CN115014432A - 基于多发育因子获取与融合分析的滑坡早期预警监测方法 - Google Patents
基于多发育因子获取与融合分析的滑坡早期预警监测方法 Download PDFInfo
- Publication number
- CN115014432A CN115014432A CN202210506435.8A CN202210506435A CN115014432A CN 115014432 A CN115014432 A CN 115014432A CN 202210506435 A CN202210506435 A CN 202210506435A CN 115014432 A CN115014432 A CN 115014432A
- Authority
- CN
- China
- Prior art keywords
- landslide
- data
- deformation
- soil humidity
- analysis
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 60
- 238000004458 analytical method Methods 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000004927 fusion Effects 0.000 title claims abstract description 19
- 238000011161 development Methods 0.000 title claims description 34
- 239000002689 soil Substances 0.000 claims description 58
- 238000005516 engineering process Methods 0.000 claims description 30
- 238000000605 extraction Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 7
- 238000011835 investigation Methods 0.000 claims description 6
- 238000005305 interferometry Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 7
- 230000008859 change Effects 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 238000006073 displacement reaction Methods 0.000 description 4
- 239000011435 rock Substances 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000007499 fusion processing Methods 0.000 description 3
- 238000012806 monitoring device Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012843 least square support vector machine Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000003595 mist Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computer Security & Cryptography (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明涉及滑坡监测技术领域,具体涉及一种基于多发育因子获取与融合分析的滑坡早期预警监测方法,首先通过遥感的方式对滑坡体进行大范围普查,然后锁定可疑区域并且进行详查,核查可疑区域内的可疑或潜在滑坡体,监测所述可疑区域,采集监测区域的岩性、坡度、形变、降雨及土壤湿度作为滑坡发育因子数据,将滑坡发育因子数据融合处理与历史数据进行比较分析,最后根据分析结果确定滑坡危险等级并且发出预警信息,实现滑坡体的早期预警与防治,同时提高滑坡监测的精确度,降低监测成本。
Description
技术领域
本发明涉及滑坡监测技术领域,具体涉及一种基于多发育因子获取与融合分析的滑坡早期预警监测方法。
背景技术
