CN115424146A - 基于sar影像的滑坡识别方法、存储介质及处理器 - Google Patents

基于sar影像的滑坡识别方法、存储介质及处理器 Download PDF

Info

Publication number
CN115424146A
CN115424146A CN202211146167.XA CN202211146167A CN115424146A CN 115424146 A CN115424146 A CN 115424146A CN 202211146167 A CN202211146167 A CN 202211146167A CN 115424146 A CN115424146 A CN 115424146A
Authority
CN
China
Prior art keywords
landslide
suspected
area
power transmission
sar
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
CN202211146167.XA
Other languages
English (en)
Inventor
冯文卿
欧阳亿
皮新宇
罗晶
何立夫
曹启明
徐勋建
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.)
Hunan Disaster Prevention Technology Co ltd
Original Assignee
Hunan Disaster Prevention Technology 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 Hunan Disaster Prevention Technology Co ltd filed Critical Hunan Disaster Prevention Technology Co ltd
Priority to CN202211146167.XA priority Critical patent/CN115424146A/zh
Publication of CN115424146A publication Critical patent/CN115424146A/zh
Pending legal-status Critical Current

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Multimedia (AREA)
  • Radar Systems Or Details Thereof (AREA)

Abstract

本申请实施例提供一种基于SAR影像的滑坡识别方法、处理器及存储介质。方法包括：通过获取研究区域的输电线路位置，基于D‑InSAR技术，根据研究区域的SAR影像确定位于输电线路附近的疑似滑坡区域，获取疑似滑坡区域的SAR卫星全极化数据，对SAR卫星全极化数据进行森林反演，以确定疑似滑坡区域的雷达植被指数，确定疑似滑坡区域的坡度，将雷达植被指数小于第一预设阈值，且坡度大于第二预设阈值的疑似滑坡区域作为预测发生滑坡的区域。

