CN115079301A - 一种潜在滑坡遥感解译方法 - Google Patents

一种潜在滑坡遥感解译方法 Download PDF

Info

Publication number
CN115079301A
CN115079301A CN202210858417.6A CN202210858417A CN115079301A CN 115079301 A CN115079301 A CN 115079301A CN 202210858417 A CN202210858417 A CN 202210858417A CN 115079301 A CN115079301 A CN 115079301A
Authority
CN
China
Prior art keywords
data
remote sensing
potential
information
surface deformation
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
CN202210858417.6A
Other languages
English (en)
Inventor
谢猛
齐传生
袁晓波
童鹏
马明明
陈怡民
薛宇腾
黄新文
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.)
China Railway Engineering Consulting Group Co Ltd
Original Assignee
China Railway Engineering Consulting Group Co Ltd
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 China Railway Engineering Consulting Group Co Ltd filed Critical China Railway Engineering Consulting Group Co Ltd
Priority to CN202210858417.6A priority Critical patent/CN115079301A/zh
Publication of CN115079301A publication Critical patent/CN115079301A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
    • G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geophysics (AREA)
  • Astronomy & Astrophysics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明涉及工程地质勘察技术领域，特别是一种潜在滑坡遥感解译方法，能够准确高效解译出潜在滑坡范围，包括：获取工作区的光学遥感数据、地形资料、地质资料；获取该工作区的卫星SAR数据；根据传感器类型、工作波段、成像模式、轨道类型、极化方式，将获取的SAR数据分为N组，N为正整数；对于每组SAR数据采用M种InSAR技术进行处理，得到N×M组地表形变信息，M为正整数；利用GIS处理N×M组地表形变信息，采取最不利情况综合分析取合集的方式，获得工作区最不利地表形变信息；利用光学遥感数据、地形资料、地质资料，在光学遥感图像上提取潜在滑坡微地貌特征；利用GIS将潜在滑坡微地貌特征与最不利地表形变信息进行叠置分析，得到潜在滑坡的范围。

