CN115240082A - 一种基于形变监测和深度学习的地质灾害监测预警方法 - Google Patents
一种基于形变监测和深度学习的地质灾害监测预警方法 Download PDFInfo
- Publication number
- CN115240082A CN115240082A CN202211169517.4A CN202211169517A CN115240082A CN 115240082 A CN115240082 A CN 115240082A CN 202211169517 A CN202211169517 A CN 202211169517A CN 115240082 A CN115240082 A CN 115240082A
- Authority
- CN
- China
- Prior art keywords
- data
- geological disaster
- monitoring
- early warning
- layer
- 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
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/16—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于形变监测和深度学习的地质灾害监测预警方法,首先采用GNSS数据辅助高分卫星影像对监测区域进行地表形变监测,在保证监测准确性和实时性的情况下,有效节约了人力成本;然后基于深度学习的思想,采用深度生成对抗网络模型建立地表形变监测结果到地质灾害发生概率的关系,避免或降低人为主观因素的影响,预测速度快且结果准确;最后根据监测区域的地质灾害发生概率可以向用户进行有效的地质灾害预警。
Description
技术领域
本发明属于机器学习和地质灾害监测技术领域,具体涉及一种基于形变监测和深度学习的地质灾害监测预警方法的设计。
背景技术
我国山区众多,相应地滑坡、泥石流、塌方等地质灾害较为频发,给居民的生命财产造成了巨大的威胁。研究表明,当山区的地质灾害发生之前,相关区域的地表或多或少都会发生形变,且地质灾害发生的概率和形变量的大小呈正相关,因此对地质灾害多发区域的地表形变进行监测可以有效对该区域后续的地质灾害进行监测与预警。
但目前的现有技术中,一方面针对地表形变的监测多采用静力水准仪,监测实时性较差,且比较耗费人力成本;另一方面得到地表形变监测结果之后,多采用专家经验对后续是否发生地质灾害进行监测与预警,这种偏向人工的分析方法受到人为主观因素的影响,预测结果并不是十分准确,同时还存在预测速度较慢,效率较低的问题。
发明内容
本发明的目的是为了解决现有的地质灾害监测预警方法耗费人力成本、效率较低且准确性较低的问题,提出了一种基于形变监测和深度学习的地质灾害监测预警方法,实现对山区地质灾害准确高效的监测与预警。
本发明的技术方案为:一种基于形变监测和深度学习的地质灾害监测预警方法,包括以下步骤:
S1、采集监测区域的高分卫星影像。
S2、对高分卫星影像进行预处理,得到预处理数据。
S3、采集监测区域的GNSS数据。
S4、通过GNSS数据对预处理数据进行相位解缠,得到监测区域的形变监测数据,并将形变监测数据划分为训练集数据和测试集数据。
S5、构建深度生成对抗网络模型。
S6、将地质灾害发生概率作为预测标签,通过训练集数据对深度生成对抗网络模型进行训练,得到地质灾害预测模型。
S7、将测试集数据输入地质灾害预测模型,输出得到监测区域的地质灾害发生概率。
S8、当监测区域的地质灾害发生概率大于预设概率阈值时,向用户发出地质灾害预警。
本发明的有益效果是:
(1)本发明采用GNSS数据辅助高分卫星影像对监测区域进行地表形变监测,在保证监测准确性和实时性的情况下,有效节约了人力成本。
(2)本发明基于深度学习的思想,采用深度生成对抗网络模型建立地表形变监测结果到地质灾害发生概率的关系,避免或降低人为主观因素的影响,预测速度快且结果准确。
进一步地,步骤S2包括以下分步骤:
S21、将高分卫星影像中有云覆盖、气溶胶覆盖或冰雪覆盖的影像数据删除。
S22、将高分卫星影像中有缺失、噪声或异常像元的影像数据删除。
S23、将剩余影像数据裁剪拼接至同一范围,得到预处理数据。
上述进一步方案的有益效果是:本发明对有云覆盖、气溶胶覆盖或冰雪覆盖的影像数据以及有缺失、噪声或异常像元的影像数据进行了筛除,同时将筛选后的影像裁剪拼接至同一范围,能够使得后续得到的形变监测数据更加准确。
进一步地,步骤S3包括以下分步骤:
S31、在监测区域内划分正多边形格网。
S32、将正多边形格网的每个顶点作为GNSS数据采集点。
S33、在每个GNSS数据采集点布设一个GNSS接收机,采集监测区域的GNSS数据。
上述进一步方案的有益效果是:本发明在监测区域采用正多边形格网的方式均匀布设GNSS接收机,能够精确采集到监测区域的GNSS数据。
进一步地,步骤S4包括以下分步骤:
S41、在预处理数据中选择分辨率最高的影像数据作为参考影像。
S42、对预处理数据中除参考影像外的其他影像进行干涉处理,得到干涉影像。
S43、通过GNSS数据辅助将所有干涉影像都配准到参考影像上,得到缠绕干涉图。
S44、通过GNSS数据对缠绕干涉图进行相位解缠,得到解缠干涉图。
S45、对解缠干涉图进行地理编码,得到监测区域的形变监测数据。
S46、将形变监测数据划分为训练集数据和测试集数据。
步骤S44中通过GNSS数据对缠绕干涉图进行相位解缠的公式为:
上述进一步方案的有益效果是:本发明结合监测区域的高分卫星影像和GNSS数据,利用相位解缠的方法,能够得到高分辨率的地表形变监测数据。
进一步地,步骤S5中构建的深度生成对抗网络模型包括生成器网络和判别器网络,生成器网络包括依次连接的第一反卷积层、第一BN层、第二反卷积层、第二BN层、第三反卷积层、第三BN层和第四反卷积层,判别器网络包括依次连接的第一卷积层、第四BN层、第二卷积层、第五BN层、第三卷积层、第六BN层和第四卷积层,第四反卷积层的输出连接第一卷积层的输入。
上述进一步方案的有益效果是:
(1)本发明通过反卷积层搭建生成器网络,通过卷积层搭建判别器网络,同时在生成器网络和判别器网络中均使用了BN层,提升了模型训练的速度和稳定性。
(2)本发明在生成器网络的第四反卷积层和判别器网络的第一卷积层之间未设置BN层,而是直接相连,避免了生成器网络和判别器网络之间的样本振荡和模型不稳定。
进一步地,生成器网络采用ReLU作为激活函数,判别器网络采用LeakyReLU作为激活函数。
上述进一步方案的有益效果是:本发明使用有界激活的方式,可以有效提高深度生成对抗网络模型的学习速率。
进一步地,步骤S6包括以下分步骤:
S61、向生成器网络输入随机噪声数据,输出得到生成数据。
S62、将生成数据和训练集数据输入判别器网络中,将地质灾害发生概率作为预测标签构建损失函数。
S63、判断损失函数是否收敛,若是则训练完成,得到地质灾害预测模型,否则返回步骤S61。
步骤S62中构建的损失函数具体为:
其中Loss表示损失函数,E r 表示监测区域的真实地质灾害发生概率分布,E c 表示监测区域的预测地质灾害发生概率分布,D(·)表示判别器网络,G(·)表示生成器网络,x表示训练集数据,z表示随机噪声数据。
上述进一步方案的有益效果是:本发明将地质灾害发生概率作为预测标签,以监测区域的真实地质灾害发生概率分布和预测地质灾害发生概率分布构建损失函数,当损失函数值收敛到预设范围内之后,得到的地质灾害预测模型具有较高的预测准确率。
附图说明
图1所示为本发明实施例提供的一种基于形变监测和深度学习的地质灾害监测预警方法流程图。
图2所示为本发明实施例提供的深度生成对抗网络模型结构示意图。
具体实施方式
现在将参考附图来详细描述本发明的示例性实施方式。应当理解,附图中示出和描述的实施方式仅仅是示例性的,意在阐释本发明的原理和精神,而并非限制本发明的范围。
本发明实施例提供了一种基于形变监测和深度学习的地质灾害监测预警方法,如图1所示,包括以下步骤S1~S8:
S1、采集监测区域的高分卫星影像。
本发明实施例中,采集的高分卫星影像为在中国资源卫星中心上查询下载的高分一号~高分六号等高分光学卫星影像,下载的数据为1A产品,已经过数据解析、均一化辐射校正、去噪、传递函数补偿CCD 拼接和波段配准等系统处理。
S2、对高分卫星影像进行预处理,得到预处理数据。
步骤S2包括以下分步骤S21~S23:
S21、将高分卫星影像中有云覆盖、气溶胶覆盖或冰雪覆盖的影像数据删除。
S22、将高分卫星影像中有缺失、噪声或异常像元的影像数据删除。
S23、将剩余影像数据裁剪拼接至同一范围,得到预处理数据。
S3、采集监测区域的GNSS数据。
步骤S3包括以下分步骤S31~S33:
S31、在监测区域内划分正多边形格网。
本发明实施例中,正多边形格网可以为正三角形格网、正方形格网、正五边形格网、正六边形格网等。
S32、将正多边形格网的每个顶点作为GNSS数据采集点。
S33、在每个GNSS数据采集点布设一个GNSS接收机,采集监测区域的GNSS数据。
本发明实施例中,GNSS接收机包括GPS接收机、GLONASS接收机、GALILEO接收机和北斗接收机,可以接收包括美国的GPS系统、俄罗斯的GLONASS系统、欧盟的伽利略(GALILEO)卫星导航系统和中国的北斗卫星导航系统在内的全球各类卫星导航系统的定位数据,应用范围广泛。
但作为本发明实施例的一种优选方式,GNSS接收机更多地还是采用北斗接收机。北斗卫星导航系统的监测数据是利用载波相位信息和载波相位差分技术,将基准站与各个监测点数据进行差分处理,可以有效消除或者减弱卫星测距的各种误差,使得定位精度得以大大提高。北斗卫星导航定位监测具有全天候、自动化、监测点间无需通视等特点,可实现连续、高精度、全自动的数据监测。GPS系统、GLONASS系统和伽利略(GALILEO)卫星导航系统的技术控制权不属于我国,在我国使用时一直存在人为干扰问题,对于我国长期广泛的应用存在一定安全问题。
