CN116311047A - 空天地多源融合的滑坡监测方法、装置、介质及服务器 - Google Patents
空天地多源融合的滑坡监测方法、装置、介质及服务器 Download PDFInfo
- Publication number
- CN116311047A CN116311047A CN202310182230.3A CN202310182230A CN116311047A CN 116311047 A CN116311047 A CN 116311047A CN 202310182230 A CN202310182230 A CN 202310182230A CN 116311047 A CN116311047 A CN 116311047A
- Authority
- CN
- China
- Prior art keywords
- monitoring
- elevation
- area
- landslide
- pixel
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 289
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000004927 fusion Effects 0.000 title claims abstract description 20
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 120
- 238000012806 monitoring device Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 11
- 230000002093 peripheral effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 description 9
- 230000010354 integration Effects 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000035515 penetration Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本申请提供一种空天地多源融合的滑坡监测方法、装置、介质及服务器,通过获取监测区域(水域和水域周边大坝)的遥感图像、LiDAR点云数据和水情监测数据,利用遥感图像和LiDAR点云数据,构建监测区域的当前数字高程模型,再基于当前数字高程模型和水情监测数据,对监测区域进行滑坡监测。这样的方式可以利用空基监测设备、天基监测设备和地基监测设备对监测区域检测的数据,实现空天地一体化的滑坡监测。利用LiDAR点云数据作为遥感图像的互补,可以构建出监测区域精确的当前数字高程模型,从而保证监测精度,且具有较强的实时性,能够应用于多灾环境下山区公路沿线的滑坡监测。
Description
技术领域
本申请涉及滑坡监测技术领域,具体而言,涉及一种空天地多源融合的滑坡监测方法、装置、介质及服务器。
背景技术
我国地质灾害频发,在所发生的地质灾害中,滑坡地质灾害所占比重最大,每年造成的经济损失高达数十亿美元,严重影响国民的经济生产、生命财产的安全。因此,对于滑坡地质灾害易发区域进行全天候、全天时的高精度监测预警具有重要意义。
在滑坡监测的领域中,山区的滑坡监测和水域的滑坡监测,侧重点有所不同,对于水域的大坝滑坡监测(例如水库大坝),是滑坡监测的重中之重,一旦由于滑坡导致大坝决堤,而监测不到位,通常会造成灾难性的后果。
目前对于水域的大坝滑坡监测,有SAR(SyntheticApertureRadar,合成孔径雷达)、InSAR(Interferometric Synthetic Aperture Radar,干涉雷达,指采用干涉测量技术的合成孔径雷达)、D-InSAR(Differential Interferometric Synthetic ApertureRadar,差分干涉合成孔径雷达)等技术,但目前的SAR和InSAR,监测精度还有待提升,而D-InSAR,能够保证监测精度和实时性,但容易出现失相关问题(例如相位的失相关和时间的失相关),特别是针对相位梯度较大的边坡陡坎部位,容易在相位解缠时产生误差,不利于在水坝监测场景中保持高精度监测。
因此,如何提供一种实时性强、监测精度较高的能够应用于水域周边大坝的滑坡监测技术,是本领域需要解决的一个问题。
发明内容
本申请实施例的目的在于提供一种空天地多源融合的滑坡监测方法、装置、介质及服务器,以利用空天地一体化的技术实现对水域周边大坝进行精度高且实时性强的滑坡监测。
为了实现上述目的,本申请的实施例通过如下方式实现:
第一方面,本申请渗水率提供一种空天地多源融合的滑坡监测方法,包括:获取监测区域的遥感图像、LiDAR点云数据和水情监测数据,其中,所述监测区域包括水域和水域周边大坝;基于所述遥感图像和所述LiDAR点云数据,构建所述监测区域的当前数字高程模型;基于所述当前数字高程模型和所述水情监测数据,对所述监测区域进行滑坡监测。
在本申请实施例中,通过获取监测区域(水域和水域周边大坝)的遥感图像、LiDAR点云数据和水情监测数据,利用遥感图像和LiDAR点云数据,构建监测区域的当前数字高程模型,再基于当前数字高程模型和水情监测数据,对监测区域进行滑坡监测。这样的方式可以利用空基监测设备(卫星遥感)、天基监测设备(无人机搭载机载LiDAR飞行平台)和地基监测设备(雨水监测器、水位检测器等)对监测区域检测的数据,实现空天地一体化的滑坡监测。利用LiDAR点云数据作为遥感图像的互补,可以构建出监测区域精确的当前数字高程模型,从而保证监测精度,且具有较强的实时性,能够应用于水域周边大坝的滑坡监测。
