CN115031674A - 一种复杂地形下的地表变形监测方法 - Google Patents

一种复杂地形下的地表变形监测方法 Download PDF

Info

Publication number
CN115031674A
CN115031674A CN202210470451.6A CN202210470451A CN115031674A CN 115031674 A CN115031674 A CN 115031674A CN 202210470451 A CN202210470451 A CN 202210470451A CN 115031674 A CN115031674 A CN 115031674A
Authority
CN
China
Prior art keywords
unmanned aerial
aerial vehicle
model
error
landslide
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
Application number
CN202210470451.6A
Other languages
English (en)
Other versions
CN115031674B (zh
Inventor
周家文
蒋楠
李海波
邢会歌
陈俊霖
胡宇翔
陈兴珍
夏茂圃
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University
Original Assignee
Sichuan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan University filed Critical Sichuan University
Priority to CN202210470451.6A priority Critical patent/CN115031674B/zh
Publication of CN115031674A publication Critical patent/CN115031674A/zh
Application granted granted Critical
Publication of CN115031674B publication Critical patent/CN115031674B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
    • G01B21/02—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring length, width, or thickness
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)

Abstract

本发明提供一种复杂地形下的地表变形监测方法，包括以下过程：基于局部高精度无人机模型，采用虚拟控制点重构视野盲区的无人机模型并进行盲区内的地表变形分析，然后利用提出的乘幂函数进行误差估计，最后通过计算位移来估计实际位移。本发明可以保证监测人员从远距离进行滑坡监测，不需要深入到滑坡区进行设备安装或数据采集，能极大保证滑坡监测的安全性和可行性。本发明可以突破道路中断等地形条件对无人机地面控制点布设的限制，能通过假设地面控制点的形式来进行滑坡变形监测，并且真实位移RD和计算位移CD之间的误差是可以定量估计的，并且误差占比非常小。

