CN116049929A - 一种城市建筑物风险等级InSAR评估和预测方法 - Google Patents
一种城市建筑物风险等级InSAR评估和预测方法 Download PDFInfo
- Publication number
- CN116049929A CN116049929A CN202211320799.3A CN202211320799A CN116049929A CN 116049929 A CN116049929 A CN 116049929A CN 202211320799 A CN202211320799 A CN 202211320799A CN 116049929 A CN116049929 A CN 116049929A
- Authority
- CN
- China
- Prior art keywords
- building
- insar
- risk level
- parameters
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000011156 evaluation Methods 0.000 title claims abstract description 17
- 238000012544 monitoring process Methods 0.000 claims abstract description 62
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 35
- 238000004088 simulation Methods 0.000 claims abstract description 33
- 239000011148 porous material Substances 0.000 claims abstract description 24
- 239000002689 soil Substances 0.000 claims description 24
- 238000012502 risk assessment Methods 0.000 claims description 20
- 238000004062 sedimentation Methods 0.000 claims description 19
- 230000008859 change Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 230000001427 coherent effect Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 18
- 244000241257 Cucumis melo Species 0.000 description 11
- 235000015510 Cucumis melo subsp melo Nutrition 0.000 description 10
- FJJCIZWZNKZHII-UHFFFAOYSA-N [4,6-bis(cyanoamino)-1,3,5-triazin-2-yl]cyanamide Chemical compound N#CNC1=NC(NC#N)=NC(NC#N)=N1 FJJCIZWZNKZHII-UHFFFAOYSA-N 0.000 description 10
- 239000011435 rock Substances 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 238000012795 verification Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000003673 groundwater Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 239000008186 active pharmaceutical agent Substances 0.000 description 3
- 238000009412 basement excavation Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 3
- 239000010438 granite Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 239000010445 mica Substances 0.000 description 3
- 229910052618 mica group Inorganic materials 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000010453 quartz Substances 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 3
- 230000019771 cognition Effects 0.000 description 2
- MSBXTPRURXJCPF-DQWIULQBSA-N cucurbit[6]uril Chemical compound N1([C@@H]2[C@@H]3N(C1=O)CN1[C@@H]4[C@@H]5N(C1=O)CN1[C@@H]6[C@@H]7N(C1=O)CN1[C@@H]8[C@@H]9N(C1=O)CN([C@H]1N(C%10=O)CN9C(=O)N8CN7C(=O)N6CN5C(=O)N4CN3C(=O)N2C2)C3=O)CN4C(=O)N5[C@@H]6[C@H]4N2C(=O)N6CN%10[C@H]1N3C5 MSBXTPRURXJCPF-DQWIULQBSA-N 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000002310 reflectometry Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 235000009847 Cucumis melo var cantalupensis Nutrition 0.000 description 1
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000009849 Cucumis sativus Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 239000011028 pyrite Substances 0.000 description 1
- NIFIFKQPDTWWGU-UHFFFAOYSA-N pyrite Chemical compound [Fe+2].[S-][S-] NIFIFKQPDTWWGU-UHFFFAOYSA-N 0.000 description 1