Description

一种潜在滑坡遥感解译方法
技术领域
本发明涉及工程地质勘察技术领域，特别是一种潜在滑坡遥感解译方法。
背景技术
对于潜在滑坡的解译，目前主要采用光学遥感解译方法。首先，结合工作区域地质资料、地形图等，对光学遥感图像中的封闭洼地、鼓丘、裂缝、植被异常、泉水等微地貌特征进行目视解译，确定潜在滑坡的大致位置；然后通过地面调查和勘探验证，确定潜在滑坡的影响范围。该方法过多依赖于解译人员的先验知识和解译经验，工作效率和准确率都不高。
发明内容
本发明的实施例提供一种潜在滑坡遥感解译方法，能够准确高效地解译出潜在滑坡范围。
根据本发明的实施例，提供一种潜在滑坡遥感解译方法，包括：
获取工作区的光学遥感数据、地形资料、地质资料；
获取该工作区的卫星合成孔径雷达（SAR）数据；
根据传感器类型、工作波段、成像模式、轨道类型、极化方式，将获取的SAR数据分为N组，其中N为正整数；
对于每组SAR数据采用M种SAR干涉测量（InSAR）技术进行处理，得到N×M组地表形变信息，其中M为正整数；
利用地理信息系统（GIS）处理所述N×M组地表形变信息，采取最不利情况综合分析取合集的方式，获得工作区最不利地表形变信息；
利用所述光学遥感数据、所述地形资料、所述地质资料，在光学遥感图像上提取潜在滑坡微地貌特征；
利用所述GIS将所述潜在滑坡微地貌特征与所述最不利地表形变信息进行叠置分析，得到潜在滑坡的范围。
优选地，在任意实施例中，
所述光学遥感数据包括以下中的至少一种：空间分辨率为2m的高分一号数据、空间分辨率为1m的高分二号数据，卫星遥感数据，航空遥感数据。
优选地，在任意实施例中，
所述地形资料包括：数字高程模型（DEM）、不同比例尺的地形图。
优选地，在任意实施例中，
所述地质资料包括以下中的至少一种：区域地质信息、水文地质信息、地震信息、矿产信息。
优选地，在任意实施例中，
所述卫星SAR数据包括：相同时间区间内获取的来自不同传感器、和/或不同工作波段、和/或不同成像模式、和/或不同轨道、和/或不同极化方式的SAR数据。
优选地，在任意实施例中，
所述InSAR技术包括：永久散射体InSAR（PS-InSAR）技术、和/或短基线集InSAR（SBAS-InSAR）技术。
优选地，在任意实施例中，
所述潜在滑坡微地貌特征包括以下中的至少一种：封闭洼地、鼓丘、裂缝、植被异常、泉水。
优选地，在任意实施例中，
所述潜在滑坡的范围通过所获得的面状信息确定。
通过本发明的实施例提供的潜在滑坡遥感解译方法，能够准确高效地解译出潜在滑坡范围。
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，以下将对实施例或现有技术描述中所需要使用的附图进行论述，显然，在结合附图进行描述的技术方案仅仅是本发明的一些实施例，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图所示实施例得到其它的实施例及其附图。
图1是根据本发明的实施例的潜在滑坡遥感解译方法的流程示意图。
具体实施方式
以下将结合附图对本发明各实施例的技术方案进行清楚完整描述，显然，所描述的实施例仅为本发明的一部分实施例，而不是全部实施例。基于本发明中所述的实施例，本领域普通技术人员在不需要创造性劳动的前提下所得到的所有其它实施例，都在本发明所保护的范围内。
本发明的实施例提供一种潜在滑坡遥感解译方法，能够准确高效地解译出潜在滑坡范围。
根据本发明的实施例，提供一种潜在滑坡遥感解译方法，包括：
获取工作区的光学遥感数据、地形资料、地质资料；
获取该工作区的卫星合成孔径雷达（SAR）数据；
根据传感器类型、工作波段、成像模式、轨道类型、极化方式，将获取的SAR数据分为N组，其中N为正整数；
对于每组SAR数据采用M种SAR干涉测量技术（即InSAR技术）进行处理，得到N×M组地表形变信息（例如包括年均形变/沉降速率、累积形变/沉降量），其中M为正整数（例如M≥2）；
利用地理信息系统（GIS）处理所述N×M组地表形变信息，采取最不利情况综合分析取合集的方式，获得工作区最不利地表形变信息；
利用所述光学遥感数据、所述地形资料、所述地质资料，在光学遥感图像上提取潜在滑坡微地貌特征；
利用所述GIS将所述潜在滑坡微地貌特征与所述最不利地表形变信息进行叠置分析，得到潜在滑坡的范围。
这样，针对现有技术滑坡遥感解译方法的方式单一且过多依赖于解译人员先验知识的局限性，在传统光学遥感解译方式的基础上，利用来自多传感器、多波段、多轨道的卫星合成孔径雷达（SAR）数据，采用多种InSAR技术（SAR干涉测量技术）获取工作区最不利地表形变信息，可有效避免采用单一SAR数据源、单一InSAR技术时在地形起伏地区提取地表形变过程中可能存在的叠掩、阴影等因素的不利影响，本发明结合潜在滑坡微地貌特征光学遥感解译进行综合分析，能够提高潜在滑坡遥感解译的工作效率和准确率。