Description

一种复杂地形下的地表变形监测方法
技术领域
本发明提供一种复杂地形下的地表变形监测方法，属于地质灾害监测技术领域。
背景技术
山区或高山峡谷的滑坡监测往往面临以下不同于平原和丘陵地区的特殊情况：即视野盲区。视野盲区是指监测人员在安全距离进行滑坡监测时无法看到的部位，它通常是通行限制和高陡地形的综合作用结果。例如滑坡发生并阻断了通向滑坡源区的通道，此时的非接触式的滑坡监测就只能布置在河谷地带，一旦滑坡位于陡坡部位，则无法从河谷直接观察到滑坡的全貌，此时无论是人工观测或是三维激光扫描，均无法获取有效的数据。相对而言，无人机航空摄影在这种情况下可以获取滑坡区的地形数据，但是由于道路中断无法近距离布置地面控制点，那么无人机生成的模型就无法用于高精度的地表变形监测。
采用传统的接触式监测技术，例如GNSS，裂缝计、倾角计等进行滑坡监测时，工作人员需要亲自深入到滑坡变形区进行设备安装，调试和维护。对于存在通行限制下的视野盲区，该类技术无法进行有效实施，或者实施难度大、危险性高、成本大。例如在没有现成道路的情况下需要先修路。
还有采用卫星影像进行视野盲区内的地表变形分析。卫星影像可以从高空俯/施布置的影响，但是卫星影像的精度不足，并且其拍照周期是固定的，更新速率无法保证，因此很难用于高精度的地表变形监测。
还有基于卫星合成孔径雷达进行地表变形监测，现阶段免费或商用的卫星合成孔径雷达数据较多，但是通常监测周期较长，例如一周或一个月一副影像，并且其变形分析精度在长序列数据中表现较好，如果想分析几天内的地表变形，则可能出现失相干、数据不足等问题。
发明内容
针对上述技术问题，本发明提供一种复杂地形下的地表变形监测方法，解决以下问题：在高山峡谷、山区流域等复杂环境中，一旦滑坡区位于视野盲区内，即现场人员无法到达、也无法看到滑坡区的全貌，如何实现滑坡体高精度、大范围的地表变形监测。
本发明的技术方案为：
一种复杂地形下的地表变形监测方法，基于局部高精度无人机模型，采用虚拟控制点(Assumed ground control point,ACP)重构视野盲区的无人机模型并进行盲区内的地表变形分析，然后利用提出的乘幂函数进行误差估计，最后通过计算位移(Calculateddisplacement,CD)来估计实际位移(Real displacement,RD)。
具体包括以下步骤：
包括以下过程：
S1、利用虚拟控制点重构无人机模型
利用虚拟控制点实现视野盲区内无人机模型的精确配准，该配准是利用从某一期无人机模型中提取一个控制点，然后赋予另一期无人机模型来实现的；
基于扭曲配准的无人机模型，进行地表变形监测。此时进行地表位移计算，其计算值CD和真实位置RD之间存在误差，该误差在模型沿极轴拉伸时为：
RDj min-CDj-[ε(aj′+CDj)-ε(aj′)] (1)
同理可得，在沿极轴压缩时为：
RDj max＝CDj+[ε(aj′+CDj)-ε(aj′)] (2)
其中RDj，CDj分别表示点xj的实际位移和计算位移，ε(d)表示距离控制点为d时的无人机模型误差，aj′表示在扭曲的无人机模型中测量到的xj在滑坡前到控制点的距离，aj′+CDj则表示在扭曲的无人机模型中测量到的xj在滑坡后到控制点的距离。
拉伸时的公式[ε(aj′+CDj)-ε(aj′)]取最大值，因此RDj对应取最小值，相反，压缩时的公式[ε(αj′+CDj)-ε(αj′)]取最小值，相应的RDj取最大值，而旋转时的RDj应介于最大值和最小值之间：
此时，由于aj′和CDj均测量到，知道ε(d)的函数分布就求得RDj和CDj之间的关系，进而用CDj来估计RDj，实现视野盲区的位移分析；
S2、ε(d)的函数分布
ε(d)是指在远离控制点影响范围后，无人机模型精度与到控制点距离的关系，进行了12种控制点布置情况下的误差分布模拟，每种情况下均在一个局部区域布置了3个控制点，然后分析这些情况下无人机模型精度的变化。
根据误差的分布进行统计，获得了ε(d)的分布函数：
ε(d)＝(2.64×10-4±6.65×10-5)*d1.76±0.04 (3)
S3、CD和RD之间的误差估计
利用公式(1)-(3)，对CDj与RDj之间的误差进行估计。
本发明技术方案带来的有益效果：
a.针对传统的接触式监测技术，本发明可以保证监测人员从远距离进行滑坡监测，不需要深入到滑坡区进行设备安装或数据采集，能极大保证滑坡监测的安全性和可行性。
b.针对采用无人机航空摄影，本发明可以突破道路中断等地形条件对无人机地面控制点布设的限制，能通过假设地面控制点的形式来进行滑坡变形监测，并且真实位移RD和计算位移CD之间的误差是可以定量估计的，并且误差占比非常小。
附图说明
图1为实施例中地面控制点与无人机模型精度的关系：
图2为本发明的流程示意图；
图3为实施例中无人机模型沿极轴旋转、拉伸和压缩时RD、CD和ε(d)的几何关系
图4为实施例中不同控制点布置情景下的无人机模型误差分布图；
图5为实施例中远离控制点后的无人机模型误差分布函数：
图6为实施例中研究背景；
图7(a)为实施例中采用传统RCP进行无人机建模后的误差分析结果；
图7(b)为实施例中采用RCP+ACP的地表变形分析结果；
图7(c)为实施例中图7(a)和图7(b)中的剖面图详情。
具体实施方式
结合附图说明本发明的具体技术方案。如图2，包括以下步骤(a)基于虚拟控制点ACP重构无人机模型；(b)视野盲区的地表位移分析；(c)误差估计；具体的：