滑坡是我国频发的一种较为严重的自然地质灾害之一,其分布范围甚广,具有极大的危害性,尤其是在我国西南山区。据统计,滑坡在地质灾害中数量占比可达65%以上。滑坡的发生与岩性、坡度、湿度、形变量和降雨密切相关。在这些要素中,岩性是滑坡产生的物质基础,塑性岩易导致滑坡,脆性岩则不易;坡度是滑坡产生的必要条件,不同滑坡体坡度不同;土壤湿度与岩体的剪应力和抗剪强度密切相关,是反映滑坡体状态的重要变量;形变量大小是当前滑坡体状态稳定性的重要反映,也是反映滑坡体岩土力学参数的重要指标,滑坡发生的一个重要前兆即为滑坡体形变量突然增大。
当前的滑坡监测技术和方法大多是根据滑坡体已经出现异常,然后利用上述滑坡发育关键因子的一个或几个进行监测。如采用InSAR、GNSS(Global Navigation SatelliteSystem)等技术利用位移形变来监测滑坡,从岩土力学角度,结合岩性、坡度等因子进行滑坡灾害预警分析等,考虑的因子不够全面,存在滑坡监测精确度不高、预测不准确、预警不及时的问题;另外,对于小范围的滑坡监测,则通常是通过布设在滑坡体表面和内部的GNSS接收机、倾角计、裂缝计、土壤含水计等来进行监测,成本较高,并且这些方法监测的对象大多已有滑坡迹象,不利于滑坡体的早期防治。
发明内容
本发明的目的在于提供一种基于多发育因子获取与融合分析的滑坡早期预警监测方法,综合利用多种及时、准确、高精度和高时空分辨率的滑坡发育因子对滑坡体进行协同分析和预测,提高滑坡监测的精确度,降低监测成本。
为实现上述目的,本发明提供了一种基于多发育因子获取与融合分析的滑坡早期预警监测方法,包括下列步骤:
对滑坡体进行普查,锁定可疑区域,核查可疑区域内的可疑或潜在滑坡体;
监测所述可疑区域,采集滑坡发育因子数据;
将所述滑坡发育因子数据进行融合处理,并将融合处理后的滑坡发育因子数据传输回后台监控终端与历史数据进行比较分析;
根据分析结果确定滑坡危险等级,并发出预警信息。
其中,对滑坡体进行普查的方式具体为利用高分辨率遥感影像进行目视解译以及采用InSAR技术和SAR影像进行滑坡危险区域识别。
其中,所述滑坡发育因子数据包括监测区域的岩性、坡度、形变、降雨及土壤湿度数据。
其中,监测所述可疑区域,采集滑坡发育因子数据,包括下列步骤:
通过野外调查分析精确获取岩性数据;
通过滑坡体区域遥感影像或无人机航拍影像解译得到的DEM数字高程模型,然后再对所述DEM数字高程模型进行3D栅格计算获取坡度数据;
通过滑坡形变量天空地一体化提取与分析技术获取形变数据;
通过气象预报提供的降雨量信息获取降雨数据;
通过土壤湿度天空地一体化反演技术获取土壤湿度数据。
其中,在通过滑坡形变量天空地一体化提取与分析技术获取形变数据的过程中,首先采用多维度星地遥感影像一体化信号处理方法与基于星地时序影像数据的高精度滑坡形变数学反演模型,并结合地基雷达干涉测量、北斗三代PPP定位、无人机倾斜摄影测量三维建模以及测量机器人技术对滑坡体进行精细化监测与分析,然后采用基于多源、多模式监测数据的三维形变提取模型及高精度解算滑坡三维形变场与形变时间序列的模型来获取滑坡形变信息。
其中,在通过土壤湿度天空地一体化反演技术获取土壤湿度数据的过程中,首先通过融合云覆盖像元土壤湿度与晴空逐像元土壤湿度反演结果,得到全天候高空间分辨率高精度土壤湿度反演结果,并利用卫星反射信号数据,通过基于高时间分辨率高精度多方位局域土壤湿度卫星组合反演方法获取滑坡体内关键变形区域或变形阶段的连续的高精度高时间分辨率土壤湿度。
其中,所述滑坡危险等级包括为安全、低风险、中风险和高风险,其中安全表示滑坡发生可能性小于10%,低风险表示滑坡发生可能性小于10%~20%,中风险表示滑坡发生可能性为20%~40%,高风险表示滑坡发生可能性大于40%。
本发明提供了一种基于多发育因子获取与融合分析的滑坡早期预警监测方法,首先通过遥感的方式对滑坡体进行大范围普查,然后锁定可疑区域并且进行详查,核查可疑区域内的可疑或潜在滑坡体,监测所述可疑区域,采集监测区域的岩性、坡度、形变、降雨及土壤湿度作为滑坡发育因子数据,将滑坡发育因子数据融合处理与历史数据进行比较分析,最后根据分析结果确定滑坡危险等级并且发出预警信息,实现滑坡体的早期预警与防治,同时提高滑坡监测的精确度,降低监测成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的一种基于多发育因子获取与融合分析的滑坡早期预警监测方法的流程示意图。
图2是本发明的具体实施例的滑坡监测装置原理框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
请参阅图1,本发明提出了一种基于多发育因子获取与融合分析的滑坡早期预警监测方法,包括下列步骤:
S1:对滑坡体进行普查,锁定可疑区域,核查可疑区域内的可疑或潜在滑坡体;
S2:监测所述可疑区域,采集滑坡发育因子数据;
S3:将所述滑坡发育因子数据进行融合处理,并将融合处理后的滑坡发育因子数据传输回后台监控终端与历史数据进行比较分析;