- 229910052683 pyrite Inorganic materials 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012418 validation experiment Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
- G06T2207/10044—Radar image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Mathematical Optimization (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Structural Engineering (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种城市建筑物风险等级InSAR评估和预测方法,本发明属于建筑物风险预测领域,包括:获取城市建筑物的多通道SAR影像,提取多通道SAR影像中监测点,基于监测点的区域,得到城市建筑物的InSAR监测结果,其中监测点包括:永久散射体和分布式散射体;获取建筑物轮廓,基于建筑物轮廓和InSAR监测结果,得到形变参数,基于形变参数,对建筑物进行风险等级评估,其中形变参数包括:形变速度参数和角度畸变参数;构建应力‑孔隙水压力模型,基于设置好的建筑物风险等级,对数值模拟结果进行建筑物风险预测。本发明能够对发生地面沉降城区进行建筑物风险评估。
Description
技术领域
本发明属于建筑物风险预测领域,特别是涉及一种城市建筑物风险等级InSAR评估和预测方法。
背景技术
城市化快速发展,人类活动愈加频繁。城市基础设施建设,尤其是地下工程,常导致地面沉降,进而危及临近建筑物。为保障人民生命财产安全,有必要对地面沉降和建筑物风险等级进行准实时评估和预测。
当前大地测量技术随已经在沉降监测方面得到成熟应用,但是,诸如全球定位系统和水准测量技术,考虑成本,无法实现成规模的大范围沉降监测。干涉合成孔径雷达遥感技术(InSAR)已经被证实能有效实现大范围区域监测的技术手段。利用微波信号,在多云多雨条件下,也可实现全天候监测。永久散射体InSAR技术利用多幅SAR图像识别永久散射体(PSs),更是使测量精度达到了毫米级别。PSs指的是SAR图像上较为稳定的点,对应于监测场景中的高反射物体(如金属结构和裸露岩石)。为了增加低相干区域(如植物和路面)的点,有学者提出SqueeSAR来提取分布式散射体(DSs)。DSs与临近像素有相似的反射率值,因此DSs的相干性可以通过同质滤波得到改善。除算法上的优化,SAR卫星在过去十年中也取得了重大进展。特别是X波段高分辨率卫星(如TerraSAR-X和COSMO-SkyMed)的发射,相比于C波段卫星影像,分辨率提升,每平方公里像素点个数达到数万个。对建筑物,桥梁等需高精度测量的基础设施的形变监测提供了有力保障。实用型哨兵一号卫星(Sentinel-1)卫星的发射实现了全球范围内定期监测,每次重访时间达到12天,为大范围实时监测提供了保障。随着InSAR算法优化和SAR卫星的发展,InSAR已经被广泛应用于大区域尺度下建筑物风险评估。例如,有学者使用多时空InSAR(MTInSAR)和相对刚度方法结合的方法对伦敦Crossrail地下施工造成的建筑风险进行了评估,亦有学者使用多传感器卫星图像评估了滑坡运动引发建筑物损毁程度进行了评估。虽然InSAR在建筑物风险等级评估上的能力已经得到证明,其在建筑物形变和风险等级预测方面的应用相对较少。
发明内容
本发明的目的是提供一种城市建筑物风险等级InSAR评估和预测方法,以解决上述现有技术存在的问题。
为实现上述目的,本发明提供了一种城市建筑物风险等级InSAR评估和预测方法,包括:
获取城市建筑物的多通道SAR影像,提取所述多通道SAR影像中监测点,基于所述监测点的区域,得到城市建筑物的InSAR监测结果,其中所述监测点包括:永久散射体和分布式散射体;
获取建筑物轮廓,基于建筑物轮廓和所述InSAR监测结果,得到形变参数,基于所述形变参数,对建筑物进行风险等级评估,其中所述形变参数包括:形变速度参数和角度畸变参数;
对所述InSAR监测结果进行时序融合,得到SAR影像的时间序列,构建应力-孔隙水压力模型,将所述时间序列输入至应力-孔隙水压力模型,得到数值模拟结果,基于设置好的建筑物风险等级,对数值模拟结果进行建筑物风险预测。
优选地,所述多通道SAR影像包括TerraSAR-X卫星影像、COSMO-SkyMed卫星影像和Sentinel-1卫星影像。
优选地,提取所述多通道SAR影像中监测点的过程包括:
对所述多通道SAR影像进行预处理,基于预处理后的多通道SAR影像,构建双层网络,通过双层网络提取所述多通道SAR影像中监测点。
优选地,通过双层网络提取所述SAR影像中监测点的过程包括:
构建第一层网络,基于波束成形法得到初步估计参数,基于所述初步估计参数,得到永久散射体;其中所述初步估计参数包括:高度参数和形变速度参数;
基于预处理后的多通道SAR影像,通过相干加权相位连接,构建二层网络,通过时间相干性阈值,识别多通道SAR影像中的像素,得到分布式散射体。
优选地,得到形变参数的过程包括:
将形变速度参数生成为空间上连续的栅格数据,基于所述栅格数据得到建筑物轮廓,基于建筑物轮廓和所述InSAR监测结果,计算建筑物形变参数。
优选地,对建筑物风险等级进行风险评估的过程包括:
获取风险评估指标,基于建筑物形变参数,通过风险评估指标,对建筑物进行风险等级评估;
其中所述风险评估指标包括:建筑物倾斜方向、年均最小沉降、年均最大沉降,差异性沉降和角度畸变。
优选地,将所述时间序列输入至应力-孔隙水压力模型的过程包括:
构建应力-孔隙水压力模型,基于InSAR监测结果,反演得到土壤参数,将所述土壤参数输入应力-孔隙水压力模型,分别对底层形变和孔隙水压力进行数值模拟。
优选地,对数值模拟结果进行建筑物风险预测的过程包括:
将地下水位变化参数和外力变化参数输入至应力-孔隙水压力模型,基于设置好的建筑物风险等级,通过改变所述地下水位变化参数和所述外力变化参数,预测建筑物风险等级。
本发明的技术效果为:
本发明一种城市建筑物风险等级InSAR评估和预测方法,利用多通道卫星对城区的持久性和分布性散射体的形变进行联合监测,利用多时空InSAR和数值模拟来监测和预测建筑物形变和风险等级。首先,在城区尺度上,利用地面沉降以及角度畸变评估建筑物风险等级,以确定潜在的危险建筑。然后,以高分辨率InSAR数据的时序作为输入进行参考,结合地质条件,反演危险建筑所处区域的地质和水文条件。最后,改变水文条件以及外部载荷条件周边建筑物风险等级进行预测。本发明能够推广至其他容易发生地面沉降的快速发展城区,对城区建筑物进行风险评估,提高对人类活动引起的地面沉降动态行为的认知。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例中的方法流程图;