S1、利用虚拟控制点重构无人机模型
地面控制点(Ground control points,GCPs)是具有地理坐标的地面特征点，可通过手持式RTK进行人工布设。但是针对高山峡谷、山区流域的滑坡灾害，地面控制点通常难以布设在理想位置，而一旦远离地面控制点，无人机模型精度将会迅速降低，如图1。例如滑坡区存在通行限制导致现场人员无法抵近滑坡区布设地面控制点时，那么此时无人机模型中滑坡部分的精度就会降低，导致无法用于地表变形监测。
所谓虚拟控制点，即是人为假定的控制点，它在无人机建模过程中与普通控制点一样，可以作为建模过程中的外部几何约束，但和普通地面控制点的主要区别在于坐标误差较大。例如，从低分辨率卫星影像中可以提取视野盲区的特征物作为地面控制点，但此时的误差通常会达到几十厘米甚至几米，在传统意义上不满足地面控制点的精度要求，但是仍然把这个点作为一个控制点来使用。很明显这种虚拟控制点不足以生成高精度的无人机模型，但是并不妨碍其用于地表变形监测。
由于利用无人机模型进行地表分析的实质是将变形前后的三维模型或者正射影像进行精确配准后，在多期数据之间寻找变形前后对应的特征点，并以特征点的位移来表示滑坡位移。而在缺乏控制点的视野盲区内，无人机模型无法精确配准，因此在分析地表位移时会形成巨大误差。
针对该问题，本发明利用虚拟控制点可以实现视野盲区内无人机模型的精确配准，该配准是利用从某一期无人机模型中提取一个控制点，然后赋予另一期无人机模型来实现的，因此是一种扭曲式的配准。
基于扭曲配准的无人机模型，可以进行地表变形监测。此时可以进行地表位移计算，但是其计算值(Calculated displacement，CD)和真实位置(Real displacement，RD)之间存在误差，根据图3可知，该误差在模型沿极轴拉伸时为：
RDj min-CDj-[ε(aj′+CDj)＝ε(aj′)] (1)
同理可得，在沿极轴压缩时为：
RDj max＝CDj+[ε(aj′+CDj)-ε(αj′)] (2)
其中RDj，CDj分别表示点xj的实际位移和计算位移，ε(d)表示距离控制点为d时的无人机模型误差，aj′表示在扭曲的无人机模型中测量到的xj在滑坡前到控制点的距离，aj′+CDj则表示在扭曲的无人机模型中测量到的xj在滑坡后到控制点的距离。
根据图4所示的几何关系可知，拉伸时的公式[ε(aj′+CDj)-ε(aj′)]取最大值，因此RDj对应取最小值，相反，压缩时的公式[ε(aj′+CDj)-ε(aj′)]取最小值，相应的RDj取最大值，而旋转时的RDj应介于最大值和最小值之间：
RDj min≤RDj≤RDj max (3)
此时，由于aj′和CDj均可以在图2的c中测量到，因此只需要知道ε(d)的函数分布就可求得RDj和CDj之间的关系，进而用CDj来估计RDj，实现视野盲区的位移分析；
S2、ε(d)的函数分布
ε(d)是指在远离控制点影响范围后，无人机模型精度与到控制点距离的关系，因此本发明进行了12种控制点布置情况下的误差分布模拟，如图4，每种情况下均在一个局部区域布置了3个控制点(黑色三角形)，然后分析这些情况下无人机模型精度的变化。
根据对图4中误差的分布进行统计，我们获得了ε(d)的分布函数：
ε(d)＝(2.64×10-4±6.65×10-5)*d1.76±0.04 (4)
详见图5，其中纵坐标为图4中每个栅格的误差值，横坐标为该栅格到控制点中心的距离。
S3、CD和RD之间的误差估计
利用公式(1)-(4)，可以对CDj与RDj之间的误差进行估计，表1展示了可直接用于误差评价的计算案例，其他值可以通过公式(1)-(4)进行计算。表中的值表示在距离控制点为aj′(m)的地方发生了RDj(m)的位移时，CDj与RDj之间的最大和最小误差值(像素)，本实施例中的1像素＝5cm。
表1 CDj与RDj之间的误差(单位：像素，1像素＝5cm)
Figure BDA0003622234900000051
本实施例，如图6，以理县清流村H02滑坡从2020年底至2021年5月持续发生变形，但是其位置恰好处于视野盲区，也就是从坡脚无法看到H02全貌，并且由于其下游的H01滑坡发生后阻断了通向清流村的唯一公路，因此无法抵近H02进行控制点布设，所有的RTK控制点(RCP)只能布置在河谷内，导致H02处的无人机精度不满足变形分析的要求。
现有两期无人机数据，分别拍摄于2020.12月(模型A)和2021.5月(模型B)，运用本发明提出的方法，在H02的后缘增加了3个ACP点，从模型A中提取其坐标然后赋予模型B进行模型重建，利用重建后的两期模型进行H02的地表变形分析。
从图7(a)～图7(c)可以看出，在没有使用ACP，仅用RCP生成的无人机模型在测量地表位移时的误差很大不仅不能分析滑坡位移，连滑坡形态都无法看出。在加入ACP后，重构后的模型能准确测量出滑坡的变形区域和边界，还可以得到滑坡体各个部位的计算位移CD。根据现场的GNSS监测数据显示，GNSS位移与计算位移CD有高度的一致性，略低于CD的原因在于，H01导致的道路中断使现场调查和设备安装无法实施，因此GNSS的监测时间晚于无人机航空摄影约26天。根据公式(1)～(3)，此时可估计出GNSS01和GNSS02这两个位置CD和RD的误差，分别约0.10±0.05像素和0.05±0.02像素(1像素＝5cm)，与实际位移相比，误差占比非常小，因此可以考虑用CD值直接取代RD值。

