CN114966692A - 基于Transformer的InSAR技术冻土区多变量时序形变预测方法及装置 - Google Patents
基于Transformer的InSAR技术冻土区多变量时序形变预测方法及装置 Download PDFInfo
- Publication number
- CN114966692A CN114966692A CN202210844540.2A CN202210844540A CN114966692A CN 114966692 A CN114966692 A CN 114966692A CN 202210844540 A CN202210844540 A CN 202210844540A CN 114966692 A CN114966692 A CN 114966692A
- Authority
- CN
- China
- Prior art keywords
- deformation
- time sequence
- frozen soil
- insar
- model
- 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.)
- Granted
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
- G01S13/89—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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Physics & Mathematics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公布了一种基于Transformer的InSAR技术多年冻土区多变量时序形变预测方法,包括:获取冻土区时序SAR图像进行预处理和差分干涉流程并构建InSAR形变模型;进行多时相InSAR数据处理,得到多维时序形变数据;对多维时序形变数据进行滤波平滑处理,根据现有冻土分布图和聚类分析提取出不同冻土区时序形变结果;建立基于不同冻土区的时序形变数据和地表、日空气温度数据、土壤含水量的多变量时序Tranformer预测模型;对该模型进行训练,并对不同类型冻土区的形变规律进行预测和获取InSAR时序形变预测结果。本发明能够实现多年冻土区不同冻土类型时序形变有效预测,具有形变预测范围大,预测精度高等优势,可应用于多变量InSAR时序形变预测,填补了多年冻土区时序形变预测的空白。
Description
技术领域
本发明涉及多年冻土区InSAR地表形变监测领域技术领域,特别涉及一种基于Transformer的InSAR技术冻土区多变量时序形变预测方法及装置。
背景技术
地表形变能直接反映冻土的冻融和退化等过程,雷达干涉测量(InSAR)的多时相InSAR技术(MT-InSAR)为复杂冻土区快速精细化的形变反演提供了技术手段。InSAR技术反演的季节性形变和长期形变有助于监测冻土的季节性冻融过程和开展广域冻土形变调查。目前国内外研究人员已经论证了MT-InSAR技术在广域冻土区形变监测和非连续多年冻土区形变探测以及冻土退化监测等方面的潜力。
时间序列预测是时间序列数据建模中的一项重要任务,也是深度学习的一个重要领域。基于深度学习网络的InSAR时序形变预测是近几年发展的新方向,现有技术(Chen Y,He Y, Zhang L, et al. Prediction of InSAR deformation time-series using along short-term memory neural network[J]. International Journal of RemoteSensing, 2021, 42(18): 6919-6942)利用长短期记忆(LSTM)网络建立了时序InSAR形变预测模型,并与多层感知器和递归神经网络的预测结果进行了比较,表明LSTM网络具有较好的预测性能。现有技术(Ma P, Zhang F, Lin H. Prediction of InSAR time-seriesdeformation using deep convolutional neural networks[J]. Remote SensingLetters, 2020, 11(2): 137-145)提出了一种基于深度卷积神经网络(DCNN)的方法来预测InSAR的短期时序形变图。证明了深度学习技术在InSAR时序形变预测的应用潜力。形变预测为监测复杂冻土区的季节性冻融循环过程和定量评估冻土退化趋势提供了重要信息,同时它提供的早期预警信息提高了冻土区基础设施和热融滑塌等地质灾害安全监测能力。公开号为CN110333494A的发明专利,提供了一种基于深度卷积神经网络模型InSAR时序形变预测方法、系统及相关装置,其技术方案利用InSAR技术时序形变量基于深度卷积神经网络模型根据获取目标的历史形变数据可预测时序形变,该网络融合了U-Net模型和DenseNet模型的特点。
综上所述,上述研究还存在以下问题:(1)形变预测模型无法捕捉时间步长和多个时间序列之间复杂的非线性依赖关系,因而无法准确预测时序形变;(2)没有将其他形变过程有关的影响因素如温度、降水量、土壤含水量等外部数据的时序特征加入到模型中,因此这些模型不适用于冻土形变的动态周期模式或非周期模式的时间序列;(3)上述时序形变预测模型训练的数据集为时序InSAR形变量,没有耦合其他冻土的气象水文相关数据集,且该模型对于建模InSAR长期时序特征的能力较差。(4)国内外研究人员鲜有开展基于深度学习网络的MT-InSAR技术在广域冻土区季节性冻融循环过程的形变预测研究。
发明内容
本发明的目的在于提供一种基于Transformer的InSAR技术冻土区多变量时序形变预测方法及装置,填补InSAR技术在复杂冻土区形变预测空白,提高了冻土区形变预测的精度,同时为冻土区的地质灾害预防提供预警决策信息。
为实现上述目的,本发明提供如下技术方案:
本发明公开了一种基于Transformer的InSAR技术冻土区多变量时序形变预测方法,包括如下步骤:
S1、获取多年冻土区时序SAR图像数据集进行InSAR预处理和差分干涉处理,并构建冻土区InSAR形变模型;
S2、根据S1构建的冻土区InSAR形变模型进行MT-InSAR数据处理,得到时序InSAR形变数据集;
S3、对S2的时序InSAR形变数据集进行滤波和聚类分析并根据现有的冻土分布图对冻土形变区域进行分类,提取分类后不同类别冻土区时序InSAR形变数据集;
S4、根据S3中得到的不同类别冻土区时序InSAR形变数据集建立与地表和日空气温度数据、土壤含水量的多维时序Transformer预测模型;
S5、对S4中的多维时序Transformer预测模型进行多变量网络模型训练,得到训练好的Transformer模型,并使用训练好的Transformer模型对S3中分类的不同冻土形变区域进行形变预测,得到不同冻土形变区域的InSAR时序形变预测结果。
作为优选,步骤S1具体包括如下子步骤:
S11、在多年冻土区时序SAR图像数据集进行预处理和差分干涉处理后,构建InSAR差分干涉相位的形变模型;
S12、根据冻土区季节性形变冻融特征,构建基于温度归一化冻融指数的冻土区InSAR形变模型;
作为优选,步骤S2具体包括如下子步骤:
S21、构建包含由冻土区InSAR形变模型的冻土形变项、大气相位项、地形相位项、轨道误差相位项、残余噪声相位项的InSAR模型相位方程;
S22、根据S1中多年冻土区时序SAR图像数据由定阈值选取相干性高的点构建Delauany三角网,并根据S21中的InSAR模型相位方程对每个Delauany三角网的每条边组成二次差分相位模型,并采用最小二乘算法求解每个Delauany三角网的边的相对形变参数;
S23、根据S22求解的每个Delauany三角网的边的相对形变参数利用加权岭估计算法,并根据绝对形变参数与相对形变参数的转换关系式完成Delauany三角网中每个测量点的绝对形变参数的求解;
S24、利用S23求解测量点的绝对形变参数减去冻土形变项和DEM误差即可得到残余相位,再进行相位解缠求解出每个干涉对的解缠干涉图,对解缠后的残余相位利用时空域滤波实现大气相位的估计,将模型相位减去大气相位即可得到非线性形变相位,与形变相位相加即可得到冻土区的时序形变量数据。
作为优选,步骤S3具体包括如下子步骤:
S31、对S2的时序InSAR形变数据集采用滤波算法进行平滑预处理,得到初始时序形变量;
S32、根据现有的冻土分类图,提取出多年冻土区、季节性冻土区、非冻土区的时序InSAR形变数据集;
S33、对季节性冻土区和多年冻土区的时序InSAR数据集采用非监督迭代自组织聚类算法聚类出不同类别冻土区时序InSAR形变数据集。
作为优选,步骤S4具体包括如下子步骤:
S41、获得S3的不同类别冻土区时序InSAR形变数据集后,并获取不同冻土区对应的日空气、地表温度和土壤含水量数据;
S42、对不同冻土区的时序InSAR形变数据集分别建立Transformer模型,具体包括,
S421、对季节性冻土区和多年冻土区,将地表形变就呈现出周期性的冻胀抬升和融化沉降归为一类,同时结合该冻土区对应的日空气、地表温度和土壤含水量数据集作为变量输入,建立多变量Transformer模型。
S422、对多年冻土区中呈现出无规律逐年下降趋势的形变规律归为一类,同时结合该冻土区对应的日空气、地表温度和土壤含水量数据集作为变量输入,建立多变量Transformer模型。
S423、对多年冻土区中呈现出沉降量有规律的逐年增大趋势的形变规律归为一类,同时结合该冻土区对应的日空气地表温度和土壤含水量数据集作为变量输入,建立多变量Transformer模型。
作为优选,步骤S5具体包括如下子步骤:
S51、对多年冻土区时序SAR图像数据集构建训练集和测试集,进行Transformer训练得到训练好权重;
S52、利用训练的权重对InSAR时序形变量进行预测,预测结果为高相干点的时序数据集,经过地理编码即可得到冻土区时间序列的形变结果图。
本发明还公开了一种基于Transformer的InSAR技术多年冻土区多变量时序形变预测装置,包括存储器和一个或多个处理器,所述存储器中存储有可执行代码,所述一个或多个处理器执行所述可执行代码时,用于实现上述的一种基于Transformer的InSAR技术冻土区多变量时序形变预测方法。
本发明还公开了一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现上述的一种基于Transformer的InSAR技术冻土区多变量时序形变预测方法。
本发明的有益效果:
1、本发明填补InSAR技术在复杂冻土区形变预测空白,同时提高了冻土区形变预测的精度。2、本发明提供的基于Transformer的InSAR技术多年冻土区多变量时序形变预测方法为冻土区的地质灾害预防提供了预警决策信息,也为实时监测复杂冻土区的季节性冻融循环过程和和环境因素的位移响应提供了理论依据。3、本发明的基于Transformer的InSAR技术多年冻土区多变量时序形变预测方法对于评估多年冻土季节变化和加强对多年冻土区的退化趋势定量评估研究至关重要。
本发明的特征及优点将通过实施例结合附图进行详细说明。
附图说明
图1为本发明实施例基于Transformer的InSAR技术多年冻土区多变量时序形变预测方法图;
图2是本发明实施例不同冻土区某高相干点的时序InSAR形变示意图;
图3是本发明实施例的基于Transformer网络结构示意图;
图4为本发明选取的部分高相干点时序InSAR形变预测值与MT-InSAR求解的形变值得对比示意图;
图5为研究区某一盐湖附近基于Transformer网络潜在退化冻土区的20景时序形变预测结果图;
图6为研究区某一盐湖附近点A基于不同预测形变模型的时序形变预测曲线图;
图7是本发明一种基于Transformer的InSAR技术多年冻土区多变量时序形变预测装置的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明了,下面通过附图及实施例,对本发明进行进一步详细说明。但是应该理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限制本发明的范围。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
本发明的基于Transformer的InSAR技术多年冻土区多变量时序形变预测方法,包括如下步骤:
S1. 获取多年冻土区时序SAR图像数据集,并进行InSAR干涉预处理构建冻土区InSAR形变模型;
在一种可行的实施例中:步骤S1具体包括如下子步骤:
S11、在多年冻土区时序SAR图像数据集进行预处理和差分干涉处理后,构建InSAR差分干涉相位的形变模型;
S12、根据冻土区季节性形变冻融特征,构建基于温度归一化冻融指数的冻土区InSAR形变模型;
对于步骤S1中,具体流程包括:数据导入、图像配准、条带拼接,最优干涉对选取,地形和平地相位的生成,差分干涉图生成。
具体的,在SAR数据完成导入后,选择一个主图像进行图像配准,图像配准方法可采用基于相关运算的配准方法和几何配准方法,以及方位向偏移精确校正的增强谱分集配准方法。对于条带模式或者TOPS模式的SAR数据可进行条带拼接。为了减少长基线导致的时空去相干影响,最优干涉对选取方法首先采用小基线时空基线阈值法筛选,然后利用相干系数估计算法再进行选择,若出现孤立的干涉对,应适当补充缺失的干涉对。接着利用外部DEM模拟平地和地形相位,进行差分干涉处理生成差分干涉图。
对于冻土区的形变参数反演,在进行MT-InSAR处理前,先根据复杂冻土区季节性形变冻融特征,构建基于温度归一化冻融指数的InSAR形变模型,该形变模型主要由线性形变和季节性形变两部分组成,即将冻土形变过程建模为由活动层融化沉降引起的季节性形变和多年冻土附近富含冰层融化引起的长期形变(线性形变),同时考虑冻胀因素和融沉因素并统一为冻融联合指数,具体模型如下:
式中,为从解冻开始任意时间t的累积形变量,为长期线性形变速率, 和分别为融化和冻胀开始时间,T为连续冻融年数,S表示季节性形变速率,为归一化的冻胀和融沉过程的指数,该参数与n因子、土壤含水量和土壤热导率有关。
S2. 根据构建的InSAR冻土形变模型进行MT-InSAR数据处理,得到时序InSAR形变数据集;
1.在一种可行的实施例中:步骤S2具体包括如下子步骤:
S21、构建包含由冻土区InSAR形变模型的冻土形变项、大气相位项、地形相位项、轨道误差相位项、残余噪声相位项的InSAR模型相位方程;