S4:根据分析结果确定滑坡危险等级,并发出预警信息。
对滑坡体进行普查的方式具体为利用高分辨率遥感影像进行目视解译以及采用InSAR技术和SAR影像进行滑坡危险区域识别。
InSAR技术,中文学术名为合成孔径雷达干涉技术。其技术操作过程为在确定SAR影像的分辨率,波长,极化方式,入射角等基本参数的前提下,使用同一地区的两张SAR影像作为基本处理数据,通过求取两幅SAR影像的相位差,获取干涉图像然后经相位解缠,从干涉条纹中获取高精度的地形信息,同时可以监测地表形变的微弱变化。
SAR影像由合成孔径雷达系统产生,基本维度为距离向和方位向,可以记录包括多种,即相位、振幅、强度等信息,具有更强的穿透能力、全天时的数据获取能力,不受气候和云雾限制,可以在任何天气条件下工作。
所述滑坡发育因子数据包括监测区域的岩性、坡度、形变、降雨及土壤湿度数据。
监测所述可疑区域,采集滑坡发育因子数据,包括下列步骤:
通过野外调查分析精确获取岩性数据;
通过滑坡体区域遥感影像或无人机航拍影像解译得到的DEM数字高程模型,然后再对所述DEM数字高程模型进行3D栅格计算获取坡度数据;
通过滑坡形变量天空地一体化提取与分析技术获取形变数据;
通过气象预报提供的降雨量信息获取降雨数据;
通过土壤湿度天空地一体化反演技术获取土壤湿度数据。
在通过滑坡形变量天空地一体化提取与分析技术获取形变数据的过程中,首先采用多维度星地遥感影像一体化信号处理方法与基于星地时序影像数据的高精度滑坡形变数学反演模型,并结合地基雷达干涉测量、北斗三代PPP定位、无人机倾斜摄影测量三维建模以及测量机器人技术对滑坡体进行精细化监测与分析,然后采用基于多源、多模式监测数据的三维形变提取模型及高精度解算滑坡三维形变场与形变时间序列的模型来获取滑坡形变信息。
在通过土壤湿度天空地一体化反演技术获取土壤湿度数据的过程中,首先通过融合云覆盖像元土壤湿度与晴空逐像元土壤湿度反演结果,得到全天候高空间分辨率高精度土壤湿度反演结果,并利用卫星反射信号数据,通过基于高时间分辨率高精度多方位局域土壤湿度卫星组合反演方法获取滑坡体内关键变形区域或变形阶段的连续的高精度高时间分辨率土壤湿度。
所述滑坡危险等级包括为安全、低风险、中风险和高风险,其中安全表示滑坡发生可能性小于10%,低风险表示滑坡发生可能性小于10%~20%,中风险表示滑坡发生可能性为20%~40%,高风险表示滑坡发生可能性大于40%。
以下结合实施步骤对本发明进行详细说明:
步骤S1中,所述通过遥感的方式对滑坡体进行大范围普查,然后锁定可疑区域并且进行详查,最后核查可疑区域内的可疑或潜在滑坡体。具体地:
S1.1、利用高分辨率遥感影像进行目视解译及采用InSAR技术、SAR影像进行滑坡危险区域识别,之后便可锁定可疑滑坡区域,然后对可疑区域进行详细查看,确定滑坡区域的现状及具体位置,最后进行实地勘察,核查了解存在的滑坡体的实地状况,为后续的滑坡监测预警提供现场数据支持。
步骤S2中,所述对上述滑坡区域进行监测,采集监测区域的岩性、坡度、形变、降雨及土壤湿度等滑坡发育因子数据。具体地:
S2.1、岩性数据通过野外调查分析精确获取;
S2.2、坡度数据通过滑坡体区域遥感影像或无人机航拍影像解译得到的DEM数字高程模型,然后再对DEM进行3D栅格计算获取;
S2.3、形变数据通过高精度高时空分辨率滑坡形变量天空地一体化提取与分析技术获取;
S2.4、降雨数据通过气象预报提供的降雨量信息获取;
S2.5、土壤湿度数据通过全天候高时空分辨率高精度土壤湿度天空地一体化反演技术获取。
步骤S2.3中,所述高精度高时空分辨率滑坡形变量天空地一体化提取与分析技术,具体地:综合利用北斗三代定位系统PPP及InSAR等技术手段的优势,解决传统方法获取滑坡形变点空间分辨率较低、形变信息维度不全且观测效率低的问题,实现滑坡形变点的亚cm级实时获取,改善滑坡形变信息提取的效率、精度及可靠性。其中:
(a)、在利用InSAR获取滑坡形变信息时,采用多维度星地遥感影像一体化信号处理方法与基于星地时序影像数据的高精度滑坡形变数学反演模型,并且结合地基雷达干涉测量、北斗三代PPP定位、无人机倾斜摄影测量三维建模以及测量机器人等技术对滑坡体进行精细化监测与分析,然后采用基于多源、多模式监测数据的三维形变提取模型及高精度解算滑坡三维形变场与形变时间序列的模型来获取滑坡形变信息;
(b)、在利用北斗三代PPP技术进行高精度滑坡位移监测时,采用基于伪双差残差和整周模糊度基的周跳探测与修复方法来快速探测周跳,加快整周模糊度的搜索速度和固定效率,解决因多路径效应影响而导致监测时信号失锁、周跳频繁发生的问题。
