CN116486279A - 一种基于InSAR的泥石流灾害易发性动态评价方法 - Google Patents
一种基于InSAR的泥石流灾害易发性动态评价方法 Download PDFInfo
- Publication number
- CN116486279A CN116486279A CN202310462972.1A CN202310462972A CN116486279A CN 116486279 A CN116486279 A CN 116486279A CN 202310462972 A CN202310462972 A CN 202310462972A CN 116486279 A CN116486279 A CN 116486279A
- Authority
- CN
- China
- Prior art keywords
- debris flow
- area
- disaster
- flow disaster
- grid
- 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 47
- 238000000034 method Methods 0.000 claims abstract description 47
- 238000012544 monitoring process Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000012216 screening Methods 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims description 20
- 230000006855 networking Effects 0.000 claims description 15
- 238000012937 correction Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 11
- 239000002689 soil Substances 0.000 claims description 10
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 238000012732 spatial analysis Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 2
- 239000005433 ionosphere Substances 0.000 claims description 2
- 238000012876 topography Methods 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 7
- 238000003672 processing method Methods 0.000 abstract description 3
- 238000005305 interferometry Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 37
- 238000013210 evaluation model Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 239000011435 rock Substances 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000004445 quantitative analysis Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 241000132092 Aster Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000032823 cell division Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/16—Image acquisition using multiple overlapping images; Image stitching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Astronomy & Astrophysics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Alarm Systems (AREA)
Abstract