S22、根据S1中多年冻土区时序SAR图像数据由定阈值选取相干性高的点构建Delauany三角网,并根据S21中的InSAR模型相位方程对每个Delauany三角网的每条边组成二次差分相位模型,并采用最小二乘算法求解每个Delauany三角网的边的相对形变参数;
S23、根据S22求解的每个Delauany三角网的边的相对形变参数利用加权岭估计算法,并根据绝对形变参数与相对形变参数的转换关系式完成Delauany三角网中每个测量点的绝对形变参数的求解;
S24、利用S23求解测量点的绝对形变参数减去冻土形变项和DEM误差即可得到残余相位,再进行相位解缠求解出每个干涉对的解缠干涉图,对解缠后的残余相位利用时空域滤波实现大气相位的估计,将模型相位减去大气相位即可得到非线性形变相位,与形变相位相加即可得到冻土区的时序形变量数据。
对于步骤S2,具体流程包括:识别高相干的散射点,构建Delanury三角网,构建InSAR二次差分相位模型,相对形变参数求解,绝对形变参数求解,残余相位解缠,大气相位估计,时序形变量的生成。
选取高相干点构建Delauany三角网,根据二次差分相位模型可求解相对形变参数,见下式:
将上式简化为:
式中,为时域解缠相位,S为季节性形变速率(mm/yr),V为线性形变速率,为残余相对高程,,该参数为冻土的季节性形变特征影响因素,,该参数为冻土线性形变影响因素,若时序间隔少于1.4年,则忽略此项的影响。,该参数为残余相对高程的影响因素。为三角网边干涉测量相位差,为缠绕操作。
对于上述J的求解可采用最小二乘算法进行求解,
在完成绝对形变参数的求解后利用上述求解的绝对参数减去冻土形变项和DEM误差即可得到残余相位,之后进行残余相位解缠。
最后进行时序形变量的生成处理流程,首先进行奇异值分解(SVD)解算求出,然后通过大气相位时空域滤波估计出大气相位,减去大气相位后,得到非线性形变相位,加上上述估计的形变相位,即可获得时序形变量。
S3. 对S2的时序InSAR形变数据集进行滤波处理并根据现有的冻土分布图对冻土形变区域进行分类,并提取分类后不同冻土形变区域的时序形变结果;
在一种可行的实施例中:步骤S3具体包括如下子步骤:
S31、对S2的时序InSAR形变数据集采用滤波算法进行平滑预处理,得到初始时序形变量;
S32、根据现有的冻土分类图,提取出多年冻土区、季节性冻土区、非冻土区的时序InSAR形变数据集;
S33、对季节性冻土区和多年冻土区的时序InSAR数据集采用非监督迭代自组织聚类算法聚类出不同类别冻土区时序InSAR形变数据集。
对上述解算的时序InSAR形变数据集采用Savitzky Golay(SG)滤波算法进行平滑预处理,得到初始时序形变量。并根据国家青藏高原可续数据中心下载的冻土分类图,提取出多年冻土区、季节性冻土区、非冻土区的时序InSAR形变数据集。
然后对季节性冻土区和多年冻土区的数据集采用非监督迭代自组织(ISODATA)聚类方法聚类出不同类别冻土区时序InSAR形变数据集,具体流程为第一步赋任意初始值为聚类中心,计算每个时序像素至聚类中心的欧式距离,找到距离它最近的聚类中心,归为该类,然后重新计算聚类族群的平均距离中心,确定新的聚类中心,重复上述步骤直至迭代终止,上述还包含聚类族群的拆分与合并,在迭代过程自动调整聚类的数量,最终聚类出冻土区时序InSAR形变数据集。
经过上述聚类分析后,季节性冻土形变规律呈现出周期性的冻胀抬升和融化沉降,类似于为正余弦形式,将该类归为季节性冻土的季节性变化区,多年冻土区也会出现像季节性冻土的形变规律,将该类归为多年冻土的季节性变化区,其中对多年冻土区形变规律呈现出无规律逐年下降或逐年上升,类似于线性形式,将该类归为多年冻土的长期变化区。其中对多年冻土区形变规律呈现出逐年下降趋势,且沉降量逐年增大,变现为冻土退化的趋势,将该类归为多年冻土的年际变化区。对于其他形变规律类型的冻土区统一归为一类,将该类归为冻土的复杂变化区。
S4. 将S3中得到的不同冻土形变区域的时序形变数据建立与地表和日空气温度数据、土壤含水量的多维时序Transformer预测模型;
在一种可行的实施例中,步骤S4具体包括如下子步骤:
S41、获得S3的不同类别冻土区时序InSAR形变数据集后,并获取不同冻土区对应的日空气、地表温度和土壤含水量数据;
S42、对不同冻土区的时序InSAR形变数据集分别建立Transformer模型,具体包括,
S421、对季节性冻土区和多年冻土区,将地表形变就呈现出周期性的冻胀抬升和融化沉降归为一类,同时结合该冻土区对应的日空气、地表温度和土壤含水量数据集作为变量输入,建立多变量Transformer模型。
S422、对多年冻土区中呈现出无规律逐年下降趋势的形变规律归为一类,同时结合该冻土区对应的日空气、地表温度和土壤含水量数据集作为变量输入,建立多变量Transformer模型。
S423、对多年冻土区中呈现出沉降量有规律的逐年增大趋势的形变规律归为一类,同时结合该冻土区对应的日空气地表温度和土壤含水量数据集作为变量输入,建立多变量Transformer模型;
获得上述不同冻土区的时序形变数据集后,使用ECMWF 综合预测系统模型的ERA5-Interim再分析数据获取研究区SAR图像采集时间所对应的日空气、地表温度和土壤含水量数据,从而构成多变量时序InSAR形变数据集。
具体的,获取不同冻土区InSAR时序形变数据集后,对InSAR时序形变图进行提取,即提取出每个高相干点的时序形变量信息,SAR坐标信息,SAR图像采集日期信息,并存为CSV格式。然后下载ECMWF 综合预测系统模型的ERA5-Interim再分析数据,根据研究区的经纬度信息和SAR图像采集日期提取出对应区域的日空气、地表温度和土壤含水量时序数据,加入到上述的CSV文件中,即每个高相干点的时序数据包括时序形变量、时序日空气温度数据、时序地表温度数据、时序土壤含水量;
对不同冻土区的时序形变数据分别建立Transformer模型,具体包括,
对季节性冻土的季节性变化区和多年冻土的季节性变化区,由于地表形变呈现出周期性的冻胀抬升和融化沉降,结合日空气、地表温度和土壤含水量数据集作为多变量输入,建立多变量Transformer时序预测模型。
对多年冻土的长期变化区形变规律呈现出无规律逐年下降趋势,这种形变发生的地区可能为石冰川地区或海拔较高的地区,结合日空气、地表温度和土壤含水量数据集作为变量输入,建立多变量Transformer时序预测模型。
对多年冻土的年际变化区形变规律呈现出沉降量有规律的逐年增大趋势,结合日空气地表温度和土壤含水量数据集作为变量输入,多变量Transformer时序预测模型。
最后对冻土的复杂变化区,由于形变复杂或者形变不明显,单独作为一类进行多变量Transformer时序预测模型训练。
S5. 对步骤S4中的Transformer预测模型进行多变量网络模型训练,得到训练好的Transformer模型,并使用训练好的模型对S3分类的不同冻土形变区域进行形变预测,得到不同冻土形变区域的InSAR时序形变预测结果;
在一种可行的实施例中,步骤S5具体包括如下子步骤:
S51、对多年冻土区时序SAR图像数据集构建训练集和测试集,进行Transformer训练得到训练好权重;
S52、利用训练的权重对InSAR时序形变量进行预测,预测结果为高相干点的时序数据集,经过地理编码即可得到冻土区时间序列的形变结果图