步骤S2.5中,所述全天候高时空分辨率高精度土壤湿度天空地一体化反演技术,具体地,首先通过融合云覆盖像元土壤湿度与晴空逐像元土壤湿度反演结果,得到全天候高空间分辨率高精度土壤湿度反演结果,然后在此基础上,利用高采样率、多频段的北斗/GPS卫星反射信号数据,通过基于高时间分辨率高精度多方位局域土壤湿度北斗/GPS卫星组合反演方法获取滑坡体内关键变形区域或变形阶段的连续的高精度高时间分辨率土壤湿度。其中:
(a)、在高时间分辨率高精度多方位局域土壤湿度北斗/GPS卫星组合反演方法中,采用小波分析多尺度地识别和剔除地表植被噪声信息,提高卫星反射信号的质量,并通过组合各卫星不同方位、不同时段的土壤湿度反演结果,得到以测站为中心、半径45m范围内的不同方位的每小时土壤湿度值。
步骤S3中,将上述采集到的滑坡发育因子数据传输至后台监控终端进行融合处理分析,并将位移形变量、土壤湿度与历史数据进行对比分析。具体地:
S3.1、滑坡发育因子数据融合处理方法如下,首先采用改进的经验模态分解法自适应、多尺度地挖掘滑坡位移形变量中隐含的不同频率的特征成分,然后使用最小二乘支持向量机训练揭示不同频率特征成分与岩性、坡度、土壤湿度、降雨等因子之间的关系,探测出滑坡形变量可能出现异常变化的时间点,并且将时间点与预设时间段比较,当探测出的时间点在预设时间段内时,发出滑坡预警信号,否则不发出预警信号。其中,预设时间段由长到短分为四个跨度,分别对应蓝色、黄色、橙色、红色四种预警信号;
S3.2、滑坡发育因子历史数据是相对于最新采集数据而言,是监测过程中保留下来的数据,储存在后台终端的滑坡发育因子数据库中;
S3.3、将采集到的形变量数据与历史形变量数据比较,当变化幅值大于预设阈值时,发出滑坡预警信号,否则不发出预警信号。其中,预设阈值由低到高划分四个层次,分别对应蓝色、黄色、橙色、红色四种预警信号;
S3.4、将采集到的土壤湿度数据与历史土壤湿度数据比较,当变化幅值大于预设阈值时,发出滑坡预警信号,否则不发出预警信号,同样将预设阈值由低到高划分四个层次,分别对应蓝色、黄色、橙色、红色四种预警信号;
步骤S4中,根据分析结果确定滑坡危险等级并且发出预警信息。具体地:
S4.1、根据上述预测出的滑坡形变异常时间点及形变量、土壤湿度对比结果,将滑坡危险分为4个等级,分别为安全、低分险、中风险、高风险。其中:
(a)、安全表示滑坡发生可能性小于10%;
(b)、低风险表示滑坡发生可能性小于10%-20%;
(c)、中风险表示滑坡发生可能性为20%-40%;
(d)、高风险表示滑坡发生可能性大于40%;
(e)安全对应蓝色预警信号,低风险对应黄色预警信号,中风险对应橙色预警信号,高风险对应红色预警信号。
进一步的,本发明还提供了一个具体的实施例,对应的滑坡监测装置(如图2所示),该装置包括12个模块,分别为岩性数据采集模块1、坡度数据采集模块2、形变数据采集模块3、降雨数据采集模块4、土壤湿度数据采集模块5、数据传输模块6、数据存储模块7、数据处理模块8、预警模块9、中央处理器10、监控数据传输模块11及监控模块12。具体地:
S5.1、所述岩性数据采集模块1用于采集滑坡体的岩性数据,其主要功能是采集滑坡体区域的遥感影像数据,并根据遥感影像解译分析及野外调查结果获取高精度滑坡体岩性数据;
S5.2、所述坡度数据采集模块2用于采集滑坡体坡度数据,其主要功能也是采集滑坡体区域的遥感影像数据,并根据遥感影像解译得到DEM数字高程模型数据,然后通过处理DEM获取滑坡体的坡度数据;
S5.3、所述形变数据采集模块3用于采集滑坡体形变数据,其主要功能是利用InSAR、地基SAR、北斗三代PPP定位等获取滑坡体的SAR影像数据及三维坐标数据,然后通过步骤S2.3中的高精度高时空分辨率滑坡形变量天空地一体化提取与分析技术获取滑坡体的形变数据;
S5.4、所述降雨数据采集模块4用于获取降雨数据,其主要功能是检索气象预报信息,获取滑坡体区域范围内提前一天乃至两个小时的降雨量数据;
S5.5、所述土壤湿度数据采集模块5用于采集滑坡体土壤湿度数据,其主要功能是利用北斗或GPS接收机接收卫星反射信号以及利用土壤湿度计实测滑坡体部分点位土壤湿度真值,然后采用步骤S2.5中全天候高时空分辨率高精度土壤湿度天空地一体化反演技术获取整个滑坡体的局域土壤湿度数据;
S5.6、所述数据传输模块6用于实现监测装置中的数据传输功能;
S5.7、所述数据存储模块7用于将采集的滑坡发育因子数据存储到模块中建立的滑坡发育因子数据库中;
S5.8、所述数据处理模块8用于实现步骤3中的滑坡发育因子数据融合处理、分析功能;
S5.9、所述预警模块9用于步骤S4中滑坡监测数据分析结果出现异常时发出报警信号;
S5.10、所述监控数据传输模块11用于传输滑坡体区域范围的视频监控数据;
S5.11、所述监控模块12用于滑坡体区域范围的实时视频监控。
S5.12、所述岩性数据采集模块1、坡度数据采集模块2、形变数据采集模块3、降雨数据采集模块4、土壤湿度数据采集模块5分别通过数据传输模块6连接数据存储模块7;