结合第一方面,在第一方面的第一种可能的实现方式中,所述遥感图像包含至少两张SAR图像,基于所述遥感图像和所述LiDAR点云数据,构建所述监测区域的当前数字高程模型,包括:利用InSAR技术对至少两张SAR图像进行干涉处理,得到包含所述监测区域的高程信息的第一高程图像;对所述LiDAR点云数据进行处理,得到包含所述监测区域的高程信息的第二高程图像;基于所述第一高程图像和所述第二高程图像,确定出监测区域的当前数字高程模型。
在该实现方式中,利用InSAR技术对至少两张SAR图像进行干涉处理,可以得到包含监测区域的高程信息的第一高程图像,此方式简单快捷;而对LiDAR点云数据进行处理,可以得到包含监测区域的高程信息的第二高程图像,此第二高程图像可以校准第一高程图像,从而保证当前数字高程模型的精度。
结合第一方面的第一种可能的实现方式,在第一方面的第二种可能的实现方式中,基于所述第一高程图像和所述第二高程图像,确定出监测区域的当前数字高程模型,包括:获取所述第一高程图像对应的相干性图;基于所述第一高程图像中所述监测区域的每个像元的高程信息和所述相干性图中所述监测区域的每个像元的相干性值,结合所述第二高程图像中所述监测区域的每个像元的高程信息,计算出所述监测区域的每个像元对应的校准高程信息,得到所述监测区域的当前数字高程模型。
在该实现方式中,获取第一高程图像对应的相干性图(每个像元的相干性值反映结果的精确性),基于第一高程图像中监测区域的每个像元的高程信息和相干性图中监测区域的每个像元的相干性值,结合第二高程图像中监测区域的每个像元的高程信息,计算出监测区域的每个像元对应的校准高程信息,得到监测区域的当前数字高程模型。这样可以利用第二高程图像中监测区域的每个像元的高程信息填补第一高程图像中的无信号(相干性为零)或相干性值较低(精确度较差)的部分,从而保证当前数字高程模型的精确度。
结合第一方面的第二种可能的实现方式,在第一方面的第三种可能的实现方式中,基于所述第一高程图像中所述监测区域的每个像元的高程信息和所述相干性图中所述监测区域的每个像元的相干性值,结合所述第二高程图像中所述监测区域的每个像元的高程信息,计算出所述监测区域的每个像元对应的校准高程信息,包括:针对所述监测区域的每个像元:若当前像元的相干性值处于第一区间范围,确定所述第一高程图像中当前像元的高程信息为当前像元对应的校准高程信息;若当前像元的相干性值处于第二区间范围/>,基于所述第一高程图像中当前像元的高程信息和所述第二高程图像中当前像元的高程信息,计算得到当前像元对应的校准高程信息;若当前像元的相干性值处于第三区间范围/>,确定所述第二高程图像中当前像元的高程信息为当前像元对应的校准高程信息。
在该实现方式中,针对每个像元,利用像元的相干性值所处的区间范围,采用不同的方式校准像元对应的校准高程信息,从而能够考虑到像元的可靠性,从而给出差异化的校正方案,且能够尽量减少计算量,提升监测方法的运行效率。
结合第一方面的第三种可能的实现方式,在第一方面的第四种可能的实现方式中,基于所述第一高程图像中当前像元的高程信息和所述第二高程图像中当前像元的高程信息,计算得到当前像元对应的校准高程信息,包括:
采用以下公式计算当前像元对应的校准高程信息:
结合第一方面,在第一方面的第五种可能的实现方式中,所述水情监测数据包括雨量监测数据、水位监测数据和大坝渗水监测数据,基于所述当前数字高程模型和所述水情监测数据,对所述监测区域进行滑坡监测,包括:基于所述雨量监测数据、所述水位监测数据和所述大坝渗水监测数据,确定出大坝隐患区域;获取所述监测区域的历史数字高程模型;基于所述历史数字高程模型和所述当前数字高程模型,对所述监测区域进行整体滑坡监测,以及,对所述大坝隐患区域进行局部滑坡监测。
在该实现方式中,基于雨量监测数据、水位监测数据和大坝渗水监测数据,可以确定出大坝隐患区域(相对而言更易滑坡的部分),然后获取监测区域的历史数字高程模型;基于历史数字高程模型和当前数字高程模型,对监测区域进行整体滑坡监测,以及,对大坝隐患区域进行局部滑坡监测。这样能够在实现对水域周边大坝整体滑坡监测的同时,加强对大坝隐患区域的局部滑坡监测。
结合第一方面的第五种可能的实现方式,在第一方面的第六种可能的实现方式中,基于所述雨量监测数据、所述水位监测数据和所述大坝渗水监测数据,确定出大坝隐患区域,包括:基于所述雨量监测数据,确定出雨量隐患评分;基于所述水位监测数据,确定出水位隐患评分;基于所述水域周边大坝的每段区域的大坝渗水监测数据,确定出每段区域的大坝渗水隐患评分;基于所述雨量隐患评分、所述水位隐患评分和每段区域的大坝渗水隐患评分,确定出每段区域对应的滑坡隐患评分;确定滑坡隐患评分达到隐患阈值的区域为所述大坝隐患区域。
在该实现方式中,这样能够考虑到雨量监测数据、水位监测数据和每段区域的大坝渗水监测数据的情况,得到相应的隐患评分,从而确定出更容易出现滑坡问题的大坝隐患区域进行重点监测。
第二方面,本申请实施例提供一种空天地多源融合的滑坡监测装置,包括:数据获取单元,用于获取监测区域的遥感图像、LiDAR点云数据和水情监测数据,其中,所述监测区域包括水域和水域周边大坝;模型构建单元,用于基于所述遥感图像和所述LiDAR点云数据,构建所述监测区域的当前数字高程模型;滑坡监测单元,用于基于所述当前数字高程模型和所述水情监测数据,对所述监测区域进行滑坡监测。
第三方面,本申请实施例提供一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行第一方面或第一方面的可能的实现方式中任一项所述的空天地多源融合的滑坡监测方法。
