CN115356732B - 面向InSAR形变结果的潜在滑坡风险区域识别方法 - Google Patents

面向InSAR形变结果的潜在滑坡风险区域识别方法 Download PDF

Info

Publication number
CN115356732B
CN115356732B CN202211298557.9A CN202211298557A CN115356732B CN 115356732 B CN115356732 B CN 115356732B CN 202211298557 A CN202211298557 A CN 202211298557A CN 115356732 B CN115356732 B CN 115356732B
Authority
CN
China
Prior art keywords
distance
points
point
space
monitoring
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.)
Active
Application number
CN202211298557.9A
Other languages
English (en)
Other versions
CN115356732A (zh
Inventor
王吉利
李路
张毅
张衡
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.)
Aerospace Information Research Institute of CAS
Original Assignee
Aerospace Information Research Institute of CAS
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 Aerospace Information Research Institute of CAS filed Critical Aerospace Information Research Institute of CAS
Priority to CN202211298557.9A priority Critical patent/CN115356732B/zh
Publication of CN115356732A publication Critical patent/CN115356732A/zh
Application granted granted Critical
Publication of CN115356732B publication Critical patent/CN115356732B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01S13/9023—SAR image post-processing techniques combined with interferometric techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C5/00—Measuring height; Measuring distances transverse to line of sight; Levelling between separated points; Surveyors' levels
    • 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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开一种面向InSAR形变结果的潜在滑坡风险区域识别方法，包括基于卫星合成孔径雷达影像数据，采用SqueeSAR技术获得研究区域的地表形变信息，基于空间增量自相关求取最优空间距离，结合热点分析和密度聚类算法，识别潜在滑坡风险区域。InSAR技术具有全天时、全天候、不易受天气影响、精度高等优势，广泛应用于地表沉降监测，但是处理得到的监测点具有数量多、密度大和面积广等特点，人工解译该区域是否存在滑坡隐患区域变得困难。本发明充分考虑InSAR技术的监测结果，快速自动识别潜在滑坡风险区域位置。