根据输入的不同冻土类型的时序InSAR形变数据集按比例划分为训练和测试数据集,并做归一化和标准化处理。首先将训练数据集加载到Transformer模型中进行模型训练,得到训练好的权重参数信息,之后使用测试数据集加载预训练好的权重参数信息,从而预测出SAR图像采集时间其他不同时刻对应的时序InSAR形变量信息。同时将预测的目标值与MT-InSAR数据处理值做对比分析。
上述预测出所有SAR坐标系下高相干点的时序InSAR形变量后,形成时序形变量图,进行地理编码从而得到地理坐标系下不同冻土区的时序形变量图。
实施例:
结合图1,本发明实施例提供了一种基于Transformer的InSAR技术多年冻土区多变量时序形变预测方法,包括S101到S105五个步骤:
S101:对获取的时序SAR数据进行预处理和InSAR技术差分干涉处理,并构建冻土区InSAR形变模型;
具体的,本申请实施例首先获取研究区(青藏高原五道梁至北麓河流域)时序SAR数据集,数据可为任何星载传感器的SAR数据。以本研究区获取的82景欧空局免费开源Sentinel-1图像进行说明,该图像数据集为IW模式的VV极化图像,降轨模式(轨道号150Frame 475),幅宽250km,距离向和方位向分辨率约为2.3m和13.9m,时间跨度为2017年3月17日至2020年3月29日。
其次对该时序Sentinel-1图像数据集进行预处理,包括Sentinel-1数据的导入,精轨文件的更新,Burst分割,去斜,几何配准,增强谱分集(ESD)配准,反去斜,Burst拼接,子带拼接。
具体的,将Sentinel-1数据导入生成二进制格式;利用精轨数据文件更新轨道参数信息;由于Sentinel-1数据组成为三个子条带,每个子带组成为8~10个Burst,不同Burst数据之间存在重叠与黑边,因此将每个子带的所有burst进行提取分割。接着对独立的Burst进行去斜处理,并估计出主辅图像的方位向和距离向的偏移量,这里采用几何配准方法。由于Sentinel-1数据在方位向配准精度需要达到千分之一,还需进行ESD配准,从而将所有辅图像重采样到主图像的框架下。在图像配准处理后,将上述去斜的相位进行重新补偿即反去斜操作。随后对配准好的burst的数据进行拼接,生成完整的子条带图像。对每个条带重复执行上述操作,即可完成三个条带的配准和Burst拼接流程,最终对三个独立的子条带进行拼接即可生成单视复数SLC格式数据。
然后进行差分干涉处理,计算干涉对的平地和地形相位,将两项相位减去生成差分干涉图,接着进行最优干涉对的选取,先采用小基线阈值法,即选择时间基线为50天,空间基线为100m来初步确定干涉对,接着再利用平均相干系数法来筛选平均相干系数在0.7以上的干涉对共计186个。
S102:根据上述构建的InSAR冻土形变模型进行MT-InSAR数据处理,得到时序InSAR形变数据集;
将上述生成的相干系数图选择相干性阈值在0.7以上的相干点和振幅离差阈值在3以上的PS点作为高相干点,并构建Delaunay三角网;根据三角网边上的两个相干点构建的InSAR二次差分相位模型。首先构建基于温度归一化冻融指数的InSAR形变模型,该形变模型主要由线性形变和季节性形变两部分组成,同时考虑冻胀因素和融沉因素并统一为冻融联合指数:
式中,为从解冻开始任意时间t的累积形变量,为长期线性形变速率, 和分别为融化和冻胀开始时间,它们可根据研究区时序温度数据来确定冻土融化和冻胀具体时间。T为连续冻融年数,S表示季节性形变速率,为归一化的冻胀和融沉过程的指数,可表示为:
式中,和分别表示累积解冻和冻胀日数均方根,该参数可由地面两米空气温度获得。为尺度因子。和为冻结和融化n因子(n-factor),用于表征冻土与大气圈之间能量的交换过程,该过程是冻土形成的主要原因,n因子求解见下式:
式中, 和 分别为地表温度和气温的度-日(℃·d)总值,和为地表温度和空气温度,为0℃点。和为地表温度和气温高于(融化)或低于(冻结)0℃的天数。对于冻土区土壤热导率和可根据与土壤含水量(SM)的模型求出,见下式:
上述的温度数据和土壤含水量可研究区范围选取对应SAR图像采集时间的ERA5-Interim再分析数据获得并求解。
时域解缠相位见下式:
式中,为时域解缠相位,S为季节性形变速率(mm/yr),V为线性形变速率,为残余相对高程,,该参数为冻土的季节性形变特征影响因素,,该参数为冻土线性形变影响因素。,该参数为残余相对高程的影响因素。为三角网边干涉测量相位差,为缠绕操作。
根据二次差分相位模型和时域解缠相位关系式采用最小二乘算法可求解出冻土区每个像素的相对形变参数。然后利用加权岭估计算法根据绝对形变参数与相对形变参数的关系求解绝对形变参数。其中相对与绝对形变参数转换关系式见下:
式中,为线性形变速率或季节性形变强度和高程误差相干点的绝对参数,G为相干点的边至点的转换矩阵,由0、1、-1组成,为权重的对角矩阵,对角线元素为边相干性,可作为相对参数估计的权重。岭估计引入了调节参数与单位矩阵I的乘积,通过减少条件数来改善调整矩阵的条件,从而使直接的数值解成为可能,完成绝对形变参数的求解。
利用上述求解的绝对参数减去冻土形变项和DEM误差即可得到残余相位,之后进行残余相位解缠。残余相位解缠采用最小费用流(MCF)方法进行求解出每个干涉对的解缠干涉图。对解缠后的残余相位利用空域的低频滤波和时域的高频滤波即可实现大气相位估计,减去大气相位即可得到非线性形变相位,将上述求解的线性形变相位相加,即可得到冻土区的时序形变量数据集。
S103:将时序InSAR数据集进行滤波和聚类分析,提取出不同冻土区的时序形变数据集;
上述得到时序InSAR形变量可能会存在噪声影响,如解缠误差、残余地形相位和大气相位误差,采用SG滤波算法对时序InSAR数据集进行平滑预处理,其中SG滤波的窗口长度选择7,多项式拟合阶数选择2,即得到初始时序形变量。
然后根据国家青藏高原可续数据中心下载的(赵林. (2019). 青藏高原新绘制冻土分布图(2017). 国家青藏高原科学数据中心, DOI: 10.11888/Geocry.tpdc.270468.CSTR: 18406.11.Geocry.tpdc.270468.)冻土分类图,提取出多年冻土区、季节性冻土区、非冻土区的时序InSAR形变数据集。同时剔除一些形变规律杂乱不明显的非冻土区的形变数据集。由于季节性冻土只有活动层,会发生季节性冻融循环,假设在冻土冻融循环过程中活动层中水分不流失,地表沉降完全是活动层里孔隙冰向水变化引起的,而在冻胀过程中,若水分不流失且没有其他地表径流混入水分,水分又完全转化为冰,因此季节性冻土区的地表时序形变就呈现出周期性的冻胀抬升和融化沉降的曲线,即形变幅度基本一致,类似于为正余弦形式,将该类归为季节性冻土的季节性变化区。
由于多年冻土区形变规律复杂,且时序InSAR形变数据集中存在着石冰川等复杂地物形变特征,因此对多年冻土区的数据集采用ENVI软件的ISODATA非监督聚类方法聚类出不同类别冻土区时序InSAR形变数据集,预期分类数选择3,最大迭代次数选择100次,变化阈值为5,最小类别数选择2,最大类别标准差为1.0,最大类别距离为5,迭代最多合并数为2,然后计算每个时序像素至聚类中心的欧式距离,找到距离它最近的聚类中心,归为该类,然后重新计算聚类族群的平均距离中心,确定新的聚类中心,重复上述步骤直至迭代终止,上述还包含聚类族群的拆分与合并,在迭代过程自动调整聚类的数量,最终聚类出多年冻土区时序InSAR形变数据集。