S4、通过GNSS数据对预处理数据进行相位解缠,得到监测区域的形变监测数据,并将形变监测数据划分为训练集数据和测试集数据。
步骤S4包括以下分步骤S41~S46:
S41、在预处理数据中选择分辨率最高的影像数据作为参考影像。
S42、对预处理数据中除参考影像外的其他影像进行干涉处理,得到干涉影像。
S43、通过GNSS数据辅助将所有干涉影像都配准到参考影像上,得到缠绕干涉图。
S44、通过GNSS数据对缠绕干涉图进行相位解缠,得到解缠干涉图。
本发明实施例中,通过GNSS数据对缠绕干涉图进行相位解缠的公式为:
S45、对解缠干涉图进行地理编码,得到监测区域的形变监测数据。
S46、将形变监测数据划分为训练集数据和测试集数据。
S5、构建深度生成对抗网络模型。
如图2所示,深度生成对抗网络模型包括生成器网络和判别器网络,生成器网络包括依次连接的第一反卷积层、第一BN层、第二反卷积层、第二BN层、第三反卷积层、第三BN层和第四反卷积层,判别器网络包括依次连接的第一卷积层、第四BN层、第二卷积层、第五BN层、第三卷积层、第六BN层和第四卷积层,第四反卷积层的输出连接第一卷积层的输入。
其中,第一反卷积层的输入分辨率为4*4,输入通道数为1024,第二反卷积层的输入分辨率为8*8,输入通道数为512,第三反卷积层的输入分辨率为16*16,输入通道数为256,第四反卷积层的输入分辨率为32*32,输入通道数为128,第一卷积层的输入分辨率为32*32,输入通道数为64,第二卷积层的输入分辨率为16*16,输入通道数为128,第三卷积层的输入分辨率为8*8,输入通道数为256,第四卷积层的输入分辨率为4*4,输入通道数为512。
本发明实施例中,在生成器网络和判别器网络中均使用了BN(BatchNormalization)层,提升了模型训练的速度和稳定性。同时在生成器网络的第四反卷积层和判别器网络的第一卷积层之间未设置BN层,而是直接相连,避免了生成器网络和判别器网络之间的样本振荡和模型不稳定。
本发明实施例中,生成器网络采用ReLU作为激活函数,判别器网络采用LeakyReLU作为激活函数,使用有界激活的方式,可以有效提高深度生成对抗网络模型的学习速率。
S6、将地质灾害发生概率作为预测标签,通过训练集数据对深度生成对抗网络模型进行训练,得到地质灾害预测模型。
步骤S6包括以下分步骤S61~S63:
S61、向生成器网络输入随机噪声数据,输出得到生成数据。
S62、将生成数据和训练集数据输入判别器网络中,将地质灾害发生概率作为预测标签构建损失函数:
其中Loss表示损失函数,E r 表示监测区域的真实地质灾害发生概率分布,E c 表示监测区域的预测地质灾害发生概率分布,D(·)表示判别器网络,G(·)表示生成器网络,x表示训练集数据,z表示随机噪声数据。
S63、判断损失函数是否收敛,若是则训练完成,得到地质灾害预测模型,否则返回步骤S61。
S7、将测试集数据输入地质灾害预测模型,输出得到监测区域的地质灾害发生概率。
S8、当监测区域的地质灾害发生概率大于预设概率阈值时,向用户发出地质灾害预警。
本发明实施例中,预设概率阈值为50%,即当预测监测区域的地质灾害发生概率大于一半时,向用户发出地质灾害预警。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (9)
1.一种基于形变监测和深度学习的地质灾害监测预警方法,其特征在于,包括以下步骤:
S1、采集监测区域的高分卫星影像;
S2、对高分卫星影像进行预处理,得到预处理数据;
S3、采集监测区域的GNSS数据;
S4、通过GNSS数据对预处理数据进行相位解缠,得到监测区域的形变监测数据,并将形变监测数据划分为训练集数据和测试集数据;
S5、构建深度生成对抗网络模型;
S6、将地质灾害发生概率作为预测标签,通过训练集数据对深度生成对抗网络模型进行训练,得到地质灾害预测模型;
S7、将测试集数据输入地质灾害预测模型,输出得到监测区域的地质灾害发生概率;
S8、当监测区域的地质灾害发生概率大于预设概率阈值时,向用户发出地质灾害预警。
2.根据权利要求1所述的地质灾害监测预警方法,其特征在于,所述步骤S2包括以下分步骤:
S21、将高分卫星影像中有云覆盖、气溶胶覆盖或冰雪覆盖的影像数据删除;
S22、将高分卫星影像中有缺失、噪声或异常像元的影像数据删除;
S23、将剩余影像数据裁剪拼接至同一范围,得到预处理数据。
3.根据权利要求1所述的地质灾害监测预警方法,其特征在于,所述步骤S3包括以下分步骤:
S31、在监测区域内划分正多边形格网;
S32、将正多边形格网的每个顶点作为GNSS数据采集点;
S33、在每个GNSS数据采集点布设一个GNSS接收机,采集监测区域的GNSS数据。
4.根据权利要求1所述的地质灾害监测预警方法,其特征在于,所述步骤S4包括以下分步骤:
S41、在预处理数据中选择分辨率最高的影像数据作为参考影像;
S42、对预处理数据中除参考影像外的其他影像进行干涉处理,得到干涉影像;