Description

面向InSAR形变结果的潜在滑坡风险区域识别方法
技术领域
本发明属于星载合成孔径雷达（Synthetic Aperture Radar, SAR）干涉测量地表变形领域，具体涉及一种面向InSAR（Interferometric SAR, InSAR）形变结果的潜在滑坡风险区域识别方法，其为应用空间统计与分析算法自动识别疑似发生滑坡区域的方法。
背景技术
永久散射体干涉合成孔径雷达（Permanent Scatters Interferometric SAR,PS-InSAR）技术是一种星载SAR获取地面形变信息的技术，该技术以提取地面上的墙角、电杆等这些稳定点为基础，进而通过干涉、相位模拟、回归分析、相位解缠、时空滤波等步骤来得到地表变形信息，该方法测量精度高，测量范围广，而被应用于各种变形监测中，如矿区、城市、滑坡、地震等，并通过与其他测量技术对比，充分验证了该方法的可靠性。分布式散射体干涉合成孔径雷达（Distributed Scatterers Interferometric SAR, DS-InSAR），基于裸地、植被等地物类型，通过识别与提取最优相位，融入PS点中，大大增加了InSAR技术的监测能力。PS-InSAR技术与DS-InSAR技术的联合技术为SqueeSAR技术。
已知该地区发生地表沉降，采用InSAR技术可以精准对其进行变形监测，获得沉降信息。但是如果事先不知道该影像内哪里发生地表形变，人工解译得到的结果，虽然准确度高，但效率很低，且需要解译人员拥有丰富的经验，由此出现了很多滑坡识别方法。结合深度学习网络进行滑坡识别的方法，该方法需要事先准备训练数据集并进行训练。结合形态地貌学与滑坡历史位移特征进行识别，首先需要有这些特征的资料，其次如果该滑坡为新生滑坡，则无法识别。依靠光学遥感影像使用归一化植被指数进行滑坡识别，这种方法受地形和大气效应影响较大。而星载SAR具备全天候、全天时、远距离、高分辨率对地成像能力，结合InSAR技术的形变测量能力，可得到高精度的地表变形信息，再应用空间统计与分析算法，可快速自动识别疑似发生滑坡的区域。
当前，InSAR技术经过近二十年的发展，已经逐渐成熟并得到广泛应用。借助该方法，对于识别复杂区域内疑似发生滑坡位置具有重要意义。
发明内容
有鉴于此，本发明的主要目的在于提供一种面向InSAR形变结果的潜在滑坡风险区域识别方法，其为基于InSAR监测点的快速自动识别潜在滑坡位置的方法。
为达到上述目的，本发明采用的技术方案如下：
一种面向InSAR形变结果的潜在滑坡风险区域识别方法，包括如下步骤：
步骤101、根据重复轨道的星载SAR数据，提取形变监测点，获取形变监测点上形变速率；
步骤102、剔除形变监测点中孤立异常值；
步骤103、求取最优空间距离；
步骤104、进行热点统计分析，设置阈值以确定热点；
步骤105：对热点进行IKANN-DBSCAN密度聚类，识别滑坡区域。
进一步地，所述步骤101中，采用PS-InSAR技术对所述预处理完成的SAR数据集进行处理，具体包括：从一系列N景SAR影像中考虑时空基线，选择一景作为主影像，其他为副影像，干涉处理、去除地形相位，得到N-1景差分干涉图；通过振幅离差法选取永久散射体点，提取研究区域中存在的稳定性高的点；利用表征雷达回波后向散射特性的强度值计算样本间的累积概率分布函数差异，从而提取同质点，然后采用相位三角法获取最优相位，并进行同质滤波处理；合并永久散射体点与分布式散射体点并进行回归分析，估计出线性形变速率和残余高程，利用大气相位、噪声相位和非线性形变相位的时空特性，采用时间空间滤波进行分离，最终得到研究区域的变形信息，即每个监测点的时间序列变化信息和年均变化率信息。
进一步地，所述步骤102具体包括：采用迭代均值最近邻算法和中值最近邻算法，依据大数定理，数量众多的监测点的最邻近距离服从正态分布，采用3倍sigma准则，将超过该准则的数据判定为异常点进行剔除。
进一步地，所述步骤103具体包括：通过莫兰指数的归一化数值的大小体现不同空间距离情况下空间点的聚类程度；
假设初始距离区间为[R 1,R n ]，d 1是初始距离步长，R 1是空间距离的最小值，R n是空间距离的最大值，在空间距离为R 1+k 1 d 1时参考点i的周围有
Figure 751922DEST_PATH_IMAGE001
个监测点，莫兰指数的表达式为：
Figure 60544DEST_PATH_IMAGE002
