区气象站分布稀疏、难以满足空间分辨率的问题。同时基于日均温度数据分别计算所述解冻时间区间和所述冻结时间区间对应的日均累积温度，并生成归一化处理后的日均累计温度序列；根据所述时间形变序列和所述日均累计温度序列，通过分段高程模型，估计所述冻土区域的长期形变速率和季节性形变振幅，得到所述冻土区域的长期形变和季节性形变。与现有技术相比，本发明的技术方案无需通过冻土形变模型估计冻土的形变，提高了冻土性变监测数据的准确性，且提供的技术方案可操作性强，有利于提高监测效率。
附图说明
图1是本发明提供的一种冻土形变监测方法的一种实施例的流程示意图；
图2是本发明提供的一种冻土形变监测装置的一种实施例的结构示意图。
具体实施方式
下面将结合本发明中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
参见图1，图1是本发明提供的一种冻土形变监测方法的一种实施例的流程示意图，如图1所示，该方法包括步骤101－步骤104，具体如下：
步骤101：获取并根据冻土区域的多幅SAR影像图，得到第一数量的差分干涉图，并基于每幅差分干涉图对应的相干性，选取第二数量的高相干性差分干涉图。
本实施例中，获取覆盖同一冻土区域的多幅SAR影像图，且多幅SAR影像数据的获取时序均不相同；将获取的不同时序的多幅SAR影像图通过精密轨道数据配准到同一SAR影像坐标系下，并设置时空基线均小于某一阈值，其中，某一阈值可根据用户需求进行设置；通过将多幅SAR影像图进行两两差分处理，得到第一数量的差分干涉对，其中，每个差分干涉对都有与之对应的差分干涉图和所述差分干涉图对应的相干图，且每幅差分干涉图由两幅不同的SAR影像图组成。
本实施例中，利用每个差分干涉图及其对应的相干图对所述第一数量的差分干涉图进行优化选择，通过获取每幅差分干涉图对应的相干性，并根据所述相干性，对第一数量的差分干涉图中大范围失相干的差分干涉图进行剔除，并在剔除大范围失相干的差分干涉图后，选取第二数量的高相干性差分干涉图，其中，上述第二数量不大于第一数量，且第二数量M1和第一数量M满足如下公式：
其中，M为第一数量，M1为第二数量，N为SAR影像图的数量。
本实施例中，在选取出第二数量的高相干性差分干涉图后，通过利用SAR数据处理软件对每个高相干性差分干涉图进行滤波处理，获取滤波后每个高相干性差分干涉图对应的相干图，同时还通过SAR数据处理软件对每个高相干性差分干涉图进行解缠处理，获取解缠后每个高相干性差分干涉图对应的差分干涉相位。
步骤102：获取所述多幅SAR影像图对应的大气产品，并基于所述大气产品对每幅高相干性差分干涉图进行校正处理，得到优化差分干涉图，同时根据所述优化差分干涉图的系数矩阵，通过预设公式计算所述冻土区域的时间形变序列。
本实施例中，根据所述多幅SAR影像图的获取时间，获取所述多幅SAR影像图对应的大气产品，并对每个大气产品进行裁剪和编码处理，得到相对应的第一大气改正产品，并基于预设公式，得到每个第一大气改正产品的第一大气改正相位；具体的，获取的大气产品为GACOS大气产品，基于GACOS大气产品的时间分辨率为一分钟，因此，根据所述多幅SAR影像图的获取时间，下载每幅SAR影像图获取时刻对应的GACOS大气产品；由于GACOS大气产品所在坐标系为WGS84坐标系，因此，为统一坐标系，需将GACOS大气产品的坐标系转换到SSAR影像坐标系下，其中，对GACOS大气产品进行坐标系的转换主要通过从多幅SAR影像图中任意选取一幅作为SAR主影像数据，根据SAR主影像的经纬度数据对获取的每个GACOS大气产品进行裁剪，并基于GAMMA软件中的地理编码功能对每个GACOS大气产品进行向前编码，从而将原先在WGS84坐标系下的GACOS大气产品投影到SAR影像的距离－方向坐标系，获取SAR影像坐标系下的第一大气改正产品。同时根据相位转换公式将第一大气改正产品的距离单位转换为相位，并投影到雷达视线方向，获取每个SAR影像图对应的第一大气改正产品的第一大气改正相位φGACOS，相位转换公式如下所示：
其中，GACOScut为裁剪后的GACOS大气产品数据，θ为雷达入射角，λ为雷达中心波长。
