CN116299466A - 一种输电通道地质形变监测方法和装置 - Google Patents

一种输电通道地质形变监测方法和装置 Download PDF

Info

Publication number
CN116299466A
CN116299466A CN202310572913.XA CN202310572913A CN116299466A CN 116299466 A CN116299466 A CN 116299466A CN 202310572913 A CN202310572913 A CN 202310572913A CN 116299466 A CN116299466 A CN 116299466A
Authority
CN
China
Prior art keywords
deformation data
data
deformation
insar
transmission channel
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
Application number
CN202310572913.XA
Other languages
English (en)
Other versions
CN116299466B (zh
Inventor
杜伟
杨国柱
胡伟
韦恩惠
赵邦博
高超
孙鸿博
马春田
李致东
李俊磊
程海涛
赵亚杰
孙诗睿
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.)
State Grid Power Space Technology Co ltd
Original Assignee
State Grid Power Space 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 State Grid Power Space Technology Co ltd filed Critical State Grid Power Space Technology Co ltd
Priority to CN202310572913.XA priority Critical patent/CN116299466B/zh
Publication of CN116299466A publication Critical patent/CN116299466A/zh
Application granted granted Critical
Publication of CN116299466B publication Critical patent/CN116299466B/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
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/16—Measuring arrangements characterised by the use of optical techniques for measuring the deformation in a solid, e.g. optical strain gauge
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B15/00—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons
    • G01B15/06—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons for measuring the deformation in a solid
    • 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
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • 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
    • G01S13/86—Combinations of radar systems with non-radar systems, e.g. sonar, direction finder
    • G01S13/865—Combination of radar systems with lidar systems
    • 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
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
    • 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
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • G01S19/13—Receivers
    • G01S19/35—Constructional details or hardware or software details of the signal processing chain
    • G01S19/37—Hardware or software details of the signal processing chain
    • 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
    • G01S7/417—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 involving the use of neural networks
    • 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
    • G01S7/48—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00
    • G01S7/4802—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S17/00 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)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Radar Systems Or Details Thereof (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明提供了一种输电通道地质形变监测方法和装置，涉及地质形变监测的技术领域，包括：获取待监测输电通道的目标数据，其中，目标数据包括：SAR影像数据，机载LiDAR数据和北斗观测数据；对目标数据进行沉降时序解算，得到形变数据，其中，形变数据包括：InSAR形变数据，机载LiDAR形变数据和北斗形变数据；利用机载LiDAR形变数据和神经网络模型，对InSAR形变数据进行校正，得到校正后的InSAR形变数据；基于校正后的InSAR形变数据和北斗形变数据，确定出待监测输电通道的地质形变监测结果，解决了现有的输电通道地质形变监测方法的监测精度较低的技术问题。