在此，所述最不利情况综合分析取合集的方式是指：对于工作区内某一点而言，选取N×M组地表形变信息中的最大值（例如包括最大年均形变/沉降速率、最大累积形变/沉降量）作为该点最不利情况下的地表形变信息，然后将工作区内所有关注点的最不利情况下的地表形变信息取合集，获得所述工作区最不利地表形变信息。应理解，在针对潜在滑坡的分析中，地表形变情况越大（越严重），则发生滑坡的风险越大，因而综合考虑地表形变参数最大值，可得到对于发生滑坡而言最不利情况下的结果（即，所述工作区最不利地表形变信息），由此最终得到的潜在滑坡范围准确可靠，不仅具有实用性，而且可以为工程选址提供安全保证。
由此可见，通过本发明的实施例提供的潜在滑坡遥感解译方法，能够准确高效地解译出潜在滑坡范围。
优选地，在任意实施例中，所述光学遥感数据可包括以下中的至少一种：空间分辨率为2m的高分一号数据、空间分辨率为1m的高分二号数据，卫星遥感数据，航空遥感数据。
可选地，在任一实施例中，光学遥感数据满足潜在滑坡微地貌特征的解译精度要求。
优选地，在任意实施例中，所述地形资料包括：数字高程模型（DEM）、不同比例尺的地形图。
优选地，在任意实施例中，所述地质资料可包括以下中的至少一种：区域地质信息、水文地质信息、地震信息、矿产信息。
优选地，在任意实施例中，所述卫星SAR数据可包括：相同时间区间内获取的来自不同传感器、和/或不同工作波段、和/或不同成像模式、和/或不同轨道、和/或不同极化方式的SAR数据。
可选地，在任一实施例中，卫星SAR数据包括以下数据中的至少一种：Sentinel-1A/B数据、ALOS-1/2数据、COSMO-Skymed数据、Radarsat-1/2数据、TerraSAR-X数据。
可选地，在任一实施例中，卫星SAR数据可包括来自不同类型传感器的数据。卫星SAR系统为侧视成像系统，不同传感器入射角不同，同一传感器在不同轨道时的入射角也不同，通过来自不同类型传感器的信息互补，可避免地形起伏山区引起的卫星SAR系统回波信号叠掩、阴影等因素的影响。
可选地，在任一实施例中，卫星SAR数据可包括来自不同位置（例如在不同轨道上）的相同或不同类型的传感器的数据。卫星SAR系统为侧视成像系统，不同传感器入射角不同，同一传感器在不同轨道时的入射角也不同，通过来自不同位置（例如在不同轨道上）的相同或不同类型的传感器的信息互补，可避免地形起伏山区引起的卫星SAR系统回波信号叠掩、阴影等因素的影响。
可选地，在任一实施例中，卫星SAR数据包括来自不同工作波段的数据，通过获取多种工作波段的SAR数据，可避免因植被造成的失相干现象。
可选地，在任一实施例中，卫星SAR数据采用L、C、和/或X工作波段的数据。其中，波长越长，穿透能力越强。
可选地，在任一实施例中，卫星SAR数据的成像模式可包括：干涉宽幅模式（IW）、聚束模式（SM3）、条带模式（StriMap）中的至少一种。
可选地，在任一实施例中，卫星SAR数据可包括来自不同轨道传感器的数据。卫星SAR系统为侧视成像系统，不同传感器入射角不同，同一传感器在不同轨道时的入射角也不同，通过来自不同轨道传感器的信息互补，可避免地形起伏山区引起的卫星SAR系统回波信号叠掩、阴影等因素的影响。
可选地，在任一实施例中，卫星SAR数据采用同极化方式的SAR数据。与交叉极化方式（HV/VH）相比，同极化方式（HH/VV）SAR数据回波信号较强、穿透能力强，更适合地表形变信息提取。
可选地，在任一实施例中，卫星SAR数据分为N组，例如在下表中所示：
Figure 191342DEST_PATH_IMAGE002
可选地，在任一实施例中，所述N组SAR数据中的每组中的SAR数据基于20以上的景/图获得。
可选地，在任一实施例中，卫星SAR数据包括Sentinel-1A/B数据，同一区域的成像模式（例如IW方式）、轨道类型（例如升轨）、同极化方式（例如VV极化）、不同时相的Sentinel-1A/B数据（例如，在某一时间区间内获取的不同时刻的SAR数据）归为同一组数据。
优选地，在任意实施例中，所述InSAR技术包括：永久散射体InSAR（PS-InSAR）技术、和/或短基线集InSAR（SBAS-InSAR）技术。
可选地，在任一实施例中，对每组SAR数据通过包括PS-InSAR技术和SBAS-InSAR技术在内的总共M种InSAR技术进行处理，得到如下N×M组地表形变信息：
Φ1，PS-InSAR，Φ1，SBAS-InSAR，…，Φ1，M
Φ2，PS-InSAR，Φ2，SBAS-InSAR，…，Φ2，M
……
ΦN，PS-InSAR，ΦN，SBAS-InSAR，…，ΦN，M
可选地，在任一实施例中，利用GIS处理所述N×M组地表形变信息包括：将包含不同信息的不同图层叠加到一起进行比较分析。
可选地，在任一实施例中，所述最不利情况包括风险最高的情况。
可选地，在任一实施例中，所述最不利情况基于（但不仅限于）工作区内的最大形变速率（例如最大年均形变速率）确定。
可选地，在任一实施例中，所述最不利情况基于（但不仅限于）工作区内的最大累积形变量确定。
可选地，在任一实施例中，所述形变量包括垂直沉降量（可为正值或负值）。