Claims (2)

1.一种复杂地形下的地表变形监测方法，其特征在于，包括以下过程：基于局部高精度无人机模型，采用虚拟控制点重构视野盲区的无人机模型并进行盲区内的地表变形分析，然后利用提出的乘幂函数进行误差估计，最后通过计算位移来估计实际位移。
2.根据权利要求1所述的一种复杂地形下的地表变形监测方法，其特征在于，包括以下过程：
S1、利用虚拟控制点重构无人机模型
从某一期无人机的视野盲区部分提取一个虚拟控制点ACP，并将其赋予另一期无人机数据并进行模型重构，重构后的模型虽然发生扭曲，但能精确配准并进行地表变形分析；此时进行地表位移计算，其计算值CD和真实位置RD之间存在误差，
该误差在模型沿极轴拉伸时为：
RDj min-CDj-[ε(aj′+CDj)-ε(aj′)] (1)
同理可得，在沿极轴压缩时为：
RDj max＝CDj+[ε(aj′+CDj)-ε(aj′)] (2)
根据几何关系可知，旋转时的RDj应满足以下关系：
RDj min≤RDj≤RDj max (3)
其中RDj，CDj分别表示点xj的实际位移和计算位移，ε(d)表示距离控制点为d时的无人机模型误差，aj′表示在扭曲的无人机模型中测量到的xj在滑坡前到控制点的距离，aj′+CDj则表示在扭曲的无人机模型中测量到的xj在滑坡后到控制点的距离；
S2、ε(d)的函数分布
ε(d)是指在远离控制点影响范围后，无人机模型精度与到控制点距离的关系，进行了12种控制点布置情况下的误差分布模拟，每种情况下均在一个局部区域布置了3个控制点，然后分析这些情况下无人机模型精度的变化；
根据误差的分布进行统计，获得了ε(d)的分布函数：
ε(d)＝(2.64×10-4±6.65×10-5)*d1.76±0.04 (4)
S3、CD和RD之间的误差估计
利用公式(1)-(4)，对CDj与RDj之间的误差进行估计。
CN202210470451.6A 2022-04-28 2022-04-28 一种复杂地形下的地表变形监测方法 Active CN115031674B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210470451.6A CN115031674B (zh) 2022-04-28 2022-04-28 一种复杂地形下的地表变形监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210470451.6A CN115031674B (zh) 2022-04-28 2022-04-28 一种复杂地形下的地表变形监测方法