Description

一种输电通道地质形变监测方法和装置
技术领域
本发明涉及地质形变监测的技术领域，尤其是涉及一种输电通道地质形变监测方法和装置。
背景技术
在输电通道地质形变监测中，传统的工程测量监测手段虽然已有足够高的测量精度，如水准测量、全站仪测量等；但各监测手段的缺点依旧明显，存在投入成本大、监测范围局限，易受外界环境影响，且不能连续作业等缺点，从因而导致监测效率低，并无法及时获得有效的地质形变监测信息，难以适应现代化建设的需求。
近年来，随着定量遥感技术的迅速发展，InSAR 技术为解决输电通道的地质形变监测提供了新的途径。 InSAR技术综合了合成孔径雷达成像原理和干涉测量技术，利用传感器的系统参数、姿态参数和轨道之间的几何关系等，可精确地测量地表空间位置的变化，有效应用于输电通道的地质形变监测工作。虽然InSAR技术可全天时、全天候对地观测，穿云透雾，不受天气、黑夜等影响；但是其时效性有限，不能实时获取地表形变信息，并且InSAR技术受制于图像质量的影响，从而在一定程度上降低了形变的精度。
机载LiDAR激光测量技术作为一种新兴的测量手段，激光穿透能力强，可穿透植被间隙直达地表，且获得的点云精度高、空间坐标信息准确，可有效地应用于地质形变监测。不过受激光雷达技术数据获取方式和硬件条件所限，激光雷达的扫描带覆盖面积较小，特定情况下难以满足实际应用需求。
北斗卫星定位技术是我国自主研发的北斗卫星导航系统的高新技术。可对监测点实现高精度的定位，得到监测区域内的地质形变信息。其具有定位精度高且能在短时间内准确定位的优势，但无法获取高空间密度的数据。
综上所述，目前主流的形变监测技术都存在一定的局限性，无法做到高精度的实时监测。
针对上述问题，还未提出有效的解决方案。
发明内容
有鉴于此，本发明的目的在于提供一种输电通道地质形变监测方法和装置，以缓解了现有的输电通道地质形变监测方法的监测精度较低的技术问题。
第一方面，本发明实施例提供了一种输电通道地质形变监测方法，包括：获取待监测输电通道的目标数据，其中，所述目标数据包括：SAR影像数据，机载LiDAR数据和北斗观测数据；对所述目标数据进行沉降时序解算，得到形变数据，其中，所述形变数据包括：InSAR形变数据，机载LiDAR形变数据和北斗形变数据；利用所述机载LiDAR形变数据和神经网络模型，对所述InSAR形变数据进行校正，得到校正后的InSAR形变数据；基于所述校正后的InSAR形变数据和所述北斗形变数据，确定出所述待监测输电通道的地质形变监测结果。
进一步地，利用所述机载LiDAR形变数据和神经网络模型，对所述InSAR形变数据进行校正，得到校正后的InSAR形变数据，包括：确定出所述机载LiDAR形变数据和所述InSAR形变数据之间的同名点；利用所述同名点对应的机载LiDAR形变数据和所述同名点对应的InSAR形变数据，对所述神经网络模型进行训练，得到训练后的神经网络模型；利用所述训练后的神经网络模型，对所述InSAR形变数据中除所述同名点对应的InSAR形变数据以外的InSAR形变数据进行校正，得到所述校正后的InSAR形变数据。
进一步地，确定出所述机载LiDAR形变数据和所述InSAR形变数据之间的同名点，包括：基于所述机载LiDAR形变数据，利用近邻距离加权算法对所述InSAR形变数据进行同名点提取，得到所述机载LiDAR形变数据和所述InSAR形变数据之间的同名点，其中，所述近邻距离加权算法的表达式为
Figure SMS_1
，其中，/>
Figure SMS_2
为所述InSAR形变数据中点/>
Figure SMS_3
的观测值，/>
Figure SMS_4
为所述同名点SAR估计值，/>
Figure SMS_5
为所述同名点到周围点的距离。
进一步地，所述神经网络模型包括：输入层、隐含层和输出层，其中，所述输入层的变量为
Figure SMS_15
，/>
Figure SMS_8
为所述输入层中的神经元的数量，所述隐含层的变量为
Figure SMS_11
，/>
Figure SMS_17
为所述隐含层中神经元的数量，所述输出层的变量为
Figure SMS_21
，/>
Figure SMS_19
为所述输出层中神经元的数量；所述神经网络模型的表达式为/>
Figure SMS_22
，其中，/>
Figure SMS_14
为所述输入层中神经元/>
Figure SMS_18
与所述隐含层中神经元/>
Figure SMS_9
之间的连接权值，/>
Figure SMS_10
为所述隐含层中神经元/>
Figure SMS_7
与所述输出层中神经元/>
Figure SMS_13
之间的连接权值，/>
Figure SMS_16
和/>
Figure SMS_20
为激活函数，/>
