CN115079172A - 一种MTInSAR滑坡监测方法、设备及存储介质 - Google Patents

一种MTInSAR滑坡监测方法、设备及存储介质 Download PDF

Info

Publication number
CN115079172A
CN115079172A CN202210760065.0A CN202210760065A CN115079172A CN 115079172 A CN115079172 A CN 115079172A CN 202210760065 A CN202210760065 A CN 202210760065A CN 115079172 A CN115079172 A CN 115079172A
Authority
CN
China
Prior art keywords
deformation
los
mtinsar
landslide
independent component
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
Application number
CN202210760065.0A
Other languages
English (en)
Inventor
史国强
黄波
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.)
Shenzhen Research Institute of CUHK
Original Assignee
Shenzhen Research Institute of CUHK
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 Shenzhen Research Institute of CUHK filed Critical Shenzhen Research Institute of CUHK
Priority to CN202210760065.0A priority Critical patent/CN115079172A/zh
Publication of CN115079172A publication Critical patent/CN115079172A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather

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)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)

Abstract

本申请涉及地质灾害预防领域，公开了一种MTInSAR滑坡监测方法、设备及存储介质，包括：获取待监测滑坡区的SAR影像数据，并对影像数据进行预处理；根据处理后的影像数据，建立PS监测网络和DS监测网络；利用PS监测网络和DS监测网络获取待监测滑坡区的MTInSAR观测数据，包括LOS向形变观测值及坡体高程信息；采用独立成分分析及周期性分析方法识别LOS向形变观测值中的大气延迟成分；将大气延迟成分从LOS向形变观测值中分离出，得到大气改正后的LOS向形变数据；利用地形及卫星轨道参数，将LOS向形变数据模拟为沿坡度方向形变。这样不依赖于外部天气模型或气象数据，能够有效完成高时空分辨率的大气自动改正，提高MTInSAR坡体监测精度，有助于滑坡预警及灾害防治。

Description

一种MTInSAR滑坡监测方法、设备及存储介质
技术领域
本发明涉及地质灾害预防领域，特别是涉及一种MTInSAR滑坡监测方法、设备及存储介质。
背景技术
滑坡是我国主要地质灾害之一，特别是在山丘地形城市如重庆、香港等，频繁的滑坡及泥石流严重影响周边密集建筑群、公共基础设施及居民人身安全。定期的坡体稳定性监测对防治滑坡灾害极为重要，但传统的地面测量手段一则费用高昂，二则在监测效率及空间细节反映能力上也都存在不足。作为新发展起来的遥感技术，合成孔径雷达干涉测量(InSAR，Interferometric Synthetic Aperture Radar)技术克服了地面仪器的局限性，可提供低成本、高时空分辨率(空间1米，时间两周)、高精度(毫米级)的全天候地面形变监测手段。
近年来不断发展壮大的多时相InSAR技术(MTInSAR，Multi-Temporal InSAR)已成熟应用于城市沉降、矿区形变监测、滑坡监测等地质灾害预防领域。然而，对于多植被覆盖及大气扰动明显(主要受大气水汽变化影响)的沿海山地区域(如我国粤港澳大湾区)，传统的MTInSAR处理方式仍存有技术缺陷与不足，不能准确测得坡体的形变，给滑坡稳定性分析带来困难。一方面，多植被覆盖使得坡体表面的雷达失相干严重，直接影响到有效干涉相位信息的提取；另一方面，坡地周边的大气扰动使得MTInSAR测量值中存在因雷达信号大气延迟而造成的测量误差，直接影响到对坡体形变的准确估计。利用外部天气模型可实现MTInSAR大气扰动的改正，但外部天气模型的空间分辨率非常低，且天气模型的垂直向大气分层也不够精细，不适用于对坡体的精确大气改正。
因此，如何解决MTInSAR滑坡监测中相位失相干及大气扰动影响的问题，是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种MTInSAR滑坡监测方法、设备及存储介质，可以提高多植被覆盖区的相位质量，有效完成高时空分辨率的大气自动改正，进而提高MTInSAR坡体监测精度。其具体方案如下：
一种MTInSAR滑坡监测方法，包括：
获取待监测滑坡区的SAR影像数据，并对所述SAR影像数据进行预处理；
根据处理后的所述SAR影像数据，建立PS监测网络和DS监测网络；
利用所述PS监测网络和所述DS监测网络获取所述待监测滑坡区的MTInSAR观测数据；所述MTInSAR观测数据包括LOS向形变观测值及坡体高程信息；
采用独立成分分析及周期性分析方法识别所述LOS向形变观测值中的大气延迟成分；
将所述大气延迟成分从所述LOS向形变观测值中分离出，得到大气改正后的LOS向形变数据；
利用地形数据及卫星轨道参数，将所述LOS向形变数据模拟为沿坡度方向形变。
优选地，在本发明实施例提供的上述MTInSAR滑坡监测方法中，采用独立成分分析及周期性分析方法识别所述LOS向形变观测值中的大气延迟成分，包括：
对所述LOS向形变观测值进行独立成分分析，获得各独立成分的空间响应及时间序列；
对所述坡体高程信息和获得的各独立成分的空间响应及时间序列进行空间相关性分析及周期性谱分析，获得各独立成分的空间相关因子及其时间序列周期性；
将同时满足空间相关因子最大且时间序列周期性最明显的独立成分判定为所述LOS向形变观测值中的大气延迟成分。
优选地，在本发明实施例提供的上述MTInSAR滑坡监测方法中，对所述LOS向形变观测值进行独立成分分析，获得各独立成分的空间响应及时间序列，包括：
根据所述LOS向形变观测值，生成数据矩阵；
采用迭代法确定所述数据矩阵对应的线性分离矩阵；
根据所述线性分离矩阵和所述数据矩阵，获得各独立成分的空间响应及时间序列。
优选地，在本发明实施例提供的上述MTInSAR滑坡监测方法中，对所述坡体高程信息和获得的各独立成分的空间响应及时间序列进行空间相关性分析及周期性谱分析，获得各独立成分的空间相关因子及其时间序列周期性，包括：
根据所述坡体高程信息及高程信息均值、获得的各独立成分的空间响应及空间响应均值，计算各独立成分的空间相关因子；
利用傅里叶变换对各独立成分的时间序列进行周期性谱分析，获得各独立成分的时间序列周期性。
优选地，在本发明实施例提供的上述MTInSAR滑坡监测方法中，在采用独立成分分析及周期性分析方法识别所述LOS向形变观测值中的大气延迟成分之前，还包括：
对所述LOS向形变观测值进行主成分分析，并只保留构成所述LOS向形变观测数据中设定个数的主要成分，所述设定个数的主要成分应解释85％以上数据方差，以实现数据降维。
优选地，在本发明实施例提供的上述MTInSAR滑坡监测方法中，建立PS监测网络，包括：
根据处理后的所述SAR影像数据的振幅离差指数，选取PS候选点；
利用狄罗妮三角网将选取的所有PS候选点相连，构建PS监测网络；
采用稳健估计方法解算所述PS监测网络弧段的形变参数及高程参数；
根据所述PS监测网络弧段的形变参数及高程参数，对所述PS监测网络进行整体平差处理，并选定一个PS候选点作为形变监测参考点；
获取每个PS候选点相对于所述形变监测参考点的高程信息及形变时间序列。
优选地，在本发明实施例提供的上述MTInSAR滑坡监测方法中，建立DS监测网络，包括：
利用所述待监测滑坡区的地形要素信息进行同质点聚类；
利用所述同质点的相干矩阵重构干涉相位时间序列；
基于相位重构后的干涉图，并依据同质点数量阈值或相位相干性阈值，选取DS候选点；
将每个DS候选点与其最邻近的PS候选点相连，构成DS监测网络；
采用稳健估计方法解算所述DS监测网络弧段的形变参数及高程参数；
将所述DS监测网络弧段的形变参数加上所连的PS候选点的形变参数，得到每个DS候选点的形变值及高程值。
优选地，在本发明实施例提供的上述MTInSAR滑坡监测方法中，利用地形要素信息进行同质点聚类，包括：
利用优于或等价于SAR影像空间分辨率的数字高程模型DEM计算出所述待监测滑坡区的坡度及坡面角数值；
在一个滤波窗口内，选择坡度与坡面角相似的像素点作为滤波窗口中心像素的同质点。
本发明实施例还提供了一种MTInSAR滑坡监测设备，包括处理器和存储器，其中，所述处理器执行所述存储器中存储的计算机程序时实现如本发明实施例提供的上述MTInSAR滑坡监测方法。
本发明实施例还提供了一种计算机可读存储介质，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如本发明实施例提供的上述MTInSAR滑坡监测方法。
从上述技术方案可以看出，本发明所提供的一种MTInSAR滑坡监测方法，包括：获取待监测滑坡区的SAR影像数据，并对SAR影像数据进行预处理；根据处理后的SAR影像数据，建立PS监测网络和DS监测网络；利用PS监测网络和DS监测网络获取待监测滑坡区的MTInSAR观测数据；MTInSAR观测数据包括LOS向形变观测值及坡体高程信息；采用独立成分分析及周期性分析方法识别LOS向形变观测值中的大气延迟成分；将大气延迟成分从LOS向形变观测值中分离出，得到大气改正后的LOS向形变数据；利用地形数据及卫星轨道参数，将LOS向形变数据模拟为沿坡度方向形变。
本发明提供的上述MTInSAR滑坡监测方法，通过建立的PS监测网络和DS监测网络来获取LOS向形变观测值，可以提高多植被覆盖区的MTInSAR测量点数量，并基于独立成分分析及周期性分析方法将LOS向形变观测值中的大气延迟成分去除，最后将LOS向形变模拟到沿坡度方向的形变，整个过程不依赖于外部天气模型或气象数据，能够有效完成高时空分辨率的大气自动改正，提高MTInSAR坡体监测精度，有助于滑坡预警及灾害防治等措施的实行。
此外，本发明还针对MTInSAR滑坡监测方法提供了相应的设备及计算机可读存储介质，进一步使得上述方法更具有实用性，该设备及计算机可读存储介质具有相应的优点。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案，下面将对实施例或相关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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的MTInSAR滑坡监测方法的流程图；
图2为本发明实施例提供的MTInSAR滑坡监测方法的具体流程图；
图3和图4分别为本发明实施例提供的一组LOS向形变数据独立成分的空间相关因子和时间序列周期性分析结果；
图5和图6分别为本发明实施例提供的另一组LOS向形变数据独立成分的空间相关因子和时间序列周期性分析结果；
图7为本发明实施例提供的由卫星轨道参数及高程模型DEM计算得到的待监测滑坡区LOS形变敏感度因子的示意图；
图8a为本发明实施例提供的待监测滑坡区对流层延迟于时间上的相对变化的示意图；
图8b为本发明实施例提供的待监测滑坡区对流程延迟于空间上的相对变化的示意图；
图9a为本发明实施例提供的2015年12月至2016年5月待监测滑坡区坡体形变监测结果三维显示图；
图9b为本发明实施例提供的2016年5月至2016年11月待监测滑坡区坡体形变监测结果三维显示图；
图9c为本发明实施例提供的坡上全体MTInSAR测量点的平均位移与年累计降雨比较示意图。
具体实施方式
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做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。
本发明提供一种MTInSAR滑坡监测方法，如图1所示，包括以下步骤：
S101、获取待监测滑坡区的SAR(Synthetic Aperture Radar)影像数据，并对SAR影像数据进行预处理；
在具体实施时，如图2所示，对SAR影像数据进行预处理，可以包括：将SAR影像数据进行导入与配准；利用干涉模块对配准后的SAR影像数据进行干涉处理、去平地相位处理和差分处理等。在配准后，为了保证MTInSAR监测的空间细节，可选定主影像后基于全分辨率生成干涉图。
S102、根据处理后的SAR影像数据，建立PS监测网络和DS监测网络；
需要说明的是，步骤S102集成了永久散射体(Persistent Scatterer，PS)和分布式散射体(Distributed Scatterer，DS)，以建立PS及DS双层监测网络。其中DS监测网络是基于相位时空滤波(以此提高相位相干性)后的干涉图。由于在滑坡区地表覆盖多为植被、裸土等，此类地表在MTInSAR分析时多表现为中/低相干性的分布式散射体DS，甚至完全失相干，只利用PS解算方法不能有效恢复出这类地区的形变信号。因此，本发明中DS网络监测旨在恢复中/低相干性地区的有用形变信号。
S103、利用PS监测网络和DS监测网络获取待监测滑坡区的MTInSAR观测数据；MTInSAR观测数据包括LOS向形变观测值及坡体高程信息；
需要说明的是，由PS及DS监测网络获得的输出信息包括滑坡区的LOS(Line-of-sight，卫星视线方向)向形变观测值，以及坡体高程信息等。
S104、采用独立成分分析及周期性分析方法识别LOS向形变观测值中的大气延迟成分；
需要说明的是，由于受对流层大气影响，MTInSAR在监测坡体形变时往往包含了大气延迟误差，且该大气影响随地面高程变化而变化，因此在高程起伏的山区更为明显。对流层大气延迟在空间上与高程相关且在时间上多呈现季节性，是影响滑坡形变监测精度的主要误差之一。在本发明中，利用独立成分分析及周期性分析方法自动识别出LOS向形变观测值中的大气延迟成分。
S105、将大气延迟成分从LOS向形变观测值中分离出，得到大气改正后的LOS向形变数据；
S106、利用地形数据及卫星轨道参数，将LOS向形变数据模拟为沿坡度方向形变。