S5.13、所述数据存储模块7连接中央处理器10;
S5.14、所述数据处理模块8、预警模块9、分别与中央处理器10连接;
S5.15、所述监控模块12通过监控数据传输模块11与中央处理器10连接。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (7)
1.一种基于多发育因子获取与融合分析的滑坡早期预警监测方法,其特征在于,包括下列步骤:
对滑坡体进行普查,锁定可疑区域,核查可疑区域内的可疑或潜在滑坡体;
监测所述可疑区域,采集滑坡发育因子数据;
将所述滑坡发育因子数据进行融合处理,并将融合处理后的滑坡发育因子数据传输回后台监控终端与历史数据进行比较分析;
根据分析结果确定滑坡危险等级,并发出预警信息。
2.如权利要求1所述的基于多发育因子获取与融合分析的滑坡早期预警监测方法,其特征在于,
对滑坡体进行普查的方式具体为利用高分辨率遥感影像进行目视解译以及采用InSAR技术和SAR影像进行滑坡危险区域识别。
3.如权利要求1所述的基于多发育因子获取与融合分析的滑坡早期预警监测方法,其特征在于,
所述滑坡发育因子数据包括监测区域的岩性、坡度、形变、降雨及土壤湿度数据。
4.如权利要求1所述的基于多发育因子获取与融合分析的滑坡早期预警监测方法,其特征在于,
监测所述可疑区域,采集滑坡发育因子数据,包括下列步骤:
通过野外调查分析精确获取岩性数据;
通过滑坡体区域遥感影像或无人机航拍影像解译得到的DEM数字高程模型,然后再对所述DEM数字高程模型进行3D栅格计算获取坡度数据;
通过滑坡形变量天空地一体化提取与分析技术获取形变数据;
通过气象预报提供的降雨量信息获取降雨数据;
通过土壤湿度天空地一体化反演技术获取土壤湿度数据。
5.如权利要求4所述的基于多发育因子获取与融合分析的滑坡早期预警监测方法,其特征在于,
在通过滑坡形变量天空地一体化提取与分析技术获取形变数据的过程中,首先采用多维度星地遥感影像一体化信号处理方法与基于星地时序影像数据的高精度滑坡形变数学反演模型,并结合地基雷达干涉测量、北斗三代PPP定位、无人机倾斜摄影测量三维建模以及测量机器人技术对滑坡体进行精细化监测与分析,然后采用基于多源、多模式监测数据的三维形变提取模型及高精度解算滑坡三维形变场与形变时间序列的模型来获取滑坡形变信息。
6.如权利要求4所述的基于多发育因子获取与融合分析的滑坡早期预警监测方法,其特征在于,
在通过土壤湿度天空地一体化反演技术获取土壤湿度数据的过程中,首先通过融合云覆盖像元土壤湿度与晴空逐像元土壤湿度反演结果,得到全天候高空间分辨率高精度土壤湿度反演结果,并利用卫星反射信号数据,通过基于高时间分辨率高精度多方位局域土壤湿度卫星组合反演方法获取滑坡体内关键变形区域或变形阶段的连续的高精度高时间分辨率土壤湿度。
7.如权利要求1所述的基于多发育因子获取与融合分析的滑坡早期预警监测方法,其特征在于,
所述滑坡危险等级包括为安全、低风险、中风险和高风险,其中安全表示滑坡发生可能性小于10%,低风险表示滑坡发生可能性小于10%~20%,中风险表示滑坡发生可能性为20%~40%,高风险表示滑坡发生可能性大于40%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210506435.8A CN115014432A (zh) | 2022-05-10 | 2022-05-10 | 基于多发育因子获取与融合分析的滑坡早期预警监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210506435.8A CN115014432A (zh) | 2022-05-10 | 2022-05-10 | 基于多发育因子获取与融合分析的滑坡早期预警监测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115014432A true CN115014432A (zh) | 2022-09-06 |
Family
ID=83068603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210506435.8A Pending CN115014432A (zh) | 2022-05-10 | 2022-05-10 | 基于多发育因子获取与融合分析的滑坡早期预警监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115014432A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113624138A (zh) * | 2021-08-16 | 2021-11-09 | 内蒙古大学 | 滑坡风险识别方法、装置、电子设备、存储介质及系统 |