Figure SMS_6
和/>
Figure SMS_12
为相应的偏置变量。
进一步地，基于所述校正后的InSAR形变数据和所述北斗形变数据，确定出所述待监测输电通道的地质形变监测结果，包括：利用克里金插值算法对所述北斗形变数据进行内插处理，得到插值后的北斗形变数据；对所述校正后的InSAR形变数据和所述插值后的北斗形变数据进行融合计算，得到所述待监测输电通道的地质形变监测结果。
进一步地，对所述校正后的InSAR形变数据和所述插值后的北斗形变数据进行融合计算，得到所述待监测输电通道的地质形变监测结果，包括：构建观测方程，其中，所述观测方程为
Figure SMS_24
，/>
Figure SMS_27
为地表变形向量，/>
Figure SMS_30
为待估参数向量，/>
Figure SMS_25
为观测矩阵，/>
Figure SMS_26
为监测数据噪声；利用最小二乘法对所述观测方程进行最优估计，得到最优估计表达式，其中，所述最优估计表达式为/>
Figure SMS_29
，其中，/>
Figure SMS_31
为残差，/>
Figure SMS_23
为加权权阵；基于所述校正后的InSAR形变数据和所述插值后的北斗形变数据，计算/>
Figure SMS_28
的一阶偏导等于0时的最优估计值，并降所述最优估计值确定为所述待监测输电通道的地质形变监测结果。
第二方面，本发明实施例还提供了一种输电通道地质形变监测装置，包括：获取单元，用于获取待监测输电通道的目标数据，其中，所述目标数据包括：SAR影像数据，机载LiDAR数据和北斗观测数据；解算单元，用于对所述目标数据进行沉降时序解算，得到形变数据，其中，所述形变数据包括：InSAR形变数据，机载LiDAR形变数据和北斗形变数据；校正单元，用于利用所述机载LiDAR形变数据和神经网络模型，对所述InSAR形变数据进行校正，得到校正后的InSAR形变数据；监测单元，用于基于所述校正后的InSAR形变数据和所述北斗形变数据，确定出所述待监测输电通道的地质形变监测结果。
进一步地，所述校正单元，用于：确定出所述机载LiDAR形变数据和所述InSAR形变数据之间的同名点；利用所述同名点对应的机载LiDAR形变数据和所述同名点对应的InSAR形变数据，对所述神经网络模型进行训练，得到训练后的神经网络模型；利用所述训练后的神经网络模型，对所述InSAR形变数据中除所述同名点对应的InSAR形变数据以外的InSAR形变数据进行校正，得到所述校正后的InSAR形变数据。
第三方面，本发明实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述第一方面中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
第四方面，本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序。
在本发明实施例中，通过获取待监测输电通道的目标数据，其中，所述目标数据包括：SAR影像数据，机载LiDAR数据和北斗观测数据；对所述目标数据进行沉降时序解算，得到形变数据，其中，所述形变数据包括：InSAR形变数据，机载LiDAR形变数据和北斗形变数据；利用所述机载LiDAR形变数据和神经网络模型，对所述InSAR形变数据进行校正，得到校正后的InSAR形变数据；基于所述校正后的InSAR形变数据和所述北斗形变数据，确定出所述待监测输电通道的地质形变监测结果，达到了结合SAR影像数据，机载LiDAR数据和北斗观测数据对输电通道地质形变进行高精度监测的目的，进而解决了现有的输电通道地质形变监测方法的监测精度较低的技术问题，从而实现了提高输电通道地质形变监测精度的技术效果。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种输电通道地质形变监测方法的流程图；
图2为本发明实施例提供的一种输电通道地质形变监测装置的示意图；
图3为本发明实施例提供的一种电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例一：
根据本发明实施例，提供了一种输电通道地质形变监测方法的实施例，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。
图1是根据本发明实施例的一种输电通道地质形变监测方法的流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取待监测输电通道的目标数据，其中，所述目标数据包括：SAR影像数据，机载LiDAR数据和北斗观测数据；
步骤S104，对所述目标数据进行沉降时序解算，得到形变数据，其中，所述形变数据包括：InSAR形变数据，机载LiDAR形变数据和北斗形变数据；