Description

基于SAR影像的滑坡识别方法、存储介质及处理器
技术领域
本申请涉及早期滑坡识别领域，具体涉及一种基于SAR影像的滑坡识别方法、装置、存储介质及处理器。
背景技术
山体滑坡作为一种常见的地质灾害，其不仅会使附近的电力系统发生故障，严重时会造成人身安全事故。
现有技术中，识别输电线路附近的滑坡主要以光学遥感影像解译为主，利用D-InSAR技术，并结合光学遥感影像识别大区域内潜在滑坡，但由于SAR影像存在阴影、叠掩等现象，会存在错判和漏判，难以识别潜在滑坡区域，导致灾害防治困难，造成人身安全事故和财产损失。
发明内容
本申请实施例的目的是提供一种基于SAR影像的滑坡识别方法、装置、存储介质及处理器。
为了实现上述目的，本申请第一方面提供一种基于SAR影像的滑坡识别方法，包括：
获取研究区域的输电线路位置；
基于D-InSAR技术，根据研究区域的SAR影像确定位于输电线路附近的疑似滑坡区域；
获取疑似滑坡区域的SAR卫星全极化数据；
对SAR卫星全极化数据进行森林反演，以确定疑似滑坡区域的雷达植被指数；
确定疑似滑坡区域的坡度；
将雷达植被指数小于第一预设阈值，且坡度大于第二预设阈值的疑似滑坡区域作为预测发生滑坡的区域。
在本申请的实施例中，输电线路包括输电铁塔和/或输电杆塔，获取研究区域的输电线路位置包括：获取研究区域的SAR卫星数据，根据SAR卫星数据确定研究区域的强度图，根据强度图确定研究区域内各个输电铁塔和/或输电杆塔所在的位置。
在本申请的实施例中，对SAR卫星全极化数据进行森林反演，以确定疑似滑坡区域的雷达植被指数包括：将SAR卫星全极化数据转换为以三维Pauli目标矢量形式表示的多个散射矩阵，确定全部的散射矩阵的像元平均值，以得到对应的极化相干矩阵，将极化相干矩阵进行特征向量分解，以确定每个子相干矩阵的特征向量以及每个子相干矩阵的特征值，根据全部的子相干矩阵的特征值确定疑似滑坡区域的雷达植被指数。
在本申请的实施例中，极化相干矩阵T的表达式如公式(1)所示：
Figure BDA0003855349330000021
其中，N是指窗口的选取大小，Pi是指第i个像元所对应的散射矩阵，针对任意一个像元的散射矩阵P，散射矩阵P的表达式如公式(2)所示：
Figure BDA0003855349330000022
S为极化散射矩阵，SHH是指以水平极化方式得到的极化散射矩阵，SHV是指以交叉极化方式得到的极化散射矩阵，SVV是指以垂直极化方式得到的极化散射矩阵，在将极化相干矩阵进行特征向量分解后，极化相干矩阵T的表达式如公式(3)所示：
Figure BDA0003855349330000023
其中，T1、T2、T3分别为3个子相干矩阵，γ1、γ2、γ3分别为3个子相干矩阵的特征值，vi为第i个子相干矩阵的特征向量，根据全部的子相干矩阵的特征值确定疑似滑坡区域的雷达植被指数包括根据公式(4)计算雷达植被指数RVI：
Figure BDA0003855349330000031
在本申请的实施例中，确定疑似滑坡区域的坡度包括：将研究区域的DEM数据进行坐标系转换，以得到对应的坐标数据，根据坐标数据确定每个输电铁塔和/或输电杆塔附近的疑似滑坡区域的坡度。
在本申请的实施例中，在根据坐标数据确定每个输电铁塔和/或输电杆塔附近的疑似滑坡区域的坡度之后，根据每个疑似滑坡区域的坡度确定每个疑似滑坡区域的坡度等级，根据全部的疑似滑坡区域的坡度等级生成坡度分级矢量图。
在本申请的实施例中，第一预设阈值为0.4，第二预设阈值为15度。
本发明第二方面提供一种处理器，被配置成执行上诉基于SAR影像的滑坡识别方法。
本发明第三方面提供一种用于定型机的数据采集装置，所述基于SAR影像的滑坡识别装置包括处理器。
本发明第四方面提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得所述处理器被配置成执行上述的用于基于SAR影像的滑坡识别方法。
上述用于基于SAR影像的滑坡识别方法、装置、处理器及存储介质。通过获取研究区域的输电线路位置，基于D-InSAR技术，根据研究区域的SAR影像确定位于输电线路附近的疑似滑坡区域，获取疑似滑坡区域的SAR卫星全极化数据，对SAR卫星全极化数据进行森林反演，以确定疑似滑坡区域的雷达植被指数，确定疑似滑坡区域的坡度，将雷达植被指数小于第一预设阈值，且坡度大于第二预设阈值的疑似滑坡区域作为预测发生滑坡的区域。通过上述技术方案，可以准确有效地自动识别输电线路附近潜在滑坡，及时做好灾害防治措施，减少人生安全事故和财产损失。
