CN115563582A - 油气管道沿线地质风险多尺度评估方法、装置及系统 - Google Patents
油气管道沿线地质风险多尺度评估方法、装置及系统 Download PDFInfo
- Publication number
- CN115563582A CN115563582A CN202211294484.6A CN202211294484A CN115563582A CN 115563582 A CN115563582 A CN 115563582A CN 202211294484 A CN202211294484 A CN 202211294484A CN 115563582 A CN115563582 A CN 115563582A
- Authority
- CN
- China
- Prior art keywords
- data
- monitoring
- deformation
- fusion
- target area
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 25
- 238000012544 monitoring process Methods 0.000 claims abstract description 167
- 230000004927 fusion Effects 0.000 claims abstract description 77
- 238000000034 method Methods 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000001133 acceleration Effects 0.000 claims description 10
- 230000001174 ascending effect Effects 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 7
- 238000012502 risk assessment Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 230000000630 rising effect Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000010287 polarization Effects 0.000 description 3
- 206010017076 Fracture Diseases 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 101100333439 Arabidopsis thaliana ENO2 gene Proteins 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 101150067085 los1 gene Proteins 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Computer Graphics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种油气管道沿线地质风险多尺度评估方法、装置及系统，方法包括：获取油气管道沿线目标区域的多源卫星监测数据及地基监测数据；对多源卫星监测数据进行三轨数据转三维形变计算及差值处理，得到融合后的天基数据；将融合后的天基数据与地基监测数据进行融合，得到天地一体监测融合数据；对天地一体监测融合数据进行单点融合和区域融合，得到目标区域的监测形变趋势图；利用目标区域的监测形变趋势图对目标区域进行地质灾害预警。本发明消除了多传感器信息之间可能存在的冗余和矛盾，各种数据加以互补，提高了数据的使用效率；天地数据有效融合，提高了评估准确性；对目标区域中的风险区进行预测和评估，有助于维护油气管道的安全。
Description
技术领域
本发明涉及油气管道沿线地质灾害监测技术领域，尤其涉及一种油气管道沿线地质风险多尺度评估方法、装置及系统。
背景技术
我国西南区域的油气管道穿越区处于欧亚板块与印度板块强烈碰撞、挤压的地槽区，地质活动强烈，分布有一系列深大断裂和次生断裂。随着管道建设的不断发展，沿线地质灾害的危害也日益突显出来，地质灾害的发生严重制约了国民经济建设及社会发展。
通过开展地质灾害研究，解释灾害发生机理、时空分布、活动规律及灾害间的相互关系，能够为科学预测预防地质灾害提供理论基础；通过实施应急监测，快速获取灾害信息，能够为抗灾救灾和应急救援提供预警和决策支持；通过灾害跟踪监测，及时掌握灾害发展动态和发展趋势，捕捉次生灾害等风险隐患，能够为灾害的发生提供预警预报。因此，如何准确高效评估预测管道沿线地质风险成为亟待解决的技术问题。