该发明公开了一种基于InSAR的泥石流灾害易发性动态评价方法,属于卫星图像处理领域。针对如何从大范围区域筛选出有泥石流灾害风险的沟谷区域,本发明提出了一种基于干涉测量技术的合成孔径雷达和数字高程模型技术筛选泥石流灾害风险区域的方法。其处理方法为定期获取监测区域的哨兵一号遥感卫星图像数据(SAR图像),通过InSAR技术方法计算监测区卫星图像数据,得到监测区地表形变速率,同时采用DEM技术方法识别出监测区的沟谷地形,将同时满足地表形变速率较快和沟谷地形的区域筛选出来,作为泥石流灾害风险区域进行重点监测。
Description
技术领域
本发明涉及泥石流灾害易发性评价和卫星遥感监测领域,尤其是涉及一种基于InSAR技术的泥石流灾害易发性评价方法。
背景技术
泥石流灾害是一种含有大量水和土石的固液混合流体,其灾害多发生在山区的河流沟谷之中,它是地质、地貌、水文、气象、土壤、植被等自然因素和人类活动因素综合作用的结果。泥石流灾害成灾迅速,来势凶猛,具有崩塌、滑坡和洪水破坏等多重危害。在泥石流灾害爆发过程中,短期内会携带大量泥沙、碎石倾斜而下,严重威胁下游人民的生命财产安全、农田土地、道路交通等社会基础设施,破坏自然生态环境,严重制约社会发展。
目前对于大范围区域的泥石流灾害隐患区域圈定,常用的方法为基于DEM数据和深度学习,使用正负样本训练圈定模型后对目标区域的DEM数据进行分析从而判定该区域是否有泥石流灾害风险,或者采用人工现场勘探方法判定隐患区。基于DEM数据的深度学习法局限于DEM单个方面因素来判定泥石流灾害隐患,其准确性难以保证。人工现场勘探方法准确率较高,但是效率太低,耗时耗力,无法满足大范围监测区域需求。
目前对于泥石流灾害易发性评价数据获取主要分为定性方法和定量方法。其中定性方法主要是指基于专家经验的现场分析,定量方法主要是指统计分析法。定性方法由于过于涉及专业人士主观意愿和专业水平,评价结果难以让人信服,评价效率不高,耗时耗力。而在定量方法的统计分析法中,通过机器学习(如逻辑回归等)方法分析降雨、地形地貌等影响因素与泥石流灾害成灾直接的关系。该方法通常情况下都没有考虑到地表形变量对泥石流灾害成灾的影响,而且都是对一个特定的区域进行分析,无法满足大范围监测区域需求。另外,现有泥石流灾害易发性评价方法主要采用静态影响因素数据进行评价处理,但泥石流灾害还受动态因素影响,现有方法通常没有考虑到泥石流灾害易发性的动态变化。
针对现有泥石流灾害易发性评价方法存在的局限问题,本发明将在泥石流灾害隐患沟谷圈定、影响因素、复杂山区铁路沿线泥石流灾害易发性评价等方面,提出一种适用于复杂山区铁路沿线泥石流灾害动态易发性评价方法。
复杂山区铁路沿线区域的泥石流灾害易发性评价不同于其它地区的泥石流灾害易发性评价。由于山区铁路经过区域的地质条件、地形地貌复杂,监测人员通常难以到达,区域面积巨大。传统的泥石流灾害易发性评价模型不适合复杂山区铁路沿线大范围区域泥石流灾害易发性评价。
目前现有泥石流灾害易发性评价模型通常基于降雨、地形地貌、土壤环境等影响因素数据进行处理,在缺少在线监测数据或者实地考察的情况下,该类评价数据的精度通常较低。一大片区域内可能存在不同的地形和地质条件情况,将该区域整体区域进行泥石流灾害易发性评价,无法保证复杂山区泥石流灾害易发性评价的准确性和合理性。常见的基于逻辑回归的评价方法容易对于异常值敏感,欠拟合,分类精度可能不高。
现有泥石流灾害易发性评价的方法,主要以静态的易发性评价结果为主,这类方法通常没有考虑泥石流灾害易发性的动态变化。然而,泥石流灾害的动态影响因素(如降雨、土壤含水量等)通常是随时间和空间不断变化的。
发明内容
本发明解决了如何从大范围区域筛选出有泥石流灾害风险的沟谷区域进行圈定,复杂山区泥石流灾害易发性评价准确性的不高,如何能够定期动态地获取数据以及定期基于当前数据进行泥石流易发性评价的问题。
针对如何从大范围区域筛选出有泥石流灾害风险的沟谷区域,本发明提出了一种基于干涉测量技术的合成孔径雷达(InSAR)和数字高程模型(DEM)技术筛选泥石流灾害风险区域的方法。其处理方法为定期获取监测区域的哨兵一号遥感卫星图像数据(SAR图像),通过InSAR技术方法计算监测区卫星图像数据,得到监测区地表形变速率,同时采用DEM技术方法识别出监测区的沟谷地形,将同时满足地表形变速率较快和沟谷地形的区域筛选出来,作为泥石流灾害风险区域进行重点监测。因而本发明技术方案为:一种基于InSAR的泥石流灾害易发性动态评价方法,该方法包括:筛选泥石流灾害风险区域和泥石流灾害易发性动态评价;
其中,所述筛选泥石流灾害风险区域的方法为:
步骤A1:采集检测区域的遥感卫星图像;
步骤A2:计算地表形变速率;
(1)按设定的区域对图像进行剪裁;
(2)获取的拍摄图像的卫星的轨道数据进行轨道校正,从所有图像中选出主图像,除主图像以为的所有SAR图像,将主图像和辅图像配准到统一坐标系;
(3)去掉所有图像的脉冲带,并进行地形校正;