本实施例中，通过获取所述每幅高相干性差分干涉图对应的第二大气改正产品，并对所述第二大气改正产品进行差分处理，得到所述每幅高相干性差分干涉图的第二大气改正相位，并基于所述第二大气改正相位，对所述每幅高相干性差分干涉图进行大气误差校正处理；具体的，根据步骤101中获取的第二数量的高相干性差分干涉图，获取每幅高相干性差分干涉图中两幅SAR影像图的获取时间，并根据所述获取时间，得到相对应的两个第一大气改正产品，并作为所述每幅高相干性差分干涉图对应的第二大气改正产品，对第二大气改正产品进行差分处理，即将每幅高相干性差分干涉图对应的两个第二大气改正产品的大气相位数据进行相减，得到每幅高相干性差分干涉图的第二大气改正相位，并基于第二大气改正相位，将每幅高相干性差分干涉图对应的差分干涉相位减去对应第二大气改正相位，即完成对每幅高相干性差分干涉图的大气误差校正。
本实施例中，还基于迭代二次曲面拟合模型获取所述每幅高相干性差分干涉图对应的长波趋势误差，并对所述每幅高相干性差分干涉图进行长波趋势误差校正处理。具体的，迭代二次曲面拟合模型如下所示：
Rorbit＝b0+b1x+b2y+b3xy+b4x2+b5y2；
其中，Rorbit是高相干性差分干涉图中均匀提取的相位值，x,y是SAR影像坐标系下的坐标值，b0～b5是迭代二次曲面拟合模型参数。
本实施例中，通过模型参数估计每幅高相干性差分干涉图中所有像素的长波长趋势误差，并在高相干性差分干涉图中减去所有像素的长波长趋势误差，完成对所述每幅高相干性差分干涉图的长波趋势误差校正处理。
本实施例中，将经过大气误差校正和长波趋势误差校正处理的高相干性差分干涉图作为优化差分干涉图。
本实施例中，根据所述优化差分干涉图的系数矩阵，通过预设公式计算所述冻土区域的时间形变序列。具体的：获取优化差分干涉图对应的系数矩阵，在系数矩阵不秩亏的情况下，通过无假设方法，直接根据预设公式解算冻土区域的时间形变序列D＝[d2 d3 …dN]，预设公式如下所示：
其中，φi.j为优化差分干涉图。
本实施例中，基于上述预设公式能直接解算冻土区域的时间形变序列，避免了现有中基于冻土形变模型估计的冻土区域的形变与冻土区域实际形变不符的情况，使得获取的冻土区域的时间形变序列更准确。
步骤103：获取并对预处理后的所述冻土区域的地表温度产品数据进行插值处理，得到所述冻土区域的日均温度数据，并基于所述日均温度数据，获取所述冻土区域的解冻时间区间和冻结时间区间，分别计算所述解冻时间区间和所述冻结时间区间对应的日均累积温度，并对所述日均累积温度进行归一化处理，得到日均累计温度序列。
本实施例中，在获取所述冻土区域的地表温度产品数据后，需要对冻土区域的地表温度产品数据进行预处理，其中，所述地表温度产品数据为MODIS地表温度产品，MODIS地表温度产品采用每日地表温度产品数据和8日地表温度产品数据，且每日地表温度产品数据和8日地表温度产品数据均包括白天温度数据、晚上温度数据、白天温度的质量数据和晚上温度的质量数据。
本实施例中，分别获取所述每日地表温度产品数据和所述8日地表温度产品数据对应的白天温度数据和晚上温度数据；由于白天温度数据和晚上温度数据均为DN值，且其数据有效的范围为7500至65535，其余值为无效值，因此，对所述白天温度数据和所述晚上温度数据进行有效值提取，分别得到所述白天温度数据和所述晚上温度数据的有效值数据；同时分别获取所述每日地表温度产品数据和所述8日地表温度产品数据对应的白天温度的质量数据和晚上温度的质量数据，由于白天温度的质量数据和晚上温度的质量数据由二进制的8位数标识，本实施例中，将白天温度的质量数据和晚上温度的质量数据中0－3位不为0的点作为误差点，并将该误差点数据对应的白天温度数据或晚上温度数据进行剔除；分别计算日地表温度产品数据和所述8日地表温度产品数据对应的剔除无效值数据和误差点数据后的白天温度数据和晚上温度数据的有效值的均值，由于该均值为DN值，因此本实施例中，还将白天温度数据和晚上温度数据的有效值的均值转换为对应的摄氏温度LST，该摄氏温度转换公式如下所示：
LST＝DN*0.02-273.15。
本实施例中，在对MODIS地表温度产品进行预处理后，还需要对预处理后的所述冻土区域的地表温度产品数据进行插值处理，得到所述冻土区域的日均温度数据；具体的，根据8日地表温度产品MYD11A1和MOD11A2在时间上对每日地表温度数据进行插值，即将上述计算得到的8日地表温度产品数据中白天温度数据和晚上温度数据的有效值的均值作为每日地表温度数据获取日期前8日的温度均值，并获取该温度均值的8倍作为每日地表温度数据获取日期前8日温度总和，且若该8日内，有4日及以上天数测得每日地表温度产品存在温度数据，则获取存在温度数据的天数对应的每日地表温度产品的温度数据的和，其中，4日及以上天数为预设数量，该数量可根据用户需求进行相应调整。