发明内容
本发明所要解决的技术问题是针对现有技术存在的问题，提供一种油气管道沿线地质风险多尺度评估方法、装置及系统。
为解决上述技术问题，本发明提供一种油气管道沿线地质风险多尺度评估方法，包括：获取油气管道沿线目标区域的多源卫星监测数据及地基监测数据；对多源卫星监测数据进行三轨数据转三维形变计算及差值处理，得到融合后的天基数据；将融合后的天基数据与地基监测数据进行融合，得到天地一体监测融合数据；对天地一体监测融合数据进行单点融合和区域融合，得到目标区域的监测形变趋势图；利用目标区域的监测形变趋势图对目标区域进行地质灾害预警。
为解决上述技术问题，本发明还提供一种油气管道沿线地质风险多尺度评估系统，包括：数据获取模块、天基数据融合模块、天地数据融合模块、数据拟合模块和灾害预警模块。
数据获取模块，用于获取油气管道沿线目标区域的多源卫星监测数据及地基监测数据；天基数据融合模块，用于对多源卫星监测数据进行三轨数据转三维形变计算及差值处理，得到融合后的天基数据；天地数据融合模块，用于将融合后的天基数据与地基监测数据进行融合，得到天地一体监测融合数据；数据拟合模块，用于对天地一体监测融合数据进行单点融合和区域融合，得到目标区域的监测形变趋势图；灾害预警模块，用于利用目标区域的监测形变趋势图对目标区域进行地质灾害预警。
为解决上述技术问题，本发明还提供一种油气管道沿线地质风险多尺度评估装置，包括存储器、处理器及存储在存储器上的并可在处理器上运行的计算机程序，处理器执行程序时实现如上述技术方案的油气管道沿线地质风险多尺度评估方法。
本发明的有益效果是：本发明消除了多传感器信息之间可能存在的冗余和矛盾，各种数据加以互补，提高了数据的使用效率；天地数据有效融合，提高了评估准确性；对目标区域中的风险区进行预测和评估，有助于维护油气管道的安全。
本发明附加的方面及其优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明实践了解到。
附图说明
图1为本发明实施例提供的油气管道沿线地质风险多尺度评估方法流程图；
图2为本发明实施例提供的管道沿线的目标区域的PS点示意图；
图3为本发明实施例提供的潜在风险区PS点离散分析示意图；
图4为本发明实施例提供的监测点的时序形变曲线以及监测点时序形变拟合曲线图；
图5为本发明实施例提供的区域形变趋势拟合示意图；
图6为本发明实施例提供的渐变型滑坡变形—时间曲线及其阶段划分示意图；
图7为本发明实施例提供的油气管道沿线地质风险多尺度评估装置功能框图。
具体实施方式
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开的一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
图1为本发明实施例提供的油气管道沿线地质风险多尺度评估方法流程图。如图1所示，该方法包括：
S11，获取油气管道沿线目标区域的多源卫星监测数据及地基监测数据；
需要说明的是，多源卫星监测数据可以包括至少三个不同轨道卫星的升轨数据和/或降轨数据。卫星可以采用Sentinel-1A和TerraSAR。不同轨道卫星的升轨数据和/或降轨数据可以包括Sentinel-1A升轨数据、Sentinel-1A降轨数据以及TerraSAR-X升轨数据。升轨数据和降轨数据为雷达视线方向(LOS向)形变数据，LOS向形变数据包括卫星飞行方向角和雷达入射角。
地基监测数据包括监测点上GPS设备监测到的数据，地基监测数据包括三维形变数据，三维形变数据包括正东、正北和垂直三个方向的形变值。
S12，对多源卫星监测数据进行三轨数据转三维形变计算及差值处理，得到融合后的天基数据；
需要说明的是，可以先对多源卫星监测数据进行三轨数据转三维形变计算，再进行差值处理；也可以先对多源卫星监测数据进行差值处理，然后对经差值处理后的数据进行三轨数据转三维形变计算。差值处理包括空间插值和时间插值中的至少一种。
对多源卫星监测数据进行三轨数据转三维形变计算，包括：将多源卫星监测数据中同一PS点的三轨数据转换为包括正东、正北和垂直三个方向形变值的三维形变数据；三轨数据包括三个不同轨道卫星的升轨数据和/或降轨数据；升轨数据和降轨数据为LOS向形变数据，LOS向形变数据包括卫星飞行方向角和雷达入射角。其中，PS点是合成孔径雷达干涉(InSAR)处理技术领域的专业术语，中文名称为永久散射体目标，是指多期SAR影像中都散射特征都相近的目标，InSAR可以获得这些目标的持续形变曲线。