(4)计算主图像强度图和反演地形相位,对主图像和辅图像进行差分干涉,生成单主图像干涉图集合;
(5)对每幅图像生成小基线对组合,并对各小基线对应的干涉图分别进行差分处理,生成小基线干涉图集合;
(6)利用小基线干涉图集合中的干涉图进行处理,得到干涉图组网;
(7)对干涉图组网进行相位解缠,利用相位闭合进行相位误差校正;
(8)利用SBAS对校正后的干涉图组网进行反演;
(9)利用集成的PyAPS开源软件包,基于全局大气模型ERA-5对反演后的干涉图网进行大气分层以及电离层延迟校正;
(10)对校正后的干涉图组网进行地形误差去除;
(11)对干涉图组网进行地表形变时间序列反演,最终生成的地表形变速率;
步骤A3:获取监测区域的数字高程模型DEM文件;
步骤A4:对监测区域的DEM文件,使用Arc GIS工具计算分析,获得监测区域的沟谷区域识别图;
(1)拼接整合目标区域DEM源文件;
(2)将DEM文件导入ArcGIS中,在栅格分析中,将像元大小设置为与DEM图层一致;
(3)使用ArcGIS中Spatial Analyst工具中水文分析的填洼工具,填充DEM表面栅格中的汇,移除数据中的小缺陷并创建无凹陷点DEM;
(4)对填洼的结果,使用水文分析中的流向工具,创建从每个像元到其最陡下坡相邻点的流向的栅格;
(5)对流向的结果,使用水文分析中的流量工具,创建每个像元累积流量的栅格;
(6)使用地图代数中的栅格计算器,使用复合函数con,将流量中大于100值输出为1;
(7)使用水文分析中的栅格河网矢量化,将表示线状网络的栅格转换为表示线状网络的要素;分别输入流向文件和栅格计算结果的流量数据,生成沟谷区域图;
步骤A5:将监测区的沟谷区域识别图与地表形变速率图相叠加,将同时满足沟谷区域与地表形变速率大于设定阈值的区域,标记为泥石流灾害风险区域,作为后续泥石流灾害监测区域;
所述泥石流灾害易发性动态评价的方法为:
步骤B1:选取泥石流灾害主要影响因素;
泥石流灾害主要影响因素权重从高到低的顺序分别是:地层岩性>降雨量>地质构造>坡度>植被覆盖指数>高程>土壤含水量>地表覆盖类型>与水系距离>与建筑物距离>与道路距离,选取权重最重的前M个影响因素,加上地表形变速率,作为参与泥石流灾害易发性评价的泥石流灾害主要影响因素;
步骤B2:获取泥石流灾害影响因素数据;
根据步骤B1确定的主要影响因素获取这些主要影响因素的数据,建立样本数据库;
步骤B3:对泥石流灾害监测区域进行网格单元划分;
步骤B4:采用步骤B2得到样本数据库训练一个支持向量机,
步骤B5:实际是某区域进行泥石流灾害易发性评价时,采用步骤4训练好的支持向量机判定每个网格的泥石流易发性,将所有网格进行拼接,得到整个监测区域的易发性结果。
进一步的,所述本发明支持向量机的输入训练集{(Xi,yi)},i=1~N,其中yi=+1或者-1,为正负样本标签,Xi为主要影响因素;求解如下目标函数最大化时的所有a:
限制条件:
其中,N表示训练集大小,Φ(Xi)T表示核函数,C表示惩罚因子。
针对现有泥石流灾害易发性评价方法大都采用一次性的静态评价的问题,本发明提出了通过定期评价和自动数据获取相结合的方法,使用最新数据不断更新评价结果,克服传统易发性评价随时间推移准确性下降的问题,提高易发性评价准确性。
附图说明
图1为本发明的整体方案流程图;
图2为感卫星图像采集流程图;
图3为计算目标区域地标形变速率图的流程图;
图4为地表形变速率图;
图5为沟谷区域识别流程图;
图6为沟谷区域识别结果;
图7为泥石流灾害风险区域结果;
图8为泥石流灾害易发性监测区域的网格划分示意图;
图9为不同核函数训练效果示意图;
图10为不同核函数训练时间示意图;
图11为泥石流灾害易发性评价模型构建流程图。
具体实施方式
泥石流灾害风险区域筛选
本发明提出基于InSAR和DEM技术结合筛选泥石流灾害风险区域,其具体实施如下:
1.监测区域遥感卫星图像采集;
从美国航空航天局(NASA)下属网站EarthData(https://search.asf.alaska.edu)中框选需要研究的大范围区域。筛选出完整包含该区域的哨兵一号(Sentinel-1)图像。若目标区域过大,一幅卫星图像无法完全覆盖,需要将大区域分成若干个能被单幅图像完全覆盖的小区域进行处理),并以此图像为搜索基准,搜索出该区域图像数据。选择该区域的历史SAR图像中的单视复数(Single Look Complex,SLC)图像并下载到本地。其监测区图像采集过程如图2所示。
2.计算地表形变速率;
安装干涉合成孔径雷达科学计算环境和迈阿密InSAR时间序列Python软件(MintPy);处理SLC图像,经过图像剪裁、轨道校正、图像配准、去脉冲带、地形校正后,生成干涉图。然后进行数据转换、回路闭合、基线反演、掩膜时间序列、时间序列滤波以后,输出目标区域地表形变速率图。具体过程如图3所示。