本实施例中，将每日地表温度数据获取日期前8日温度总和减去存在温度数据的天数对应的每日地表温度产品的温度数据，并获取其差值，并将所述差值除以8天内不存在温度数据的天数，并将计算出来的数值作为这8日内每日地表温度产品无温度时间数据的日均地表温度。
本实施例中，对于计算出的每日地表温度产品无温度时间数据的日均地表温度，基于ArcGIS软件下的空间分析工具，选取克里金插值方法对无温度时间数据的日均地表温度数据进行空间插值处理，并将空间位置上的一点的所有时间的地表温度数据作为一维序列，通过matlab自带的三次样条函数进行时间插值处理，获取冻土区域连续的日均温度数据，解决了现有中冻土区域气象站分布稀疏、难以满足空间分布率的问题。
本实施例中，获取所述冻土区域的解冻时间区间和冻结时间区间，分别计算所述解冻时间区间和所述冻结时间区间对应的日均累积温度，并生成归一化处理后的日均累计温度序列。具体的，根据上述获取的日均温度数据，在连续8天温度大于的0的开始时间设置为解冻节点Tt，在连续8天温度小于的0的开始时间设置为冻结节点Tf，当Tt≤T<Tf时，处于解冻区间，当Tf≤T<Tt时，处于冻结区间。根据冻结节点和解冻节点，分别获取每年冻土区域的冻结区间和解冻区间，分段计算冻结区间的日均累计温度ADDT和解冻区间的日均累积温度ADDF，并对冻结区间的日均累计温度ADDT和解冻区间的日均累积温度ADDF，进行归一化处理，得到归一化处理后的冻土区域的日均累计温度序列，其中所述日均累计温度序列包括归一化处理后的冻结区间的日均累计温度ADDT和解冻区间的日均累积温度ADDF。
步骤104：根据所述时间形变序列和所述日均累计温度序列，通过分段高程模型，估计并根据所述冻土区域的长期形变速率和季节性形变振幅，得到所述冻土区域的长期形变和季节性形变。
本实施例中，根据步骤102获取的冻土区域的时间形变序列和步骤103中获取的归一化的冻土区域的日均累计温度序列，通过分段高程模型估计其长期形变速率和季节性形变振幅，其中，分段高程模型如下所示：
其中，D(t)为优化差分干涉图在t时刻的形变，V是长期形变速率，S是季节性形变的振幅，c是常数。
本实施例中，将获取的长期形变速率与时间进行积分，得到冻土区域的长期形变；将获取的季节性形变的振幅与归一化的日均累计温度序列进行乘积计算，得到冻土区域的季节性形变。
本实施例中，通过无假设方法直接解算的冻土区域的时间形变序列，进而结合归一化的日均累积温度序列，估算冻土长期形变速率和季节性振幅，相比现有技术，无需通过冻土形变模型来假设，使得估计的冻土区域的长期形变速率和季节性形变振幅更准确，且本实施例中的估计过程可操作性更强，便于应用。
参见图2，图2是本发明提供的一种冻土形变监测装置的一种实施例的结构示意图，如图2所示，该装置包括差分干涉图获取模块201、时间形变序列获取模块202、日均累计温度序列获取模块203和估计模块204，具体如下：
差分干涉图获取模块201，用于获取并根据冻土区域的多幅SAR影像图，得到第一数量的差分干涉图，并基于每幅差分干涉图对应的相干性，选取第二数量的高相干性差分干涉图。
时间形变序列获取模块202，用于获取所述多幅SAR影像图对应的大气产品，并基于所述大气产品对所述每幅高相干性差分干涉图进行校正处理，得到优化差分干涉图，同时根据所述优化差分干涉图的系数矩阵，通过预设公式计算所述冻土区域的时间形变序列；
日均累计温度序列获取模块203，用于获取并对预处理后的所述冻土区域的地表温度产品数据进行插值处理，得到所述冻土区域的日均温度数据，并基于所述日均温度数据，获取所述冻土区域的解冻时间区间和冻结时间区间，分别计算所述解冻时间区间和所述冻结时间区间对应的日均累积温度，并对所述日均累积温度进行归一化处理，得到日均累计温度序列；
估计模块204，用于根据所述时间形变序列和所述日均累计温度序列，通过分段高程模型，估计并根据所述冻土区域的长期形变速率和季节性形变振幅，得到所述冻土区域的长期形变和季节性形变。
本实施例中，所述时间形变序列获取模块202，用于获取所述多幅SAR影像图对应的大气产品，并基于所述大气产品对所述每幅高相干性差分干涉图进行校正处理，具体的：所述时间形变序列获取模块202，用于根据所述多幅SAR影像图的获取时间，获取所述多幅SAR影像图对应的大气产品，并对每个大气产品进行裁剪和编码处理，得到相对应的第一大气改正产品，并基于预设公式，得到每个第一大气改正产品的第一大气改正相位；所述时间形变序列获取模块202，用于获取所述每幅高相干性差分干涉图对应的第二大气改正产品，并对所述第二大气改正产品进行差分处理，得到所述每幅高相干性差分干涉图的第二大气改正相位，并基于所述第二大气改正相位，对所述每幅高相干性差分干涉图进行大气误差校正处理；所述时间形变序列获取模块202，用于基于迭代二次曲面拟合模型获取所述每幅高相干性差分干涉图对应的长波趋势误差，并对所述每幅高相干性差分干涉图进行长波趋势误差校正处理。