第四方面,本申请实施例提供一种服务器,包括存储器和处理器,所述存储器用于存储包括程序指令的信息,所述处理器用于控制程序指令的执行,所述程序指令被处理器加载并执行时实现第一方面或第一方面的可能的实现方式中任一项所述的空天地多源融合的滑坡监测方法。
为使本申请的上述目的、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申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为基于空天地一体化的滑坡监测系统的示意图。
图2为本申请实施例提供的服务器的结构框图。
图3为本申请实施例提供的一种空天地多源融合的滑坡监测方法的流程图。
图4为本申请实施例提供的一种空天地多源融合的滑坡监测装置的结构框图。
图标:10-基于空天地一体化的滑坡监测系统;11-服务器;111-存储器;112-通信模块;113-总线;114-处理器;12-合成孔径雷达;13-机载LiDAR飞行平台;14-雨量监测器;15-水位监测器;16-渗水监测装置。
具体实施方式
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描述。
在本实施例中,以水域及水域周边大坝为滑坡监测对象,水域可以为水库,水域周边大坝则为水库大坝。为了实现对水库大坝的滑坡监测,可以运行空天地多源融合的滑坡监测方法。
本实施例中,对水库大坝的滑坡监测可以通过基于空天地一体化的滑坡监测系统10实现,如图1所示,基于空天地一体化的滑坡监测系统10可以包括服务器11,以及,与服务器11通信的空基监测设备,如遥感卫星、合成孔径雷达12等;与服务器11通信的天基监测设备,如机载LiDAR飞行平台13;与服务器11通信的地基监测设备,如雨量监测器14、水位监测器15、渗水监测装置16等。
空基监测设备(本实施例以合成孔径雷达12为例)主要用于对监测区域进行遥感监测,得到监测区域的遥感图像;天基监测设备(本实施例以机载LiDAR飞行平台13为例)主要用于对监测区域进行巡航监测,得到监测区域的LiDAR点云数据;天基监测设备(本实施例以雨量监测器14、水位监测器15、渗水监测装置16为例)主要用于对监测区域进行水情监测,得到雨量检测数据、水位监测数据和渗水监测数据等,作为监测区域的水情监测数据。
服务器11则可以为云服务器、网络服务器或者服务器集群等。请参阅图2,图2为本申请实施例提供的一种服务器11的结构框图。服务器11可以包括:通过网络与外界连接的通信模块112、用于执行程序指令的一个或多个处理器114、总线113和不同形式的存储器111,例如,磁盘、ROM、或RAM,或其任意组合。存储器111、通信模块112、处理器114之间可以通过总线113连接。
示例性的,存储器111中存储有程序。处理器114可以从存储器111调用并运行这些程序,从而便可以通过运行程序而实现空天地多源融合的滑坡监测方法,进而实现对监测区域的滑坡监测。
请参阅图3,图3为本申请实施例提供的一种空天地多源融合的滑坡监测方法的流程图。空天地多源融合的滑坡监测方法可以包括步骤S10、步骤S20和步骤S30。
为了实现对监测区域的滑坡监测,服务器11可以执行步骤S10。
步骤S10:获取监测区域的遥感图像、LiDAR点云数据和水情监测数据,其中,所述监测区域包括水域和水域周边大坝。
在本实施例中,服务器11可以通过合成孔径雷达12获取监测区域的遥感图像,通过机载LiDAR飞行平台13获取监测区域的LiDAR点云数据,通过雨量监测器14(监测水域及水域周边大坝的降雨量)、水位监测器15(监测水域的水位)、渗水监测装置16(数量为多个,可以沿大坝的方向间隔设置在大坝)等获取监测区域的雨量检测数据、水位监测数据和渗水监测数据,作为监测区域的水情监测数据。
获取监测区域的遥感图像、LiDAR点云数据和水情监测数据后,服务器11可以执行步骤S20。
步骤S20:基于所述遥感图像和所述LiDAR点云数据,构建所述监测区域的当前数字高程模型。
在本实施例中,遥感图像包含至少两张SAR图像(以两张为例),为了基于遥感图像和LiDAR点云数据构建监测区域的当前数字高程模型,服务器11可以利用InSAR技术对至少两张SAR图像进行干涉处理,得到包含监测区域的高程信息的第一高程图像。
此处,InSAR技术是利用对同一监测区域监测得到的不同SAR影像生成超高分辨率的数字高程模型,能够用于进行位移监测、沉降监测和地质灾害监测等,精度可以达到毫米级别。此处利用InSAR技术对至少两张SAR影像进行干涉处理,主要是用于得到包含监测区域的高程信息的第一高程图像,此方式简单快捷,不过多赘述。
以及,服务器11可以对LiDAR点云数据进行处理,得到包含监测区域的高程信息的第二高程图像。利用LiDAR点云数据能够快速得到监测区域的三维模型,同时还能提供高精度DSM(数字表面模型)数据和DOM(数字正射影像)数据,进而通过DSM数据转换成DEM数据,得到第二高程图像。
利用LiDAR进行目标探测属于主动遥感方式,对天气的依赖性小,不易受阴影和太阳角度的影响。避免了投影(从三维到二维)带来的信息损失,能够极大地提高高程获取的精度。
得到监测区域的第一高程图像和第二高程图像后,服务器11可以基于第一高程图像和第二高程图像,确定出监测区域的当前数字高程模型。第二高程图像可以校准第一高程图像,从而保证当前数字高程模型的精度。
示例性的,服务器11可以获取第一高程图像对应的相干性图。第一高程图像对应的相干性图中,每个像元的相干性通过像元的灰度值呈现,灰度值越高,相干性越低。可以利用转换公式计算像元的相干性值:
然后,服务器11可以基于第一高程图像中监测区域的每个像元的高程信息和相干性图中监测区域的每个像元的相干性值,结合第二高程图像中监测区域的每个像元的高程信息,计算出监测区域的每个像元对应的校准高程信息,得到监测区域的当前数字高程模型。