本申请实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本申请实施例，但并不构成对本申请实施例的限制。在附图中：
图1示意性示出了根据本申请实施例的基于SAR影像的滑坡识别方法的流程示意图；
图2示意性示出了根据本申请实施例的获取输电线路附近滑坡区域的流程示意图；
图3示意性示出了根据本申请实施例的基于SAR影像的滑坡识别方法的示意图；
图4示意性示出了根据本申请实施例的计算机设备的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，应当理解的是，此处所描述的具体实施方式仅用于说明和解释本申请实施例，并不用于限制本申请实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1示意性示出了根据本申请实施例的基于SAR影像的滑坡识别方法的流程示意图。如图1所示，在本申请一实施例中，提供了一种基于SAR影像的滑坡识别方法，包括以下步骤：
步骤101，获取研究区域的输电线路位置。
步骤102，基于D-InSAR技术，根据研究区域的SAR影像确定位于输电线路附近的疑似滑坡区域。
步骤103，获取疑似滑坡区域的SAR卫星全极化数据。
步骤104，对SAR卫星全极化数据进行森林反演，以确定疑似滑坡区域的雷达植被指数。
步骤105，确定疑似滑坡区域的坡度。
步骤106，将雷达植被指数小于第一预设阈值，且坡度大于第二预设阈值的疑似滑坡区域作为预测发生滑坡的区域。
SAR是一种主动式的对地观测系统，可安装在飞机、卫星、宇宙飞船等飞行平台上，全天时、全天候对地实施观测、并具有一定的地表穿透能力，获取极化SAR影像、SAR干涉影像、SAR强度影像，极化SAR影像是通过获取散射矩阵数据来推演地面地物目标的影像，SAR干涉影像是指利用雷达向目标区域发射微波，然后接收目标区域反射的回波。因此，可以获取待研究区域的SAR卫星影像，并根据SAR卫星影像计算出目标地区的地形、地貌以及表面的微小变化生成干涉影像。SAR强度影像是SAR影像根据像素的强度呈现出的影像，在灰度影像中，强度影像是图像的灰度值。基于D-InSAR技术，根据研究区域的SAR影像确定位于输电线路附近的疑似滑坡区域。D-InSAR技术是指差分干涉测量，它是利用同一地区不同时相的SAR影像，通过差分干涉，获取地区地表形变信息的技术手段。可以通过结合高分辨率的TanDEM进行差分干涉、去平、滤波加解缠等步骤，TanDEM是数字高程模型，DEM是用一组有序数值阵列形式表示地面高程的一种实体地面模型，它是地学领域用来表示地形特征的重要表达形式.它作为一种基础的地理信息数据已经在我们日常生活以及国防领域有着非常广泛的应用，如地形制导的军事打击、差分干涉雷达形变监测、地质勘测、各种线路，如高铁、城际、高速公路、电力线路等的规划、城区地籍变化监测等。提取出研究区域内输电线路附近的疑似滑坡区域。
对SAR卫星全极化数据进行森林反演，以确定疑似滑坡区域的雷达植被指数，获取疑似滑坡区域的SAR卫星全极化数据，将获取的SAR卫星全极化数据转换为以三维Pauli目标矢量形式表示的多个散射矩阵，Pauli矩阵是一组三个2×2的幺正厄米复矩阵。根据散射矩阵确定全部的散射矩阵的像元平均值，以得到对应的极化相干矩阵，将极化相干矩阵进行特征向量分解，以确定每个子相干矩阵的特征向量以及每个子相干矩阵的特征值，根据全部的子相干矩阵的特征值确定疑似滑坡区域的雷达植被指数。
确定疑似滑坡区域的坡度，将研究区域的DEM数据进行坐标系转换，DEM数据是全国地形数据，以得到对应的坐标数据，根据坐标数据确定每个输电铁塔和/或输电杆塔附近的疑似滑坡区域的坡度。可以利用ArcGIS软件对DEM数据进行坐标系、完整性等检查和转换，然后进行DEM拼接和坡度计算，确定每个输电铁塔和/或输电杆塔附近的疑似滑坡区域的坡度。将雷达植被指数小于第一预设阈值，且坡度大于第二预设阈值的疑似滑坡区域作为预测发生滑坡的区域。如，设置植被指数阈值0.4为第一阈值，设置坡度阈值15度为第二阈值，如果输电线路区域的植被指数小于0.4，且坡度大于15度就会被确定为真实存在的滑坡区域。通过该方法，可以准确有效地自动识别输电线路附近潜在滑坡，及时做好灾害防治措施，减少人生安全事故和财产损失。
在一个实施例中，输电线路包括输电铁塔和/或输电杆塔，获取研究区域的输电线路位置包括：获取研究区域的SAR卫星数据，根据SAR卫星数据确定研究区域的强度图，根据强度图确定研究区域内各个输电铁塔和/或输电杆塔所在的位置。
获取研究区域的SAR卫星数据，SAR卫星数据包括极化SAR影像、SAR干涉影像、SAR强度影像，根据SAR卫星数据确定研究区域的强度图，由于输电线路包含输电铁塔和输电杆塔，输电线路表面粗糙、形变较小，且呈线状分布，找到强度图上主要表现为具有线状均匀分布的点，确定为研究区域内各个输电铁塔和/或输电杆塔所在的位置。
基于D-InSAR技术，根据研究区域的SAR影像确定位于输电线路附近的疑似滑坡区域。D-InSAR技术是指差分干涉测量，它是利用同一地区不同时相的SAR影像，通过差分干涉，获取地区地表形变信息的技术手段。可以通过结合高分辨率的TanDEM进行差分干涉、去平、滤波加解缠等步骤，TanDEM是数字高程模型，DEM是用一组有序数值阵列形式表示地面高程的一种实体地面模型，它是地学领域用来表示地形特征的重要表达形式.它作为一种基础的地理信息数据已经在我们日常生活以及国防领域有着非常广泛的应用，如地形制导的军事打击、差分干涉雷达形变监测、地质勘测、各种线路，如高铁、城际、高速公路、电力线路等的规划、城区地籍变化监测等。提取出研究区域内输电线路附近的疑似滑坡区域。
在一个实施例中，如图2所示，图2为获取输电线路附近滑坡区域流程图。ALOS2数据是指卫星数据，将卫星数据，通过辐射定标、多视处理、正射校正、地形辐射校正后和TanDEM处理后的数据配准得到研究区域的强度图。其中辐射定标是用户需要计算地物的光谱反射率或光谱辐射亮度时，或者需要对不同时间、不同传感器获取的图像进行比较时，都必须将图像的亮度灰度值转换为绝对的辐射亮度，这个过程就是辐射定标。多视处理是对卫星原始的最高分辨率数据方位向和/或距离向做平均，得到的结果是多视后的强度数据。正射校正是利用TanDEM数字高程模型数据，对卫星影像同时进行倾斜改正和投影差改正，将影像重采样成正射影像。地形辐射校正是指对由于外界因素，数据获取和传输系统产生的系统的、随机的辐射失真或畸变进行的校正，消除或改正因辐射误差而引起影像畸变的过程。由于输电线路包含输电铁塔和输电杆塔，输电线路表面粗糙、形变较小，且呈线状分布，根据获取的研究区域的强度图，找到强度图上主要表现为具有线状均匀分布的点，确定为研究区域内各个输电铁塔和/或输电杆塔所在的位置。在一个实施例中，对SAR卫星全极化数据进行森林反演，以确定疑似滑坡区域的雷达植被指数包括：将SAR卫星全极化数据转换为以三维Pauli目标矢量形式表示的多个散射矩阵，确定全部的散射矩阵的像元平均值，以得到对应的极化相干矩阵，将极化相干矩阵进行特征向量分解，以确定每个子相干矩阵的特征向量以及每个子相干矩阵的特征值，根据全部的子相干矩阵的特征值确定疑似滑坡区域的雷达植被指数。
获取疑似滑坡区域的SAR卫星全极化数据，将获取的SAR卫星全极化数据转换为以三维Pauli目标矢量形式表示的多个散射矩阵，Pauli矩阵是一组三个2×2的幺正厄米复矩阵。根据散射矩阵确定全部的散射矩阵的像元平均值，以得到对应的极化相干矩阵，将极化相干矩阵进行特征向量分解，以确定每个子相干矩阵的特征向量以及每个子相干矩阵的特征值，根据全部的子相干矩阵的特征值确定疑似滑坡区域的雷达植被指数。
在一个实施例中，极化相干矩阵T的表达式如公式(1)所示：
Figure BDA0003855349330000081
其中，N是指窗口的选取大小，Pi是指第i个像元所对应的散射矩阵，针对任意一个像元的散射矩阵P，散射矩阵P的表达式如公式(2)所示：
Figure BDA0003855349330000082
S为极化散射矩阵，SHH是指以水平极化方式得到的极化散射矩阵，SHV是指以交叉极化方式得到的极化散射矩阵，SVV是指以垂直极化方式得到的极化散射矩阵，在将极化相干矩阵进行特征向量分解后，极化相干矩阵T的表达式如公式(3)所示：
Figure BDA0003855349330000091
其中，T1、T2、T3分别为3个子相干矩阵，γ1、γ2、γ3分别为3个子相干矩阵的特征值，vi为第i个子相干矩阵的特征向量，根据全部的子相干矩阵的特征值确定疑似滑坡区域的雷达植被指数包括根据公式(4)计算雷达植被指数RVI：
Figure BDA0003855349330000092
极化相干矩阵T的表达式如公式(1)所示：
Figure BDA0003855349330000093
其中，N是指窗口的选取大小，Pi是指第i个像元所对应的散射矩阵，针对任意一个像元的散射矩阵P，散射矩阵P的表达式如公式(2)所示：
Figure BDA0003855349330000094
S为极化散射矩阵，SHH是指以水平极化方式得到的极化散射矩阵，SHV是指以交叉极化方式得到的极化散射矩阵，SVV是指以垂直极化方式得到的极化散射矩阵，在将极化相干矩阵进行特征向量分解后，极化相干矩阵T的表达式如公式(3)所示：
Figure BDA0003855349330000095
其中，T1、T2、T3分别为3个子相干矩阵，γ1、γ2、γ3分别为3个子相干矩阵的特征值，vi为第i个子相干矩阵的特征向量，根据全部的子相干矩阵的特征值确定疑似滑坡区域的雷达植被指数包括根据公式(4)计算雷达植被指数RVI：
Figure BDA0003855349330000096
在一个实施例中，确定疑似滑坡区域的坡度包括：将研究区域的DEM数据进行坐标系转换，以得到对应的坐标数据，根据坐标数据确定每个输电铁塔和/或输电杆塔附近的疑似滑坡区域的坡度。
将研究区域的DEM数据进行坐标系转换，DEM数据是全国地形数据，以得到对应的坐标数据，根据坐标数据确定每个输电铁塔和/或输电杆塔附近的疑似滑坡区域的坡度。可以利用ArcGIS软件对DEM数据进行坐标系、完整性等检查和转换，然后进行DEM拼接和坡度计算，确定每个输电铁塔和/或输电杆塔附近的疑似滑坡区域的坡度。
在一个实施例中，在根据坐标数据确定每个输电铁塔和/或输电杆塔附近的疑似滑坡区域的坡度之后，根据每个疑似滑坡区域的坡度确定每个疑似滑坡区域的坡度等级，根据全部的疑似滑坡区域的坡度等级生成坡度分级矢量图。
在根据坐标数据确定每个输电铁塔和/或输电杆塔附近的疑似滑坡区域的坡度之后，根据每个疑似滑坡区域的坡度确定每个疑似滑坡区域的坡度等级，按照规定分级标准进行坡度分级，如：坡度≈0°为平坦、坡度<15°为较平坦，坡度<45°为较陡峭、坡度＞45°为陡峭的四个等级。对研究区域坡度数据进行检查、整理，在坡度分级的基础上，生成坡度分级矢量图。
在一个实施例中，第一预设阈值为0.4，第二预设阈值为15度。
设置植被指数阈值0.4为第一阈值，设置坡度阈值15度为第二阈值，如果输电线路区域的RVI小于0.4，且坡度大于15度就会被确定为真实存在的滑坡区域。通过上述技术方案，可以准确有效地自动识别输电线路附近潜在滑坡，及时做好灾害防治措施，减少人生安全事故和财产损失。
在一个实施例中，如图3所示，图3示意性示出了根据本申请实施例的基于SAR影像的滑坡识别方法的示意图，通过获取SAR卫星影像数据，通过极化SAR影像，获取雷达植被指数。通过SAR强度影像获取输电线路位置。通过SAR干涉影像获取D-InSAR大尺度形变信号。输电线路位置基于D-InSAR技术，根据研究区域的SAR影像确定位于输电线路附近的疑似滑坡区域。输电线路位置通过TanDEM提取输电线路位置的坡度、坡向、曲率等地形特征。通过地形特征确定输电线路位置的坡度。在疑似滑坡区域判断输电线路位置的坡度是否大于设定阈值15度，且RVI是否小于设置阈值0.4，如果输电线路区域的RVI小于0.4，且坡度大于15度就会被确定为真实存在的滑坡区域。
本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述基于SAR影像的滑坡识别方法。
在一个实施例中，提供了一种基于SAR影像的滑坡识别装置，所述用于基于SAR影像的滑坡识别装置包括处理器。