Publications (2)

Publication Number Publication Date
CN115031674A true CN115031674A (zh) 2022-09-09
CN115031674B CN115031674B (zh) 2023-04-07

Family

ID=83119281

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210470451.6A Active CN115031674B (zh) 2022-04-28 2022-04-28 一种复杂地形下的地表变形监测方法

Country Status (1)

Country Link
CN (1) CN115031674B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5510995A (en) * 1993-08-13 1996-04-23 Iowa State University Research Foundation, Inc. Sculptured surface synthesis based on functional design constraints
CN105547254A (zh) * 2016-01-30 2016-05-04 武汉大学 基于法方程快速构建的超大规模区域网平差方法及系统
CN106638727A (zh) * 2017-01-09 2017-05-10 武汉理工大学 一种用于深基坑实时感知与病害检查的装置
CN107180448A (zh) * 2017-04-24 2017-09-19 中国矿业大学 一种基于地表不变特征的矿区dem变化检测方法
CA2974031A1 (en) * 2016-07-22 2018-01-22 Appropolis Inc. Method of tracking one or more mobile objects in a site and a system employing same
CN108896019A (zh) * 2018-05-10 2018-11-27 四川省冶地工程勘察设计有限公司 基于无人机航测数据的航片影像立体区域网平差方法
CN109325250A (zh) * 2018-07-26 2019-02-12 四川大学 一种高速滑坡-碎屑流运动侵蚀效应的数值模拟方法及系统
CN109543427A (zh) * 2018-11-08 2019-03-29 中国石油天然气集团公司 一种虚拟坐标生成方法
CN109655040A (zh) * 2018-12-25 2019-04-19 南京工业大学 一种基于无人机靶向技术的边坡位移监测方法
CN110307824A (zh) * 2019-06-25 2019-10-08 东北大学 一种基于无人机的矿山塌陷区智能预警系统及方法
CN112597428A (zh) * 2020-12-22 2021-04-02 同济大学 基于rfm模型光束法平差和影像重采样的颤振探测修正方法
CN113420515A (zh) * 2021-07-19 2021-09-21 四川大学 一种基于降雨数据的滑坡泥石流形成演化模拟方法
CN113436313A (zh) * 2021-05-24 2021-09-24 南开大学 一种基于无人机的三维重建误差主动修正方法
CN113759374A (zh) * 2021-08-19 2021-12-07 速度时空信息科技股份有限公司 一种城市基础设施的结构健康问题的监测系统和监测方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5510995A (en) * 1993-08-13 1996-04-23 Iowa State University Research Foundation, Inc. Sculptured surface synthesis based on functional design constraints
CN105547254A (zh) * 2016-01-30 2016-05-04 武汉大学 基于法方程快速构建的超大规模区域网平差方法及系统
CA2974031A1 (en) * 2016-07-22 2018-01-22 Appropolis Inc. Method of tracking one or more mobile objects in a site and a system employing same
CN106638727A (zh) * 2017-01-09 2017-05-10 武汉理工大学 一种用于深基坑实时感知与病害检查的装置
CN107180448A (zh) * 2017-04-24 2017-09-19 中国矿业大学 一种基于地表不变特征的矿区dem变化检测方法
CN108896019A (zh) * 2018-05-10 2018-11-27 四川省冶地工程勘察设计有限公司 基于无人机航测数据的航片影像立体区域网平差方法
CN109325250A (zh) * 2018-07-26 2019-02-12 四川大学 一种高速滑坡-碎屑流运动侵蚀效应的数值模拟方法及系统
CN109543427A (zh) * 2018-11-08 2019-03-29 中国石油天然气集团公司 一种虚拟坐标生成方法
CN109655040A (zh) * 2018-12-25 2019-04-19 南京工业大学 一种基于无人机靶向技术的边坡位移监测方法
CN110307824A (zh) * 2019-06-25 2019-10-08 东北大学 一种基于无人机的矿山塌陷区智能预警系统及方法
CN112597428A (zh) * 2020-12-22 2021-04-02 同济大学 基于rfm模型光束法平差和影像重采样的颤振探测修正方法
CN113436313A (zh) * 2021-05-24 2021-09-24 南开大学 一种基于无人机的三维重建误差主动修正方法
CN113420515A (zh) * 2021-07-19 2021-09-21 四川大学 一种基于降雨数据的滑坡泥石流形成演化模拟方法
CN113759374A (zh) * 2021-08-19 2021-12-07 速度时空信息科技股份有限公司 一种城市基础设施的结构健康问题的监测系统和监测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
寇延鹏等: "无人机倾斜摄影测量在矿山测绘中的应用", 《冶金管理》 *
徐晨晨等: "城镇化区域无人机低空航路网迭代构建的理论体系与技术路径", 《地理学报》 *
杨玉川 等: "无人机技术在工程全生命周期中的应用研究", 《中国农村水利水电》 *