S13，将融合后的天基数据与地基监测数据进行融合，得到天地一体监测融合数据。
根据雷达侧视观测几何可知，合成孔径雷达干涉(Synthetic Aperture RadarInterferometry,InSAR)技术观测到的是地表在正东、正北和垂直向形变量在雷达视线方向的投影的和(即矢量和)。单一LOS向的形变只对沿着这一方向的形变敏感，对垂直于LOS方向的形变难以监测到，无法反应监测点全方向的三维形变。此外，管道监测点上GPS设备监测到的是三维形变。为了更加全面的反应地表的三维形变，同时也为了将InSAR形变信息与GPS监测到的形变信息更好的统一和融合，需要获得地表点的三维InSAR形变信息。
本发明实施例中，采用时空二维插值法将融合后的天基数据与采集的地基监测数据进行融合，得到天地一体监测融合数据。InSAR可以获得非常密集的形变点位，可以形成区域性监测数据，能更全面反映地表三维形变。地基监测数据的采集受天气影响较小，可以有效弥补天基监测数据因天气原因导致的监测误差。
S14，对天地一体监测融合数据进行单点融合和区域融合，得到目标区域的监测形变趋势图。
需要说明的是，本发明实施例可根据PS点的形变速率或者累计形变量结合地质背景初步圈定目标区域中的潜在风险区域(如当某区域形变速率明显大于周边区域，比如形变速率快3倍以上时，将该区域圈定为潜在风险区域)，对潜在风险区域中天地一体监测融合数据进行单点融合和区域融合，得到形变趋势拟合图。也可以直接对目标区域的天地一体监测融合数据进行单点融合和区域融合，得到目标区域的形变趋势拟合图。
S15，利用目标区域的监测形变趋势图对目标区域进行地质灾害预警。
本发明实施例可以利用潜在风险区域形变趋势拟合图对潜在风险区域进行地质灾害预警，也可以利用目标区域的形变趋势图拟合对目标区域进行地质灾害预警。
地基监测技术可用于管道沿线进行形变监测。但地基监测设备昂贵，如少量部署，则只能获得少量监测点的三维形变；如大量部署，则成本巨大。并且地基监测需要专业人员定期巡查或者安装长期监测设备，而地质灾害一般为山区，通行条件差，地基巡检的难度大，地基设备无法全线覆盖。天基监测技术(InSAR技术)也可以用于监测油气管廊沿线地物变化。但天基设备容易受到雨雾天气干扰，在雨季无法按计划定期获取地面观测数据。
本发明实施例提供了一种油气管道沿线地质风险多尺度评估的方法。该实施例中包括了针对地基及天基两个部分数据的融合。其中，可先对多源卫星监测数据进行融合，再将融合后的卫星监测数据与地基监测数据的融合。
本发明实施例可以将单一传感器的多波段信息或不同类别传感器所提供的信息加以综合，消除多传感器信息之间可能存在的冗余和矛盾，各种数据加以互补，改善遥感信息提取的及时性和可靠性，提高数据的使用效率。并且本发明将天基数据和地基数据进行有效融合，使得评估结果更加准确。本发明的数据融合对数据的分析处理至关重要，有助于提高监测系统效率，有助于更准确的发现地质变化，使监测系统发挥更大的作用。本发明的评估系统能够准确对目标区域中的风险区进行预测和评估，有助于维护油气管道的安全。
可选地，在一个实施例中，对天地一体监测融合数据进行单点融合和区域融合时，在单点融合中，获得目标区域或潜在风险区域中某个监测点的时序形变曲线；可以利用梯度下降算法、泛化算法、多项式差值算法或正则化算法对该监测点的时序形变曲线进行拟合，得到该监测点的时序形变拟合曲线。其中，监测点是在目标区域中选定的特定点位，用于分析区域稳定性的重要点位。
在真实环境中，仅有一个观测点的形变情况不足以完全反映区域的形变风险状况。区域由点构成，区域的整体状态会影响观测点的状态，反过来各个点的形变状态也会影响区域的评估，因此本发明实施例在点融合的基础上进行区域融合。
在区域融合中，获得目标区域或潜在风险区域中每个监测点的时序形变曲线；利用梯度下降算法、泛化算法、多项式差值算法或正则化算法对该监测点的时序形变曲线进行拟合，得到每个监测点的时序形变拟合曲线，将每个监测点的时序形变拟合曲进行拟合，建立目标区域的监测形变趋势图。本发明实施例中，可通过建立多元线性回归模型将每个监测点的时序形变拟合线进行拟合，建立目标区域的监测形变趋势图。即本发明实施例全面综合考虑各个监测点的因素，避免了单一监测点的不准确性，从而获取代表区域形变趋势的监测形变趋势图。
可选地，在一个实施例中，利用目标区域的监测形变趋势图对目标区域进行地质灾害预警，包括：计算监测形变趋势曲线的加速度，根据监测形变趋势曲线的加速度预估潜在形变区的风险发育程度。
本发明实施例能够完成基于不同卫星传感器、不同轨道、不同卫星入射角的成果数据融合优化，实现LOS(line of sigt)向数据转换为三维形变数据，以及多层级数据融合，可实现提取潜在形变区面域变形趋势曲线，计算曲线加速度，预估潜在形变区的风险发育程度。即，本发明实施例的评估系统在数据融合的基础上构建了基于改进切线角方法进行多尺度地质灾害风险评估。