可选地，在任一实施例中，所述形变量包括水平移动量。
可选地，在任一实施例中，所述光学遥感图像至少部分地来源于或者基于所述光学遥感数据确定。
可选地，在任一实施例中，所述光学遥感图像是所述光学遥感数据中的一部分。
可选地，在任一实施例中，所述光学遥感图像至少部分地来源于或者基于不同于所述光学遥感数据的数据确定。
可选地，在任一实施例中，所述光学遥感图像至少部分地来源于或者基于不同于历史数据库确定。
可选地，在任一实施例中，所述利用所述GIS将所述潜在滑坡微地貌特征与所述最不利地表形变信息进行叠置分析可包括：将包含不同信息的不同图层叠加到一起进行比较分析。
可选地，在任一实施例中，在光学遥感图像上提取潜在滑坡微地貌特征的步骤可按照任意适合顺序和在任意适合时间执行。例如可在第一个步骤“获取工作区的光学遥感数据、地形资料、地质资料”与最后一个步骤“利用所述GIS将所述潜在滑坡微地貌特征与所述最不利地表形变信息进行叠置分析，得到潜在滑坡的范围”之间的任意适合时机执行。
优选地，在任意实施例中，所述潜在滑坡微地貌特征可包括以下中的至少一种：封闭洼地、鼓丘、裂缝、植被异常、泉水。
优选地，在任意实施例中，所述潜在滑坡的范围可通过所获得的面状信息确定。
可选地，在任一实施例中，所述潜在滑坡的范围可为单个范围。
可选地，在任一实施例中，所述潜在滑坡的范围可为多个非连续的范围的合集。
在一个优选实施例中，提供一种潜在滑坡遥感解译方法，包括：
获取工作区的光学遥感数据、地形资料（包括DEM和不同比例尺的地形图）、地质资料（包括区域地质信息、水文地质信息、地震信息、矿产信息），并据此在光学遥感图像上提取潜在滑坡微地貌特征（可包括封闭洼地、鼓丘、裂缝、植被异常、泉水）；
获取所述工作区的SAR数据进行处理，并据此基于最不利情况综合分析，获得工作区最不利地表形变信息；
利用GIS将所述潜在滑坡微地貌特征与所述最不利地表形变信息进行叠置分析，得到潜在滑坡的范围。
在一个较佳实施例中，获取所述工作区的SAR数据进行处理并据此基于最不利情况综合分析，获得工作区最不利地表形变信息可包括：
获取该工作区的SAR数据；
根据传感器类型、工作波段、成像模式、轨道类型、极化方式，将获取的SAR数据分为N组（N为正整数）；
对于每组SAR数据采用M种InSAR技术（包括PS-InSAR技术和SBAS-InSAR技术）进行处理，得到N×M组地表形变信息（M为正整数）；
利用GIS处理所述N×M组地表形变信息，基于最不利情况综合分析，获得工作区最不利地表形变信息。
图1是根据本发明的实施例的潜在滑坡遥感解译方法的流程示意图。
在图1所示实施例中可见一种潜在滑坡遥感解译方法，包括：
步骤110：获取工作区的光学遥感数据、地形资料、地质资料；
步骤120：获取该工作区的卫星SAR（合成孔径雷达）数据；
步骤130：根据传感器类型、工作波段、成像模式、轨道类型、极化方式，将获取的SAR数据分为N组，其中N为正整数；
步骤140：对于每组SAR数据采用M种InSAR（合成孔径雷达干涉测量）技术进行处理，得到N×M组地表形变信息，其中M为正整数；
步骤150：利用GIS处理所述N×M组地表形变信息，采取最不利情况综合分析取合集的方式，获得工作区最不利地表形变信息；
步骤160：利用所述光学遥感数据、所述地形资料、所述地质资料，在光学遥感图像上提取潜在滑坡微地貌特征；
步骤170：利用所述GIS将所述潜在滑坡微地貌特征与所述最不利地表形变信息进行叠置分析，得到潜在滑坡的范围。
应理解，所述潜在滑坡遥感解译方法中的各步骤的编号仅用于清楚标识各步骤，而非唯一地限定各步骤的先后顺序，根据需要，步骤160可在步骤110与步骤170之间的任意处进行，而不仅限于在步骤150之后进行。
通过本发明的实施例提供的潜在滑坡遥感解译方法，能够准确高效地解译出潜在滑坡范围。
需要说明的是，在本文中，诸如第一和第二之类的关系术语仅用于将一个实体或操作与另一个实体或操作区分开来，而不一定要求或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、物品或设备不仅包括这些要素，而且还包括没有明确列出的其它要素，或者还包括为这种过程、方法、物品或设备所固有的要素。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因素。
本文中对多个元件的描述中，以“和/或”相连的多个并列特征，是指包含这些并列特征中的一个或多个（或一种或多种）。例如，“第一元件和/或第二元件”的含义是：第一元件和第二元件中的一个或多个，即，仅第一元件、或仅第二元件、或第一元件和第二元件（二者同时存在）。
本发明中所提供的各个实施例均可根据需要相互组合，例如任意两个、三个或更多个实施例中的特征相互组合以构成本发明的新的实施例，这也在本发明的保护范围内，除非另行说明或在技术上构成矛盾而无法实施。
以上所述仅为本发明的示例性实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (8)