S43、通过GNSS数据辅助将所有干涉影像都配准到参考影像上,得到缠绕干涉图;
S44、通过GNSS数据对缠绕干涉图进行相位解缠,得到解缠干涉图;
S45、对解缠干涉图进行地理编码,得到监测区域的形变监测数据;
S46、将形变监测数据划分为训练集数据和测试集数据。
6.根据权利要求1所述的地质灾害监测预警方法,其特征在于,所述步骤S5中构建的深度生成对抗网络模型包括生成器网络和判别器网络,所述生成器网络包括依次连接的第一反卷积层、第一BN层、第二反卷积层、第二BN层、第三反卷积层、第三BN层和第四反卷积层,所述判别器网络包括依次连接的第一卷积层、第四BN层、第二卷积层、第五BN层、第三卷积层、第六BN层和第四卷积层,所述第四反卷积层的输出连接第一卷积层的输入。
7.根据权利要求6所述的地质灾害监测预警方法,其特征在于,所述生成器网络采用ReLU作为激活函数,所述判别器网络采用LeakyReLU作为激活函数。
8.根据权利要求6所述的地质灾害监测预警方法,其特征在于,所述步骤S6包括以下分步骤:
S61、向生成器网络输入随机噪声数据,输出得到生成数据;
S62、将生成数据和训练集数据输入判别器网络中,将地质灾害发生概率作为预测标签构建损失函数;
S63、判断损失函数是否收敛,若是则训练完成,得到地质灾害预测模型,否则返回步骤S61。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211169517.4A CN115240082B (zh) | 2022-09-26 | 2022-09-26 | 一种基于形变监测和深度学习的地质灾害监测预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211169517.4A CN115240082B (zh) | 2022-09-26 | 2022-09-26 | 一种基于形变监测和深度学习的地质灾害监测预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115240082A true CN115240082A (zh) | 2022-10-25 |
CN115240082B CN115240082B (zh) | 2022-12-13 |
Family
ID=83667377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211169517.4A Active CN115240082B (zh) | 2022-09-26 | 2022-09-26 | 一种基于形变监测和深度学习的地质灾害监测预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115240082B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116224327A (zh) * | 2023-02-20 | 2023-06-06 | 中国矿业大学 | 一种基于学习网络的矿区大梯度形变区相位解缠方法 |
CN117807917A (zh) * | 2024-03-01 | 2024-04-02 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于场次洪涝灾害的损失函数构建方法和系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111095291A (zh) * | 2018-02-27 | 2020-05-01 | 辉达公司 | 由自动驾驶车辆实时检测车道和边界 |
CN111915570A (zh) * | 2020-07-10 | 2020-11-10 | 云南电网有限责任公司带电作业分公司 | 基于反向传播神经网络的大气延迟估计方法 |
US20210078589A1 (en) * | 2019-09-13 | 2021-03-18 | Nec Laboratories America, Inc. | Electronic control unit testing optimization |
CN113186952A (zh) * | 2021-05-07 | 2021-07-30 | 四川省冶金地质勘查局水文工程大队 | 一种滑坡的抗滑-排水综合治理方法 |
CN113762090A (zh) * | 2021-08-16 | 2021-12-07 | 国网浙江省电力有限公司湖州供电公司 | 一种特高压密集输电通道灾害监测预警方法 |
CN114463948A (zh) * | 2022-01-26 | 2022-05-10 | 南昌工程学院 | 一种地质灾害监测预警方法及系统 |
CN114858238A (zh) * | 2022-04-29 | 2022-08-05 | 南方科技大学 | 地下水蓄变监测预警系统 |