其中,进行图像预处理步骤如下:
(1)将SLC文件格式的SAR图像导入工具,按设定的区域对图像进行剪裁;
(2)获取的轨道数据进行轨道校正,从所有图像中挑选出合适的主图像,将主图像和辅图像(除主图像以外的所有SAR图像)配准到统一坐标系;
(3)去掉所有图像的脉冲带,并进行地形校正;
(4)结合DEM文件模拟主图像强度图和反演地形相位,对主图像和辅图像进行差分干涉,生成单主图像干涉图集合;
(5)生成小基线对组合,并对各小基线对应的干涉图分别进行差分处理,生成小基线干涉图集合;
进行图像预处理步骤如下:
(1)利用小基线干涉图集合中的干涉图进行处理,得到干涉图组网;
(2)对干涉图组网进行相位解缠,利用相位闭合进行相位误差校正;
(3)利用SBAS对校正后的干涉图组网进行反演;
(4)利用集成的PyAPS开源软件包,基于全局大气模型(ERA-5)对反演后的干涉图网进行大气分层以及电离层延迟校正;
(5)对校正后的干涉图组网进行地形误差去除;
(6)对干涉图组网进行地表形变时间序列反演。
最终生成的地表形变速率图如图4所示,其横坐标为经度,纵坐标为纬度,速率单位为cm/year:
3.监测区域数字高程模型下载;
使用该python脚本可以根据输入的参数自动从美国航天局下载目标区域的DEM原文件并自动拼接整合。使用dem.py下载目标区域的DEM文件。
4.分析沟谷区域;
将下载的原始DEM文件拖入ArcGIS中,经过栅格分析——填洼——栅格计算器——栅格河网矢量化处理后,得到目标区域的沟谷识别结果。
具体流程图如图5所示:
详细步骤包括:
(1)使用dem.py下载目标区域DEM源文件并自动拼接整合;
(2)将DEM文件导入ArcGIS中,在栅格分析中,将像元大小设置为与DEM图层一致;
(3)使用ArcGIS中Spatial Analyst工具中水文分析的填洼工具,填充DEM表面栅格中的汇,移除数据中的小缺陷并创建无凹陷点DEM;
(4)对填洼的结果,使用水文分析中的流向工具,创建从每个像元到其最陡下坡相邻点的流向的栅格;
(5)对流向的结果,使用水文分析中的流量工具,创建每个像元累积流量的栅格;
(6)使用地图代数中的栅格计算器,使用复合函数con,将流量中大于100值输出为1;
(7)使用水文分析中的栅格河网矢量化,将表示线状网络的栅格转换为表示线状网络的要素。分别输入流向文件和栅格计算结果的流量数据,生成沟谷区域图。
识别结果如图6所示,其中白色的深浅代表高度,越白的区域高程越高。绿色区域代表沟谷区域。
5.泥石流灾害易发区域圈定;
使用图像处理工具,将地表形变速率图与ArcGIS生成的沟谷区域识别结果相叠加。将地表形变速率较大,且目标区域为沟谷区域的地区确定为泥石流灾害易发区。
二、泥石流灾害易发性动态评价
在圈定了泥石流风险区后,对该区域进行泥石流灾害易发性动态评价,其处理方法具体实施如下:
1.泥石流灾害主要影响因素选取;
泥石流灾害的影响因素有很多,如坡度、高程、地层岩性、地质构造、地表覆盖类型、植被覆盖指数、降雨量、土壤含水量、与水距离、与建筑物距离、与道路距离等。关于泥石流灾害影响因素挖掘,其他学者已经研究成熟,其权重从高到低的顺序分别是:地层岩性>降雨量>地质构造>坡度>植被覆盖指数>高程>土壤含水量>地表覆盖类型>与水系距离>与建筑物距离>与道路距离。本发明选取地层岩性、降雨量、坡度、植被覆盖数、高程、土壤含水量作为泥石流灾害地质灾害的主要影响因素。
在此基础上,本发明提出了将地表形变速率作为主要影响因素,参与泥石流灾害易发性评价。
2.泥石流灾害影响因素数据获取;
从国家自然资源部网站每天发布的地质灾害灾情报告中获取历年泥石流灾害点,通过地图网站将灾害点转化为具体的经纬度坐标。根据灾害点坐标,从各个数据网站获取该点的气象水文、土壤湿度等数据,并汇总成为数据集的正样本。任意选择部分未发生过泥石流灾害的区域,采集相同数据,作为数据集的负样本。
国家自然资源部网站(https://www.mnr.gov.cn/)每天会发布地质灾害灾情险情报告,编写python脚本采集该网站上近十年的地质灾害灾情报告,并从报告中处理提取出灾害发生时间、地点、灾害类型等数据。筛选出其中的历年泥石流灾害灾害数据,获取泥石流灾害灾害位置。通过经纬度查询定位网站,将灾害点的文字地质信息转化为具体的经纬度。
根据灾害点经纬度信息获取其他相关数据:
计算获取灾害点的地表形变速率信息。
气象历史数据,从美国国家环境信息中心网站系统获取,其网址为(https://www.ncei.noaa.gov/data/global-forecast-system/access/historical/analysis/)。采集的气象数据包括降雨量、土壤含水量等数据。