对于多年冻土区出现像季节性冻土的形变规律,将该类归为多年冻土的季节性变化区;对于多年冻土区形变规律呈现出无规律逐年下降或逐年上升,类似于线性形式,将该类归为多年冻土的长期变化区;对于多年冻土区形变规律呈现出逐年下降趋势,且沉降量逐年增大,变现为冻土退化的趋势,将该类归为多年冻土的年际变化区;对于其他形变规律类型的冻土区统一归为一类,将该类归为冻土的复杂变化区。
聚类出的多年冻土区时序形变曲线见图2,可呈现出无规律的逐年增大,即抬升现象,或呈现出无规律逐年下降趋势,这种形变发生的地区可能为石冰川地区或海拔较高的地区,或呈现出沉降量有规律的逐年增大趋势,将此种类型冻土暂划分为潜在退化多年冻土区,即表现活动层厚度增厚的现象。
通过上述聚类分析和滤波处理,即可得到多年冻土区和季节性冻土区的不同冻土类型的时序InSAR数据集。
S104:建立基于不同冻土区的InSAR时序形变数据与地表和日空气温度数据、土壤含水量的数据集,并构建多变量冻土区时序形变预测的Transformer模型;
获得上述不同冻土区的时序形变数据集后,下载ECMWF 综合预测系统模型的ERA5-Interim再分析数据获取研究区对应SAR图像采集时间的日空气、地表温度和土壤含水量数据,从而构成基于时序InSAR形变的多变量数据集。然后按照8:2比例划分为训练数据集和测试数据集,并做归一化和标准化处理。该数据集格式为CSV格式,具体时序数据集内容示例见表1:
表1
通过对不同冻土区的时序形变数据集分别建立Transformer模型,具体包括:
对季节性冻土的季节性变化区和多年冻土的季节性变化区,将地表形变就呈现出周期性的冻胀抬升和融化沉降归为一类,建立多变量Transformer时序预测模型。
对对多年冻土的长期变化区呈现出无规律逐年下降或抬升趋势,这种形变发生的地区可能为石冰川地区或海拔较高的地区,将此形变规律归为一类,建立多变量Transformer时序预测模型。
对多年冻土的年际变化区呈现出沉降量有规律的逐年增大趋势,将此形变规律归为一类,建立多变量Transformer时序预测模型。
对冻土的复杂变化区,由于形变规律复杂且不明显,单独作为一类进行多变量Transformer时序预测模型训练。
本发明实施例基于Transformer时序形变预测模型结构见图3,该模型基于原始Transformer架构,由编码器和解码器层构成。
结合图3,编码器(Encoder)由输入层(Input Layer)、位置编码层(Pos Encoding)和三个相同编码器层(Encoder Layer)组成。输入层通过全连接网络将输入时序数据映射为维度为D的向量,使用正余弦函数的位置编码对时序数据进行位置编码,然后产生的向量被送入三个编码器层。每个编码器层由两个子层组成:一个自注意力子层和一个全连接的前馈子层。并且每个子层后都有一个标准化层。最后编码器生成一个D维向量给解码器。
解码器(Decoder)采用了与原始Transformer架构类似的解码器设计。解码器包括输入层、三个相同的解码器层(Decoder Layer)和一个输出层。解码器输入从编码器输入的最后一个数据点开始。输入层将解码器输入映射到D维向量。除了每个编码器层中的三个子层之外,解码器还插入第四个子层,以便在编码器输出上应用自注意力机制。最后,还有一个输出层,它将最后一个解码器层的输出映射到目标时间序列数据。同时在解码器输入和目标输出之间加入一个前瞻遮挡和一个位置偏移以确保时间序列数据点的预测只依赖于之前的数据点。
S105:对步骤S104中Transformer预测模型进行多变量网络模型训练,并使用训练好的模型对不同冻土区的时序形变进行预测,最终得到不同冻土区的时序形变预测结果;
本次基于Transformer预测模型训练采用Pytorch框架,模型训练时的batch size大小设置为64,训练步长为1000。采取56景SAR数据的时序InSAR形变结果作为训练数据集来训练不同冻土类型的Transformer模型,预测未来20景时序InSAR形变结果,即选择20景时序InSAR形变结果作为验证数据集。即给定编码器输入为和解码器输入为,解码器的目标输出是。应用前瞻遮挡以确保只关注模型目标数据之前的数据点。
在训练过程中使用Adam优化器迭代地更新神经网络权重,具体参数为,,。在编码器和解码器中的子层即自注意力子层、前馈子层和标准化子层应用了dropout层,每个子层的dropout参数设置为0.2。最大学习率为0.0008、最小学习率为0.0005 ,初始训练时学习率从0线性增加到 0.0008,之后维持一段时间后呈指数衰减到最小学习率,损失函数使用均方误差损失函数。
在模型验证中,标记的测试数据也使用定长滑动窗口构建。利用训练好的Transformer模型进行超前预测。最终得到每个冻土类型的时序形变预测值。同时计算了InSAR实际的时序形变量和预测值之间的皮尔逊相关系数和均方根误差(RMSE)分别为0.929和0.615。图4显示了该研究区四个不同冻土分布区高相干点的预测结果图。图4中的a为季节性冻土区某相干点的预测结果,图4中的b为多年冻土区某相干点季节性趋势的预测结果,图4中的c为多年冻土区某相干点退化趋势的预测结果,图4中的d为多年冻土区某相干点逐年下降趋势的预测结果。
在模型训练时将时序InSAR形变量所有高相干点数据以SAR坐标标记形式形成csv格式的数据集,模型训练和测试后,再将所有高相干点进行地理编码并输出时序形变预测结果图,见图5,可发现该盐湖周围地区沉降量随着时间有逐渐增大的趋势,最大沉降量为50mm。
为了定量评估基于Transformer模型时序形变预测的精度,在图5上选择点A利用LSTM网络、循环神经网络(Recurrent Neural Network,RNN)与本发明的形变预测模型Transformer进行对比,不同模型的时序形变预测曲线见图6,可发现Transformer模型预测形变曲线最接近于原始目标输入值,效果最好。并使用平均绝对误差(MAE)、均方根误差(RMSE)、对称平均绝对百分比误差(SMAPE)来进行精度评价。表2为不同模型形变预测的精度指标对比,可发现本发明提出的Transformer模型各项指标相对于LSTM、RNN模型较低,预测精度较高,提高了InSAR形变预测的精度。
表2
本发明一种基于Transformer的InSAR技术冻土区多变量时序形变预测装置的实施例可以应用在任意具备数据处理能力的设备上,该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现,也可以通过硬件或者软硬件结合的方式实现。以软件实现为例,作为一个逻辑意义上的装置,是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言,如图7所示,为本发明一种基于Transformer的InSAR技术冻土区多变量时序形变预测装置所在任意具备数据处理能力的设备的一种硬件结构图,除了图7所示的处理器、内存、网络接口、以及非易失性存储器之外,实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能,还可以包括其他硬件,对此不再赘述。上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程,在此不再赘述。