本发明实施例提供了一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令在被处理器执行时使得所述处理器被配置成执行上述的用于基于SAR影像的滑坡识别方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器A01、网络接口A02、显示屏A04、输入装置A05和存储器(图中未示出)。其中，该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A06。该非易失性存储介质A06存储有操作系统B01和计算机程序B02。该内存储器A03为非易失性存储介质A06中的操作系统B01和计算机程序B02的运行提供环境。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序被处理器A01执行时以实现一种基于SAR影像的滑坡识别方法。该计算机设备的显示屏A04可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置A05可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本申请实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：
获取研究区域的输电线路位置，基于D-InSAR技术，根据研究区域的SAR影像确定位于输电线路附近的疑似滑坡区域，获取疑似滑坡区域的SAR卫星全极化数据，对SAR卫星全极化数据进行森林反演，以确定疑似滑坡区域的雷达植被指数，确定疑似滑坡区域的坡度，将雷达植被指数小于第一预设阈值，且坡度大于第二预设阈值的疑似滑坡区域作为预测发生滑坡的区域。
在一个实施例中，输电线路包括输电铁塔和/或输电杆塔，获取研究区域的输电线路位置包括：获取研究区域的SAR卫星数据，根据SAR卫星数据确定研究区域的强度图，根据强度图确定研究区域内各个输电铁塔和/或输电杆塔所在的位置。
在一个实施例中，对SAR卫星全极化数据进行森林反演，以确定疑似滑坡区域的雷达植被指数包括：将SAR卫星全极化数据转换为以三维Pauli目标矢量形式表示的多个散射矩阵，确定全部的散射矩阵的像元平均值，以得到对应的极化相干矩阵，将极化相干矩阵进行特征向量分解，以确定每个子相干矩阵的特征向量以及每个子相干矩阵的特征值，根据全部的子相干矩阵的特征值确定疑似滑坡区域的雷达植被指数。
在一个实施例中，极化相干矩阵T的表达式如公式(1)所示：
Figure BDA0003855349330000121
其中，N是指窗口的选取大小，Pi是指第i个像元所对应的散射矩阵，针对任意一个像元的散射矩阵P，散射矩阵P的表达式如公式(2)所示：
Figure BDA0003855349330000131
S为极化散射矩阵，SHH是指以水平极化方式得到的极化散射矩阵，SHV是指以交叉极化方式得到的极化散射矩阵，SVV是指以垂直极化方式得到的极化散射矩阵，在将极化相干矩阵进行特征向量分解后，极化相干矩阵T的表达式如公式(3)所示：
Figure BDA0003855349330000132
其中，T1、T2、T3分别为3个子相干矩阵，γ1、γ2、γ3分别为3个子相干矩阵的特征值，vi为第i个子相干矩阵的特征向量，根据全部的子相干矩阵的特征值确定疑似滑坡区域的雷达植被指数包括根据公式(4)计算雷达植被指数RVI：
Figure BDA0003855349330000133
在一个实施例中，确定疑似滑坡区域的坡度包括：将研究区域的DEM数据进行坐标系转换，以得到对应的坐标数据，根据坐标数据确定每个输电铁塔和/或输电杆塔附近的疑似滑坡区域的坡度。
在一个实施例中，在根据坐标数据确定每个输电铁塔和/或输电杆塔附近的疑似滑坡区域的坡度之后，根据每个疑似滑坡区域的坡度确定每个疑似滑坡区域的坡度等级，根据全部的疑似滑坡区域的坡度等级生成坡度分级矢量图。
在一个实施例中，第一预设阈值为0.4，第二预设阈值为15度。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商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、商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，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种基于SAR影像的滑坡识别方法，其特征在于，所述方法包括：