图2为本发明实施例中的X波段的卫星影像图,其中图2(a)为PS和DS形变速度图;图2(b)为克里金插值后的形变速度图;图2(c)为建筑物风险评估参数示意图;
图3为本发明实施例中的地质图,其中图3(a)为香港九龙区地质图;图3(b)为深圳福田区地质图;
图4为本发明实施例中的影像时空基线图,图4(a)TerraSAR-X九龙区影像时空基线;图4(b)COSMO-SkyMed九龙区影像时空基线;图4(c)Sentinel-1九龙区影像时空基线;图4(d)TerraSAR-X福田区影像时空基线;图4(e)COSMO-SkyMed福田区影像时空基线;图4(f)Sentinel-1福田区影像时空基线;
图5为本发明实施例中的香港九龙区InSAR监测结果示意图,图5(a)为TerraSAR-X监测示意图,图5(b)COSMO-SkyMed监测示意图,图5(c)Sentinel-1监测示意图,图5(d)-(f)为土瓜湾地铁区域结果放大图;
图6为本发明实施例中的深圳福田区InSAR监测结果示意图,图6(a)TerraSAR-X监测示意图,图6(b)COSMO-SkyMed监测示意图,图6(c)Sentinel-1监测示意图,图6(d)-(f)为文博大厦临近街区结果放大图;
图7为本发明实施例中的香港九龙区高度评估图,图7(a)TerraSAR-X;图7(b)COSMO-SkyMed;InSAR高度评估结果与LiDAR数据对比热力图:图7(c)TerraSAR-X与LiDAR对比图;图7(d)COSMO-SkyMed与LiDAR对比图;
图8为本发明实施例中的多通道InSAR影像图,图8(a)文博大厦临近街区InSAR结果高度分布图;图8(b)TerraSAR-X评估高度与真实高度对比图;图8(c)TerraSAR-X与COSMO-SkyMed结果评估速度差异分布图;图8(d)TerraSAR-X与COSMO-SkyMed结果评估速度对比图;
图9为本发明实施例中的九龙区监测示意图,图9(a)为香港九龙区2016年建筑物风险等级图;图9(b)为深圳福田区2014年建筑物风险等级图;图9(c)为土瓜湾地铁站建筑物风险等级图;图9(d)为文博大厦临近街区建筑物风险等级图;图9(e)为土瓜湾施工现场图;图9(f)为宝马大厦墙体裂缝示意图;图9(g)为文博大厦地基建设施工现场图;图9(h)为景丽1号楼沉降影响示意图;
图10为本发明实施例中的土瓜湾监测示意图,图10(a)为土瓜湾模拟横截面示意图;图10(b)为地下水位变化曲线;图10(c)为InSAR结果与数值模拟模型结果对比示意图;图10(d)为P1点InSAR多通道时序结果与数值模拟结果对比图;图10(e)为P2点InSAR多通道时序结果与数值模拟结果对比图;
图11为本发明实施例中的文博大厦监测示意图,图11(a)为文博大厦模拟横截面示意图;图11(b)为地下水位及应力变化曲线;图11(c)为InSAR结果与数值模拟模型结果对比示意图;图11(d)为P1点InSAR多通道时序结果与数值模拟结果对比图;图11(e)为P2点InSAR多通道时序结果与数值模拟结果对比图;
图12为本发明实施例中的2012年至2021年数值模拟结果示意图,图12(a)土瓜湾地铁站结果,图12(b)文博大厦结果。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图1所示,本实施例中提供一种城市建筑物风险等级InSAR评估和预测方法,利用改进的MTInSAR和数值模拟技术来监测和预测建筑物形变和风险等级。首先,结合鲁棒性评估的改进的MTInSAR方法可监测更多PSs和DSs,保证监测数据的数量和密度。其次,使用InSAR监测计算得到的建筑物形变和角度畸变可用于确定大范围建筑物风险等级水平。最后,使用反演分析的方法反演土壤参数并输入土力工程模型进行数值模拟,通过改变地下水位变化以及地上复杂变化,对建筑物的形变时序进行模拟和预测。为验证方法有效性,选择香港九龙和深圳福田两个沉降区验证此方法的有效性和局限性。
本实施例针对建筑物风险监测与预测主要包括三项关键技术:(1)改进MTInSAR的多通道卫星形变监测技术;(2)建筑物形变提取技术以及风险评估技术;(3)基于应力-孔隙水压力模型的有限元数值模拟技术。
1.1改进的MTInSAR多通道形变监测技术
使用改进MTInSAR方法提取PSs和DSs,提高监测数据密度。该方法首先使用GMTSAR软件对影像进行预处理,包括图像校正和差分干涉。然后,构建双层网络去除相干点对的大气相位。在第一层网络中,首先确定最稳定的PS点,其反演公式为:
y=Aγ#(1)
其中,y=[y1,…,yn]T(n指的是卫星图像的数量,[·]T指的是转置)为差分干涉图,γ指的是重建的反射率,A包含待估算的相对参数,分别是相邻点的相对高度和平均形变速度。在这里,首先使用波束成形法(beamforming)来初步估计参数。如果PS的时域相干系数(T_PS)大于阈值(TerraSAR-X和COSMO-SkyMed阈值为0.78,Sentinel-1阈值为0.72),即得到初步估计参数(高度和形变速度)。初步估计的参数初步估计参数被用于求解时间相位,由于低信噪比(SNR)图像的存在,可能会有较大的误差。为了解决这个问题,使用M-estimator方法,通过迭代减少低信噪比图像的权重,提高基于解缠相位之后参数的稳健性。通过网络调整整合了相对估计值。为了应对调整条件不足的问题,使用岭估计器而非最小平方估计器来调整相对评估值,从而提高估算值的鲁棒性。
在已经确定了最稳定PS点的情况下,可通过二层网络寻找其他PS点以及所有DS点。同质滤波方法被用于重建干涉相位以进行DS点监测。在SqueeSAR中用于优化的Broyden-Fletcher-Goldfarb-Shanno算法假定协方差矩阵是正定的。然而,当同质像素的数量小于N时,情况并不总是如此;因此,相位优化可能是不可靠的。为了解决这个问题,使用相干加权相位连接(CWPL)来重建相位。CWPL方法给高相干性的相位分配了较大的权重,假设较高的相干性表明图像的质量较高。然后,使用重建的最佳相位,通过时间相干性阈值(例如,通常将TerraSAR-X和COSMO-SkyMed设置阈值为0.68,Sentinel-1设置阈值为0.65)识别一个像素是否是DS。值得注意的是,InSAR形变估计值是在雷达视线(LOS)方向上的。高层建筑顶部的点可能发生水平偏移或垂直热膨胀。为了避免产生的不确定性,使用高度阈值去除高层建筑上的点,只保留靠近地面的测量值用于风险评估。然后,利用入射角将LOS变形转换为垂直地面沉降。
1.2建筑物形变提取以及风险评估技术
X波段的卫星影像(TerraSAR-X和COSMO-SkyMed)的影像具有较高的分辨率,因此可直接应用于建筑物形变提取以及风险等级的评估。改进MTInSAR技术随能够提高监测点密度,可根据该结果确认存在风险的区域,但相对于独栋建筑物的形变提取,监测点仍然较为稀疏(如图2a)。为了获取建筑物形变指标,使用克里金插值方法将形变速度生成为空间上连续的栅格数据(栅格分辨率设置为3m),并提取其中心点(如图2b)。至此,可根据建筑物轮廓线,设置形变提取区域,此处设置缓冲区为栅格单元对角线长度,即约等于4.25m(如图2b中建筑区域)。通过叠置提取,可获取建筑物倾斜方向、年均最小沉降(Dmin)、最大沉降(Dmax),差异性沉降(δ)以及角度畸变(β)(如图2c所示)。需特别说明的是,角度畸变是指两个差异沉降点与水平方向形成夹角的弧度值,可近似用两点之间的差异沉降值除以两点之间的水平距离进行计算。根据图2c,可知对于一栋建筑物,其最大角度畸变可用以下公式计算:
其中,L指两点之间的水平距离。建筑物正常使用极限指标(ServiceabilityLimit State,SLS)一般选择最大沉降和角度畸变累计值作为评价指标,由于缺乏历史数据,无法得到准确累计值,本评估方案选择年平均变化量作为评价指标,这样既确保了评估的准确性,又可对年度数据进行评价,观察建筑物的风险变化。例如,针对某实验区域,其建议可允许的累计沉降以及角度畸变值不可超过92mm和0.0031rad,沉降最大速度和差异性沉降速度不可超过4mm/yr和2mm/yr,否则,认为房屋危险等级达到了高风险。则可根据预想划分的风险等级,指定建筑物风险评估指标,建筑物风险等级划分指标示例表,如表1所示。
表1
1.3基于应力-孔隙水压力模型的有限元数值模拟技术
多通道卫星影像测量结果相融合,可获取研究对象的长时间序列,作为数值模拟的输入,验证数值模拟输入的土体力学参数的正确性。此处需要特别说明的是,多通道卫星影像时序融合通过提取同名点时序,如果不同影像获取的监测点在空间位置上最邻近,且距离小于10m,则视其为同名点。借助土体力学模拟软件GeoStudio进行有限元分析,其中Sigma/W分析模块可做底层形变模拟,Seep/W模块可做应力状态变化引起的孔隙水压力模拟,两模块耦合分析可进行应力-孔隙水压力分析。在有限元模型中,地面产生形变的直接原因来自有效应力(σ'v),由于需要顾及孔隙水压力的大小,所以有效应力可表示为:
σ'v=σv-u#(3)
其中,u为孔隙水压力,σv是总应力。总应力取决于其上方土壤的总单位重量和任何负载表面负荷。总应力可表示为:
其中,Z是每种土壤材质层的厚度,γ是每种土壤材质的单位重量,i和n是土壤材质的对应序号和总数量。如图1所示,将引入两个变量,分别表示地下水位变化和外力变化,它们都是与时间相关的函数。地下水位降低是因为隧道或地基施工过程中抽水引起的,施工结束后,水位逐渐回升,其原因是水位自然回复或人工补水,改变了孔隙水压力u的值。因此,水位变化需要根据施工进度,定义函数的开始、拐点以及结束的时间。外力变化主要是新建楼房导致,它将被定义为线性函数。该函数的斜率取决于建设速度。在预测模拟前,需先根据高分辨率X波段卫星影像确认土体力学各个参数的有效性,会首先根据研究区域的地质条件输入常用值或经验参考值,通过对比模拟结果的形变时序与多通道InSAR时序结果,以获取一个最佳参数体系,进而通过改变水位和外力条件预测建筑物风险等级。
2.验证实验区及数据
香港和深圳是中南地区两座高度城市化的城市,人口分别约为740万和1750万。这两座城市位于亚热带地区,其特点是多云多雨的天气状况。分别挑选两个容易发生地面沉降且施工较为频繁的两个区域,香港九龙区域和深圳福田区域作为方法验证区域,如图3所示。
2.1香港九龙区及施工情况
该区域位于香港九龙东部,空间覆盖范围为6km2。地质土壤由九龙花岗岩层、冲击岩层、和填土层组成。冲积岩层是第四纪的,而九龙花岗岩是白垩纪的。地质图显示,该地区背靠何文田山,在1960年代前是一个主要的花岗岩采石场,东面是马头围填海区,在1904年至1986年期间曾五次填海。山脚下有几个河谷,河流冲刷岩石,留下大量的"冲积物"。因此,马头围道周围的地表是冲积层,含有大量的地下水(如图3a所示)。土瓜湾站是位于马头围道的一个地铁站,位于乐山路和江苏街之间。它是一个三层楼高的深层地下车站,为混凝土结构。土瓜湾站的隧道工程于2013年1月开始,于2016年12月完成。据报道,由于土瓜湾站的地下施工,2018年有23栋建筑发生了过度沉降。
2.2深圳福田区域及施工情况
福田区位于深圳的中部,研究区的空间覆盖范围约为2.5km2(图3b)。福田区出露的最古老的地层是中古生代长城期的虎背山混合岩(Chh),沿梅林至笔架山一线分布。文博楼位于新洲路与莲花路交叉口的西南角。它的总高度为208米,共56层,其中地上45层。文博大厦于2012年4月开始开挖,于2013年5月完工。大楼的主体于2016年11月完工。2013年3月,由于地基开挖,文博大厦旁边发生了天坑塌陷。文博楼下的地层为代官山组,主要由石英云母片岩、云母石英片岩、石英岩夹碳质云母岩、硅质岩、凝灰岩和黄铁矿层组成。
2.3SAR数据
本实施例使用了高分辨率(3m×3m)TerraSAR-X和COSMO-SkyMed数据以及中等分辨率(5m×20m)Sentinel-1卫星图像。TerraSAR-X和COSMO-SkyMed卫星为X波段通道,波长为3.1cm,而Sentinel-1为C波段通道,波长为5.6cm。本验证实验将会使用的数据包括从2012年3月到2014年3月获得的39幅上升的TerraSAR-X图像,以及从2014年1月到2016年3月获得的30幅下降的COSMO-SkyMed图像,其被用来监测九龙区。2010年11月至2014年3月获得的60幅上升TerraSAR-X图像和2011年5月至2013年3月获得的34幅下降COSMO-SkyMed图像将被用来监测福田区的情况。2015年6月至2021年12月采集的覆盖两个研究区域的共计175张上升的Sentinel-1图像被用来验证预测的形变。所用卫星的空间和时间基线见图4,SAR数据详情可见表2。
表2
3方法验证
3.1InSAR测量结果和精度验证
如图5所示为香港九龙区LOS向形变速度图。正向速度表示散射点形变沿LOS方向朝向卫星运动,其原因可能是地面隆升或者建筑物朝向卫星水平运动较大造成的,负向速度朝向远离卫星的方向运动,其原因可能是地面沉降或是远离卫星水平移动较大造成的。从TerraSAR-X、COSMO-SkyMed、Sentinel-1数据得出的变形速度分别为-25.3至20.2、-19.5至13.2、-5.1至7.8mm/yr。假设速度绝对值小于2mm/yr的点是稳定的,则可得非稳定点分别占TerraSAR-X、COSMO-SkyMed、Sentinel-1结果中总点数的22.8、13.3和3.1%。针对香港九龙区InSAR结果,在土瓜湾附近都分布有较多的非稳定点(如图5d-f所示)且两侧呈现出不同的沉降方向。由于卫星雷达入射方向不同,TerraSAR-X监测结果速度方向正好与COSMO-SkyMed监测结果相反,但是都表明建设区域两侧向内侧倾斜。这是由差异性沉降造成的,以地铁隧道为中轴,沉降量向两侧递减,因此地铁施工西侧散射点呈现出往东侧移动的现象,地铁施工东侧的散射点呈现出往西侧移动的现象。从InSAR监测数据中可知此研究区域受到施工影响较为严重的两栋建筑为宝马大厦和七喜大厦,其正好分布地铁线东西两侧,且相连纵剖面与地铁线相互垂直。