本实施例中，日均累计温度序列获取模块203，用于对所述冻土区域的地表温度产品数据进行预处理，具体为：所述日均累计温度序列获取模块203，用于获取所述冻土区域的地表温度产品数据，其中，所述地表温度产品数据包括每日地表温度产品数据和8日地表温度产品数据；所述日均累计温度序列获取模块203，用于分别获取所述每日地表温度产品数据和所述8日地表温度产品数据对应的白天温度数据和晚上温度数据；所述日均累计温度序列获取模块203，用于对所述白天温度数据和所述晚上温度数据进行有效值提取，分别得到所述白天温度数据和所述晚上温度数据的有效值，并分别计算所述白天温度数据和所述晚上温度数据的有效值的均值。
本实施例中，差分干涉图获取模块201，用于获取并根据冻土区域的多幅SAR影像图，得到第一数量的差分干涉图，并基于每幅差分干涉图对应的相干性，选取第二数量的高相干性差分干涉图，具体为：所述差分干涉图获取模块201，用于获取所述冻土区域的多幅SAR影像图，并将所述多幅SAR影像图配准到同一坐标系下，通过设置时空基线，得到第一数量的差分干涉图及其对应的相干图；所述差分干涉图获取模块201，用于根据所述相干图，获取每幅差分干涉图对应的相干性，并根据所述相干性，选取第二数量的高相干性差分干涉图，其中，所述第二数量不大于所述第一数量。
所属领域的技术人员可以清楚的了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不在赘述。
需要说明的是，上述冻土形变监测装置的实施例仅仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
在上述的冻土形变监测方法的实施例的基础上，本发明另一实施例提供了一种冻土形变监测终端设备，该冻土形变监测终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时，实现本发明任意一实施例的冻土形变监测方法。
示例性的，在这一实施例中所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述冻土形变监测终端设备中的执行过程。
所述冻土形变监测终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述冻土形变监测终端设备可包括，但不仅限于，处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field－Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述冻土形变监测终端设备的控制中心，利用各种接口和线路连接整个冻土形变监测终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述冻土形变监测终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据手机的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在上述冻土形变监测方法的实施例的基础上，本发明另一实施例提供了一种存储介质，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时，控制所述存储介质所在的设备执行本发明任意一实施例的冻土形变监测方法。
在这一实施例中，上述存储介质为计算机可读存储介质，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read－OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