获取研究区域的输电线路位置；
基于D-InSAR技术，根据所述研究区域的SAR影像确定位于所述输电线路附近的疑似滑坡区域；
获取所述疑似滑坡区域的SAR卫星全极化数据；
对所述SAR卫星全极化数据进行森林反演，以确定所述疑似滑坡区域的雷达植被指数；
确定所述疑似滑坡区域的坡度；
将所述雷达植被指数小于第一预设阈值，且所述坡度大于第二预设阈值的疑似滑坡区域作为预测发生滑坡的区域。
2.根据权利要求1所述的基于SAR影像的滑坡识别方法，其特征在于，所述输电线路包括输电铁塔和/或输电杆塔，所述获取研究区域的输电线路位置包括：
获取研究区域的SAR卫星数据；
根据所述SAR卫星数据确定所述研究区域的强度图；
根据所述强度图确定所述研究区域内各个输电铁塔和/或输电杆塔所在的位置。
3.根据权利要求1所述的基于SAR影像的滑坡识别方法，其特征在于，对所述SAR卫星全极化数据进行森林反演，以确定所述疑似滑坡区域的雷达植被指数包括：
将所述SAR卫星全极化数据转换为以三维Pauli目标矢量形式表示的多个散射矩阵；
确定全部的散射矩阵的像元平均值，以得到对应的极化相干矩阵；
将所述极化相干矩阵进行特征向量分解，以确定每个子相干矩阵的特征向量以及每个子相干矩阵的特征值；
根据全部的子相干矩阵的特征值确定所述疑似滑坡区域的雷达植被指数。
4.根据权利要求3所述的基于SAR影像的滑坡识别方法，其特征在于，所述极化相干矩阵T的表达式如公式(1)所示：
Figure FDA0003855349320000021
其中，N是指窗口的选取大小，Pi是指第i个像元所对应的散射矩阵；针对任意一个像元的散射矩阵P，散射矩阵P的表达式如公式(2)所示：
Figure FDA0003855349320000022
S为极化散射矩阵，SHH是指以水平极化方式得到的极化散射矩阵，SHV是指以交叉极化方式得到的极化散射矩阵，SVV是指以垂直极化方式得到的极化散射矩阵；
在将所述极化相干矩阵进行特征向量分解后，所述极化相干矩阵T的表达式如公式(3)所示：
Figure FDA0003855349320000023
其中，T1、T2、T3分别为3个子相干矩阵，γ1、γ2、γ3分别为3个子相干矩阵的特征值，vi为第i个子相干矩阵的特征向量；
所述根据全部的子相干矩阵的特征值确定所述疑似滑坡区域的雷达植被指数包括根据公式(4)计算所述雷达植被指数RVI：
Figure FDA0003855349320000024
5.根据权利要求2所述的基于SAR影像的滑坡识别方法，其特征在于，所述确定所述疑似滑坡区域的坡度包括：
将所述研究区域的DEM数据进行坐标系转换，以得到对应的坐标数据；
根据所述坐标数据确定每个输电铁塔和/或输电杆塔附近的疑似滑坡区域的坡度。
6.根据权利要求5所述的基于SAR影像的滑坡识别方法，其特征在于，所述方法还包括：
在根据所述坐标数据确定每个输电铁塔和/或输电杆塔附近的疑似滑坡区域的坡度之后，根据每个疑似滑坡区域的坡度确定每个疑似滑坡区域的坡度等级；
根据全部的疑似滑坡区域的坡度等级生成坡度分级矢量图。
7.根据权利要求1至6中任意一项所述的基于SAR影像的滑坡识别方法，其特征在于，所述第一预设阈值为0.4，所述第二预设阈值为15度。
8.一种处理器，其特征在于，被配置成执行根据权利要求1至7中任意一项所述的基于SAR影像的滑坡识别方法。
9.一种基于SAR影像的滑坡识别装置，其特征在于，包括根据权利要求8所述的处理器。
10.一种机器可读存储介质，该机器可读存储介质上存储有指令，其特征在于，该指令在被处理器执行时使得所述处理器被配置成执行根据权利要求1至7中任一项所述的基于SAR影像的滑坡识别方法。
CN202211146167.XA 2022-09-20 2022-09-20 基于sar影像的滑坡识别方法、存储介质及处理器 Pending CN115424146A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211146167.XA CN115424146A (zh) 2022-09-20 2022-09-20 基于sar影像的滑坡识别方法、存储介质及处理器