步骤S106，利用所述机载LiDAR形变数据和神经网络模型，对所述InSAR形变数据进行校正，得到校正后的InSAR形变数据；
步骤S108，基于所述校正后的InSAR形变数据和所述北斗形变数据，确定出所述待监测输电通道的地质形变监测结果。
在本发明实施例中，通过获取待监测输电通道的目标数据，其中，所述目标数据包括：SAR影像数据，机载LiDAR数据和北斗观测数据；对所述目标数据进行沉降时序解算，得到形变数据，其中，所述形变数据包括：InSAR形变数据，机载LiDAR形变数据和北斗形变数据；利用所述机载LiDAR形变数据和神经网络模型，对所述InSAR形变数据进行校正，得到校正后的InSAR形变数据；基于所述校正后的InSAR形变数据和所述北斗形变数据，确定出所述待监测输电通道的地质形变监测结果，达到了结合SAR影像数据，机载LiDAR数据和北斗观测数据对输电通道地质形变进行高精度监测的目的，进而解决了现有的输电通道地质形变监测方法的监测精度较低的技术问题，从而实现了提高输电通道地质形变监测精度的技术效果。
下面对步骤S104进行详细说明。
对于SAR影像数据，首先，获取SAR影像数据后对原始数据进行解压缩、偏移量计算、配准、去斜等通用预处理；之后，选取SAR影像数据中的主影像，基于主影像对SAR影像数据进行配准；将配准后的SAR影像数据基于时间顺序进行差分干涉处理，得到相位相干图；基于相位相干图中的像元选取永久散射体点，根据选取的永久散射体点生成干涉相位序列；根据干涉相位序列分析永久散射体点的形变情况，得到输电通道地质形变的周期监测结果（即，InSAR形变数据）。
对于机载LiDAR数据，首先，对两期同位置不同时像的点云数据进行配准等前期处理工作；然后，基于预处理结果，分别对其利用算法进行格网插值，生成格网DEM模型；最后利用两期DEM模型做高程的差值分析，以获得监测区内输电通道的地质形变信息（即，机载LiDAR形变数据）。
对于北斗观测数据，采用基于北斗卫星差分定位的实时监测系统进行输电通道的地质形变监测。该监测系统主要由基准站模块、监测站模块和后台系统三部分组成，三者间结构关系为：基准站模块连接监测站模块，监测站模块连接后台系统。在待监测处安装基于北斗卫星定位的监测站，附近5～10公里地质稳定处安装基准站，利用北斗短报文技术接收基准站发送过来的位置信息，结合监测站的差分定位数据，在监测站和后台系统分别进行解算，从而获取到待监测处的高精度姿态信息，然后利用北斗差分定位算法解算出高精确的位置坐标，进一步采用监测形变算法获取形变信息（即，北斗形变数据）。
在本发明实施例中，步骤S106包括如下步骤：
确定出所述机载LiDAR形变数据和所述InSAR形变数据之间的同名点；
利用所述同名点对应的机载LiDAR形变数据和所述同名点对应的InSAR形变数据，对所述神经网络模型进行训练，得到训练后的神经网络模型；
利用所述训练后的神经网络模型，对所述InSAR形变数据中除所述同名点对应的InSAR形变数据以外的InSAR形变数据进行校正，得到所述校正后的InSAR形变数据。
在本发明实施例中，以机载LiDAR形变数据作为控制数据，采用神经网络模型对InSAR形变数据进行精度校正。首先，提取InSAR形变数据，机载LiDAR形变数据之间同名点，构建训练样本；然后，将训练数据输入网络，利用学习得到映射关系；最后，将不存在机载LiDAR数据点分布的InSAR数据输入神经网络模型，对InSAR数据进行精度校正。
具体的，首先，以形变数据为准，采用近邻距离加权平均算法进行同名点提取，得到同名点对应的机载LiDAR形变数据和同名点对应的InSAR形变数据。
近邻距离加权平均算法为
Figure SMS_32
；
其中，
Figure SMS_33
为所述InSAR形变数据中点/>
Figure SMS_34
的观测值，/>
Figure SMS_35
为所述同名点SAR估计值，/>
Figure SMS_36
为所述同名点到周围点的距离。
然后，利用神经网络模型的权值参数和激活函数将输入数据和输出数据连接起来。
假设神经网络输入层有
Figure SMS_37
个神经元，隐含层有/>
Figure SMS_38
个神经元，而输出层神经元个数为/>
Figure SMS_39
。因此，每一层的变量分别定义为/>
Figure SMS_40
，/>
Figure SMS_41
和
Figure SMS_42
。其中，输入层的神经元接收输入数据，而隐含层和输出层神经元对信号进行加工和处理，最后由输出层神经元进行输出，表示为：
Figure SMS_43
其中，
Figure SMS_45
表示输入层神经元/>
Figure SMS_49
与隐含层神经元/>
Figure SMS_52
之间的连接权值，而/>
Figure SMS_44
定义为隐含层神经元/>
Figure SMS_48
与输出层神经元/>
Figure SMS_51
之间的连接权值，对应地，/>
Figure SMS_53
和/>
Figure SMS_46
为相应的偏置变量，
Figure SMS_47
和/>
Figure SMS_50
是相应层的激活函数。
通过输入层和输出层的映射关系，可对连接神经元的权值和偏置进行调整，使得模拟输出值
Figure SMS_54
与真实值/>
Figure SMS_55
之间的模型误差/>
Figure SMS_56
最小，从而学习得到训练结果。
在对权值和偏置进行调整和优化的过程中，最常用的方法就是误差逆传播（BP）算法。BP算法的基本原理即将输出层得到的误差通过逐层回传，基于梯度下降的策略，以目标的负梯度方向对参数进行调整，可表示为：
Figure SMS_57
Figure SMS_58
其中，权值的更新与给定的学习率
Figure SMS_59
有关， 一般在0-1之间取值。
最后，将InSAR形变数据中除所述同名点对应的InSAR形变数据以外的InSAR形变数据输入完成训练神经网络模型中，对InSAR形变数据中除所述同名点对应的InSAR形变数据以外的InSAR形变数据进行精度校正，获得经校正后的InSAR形变数据。
在本发明实施例中，步骤S108包括如下步骤：
利用克里金插值算法对所述北斗形变数据进行内插处理，得到插值后的北斗形变数据；
对所述校正后的InSAR形变数据和所述插值后的北斗形变数据进行融合计算，得到所述待监测输电通道的地质形变监测结果。
在本发明实施例中，先采用反距离加权法内插北斗观测点数据，获得与SAR在相同点位下的内插结果（即，插值后的北斗形变数据）；然后，将同一点位上的插值后的北斗形变数据和校正后的InSAR形变数据进行融合，以获得融合后的地质形变监测结果（即，待监测输电通道的地质形变监测结果）。
具体的，首先，利用克里金插值算法对所述北斗形变数据进行内插处理，得到插值后的北斗形变数据。
克里金插值法是一种基于统计学的插值方法，又称空间局部插值法，是建立在变异函数和结构分析的理论基础上，对未知样点进行线性无偏、最优化估计的一类方法。
假设
Figure SMS_60
为待插值点，/>
Figure SMS_61
为其周围的观测点，/>
Figure SMS_62
表示第/>
Figure SMS_63
个观测点的权重，/>
Figure SMS_64
表示计算的区域化变量，则对/>
Figure SMS_65
处某个区域化变量的北斗估计值可以写为：
Figure SMS_66
利用最小方差和无偏条件对
Figure SMS_67
进行联合约束，构建普通克里金方程组：
Figure SMS_68
其中，
Figure SMS_69
表示两个观测点/>
Figure SMS_70
之间的协方差，/>
Figure SMS_71
表示待估计点/>
Figure SMS_72
与观测点/>
Figure SMS_73
之间的协方差。这个方程组可以通过最小二乘法求解，从而得到加权系数。
在常用的反距离权重法中，权重
Figure SMS_74
仅取决于预测位置的距离。但克里金插值法中的权重计算不仅取决于观测点之间的距离、预测位置，还取决于预测位置周围的观测值之间空间关系的拟合模型，使得插值效果更好。
接着，假设有n种监测方法来监测某位置的地表变形向量为
Figure SMS_75
，设/>
Figure SMS_76
为待估参数向量，则有观测方程：
Figure SMS_77
其中，
Figure SMS_78
为观测矩阵，/>
Figure SMS_79
为监测数据噪声；
利用最小二乘法对观测方程参数向量
Figure SMS_80
进行最优估计，则有：
Figure SMS_81
其中，
Figure SMS_82
为残差，/>
Figure SMS_83
为加权权阵；
对上式估值
Figure SMS_84
求一阶偏导，并令一阶偏导为零，可得最优估计值（即，待监测输电通道的地质形变监测结果）：
Figure SMS_85
。
本发明实施例过将InSAR、机载LiDAR、北斗技术进行融合，充分发挥各种技术的优点，可以提高监测的精度，获得高精度、高时空分辨率的输电通道地质形变信息。
通过两步走策略，首先，采用基于点面融合的神经网络方法，利用机载LiDAR数据对InSAR数据进行精度校正；然后，在已校正InSAR数据的基础上，将北斗与InSAR数据进行融合计算，以获得最终的高精度、高时空分辨率的输电通道地质形变信息。
实施例二：