综上，本发明提供的一种冻土形变监测方法、装置、设备及存储介质，通过获取并根据冻土区域的多幅SAR影像图，得到第一数量的差分干涉图，并基于每幅差分干涉图对应的相干性，选取第二数量的高相干性差分干涉图；获取所述多幅SAR影像图对应的大气产品，并基于所述大气产品对每幅高相干性差分干涉图进行校正处理，得到优化差分干涉图，同时根据所述优化差分干涉图的系数矩阵，通过预设公式计算所述冻土区域的时间形变序列；获取并对预处理后的所述冻土区域的地表温度产品数据进行插值处理，得到所述冻土区域的日均温度数据，并基于所述日均温度数据，获取所述冻土区域的解冻时间区间和冻结时间区间，分别计算所述解冻时间区间和所述冻结时间区间对应的日均累积温度，并对所述日均累积温度进行归一化处理，得到日均累计温度序列；根据所述时间形变序列和所述日均累计温度序列，通过分段高程模型，估计并根据所述冻土区域的长期形变速率和季节性形变振幅，得到所述冻土区域的长期形变和季节性形变。与现有技术相比，本申请提供的技术方案提高了冻土区域形变监测结果的准确性，同时提高监测效率。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。
Claims (10)
1.一种冻土形变监测方法，其特征在于，包括：
获取并根据冻土区域的多幅SAR影像图，得到第一数量的差分干涉图，并基于每幅差分干涉图对应的相干性，选取第二数量的高相干性差分干涉图；
获取所述多幅SAR影像图对应的大气产品，并基于所述大气产品对每幅高相干性差分干涉图进行校正处理，得到优化差分干涉图，同时根据所述优化差分干涉图的系数矩阵，通过预设公式计算所述冻土区域的时间形变序列；
获取并对预处理后的所述冻土区域的地表温度产品数据进行插值处理，得到所述冻土区域的日均温度数据，并基于所述日均温度数据，获取所述冻土区域的解冻时间区间和冻结时间区间，分别计算所述解冻时间区间和所述冻结时间区间对应的日均累积温度，并对所述日均累积温度进行归一化处理，得到日均累计温度序列；
根据所述时间形变序列和所述日均累计温度序列，通过分段高程模型，估计并根据所述冻土区域的长期形变速率和季节性形变振幅，得到所述冻土区域的长期形变和季节性形变。
2.如权利要求1所述的一种冻土形变监测方法，其特征在于，所述获取所述多幅SAR影像图对应的大气产品，并基于所述大气产品对每幅高相干性差分干涉图进行校正处理，具体的：
根据所述多幅SAR影像图的获取时间，获取所述多幅SAR影像图对应的大气产品，并对每个大气产品进行裁剪和编码处理，得到相对应的第一大气改正产品，并基于预设公式，得到每个第一大气改正产品的第一大气改正相位；
获取所述每幅高相干性差分干涉图对应的第二大气改正产品，并对所述第二大气改正产品进行差分处理，得到所述每幅高相干性差分干涉图的第二大气改正相位，并基于所述第二大气改正相位，对所述每幅高相干性差分干涉图进行大气误差校正处理；
同时，基于迭代二次曲面拟合模型获取所述每幅高相干性差分干涉图对应的长波趋势误差，并对所述每幅高相干性差分干涉图进行长波趋势误差校正处理。
3.如权利要求1所述的一种冻土形变监测方法，其特征在于，对所述冻土区域的地表温度产品数据进行预处理，具体为：
获取所述冻土区域的地表温度产品数据，其中，所述地表温度产品数据包括每日地表温度产品数据和8日地表温度产品数据；
分别获取所述每日地表温度产品数据和所述8日地表温度产品数据对应的白天温度数据和晚上温度数据；
对所述白天温度数据和所述晚上温度数据进行有效值提取，分别得到所述白天温度数据和所述晚上温度数据的有效值，并分别计算所述白天温度数据和所述晚上温度数据的有效值的均值。
4.如权利要求1所述的一种冻土形变监测方法，其特征在于，所述获取并根据冻土区域的多幅SAR影像图，得到第一数量的差分干涉图，并基于每幅差分干涉图对应的相干性，选取第二数量的高相干性差分干涉图，具体为：
获取所述冻土区域的多幅SAR影像图，并将所述多幅SAR影像图配准到同一坐标系下，通过设置时空基线，得到第一数量的差分干涉图及其对应的相干图；
根据所述相干图，获取每幅差分干涉图对应的相干性，并根据所述相干性，选取第二数量的高相干性差分干涉图，其中，所述第二数量不大于所述第一数量。
5.一种冻土形变监测装置，其特征在于，包括：差分干涉图获取模块、时间形变序列获取模块、日均累计温度序列获取模块和估计模块；
其中，所述差分干涉图获取模块，用于获取并根据冻土区域的多幅SAR影像图，得到第一数量的差分干涉图，并基于每幅差分干涉图对应的相干性，选取第二数量的高相干性差分干涉图；
所述时间形变序列获取模块，用于获取所述多幅SAR影像图对应的大气产品，并基于所述大气产品对每幅高相干性差分干涉图进行校正处理，得到优化差分干涉图，同时根据所述优化差分干涉图的系数矩阵，通过预设公式计算所述冻土区域的时间形变序列；