第一高程图像对应的相干性图,每个像元的相干性值反映结果的精确性,基于此,服务器11可以利用第二高程图像中监测区域的每个像元的高程信息填补第一高程图像中的无信号(相干性为零)或相干性值较低(精确度较差)的部分,从而保证当前数字高程模型的精确度。
具体的,针对监测区域的每个像元,服务器11可以进行判断:
若当前像元的相干性值处于第一区间范围,此处的/>取值可以为0.8或0.9,当前像元的相干性值此区间范围,说明第一高程图像中此像元的高程信息的精确度较高,可以沿用第一高程图像中当前像元的高程信息,那么,服务器11可以确定第一高程图像中当前像元的高程信息为当前像元对应的校准高程信息。
若当前像元的相干性值处于第二区间范围,此处的/>取值可以为0.4或0.5,甚至0.6,当前像元的相干性值此区间范围,说明第一高程图像中此像元的高程信息的精确度一般,可以利用第一高程图像中当前像元的高程信息和第二高程图像中当前像元的高程信息进行综合计算得到当前像元的校准高程信息。
例如,服务器11可以采用以下公式计算当前像元对应的校准高程信息:
针对每个像元,利用像元的相干性值所处的区间范围,采用不同的方式校准像元对应的校准高程信息,从而能够考虑到像元的可靠性,从而给出差异化的校正方案,且能够尽量减少计算量,提升监测方法的运行效率。
由此可以得到监测区域精确的当前数字高程模型。
构建出监测区域的当前数字高程模型后,服务器11可以执行步骤S30。
步骤S30:基于所述当前数字高程模型和所述水情监测数据,对所述监测区域进行滑坡监测。
在本实施例中,服务器11可以基于当前数字高程模型和水情监测数据,对监测区域进行滑坡监测。
示例性的,服务器11可以基于雨量监测数据、水位监测数据和大坝渗水监测数据,确定出大坝隐患区域。
具体的,服务器11可以基于雨量监测数据,确定出雨量隐患评分。例如,雨量监测数据为降雨时段内的累积雨量,基于累积雨量的数值范围,给出相应的雨量隐患评分,例如累积降水量在10毫米以下,赋分1分,累积降水量每增加20毫升,赋分加1分,总分最高20分。
服务器11可以基于水位监测数据,确定出水位隐患评分。例如,根据当前水位所处的区间进行赋分,水库水位从低到高包含死水位、防洪限制水位、正常蓄水位、防洪高水位、设计洪水位和校核洪水位。死水位及以下赋值0分,死水位与防洪限制水位之间赋值2分,防洪限制水位和正常蓄水位之间赋值5分,正常蓄水位和防洪高水位赋值8分,防洪高水位和设计洪水位之间赋值13分,设计洪水位以上赋值20分。
以及,服务器11可以基于水域周边大坝的每段区域的大坝渗水监测数据,确定出每段区域的大坝渗水隐患评分。
针对每段区域的大坝,服务器11可以基于该段区域的大坝渗水监测数据,确定出该段区域的大坝渗水隐患评分。例如,针对正常蓄水位的水库,大坝正常的渗水数据为80,赋分5分,若低于80/>但高于70/>,赋值1~5分(数值从80/>开始每减少2/>,分值减1分),不超过70/>赋值0分,80(不含)~120/>,赋值6~10分(赋分基于数值增加均匀递增),120(不含)~200/>,赋值11~15分(赋分基于数值增加均匀递增),200(不含)~400/>,赋值16~20分(赋分基于数值增加均匀递增),最高20分。
得到雨量隐患评分、水位隐患评分和每段区域的大坝渗水隐患评分后,服务器11可以确定出每段区域对应的滑坡隐患评分(可以通过加总的方式计算,也可以采用加权求和的方式计算,权值可以基于不同水域的具体情况进行设定)。
若滑坡隐患评分达到隐患阈值(例如30分)的区域为大坝隐患区域。这样能够考虑到雨量监测数据、水位监测数据和每段区域的大坝渗水监测数据的情况,得到相应的隐患评分,从而确定出更容易出现滑坡问题的大坝隐患区域进行重点监测。
确定出大坝隐患区域后,服务器11可以获取监测区域的历史数字高程模型。例如,服务器11可以获取监测区域在当前数字高程模型的10个历史数字高程模型(可以是连续的,也可以是非连续的,例如,前1天、前3天、前7天、前15天、前30天、前60天、前90天、前180天、前360天、前720天这10个时间节点上的历史数字高程模型)。
之后,服务器11可以基于历史数字高程模型和当前数字高程模型,对监测区域进行整体滑坡监测。
整体滑坡监测,可以利用每个历史数字高程模型和当前数字高程模型计算高程差(可以反映滑坡和沉降形变量),实现对监测区域的整体滑坡监测。
而局部滑坡监测,则可以是服务器11利用多个历史数字高程模型(可以不限于整体监测时的历史数字高程模型,可以利用更多的历史数字高程模型),计算出每个历史数字高程模型与当前数字高程模型在大坝隐患区域的区域高程差,对区域高程差进行时间排序后得到高程差序列,对高程差序列进行分析,判断滑坡形变量的变化趋势,从而实现对大坝隐患区域的局部滑坡监测。这样能够在实现对水域周边大坝整体滑坡监测的同时,加强对大坝隐患区域的局部滑坡监测。
请参阅图4,基于同一发明构思,本申请实施例中还提供一种空天地多源融合的滑坡监测装置20,包括:
数据获取单元21,用于获取监测区域的遥感图像、LiDAR点云数据和水情监测数据,其中,所述监测区域包括水域和水域周边大坝。
模型构建单元22,用于基于所述遥感图像和所述LiDAR点云数据,构建所述监测区域的当前数字高程模型。
滑坡监测单元23,用于基于所述当前数字高程模型和所述水情监测数据,对所述监测区域进行滑坡监测。
在本实施例中,所述遥感图像包含至少两张SAR图像,所述模型构建单元22,具体用于:利用InSAR技术对至少两张SAR图像进行干涉处理,得到包含所述监测区域的高程信息的第一高程图像;对所述LiDAR点云数据进行处理,得到包含所述监测区域的高程信息的第二高程图像;基于所述第一高程图像和所述第二高程图像,确定出监测区域的当前数字高程模型。