本发明实施例还提供了一种输电通道地质形变监测装置，该输电通道地质形变监测装置用于执行本发明实施例上述内容所提供的输电通道地质形变监测方法，以下是本发明实施例提供的输电通道地质形变监测装置的具体介绍。
如图2所示，图2为上述输电通道地质形变监测装置的示意图，该输电通道地质形变监测装置包括：
获取单元10，用于获取待监测输电通道的目标数据，其中，所述目标数据包括：SAR影像数据，机载LiDAR数据和北斗观测数据；
解算单元20，用于对所述目标数据进行沉降时序解算，得到形变数据，其中，所述形变数据包括：InSAR形变数据，机载LiDAR形变数据和北斗形变数据；
校正单元30，用于利用所述机载LiDAR形变数据和神经网络模型，对所述InSAR形变数据进行校正，得到校正后的InSAR形变数据；
监测单元40，用于基于所述校正后的InSAR形变数据和所述北斗形变数据，确定出所述待监测输电通道的地质形变监测结果。
在本发明实施例中，通过获取待监测输电通道的目标数据，其中，所述目标数据包括：SAR影像数据，机载LiDAR数据和北斗观测数据；对所述目标数据进行沉降时序解算，得到形变数据，其中，所述形变数据包括：InSAR形变数据，机载LiDAR形变数据和北斗形变数据；利用所述机载LiDAR形变数据和神经网络模型，对所述InSAR形变数据进行校正，得到校正后的InSAR形变数据；基于所述校正后的InSAR形变数据和所述北斗形变数据，确定出所述待监测输电通道的地质形变监测结果，达到了结合SAR影像数据，机载LiDAR数据和北斗观测数据对输电通道地质形变进行高精度监测的目的，进而解决了现有的输电通道地质形变监测方法的监测精度较低的技术问题，从而实现了提高输电通道地质形变监测精度的技术效果。
实施例三：
本发明实施例还提供了一种电子设备，包括存储器以及处理器，所述存储器用于存储支持处理器执行上述实施例一中所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
参见图3，本发明实施例还提供一种电子设备100，包括：处理器50，存储器51，总线52和通信接口53，所述处理器50、通信接口53和存储器51通过总线52连接；处理器50用于执行存储器51中存储的可执行模块，例如计算机程序。
其中，存储器51可能包含高速随机存取存储器（RAM，Random Access Memory），也可能还包括非不稳定的存储器（non-volatilememory），例如至少一个磁盘存储器。通过至少一个通信接口53（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网，广域网，本地网，城域网等。
总线52可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地质总线、数据总线、控制总线等。为便于表示，图3中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器51用于存储程序，所述处理器50在接收到执行指令后，执行所述程序，前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器50中，或者由处理器50实现。
处理器50可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器50中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器50可以是通用处理器，包括中央处理器(CentralProcessingUnit，简称CPU)、网络处理器(NetworkProcessor，简称NP)等；还可以是数字信号处理器(Digital SignalProcessing，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器51，处理器50读取存储器51中的信息，结合其硬件完成上述方法的步骤。
实施例四：
本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例一中所述方法的步骤。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，又例如，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。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述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，也可以两个或两个以上单元集成在一个单元中。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。