在本发明实施例提供的上述MTInSAR滑坡监测方法中，通过建立的PS监测网络和DS监测网络来获取LOS向形变观测值，可以提高多植被覆盖区的MTInSAR测量点数量，并基于独立成分分析及周期性分析方法将LOS向形变观测值中的大气延迟成分去除，最后将LOS向形变模拟到沿坡度方向的形变，整个过程不依赖于外部天气模型或气象数据，能够有效完成高时空分辨率的大气自动改正，提高MTInSAR坡体监测精度，有助于滑坡预警及灾害防治等措施的实行。
进一步地，在具体实施时，在本发明实施例提供的上述MTInSAR滑坡监测方法中，如图2所示，步骤S102建立PS监测网络，具体可以包括：首先，根据处理后的SAR影像数据的强度信息的振幅离差指数(Amplitude Dispersion Index,ADI)，选取PS候选点；然后，利用狄罗妮三角网将选取的所有PS候选点相连，构建PS监测网络；采用稳健估计方法(Beamforming)解算PS监测网络弧段的形变参数及高程参数；所有弧段参数解算完毕后，根据PS监测网络弧段的形变参数及高程参数，对PS监测网络进行整体平差处理，并选定待监测滑坡区内的一个PS候选点(一般选择位于稳定地表的PS点)作为形变监测参考点；获取每个PS候选点相对于形变监测参考点的高程信息及形变时间序列。
在实际应用中，PS候选点多为相位稳定点(如滑坡区周边建筑、道路、裸露岩石等)。
进一步地，在具体实施时，在本发明实施例提供的上述MTInSAR滑坡监测方法中，如图2所示，步骤S102建立DS监测网络，具体可以包括：首先，利用待监测滑坡区的地形要素信息进行同质点聚类；然后，利用同质点的相干矩阵重构干涉相位时间序列；基于相位重构后的干涉图，并依据同质点数量阈值或相位相干性阈值，选取DS候选点；之后，将每个DS候选点与其最邻近的PS候选点相连，构成DS监测网络；采用稳健估计方法解算DS监测网络弧段的形变参数及高程参数；最后，将DS监测网络弧段的形变参数加上所连的PS候选点的形变参数，得到每个DS候选点的形变值及高程值。
如图2所示，DS处理首先需对干涉图进行时空同质滤波(同质滤波包括同质像素聚类以及相位重构两个过程)。由于滑坡区的SAR影像质量较差，本发明利用地形要素信息进行同质点聚类。同质点聚类完成后，利用同质点的相干矩阵重构干涉相位时间序列，相位重构由相干性加权Phase-Linking方法实现。经过同质滤波的干涉图相位质量会有所提高，有助于后续DS弧段的形变参数估计。DS候选点的选择可通过设置同质点数量阈值或相位相干性阈值完成。DS监测网络的拓展建立于PS参考网之上，即将DS候选点与其最邻近的PS参考点相连构成DS弧段，DS弧段的形变及高程参数解算同样基于稳健估计方法。最后将DS弧段所得形变参数加上所连PS参考点的形变参数即为该DS点的形变值。至此，DS扩展网络完成。
本发明引入基于地形数据的干涉相位时空滤波，可以进一步提高多植被覆盖区的相位质量，降低相位失相干影响。
在具体实施时，在本发明实施例提供的上述MTInSAR滑坡监测方法中，上述步骤中利用地形要素信息进行同质点聚类，具体可以包括：首先，利用优于或等价于SAR影像空间分辨率的数字高程模型(Digital elevation model，DEM)计算出待监测滑坡区的坡度及坡面角数值；然后，在一个滤波窗口内，选择坡度与坡面角相似的像素点作为滤波窗口中心像素的同质点。
进一步地，在具体实施时，在本发明实施例提供的上述MTInSAR滑坡监测方法中，如图2所示，步骤S104采用独立成分分析及周期性分析方法识别LOS向形变观测值中的大气延迟成分，具体可以包括：首先，对LOS向形变观测值进行独立成分分析，获得各独立成分的空间响应及时间序列；然后，对坡体高程信息和获得的各独立成分的空间响应及时间序列进行空间相关性分析及周期性谱分析，获得各独立成分的空间相关因子及其时间序列周期性；最后，将同时满足空间相关因子最大且时间序列周期性最明显的独立成分判定为LOS向形变观测值中的大气延迟成分。
可以理解的是，MTInSAR获得的坡体LOS向形变中包含了真实形变、大气扰动、系统误差、随机误差等信号源，其中大气扰动是LOS测量值中对形变估计影响最大的误差源。在传统大气改正方法中，多采用外部天气模型获得待监测滑坡区内大气延迟信号。一方面，外部天气模型的空间分辨率非常有限，大多是以稀疏的地面气象站或GPS(GlobalPositioning System)网络插值而来；另一方面，外部天气模型在垂直方向的大气分层细节度也不高，在垂直方向上大多数大气延迟产品是依照一定的大气-高程关系，根据DEM插值而来。这些都不利于MTInSAR滑坡监测时进行精准的大气延迟改正，特别是在坡体形变不大时，形变信号更容易淹没在大气延迟中，这给坡体形变解译带来困难。因此，在本发明中，利用独立成分分析、空间相关性分析及周期性谱分析，获得各独立成分的空间相关因子及其时间序列周期性，找出同时满足空间相关因子最大且时间序列周期性最明显的独立成分作为LOS向形变观测值中的大气延迟成分，可以获得空间分辨率更高的大气延迟信号。
在具体实施时，在本发明实施例提供的上述MTInSAR滑坡监测方法中，上述步骤对LOS向形变观测值进行独立成分分析，获得各独立成分的空间响应及时间序列，具体可以包括：首先，根据LOS向形变观测值，生成数据矩阵；然后，采用迭代法确定数据矩阵对应的线性分离矩阵；最后，根据线性分离矩阵和数据矩阵，获得各独立成分的空间响应及时间序列。
具体地，将LOS向形变观测数据作为一个包含各种信号的盲源信号(Blind sourceseparation，BBS)，因此，对大气延迟的提取及改正即是一个盲源信号分离问题。假设LOSn×m为由所有LOS观测量生成的数据矩阵，其中n代表监测得到的PS及DS数量(空间维度)，m为SAR影像的数量(时间维度)，独立成分信号分离可表示为：
LOSn×m＝Sn×k·Tk×m (1)
其中，Sn×k＝[S1，S2，...，Sk]为未知矩阵，代表分离所得的k个独立成分(信号源)在空间上的响应；具体地，Sn×k矩阵由元素sij(1≤i≤n，1≤j≤k)组成，sij为第j个独立成分(信号源)在空间位置i(空间位置即为PS及DS点的位置)上的贡献；Tk×m同样为未知矩阵，代表k个独立成分在时间上的具体表现，如第j个独立成分的时间序列即为[tj1，...，tjm]。因求解式(1)时，不能同时解得两个未知矩阵变量，具体实现独立成分分析时，首先需确定一个线性分离(投影)矩阵Wk×n，Wk×n可将原始的LOSn×m转换为一组相互独立的变量，即
Yk×m＝Wk×n·LOSn×m (2)
其中，Yk×m包含了独立变量yj＝[yj1，....，yjm]，1≤j≤k，且Yk×m实际上即代表了式(1)中Tk×m。Wk×n＝[w1，w2，...，wk]T的求解可由迭代法实现，具体实现为：对每一个向量wi，i＝1，2，...，k，迭代始于一个随机向量
Figure BDA0003723829080000101
并按以下步骤求得wi：
第一步：
Figure BDA0003723829080000102
第二步：
Figure BDA0003723829080000103
其中，E代表数学期望，X为白化后的LOSn×m矩阵，G为对比函数，G′及G″分别代表对比函数的一阶及二阶导数，T为转置。对比函数G一般设为：
Figure BDA0003723829080000104
Figure BDA0003723829080000105
Figure BDA0003723829080000106
其中，1≤a1≤2且α2≈1。
第三步：
Figure BDA0003723829080000107
其中，wj，j＝1，...，i-1代表之前已完成迭代得到的w；
第四步：
Figure BDA0003723829080000108
第五步：若wi收敛，重回第一步，且i＝i+1，，i≤k，若不收敛则回第二步。最大迭代次数及收敛条件可根据实际情况设定。当迭代解算出所有wi后，Wk×n＝[w1，w2，…，wk]T即可获得。一旦Wk×n获得，式(1)中Sn×k(Wk×n的广义逆)即可求得。因此，各独立成分(信号源)的空间响应(即式(1)中S)及时间序列(即式(1)中T)也相应获得。
进一步地，在具体实施时，在本发明实施例提供的上述MTInSAR滑坡监测方法中，在执行步骤S104采用独立成分分析及周期性分析方法识别LOS向形变观测值中的大气延迟成分之前，还可以包括：对LOS向形变观测值进行主成分分析，并只保留构成此待大气改正的LOS形变数据的设定个数的主要成分。也就是说，在执行独立成分分析之前，可以对LOS向形变观测数据先做主成分分析。主成分分析的目的是挑选出LOS向形变观测数据中的最主要的几个信号源(即占数据方差最大的几个成分)，较佳地，可以只保留前几个主要成分，且该几个主要成分解释了数据85％及以上的方差，以达到数据降纬的目的。主成分分析降纬可帮助确定最后独立成分分析保留多少个独立成分最为合适，即确定式(1)中k值。
另外，在具体实施时，在本发明实施例提供的上述MTInSAR滑坡监测方法中，上述步骤对坡体高程信息和获得的各独立成分的空间响应及时间序列进行空间相关性分析及周期性谱分析，获得各独立成分的空间相关因子及其时间序列周期性，具体可以包括：根据坡体高程信息及高程信息均值、获得的各独立成分的空间响应及空间响应均值，计算各独立成分的空间相关因子；利用傅里叶变换对各独立成分的时间序列进行周期性谱分析，获得各独立成分的时间序列周期性。
具体地，因大气延迟信号与地形高程有很强相关性，本发明提出用空间相关因子ρ计算每个独立成分同地形高程的相关程度，即：
Figure BDA0003723829080000111
其中，ρ(j)为第j个独立成分(信号源)的空间相关因子(j＝1，..，k)；Sj为第j个独立成分的空间响应，i(i＝1…，n)代表不同PS、DS像素；H为由MTInSAR输出的地形高程信息；
Figure BDA0003723829080000112
及
Figure BDA0003723829080000113
分别代表各自均值。ρ∈[0，1]值越高说明该信号源与地形高程的相关度越高。此外，大气延迟信号受季节性大气变化影响，在时间上呈现周期性模式。因此，本发明利用傅里叶变换对各独立成分的时间序列进行谱分析以解算其周期性特征，即：
Figure BDA0003723829080000114
其中，P(j)为第j(j＝1，..，k)个独立成分时间序列的功率谱；F为傅里叶变换；()*代表复数共轭；L为Tj向量长度，其中Tj在功率谱分析前已被均匀时间插值。经谱分析可以获得各独立成分的周期性，一般大气延迟信号具有同当地水气压、温度等相同的周期性。图3至图6显示了两组LOS数据独立成分的空间相关因子及时间序列周期性分析结果，其中大气延迟信号表现出最高的空间高程相关性及明显的年纪周期性。
上述步骤计算了各独立成分(信号源)的空间相关因子及其时间序列周期性。依据大气延迟信号特性，本发明认定同时满足相关因子最大且周期性最明显(周期性与当地水气压、温度等符合，一般为年纪周期性)的独立成分为该LOS向形变观测值中包含的大气延迟项。确定大气延迟项后，需在原始LOS向形变观测值中将此大气延迟去除，得到大气改正后的LOS向形变数据。例如，确定k个独立成分中的第t(1≤t≤k)个独立成分为大气延迟信号，则大气信号分离可由LOSn×m-St·Tt实现，其中St为式(1)中Sn×k的第t列，Tt为式(1)中Tk×m的第t行。至此，对MTInSAR监测获得的LOS向形变观测值的大气延迟改正完成，且不依赖于外部天气模型或气象数据。