所述日均累计温度序列获取模块，用于获取并对预处理后的所述冻土区域的地表温度产品数据进行插值处理，得到所述冻土区域的日均温度数据，并基于所述日均温度数据，获取所述冻土区域的解冻时间区间和冻结时间区间，分别计算所述解冻时间区间和所述冻结时间区间对应的日均累积温度，并对所述日均累积温度进行归一化处理，得到日均累计温度序列；
所述估计模块，用于根据所述时间形变序列和所述日均累计温度序列，通过分段高程模型，估计并根据所述冻土区域的长期形变速率和季节性形变振幅，得到所述冻土区域的长期形变和季节性形变。
6.如权利要求5所述的一种冻土形变监测装置，其特征在于，所述时间形变序列获取模块，用于获取所述多幅SAR影像图对应的大气产品，并基于所述大气产品对每幅高相干性差分干涉图进行校正处理，具体的：
所述时间形变序列获取模块，用于根据所述多幅SAR影像图的获取时间，获取所述多幅SAR影像图对应的大气产品，并对每个大气产品进行裁剪和编码处理，得到相对应的第一大气改正产品，并基于预设公式，得到每个第一大气改正产品的第一大气改正相位；
所述时间形变序列获取模块，用于获取所述每幅高相干性差分干涉图对应的第二大气改正产品，并对所述第二大气改正产品进行差分处理，得到所述每幅高相干性差分干涉图的第二大气改正相位，并基于所述第二大气改正相位，对所述每幅高相干性差分干涉图进行大气误差校正处理；
所述时间形变序列获取模块，用于基于迭代二次曲面拟合模型获取所述每幅高相干性差分干涉图对应的长波趋势误差，并对所述每幅高相干性差分干涉图进行长波趋势误差校正处理。
7.如权利要求5所述的一种冻土形变监测装置，其特征在于，所述日均累计温度序列获取模块，用于对所述冻土区域的地表温度产品数据进行预处理，具体为：
所述日均累计温度序列获取模块，用于获取所述冻土区域的地表温度产品数据，其中，所述地表温度产品数据包括每日地表温度产品数据和8日地表温度产品数据；
所述日均累计温度序列获取模块，用于分别获取所述每日地表温度产品数据和所述8日地表温度产品数据对应的白天温度数据和晚上温度数据；
所述日均累计温度序列获取模块，用于对所述白天温度数据和所述晚上温度数据进行有效值提取，分别得到所述白天温度数据和所述晚上温度数据的有效值，并分别计算所述白天温度数据和所述晚上温度数据的有效值的均值。
8.如权利要求5所述的一种冻土形变监测装置，其特征在于，所述差分干涉图获取模块，用于获取并根据冻土区域的多幅SAR影像图，得到第一数量的差分干涉图，并基于每幅差分干涉图对应的相干性，选取第二数量的高相干性差分干涉图，具体为：
所述差分干涉图获取模块，用于获取所述冻土区域的多幅SAR影像图，并将所述多幅SAR影像图配准到同一坐标系下，通过设置时空基线，得到第一数量的差分干涉图及其对应的相干图；
所述差分干涉图获取模块，用于根据所述相干图，获取每幅差分干涉图对应的相干性，并根据所述相干性，选取第二数量的高相干性差分干涉图，其中，所述第二数量不大于所述第一数量。
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至4任意一项所述的冻土形变监测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至4中任意一项所述的冻土形变监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210183255.0A CN114563787A (zh) | 2022-02-25 | 2022-02-25 | 一种冻土形变监测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210183255.0A CN114563787A (zh) | 2022-02-25 | 2022-02-25 | 一种冻土形变监测方法、装置、设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114563787A true CN114563787A (zh) | 2022-05-31 |
Family
ID=81715020