Claims (10)

1.一种输电通道地质形变监测方法，其特征在于，包括：
获取待监测输电通道的目标数据，其中，所述目标数据包括：SAR影像数据，机载LiDAR数据和北斗观测数据；
对所述目标数据进行沉降时序解算，得到形变数据，其中，所述形变数据包括：InSAR形变数据，机载LiDAR形变数据和北斗形变数据；
利用所述机载LiDAR形变数据和神经网络模型，对所述InSAR形变数据进行校正，得到校正后的InSAR形变数据；
基于所述校正后的InSAR形变数据和所述北斗形变数据，确定出所述待监测输电通道的地质形变监测结果。
2.根据权利要求1所述的方法，其特征在于，利用所述机载LiDAR形变数据和神经网络模型，对所述InSAR形变数据进行校正，得到校正后的InSAR形变数据，包括：
确定出所述机载LiDAR形变数据和所述InSAR形变数据之间的同名点；
利用所述同名点对应的机载LiDAR形变数据和所述同名点对应的InSAR形变数据，对所述神经网络模型进行训练，得到训练后的神经网络模型；
利用所述训练后的神经网络模型，对所述InSAR形变数据中除所述同名点对应的InSAR形变数据以外的InSAR形变数据进行校正，得到所述校正后的InSAR形变数据。
3.根据权利要求2所述的方法，其特征在于，确定出所述机载LiDAR形变数据和所述InSAR形变数据之间的同名点，包括：
基于所述机载LiDAR形变数据，利用近邻距离加权算法对所述InSAR形变数据进行同名点提取，得到所述机载LiDAR形变数据和所述InSAR形变数据之间的同名点，其中，所述近邻距离加权算法的表达式为
Figure QLYQS_1
，其中，/>
Figure QLYQS_2
为所述InSAR形变数据中点/>
Figure QLYQS_3
的观测值，/>
Figure QLYQS_4
为所述同名点的SAR估计值，/>
Figure QLYQS_5
为所述同名点到周围点的距离。
4.根据权利要求2所述的方法，其特征在于，
所述神经网络模型包括：输入层、隐含层和输出层，其中，所述输入层的变量为
Figure QLYQS_6
，/>
Figure QLYQS_7
为所述输入层中的神经元的数量，所述隐含层的变量为
Figure QLYQS_8
，/>
Figure QLYQS_9
为所述隐含层中神经元的数量，所述输出层的变量为
Figure QLYQS_10
，/>
Figure QLYQS_11
为所述输出层中神经元的数量；
所述神经网络模型的表达式为
Figure QLYQS_13
，其中，/>
Figure QLYQS_16
为所述输入层中神经元/>
Figure QLYQS_18
与所述隐含层中神经元/>
Figure QLYQS_14
之间的连接权值，/>
Figure QLYQS_17
为所述隐含层中神经元/>
Figure QLYQS_19
与所述输出层中神经元/>
Figure QLYQS_21
之间的连接权值，/>
Figure QLYQS_12
和/>
Figure QLYQS_15
为激活函数，/>
Figure QLYQS_20
和/>
Figure QLYQS_22
为相应的偏置变量。
5.根据权利要求1所述的方法，其特征在于，基于所述校正后的InSAR形变数据和所述北斗形变数据，确定出所述待监测输电通道的地质形变监测结果，包括：
利用克里金插值算法对所述北斗形变数据进行内插处理，得到插值后的北斗形变数据；
对所述校正后的InSAR形变数据和所述插值后的北斗形变数据进行融合计算，得到所述待监测输电通道的地质形变监测结果。
6.根据权利要求5所述的方法，其特征在于，对所述校正后的InSAR形变数据和所述插值后的北斗形变数据进行融合计算，得到所述待监测输电通道的地质形变监测结果，包括：
构建观测方程，其中，所述观测方程为
Figure QLYQS_23
，/>
Figure QLYQS_24
为地表变形向量，/>
Figure QLYQS_25
为待估参数向量，/>
Figure QLYQS_26
为观测矩阵，/>
Figure QLYQS_27
为监测数据噪声；
利用最小二乘法对所述观测方程进行最优估计，得到最优估计表达式，其中，所述最优估计表达式为
Figure QLYQS_28
，其中，/>
Figure QLYQS_29
为残差，/>
Figure QLYQS_30
为加权权阵；
基于所述校正后的InSAR形变数据和所述插值后的北斗形变数据，计算
Figure QLYQS_31
的一阶偏导等于0时的最优估计值，并降所述最优估计值确定为所述待监测输电通道的地质形变监测结果。
7.一种输电通道地质形变监测装置，其特征在于，包括：
获取单元，用于获取待监测输电通道的目标数据，其中，所述目标数据包括：SAR影像数据，机载LiDAR数据和北斗观测数据；
解算单元，用于对所述目标数据进行沉降时序解算，得到形变数据，其中，所述形变数据包括：InSAR形变数据，机载LiDAR形变数据和北斗形变数据；
校正单元，用于利用所述机载LiDAR形变数据和神经网络模型，对所述InSAR形变数据进行校正，得到校正后的InSAR形变数据；
监测单元，用于基于所述校正后的InSAR形变数据和所述北斗形变数据，确定出所述待监测输电通道的地质形变监测结果。
8.根据权利要求7所述的装置，其特征在于，所述校正单元，用于：
确定出所述机载LiDAR形变数据和所述InSAR形变数据之间的同名点；
利用所述同名点对应的机载LiDAR形变数据和所述同名点对应的InSAR形变数据，对所述神经网络模型进行训练，得到训练后的神经网络模型；
利用所述训练后的神经网络模型，对所述InSAR形变数据中除所述同名点对应的InSAR形变数据以外的InSAR形变数据进行校正，得到所述校正后的InSAR形变数据。
9.一种电子设备，其特征在于，包括存储器以及处理器，所述存储器用于存储支持处理器执行权利要求1至6任一项所述方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。
10.一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，其特征在于，计算机程序被处理器运行时执行上述权利要求1至6任一项所述方法的步骤。
CN202310572913.XA 2023-05-22 2023-05-22 一种输电通道地质形变监测方法和装置 Active CN116299466B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310572913.XA CN116299466B (zh) 2023-05-22 2023-05-22 一种输电通道地质形变监测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310572913.XA CN116299466B (zh) 2023-05-22 2023-05-22 一种输电通道地质形变监测方法和装置