在本实施例中,所述模型构建单元22,具体用于:获取所述第一高程图像对应的相干性图;基于所述第一高程图像中所述监测区域的每个像元的高程信息和所述相干性图中所述监测区域的每个像元的相干性值,结合所述第二高程图像中所述监测区域的每个像元的高程信息,计算出所述监测区域的每个像元对应的校准高程信息,得到所述监测区域的当前数字高程模型。
在本实施例中,所述模型构建单元22,具体用于:针对所述监测区域的每个像元:若当前像元的相干性值处于第一区间范围,确定所述第一高程图像中当前像元的高程信息为当前像元对应的校准高程信息;若当前像元的相干性值处于第二区间范围/>,基于所述第一高程图像中当前像元的高程信息和所述第二高程图像中当前像元的高程信息,计算得到当前像元对应的校准高程信息;若当前像元的相干性值处于第三区间范围/>,确定所述第二高程图像中当前像元的高程信息为当前像元对应的校准高程信息。
在本实施例中,所述模型构建单元22,具体用于:采用以下公式计算当前像元对应的校准高程信息:
在本实施例中,所述水情监测数据包括雨量监测数据、水位监测数据和大坝渗水监测数据,所述滑坡监测单元23,具体用于:基于所述雨量监测数据、所述水位监测数据和所述大坝渗水监测数据,确定出大坝隐患区域;获取所述监测区域的历史数字高程模型;基于所述历史数字高程模型和所述当前数字高程模型,对所述监测区域进行整体滑坡监测,以及,对所述大坝隐患区域进行局部滑坡监测。
在本实施例中,所述滑坡监测单元23,具体用于:基于所述雨量监测数据,确定出雨量隐患评分;基于所述水位监测数据,确定出水位隐患评分;基于所述水域周边大坝的每段区域的大坝渗水监测数据,确定出每段区域的大坝渗水隐患评分;基于所述雨量隐患评分、所述水位隐患评分和每段区域的大坝渗水隐患评分,确定出每段区域对应的滑坡隐患评分;确定滑坡隐患评分达到隐患阈值的区域为所述大坝隐患区域。
本申请实施例还提供一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行空天地多源融合的滑坡监测方法。
综上所述,本申请渗水率提供一种空天地多源融合的滑坡监测方法、装置、介质及服务器11,通过获取监测区域(水域和水域周边大坝)的遥感图像、LiDAR点云数据和水情监测数据,利用遥感图像和LiDAR点云数据,构建监测区域的当前数字高程模型,再基于当前数字高程模型和水情监测数据,对监测区域进行滑坡监测。这样的方式可以利用空基监测设备(卫星遥感)、天基监测设备(无人机搭载机载LiDAR飞行平台13)和地基监测设备(雨水监测器、水位检测器等)对监测区域检测的数据,实现空天地一体化的滑坡监测。利用LiDAR点云数据作为遥感图像的互补,可以构建出监测区域精确的当前数字高程模型,从而保证监测精度,且具有较强的实时性,能够应用于水域周边大坝的滑坡监测。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,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。
另外,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。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (9)
1.一种空天地多源融合的滑坡监测方法,其特征在于,包括:
获取监测区域的遥感图像、LiDAR点云数据和水情监测数据,其中,所述监测区域包括水域和水域周边大坝;
基于所述遥感图像和所述LiDAR点云数据,构建所述监测区域的当前数字高程模型;
基于所述当前数字高程模型和所述水情监测数据,对所述监测区域进行滑坡监测。
2.根据权利要求1所述的空天地多源融合的滑坡监测方法,其特征在于,所述遥感图像包含至少两张SAR图像,基于所述遥感图像和所述LiDAR点云数据,构建所述监测区域的当前数字高程模型,包括:
利用InSAR技术对至少两张SAR图像进行干涉处理,得到包含所述监测区域的高程信息的第一高程图像;
对所述LiDAR点云数据进行处理,得到包含所述监测区域的高程信息的第二高程图像;
基于所述第一高程图像和所述第二高程图像,确定出监测区域的当前数字高程模型。
3.根据权利要求2所述的空天地多源融合的滑坡监测方法,其特征在于,基于所述第一高程图像和所述第二高程图像,确定出监测区域的当前数字高程模型,包括:
获取所述第一高程图像对应的相干性图;
基于所述第一高程图像中所述监测区域的每个像元的高程信息和所述相干性图中所述监测区域的每个像元的相干性值,结合所述第二高程图像中所述监测区域的每个像元的高程信息,计算出所述监测区域的每个像元对应的校准高程信息,得到所述监测区域的当前数字高程模型。
4.根据权利要求3所述的空天地多源融合的滑坡监测方法,其特征在于,基于所述第一高程图像中所述监测区域的每个像元的高程信息和所述相干性图中所述监测区域的每个像元的相干性值,结合所述第二高程图像中所述监测区域的每个像元的高程信息,计算出所述监测区域的每个像元对应的校准高程信息,包括:
针对所述监测区域的每个像元:
其中,a的取值为0.8或0.9,b取值为0.4或0.5或0.6。
6.根据权利要求1所述的空天地多源融合的滑坡监测方法,其特征在于,所述水情监测数据包括雨量监测数据、水位监测数据和大坝渗水监测数据,基于所述当前数字高程模型和所述水情监测数据,对所述监测区域进行滑坡监测,包括:
基于所述雨量监测数据、所述水位监测数据和所述大坝渗水监测数据,确定出大坝隐患区域;
获取所述监测区域的历史数字高程模型;
基于所述历史数字高程模型和所述当前数字高程模型,对所述监测区域进行整体滑坡监测,以及,对所述大坝隐患区域进行局部滑坡监测。
7.一种空天地多源融合的滑坡监测装置,其特征在于,包括:
数据获取单元,用于获取监测区域的遥感图像、LiDAR点云数据和水情监测数据,其中,所述监测区域包括水域和水域周边大坝;