对于装置实施例而言,由于其基本对应于方法实施例,所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元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发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时,实现上述实施例中的一种基于Transformer的InSAR技术冻土区多变量时序形变预测装置。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元,例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备,例如所述设备上配备的插接式硬盘、智能存储卡(Smart Media Card,SMC)、SD卡、闪存卡(Flash Card)等。进一步的,所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据,还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换或改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于Transformer的InSAR技术冻土区多变量时序形变预测方法,其特征在于,包括如下步骤:
S1、获取多年冻土区时序SAR图像数据集进行InSAR预处理和差分干涉处理,并构建冻土区InSAR形变模型;
S2、根据S1构建的冻土区InSAR形变模型进行MT-InSAR数据处理,得到时序InSAR形变数据集;
S3、对S2的时序InSAR形变数据集进行滤波和聚类分析并根据现有的冻土分布图对冻土形变区域进行分类,提取分类后不同类别冻土区时序InSAR形变数据集;
S4、根据S3中得到的不同类别冻土区时序InSAR形变数据集建立与地表和日空气温度数据、土壤含水量的多维时序Transformer预测模型;
S5、对S4中的多维时序Transformer预测模型进行多变量网络模型训练,得到训练好的Transformer模型,并使用训练好的Transformer模型对S3中分类的不同冻土形变区域进行形变预测,得到不同冻土形变区域的InSAR时序形变预测结果。
2.如权利要求1所述的一种基于Transformer的InSAR技术冻土区多变量时序形变预测方法,其特征在于,步骤S1具体包括如下子步骤:
S11、在多年冻土区时序SAR图像数据集进行预处理和差分干涉处理后,构建InSAR差分干涉相位的形变模型;
S12、根据冻土区季节性形变冻融特征,构建基于温度归一化冻融指数的冻土区InSAR形变模型。
3.如权利要求1所述的一种基于Transformer的InSAR技术冻土区多变量时序形变预测方法,其特征在于,步骤S2具体包括如下子步骤:
S21、构建包含由冻土区InSAR形变模型的冻土形变项、大气相位项、地形相位项、轨道误差相位项、残余噪声相位项的InSAR模型相位方程;
S22、根据S1中多年冻土区时序SAR图像数据由给定阈值选取相干性高的点构建Delauany三角网,并根据S21中的InSAR模型相位方程对每个Delauany三角网的每条边组成二次差分相位模型,并采用最小二乘算法求解每个Delauany三角网的边的相对形变参数;
S23、根据S22求解的每个Delauany三角网的边的相对形变参数利用加权岭估计算法,并根据绝对形变参数与相对形变参数的转换关系式完成Delauany三角网中每个测量点的绝对形变参数的求解;
S24、利用S23求解测量点的绝对形变参数减去冻土形变项和DEM误差即可得到残余相位,再进行相位解缠求解出每个干涉对的解缠干涉图,对解缠后的残余相位利用时空域滤波实现大气相位的估计,将模型相位减去大气相位即可得到非线性形变相位,与形变相位相加即可得到冻土区的时序形变量数据。
4.如权利要求1所述的一种基于Transformer的InSAR技术冻土区多变量时序形变预测方法,其特征在于,步骤S3具体包括如下子步骤:
S31、对S2的时序InSAR形变数据集采用滤波算法进行平滑预处理,得到初始时序形变量;
S32、根据现有的冻土分类图,提取出多年冻土区、季节性冻土区、非冻土区的时序InSAR形变数据集;
S33、对季节性冻土区和多年冻土区的时序InSAR数据集采用非监督迭代自组织聚类算法聚类出不同类别冻土区时序InSAR形变数据集。
5.如权利要求1所述的一种基于Transformer的InSAR技术冻土区多变量时序形变预测方法,其特征在于,步骤S4具体包括如下子步骤:
S41、获得S3的不同类别冻土区时序InSAR形变数据集后,并获取不同冻土区对应的日空气、地表温度和土壤含水量数据;
S42、对不同冻土区的时序InSAR形变数据集分别建立Transformer模型,具体包括,
S421、对季节性冻土区和多年冻土区,将地表形变就呈现出周期性的冻胀抬升和融化沉降归为一类,同时结合该冻土区对应的日空气、地表温度和土壤含水量数据集作为变量输入,建立多变量Transformer模型;
S422、对多年冻土区中呈现出无规律逐年下降趋势的形变规律归为一类,同时结合该冻土区对应的日空气、地表温度和土壤含水量数据集作为变量输入,建立多变量Transformer模型;
S423、对多年冻土区中呈现出沉降量有规律的逐年增大趋势的形变规律归为一类,同时结合该冻土区对应的日空气地表温度和土壤含水量数据集作为变量输入,建立多变量Transformer模型。
6.如权利要求1所述的一种基于Transformer的InSAR技术冻土区多变量时序形变预测方法,其特征在于,步骤S5具体包括如下子步骤:
S51、对多年冻土区时序SAR图像数据集构建训练集和测试集,进行Transformer训练得到训练好权重;
S52、利用训练的权重对InSAR时序形变量进行预测,预测结果为高相干点的时序数据集,经过地理编码即可得到冻土区时间序列的形变结果图。
7.一种基于Transformer的InSAR技术多年冻土区多变量时序形变预测装置,其特征在于:包括存储器和一个或多个处理器,所述存储器中存储有可执行代码,所述一个或多个处理器执行所述可执行代码时,用于实现权利要求1-6任一项所述的一种基于Transformer的InSAR技术冻土区多变量时序形变预测方法。
8.一种计算机可读存储介质,其特征在于:其上存储有程序,该程序被处理器执行时,实现权利要求1-6任一项所述的一种基于Transformer的InSAR技术冻土区多变量时序形变预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210844540.2A CN114966692B (zh) | 2022-07-19 | 2022-07-19 | 基于Transformer的InSAR技术冻土区多变量时序形变预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210844540.2A CN114966692B (zh) | 2022-07-19 | 2022-07-19 | 基于Transformer的InSAR技术冻土区多变量时序形变预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114966692A true CN114966692A (zh) | 2022-08-30 |
CN114966692B CN114966692B (zh) | 2022-11-08 |
Family