CN114966685A (zh) * | 2022-05-24 | 2022-08-30 | 中国水利水电科学研究院 | 基于InSAR和深度学习的大坝形变监测及预测方法 |
CN115077474A (zh) * | 2022-06-14 | 2022-09-20 | 天津华北地质勘查总院 | 一种基于机器学习的地面沉降趋势预测方法及系统 |
-
2022
- 2022-09-26 CN CN202211169517.4A patent/CN115240082B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111095291A (zh) * | 2018-02-27 | 2020-05-01 | 辉达公司 | 由自动驾驶车辆实时检测车道和边界 |
US20210078589A1 (en) * | 2019-09-13 | 2021-03-18 | Nec Laboratories America, Inc. | Electronic control unit testing optimization |
CN111915570A (zh) * | 2020-07-10 | 2020-11-10 | 云南电网有限责任公司带电作业分公司 | 基于反向传播神经网络的大气延迟估计方法 |
CN113186952A (zh) * | 2021-05-07 | 2021-07-30 | 四川省冶金地质勘查局水文工程大队 | 一种滑坡的抗滑-排水综合治理方法 |
CN113762090A (zh) * | 2021-08-16 | 2021-12-07 | 国网浙江省电力有限公司湖州供电公司 | 一种特高压密集输电通道灾害监测预警方法 |
CN114463948A (zh) * | 2022-01-26 | 2022-05-10 | 南昌工程学院 | 一种地质灾害监测预警方法及系统 |
CN114858238A (zh) * | 2022-04-29 | 2022-08-05 | 南方科技大学 | 地下水蓄变监测预警系统 |
CN114966685A (zh) * | 2022-05-24 | 2022-08-30 | 中国水利水电科学研究院 | 基于InSAR和深度学习的大坝形变监测及预测方法 |
CN115077474A (zh) * | 2022-06-14 | 2022-09-20 | 天津华北地质勘查总院 | 一种基于机器学习的地面沉降趋势预测方法及系统 |
Non-Patent Citations (7)
Title |
---|
LI JZ等: "GNSS Spoofing Jamming Detection Based on Generative Adversarial Network", 《IEEE SENSOR JOURNAL》 * |
YUXING CHEN等: "ARU-Net: Reduction of Atmospheric Phase Screen in SAR Interferometry Using Attention-based Deep Residual U-net", 《IEEE TRANSACTION ON GEOSCIENCE AND REMOTE SENSING》 * |
刘星等: "基于卡尔曼滤波的PS-InSAR地表形变预测方法", 《中国科学院大学学报》 * |
李春升等: "高分辨率星载SAR成像与图像质量提升方法综述", 《雷达学报》 * |
王晖: "新一代高精度低成本GNSS实时形变监测系统在水利设施变形监测预警中的应用", 《数字通信世界》 * |
陈锐志等: "导航与遥感技术融合综述", 《测绘学报》 * |
马飞等: "基于InSAR技术和GS-SVR算法的矿区地表开采沉陷预计", 《测绘工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116224327A (zh) * | 2023-02-20 | 2023-06-06 | 中国矿业大学 | 一种基于学习网络的矿区大梯度形变区相位解缠方法 |
CN117807917A (zh) * | 2024-03-01 | 2024-04-02 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于场次洪涝灾害的损失函数构建方法和系统 |
CN117807917B (zh) * | 2024-03-01 | 2024-05-07 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于场次洪涝灾害的损失函数构建方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115240082B (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115240082B (zh) | 一种基于形变监测和深度学习的地质灾害监测预警方法 | |