如图6所示,TerraSAR-X、COSMO-SkyMed和Sentinel-1图像中福田区的LOS形变速度。TerraSAR-X、COSMO-SkyMed和Sentinel-1的结果中,变形速度分别为-14.1至7.7、-16.5至6.9、-4.9至3.3毫米/年,移动点分别占总点数的4.7、12.6和2.1%。在文博大厦的基坑中没有测量点,因为在监测期间,挖掘工作正在进行,导致了decrelation效应。在放大图中(图6d),观察到与开挖工程相邻的京利1号楼和2号楼遭受了严重的沉降。在TerraSAR-X和COSMO-SkyMed的结果中,最大LOS变形速度达到-13.7和-9.3毫米/年。由于建筑工程是在2016年完成的,因此从2015-2021年的Sentinel-1图像测得的变形量相对较小。
对于InSAR结果的验证,可对任意估算结果进行验证。由于掌握该两处研究区域的真实高度数据,利用高度结果对InSAR结果进行验证。对于香港九龙区域结果,通过与LiDAR数据进行对比(如图7所示),其均方根误差(RMSE)分别为5.1m和6.6m,均在可接受误差范围内。对于深圳福田区与结果,获取文博大厦附近建筑物真实数据,通过比较,TerraSAR结果的RMSE为6.5m,亦在误差允许范围内。此外,在重叠时间跨度内(2011年5月至2013年3月),对TerraSAR-X和COSMO-SkyMed的临近店面的点的形变结果进行了交叉验证,差异的标准偏差为1.3mm/yr(如图8c和8d所示),亦在允许误差之内。证明改进的MTInSAR技术在两个验证实验区都能得到较为准确的测量精度。
3.2基于X波段高精度InSAR结果的建筑物形变指标提取及风险评估
基于2.2中的方法,对香港九龙以及深圳福田区大范围建筑物进行风险等级评估。如图9所示,在九龙区监测到的807栋建筑中,分别有10栋、122栋和675栋被评级为中等风险、可忽略到中等风险以及可忽略风险等级。10栋中等风险等级的建筑均位于土瓜湾地铁站附近(如图9c),这10栋建筑的建筑物形变参数,土瓜湾地铁站及文博大厦附近建筑物形变参数,如表3所示,宝马大厦(编号10)最大沉降量达到了7.5mm/yr,最大角度畸变达到了0.0015rad/yr,通过现场调查可知宝马大厦墙体已经开裂(图9f)。福田区X波段监测结果共监测到143栋建筑物形变,其中2栋、4栋和137栋建筑物分别被划分为中等、可忽略至中等和可忽略风险等级。最大沉降为景丽1号楼(编号11),达到7.9mm/yr,角度畸变为0.0008rad/yr。其沉降造成了地面与建筑物分离(如图9h所示)。表3中所有建筑物倾斜方向都表明建筑物受到施工影响,朝向施工区域倾斜。
表3
3.3基于应力-孔隙水压力模型的建筑物风险评估和预测结果3.3.1数值模型和变量确定
根据实验验证区的地质条件以及X波段形变时序结果,确认了土瓜湾地铁站以及文博大厦附近土质条件的基本参数表,如表4所示,结果吻合程度可见图10d和10e(差异为3.2mm和1.1mm),以及图11d和11e(差异为2mm和4mm)。
对于土瓜湾地铁站附近建筑,七喜大厦和宝马大厦遭受沉降最为严重,因此延横截面AA'进行了数值模拟(见图10)。二对于文博大厦,以景丽1号所处区域横截面BB'进行数值模拟。根据设置的变量函数(见图10b和图11b)继续进行形变模拟,其模拟结果显示下沉到2021年,P1和P2点的沉降量将分别达到61.9mm和23.2mm,可用Sentinel-1的结果做粗略比对。P3和P4点的沉降量将分别达到39.0mm和21.7mm。
表4
3.3.2基于数值模拟的建筑物风险评估及预测
图12为两实验验证区域每年数值模拟结果图,根据2.2中提到的建筑风险评估方法和指标,对每年的建筑物风险进行了评定,基于数值模拟的建筑物风险评估结果,详见表5。根据以上信息可知,宝马大厦与七喜大厦在2012年均处于可忽略的风险等级,此时施工并未进行,2014年至2017年,七喜大厦达到中等风险等级,2018年之后则恢复可忽略等级。而宝马大厦则遭受到更加严重的影响,2014年到2015年处于中等风险等级,但是2016年到2017年则变为中等至高风险等级,直到2019年风险等级才有所下降。风险等级的变化与地铁修建的过程基本吻合,可见,若在2015年,对之后进行预测,可提前对此地进行修缮,降低建筑物风险等级。针对文博大厦附近的景丽1号,在2012年至2016年期间风险等级较高,为中等风险水平,2017年之后风险等级开始下降,直到2020年处于可忽略的安全风险等级。
表5
本实施例的技术效果为:
本实施例一种融合多通道InSAR监测和应力-孔隙水模型的城市建筑物风险等级评估和预测方法,利用多通道卫星对城区的持久性和分布性散射体的形变进行联合监测,利用多时空InSAR和数值模拟来监测和预测建筑物形变和风险等级。首先,在城区尺度上,利用地面沉降以及角度畸变评估建筑物风险等级,以确定潜在的危险建筑。然后,以高分辨率InSAR数据的时序作为输入进行参考,结合地质条件,反演危险建筑所处区域的地质和水文条件。最后,改变水文条件以及外部载荷条件周边建筑物风险等级进行预测。本发明能够推广至其他容易发生地面沉降的快速发展城区,对城区建筑物进行风险评估,提高对人类活动引起的地面沉降动态行为的认知。
本实施例提出了一种综合方法,利用改进的MTInSAR和数值模型技术监测和预测建筑物的变形和风险,并使用香港的九龙区和深圳的福田区来验证该方法的有效性。认为这种方法将促进对潜在风险建筑的识别,并提高对地下建筑引起的地面沉降动态行为的理解。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种城市建筑物风险等级InSAR评估和预测方法,其特征在于,包括以下步骤:
获取城市建筑物的多通道SAR影像,提取所述多通道SAR影像中监测点,基于所述监测点的区域,得到城市建筑物的InSAR监测结果,其中所述监测点包括:永久散射体和分布式散射体;
获取建筑物轮廓,基于建筑物轮廓和所述InSAR监测结果,得到形变参数,基于所述形变参数,对建筑物进行风险等级评估,其中所述形变参数包括:形变速度参数和角度畸变参数;
对所述InSAR监测结果进行时序融合,得到SAR影像的时间序列,构建应力-孔隙水压力模型,将所述时间序列输入至应力-孔隙水压力模型,得到数值模拟结果,基于设置好的建筑物风险等级,对数值模拟结果进行建筑物风险预测。
2.根据权利要求1所述的城市建筑物风险等级InSAR评估和预测方法,其特征在于,所述多通道SAR影像包括TerraSAR-X卫星影像、COSMO-SkyMed卫星影像和Sentinel-1卫星影像。
3.根据权利要求1所述的城市建筑物风险等级InSAR评估和预测方法,其特征在于,提取所述多通道SAR影像中监测点的过程包括:
对所述多通道SAR影像进行预处理,基于预处理后的多通道SAR影像,构建双层网络,通过双层网络提取所述多通道SAR影像中监测点。
4.根据权利要求3所述的城市建筑物风险等级InSAR评估和预测方法,其特征在于,通过双层网络提取所述SAR影像中监测点的过程包括:
构建第一层网络,基于波束成形法得到初步估计参数,基于所述初步估计参数,得到永久散射体;其中所述初步估计参数包括:高度参数和形变速度参数;