ID=82968945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210844540.2A Active CN114966692B (zh) | 2022-07-19 | 2022-07-19 | 基于Transformer的InSAR技术冻土区多变量时序形变预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114966692B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116047518A (zh) * | 2023-03-29 | 2023-05-02 | 成都国星宇航科技股份有限公司 | 基于雷达卫星的潜在地质灾害识别方法及设备 |
CN116051620A (zh) * | 2023-04-03 | 2023-05-02 | 之江实验室 | 基于InSAR技术冻土区活动层厚度估计方法和系统 |
CN116148855A (zh) * | 2023-04-04 | 2023-05-23 | 之江实验室 | 时序InSAR大气相位去除和形变解算的方法及系统 |
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 |
CN117787437A (zh) * | 2023-12-19 | 2024-03-29 | 中国科学院西北生态环境资源研究院 | 一种多年冻土区一氧化二氮通量估算方法 |
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 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160033639A1 (en) * | 2014-08-04 | 2016-02-04 | University Of Seoul Industry Cooperation Foundation | Method and apparatus for stacking multi-temporal mai interferograms |
CN110673145A (zh) * | 2019-10-24 | 2020-01-10 | 中国地质大学(北京) | 一种基于间断相干的InSAR地表形变监测方法及系统 |
CN110780297A (zh) * | 2019-09-30 | 2020-02-11 | 中国国土勘测规划院 | 一种采用星载合成孔径雷达监测土壤侵蚀的方法与系统 |
CN111337923A (zh) * | 2020-04-10 | 2020-06-26 | 中国水利水电第四工程局有限公司 | 一种时序InSAR数据建立滑坡形变时程模型的方法 |
CN111812645A (zh) * | 2020-06-10 | 2020-10-23 | 西南交通大学 | 冻土季节形变的卫星干涉测量方法 |
US20200394780A1 (en) * | 2017-06-15 | 2020-12-17 | The University Of Nottingham | Land deformation measurement |
EP3866105A1 (en) * | 2020-02-17 | 2021-08-18 | Paris Sciences et Lettres - Quartier Latin | Method for processing insar images to extract ground deformation signals |
CN113866765A (zh) * | 2021-09-24 | 2021-12-31 | 中国科学院精密测量科学与技术创新研究院 | 基于多成分时间相干模型的PS-InSAR测量方法 |
CN114252879A (zh) * | 2021-12-20 | 2022-03-29 | 重庆交通大学 | 基于InSAR反演与多影响因子的大范围滑坡形变预测方法 |
CN114563787A (zh) * | 2022-02-25 | 2022-05-31 | 中山大学 | 一种冻土形变监测方法、装置、设备及存储介质 |
-
2022
- 2022-07-19 CN CN202210844540.2A patent/CN114966692B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160033639A1 (en) * | 2014-08-04 | 2016-02-04 | University Of Seoul Industry Cooperation Foundation | Method and apparatus for stacking multi-temporal mai interferograms |
US20200394780A1 (en) * | 2017-06-15 | 2020-12-17 | The University Of Nottingham | Land deformation measurement |
CN110780297A (zh) * | 2019-09-30 | 2020-02-11 | 中国国土勘测规划院 | 一种采用星载合成孔径雷达监测土壤侵蚀的方法与系统 |
CN110673145A (zh) * | 2019-10-24 | 2020-01-10 | 中国地质大学(北京) | 一种基于间断相干的InSAR地表形变监测方法及系统 |
EP3866105A1 (en) * | 2020-02-17 | 2021-08-18 | Paris Sciences et Lettres - Quartier Latin | Method for processing insar images to extract ground deformation signals |
CN111337923A (zh) * | 2020-04-10 | 2020-06-26 | 中国水利水电第四工程局有限公司 | 一种时序InSAR数据建立滑坡形变时程模型的方法 |
CN111812645A (zh) * | 2020-06-10 | 2020-10-23 | 西南交通大学 | 冻土季节形变的卫星干涉测量方法 |
CN113866765A (zh) * | 2021-09-24 | 2021-12-31 | 中国科学院精密测量科学与技术创新研究院 | 基于多成分时间相干模型的PS-InSAR测量方法 |
CN114252879A (zh) * | 2021-12-20 | 2022-03-29 | 重庆交通大学 | 基于InSAR反演与多影响因子的大范围滑坡形变预测方法 |
CN114563787A (zh) * | 2022-02-25 | 2022-05-31 | 中山大学 | 一种冻土形变监测方法、装置、设备及存储介质 |
Non-Patent Citations (9)
Title |
---|
NIKOLAOS IOANNIS BOUNTOS: "Learning From Synthetic InSAR With Vision Transformers: The Case of Volcanic Unrest Detection", <IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING> * |