Publications (2)

Publication Number Publication Date
CN116299466A true CN116299466A (zh) 2023-06-23
CN116299466B CN116299466B (zh) 2023-08-22

Family

ID=86785353

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310572913.XA Active CN116299466B (zh) 2023-05-22 2023-05-22 一种输电通道地质形变监测方法和装置

Country Status (1)

Country Link
CN (1) CN116299466B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117388850A (zh) * 2023-10-13 2024-01-12 广东省科学院广州地理研究所 一种海面风场微波遥感反演数据的空间降尺度方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
US20220091259A1 (en) * 2020-09-24 2022-03-24 Eagle Technology, Llc System using a priori terrain height data for interferometric synthetic aperture radar (ifsar) phase disambiguation and related methods
CN114859351A (zh) * 2022-06-10 2022-08-05 重庆地质矿产研究院 一种基于神经网络的地表形变场异常检测的方法
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
KR102482150B1 (ko) * 2022-05-11 2022-12-29 한화시스템(주) Sar 영상에서 자동 관심 표적 식별을 위한 딥러닝 훈련 장치 및 방법, 그리고, sar 영상에서 자동 관심 표적 식별을 위한 장치
CN115877421A (zh) * 2022-10-19 2023-03-31 国网电力空间技术有限公司 一种输电通道地质敏感区的形变检测方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220091259A1 (en) * 2020-09-24 2022-03-24 Eagle Technology, Llc System using a priori terrain height data for interferometric synthetic aperture radar (ifsar) phase disambiguation and related methods
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
KR102482150B1 (ko) * 2022-05-11 2022-12-29 한화시스템(주) Sar 영상에서 자동 관심 표적 식별을 위한 딥러닝 훈련 장치 및 방법, 그리고, sar 영상에서 자동 관심 표적 식별을 위한 장치
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
CN114859351A (zh) * 2022-06-10 2022-08-05 重庆地质矿产研究院 一种基于神经网络的地表形变场异常检测的方法
CN115877421A (zh) * 2022-10-19 2023-03-31 国网电力空间技术有限公司 一种输电通道地质敏感区的形变检测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
杜伟 等: "输电通道机载激光点云多级配准研究", 遥感技术与应用, vol. 36, no. 6, pages 1294 - 1298 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117388850A (zh) * 2023-10-13 2024-01-12 广东省科学院广州地理研究所 一种海面风场微波遥感反演数据的空间降尺度方法

Also Published As

Publication number Publication date
CN116299466B (zh) 2023-08-22

Similar Documents

Publication Publication Date Title
CN114518586B (zh) 一种基于球谐展开的gnss精密单点定位方法
CN113340191B (zh) 时间序列干涉sar的形变量测量方法及sar系统
CN112017224B (zh) Sar数据区域网平差处理方法和系统
Pakoksung et al. Digital elevation models on accuracy validation and bias correction in vertical
CN106556822B (zh) 星载滑动聚束sar瞄准精度在轨测试方法
CN111105496A (zh) 一种基于机载激光雷达点云数据的高精dem构建方法
CN112904337B (zh) 一种基于Offset Tracking技术的边坡形变时序监测方法
CN114200387B (zh) 一种tacan空间信号场型的飞行校验评估方法
CN116299466B (zh) 一种输电通道地质形变监测方法和装置
CN113408111B (zh) 大气可降水量反演方法及系统、电子设备和存储介质
De Oliveira et al. Assessment of radargrammetric DSMs from TerraSAR-X Stripmap images in a mountainous relief area of the Amazon region
CN115877421A (zh) 一种输电通道地质敏感区的形变检测方法及装置
CN116609859A (zh) 一种气象灾害高分辨率区域模式预报系统及方法
CN117994678B (zh) 自然资源遥感测绘影像定位方法及系统
Wang et al. Layover compensation method for regional spaceborne SAR imagery without GCPs
Feng et al. A hierarchical network densification approach for reconstruction of historical ice velocity fields in East Antarctica
CN113238228B (zh) 基于水准约束的三维地表形变获取方法、系统及装置
Feng et al. Automatic selection of permanent scatterers-based GCPs for refinement and reflattening in InSAR DEM generation
CN117968631A (zh) 基于无人机dom和星载sar影像的路面沉陷检测方法
CN110310370B (zh) 一种gps与srtm点面融合的方法
Kumar et al. Accuracy validation and bias assessment for various multi-sensor open-source DEMs in part of the Karakoram region
CN115980317B (zh) 基于修正相位的地基gnss-r数据土壤水分估算方法
Adavi et al. Analyzing different parameterization methods in GNSS tomography using the COST benchmark dataset
Sefercik et al. Area-based quality control of airborne laser scanning 3D models for different land classes using terrestrial laser scanning: sample survey in Houston, USA
CN116148855A (zh) 时序InSAR大气相位去除和形变解算的方法及系统

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