基于预处理后的多通道SAR影像,通过相干加权相位连接,构建二层网络,通过时间相干性阈值,识别多通道SAR影像中的像素,得到分布式散射体。
5.根据权利要求4所述的城市建筑物风险等级InSAR评估和预测方法,其特征在于,得到形变参数的过程包括:
将形变速度参数生成为空间上连续的栅格数据,基于所述栅格数据得到建筑物轮廓,基于建筑物轮廓和所述InSAR监测结果,计算建筑物形变参数。
6.根据权利要求1所述的城市建筑物风险等级InSAR评估和预测方法,其特征在于,对建筑物风险等级进行风险评估的过程包括:
获取风险评估指标,基于建筑物形变参数,通过风险评估指标,对建筑物进行风险等级评估;
其中所述风险评估指标包括:建筑物倾斜方向、年均最小沉降、年均最大沉降,差异性沉降和角度畸变。
7.根据权利要求1所述的城市建筑物风险等级InSAR评估和预测方法,其特征在于,将所述时间序列输入至应力-孔隙水压力模型的过程包括:
构建应力-孔隙水压力模型,基于InSAR监测结果,反演得到土壤参数,将所述土壤参数输入应力-孔隙水压力模型,分别对底层形变和孔隙水压力进行数值模拟。
8.根据权利要求1所述的城市建筑物风险等级InSAR评估和预测方法,其特征在于,对数值模拟结果进行建筑物风险预测的过程包括:
将地下水位变化参数和外力变化参数输入至应力-孔隙水压力模型,基于设置好的建筑物风险等级,通过改变所述地下水位变化参数和所述外力变化参数,预测建筑物风险等级。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211320799.3A CN116049929B (zh) | 2022-10-26 | 2022-10-26 | 一种城市建筑物风险等级InSAR评估和预测方法 |
US18/493,922 US20240142613A1 (en) | 2022-10-26 | 2023-10-25 | Building risk monitoring and predicting based on method integrating mt-insar and pore water pressure model |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211320799.3A CN116049929B (zh) | 2022-10-26 | 2022-10-26 | 一种城市建筑物风险等级InSAR评估和预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116049929A true CN116049929A (zh) | 2023-05-02 |
CN116049929B CN116049929B (zh) | 2023-09-29 |
Family
ID=86120652
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211320799.3A Active CN116049929B (zh) | 2022-10-26 | 2022-10-26 | 一种城市建筑物风险等级InSAR评估和预测方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20240142613A1 (zh) |
CN (1) | CN116049929B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596321A (zh) * | 2023-07-13 | 2023-08-15 | 江苏省建筑工程质量检测中心有限公司 | 基于神经网络的建筑风险监测与评估方法和系统 |
CN117236723A (zh) * | 2023-11-13 | 2023-12-15 | 深圳市城市公共安全技术研究院有限公司 | 岩溶区建设工程施工周边环境影响范围划定方法及装置 |
CN117437508A (zh) * | 2023-11-10 | 2024-01-23 | 东南大学 | 一种基于InSAR的建筑群体震后损伤评估方法及系统 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103970932A (zh) * | 2014-02-28 | 2014-08-06 | 杭州师范大学 | 一种高分辨率的建筑物和背景分离的永久散射体建模方法 |
CN104123464A (zh) * | 2014-07-23 | 2014-10-29 | 中国国土资源航空物探遥感中心 | 一种高分辨率InSAR时序分析反演地物高程与地面沉降量的方法 |
US20170365094A1 (en) * | 2016-04-04 | 2017-12-21 | University Of Cincinnati | Localized Contour Tree Method for Deriving Geometric and Topological Properties of Complex Surface Depressions Based on High Resolution Topographical Data |
CN108663017A (zh) * | 2018-08-13 | 2018-10-16 | 伟志股份公司 | 一种监测城市地铁沿线地表沉降的方法 |
CN108919266A (zh) * | 2018-07-20 | 2018-11-30 | 国交空间信息技术(北京)有限公司 | 一种基于PSInSAR技术的桥梁安全预警方法 |
CN109388887A (zh) * | 2018-10-09 | 2019-02-26 | 首都师范大学 | 一种地面沉降影响因素定量分析方法及系统 |
WO2019126972A1 (zh) * | 2017-12-26 | 2019-07-04 | 深圳市城市公共安全技术研究院有限公司 | 基于InSAR的形变信息提取方法、终端及存储介质 |
CN110058237A (zh) * | 2019-05-22 | 2019-07-26 | 中南大学 | 面向高分辨率SAR影像的InSAR点云融合及三维形变监测方法 |
CN110055945A (zh) * | 2019-05-22 | 2019-07-26 | 马培峰 | 一种土体固结沉降的监测方法、装置及相关设备 |
KR102086323B1 (ko) * | 2019-09-30 | 2020-05-26 | 대한민국 | PSInSAR 기반 센티넬 위성영상의 연속성을 유지하는 자동 모니터링 서비스 제공 방법 |
WO2020233591A1 (zh) * | 2019-05-21 | 2020-11-26 | 中南大学 | 一种面向三维地表形变估计的InSAR和GNSS定权方法 |
CN113096005A (zh) * | 2021-04-06 | 2021-07-09 | 中国科学院生态环境研究中心 | 一种监测山体现今抬升速度的雷达时序差分干涉测量方法 |