下面以一具体实例对本发明进行详细描述。油气管道沿线地质风险多尺度评估方法包括：
S21：利用多源卫星对管道沿线的目标区域进行监测，获得多源卫星监测数据，多源卫星监测数据可包括至少三个轨道卫星的升轨数据和/或降轨数据。
本发明实施例中，可以利用InSAR获得多源卫星监测数据。InSAR的基本原理是同一区域两次或多次过境的SAR影像的复共轭相乘，来提取地物目标的地形或者形变信息。通过天基观测下来的数据信息包括：年形变速率、相干系数、累积形变量、地理位置坐标等各种信息。
多源卫星可以包括Sentinel-1A和TerraSAR卫星，两类卫星的基本参数如表1和表2所示。表1中记载了Sentinel-1A卫星的基本参数信息，表2中记载了TerraSAR-X卫星的基本参数信息。
表1
表2
| 参数项 | 基本参数 |
| 轨道类型 | 太阳同步轨道 |
| 轨道高度 | 514km |
| 重访周期 | 11天 |
| 天线视向 | 左右视 |
| 波段 | X波(3.1cm) |
| 极化类型 | 单极化、双极化、全极化 |
| 成像模式 | 聚束条带宽幅 |
| 分辨率 | 2m×2m3m×3m16m×16m |
| 带宽 | 10km×10km30km×50km100km×150km |
| 数据产品 | SSCMGDGECEEC |
多源卫星监测数据可以包括Sentinel-1A升轨数据、Sentinel-1A降轨数据、TerraSAR升轨数据和TerraSAR降轨数据中的至少三类。本发明实施例中采用Sentinel-1A升轨数据、Sentinel-1A降轨数据和TerraSAR升轨数据进行三维形变计算。
S22：对获得的多源卫星监测数据进行插值处理，得到中间数据。
本发明实施例中，利用时间和空间差值算法对多源卫星监测数据进行处理，例如对哨兵升轨数据、降轨数据，以及TerraSAR升轨数据进行插值运算。由于不同卫星的运行周期不一致，例如，哨兵数据为6天一个周期，TerraSAR的时间周期最短为5.5天。将不同时间间隔的监测成果插值到每一天中，有利于更加细化监测结果，为实现LOS向数据转换为三维形变提供必需的数据基础。
S23：将中间数据中同一PS点进行三轨数据转三维形变计算，得到融合后的天基数据，融合后的天基数据包括正东、正北和垂直三个方向的形变值。进行三轨数据转三维形变计算的目的在于，将不同飞行方向、卫星入射角的InSAR监测数据，统一转换到正东、正北和垂直三个方向。本发明实施例的步骤S22和S23的顺序可以相互交换，例如先进行步骤S23，再对得到的融合后的天基数据进行插值处理。
在影像参数中可以获得卫星飞行方向角α和雷达入射角θ。对已有数据进行时序处理可以获得点位的LOS向形变，使用三轨数据即可获得三个方向的形变信息。对下式(2)进行求解，即可求得得到dE、dN和dU，即该点位北方向、东方向、垂直方向的形变信息，实现由单一LOS向的形变信息到三维形变信息的转换。
在本实施例中，根据卫星飞行方向的不同，可以将卫星飞行轨道分为升轨和降轨，由南往北飞为升轨，由北往南飞为降轨。约定形变远离雷达(沉降)时LOS向观测结果为负，反之为正。分别将LOS向、正东、正北和垂直向形变用dLOS、dE、dN、dU表示，则InSAR观测的地表形变可以表示为：
式中，θ为雷达观测方向(LOS向)与垂直向的夹角，即雷达入射角；α为卫星航向与正北方向沿顺时针方向的夹角，即卫星飞行方向角。
本发明实施例利用多维LOS向数据求解三维形变信息，本发明实施例将以上公式转化为以下模型：
上式中，dLOS1、dLOS2、dLOS3分别代表三种不同轨道卫星监测得到的同一点的雷达视线(LOS)方向形变，为已知量，Sentinel-1A升轨、降轨飞行方向α及θ已知，根据公式(2)即可得到dE、dN和dU。
为了更好地理解本发明实施例中的三轨数据转三维形变计算过程，下面结合具体示例对其进行进一步说明。
图2示出了管道沿线的目标区域的PS点示意图。从图2中的目标区域(实线框内的区域)中选取五个PS点的数据为例，P1-P5的坐标分别为：(105.2065E，25.8594N)、(105.2063E,25.8596N)、(105.2062E,25.8589N)、(105.2069E，25.8594N)和(105.2061E，25.8591N)，使用Sentinel-1A升轨、Sentinel-1A降轨、TerraSAR-X升轨的LOS向形变数据数据计算一点的三维位移，三轨数据的飞行方向角、入射角和形变如表3所示，利用三维形变转换模型将形变转换到东方向、北方向、高方向这三个方向上，得到该点的三维形变量，转换后的三维形变量如表4所示。