其中k 1=(0,1,2,…,n 1)，n 1=(R n －R 1)/d 1，
Figure 275625DEST_PATH_IMAGE003
，R 1≤R 1+k 1 d 1≤R n ；
其中，空间权值
Figure 36907DEST_PATH_IMAGE004
的表达式为：
Figure 628426DEST_PATH_IMAGE005
其中，i表示在距离为R 1+k 1 d 1时的第i个参考点，j表示在距离为R 1+k 1 d 1时第i个参考点附近的第j个点，v i 是空间中第i个点的沉降速率，v j 是空间中第j个点的沉降速率，|v j －v i |表示空间中第i个参考点与第j个点间的空间距离，n 0是监测点的总数量，
Figure 788624DEST_PATH_IMAGE006
是监测点的平均速率，
Figure 909027DEST_PATH_IMAGE007
表示在距离为R 1+k 1 d 1时空间中第i个点与第j个参考点j的权值，其中μ是尺度因子，μ=2；
其中，
Figure 423185DEST_PATH_IMAGE008
是空间权值，其表达式为：
Figure 552815DEST_PATH_IMAGE009
其中，
Figure 570449DEST_PATH_IMAGE010
是初始距离区间[R 1,R n ]得到的莫兰指数
Figure 392912DEST_PATH_IMAGE011
的最大值，对应的局部最佳尺度距离为tmp1，max{…}代表在此区间的最大值；
设置距离区间为[tmp1－d 1,tmp1+d 1]，距离步长设为
Figure 128787DEST_PATH_IMAGE012
，λ是缩减因子，假设在空间距离为tmp1－d 1+k 2 d 2时参考点j的周围空间有
Figure 796528DEST_PATH_IMAGE013
个，得到该区间的最大值，其表达式为：
Figure 934249DEST_PATH_IMAGE014
其中，
Figure 927612DEST_PATH_IMAGE015
表示在距离范围[tmp1－d 1,tmp1+d 1]内得到的莫兰指数最大值，其对应的局部最佳距离为tmp2；tmp1表示第一次计算得到的最佳距离，n 2为第二次迭代时空间距离变化次数，k 2为0到n 2的序列；
设置距离区间为[tmp2－d 2,tmp2+d 2]，距离步长设为
Figure 150783DEST_PATH_IMAGE016
，得到该区间的最大值，其表达式为：
Figure 887795DEST_PATH_IMAGE017
其中，
Figure 145601DEST_PATH_IMAGE018
表示在距离范围[tmp2－d 2,tmp2+d 2]内得到的莫兰最大值, 其对应的局部最佳距离为tmp3从而得到的空间距离即为最优空间距离，d 3表示距离步长，tmp2表示第二次计算得到的局部最佳距离，n 3为第三次迭代时空间距离变化次数，k 3为0到n 3的序列。
进一步地，所述步骤104具体包括：完成空间聚类，输入最佳空间距离tmp3，每个监测点的输出值的表达式为：
Figure 44287DEST_PATH_IMAGE019
其中，i表示第i个参考点，j表示在距离d范围内的第j个监测点，
Figure 20333DEST_PATH_IMAGE020
代表第i个参考点的热点值，n代表总的监测点数量，n ij 代表在距离d范围内的监测点总数，v代表监测点的沉降速率，
Figure 29878DEST_PATH_IMAGE021
代表监测点的沉降速率均值，s *代表监测点的沉降速率标准差；
根据计算出的每个监测点的输出值，计算每个点的作为标准差的Z分数和作为独立概率的P值，根据聚类统计显著性置信区间为99%，设置Z分数阈值为±2.58，设置P值阈值为0.01，设置沉降速率标准差阈值为5 毫米/年，最终提取的监测点为热点。
进一步地，所述步骤105中的所述IKANN-DBSCAN密度聚类的流程包括：计算所有热点的距离分布矩阵，计算每个热点与第K个最近邻热点的距离均值，得到半径参数列表；采用内插法，得到最后的半径参数列表；采用DBSCAN算法，计算得到最小点数列表；根据最后的半径参数列表和最小点数列表，设置聚类阈值，当聚类数量持续稳定时，确定其为最佳聚类数量，确定其为圈定的潜在滑坡变形区域。
有益效果：