CN114966689A (zh) * | 2022-05-27 | 2022-08-30 | 厦门理工学院 | 沿海城市时序InSAR沉降监测分析方法、装置、设备及介质 |
CN115166737A (zh) * | 2022-07-26 | 2022-10-11 | 东南大学 | 基于无人机的时序InSAR地表形变数据空洞处理方法 |
WO2022213673A1 (zh) * | 2021-04-06 | 2022-10-13 | 中国矿业大学 | 融合无人机dom和星载sar影像的地表三维形变提取方法 |
-
2022
- 2022-10-26 CN CN202211320799.3A patent/CN116049929B/zh active Active
-
2023
- 2023-10-25 US US18/493,922 patent/US20240142613A1/en active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103970932A (zh) * | 2014-02-28 | 2014-08-06 | 杭州师范大学 | 一种高分辨率的建筑物和背景分离的永久散射体建模方法 |
CN104123464A (zh) * | 2014-07-23 | 2014-10-29 | 中国国土资源航空物探遥感中心 | 一种高分辨率InSAR时序分析反演地物高程与地面沉降量的方法 |
US20170365094A1 (en) * | 2016-04-04 | 2017-12-21 | University Of Cincinnati | Localized Contour Tree Method for Deriving Geometric and Topological Properties of Complex Surface Depressions Based on High Resolution Topographical Data |
WO2019126972A1 (zh) * | 2017-12-26 | 2019-07-04 | 深圳市城市公共安全技术研究院有限公司 | 基于InSAR的形变信息提取方法、终端及存储介质 |
CN108919266A (zh) * | 2018-07-20 | 2018-11-30 | 国交空间信息技术(北京)有限公司 | 一种基于PSInSAR技术的桥梁安全预警方法 |
CN108663017A (zh) * | 2018-08-13 | 2018-10-16 | 伟志股份公司 | 一种监测城市地铁沿线地表沉降的方法 |
CN109388887A (zh) * | 2018-10-09 | 2019-02-26 | 首都师范大学 | 一种地面沉降影响因素定量分析方法及系统 |
WO2020233591A1 (zh) * | 2019-05-21 | 2020-11-26 | 中南大学 | 一种面向三维地表形变估计的InSAR和GNSS定权方法 |
CN110058237A (zh) * | 2019-05-22 | 2019-07-26 | 中南大学 | 面向高分辨率SAR影像的InSAR点云融合及三维形变监测方法 |
CN110055945A (zh) * | 2019-05-22 | 2019-07-26 | 马培峰 | 一种土体固结沉降的监测方法、装置及相关设备 |
KR102086323B1 (ko) * | 2019-09-30 | 2020-05-26 | 대한민국 | PSInSAR 기반 센티넬 위성영상의 연속성을 유지하는 자동 모니터링 서비스 제공 방법 |
CN113096005A (zh) * | 2021-04-06 | 2021-07-09 | 中国科学院生态环境研究中心 | 一种监测山体现今抬升速度的雷达时序差分干涉测量方法 |
WO2022213673A1 (zh) * | 2021-04-06 | 2022-10-13 | 中国矿业大学 | 融合无人机dom和星载sar影像的地表三维形变提取方法 |
CN114966689A (zh) * | 2022-05-27 | 2022-08-30 | 厦门理工学院 | 沿海城市时序InSAR沉降监测分析方法、装置、设备及介质 |
CN115166737A (zh) * | 2022-07-26 | 2022-10-11 | 东南大学 | 基于无人机的时序InSAR地表形变数据空洞处理方法 |
Non-Patent Citations (3)
Title |
---|
乔鑫;屈春燕;单新建;李彦川;朱传华;: "基于时序InSAR的海原断裂带形变特征及运动学参数反演", 地震地质, no. 06 * |
姚鑫;张永双;: "基于差分干涉雷达的汶川地震同震形变特点", 地质力学学报, no. 02 * |
羊远新;许文学;: "基于PS-InSAR和SBAS-InSAR技术的某机场沉降监测", 工程勘察, no. 08 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116596321A (zh) * | 2023-07-13 | 2023-08-15 | 江苏省建筑工程质量检测中心有限公司 | 基于神经网络的建筑风险监测与评估方法和系统 |
CN116596321B (zh) * | 2023-07-13 | 2023-09-26 | 江苏省建筑工程质量检测中心有限公司 | 基于神经网络的建筑风险监测与评估方法和系统 |
CN117437508A (zh) * | 2023-11-10 | 2024-01-23 | 东南大学 | 一种基于InSAR的建筑群体震后损伤评估方法及系统 |
CN117236723A (zh) * | 2023-11-13 | 2023-12-15 | 深圳市城市公共安全技术研究院有限公司 | 岩溶区建设工程施工周边环境影响范围划定方法及装置 |
CN117236723B (zh) * | 2023-11-13 | 2024-03-12 | 深圳市城市公共安全技术研究院有限公司 | 岩溶区建设工程施工周边环境影响范围划定方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116049929B (zh) | 2023-09-29 |
US20240142613A1 (en) | 2024-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116049929B (zh) | 一种城市建筑物风险等级InSAR评估和预测方法 | |
Wu et al. | Two decades of settlement of Hong Kong International Airport measured with multi-temporal InSAR | |
Tomás et al. | Monitoring an earthfill dam using differential SAR interferometry: La Pedrera dam, Alicante, Spain | |