模型构建单元,用于基于所述遥感图像和所述LiDAR点云数据,构建所述监测区域的当前数字高程模型;
滑坡监测单元,用于基于所述当前数字高程模型和所述水情监测数据,对所述监测区域进行滑坡监测。
8.一种存储介质,所述存储介质包括存储的程序,其中,在所述程序运行时控制所述存储介质所在设备执行权利要求1至6中任一项所述的空天地多源融合的滑坡监测方法。
9.一种服务器,其特征在于,包括存储器和处理器,所述存储器用于存储包括程序指令的信息,所述处理器用于控制程序指令的执行,所述程序指令被处理器加载并执行时实现权利要求1至6中任一项所述的空天地多源融合的滑坡监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310182230.3A CN116311047B (zh) | 2023-03-01 | 2023-03-01 | 空天地多源融合的滑坡监测方法、装置、介质及服务器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310182230.3A CN116311047B (zh) | 2023-03-01 | 2023-03-01 | 空天地多源融合的滑坡监测方法、装置、介质及服务器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116311047A true CN116311047A (zh) | 2023-06-23 |
CN116311047B CN116311047B (zh) | 2023-09-05 |
Family
ID=86821645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310182230.3A Active CN116311047B (zh) | 2023-03-01 | 2023-03-01 | 空天地多源融合的滑坡监测方法、装置、介质及服务器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116311047B (zh) |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110298655A1 (en) * | 2010-06-07 | 2011-12-08 | ELLEGI S.r.l.. | Synthetic-aperture radar system and operating method for monitoring ground and structure displacements suitable for emergency conditions |
CN107504914A (zh) * | 2017-07-28 | 2017-12-22 | 安徽威德萨科技有限公司 | 一种危险区域及时报警的变形监测方法 |
CN108627834A (zh) * | 2018-06-07 | 2018-10-09 | 北京城建勘测设计研究院有限责任公司 | 一种基于地基InSAR的地铁路基结构监测方法及装置 |
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 |
CN110453731A (zh) * | 2019-08-15 | 2019-11-15 | 中国水利水电科学研究院 | 一种大坝边坡形变监测系统及方法 |
CN110618425A (zh) * | 2019-08-19 | 2019-12-27 | 中国电力科学研究院有限公司 | 一种形变监测中地基干涉雷达的基线相位确定方法和系统 |
CN110763187A (zh) * | 2019-09-30 | 2020-02-07 | 中国科学院测量与地球物理研究所 | 一种稳健的基于雷达分布式目标的地面沉降监测方法 |
CN111142119A (zh) * | 2020-01-10 | 2020-05-12 | 中国地质大学(北京) | 一种基于多源遥感数据的矿山地质灾害动态识别与监测方法 |
CN112268517A (zh) * | 2020-10-13 | 2021-01-26 | 内蒙古电力(集团)有限责任公司乌海超高压供电局 | 一种利用PSInSAR监测输电铁塔设备变形的方法 |
US20210073692A1 (en) * | 2016-06-12 | 2021-03-11 | Green Grid Inc. | Method and system for utility infrastructure condition monitoring, detection and response |
CN113281742A (zh) * | 2021-06-02 | 2021-08-20 | 西南交通大学 | 一种基于滑坡形变信息和气象数据的sar滑坡预警方法 |
CN113447927A (zh) * | 2021-06-29 | 2021-09-28 | 中国矿业大学 | 一种基于点目标分层分析的时序InSAR地表沉降监测方法 |
CN113723403A (zh) * | 2021-08-26 | 2021-11-30 | 广东电网有限责任公司广州供电局 | 一种滑坡监测方法、装置、电子设备及存储介质 |
CN113740844A (zh) * | 2021-09-09 | 2021-12-03 | 甘肃中星鸿图科技有限公司 | 面向坝体三维形变监测的两台地基雷达联合观测方法 |
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 |