需要注意的是，MTInSAR获得的坡体形变为卫星视线方向(LOS)，即不是传统的三维(北、东、天)坐标形变，也不是工程地质中更关注的沿坡方向的形变。在本发明中，如图2所示，可以将经过步骤S105大气延迟改正后的LOS向形变观测值模拟到沿坡最大梯度方向的形变值，该形变模拟由以下投影公式完成：
Figure BDA0003723829080000121
其中，SLOS为LOS形变敏感度因子，即表示一单位的沿坡滑动(以沿坡向下为正直，沿坡向上为负值)对应着SLOS单位的LOS方向位移(LOS向位移正值表示向卫星方向移动，LOS向负值表示远离卫星方向移动)；θ及
Figure BDA0003723829080000122
分别为卫星入射角及航向角；α及σ分别为地面坡度角及坡向角。其中坡度与坡向信息由地面高程模型(DEM)获得，图7示出了待监测滑坡区计算所得SLOS。将步骤5中去除大气延迟后的LOS向形变观测量除以SLOS即可获得沿坡方向的形变，至此MTInSAR坡体形变监测完成。坡体形变数据可用于跟地面监测数据验证，并做进一步坡体稳定性分析。
下面以待监测滑坡区为香港大屿山(Lantau Island)某处坡体为例，对本发明实施例提供的MTInSAR滑坡监测方法进行说明：
具体采用63幅高分辨率CosmoSkyMed条带模式SAR影像做单视干涉处理，时间跨度为2013年10月至2019年7月。利用本发明的监测方法成功获取了待监测滑坡区详细的坡体形变信息，并成功将大气扰动从原始MTInSAR测量值中分离。本实验结果得到的大气延迟信息与外部大气产品European Centre for Medium-Range Weather Forecasts(ECMWF)ERA5进行了验证，大气改正后的坡体形变信息也与地面水准测量数据进行了验证。结果表明，经本发明改正大气延迟后，待监测滑坡区坡体形变监测精度提高约42％，形变时间序列精度达到毫米级。图8a和图8b示出了由本发明获得的待监测滑坡区对流层延迟时空相对变化，其中图8a示出了待监测滑坡区对流层延迟于时间上的相对变化，图8b示出了待监测滑坡区对流层延迟(归一化后)于空间上的相对变化。图9a和图9b示出了由本发明获取的不同时段待监测滑坡区坡体形变信息，正值代表沿坡向下滑动；其中，图9a为2015年12月至2016年5月待监测滑坡区坡体形变监测结果三维显示图，图9b为2016年5月至2016年11月待监测滑坡区坡体形变监测结果三维显示图。图9c示出了坡上全体MTInSAR测量点的平均位移与年累计降雨之间的比较，灰色阴影代表所有测量点标准差，正值代表沿坡向下滑动。
基于同一发明构思，本发明实施例还提供了一种MTInSAR滑坡监测装置，由于该装置解决问题的原理与前述一种MTInSAR滑坡监测方法相似，因此该装置的实施可以参见MTInSAR滑坡监测方法的实施，重复之处不再赘述。
在具体实施时，本发明实施例提供的MTInSAR滑坡监测装置，具体包括：
影像处理模块，用于获取待监测滑坡区的SAR影像数据，并对SAR影像数据进行预处理；
网络建立模块，用于根据处理后的SAR影像数据，建立PS监测网络和DS监测网络；
MTInSAR观测数据获取模块，用于利用PS监测网络和DS监测网络获取待监测滑坡区的MTInSAR观测数据；MTInSAR观测数据包括LOS向形变观测值及坡体高程信息；
大气延迟成分识别模块，用于采用独立成分分析及周期性分析方法识别LOS向形变观测值中的大气延迟成分；
大气延迟成分分离模块，用于将大气延迟成分从LOS向形变观测值中分离出，得到大气改正后的LOS向形变观测数据；
形变模拟模块，用于利用地形数据及卫星轨道参数，将LOS向形变数据模拟为沿坡度方向形变。
在本发明实施例提供的上述MTInSAR滑坡监测装置中，可以通过上述五个模块的相互作用，提高多植被覆盖区的MTInSAR监测点数量，不依赖于外部天气模型或气象数据，并且有效完成高时空分辨率的大气自动改正，提高MTInSAR坡体监测精度，有助于滑坡预警及灾害防治等措施的实行。
关于上述各个模块更加具体的工作过程可以参考前述实施例公开的相应内容，在此不再进行赘述。
相应地，本发明实施例还公开了一种MTInSAR滑坡监测设备，包括处理器和存储器；其中，处理器执行存储器中存储的计算机程序时实现前述实施例公开的MTInSAR滑坡监测方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
进一步地，本发明还公开了一种计算机可读存储介质，用于存储计算机程序；计算机程序被处理器执行时实现前述公开的MTInSAR滑坡监测方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的设备、存储介质而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
综上，本发明实施例提供的一种MTInSAR滑坡监测方法、设备及存储介质，包括：获取待监测滑坡区的SAR影像数据，并对SAR影像数据进行预处理；根据处理后的SAR影像数据，建立PS监测网络和DS监测网络；利用PS监测网络和DS监测网络获取待监测滑坡区的MTInSAR观测数据；MTInSAR观测数据包括LOS向形变观测值及高程信息；采用独立成分分析及周期性分析方法识别LOS向形变观测值中的大气延迟成分；将大气延迟成分从LOS向形变观测值中分离出，得到大气改正后的LOS向形变数据；利用地形数据及卫星轨道参数，将LOS向形变数据模拟为沿坡度方向形变。上述MTInSAR滑坡监测方法，通过建立的PS监测网络和DS监测网络来获取LOS向形变观测值，可以提高多植被覆盖区的MTInSAR测量点数量，并基于独立成分分析及周期性分析方法将LOS向形变观测值中的大气延迟成分去除，最后将LOS向形变模拟到沿坡度方向的形变，整个过程不依赖于外部天气模型或气象数据，能够有效完成高时空分辨率的大气自动改正，提高MTInSAR坡体监测精度，有助于滑坡预警及灾害防治等措施的实行。此外，本发明还针对MTInSAR滑坡监测方法提供了相应的设备及计算机可读存储介质，进一步使得上述方法更具有实用性，该设备及计算机可读存储介质具有相应的优点。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的MTInSAR滑坡监测方法、设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种MTInSAR滑坡监测方法，其特征在于，包括：