（1）现有技术中，升降轨SAR数据进行InSAR时序处理，通过解缠、滤波等一系列操作后可得到滑坡的形变。本发明在此基础上完成DS点选择，热点模型的加入，滑坡区域的自动识别等。
（2）现有技术中侧重于分布式散射体的提取，从而得到通道附近的滑坡形变。本发明实现分布式散射体的提取的同时，加入热点模型和密度聚类算法，自动识别滑坡。
（3）现有技术中结合SAR图像间的相干性和SAR的极化分解方法完成滑坡检测。本发明则是从InSAR的形变监测角度出发，结合变形速率，设置空间距离，提取形变热点，再完成密度聚类，实现滑坡区域的自动识别。
附图说明
图1为本发明的基于热点分析和密度聚类算法的InSAR潜在滑坡区域识别方法流程图；
图2为研究区域InSAR沉降速率图；
图3为提取的研究区域的热点图；
图4为IKANN-DBSCAN算法聚类数量变化图；
图5为识别的潜在滑坡区域示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明的一种面向InSAR形变结果的潜在滑坡风险区域识别方法，具体包括如下步骤：步骤101：根据重复轨道的星载SAR数据，获取形变信息：
对重复轨道的星载SAR数据进行配准和重采样处理，能够得到覆盖同一区域的多景单视复数影像，再进行多视、地理编码、提取感兴趣区域等处理，即可得到预处理完成的SAR数据集。采用PS-InSAR技术对该SAR数据集进行处理，流程包括：从一系列N景SAR影像中考虑时空基线，选择一景作为主影像，其他为副影像，干涉处理、去除地形相位，即可得到N-1景差分干涉图。通过振幅离差法选取永久散射体（Permanent Scatters，PS）点，提取研究区域中存在的稳定性高的点。利用表征雷达回波后向散射特性的强度值计算样本间的累积概率分布函数差异，从而提取同质点，然后采用相位三角法获取最优相位，并进行同质滤波处理。合并PS点与分布式散射体（Distributed Scatterers，DS）点并进行回归分析，估计出线性形变速率和残余高程，利用大气相位、噪声相位和非线性形变相位的时空特性，采用时间空间滤波进行分离，最终得到研究区域的变形信息，即每个监测点的时间序列变化信息和年均变化率信息。
步骤102：剔除形变监测点中孤立异常值：
采用迭代均值最近邻（Average Nearest Neighbors，ANN）和中值最近邻（MedianNearest Neighbors，MNN）算法，依据大数定理，监测点数量众多，其最邻近距离服从正态分布，可采用3倍sigma准则，将超过该准则的数据判定为异常点进行剔除。在进行距离计算时，使用python sklearn工具包快速求取最近点的距离，提高运算效率。
步骤103：求取最优空间距离：
最优空间距离能够正确反映空间数据的统计特性。采用空间增量自相关方法，可以估计出不同距离下，空间数据的不同空间依赖度，即以莫兰指数的归一化数值的大小来体现，最大的数值所对应的距离就是最优空间距离。为了提高计算效率，采用λ倍缩减法求取。假设初始距离区间为[R 1,R n ]，d 1是初始距离步长，通常设置为100, R 1是空间距离的最小值，R n 是空间距离的最大值。对于大范围研究区域，初始距离区间设置为[0，500]，对于小范围区域，初始距离区间设置为[0，100]，莫兰指数的表达式为：
Figure 142190DEST_PATH_IMAGE022
其中，k 1=(0,1,2,…,n 1)，n 1=(R n －R 1)/d 1，
Figure 618302DEST_PATH_IMAGE003
，且R 1≤R 1+k 1 d 1≤R n ；
其中，空间权值
Figure 547556DEST_PATH_IMAGE023
的表达式为：
Figure 626371DEST_PATH_IMAGE024
其中，i表示在距离为R 1+k 1 d 1时的第i个参考点，j表示在距离为R 1+k 1 d 1时第i个参考点附近的第j个点，v i 是空间中第i个点的沉降速率，v j 是空间中第j个点的沉降速率，|v j －v i |表示空间中第i个参考点与第j个点间的空间距离，n 0是监测点的总数量，
Figure 858769DEST_PATH_IMAGE025
是监测点的平均速率，
Figure 99257DEST_PATH_IMAGE026
是表示在距离为R 1+k 1 d 1时空间中第i个点与第j个参考点j的权值；
其中，
Figure 49896DEST_PATH_IMAGE027
是空间权值，其表达式为：
Figure 666822DEST_PATH_IMAGE028
其中，
Figure 753727DEST_PATH_IMAGE029
是初始距离区间[R 1,R n ]得到的莫兰指数
Figure 899537DEST_PATH_IMAGE030
的最大值，对应的局部最佳尺度距离为tmp1，max{…}代表在此区间的最大值。
设置距离区间为[tmp1－d 1,tmp1+d 1]，距离步长设为
Figure 71893DEST_PATH_IMAGE031
，λ是缩减因子，假设在空间距离为tmp1－d 1+k 2 d 2时参考点j的周围空间有
Figure 226930DEST_PATH_IMAGE032
个，一般设置为10，得到该区间的最大值，其表达式为：
Figure 902762DEST_PATH_IMAGE033
其中，
Figure 750633DEST_PATH_IMAGE034
表示在距离范围[tmp1－d 1,tmp1+d 1]内得到的莫兰指数最大值，其对应的局部最佳距离为tmp2。tmp1表示第一次计算得到的最佳距离，n 2为第二次迭代时空间距离变化次数，k 2为0到n 2的序列。
设置距离区间为[tmp2－d 2,tmp2+d 2]，距离步长设为
Figure 144705DEST_PATH_IMAGE035
，得到该区间的最大值，其表达式为：
Figure 837854DEST_PATH_IMAGE036
其中，
Figure 633772DEST_PATH_IMAGE037
表示在距离范围[tmp2－d 2,tmp2+d 2]内得到的莫兰最大值, 其对应的局部最佳距离为tmp3。如果d 3的精度在小数点后两位，此时得到的空间距离即为最优空间距离，d 3表示距离步长，tmp2表示第二次计算得到的局部最佳距离，n 3为第三次迭代时空间距离变化次数，k 3为0到n 3的序列。
步骤104：进行热点统计分析，设置阈值以确定热点：
根据美国乔治敦大学麦克多诺商学院(McDonough School of Business)的J.Keith Ord和圣地亚哥州立大学地理系的Arthur Getis两人提出的Getis-Ord Gi*热点统计模型完成空间聚类，输入最佳空间距离tmp3，每个监测点的输出值能够反映各自的统计重要性，其表达式为：
Figure 652544DEST_PATH_IMAGE038
其中，i表示第i个参考点，j表示在距离d范围内的第j个监测点，
Figure 268333DEST_PATH_IMAGE039
代表第i个参考点的热点值，n代表总的监测点数量，n ij 代表在距离d范围内的监测点总数，v代表监测点的沉降速率，
Figure 765173DEST_PATH_IMAGE040
代表监测点的沉降速率均值，s *代表监测点的沉降速率标准差。
根据空间的依赖程度，能够得出离散模式和聚类模式。Z分数是一个数与平均数的差再除以标准差的过程。置信度为90%，95%，99%时，Z分数对应的数值为±1.65，±1.96，±2.58。P值是在零假设成立的情况下，观察值或比观察值更极端的值发生的概率，置信度为90%，95%，99%。如图2所示，沉降速率的统计特性也可根据情况，自适应设置标准差阈值。最终，Z分数阈值为±2.58，P值为99%，设置沉降速率标准差阈值，最终提取的监测点为热点（Hot spot, HS），如图3所示。
步骤105：如图4所示，对热点进行IKANN-DBSCAN密度聚类，识别滑坡区域：
IKANN-DBSCAN是一种ANN与密度聚类（Density-Based Spatial Clustering ofApplications with Noise，DBSCAN）结合的改进算法，其流程是：计算所有HS的距离分布矩阵，计算每个HS与第K个最近邻HS的距离均值，得到Eps（半径）参数列表。考虑到该列表的数值间隔较大，而采用内插法，得到最后的Eps参数列表。采用DBSCAN算法，计算得到MinPts（最小点数）列表。根据Eps参数列表和MinPts参数列表，设置聚类阈值，当聚类数量持续稳定时，确定其为最佳聚类数量，确定其为圈定的潜在滑坡变形区域，如图5所示。
以上所述，仅为本发明的一个实施例而已，在其他情况下本发明仍然适用，并非用于限定本发明的保护范围。