吕森: "基于长时间序列观测误差校正的地基SAR高精度形变反演方法研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
曹琨: "基于Transformer雷达遥感图像序列特征提取及分类研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
朱建军等: "InSAR变形监测方法与研究进展", 《测绘学报》 * |
李珊珊等: "SBAS-InSAR技术监测青藏高原季节性冻土形变", 《地球物理学报》 * |
王京: "基于多源SAR数据青藏高原冻土冻融过程及时空分布研究", 《中国博士学位论文全文数据库 基础科学辑》 * |
罗毅等: "利用InSAR技术研究青藏高原冻土形变特征", 《地震》 * |
许才军等: "InSAR技术及应用研究进展", 《测绘地理信息》 * |
郭颖平等: "时间序列InSAR监测地表形变", 《测绘科学》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN116047518A (zh) * | 2023-03-29 | 2023-05-02 | 成都国星宇航科技股份有限公司 | 基于雷达卫星的潜在地质灾害识别方法及设备 |
CN116051620A (zh) * | 2023-04-03 | 2023-05-02 | 之江实验室 | 基于InSAR技术冻土区活动层厚度估计方法和系统 |
CN116148855A (zh) * | 2023-04-04 | 2023-05-23 | 之江实验室 | 时序InSAR大气相位去除和形变解算的方法及系统 |
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 |
CN117787437A (zh) * | 2023-12-19 | 2024-03-29 | 中国科学院西北生态环境资源研究院 | 一种多年冻土区一氧化二氮通量估算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114966692B (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114966692B (zh) | 基于Transformer的InSAR技术冻土区多变量时序形变预测方法及装置 | |
CN111401602B (zh) | 基于神经网络的卫星以及地面降水测量值同化方法 | |
CN111666656A (zh) | 基于微波雨衰的降雨估算方法及降雨监测系统 | |
CN102681033A (zh) | 一种基于x波段航海雷达的海面风场测量方法 | |
CN110763187B (zh) | 一种稳健的基于雷达分布式目标的地面沉降监测方法 | |
CN113866764B (zh) | 基于InSAR和LR-IOE模型的滑坡易发性改进评估方法 | |
CN106021868A (zh) | 一种基于多规则算法的遥感数据降尺度方法 | |
CN114091764A (zh) | 气象预报要素订正方法、装置、计算机设备和存储介质 | |
Kwak et al. | Near real-time flood volume estimation from MODIS time-series imagery in the Indus River Basin | |
CN114155429A (zh) | 基于时空双向注意力机制的水库地表温度预测方法 | |
Li et al. | A neural network-based approach for the detection of heavy precipitation using GNSS observations and surface meteorological data | |
CN114819737B (zh) | 公路路域植被的碳储量估算方法、系统及存储介质 | |
Fan et al. | A comparative study of four merging approaches for regional precipitation estimation | |
Li et al. | Performance evaluation of a neural network model and two empirical models for estimating soil moisture based on Sentinel-1 SAR data | |
Parard et al. | Remote sensing the sea surface CO 2 of the Baltic Sea using the SOMLO methodology | |
Zhang et al. | Merging multisatellite precipitation products using stacking method and the censored-shifted gamma ensemble model output statistics in china's Beimiaoji basin | |
CN116029162B (zh) | 利用星载gnss-r数据的洪涝灾害淹没范围监测方法和系统 | |
CN116338607B (zh) | 时间域和空间域两步式InSAR对流层延迟矫正方法 | |
Min et al. | Spatially downscaling IMERG at daily scale using machine learning approaches over Zhejiang, southeastern China | |
CN110596017B (zh) | 一种基于空间权重约束和变分自编码特征提取的高光谱影像土壤重金属浓度评估方法 | |
CN116609859A (zh) | 一种气象灾害高分辨率区域模式预报系统及方法 | |
CN116068511A (zh) | 一种基于深度学习的InSAR大尺度系统误差改正方法 | |
He et al. | [Retracted] An Early Warning Intelligent Algorithm System for Forest Resource Management and Monitoring | |
Xu et al. | Estimating surface soil moisture from satellite observations using machine learning trained on in situ measurements in the continental US | |
Ozkaya et al. | Analyzing radar rainfall estimate errors with three vector norms: application to weather radar rainfall data in Muğla, Turkey |
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 |