1.一种潜在滑坡遥感解译方法，其特征在于，包括：
获取工作区的光学遥感数据、地形资料、地质资料；
获取该工作区的卫星合成孔径雷达SAR数据；
根据传感器类型、工作波段、成像模式、轨道类型、极化方式，将获取的SAR数据分为N组，其中N为正整数；
对于每组SAR数据采用M种SAR干涉测量InSAR技术进行处理，得到N×M组地表形变信息，其中M为正整数；
利用地理信息系统GIS处理所述N×M组地表形变信息，采取最不利情况综合分析取合集的方式，获得工作区最不利地表形变信息；
利用所述光学遥感数据、所述地形资料、所述地质资料，在光学遥感图像上提取潜在滑坡微地貌特征；
利用所述GIS将所述潜在滑坡微地貌特征与所述最不利地表形变信息进行叠置分析，得到潜在滑坡的范围。
2.如权利要求1所述的潜在滑坡遥感解译方法，其特征在于，
所述光学遥感数据包括以下中的至少一种：空间分辨率为2m的高分一号数据、空间分辨率为1m的高分二号数据，卫星遥感数据，航空遥感数据。
3.如权利要求1所述的潜在滑坡遥感解译方法，其特征在于，
所述地形资料包括：数字高程模型DEM、不同比例尺的地形图。
4.如权利要求1所述的潜在滑坡遥感解译方法，其特征在于，
所述地质资料包括以下中的至少一种：区域地质信息、水文地质信息、地震信息、矿产信息。
5.如权利要求1所述的潜在滑坡遥感解译方法，其特征在于，
所述SAR数据包括：相同时间区间内获取的来自不同传感器、和/或不同工作波段、和/或不同成像模式、和/或不同轨道、和/或不同极化方式的SAR数据。
6.如权利要求1所述的潜在滑坡遥感解译方法，其特征在于，
所述InSAR技术包括：永久散射体InSAR技术、和/或短基线集InSAR技术。
7.如权利要求1所述的潜在滑坡遥感解译方法，其特征在于，
所述潜在滑坡微地貌特征包括以下中的至少一种：封闭洼地、鼓丘、裂缝、植被异常、泉水。
8.如权利要求1所述的潜在滑坡遥感解译方法，其特征在于，
所述潜在滑坡的范围通过所获得的面状信息确定。
CN202210858417.6A 2022-07-21 2022-07-21 一种潜在滑坡遥感解译方法 Pending CN115079301A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210858417.6A CN115079301A (zh) 2022-07-21 2022-07-21 一种潜在滑坡遥感解译方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210858417.6A CN115079301A (zh) 2022-07-21 2022-07-21 一种潜在滑坡遥感解译方法