US7502689B2 (en) | Determination of an atmospheric state | |
CN101467064B (zh) | 卫星定位系统的基准站网络中的网络特定因子的计算方法 | |
DE102018202223A1 (de) | Verfahren und Vorrichtung zum Bereitstellen einer Integritätsinformation zum Überprüfen von Atmosphärenkorrekturparametern zur Korrektur atmosphärischer Störungen bei einer Satellitennavigation für ein Fahrzeug | |
US8686721B2 (en) | Automated pre-processing of body-mounted magnetometer data from constellations of low earth orbit satellites for derivation of birkeland current signatures | |
Saito et al. | Real‐time ionosphere monitoring by three‐dimensional tomography over Japan | |
CN109100719B (zh) | 基于星载sar影像与光学影像的地形图联合测图方法 | |
CN109341665A (zh) | 一种淤地坝淤积状况调查系统和方法 | |
Dandabathula et al. | Evaluation of ICESat-2 ATL08 data product: Performance assessment in inland water | |
RU2612625C2 (ru) | Объединенная система моделирования земной поверхности | |
Spencer et al. | Ionospheric data assimilation methods for geodetic applications | |
Crapolicchio et al. | ERS-2 scatterometer: Mission performances and current reprocessing achievements | |
CN111488553B (zh) | 一种太阳辐照度计算方法及装置 | |
Lee et al. | Enhancements of long term ionospheric anomaly monitoring for the ground-based augmentation system | |
CN208937029U (zh) | 一种淤地坝淤积状况调查装置 | |
Stanislawska et al. | Ionospheric W index based on GNSS TEC in the operational use for navigation systems | |
Vignudelli et al. | Satellite altimetry: sailing closer to the coast | |
CN115457739A (zh) | 一种地质灾害预警方法、装置、电子设备及存储介质 | |
Berdermann et al. | Ionospheric monitoring and prediction center (IMPC) | |
WO2015036590A1 (de) | Verfahren und vorrichtung zur bestimmung mindestens eines stützpunktspezifischen vertikalen gesamtelektroneninhalts | |
CN110336629B (zh) | 基于频谱路测数据实现场强分布预测处理的方法及相应的系统 | |
Hu et al. | Initial performance assessment of the single-frequency (SF) service with the BeiDou satellite-based augmentation system (BDSBAS) | |
CN114971224A (zh) | 一种基于智能手机的灌区智能巡检系统及其巡检方法 | |
CN111353203B (zh) | 一种地震采集排列布设优化方法、装置和存储介质 | |
CN115963462B (zh) | 一种顾及坡度和坡向的InSAR最大形变梯度探测方法 |
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 |