获取待监测滑坡区的SAR影像数据，并对所述SAR影像数据进行预处理；
根据处理后的所述SAR影像数据，建立PS监测网络和DS监测网络；
利用所述PS监测网络和所述DS监测网络获取所述待监测滑坡区的MTInSAR观测数据；所述MTInSAR观测数据包括LOS向形变观测值及坡体高程信息；
采用独立成分分析及周期性分析方法识别所述LOS向形变观测值中的大气延迟成分；
将所述大气延迟成分从所述LOS向形变观测值中分离出，得到大气改正后的LOS向形变数据；
利用地形数据及卫星轨道参数，将所述LOS向形变数据模拟为沿坡度方向形变。
2.根据权利要求1所述的MTInSAR滑坡监测方法，其特征在于，采用独立成分分析及周期性分析方法识别所述LOS向形变观测值中的大气延迟成分，包括：
对所述LOS向形变观测值进行独立成分分析，获得各独立成分的空间响应及时间序列；
对所述坡体高程信息和获得的各独立成分的空间响应及时间序列进行空间相关性分析及周期性谱分析，获得各独立成分的空间相关因子及其时间序列周期性；
将同时满足空间相关因子最大且时间序列周期性最明显的独立成分判定为所述LOS向形变观测值中的大气延迟成分。
3.根据权利要求2所述的MTInSAR滑坡监测方法，其特征在于，对所述LOS向形变观测值进行独立成分分析，获得各独立成分的空间响应及时间序列，包括：
根据所述LOS向形变观测值，生成数据矩阵；
采用迭代法确定所述数据矩阵对应的线性分离矩阵；
根据所述线性分离矩阵和所述数据矩阵，获得各独立成分的空间响应及时间序列。
4.根据权利要求3所述的MTInSAR滑坡监测方法，其特征在于，对所述坡体高程信息和获得的各独立成分的空间响应及时间序列进行空间相关性分析及周期性谱分析，获得各独立成分的空间相关因子及其时间序列周期性，包括：
根据所述坡体高程信息及高程信息均值、获得的各独立成分的空间响应及空间响应均值，计算各独立成分的空间相关因子；
利用傅里叶变换对各独立成分的时间序列进行周期性谱分析，获得各独立成分的时间序列周期性。
5.根据权利要求1所述的MTInSAR滑坡监测方法，其特征在于，在采用独立成分分析及周期性分析方法识别所述LOS向形变观测值中的大气延迟成分之前，还包括：
对所述LOS向形变观测值进行主成分分析，并只保留构成所述LOS向形变观测数据的设定个数的主要成分，所述设定个数的主要成分应解释85％以上数据方差，以实现数据降维。
6.根据权利要求1所述的MTInSAR滑坡监测方法，其特征在于，建立PS监测网络，包括：
根据处理后的所述SAR影像数据的振幅离差指数，选取PS候选点；
利用狄罗妮三角网将选取的所有PS候选点相连，构建PS监测网络；
采用稳健估计方法解算所述PS监测网络弧段的形变参数及高程参数；
根据所述PS监测网络弧段的形变参数及高程参数，对所述PS监测网络进行整体平差处理，并选定一个PS候选点作为形变监测参考点；
获取每个PS候选点相对于所述形变监测参考点的高程信息及形变时间序列。
7.根据权利要求6所述的MTInSAR滑坡监测方法，其特征在于，建立DS监测网络，包括：
利用所述待监测滑坡区的地形要素信息进行同质点聚类；
利用所述同质点的相干矩阵重构干涉相位时间序列；
基于相位重构后的干涉图，并依据同质点数量阈值或相位相干性阈值，选取DS候选点；
将每个DS候选点与其最邻近的PS候选点相连，构成DS监测网络；
采用稳健估计方法解算所述DS监测网络弧段的形变参数及高程参数；
将所述DS监测网络弧段的形变参数加上所连的PS候选点的形变参数，得到每个DS候选点的形变值及高程值。
8.根据权利要求7所述的MTInSAR滑坡监测方法，其特征在于，利用地形要素信息进行同质点聚类，包括：
利用优于或等价于SAR影像空间分辨率的数字高程模型DEM计算出所述待监测滑坡区的坡度及坡面角数值；
在一个滤波窗口内，选择坡度与坡面角相似的像素点作为滤波窗口中心像素的同质点。
9.一种MTInSAR滑坡监测设备，其特征在于，包括处理器和存储器，其中，所述处理器执行所述存储器中存储的计算机程序时实现如权利要求1至8任一项所述的MTInSAR滑坡监测方法。
10.一种计算机可读存储介质，其特征在于，用于存储计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的MTInSAR滑坡监测方法。
CN202210760065.0A 2022-06-30 2022-06-30 一种MTInSAR滑坡监测方法、设备及存储介质 Pending CN115079172A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210760065.0A CN115079172A (zh) 2022-06-30 2022-06-30 一种MTInSAR滑坡监测方法、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210760065.0A CN115079172A (zh) 2022-06-30 2022-06-30 一种MTInSAR滑坡监测方法、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115079172A true CN115079172A (zh) 2022-09-20