Publications (1)

Publication Number Publication Date
CN115079301A true CN115079301A (zh) 2022-09-20

Family

ID=83243827

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210858417.6A Pending CN115079301A (zh) 2022-07-21 2022-07-21 一种潜在滑坡遥感解译方法

Country Status (1)

Country Link
CN (1) CN115079301A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116912068A (zh) * 2023-09-12 2023-10-20 成都理工大学 一种基于面域形变观测的滑坡预警方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120319893A1 (en) * 2011-06-20 2012-12-20 California Institute Of Technology Damage proxy map from interferometric synthetic aperture radar coherence
CN111257873A (zh) * 2020-01-15 2020-06-09 兰州大学 一种基于合成孔径雷达干涉测量的滑坡灾害隐患识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20120319893A1 (en) * 2011-06-20 2012-12-20 California Institute Of Technology Damage proxy map from interferometric synthetic aperture radar coherence
CN111257873A (zh) * 2020-01-15 2020-06-09 兰州大学 一种基于合成孔径雷达干涉测量的滑坡灾害隐患识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
杨萌: "基于InSAR与光学遥感的高山峡谷区滑坡隐患识别研究与应用—以金沙江贡觉段为例", 《中国优秀硕士学位论文全文数据库基础科学辑》 *
谢帅: "基于高分辨率SAR影像的活动性滑坡监测技术研究", 《中国优秀硕士学位论文全文数据库基础科学辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116912068A (zh) * 2023-09-12 2023-10-20 成都理工大学 一种基于面域形变观测的滑坡预警方法
CN116912068B (zh) * 2023-09-12 2023-11-21 成都理工大学 一种基于面域形变观测的滑坡预警方法

Similar Documents

Publication Publication Date Title
Marti et al. Mapping snow depth in open alpine terrain from stereo satellite imagery
Li et al. Monitoring active motion of the Guobu landslide near the Laxiwa Hydropower Station in China by time-series point-like targets offset tracking
Almonacid-Caballer et al. Evaluation of annual mean shoreline position deduced from Landsat imagery as a mid-term coastal evolution indicator
Stockdonf et al. Estimation of shoreline position and change using airborne topographic lidar data
Van Westen et al. Spatial data for landslide susceptibility, hazard, and vulnerability assessment: An overview
Manconi et al. Brief communication: Rapid mapping of landslide events: The 3 December 2013 Montescaglioso landslide, Italy
Yan et al. Mexico City subsidence measured by InSAR time series: Joint analysis using PS and SBAS approaches
Razak et al. Airborne laser scanning of forested landslides characterization: Terrain model quality and visualization
Zhao et al. Generation of long-term InSAR ground displacement time-series through a novel multi-sensor data merging technique: The case study of the Shanghai coastal area
Jebur et al. Detection of vertical slope movement in highly vegetated tropical area of Gunung pass landslide, Malaysia, using L-band InSAR technique
Rittersbacher et al. Helicopter-based laser scanning: a method for quantitative analysis of large-scale sedimentary architecture
CN110174673A (zh) 一种利用时序接力干涉图叠加高效减弱大气相位影响的方法
Kääb et al. River ice flux and water velocities along a 600 km-long reach of Lena River, Siberia, from satellite stereo
Elliott et al. Satellite imaging of the 2015 M 7.2 earthquake in the Central Pamir, Tajikistan, elucidates a sequence of shallow strike-slip ruptures of the Sarez-Karakul fault
CN115079301A (zh) 一种潜在滑坡遥感解译方法
Fernandez et al. A new technique for the detection of large scale landslides in glacio-lacustrine deposits using image correlation based upon aerial imagery: A case study from the French Alps
Letortu et al. The potential of Pléiades images with high angle of incidence for reconstructing the coastal cliff face in Normandy (France)
Connors Determining heights and slopes of fault scarps and other surfaces on Venus using Magellan stereo radar
Yong et al. Site characterization using integrated imaging analysis methods on satellite data of the Islamabad, Pakistan, region
Major et al. Quaternary hinterland evolution of the active Banda Arc: Surface uplift and neotectonic deformation recorded by coral terraces at Kisar, Indonesia
Liu et al. Extraction of damaged buildings due to the 2011 Tohoku, Japan earthquake tsunami
Fiscante et al. Analysis and validation of high-resolution satellite DEMs generated from EROS-B data for Montaguto landslide
van Westen Mapping landslides: recent developments in the use of digital spatial information
Confuorto et al. Slow-moving landslide monitoring with multi-temporal TerraSAR-X data by means of DInSAR techniques in Crotone Province (Southern Italy)
Nonaka et al. Analysis of the Trend of the Deformation around Kanto Region Estimated by Time Series of PALSAR-2 Data

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220920