该示例证明该方法能够将LOS向形变转换到三维方向，形变信息更加直观，也便于与其他数据进行融合和比较验证。
表3
| 数据类型 | 飞行方向角(°) | 雷达入射角(°) |
| Sentinel-1A升轨 | -12.87 | 39.56 |
| Sentinel-1A降轨 | -167.13 | 39.6 |
| TerraSAR-X升轨 | -21.32 | 37.31 |
表4
S24：将融合后的天基数据与地基监测数据进行融合，得到天地一体监测融合数据。
根据雷达侧视观测几何可知，InSAR观测到的是地表在正东、正北和垂直向形变量在雷达视线方向的投影的和(即矢量和)。单一LOS向的形变只对沿着这一方向的形变敏感，对垂直于LOS方向的形变难以监测到，无法反应监测点全方向的三维形变。此外，管道监测点上GPS设备监测到的是三维形变。为了更加全面的反应地表的三维形变，同时也为了将InSAR形变信息与GPS监测到的形变信息更好的统一和融合，需要获得地表点的三维InSAR形变信息。
本发明实施例中，采用时空二维插值法将融合后的天基数据与采集的地基监测数据进行融合，得到天地一体监测融合数据。InSAR可以获得非常密集的形变点位，可以形成区域性监测数据，能更全面反映地表三维形变。地基监测数据的采集受天气影响较小，可以有效弥补天基监测数据因天气原因导致的监测误差。
S25：对天地一体监测融合数据进行单点融合和区域融合，得到目标区域的监测形变趋势图。
在本发明实施例中，根据PS点的形变速率或者累计形变量(即自监测以来，形变量的累计值)，结合地质背景(如坡度坡向、岩层特性等专业要素)，可以初步圈定潜在风险区域。
从图3可以看出，线框内为潜在风险区，潜在风险区中的PS点比较离散，这跟地物回波信号及大气大气层延迟(对流层延迟、电离层延迟等)、卫星轨道误差、地表状况和时变去相关性等因素有关。潜在风险区离散的PS点并不能直接体现整个潜在风险区的形变趋势，针对潜在风险区内的离散PS点通过算法拟合实现面趋势模拟。
根据累计的监测的数据信息可以绘制出固定监测点的形变与时间的关系，如图4中监测点时序形变曲线(实线所示)以及监测点时序形变拟合曲线(虚线所示)。
在本实施例中，针对数据数量多的情况，可在机器学习过程中设置最小代价损失函数来快速获得雷达入射角θ的最优解。本发明可以通过梯度下降算法、泛化算法或正则化算法来进行单点融合。
优选地，本发明可以通过正则化算法来进行单点融合。正则化是为防止过拟合，即防止过分依赖训练集。
其中，i＝1，2，3……m，m表示样本数量，j＝1，2，3……n,n表示特征参数数量，λ称为正则化参数，hθ(xi)为拟合函数。
θ为[θ0,θ1,θ2,....,θn]T的列向量，θT为行向量。
将单一PS点的时序形变值拟合成一光滑曲线，其拟合过程原理为：
系统收集有m个时间点样本数据xi，i∈{1,2,…,m}，并且每个样本时间点都对应有形变输出值yi，通过数据模型来建立x和y之间的关系：
Find f(·)s.t.yi＝f(xi)
由于xi中很可能未包含所有影响，而且观测值也有误差，考虑误差噪音后公式为：
Find f(·)s.t.yi＝f(xi)+εi(εi为随机噪音)
假设yi＝θTXi+εi为最优解f(·)，那么需要计算找出最优的θ。
噪音εi～N(0,δ2)因而可得：yi|xi；θ～N(θTxi，δ2)，N代表正态分布，T代表向量转置，δ2代表噪声的平方。
对于每个PS点而言，受限于精度、气象条件等各种噪音的影响，每个时间点的偏移数据都存在一定的误差，因而数据点连线看起来也不平滑，通过上述正则化建立数学模型，对形变数据进行拟合来使观测趋势更加平滑，消除噪点，可参见图4。
在本实施例中，通过上述数学模型可以获得单点的变形偏移计算模型，然而在真实环境中，仅有一个点的形变情况不足以完全反映区域的形变风险状况。区域由点构成，区域的整体状态会影响观测点的状态，反过来各个点的形变状态也会影响区域的评估。
因此，可通过建立了多元线性回归模型，即全面综合考虑各个观测点的因素，避免了单一观测点的不准确性，从而获取代表区域形变趋，可参见图5，图5示出了本发明实施例中三个监测点进行区域融合后的示意图，其中，三条实线分别代表三个监测点的时序形变曲线，虚线代表三个监测点进行区域融合后的时序形变拟合曲线。
S26，利用目标区域监测形变趋势图对目标区域进行地质灾害预警。
图6示出了本发明实施例中拟合的区域形变中表示渐变型滑坡变形的示意图。从地表滑坡形变时间曲线与阶段关系上分析各阶段的曲线斜率，初始变形阶段地表形变曲线(A->B)的斜率在降低，等速变形阶段地表形变曲线(B->C)的曲线斜率基本平稳，初加速变形阶段地表形变曲线(C->D)的曲线斜率随时间推移斜率在上升，中加速变形阶段地表形变曲线(D->E)的曲线斜率随时间推移斜率在快速上升，最后一个阶段则急剧上升。