Also Published As

Publication number Publication date
CN115031674B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
Zhao et al. Structural health monitoring and inspection of dams based on UAV photogrammetry with image 3D reconstruction
Goncalves et al. UAV photogrammetry for topographic monitoring of coastal areas
Dall’Asta et al. Unmanned Aerial Systems and DSM matching for rock glacier monitoring
WO2022213673A1 (zh) 融合无人机dom和星载sar影像的地表三维形变提取方法
CN105954747A (zh) 基于电网不良地质体三维形变监测的塔基稳定性分析方法
Anders et al. High-frequency 3D geomorphic observation using hourly terrestrial laser scanning data of a sandy beach
Jiang et al. A fusion method using terrestrial laser scanning and unmanned aerial vehicle photogrammetry for landslide deformation monitoring under complex terrain conditions
WO2022104251A1 (en) Image analysis for aerial images
AGUILAR et al. 3D coastal monitoring from very dense UAV-Based photogrammetric point clouds
Gonçalves et al. Monitoring Local Shoreline Changes by Integrating UASs, Airborne LiDAR, Historical Images and Orthophotos.
Cilek et al. Generation of high-resolution 3-D maps for landscape planning and design using UAV technologies
Yeh et al. Morphological analysis of landslides in extreme topography by UAS-SfM: Data acquisition, 3D models and change detection
CN113744393B (zh) 一种多层级边坡滑坡变化监测方法
Bertin et al. Geomorphic change detection using cost-effective structure-from-motion photogrammetry: Evaluation of direct georeferencing from consumer-grade UAS at Orewa beach (New Zealand)
Recla et al. From Relative to Absolute Heights in SAR-based Single-Image Height Prediction
He et al. Robust Estimation of Landslide Displacement from Multi-temporal UAV Photogrammetry-Derived Point Clouds
CN109781191A (zh) 一种利用无人机影像快速反演河道流量的方法
CN117388851A (zh) 一种InSAR变形监测精度可靠估计方法
Xiong et al. Offset measurements along active faults based on the structure from motion method–A case study of Gebiling in the Xorkoli section of the Altyn Tagh Fault
Qin et al. Quality assessment of image matchers for DSM generation--a comparative study based on UAV images
CN115031674B (zh) 一种复杂地形下的地表变形监测方法
Yeh et al. The Evaluation of GPS techniques for UAV-based Photogrammetry in Urban Area
WO2023223281A1 (en) Automated monitoring of constructional sites
Hu et al. Time-series spaceborne InSAR monitoring of permafrost deformation combined with backscattering characteristics: Case study from the Qinghai–Tibet engineering corridor
CN113587834A (zh) 一种基于无控摄影测量的边坡变形监测方法

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