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211146167.XA CN115424146A (zh) 2022-09-20 2022-09-20 基于sar影像的滑坡识别方法、存储介质及处理器

Publications (1)

Publication Number Publication Date
CN115424146A true CN115424146A (zh) 2022-12-02

Family

ID=84204532

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211146167.XA Pending CN115424146A (zh) 2022-09-20 2022-09-20 基于sar影像的滑坡识别方法、存储介质及处理器

Country Status (1)

Country Link
CN (1) CN115424146A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116432869A (zh) * 2023-06-13 2023-07-14 云南格点气象科技有限公司 气象灾害预警方法、装置、设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116432869A (zh) * 2023-06-13 2023-07-14 云南格点气象科技有限公司 气象灾害预警方法、装置、设备及存储介质
CN116432869B (zh) * 2023-06-13 2023-08-18 云南格点气象科技有限公司 气象灾害预警方法、装置、设备及存储介质

Similar Documents

Publication Publication Date Title
Bekaert et al. A spatially variable power law tropospheric correction technique for InSAR data
Gerlein‐Safdi et al. A CYGNSS‐based algorithm for the detection of inland waterbodies
Poitevin et al. Vertical land motion and relative sea level changes along the coastline of Brest (France) from combined space-borne geodetic methods
US20210080613A1 (en) Method and device for filling invalid regions of terrain elevation model data
Ouma Advancements in medium and high resolution Earth observation for land-surface imaging: evolutions, future trends and contributions to sustainable development
Kluger et al. Two shifts for crop mapping: Leveraging aggregate crop statistics to improve satellite-based maps in new regions
CN114563378B (zh) 湖库蓝藻水华空间分布定量描述方法、装置、介质和设备
CN115424146A (zh) 基于sar影像的滑坡识别方法、存储介质及处理器
CN113075660A (zh) 基于极化合成孔径雷达sar反演海面风浪参数的方法及装置
Khlopenkov et al. Achieving subpixel georeferencing accuracy in the Canadian AVHRR processing system
CN114200450A (zh) 基于双极化时序sar技术识别输电通道附近滑坡的方法
CN117523404B (zh) 一种堆土场动态变化监测方法、装置、终端及存储介质
CN111652931A (zh) 一种地理定位方法、装置、设备及计算机可读存储介质
Siddique et al. A case study on the correction of atmospheric phases for SAR tomography in mountainous regions
Hosoda et al. Algorithm for estimating sea surface temperatures based on Aqua/MODIS global ocean data. 1. Development and validation of the algorithm
Åstrand et al. The potential of WorldView-2 for ortho-image production within the “Control with Remote Sensing Programme” of the European Commission
CN109631951A (zh) 一种遥感影像大气校正方法及装置
Ouyed et al. Global Three‐Dimensional Water Vapor Feature‐Tracking for Horizontal Winds Using Hyperspectral Infrared Sounder Data From Overlapped Tracks of Two Satellites
Capaldo et al. A radargrammetric orientation model and a RPCs generation tool for COSMO-SkyMed and TerraSAR-X High Resolution SAR.
Wang et al. An improved SAR radiometric terrain correction method and its application in polarimetric SAR terrain effect reduction
Sugimoto et al. Spaceborne synthetic aperture radar signal processing using FPGAs
CN111611929A (zh) 基于LiDAR和InSAR技术的河道行洪风险点识别方法、装置、服务器及存储介质
Sugimoto et al. Spaceborne synthetic aperture radar signal processing using field-programmable gate arrays
Umemura et al. An efficient orthorectification of a satellite SAR image used for monitoring occurrence of disaster
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