本发明实施例中，利用InSAR技术能够获取长时间序列、大范围的地表形变数据，监测周期为卫星最短重访周期，在初始变形阶段、等速变形阶段、初加速变形阶段，形变相对较为缓慢，使用InSAR技术能够起到良好的监测效果，当形变已进入初加速变形阶段，可能具备一定的风险性，应考虑到区域地形地貌以及威胁对象等情况，考虑设置监测频率更高的地表形变监测设备，进行实时监测，保证生命财产安全。
如图7所示，本发明实施例还提供一种油气管道沿线地质风险多尺度评估系统，包括：数据获取模块、天基数据融合模块、天地数据融合模块、数据拟合模块和灾害预警模块。
数据获取模块，用于获取油气管道沿线目标区域的多源卫星监测数据及地基监测数据；天基数据融合模块，用于对多源卫星监测数据进行三轨数据转三维形变计算及差值处理，得到融合后的天基数据；天地数据融合模块，用于将融合后的天基数据与地基监测数据进行融合，得到天地一体监测融合数据；数据拟合模块，用于对天地一体监测融合数据进行单点融合和区域融合，得到目标区域的监测形变趋势图；灾害预警模块，用于利用目标区域的监测形变趋势图对目标区域进行地质灾害预警。
本发明实施例还提供一种油气管道沿线地质风险多尺度评估装置，包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现上述实施例提供的油气管道沿线地质风险多尺度评估方法。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种油气管道沿线地质风险多尺度评估方法，其特征在于，包括：
获取油气管道沿线目标区域的多源卫星监测数据及地基监测数据；
对所述多源卫星监测数据进行三轨数据转三维形变计算及差值处理，得到融合后的天基数据；
将融合后的所述天基数据与所述地基监测数据进行融合，得到天地一体监测融合数据；
对所述天地一体监测融合数据进行单点融合和区域融合，得到目标区域的监测形变趋势图；
利用所述目标区域的监测形变趋势图对目标区域进行地质灾害预警。
2.根据权利要求1所述的方法，其特征在于，所述对所述多源卫星监测数据进行三轨数据转三维形变计算，包括：
将所述多源卫星监测数据中同一PS点的三轨数据转换为包括正东、正北和垂直三个方向形变值的三维形变数据；所述三轨数据包括三个不同轨道卫星的升轨数据和/或降轨数据；所述升轨数据和降轨数据为LOS向形变数据，LOS向形变数据包括卫星飞行方向角和雷达入射角。
3.根据权利要求1所述的方法，其特征在于，所述差值处理包括空间插值和时间插值中的至少一种。
4.根据权利要求1所述的方法，其特征在于，所述地基监测数据包括监测点上GPS设备监测到的数据，所述地基监测数据包括三维形变数据，所述三维形变数据包括正东、正北和垂直三个方向的形变值。
5.根据权利要求1至4任一项所述的方法，其特征在于，所述对所述天地一体监测融合数据进行单点融合和区域融合，得到目标区域的监测形变趋势图，包括：
基于所述天地一体监测融合数据获得目标区域中每个监测点的时序形变曲线，对每个所述监测点的时序形变曲线进行拟合，得到每个监测点的时序形变拟合曲线；
将每个监测点的时序形变拟合线进行拟合，建立目标区域的监测形变趋势图。
6.根据权利要求5所述的方法，其特征在于，通过建立多元线性回归模型将每个监测点的时序形变拟合线进行拟合，建立目标区域的监测形变趋势图；所述监测形变趋势图包括监测形变趋势曲线。
7.根据权利要求6所述的方法，其特征在于，所述利用所述目标区域的监测形变趋势图对目标区域进行地质灾害预警，包括：计算所述监测形变趋势曲线的加速度，根据所述监测形变趋势曲线的加速度预估所述目标区域中潜在形变区的风险发育程度。
8.根据权利要求1至4任一项所述的方法，其特征在于，对所述天地一体监测融合数据进行单点融合和区域融合之前，还包括：
根据PS点的形变速率或者累计形变量结合地质背景初步圈定潜在风险区域；对所述潜在风险区域内的天地一体监测融合数据进行单点融合和区域融合。
9.一种油气管道沿线地质风险多尺度评估系统，其特征在于，包括：
数据获取模块，用于获取油气管道沿线目标区域的多源卫星监测数据及地基监测数据；
天基数据融合模块，用于对所述多源卫星监测数据进行三轨数据转三维形变计算及差值处理，得到融合后的天基数据；
天地数据融合模块，用于将融合后的所述天基数据与所述地基监测数据进行融合，得到天地一体监测融合数据；
数据拟合模块，用于对所述天地一体监测融合数据进行单点融合和区域融合，得到目标区域的监测形变趋势图；
灾害预警模块，用于利用所述目标区域的监测形变趋势图对目标区域进行地质灾害预警。