Claims (3)

1.一种面向InSAR形变结果的潜在滑坡风险区域识别方法，其特征在于，包括如下步骤：
步骤101、根据重复轨道的星载SAR数据，提取形变监测点，获取形变监测点上形变速率，具体包括：
采用PS-InSAR技术对预处理完成的SAR数据集进行处理，具体包括：从一系列N景SAR影像中考虑时空基线，选择一景作为主影像，其他为副影像，干涉处理、去除地形相位，得到N-1景差分干涉图；通过振幅离差法选取永久散射体点，提取研究区域中存在的稳定性高的点；利用表征雷达回波后向散射特性的强度值计算样本间的累积概率分布函数差异，从而提取同质点，然后采用相位三角法获取最优相位，并进行同质滤波处理；合并永久散射体点与分布式散射体点并进行回归分析，估计出线性形变速率和残余高程，利用大气相位、噪声相位和非线性形变相位的时空特性，采用时间空间滤波进行分离，最终得到研究区域的变形信息，即每个监测点的时间序列变化信息和年均变化率信息；
步骤102、剔除形变监测点中孤立异常值，具体包括：采用迭代均值最近邻算法和中值最近邻算法，依据大数定理，数量众多的监测点的最邻近距离服从正态分布，采用3倍sigma准则，将超过该准则的数据判定为异常点进行剔除；
步骤103、求取最优空间距离，具体包括：通过莫兰指数的归一化数值的大小体现不同空间距离情况下空间点的聚类程度；
假设初始距离区间为[R 1,R n ]，d 1是初始距离步长，R 1是空间距离的最小值，R n 是空间距离的最大值，在空间距离为R 1+k 1 d 1时参考点i的周围有
Figure DEST_PATH_IMAGE001
个监测点，莫兰指数的表达式为：
Figure DEST_PATH_IMAGE003
其中k 1=0,1,2,…,n 1，n 1=(R n －R 1)/d 1，
Figure DEST_PATH_IMAGE005
，且R 1≤R 1+k 1 d 1≤R n ；
上式中，距离为R 1+k 1 d 1时空间中第i个参考点与第j个点j的权值
Figure DEST_PATH_IMAGE007
的表达式为：
Figure DEST_PATH_IMAGE009
其中，i表示在距离为R 1+k 1 d 1时的第i个参考点，j表示在距离为R 1+k 1 d 1时第i个参考点附近的第j个点，v i 是空间中第i个点的沉降速率，v j 是空间中第j个点的沉降速率，|v j －v i |表示空间中第i个参考点与第j个点间的空间距离，n 0是监测点的总数量，
Figure 232220DEST_PATH_IMAGE010
是监测点的平均速率，
Figure DEST_PATH_IMAGE011
表示在距离为R 1+k 1 d 1时空间中第i个参考点与第j个点j的权值，其中μ是尺度因子，μ=2；
其中，
Figure 352623DEST_PATH_IMAGE012
是空间权值，其表达式为：
Figure 866781DEST_PATH_IMAGE014
其中，
Figure 58728DEST_PATH_IMAGE016
是初始距离区间[R 1,R n ]得到的莫兰指数
Figure DEST_PATH_IMAGE017
的最大值，对应的局部最佳距离为tmp1，max{…}代表在此区间的最大值；
设置距离区间为[tmp1－d 1,tmp1+d 1]，距离步长设为
Figure 778160DEST_PATH_IMAGE018
，λ是缩减因子，假设在空间距离为tmp1－d 1+k 2 d 2时点j的周围空间有
Figure 131781DEST_PATH_IMAGE020
个监测点，得到该区间的最大值，其表达式为：
Figure DEST_PATH_IMAGE021
其中，
Figure 805338DEST_PATH_IMAGE022
表示在距离范围[tmp1－d 1,tmp1+d 1]内得到的莫兰指数最大值，其对应的局部最佳距离为tmp2；tmp1表示第一次计算得到的局部最佳距离，n 2为第二次迭代时空间距离变化次数，k 2为0到n 2的序列；
设置距离区间为[tmp2－d 2,tmp2+d 2]，距离步长设为
Figure DEST_PATH_IMAGE023
，得到该区间的最大值，其表达式为：
Figure 269818DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE025
表示在距离范围[tmp2－d 2,tmp2+d 2]内得到的莫兰指数最大值, 其对应的局部最佳距离为tmp3；从而得到的空间距离即为最优空间距离，d 3表示距离步长，tmp2表示第二次计算得到的局部最佳距离，n 3为第三次迭代时空间距离变化次数，k 3为0到n 3的序列；
步骤104、进行热点统计分析，设置阈值以确定热点；
步骤105：对热点进行IKANN-DBSCAN密度聚类，识别滑坡区域。
2.根据权利要求1所述的一种面向InSAR形变结果的潜在滑坡风险区域识别方法，其特征在于，所述步骤104具体包括：完成空间聚类，输入最优空间距离tmp3，每个监测点的输出值的表达式为：
Figure 141959DEST_PATH_IMAGE026
其中，i表示第i个参考点，j表示在距离d范围内的第j个监测点，
Figure 869743DEST_PATH_IMAGE028
代表第i个参考点的热点值，n代表总的监测点数量，n ij 代表在距离d范围内的监测点总数，v代表监测点的沉降速率，
Figure DEST_PATH_IMAGE029
代表监测点的沉降速率均值，s * 代表监测点的沉降速率标准差；
根据计算出的每个监测点的输出值，计算每个点的作为标准差的Z分数和作为独立概率的P值，根据聚类统计显著性置信区间为99%，设置Z分数阈值为±2.58，设置P值阈值为0.01，设置沉降速率标准差阈值为5 毫米/年，最终提取的监测点为热点。
3.根据权利要求2所述的一种面向InSAR形变结果的潜在滑坡风险区域识别方法，其特征在于，所述步骤105中的所述IKANN-DBSCAN密度聚类的流程包括：计算所有热点的距离分布矩阵，计算每个热点与第K个最近邻热点的距离均值，得到半径参数列表；采用内插法，得到最后的半径参数列表；采用DBSCAN算法，计算得到最小点数列表；根据最后的半径参数列表和最小点数列表，设置聚类阈值，当聚类数量持续稳定时，确定其为最佳聚类数量，确定其为圈定的潜在滑坡变形区域。
CN202211298557.9A 2022-10-24 2022-10-24 面向InSAR形变结果的潜在滑坡风险区域识别方法 Active CN115356732B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211298557.9A CN115356732B (zh) 2022-10-24 2022-10-24 面向InSAR形变结果的潜在滑坡风险区域识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211298557.9A CN115356732B (zh) 2022-10-24 2022-10-24 面向InSAR形变结果的潜在滑坡风险区域识别方法