CN115014432A (zh) * | 2022-05-10 | 2022-09-06 | 桂林理工大学 | 基于多发育因子获取与融合分析的滑坡早期预警监测方法 |
CN115127510A (zh) * | 2022-06-24 | 2022-09-30 | 哈尔滨工业大学 | 一种水陆空三栖立体无人化多平台联动滑坡智能巡防系统 |
CN115457022A (zh) * | 2022-09-30 | 2022-12-09 | 长江空间信息技术工程有限公司(武汉) | 基于实景三维模型正视影像的三维形变检测方法 |
CN115471144A (zh) * | 2022-11-14 | 2022-12-13 | 四川省公路规划勘察设计研究院有限公司 | 基于多源数据融合的泥石流监测预警方法、装置及介质 |
-
2023
- 2023-03-01 CN CN202310182230.3A patent/CN116311047B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110298655A1 (en) * | 2010-06-07 | 2011-12-08 | ELLEGI S.r.l.. | Synthetic-aperture radar system and operating method for monitoring ground and structure displacements suitable for emergency conditions |
US20210073692A1 (en) * | 2016-06-12 | 2021-03-11 | Green Grid Inc. | Method and system for utility infrastructure condition monitoring, detection and response |
CN107504914A (zh) * | 2017-07-28 | 2017-12-22 | 安徽威德萨科技有限公司 | 一种危险区域及时报警的变形监测方法 |
CN108627834A (zh) * | 2018-06-07 | 2018-10-09 | 北京城建勘测设计研究院有限责任公司 | 一种基于地基InSAR的地铁路基结构监测方法及装置 |
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 |
CN110453731A (zh) * | 2019-08-15 | 2019-11-15 | 中国水利水电科学研究院 | 一种大坝边坡形变监测系统及方法 |
CN110618425A (zh) * | 2019-08-19 | 2019-12-27 | 中国电力科学研究院有限公司 | 一种形变监测中地基干涉雷达的基线相位确定方法和系统 |
CN110763187A (zh) * | 2019-09-30 | 2020-02-07 | 中国科学院测量与地球物理研究所 | 一种稳健的基于雷达分布式目标的地面沉降监测方法 |
CN111142119A (zh) * | 2020-01-10 | 2020-05-12 | 中国地质大学(北京) | 一种基于多源遥感数据的矿山地质灾害动态识别与监测方法 |
CN112268517A (zh) * | 2020-10-13 | 2021-01-26 | 内蒙古电力(集团)有限责任公司乌海超高压供电局 | 一种利用PSInSAR监测输电铁塔设备变形的方法 |
CN113281742A (zh) * | 2021-06-02 | 2021-08-20 | 西南交通大学 | 一种基于滑坡形变信息和气象数据的sar滑坡预警方法 |
CN113447927A (zh) * | 2021-06-29 | 2021-09-28 | 中国矿业大学 | 一种基于点目标分层分析的时序InSAR地表沉降监测方法 |
CN113723403A (zh) * | 2021-08-26 | 2021-11-30 | 广东电网有限责任公司广州供电局 | 一种滑坡监测方法、装置、电子设备及存储介质 |
CN113740844A (zh) * | 2021-09-09 | 2021-12-03 | 甘肃中星鸿图科技有限公司 | 面向坝体三维形变监测的两台地基雷达联合观测方法 |
CN115014432A (zh) * | 2022-05-10 | 2022-09-06 | 桂林理工大学 | 基于多发育因子获取与融合分析的滑坡早期预警监测方法 |
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 |
CN115127510A (zh) * | 2022-06-24 | 2022-09-30 | 哈尔滨工业大学 | 一种水陆空三栖立体无人化多平台联动滑坡智能巡防系统 |
CN115457022A (zh) * | 2022-09-30 | 2022-12-09 | 长江空间信息技术工程有限公司(武汉) | 基于实景三维模型正视影像的三维形变检测方法 |
CN115471144A (zh) * | 2022-11-14 | 2022-12-13 | 四川省公路规划勘察设计研究院有限公司 | 基于多源数据融合的泥石流监测预警方法、装置及介质 |
Non-Patent Citations (6)
Title |
---|
SAJID GHUFFAR 等: "Landslide Displacement Monitoring Using 3D Range Flow on Airborne and Terrestrial LiDAR Data", 《REMOTE SENSING》, pages 2720 - 2745 * |