10.一种油气管道沿线地质风险多尺度评估装置，包括存储器、处理器及存储在所述存储器上的并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述的油气管道沿线地质风险多尺度评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211294484.6A CN115563582A (zh) | 2022-10-21 | 2022-10-21 | 油气管道沿线地质风险多尺度评估方法、装置及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211294484.6A CN115563582A (zh) | 2022-10-21 | 2022-10-21 | 油气管道沿线地质风险多尺度评估方法、装置及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115563582A true CN115563582A (zh) | 2023-01-03 |
Family
ID=84746585
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211294484.6A Pending CN115563582A (zh) | 2022-10-21 | 2022-10-21 | 油气管道沿线地质风险多尺度评估方法、装置及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115563582A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116224379A (zh) * | 2023-05-06 | 2023-06-06 | 中国科学院国家空间科学中心 | 一种nbrcs修正方法、装置、电子设备及存储介质 |
-
2022
- 2022-10-21 CN CN202211294484.6A patent/CN115563582A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116224379A (zh) * | 2023-05-06 | 2023-06-06 | 中国科学院国家空间科学中心 | 一种nbrcs修正方法、装置、电子设备及存储介质 |
| CN116224379B (zh) * | 2023-05-06 | 2023-09-12 | 中国科学院国家空间科学中心 | 一种nbrcs修正方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Puliti et al. | Modelling above-ground biomass stock over Norway using national forest inventory data with ArcticDEM and Sentinel-2 data | |
| Cohen Liechti et al. | Comparison and evaluation of satellite derived precipitation products for hydrological modeling of the Zambezi River Basin | |
| Almar et al. | Wave-derived coastal bathymetry from satellite video imagery: A showcase with Pleiades persistent mode | |
| Vincent et al. | Accuracy of small footprint airborne LiDAR in its predictions of tropical moist forest stand structure | |
| 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 | |
| CN110427857A (zh) | 一种基于遥感数据融合的输电线路地质灾害分析方法 | |
| Montopoli et al. | Investigation of weather radar quantitative precipitation estimation methodologies in complex orography | |
| Aimaiti et al. | Monitoring of land-surface deformation in the karamay oilfield, Xinjiang, China, using sar interferometry | |