Herrera et al. | Advanced DInSAR analysis on mining areas: La Union case study (Murcia, SE Spain) | |
Bovenga et al. | Landslide monitoring for risk mitigation by using corner reflector and satellite SAR interferometry: The large landslide of Carlantino (Italy) | |
Zhao et al. | InSAR detection of residual settlement of an ocean reclamation engineering project: a case study of Hong Kong International Airport | |
Piccinini et al. | Slope stability and groundwater flow system in the area of Lizzano in Belvedere (Northern Apennines, Italy) | |
Ma et al. | Building risk monitoring and prediction using integrated multi-temporal InSAR and numerical modeling techniques | |
Dai et al. | Dynamic landslides susceptibility evaluation in Baihetan Dam area during extensive impoundment by integrating geological model and InSAR observations | |
Wang et al. | Investigation of the ground displacement in Saint Petersburg, Russia, using multiple-track differential synthetic aperture radar interferometry | |
Dong et al. | Tri-decadal evolution of land subsidence in the Beijing Plain revealed by multi-epoch satellite InSAR observations | |
Yang et al. | A PSI targets characterization approach to interpreting surface displacement signals: A case study of the Shanghai metro tunnels | |
Infante et al. | Differential SAR interferometry technique for control of linear infrastructures affected by ground instability phenomena | |
Sillerico et al. | Monitoring ground subsidence in urban environments: M-30 tunnels under Madrid City (Spain) | |
Li et al. | An application of InSAR time-series analysis for the assessment of mining-induced structural damage in Panji Mine, China | |
Macciotta et al. | The 10-mile Slide north of Lillooet, British Columbia–history, characteristics and monitoring | |
Jiang et al. | Retrieving 3D large gradient deformation induced to mining subsidence based on fusion of Boltzmann prediction model and single-track InSAR earth observation technology | |
Zhang et al. | Megalopolitan-scale ground deformation along metro lines in the Guangdong-Hong Kong-Macao Greater Bay Area, China, revealed by MT-InSAR | |
Reinders et al. | Proving compliance of satellite InSAR technology with geotechnical design codes | |
Zhao et al. | Urban subsidence in rapid economic development: the case of Luoyang city, Henan Province | |
Li et al. | Monitoring land subsidence in North-central Henan Plain using the SBAS-InSAR method with Sentinel-1 imagery data | |
Zhang et al. | High-precision monitoring method for airport deformation based on time-series InSAR technology | |
Sun et al. | Understanding the Spatial-Temporal Characteristics of Land Subsidence in Shenzhen under Rapid Urbanization Based on MT-InSAR | |
Del Ventisette et al. | Radar technologies for landslide detection, monitoring, early warning and emergency management | |
Ghadimi | Investigation of riprap stability of a dam: risk assessment by InSAR method and rock mechanical test |
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 |