孙昆襄 等: "基于精细DEM的同震滑坡隐患自动提取方法", 《测绘地理信息》, pages 82 - 86 * |
朱庆 等: "滑坡灾情数据多层级语义检索方法", 《西南交通大学学报》, pages 467 - 475 * |
王煜: "基于多源遥感数据的宁夏隆德滑坡监测方法研究", 《中国优秀硕士学位论文全文数据库 基础科技辑》, pages 008 - 560 * |
赵伟颖: "面向矿区沉降监测的InSAR技术及应用研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》, pages 021 - 94 * |
陈昌兵 等: "GNSS技术与多传感器融合的滑坡监测系统研究", 《单片机与嵌入式系统应用》, pages 65 - 69 * |
Also Published As
Publication number | Publication date |
---|---|
CN116311047B (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Meng et al. | Time-series analysis of the evolution of large-scale loess landslides using InSAR and UAV photogrammetry techniques: A case study in Hongheyan, Gansu Province, Northwest China | |
CN110503806A (zh) | 一种铁路网安全预警方法及系统 | |
CN110889899B (zh) | 一种数字地表模型的生成方法及装置 | |
Gonçalves et al. | Monitoring Local Shoreline Changes by Integrating UASs, Airborne LiDAR, Historical Images and Orthophotos. | |
Wang et al. | Automatic detection and update of landslide inventory before and after impoundments at the Lianghekou reservoir using Sentinel-1 InSAR | |
CN115980751A (zh) | 一种幂律模型InSAR对流层延迟改正方法 | |
KR20210075912A (ko) | 드론을 이용한 지반침하 계측방법 | |
CN103761375A (zh) | 一种基于遥感水边线的潮滩dem率定方法 | |
CN117523404B (zh) | 一种堆土场动态变化监测方法、装置、终端及存储介质 | |
CN110910432A (zh) | 一种遥感图像匹配方法、装置、电子设备及可读存储介质 | |
CN116976679B (zh) | 堰塞湖溃坝预警方法、装置、电子设备及可读存储介质 | |
CN116311047B (zh) | 空天地多源融合的滑坡监测方法、装置、介质及服务器 | |
Griesbaum et al. | Direct local building inundation depth determination in 3-D point clouds generated from user-generated flood images | |
Brook et al. | Monitoring active landslides in the Auckland region utilising UAV/structure-from-motion photogrammetry | |
CN117192549A (zh) | 大坝全域形变监测方法、装置、电子设备及介质 | |
Sertel | Accuracy assessment of ASTER global DEM over Turkey | |
CN115457739B (zh) | 一种地质灾害预警方法、装置、电子设备及存储介质 | |
CN112697232A (zh) | 基于多源卫星测高数据的水位测量及变化监测方法及装置 | |
Kim et al. | National disaster scientific investigation and disaster monitoring using remote sensing and geo-information | |
CN115471144B (zh) | 基于多源数据融合的泥石流监测预警方法、装置及介质 | |
CN114599996A (zh) | 数据处理装置和数据处理方法 | |
Recla et al. | From Relative to Absolute Heights in SAR-based Single-Image Height Prediction | |
CN111666910B (zh) | 一种机场净空区障碍物检测方法、装置、和电子产品 | |
Martinis et al. | Automatic near-real time flood extent and duration mapping based on multi-sensor earth observation data | |
Piermattei et al. | Analysis of glacial and periglacial processes using structure from motion. |
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 |