区域地形地貌数据,可以从美国航天航空局网站(https://urs.earthdata.nasa.gov/)上获取ASTER GDEM 30M分辨率原始高程数据。编写采集程序将区域的高程数据下载到本地,然后利用Python程序进行数据的解析,并通过坡度坡向算法计算公式进行区域地形地貌的初步分析处理,从中提取、计算得到区域的高程、坡度数据。
区域地层岩性数据,可从国家地质资料馆网站(http://www.ngac.org.cn/DataSpecial/geomap.html)获取。在国家地质图数据专题服务应用中寻找对应经纬度所在的点,基于图例数据,人工采集该区域地质岩性数据。
区域植被覆盖数据,从欧洲中期天气预报中心网站(https://www.ecmwf.int/en/forecasts/datasets/reanalysis-datasets/era5)获取监测区域叶面积指数来表示植被覆盖情况,使用python程序调用该网站数据下载api进行区域叶面积指数的数据采集。
3.泥石流灾害监测区网格单元划分
本发明针对监测区域过大导致无法定位具体的泥石流灾害风险地点等问题,将采用网格单元划分缩小监测区域的方法来解决该问题,具体操作如图8所示:
如图所示,原始监测区域为经过地表形变速率图和沟谷区域识别图合并以后所找到的泥石流灾害易发性监测区域,区域形状为不规则封闭图形。将原始监测区域划分为单元网格,每个网格的面积为70m×70m。这样就可以解决无法精准定位泥石流灾害风险地点的问题。
将泥石流灾害监测区域进行网格划分后,需要对每个单元格区域单独进行易发性评价,评价完成后,再汇总每个单元格的评价结果,对整个监测区域进行整体的易发性评价。
式(1)式(2)中,A为区域总体评价结果,N为单元格总数,Ai为第i个单元格评价结果。
4.泥石流灾害易发性评价模型构建
对于已经划分的单元格,需要使用支持向量机对每个单元格进行具体的易发性评价。
支持向量机的训练过程,输入训练集{(Xi,yi)},i=1~N,其中yi=+1或者-1,为正负样本标签。求解如下目标函数(求出所有的a)最大化:
限制条件:
对于支持向量机,核函数的选取是决定评价准确性的关键部分;
研究证明,支持向量机核函数的选取直接影响着支持向量机的预测精度和收敛速度,因此为了获得较高的预测准确率,必须选取适当的核函数。支持向量机常见的核函数有:线性核函数、多项式核函数、RBF(高斯)核函数、Sigmoid核函数。分别将线性核函数、多项式核函数、RBF核函数、Sigmoid核函数在样本集中进行十折交叉验证,不同核函数在相应训练样本下的平均预测准确率如图9所示。
从图8测试结果可以看出,多项式核函数、RBF核函数、Sigmoid核函数三者进行预测时的平均准确率较高,其中RBF核函数的平均预测效果最好,而使用线性核函数的预测效果十分不理想。
对于不同核函数模型性能的分析,因为线性核函数的预测准确率过低,对线性核函数分析其模型性能已无太大意义,所以分别使用多项式核函数、RBF核函数、Sigmoid核函数分别训练SVM模型,不同核函数训练时间如图10所示。
由图10表明,选用三种核函数随着样本数的增加,训练时间也会增加。当训练样本较大时,整体上选取RBF核函数所需的训练时间变化最小,这表明选择RBF核函数是合理的,也符合泥石流灾害评价非线性的特点。所以,基于SVM的泥石流灾害易发性评价模型中,选取RBF核函数作为SVM的核函数。
泥石流灾害易发性评价模型构建流程图如图11所示。
5.泥石流灾害易发性动态评价
在方案一中,通过InSAR和DEM相结合的方法对泥石流灾害隐患沟谷区域进行圈定。其中使用InSAR计算地表形变速率的过程,可以通过脚本自动化实现;使用DEM识别沟谷区域的过程,虽然是人工操作ArcGIS完成,但因为沟谷区域的形成通常经历亿万年时间,短时间内可认为沟谷区域不会发生变化,所以沟谷识别结果并不需要更新。在方案(二、2)中,监测区域的静态数据是人工获取,动态数据都是使用python脚本获取。
基于方案一和方案(二、2)的优点,只需要简单地设置定期任务即可满足泥石流灾害动态易发性评价。
为了实现泥石流灾害易发性的动态评价,添加定期任务,定期执行泥石流灾害动态易发性评价程序,程序过程主要为:
(1)运行脚本,通过InSAR技术自动计算地表形变速率,结合沟谷区域识别结果,自动更新泥石流灾害风险区域圈定结果。
(2)运行数据获取的python脚本,将风险区域的动态数据更新为最新数据。
(3)将获取的最新数据加入数据集,再次训练易发性评价模型,对模型参数进行调优。
(4)将最新数据自动输入到更新后的泥石流灾害易发性评价模型中,计算得到当前监测区域的泥石流灾害易发性评价结果。
(5)结束本次评价过程,并等待下次定时任务返回步骤(1)
通过定期更新风险区域、更新评价模型与评价结果,使得评价准确性不断更新,维持较高的准确性。