Publications (2)

Publication Number Publication Date
CN115356732A CN115356732A (zh) 2022-11-18
CN115356732B true CN115356732B (zh) 2023-01-13

Family

ID=84008638

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211298557.9A Active CN115356732B (zh) 2022-10-24 2022-10-24 面向InSAR形变结果的潜在滑坡风险区域识别方法

Country Status (1)

Country Link
CN (1) CN115356732B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115993601B (zh) * 2023-03-22 2023-06-09 四川省公路规划勘察设计研究院有限公司 一种强盐渍土区域公路变形的时序InSAR监测方法
CN117805819B (zh) * 2024-02-29 2024-05-14 四川省公路规划勘察设计研究院有限公司 一种基于InSAR技术的道路选线地质稳定性评估方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111626269B (zh) * 2020-07-07 2021-08-27 中国科学院空天信息创新研究院 一种实用的大空间范围滑坡提取方法
CN113989637A (zh) * 2021-09-26 2022-01-28 中国科学院空天信息创新研究院 滑坡识别知识库建立方法、装置、电子设备及存储介质
CN114791273B (zh) * 2022-06-24 2022-09-13 中国铁道科学研究院集团有限公司铁道建筑研究所 一种针对滑坡的InSAR形变监测结果解释方法

Also Published As

Publication number Publication date
CN115356732A (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN115356732B (zh) 面向InSAR形变结果的潜在滑坡风险区域识别方法
CN111583214B (zh) 基于rbf神经网络的航海雷达图像反演海面风速方法
WO2022016884A1 (zh) 一种基于K-means聚类算法的海面风速方法
Cobby et al. Image processing of airborne scanning laser altimetry data for improved river flood modelling
CN103914678B (zh) 基于纹理与植被指数的撂荒地遥感识别方法
CN110763187B (zh) 一种稳健的基于雷达分布式目标的地面沉降监测方法
Liu et al. Ground surface filtering of 3D point clouds based on hybrid regression technique
CN109859219B (zh) 结合相位与光谱的高分遥感影像分割方法
CN112418245A (zh) 基于城市环境物理模型的电磁发射点定位方法
KR101255736B1 (ko) 단일편파 레이더를 이용한 기상 및 비기상 에코 분류 방법
CN108230375A (zh) 基于结构相似性快速鲁棒的可见光图像与sar图像配准方法
CN112668534B (zh) 基于数字正射影像和数字表面模型反演林区植被高度的方法
CN115840205B (zh) 一种基于激光雷达技术的地形面积计量方法和系统
CN105139375A (zh) 一种结合全球dem与立体视觉的卫星影像云检测方法
CN105759274A (zh) 一种台风关注区雷达降水估测方法
Girón et al. Nonparametric edge detection in speckled imagery
CN110849821A (zh) 基于贝叶斯定理的黑臭水体遥感识别方法
CN115019163A (zh) 基于多源大数据的城市要素识别方法
CN112734683B (zh) 基于目标增强的多尺度sar与红外图像融合方法
CN116908853B (zh) 高相干点选取方法、装置和设备
JP2005043333A (ja) レーダ画像からの波浪方向スペクトル逆推定方法及びシステム
CN112488190A (zh) 一种基于深度学习的点云数据分类方法及系统
CN116682026A (zh) 一种智能深度学习环境遥感系统
Sadouki et al. Classification of radar echoes with a textural–fuzzy approach: an application for the removal of ground clutter observed in Sétif (Algeria) and Bordeaux (France) sites
He et al. An Early Warning Intelligent Algorithm System for Forest Resource Management and Monitoring

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