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210183255.0A Pending CN114563787A (zh) | 2022-02-25 | 2022-02-25 | 一种冻土形变监测方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114563787A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114966692A (zh) * | 2022-07-19 | 2022-08-30 | 之江实验室 | 基于Transformer的InSAR技术冻土区多变量时序形变预测方法及装置 |
| CN115540788A (zh) * | 2022-11-08 | 2022-12-30 | 中南大学 | 多年冻土活动层厚度估算方法 |
| CN115685187A (zh) * | 2022-07-08 | 2023-02-03 | 中山大学 | 一种高集成度便携式mimo形变监测雷达装置、校正方法 |
| CN116242782A (zh) * | 2023-02-14 | 2023-06-09 | 中国科学院西北生态环境资源研究院 | 多年冻土监测方法、装置、存储介质及监测设备 |
| CN116597226A (zh) * | 2023-05-30 | 2023-08-15 | 武汉工程大学 | 一种多年冻土InSAR时序趋势预测的方法 |
| CN117574493A (zh) * | 2023-11-13 | 2024-02-20 | 中国公路工程咨询集团有限公司 | 一种多年冻土地区高速公路冻土范围形变识别方法及系统 |
-
2022
- 2022-02-25 CN CN202210183255.0A patent/CN114563787A/zh active Pending
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115685187A (zh) * | 2022-07-08 | 2023-02-03 | 中山大学 | 一种高集成度便携式mimo形变监测雷达装置、校正方法 |
| CN115685187B (zh) * | 2022-07-08 | 2023-10-13 | 中山大学 | 一种高集成度便携式mimo形变监测雷达装置、校正方法 |
| CN114966692A (zh) * | 2022-07-19 | 2022-08-30 | 之江实验室 | 基于Transformer的InSAR技术冻土区多变量时序形变预测方法及装置 |
| CN114966692B (zh) * | 2022-07-19 | 2022-11-08 | 之江实验室 | 基于Transformer的InSAR技术冻土区多变量时序形变预测方法及装置 |
| CN115540788A (zh) * | 2022-11-08 | 2022-12-30 | 中南大学 | 多年冻土活动层厚度估算方法 |
| CN115540788B (zh) * | 2022-11-08 | 2023-08-29 | 中南大学 | 联合多轨道InSAR形变观测和未冻水含量的活动层厚度估算方法 |
| CN116242782A (zh) * | 2023-02-14 | 2023-06-09 | 中国科学院西北生态环境资源研究院 | 多年冻土监测方法、装置、存储介质及监测设备 |
| CN116242782B (zh) * | 2023-02-14 | 2023-11-07 | 中国科学院西北生态环境资源研究院 | 多年冻土监测方法、装置、存储介质及监测设备 |
| CN116597226A (zh) * | 2023-05-30 | 2023-08-15 | 武汉工程大学 | 一种多年冻土InSAR时序趋势预测的方法 |
| CN116597226B (zh) * | 2023-05-30 | 2024-06-04 | 武汉工程大学 | 一种多年冻土InSAR时序趋势预测的方法 |
| CN117574493A (zh) * | 2023-11-13 | 2024-02-20 | 中国公路工程咨询集团有限公司 | 一种多年冻土地区高速公路冻土范围形变识别方法及系统 |
| CN117574493B (zh) * | 2023-11-13 | 2024-05-28 | 中国公路工程咨询集团有限公司 | 一种多年冻土地区高速公路冻土范围形变识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114563787A (zh) | 一种冻土形变监测方法、装置、设备及存储介质 | |