| Berthier et al. | Measuring glacier mass changes from space—a review | |
| Kouhartsiouk et al. | The application of DInSAR and Bayesian statistics for the assessment of landslide susceptibility | |
| Du et al. | Subsidence monitoring in the Ordos basin using integrated SAR differential and time-series interferometry techniques | |
| CN115980751A (zh) | 一种幂律模型InSAR对流层延迟改正方法 | |
| CN115563582A (zh) | 油气管道沿线地质风险多尺度评估方法、装置及系统 | |
| CN111666896A (zh) | 一种基于线性融合模型的遥感影像时空融合方法 | |
| Zhang et al. | Extracting deforming landslides from time-series Sentinel-2 imagery | |
| CN114091274A (zh) | 一种滑坡易发性评价方法及系统 | |
| Colaninno et al. | Towards an operational model for estimating day and night instantaneous near-surface air temperature for urban heat island studies: outline and assessment | |
| Temporim et al. | Spatiotemporal monitoring of surface motions using DInSAR techniques integrated with geological information: a case study of an iron mine in the Amazon region using TerraSAR-X and RADARSAT-2 data | |
| Hu et al. | Time-series spaceborne InSAR monitoring of permafrost deformation combined with backscattering characteristics: Case study from the Qinghai–Tibet engineering corridor | |
| Haque | 3D surface deformation model from sub-pixel correlation of optical imagery and InSAR | |
| Behrangi et al. | Summertime evaluation of REFAME over the Unites States for near real-time high resolution precipitation estimation | |
| Cao et al. | Unveiling the driving factors of urban land subsidence in Beijing, China | |
| Rao et al. | Study on spatial variation of land subsidence over Minagish–Umm Gudair oil fields of Kuwait using synthetic aperture radar interferometry technique | |
| Liechti et al. | Comparison and evaluation of satellite derived precipitation products for hydrological modeling of the Zambezi River Basin. | |
| Su et al. | An M-Estimation Method for InSAR Nonlinear Deformation Modeling and Inversion |
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 |