Family

ID=83255400

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210760065.0A Pending CN115079172A (zh) 2022-06-30 2022-06-30 一种MTInSAR滑坡监测方法、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115079172A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN118551200A (zh) * 2024-05-16 2024-08-27 国家卫星气象中心(国家空间天气监测预警中心) 基于白谱法提取极区温度极端指数的方法、系统和设备

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN118551200A (zh) * 2024-05-16 2024-08-27 国家卫星气象中心(国家空间天气监测预警中心) 基于白谱法提取极区温度极端指数的方法、系统和设备

Similar Documents

Publication Publication Date Title
US11269072B2 (en) Land deformation measurement
CN111078678B (zh) 一种基于多源信息融合与降尺度的卫星降水数据校正方法
CN106772342B (zh) 一种适用于大梯度地表沉降监测的时序差分雷达干涉方法
CN115079172A (zh) 一种MTInSAR滑坡监测方法、设备及存储介质
CN113866764B (zh) 基于InSAR和LR-IOE模型的滑坡易发性改进评估方法
Bovenga et al. Application of multi-temporal differential interferometry to slope instability detection in urban/peri-urban areas
CN101706577B (zh) InSAR监测高速公路路面沉降方法
CN112198511A (zh) 一种基于星空地一体化地质灾害普查方法
US20120188119A9 (en) Identification and Analysis of Persistent Scatterers In Series of SAR Images
CN113960595A (zh) 一种地表形变监测方法及系统
Abdelfattah et al. Interferometric SAR coherence magnitude estimation using second kind statistics
CN111856459B (zh) 一种改进的DEM最大似然约束多基线InSAR相位解缠方法
CN114091274A (zh) 一种滑坡易发性评价方法及系统
CN112444188B (zh) 一种多视角InSAR海堤高精度三维形变测量方法
CN113281749A (zh) 一种顾及同质性的时序InSAR高相干点选取方法
CN112051572A (zh) 一种融合多源sar数据三维地表形变监测方法
Guan et al. Fusion of public DEMs based on sparse representation and adaptive regularization variation model
CN116381680A (zh) 一种基于时序雷达干涉测量技术的城市地表形变监测方法
CN118196637A (zh) 一种基于InSAR形变与影响因子耦合的潜在滑坡识别方法
CN113238228B (zh) 基于水准约束的三维地表形变获取方法、系统及装置
CN118191841A (zh) 一种基于相关性分析的地表沉降形变测量校正方法、装置、设备及介质
Bacalhau et al. Bathymetry of reservoirs using altimetric data associated to optical images
CN116068511B (zh) 一种基于深度学习的InSAR大尺度系统误差改正方法
Haque et al. Time series analysis of subsidence in Dhaka City, Bangladesh using Insar
CN114114258A (zh) 一种基于SBAS-InSAR技术的输电铁塔形变监测方法

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