| US11333796B2 (en) | Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data | |
| Li et al. | SinoLC-1: the first 1-meter resolution national-scale land-cover map of China created with the deep learning framework and open-access data | |
| Ge et al. | Modeling alpine grassland cover based on MODIS data and support vector machine regression in the headwater region of the Huanghe River, China | |
| Yuan et al. | Reprocessing the MODIS Leaf Area Index products for land surface and climate modelling | |
| CN106897707B (zh) | 基于多源中分的特征影像时间序列合成方法及装置 | |
| Ermolaev et al. | Automated construction of the boundaries of basin geosystems for the Volga Federal District | |
| CN110163303B (zh) | 一种基于格网的遥感影像并行分类方法及系统 | |
| CN111829957A (zh) | 基于无人机多光谱遥感反演冬小麦植株含水率系统及方法 | |
| CN114140591A (zh) | 一种结合机器学习和地统计的土壤有机质遥感制图方法 | |
| CN114998213B (zh) | 一种基于径流权值模型的湖库群滞洪量计算方法 | |
| CN110852474B (zh) | 一种基于决策树算法的陆地水储量预测方法、装置及设备 | |
| CN114387531B (zh) | 一种基于改进地理加权回归模型的地表温度降尺度方法 | |
| Hirahara et al. | Cloud-free sea-surface-temperature image reconstruction from anomaly inpainting network | |
| CN106599548B (zh) | 陆面蒸散发遥感估算的时空尺度匹配方法及装置 | |
| Zhao et al. | A robust and adaptive spatial-spectral fusion model for PlanetScope and Sentinel-2 imagery | |
| CN113237554B (zh) | 云下地表温度图像生成方法、装置和终端设备 | |
| Lang et al. | A machine learning-based method for downscaling all-sky downward surface shortwave radiation over complex terrain | |
| CN112285808B (zh) | 一种aphrodite降水数据的降尺度方法 | |
| CN114462579A (zh) | 一种基于地形和遥感数据的土壤有机碳含量估测方法 | |
| Wang et al. | Virtual image-based cloud removal for Landsat images | |
| CN117523404A (zh) | 一种堆土场动态变化监测方法、装置、终端及存储介质 | |
| CN116824371B (zh) | 生态保护红线植被异常快速监测方法和装置 | |
| Latif et al. | Preprocessing of low-resolution time series contaminated by clouds and shadows | |
| Chen et al. | A greedy-based multiquadric method for LiDAR-derived ground data reduction |
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 |