针对传统泥石流灾害隐患区域圈定方法在复杂山区效果不佳的问题,本发明提出了一种基于InSAR和DEM结合的方法圈定泥石流灾害隐患区域。实验结果表明,本发明提出的泥石流灾害隐患区域圈定方法准确率91.5%,而单独基于DEM的泥石流灾害圈定方法准确率为88%。此结果表明相比于传统方法,本发明能降低监测成本的同时保证较高的准确率。
针对泥石流灾害易发性评价不够精准的问题,本发明提出了将监测区域的地表形变速率作为重要影响因素之一,加入泥石流灾害易发性评价模型。实验结果表明,加入地表形变速率数据后泥石流灾害易发性评价结果准确率90.2%,高于未加入地表形变速率时的88.5%。
Claims (2)
1.一种基于InSAR的泥石流灾害易发性动态评价方法,该方法包括:筛选泥石流灾害风险区域和泥石流灾害易发性动态评价;
其中,所述筛选泥石流灾害风险区域的方法为:
步骤A1:采集检测区域的遥感卫星图像;
步骤A2:计算地表形变速率;
(1)按设定的区域对图像进行剪裁;
(2)获取的拍摄图像的卫星的轨道数据进行轨道校正,从所有图像中选出主图像,除主图像以为的所有SAR图像,将主图像和辅图像配准到统一坐标系;
(3)去掉所有图像的脉冲带,并进行地形校正;
(4)计算主图像强度图和反演地形相位,对主图像和辅图像进行差分干涉,生成单主图像干涉图集合;
(5)对每幅图像生成小基线对组合,并对各小基线对应的干涉图分别进行差分处理,生成小基线干涉图集合;
(6)利用小基线干涉图集合中的干涉图进行处理,得到干涉图组网;
(7)对干涉图组网进行相位解缠,利用相位闭合进行相位误差校正;
(8)利用SBAS对校正后的干涉图组网进行反演;
(9)利用集成的PyAPS开源软件包,基于全局大气模型ERA-5对反演后的干涉图网进行大气分层以及电离层延迟校正;
(10)对校正后的干涉图组网进行地形误差去除;
(11)对干涉图组网进行地表形变时间序列反演,最终生成的地表形变速率;
步骤A3:获取监测区域的数字高程模型DEM文件;
步骤A4:对监测区域的DEM文件,使用Arc GIS工具计算分析,获得监测区域的沟谷区域识别图;
(1)拼接整合目标区域DEM源文件;
(2)将DEM文件导入ArcGIS中,在栅格分析中,将像元大小设置为与DEM图层一致;
(3)使用ArcGIS中Spatial Analyst工具中水文分析的填洼工具,填充DEM表面栅格中的汇,移除数据中的小缺陷并创建无凹陷点DEM;
(4)对填洼的结果,使用水文分析中的流向工具,创建从每个像元到其最陡下坡相邻点的流向的栅格;
(5)对流向的结果,使用水文分析中的流量工具,创建每个像元累积流量的栅格;
(6)使用地图代数中的栅格计算器,使用复合函数con,将流量中大于100值输出为1;
(7)使用水文分析中的栅格河网矢量化,将表示线状网络的栅格转换为表示线状网络的要素;分别输入流向文件和栅格计算结果的流量数据,生成沟谷区域图;
步骤A5:将监测区的沟谷区域识别图与地表形变速率图相叠加,将同时满足沟谷区域与地表形变速率大于设定阈值的区域,标记为泥石流灾害风险区域,作为后续泥石流灾害监测区域;
所述泥石流灾害易发性动态评价的方法为:
步骤B1:选取泥石流灾害主要影响因素;
泥石流灾害主要影响因素权重从高到低的顺序分别是:地层岩性>降雨量>地质构造>坡度>植被覆盖指数>高程>土壤含水量>地表覆盖类型>与水系距离>与建筑物距离>与道路距离,选取权重最重的前M个影响因素,加上地表形变速率,作为参与泥石流灾害易发性评价的泥石流灾害主要影响因素;
步骤B2:获取泥石流灾害影响因素数据;
根据步骤B1确定的主要影响因素获取这些主要影响因素的数据,建立样本数据库;
步骤B3:对泥石流灾害监测区域进行网格单元划分;
步骤B4:采用步骤B2得到样本数据库训练一个支持向量机,
步骤B5:实际是某区域进行泥石流灾害易发性评价时,采用步骤4训练好的支持向量机判定每个网格的泥石流易发性,将所有网格进行拼接,得到整个监测区域的易发性结果。
2.如权利要求1所述的一种基于InSAR的泥石流灾害易发性动态评价方法,其特征在于,所述本发明支持向量机的输入训练集(Xi,yi),i=1~N,其中yi=+1或者-1,为正负样本标签,Xi为主要影响因素;求解如下目标函数最大化时的所有a:
限制条件:
其中,N表示训练集大小,Φ(Xi)T表示核函数,C表示惩罚因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310462972.1A CN116486279A (zh) | 2023-04-26 | 2023-04-26 | 一种基于InSAR的泥石流灾害易发性动态评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310462972.1A CN116486279A (zh) | 2023-04-26 | 2023-04-26 | 一种基于InSAR的泥石流灾害易发性动态评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116486279A true CN116486279A (zh) | 2023-07-25 |