CN115471144A (zh) * | 2022-11-14 | 2022-12-13 | 四川省公路规划勘察设计研究院有限公司 | 基于多源数据融合的泥石流监测预警方法、装置及介质 |
CN116030600A (zh) * | 2023-02-13 | 2023-04-28 | 速度时空信息科技股份有限公司 | 一种基于insar的地质灾害智能化监测方法及系统 |
CN116229371A (zh) * | 2023-03-13 | 2023-06-06 | 浙江省交通运输科学研究院 | 一种天空地一体化公路边坡安全防控方法 |
CN116311047A (zh) * | 2023-03-01 | 2023-06-23 | 四川省公路规划勘察设计研究院有限公司 | 空天地多源融合的滑坡监测方法、装置、介质及服务器 |
CN116504032A (zh) * | 2023-06-28 | 2023-07-28 | 湖南科技大学 | 一种基于实景三维的滑坡危险性监测预警方法及系统 |
-
2022
- 2022-05-10 CN CN202210506435.8A patent/CN115014432A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113624138A (zh) * | 2021-08-16 | 2021-11-09 | 内蒙古大学 | 滑坡风险识别方法、装置、电子设备、存储介质及系统 |
CN113624138B (zh) * | 2021-08-16 | 2024-02-27 | 内蒙古大学 | 滑坡风险识别方法、装置、电子设备、存储介质及系统 |
CN115471144A (zh) * | 2022-11-14 | 2022-12-13 | 四川省公路规划勘察设计研究院有限公司 | 基于多源数据融合的泥石流监测预警方法、装置及介质 |
CN115471144B (zh) * | 2022-11-14 | 2023-04-07 | 四川省公路规划勘察设计研究院有限公司 | 基于多源数据融合的泥石流监测预警方法、装置及介质 |
CN116030600A (zh) * | 2023-02-13 | 2023-04-28 | 速度时空信息科技股份有限公司 | 一种基于insar的地质灾害智能化监测方法及系统 |
CN116311047A (zh) * | 2023-03-01 | 2023-06-23 | 四川省公路规划勘察设计研究院有限公司 | 空天地多源融合的滑坡监测方法、装置、介质及服务器 |
CN116311047B (zh) * | 2023-03-01 | 2023-09-05 | 四川省公路规划勘察设计研究院有限公司 | 空天地多源融合的滑坡监测方法、装置、介质及服务器 |
CN116229371A (zh) * | 2023-03-13 | 2023-06-06 | 浙江省交通运输科学研究院 | 一种天空地一体化公路边坡安全防控方法 |
CN116229371B (zh) * | 2023-03-13 | 2023-10-13 | 浙江省交通运输科学研究院 | 一种天空地一体化公路边坡安全防控方法 |
CN116504032A (zh) * | 2023-06-28 | 2023-07-28 | 湖南科技大学 | 一种基于实景三维的滑坡危险性监测预警方法及系统 |
CN116504032B (zh) * | 2023-06-28 | 2023-09-22 | 湖南科技大学 | 一种基于实景三维的滑坡危险性监测预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115014432A (zh) | 基于多发育因子获取与融合分析的滑坡早期预警监测方法 | |
CN111142119B (zh) | 一种基于多源遥感数据的矿山地质灾害动态识别与监测方法 | |
CN113611082B (zh) | 一种无人机铁路边坡监控与预警系统及方法 | |
He et al. | Complete three-dimensional near-field surface displacements from imaging geodesy techniques applied to the 2016 Kumamoto earthquake | |
Pesci et al. | Multitemporal laser scanner-based observation of the Mt. Vesuvius crater: Characterization of overall geometry and recognition of landslide events | |
Theron et al. | Detection of sinkhole precursors through SAR interferometry: radar and geological considerations | |
Cigna et al. | Semi-automated extraction of Deviation Indexes (DI) from satellite Persistent Scatterers time series: tests on sedimentary volcanism and tectonically-induced motions | |
de Macedo et al. | Long-term airborne DInSAR measurements at X-and P-bands: A case study on the application of surveying geohazard threats to pipelines | |
CN110044327A (zh) | 一种基于sar数据与gnss数据的基础设施沉降监测方法及系统 | |
CN115346141B (zh) | 天-空-地-隧-孔一体化不良地质识别方法及系统 | |
Lian et al. | Time-series unmanned aerial vehicle photogrammetry monitoring method without ground control points to measure mining subsidence | |
Intrieri et al. | Satellite interferometry as a tool for early warning and aiding decision making in an open-pit mine | |
CN116913046A (zh) | 一种降雨型滑坡风险预警监测方法 | |
Razi et al. | Multi-temporal land deformation monitoring in V shape area using quasi-persistent scatterer (Q-PS) interferometry technique | |
CN117968631A (zh) | 基于无人机dom和星载sar影像的路面沉陷检测方法 | |
CN117437559A (zh) | 基于无人机的煤炭矿区地表岩移变形检测方法、装置 | |
Razi et al. | Effect of earthquake intensity to land deformation observed from space | |
CN114239379A (zh) | 一种基于形变检测的输电线路地质灾害分析方法及系统 | |
CN113625241A (zh) | 差异沉降监控预警方法 | |
Yang et al. | Integrated Mining Impact Monitoring (EU-Project i 2 Mon) for Open-pit and Underground Mines | |
Lubitz et al. | Integrated Assessment of Ground Surface Displacements at the Ketzin Pilot Site for CO 2 Storage by Satellite-Based Measurements and Hydromechanical Simulations | |
Wang et al. | Deformation monitoring and evaluation of mountain slope stability combined with ground-based radar and spaceborne InSAR methods | |
Solomon et al. | Remote sensing and GIS techniques for tectonic studies | |
Hamdi et al. | InSAR Investigation on DRAA-Douamis Sinkholes in Cheria Northeastern of Algeria | |
Çomut et al. | Estimation of co-seismic land deformation due to Mw 7.3 2017 earthquake in Iran (12 November 2017) using Sentinel-1 DInSAR |
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 |