Family
ID=87221078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310462972.1A Pending CN116486279A (zh) | 2023-04-26 | 2023-04-26 | 一种基于InSAR的泥石流灾害易发性动态评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116486279A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118011398A (zh) * | 2024-04-09 | 2024-05-10 | 北京四象爱数科技有限公司 | 一种基于PSInSAR的滑坡泥石流范围分析方法、设备及介质 |
-
2023
- 2023-04-26 CN CN202310462972.1A patent/CN116486279A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118011398A (zh) * | 2024-04-09 | 2024-05-10 | 北京四象爱数科技有限公司 | 一种基于PSInSAR的滑坡泥石流范围分析方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Clerici et al. | A GIS-based automated procedure for landslide susceptibility mapping by the conditional analysis method: the Baganza valley case study (Italian Northern Apennines) | |
Pradhan et al. | Landslide susceptibility assessment and factor effect analysis: backpropagation artificial neural networks and their comparison with frequency ratio and bivariate logistic regression modelling | |
Pradhan et al. | Use of geospatial data and fuzzy algebraic operators to landslide-hazard mapping | |
Arsenault et al. | A comprehensive, multisource database for hydrometeorological modeling of 14,425 North American watersheds | |
Yin et al. | Comparison of physical and data-driven models to forecast groundwater level changes with the inclusion of GRACE–A case study over the state of Victoria, Australia | |
Wang et al. | Regional landslide susceptibility zoning with considering the aggregation of landslide points and the weights of factors | |
Dahal | Regional-scale landslide activity and landslide susceptibility zonation in the Nepal Himalaya | |
Fuentes et al. | Big geospatial data analysis for Canada’s Air Pollutant Emissions Inventory (APEI): using google earth engine to estimate particulate matter from exposed mine disturbance areas | |
Bryant et al. | US Department of Agriculture Agricultural Research Service Mahantango Creek Watershed, Pennsylvania, United States: Physiography and history | |
Boufala et al. | Hydrological modeling of water and soil resources in the basin upstream of the Allal El Fassi dam (Upper Sebou watershed, Morocco) | |
Schleier et al. | Robust landslide susceptibility analysis by combination of frequency ratio, heuristic GIS-methods and ground truth evaluation for a mountainous study area with poor data availability in the Three Gorges Reservoir area, PR China | |
Clapuyt et al. | Spatio-temporal dynamics of sediment transfer systems in landslide-prone Alpine catchments | |
CN116363524A (zh) | 一种公路地质灾害高风险区域监测预警方法及装置 | |
CN116486279A (zh) | 一种基于InSAR的泥石流灾害易发性动态评价方法 | |
Shastry et al. | Using steady‐state backwater analysis to predict inundated area from national water model streamflow simulations | |
Das et al. | applicability of geospatial technology, weight of evidence, and multilayer perceptron methods for groundwater management: a geoscientific study on Birbhum District, West Bengal, India | |
Tran et al. | Improving hydrologic modeling using cloud-free modis flood maps | |
Notti et al. | Semi-automatic mapping of shallow landslides using free Sentinel-2 images and Google Earth Engine | |
Yuan et al. | A novel method based on deep learning model for national-scale landslide hazard assessment | |
CN112285808B (zh) | 一种aphrodite降水数据的降尺度方法 | |
Bopche et al. | Feature-based model for landslide susceptibility mapping using a multi-parametric decision-making technique and the analytic hierarchy process | |
Wang et al. | Research on habitat quality assessment and decision-making based on Semi-supervised Ensemble Learning method—Daxia River Basin, China | |
Sando et al. | Predictions and drivers of sub-reach-scale annual streamflow permanence for the upper Missouri River basin: 1989–2018 | |
Cao et al. | Landslide susceptibility assessment in Western Henan Province based on a comparison of conventional and ensemble machine learning | |
CN117390555A (zh) | 一种实现泥石流灾害风险多维分类预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |