CN116504032A - 一种基于实景三维的滑坡危险性监测预警方法及系统 - Google Patents
一种基于实景三维的滑坡危险性监测预警方法及系统 Download PDFInfo
- Publication number
- CN116504032A CN116504032A CN202310768265.5A CN202310768265A CN116504032A CN 116504032 A CN116504032 A CN 116504032A CN 202310768265 A CN202310768265 A CN 202310768265A CN 116504032 A CN116504032 A CN 116504032A
- Authority
- CN
- China
- Prior art keywords
- landslide
- data
- dimensional
- disaster
- scene
- 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 73
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 238000007499 fusion processing Methods 0.000 claims abstract description 15
- 238000013507 mapping Methods 0.000 claims description 26
- 238000007689 inspection Methods 0.000 claims description 16
- 239000000178 monomer Substances 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000000007 visual effect Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 239000002689 soil Substances 0.000 claims description 9
- 238000009795 derivation Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 238000012876 topography Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000001808 coupling effect Effects 0.000 claims description 7
- 238000005516 engineering process Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000013473 artificial intelligence Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000011835 investigation Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000005553 drilling Methods 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000000265 homogenisation Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000009877 rendering Methods 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 3
- 230000001360 synchronised effect Effects 0.000 claims description 3
- 230000037237 body shape Effects 0.000 claims 1
- 230000007613 environmental effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 6
- VIKNJXKGJWUCNN-XGXHKTLJSA-N norethisterone Chemical compound O=C1CC[C@@H]2[C@H]3CC[C@](C)([C@](CC4)(O)C#C)[C@@H]4[C@@H]3CCC2=C1 VIKNJXKGJWUCNN-XGXHKTLJSA-N 0.000 description 4
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/17—Terrestrial scenes taken from planes or by drones
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/182—Network patterns, e.g. roads or rivers
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N13/00—Stereoscopic video systems; Multi-view video systems; Details thereof
- H04N13/20—Image signal generators
- H04N13/275—Image signal generators from 3D object models, e.g. computer-generated stereoscopic image signals
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Signal Processing (AREA)
- Remote Sensing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Computing Systems (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Environmental & Geological Engineering (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及滑坡监测预警技术领域,且公开了一种基于实景三维的滑坡危险性监测预警方法,包括以下步骤:S1,多源数据融合处理:收集滑坡相关数据进行集成融合处理;S2,大尺度场景建模与分析;S3,中尺度场景建模与分析;S4,小尺度场景建模与分析;S5,滑坡知识关联与实体建库;S6,滑坡风险多尺度动态评估;S7,滑坡多指标监测预警。本发明还公开了一种基于实景三维的滑坡危险性监测预警系统。本发明采用上述基于实景三维的滑坡危险性监测预警方法及系统,能够实现滑坡地质灾害不同尺度数据获取与实景三维建模、全要素实景三维滑坡场景数据库建立、滑坡风险多尺度时空动态监测分析和及时智能化的多指标预警。
Description
技术领域
本发明涉及滑坡监测预警技术领域,尤其是涉及一种基于实景三维的滑坡危险性监测预警方法及系统。
背景技术
滑坡灾害是一种分布普遍、频繁发生且造成巨大破坏的复杂多变地质灾害,因此,对于滑坡灾害危险性监测预警的科学分析和研究意义重大,要实现滑坡灾害的事先识别、科学监测和准确预警方法,具有一定的复杂性和难度。早期对滑坡进行数值模拟与仿真的方法进行可视化建模分析与计算较多,但对滑坡的灾变过程表达不直观,不能很好的展现其在空间上的真实特性。
随着卫星遥感、导航定位、地理信息技术的发展和应用,利用卫星图像、航空影像、激光雷达等技术生成数字正射影像图(DOM)、数字表面模型(DSM)和数字高程模型(DEM)对滑坡进行可视化的研究越来越多,基于遥感影像的二维制图表达不够直观,三维表面模型存在遮挡严重、拉伸变形和精度较低的问题。激光雷达设备采集成本较高,激光点云数据仅作为辅助手段分析深度不够。利用3DSMax、Skyline、Sketch Up等传统的三维建模软件手动建模方式存在内业工作量大、生产成本高、效率低下等缺点,且仅适用于结构规则的实体,对不规则的滑坡体适用性不足。现今基于无人机的近景摄影测量和倾斜摄影测量技术广泛用于滑坡灾害防治,但数据采集受地形、地貌、植被等影响大,复杂环境下采集工作量大,数据质量不稳定,且对实体细部的重建表达不足,难以进行准确的定量分析和三维可视化分析,难以识别毫米级的滑坡体变形,易造成预报漏报。
现行的灾害预警多以知识和经验主观判定,常用单一指标阈值依据历史统计方法和模型进行预测和预警,由于缺乏多指标耦合作用机制的考虑,对空间上和时间上的关联关系和动态过程分析不足,导致对重大滑坡灾害的危险性监测预警泛化能力不足,直接影响了分析结果的准确性和可靠性。
通过背景和现状以上分析不难看出,缺乏一种对复杂滑坡场景进行精细逼真多尺度三维重建的方法,支持滑坡场景单体化、实体化、语义化特征分析,实现考虑时空动态过程关联关系的滑坡灾害多指标准确预警。
发明内容
本发明的目的是提供一种基于实景三维的滑坡危险性监测预警方法及系统,解决上述背景技术中提出的问题。
为实现上述目的,本发明提供了一种基于实景三维的滑坡危险性监测预警方法,包括以下步骤:
S1,多源数据融合处理:收集滑坡相关数据进行集成融合处理。
S2,大尺度场景建模与分析:S21,影像选取与预处理;S22,影像稀疏匹配;S23,区域网平差;S24,稠密匹配生成点云;S25,三角网构建;S26,纹理映射;S27,地形级Mesh模型;S28,特征普查。
S3,中尺度场景建模与分析:S31,中尺度数据采集与处理;S32,点云融合;S33,模型重建;S34,特征详查。
S4,小尺度场景建模与分析:S41,数据分析;S42,单体重建;S43,模型完善;S44,纹理贴图;S45,数据派生;S46,单体特征分析。
S5,滑坡知识关联与实体建库。
S6,滑坡风险多尺度动态评估。
S7,滑坡多指标监测预警。
优选的,S1中,收集滑坡相关的基础地理信息数据、卫星遥感影像、无人机影像、激光点云数据、地质环境数据、历史地质灾害数据、灾害专业监测数据、监控视频数据、人工巡查上报数据及其他数据等多源数据进行集成融合处理;异构数据进行数字化和格式转换,统一数据基准和坐标投影,完成影像拼接和数据配准,实现静态地理空间数据与动态物联感知数据同步匹配,构建实景三维滑坡数据“一张图”。
优选的,S2中,大尺度场景建模与分析:利用卫星遥感数据或无人机影像数据结合地质环境普查数据,进行滑坡全局范围的普查,完成分辨率精度为米~厘米级的大尺度滑坡场景快速重建,分析并提取大场景滑坡相关特征和参数;S21,影像选取与预处理:选取成像质量高、无云雾影响、色调一致的高分辨率的卫星影像和无人机影像,可根据需要进行去云雾、匀光匀色、畸变校正、镶嵌增强等图像预处理步骤,提升图像的质量和准确性;S22,影像稀疏匹配:从立体像对或多视影像中提取稳健的特征点,并建立同名特征点之间的对应关系,识别出两幅或者多幅影像中具有相同或相似结构的图像内容并建立准确的映射关系;S23,区域网平差:利用各影像的内、外方位元素及POS信息进行空中三角测量,以影像间同名点作为连接点,构建自检校区域网平差误差方程,求得精确的内外方位元素和连接点物方三维坐标;S24,稠密匹配生成点云:利用影像间精确的相对位置关系,寻进行每个像素同名像点的密集匹配,进行前方交汇得到地物表面三维点云;S25,三角网构建:基于稠密地表三维点云构建三角网(TIN),得到连续的三角网表面模型(Mesh白模);S26,纹理映射:根据物方与像方的几何关系,对白模进行自动纹理映射;S27,地形级Mesh模型:形成全域大尺度的一套连续的真实场景三维模型;S28,特征普查:大尺度实景三维模型可进行米级、厘米级灾害范围的圈定,周边地形地貌、植被、地物、孕灾环境等特征的普查。
优选的,S3中,利用无人机近景影像和激光点云数据进行灾害体详查,完成中尺度滑坡三维实景建模(分辨率精度达到豪米级),并分析提取滑坡体特征和参数;S31,中尺度数据采集与处理:针对潜在的灾害区域,采用无人机贴近摄影测量技术,面向灾害体采集多角度毫米级空间分辨率的近景影像,经过空中三角测量解算和稠密匹配生成密集点云,在植被遮挡、光线不足等复杂条件下,利用高精度三维激光扫描仪采集毫米级点云数据,经过点云去噪和滤波处理,分离出植被覆盖下的地面点和非地面点;S32,点云融合:无人机影像密集点云与预处理后的三维激光点云互相补充,进行配准、评价和融合;S33,模型重建:融合后的完整点云进行三角网重构,进行纹理映射和模型贴图,生成高精度的中尺度Mesh模型;S34,特征详查:基于中尺度滑坡实景三维模型,对滑坡灾害发育特征、成灾机理、致灾因子等进行毫米级提取和分析。
优选的,S4中,进行实景三维模型单体化剖分,完成地上相关地物框架结构和地下滑坡地层结构的部件级重建,分析提取高精度的细部特征和参数;S41,数据分析:整合三维Mesh模型、激光点云、纹理照片及钻孔地质资料等滑坡数据,统一数据基准,分析滑坡相关实体剖分结构和岩土体性质;S42,单体重建:分别构建滑坡剖分模型和三维地层模型;S43,模型完善:通过裁剪、修补、漏洞填充等方法,完善重建滑坡结构体和地质体三维模型;S44,纹理贴图:完善和修复细节部位的纹理,完成模型表面纹理贴图;S45,数据派生:通过二维矢量或其他三维数据采集或派生完成地物实体的单体化补充和地理单元的拓扑层次构建;S46,单体特征分析:提取滑坡场景中各单体模型的三维空间精细特征信息。
优选的,S5中,综合滑坡实景三维模型、地质环境数据、历史地质灾害数据,进行知识本体提取,通过补充和挂接等方法完善属性,分析多尺度各实体的空间、类属、时间及语义关系;统一进行实体编码和赋值,构建滑坡场景知识图谱,经过标准化数据质量检查后,按需组合建立滑坡场景实景三维数据库。
优选的,S6中,基于全要素实景三维滑坡场景数据库,构建三维场景滑坡风险多尺度时空动态评估模型,从大中小不同尺度分别进行危险性评估、易发性评估和易损性评估,结合滑坡演化的三维时空过程,动态分析该滑坡的孕灾环境、致灾因子及承灾体等要素,提取岩土体、降雨、形变等致灾因子耦合作用下滑坡地质灾害应急监测关键指标及其临界阈值。
优选的,S7中,构建基础地质条件优先、特征雨量优先、灾害体形变优先等多指标滑坡地质灾害监测预警算法,建立基于人工智能的知识引导下滑坡监测预警时空演化模型,经过试验模拟和实地测试,反复训练并优化算法,完善预警机制,提供及时、准确的实景三维滑坡风险监测及预警服务。
本发明还提供了一种基于实景三维的滑坡危险性监测预警系统,
包括多源数据集成管理模块:收集滑坡相关的基础地理信息数据、卫星遥感影像、无人机影像、激光点云数据、地质环境数据、历史地质灾害数据、灾害专业监测数据、监控视频数据、人工巡查上报数据及其他数据等多源数据进行集成融合处理;
大尺度场景建模与分析模块:利用卫星遥感数据或无人机影像数据结合地质环境普查数据,进行滑坡全局范围的普查,完成分辨率精度为米~厘米级的大尺度滑坡场景快速重建,分析并提取大场景滑坡相关特征和参数;
中尺度场景建模与分析模块:利用无人机近景影像和激光点云数据进行灾害体详查,完成中尺度滑坡三维实景建模(分辨率精度达到豪米级),并分析提取滑坡体特征和参数;
小尺度场景建模与分析模块:实现实景三维模型的单体化剖分,完成地上相关地物框架结构和地下滑坡地层结构的部件级重建,提取高精度的细部特征和参数;
滑坡知识关联与实体建库模块:提供基于滑坡实景三维模型、地质环境数据、历史地质灾害等数据的知识本体提取,通过属性补充和挂接功能,建立各实体的空间、类属、时间及语义关系;实现实体统一编码和赋值,构建滑坡场景知识图谱,经过标准化数据质量检查后,按需组合建立滑坡场景实景三维数据库;
滑坡风险多尺度动态评估模块:基于全要素实景三维滑坡场景数据库,实现大中小不同尺度的危险性评估、易发性评估和易损性评估分析,结合滑坡演化的三维时空过程,动态分析滑坡的孕灾环境、致灾因子及承灾体等要素,提取岩土体、降雨、形变等致灾因子耦合作用下滑坡地质灾害应急监测关键指标及其临界阈值;
滑坡多指标监测预警模块:实现基础地质条件优先、特征雨量优先、灾害体形变优先等多指标滑坡地质灾害监测预警算法,采用基于人工智能的滑坡监测预警时空演化模型,通过多次试验模拟和实地测试,反复训练并优化修正,完善预警机制,确保系统能够及时、准确地发现滑坡安全隐患并进行预警;
实景三维场景展示模块:利用高新的计算机渲染引擎实现滑坡灾害二、三维一体化可视化展示,包括视图基本操作、图层管理、量算、标绘、漫游、录制工具等;
系统管理与维护模块:包括系统配置、用户管理、权限管理、数据库参数等功能。
因此,本发明采用上述基于实景三维的滑坡危险性监测预警方法及系统,具有以下有益效果:
(1)本发明采用的方法和系统能够实现滑坡地质灾害不同尺度数据获取、实景三维建模,能够建立更精细化的实景三维场景从各个方面真实表达滑坡实体及关联要素;进而解决现有技术中滑坡的可视化程度较低、表达不直观、常规倾斜摄影测量三维建模存在拉花变形和精度较低等问题;
(2)本发明采用的方法和系统能够建立滑坡地质灾害地上地下全方位精细实景三维场景,实现滑坡及相关地物单体化、实体化、语义化,基于三维场景能够实现滑坡体地上地下结构的剖分、属性及空间关联查询、三维空间分析及毫米级特征提取,为滑坡的危险性预警提供了高精度的特征判据;
(3)本发明采用的方法和系统能够兼顾静态和动态、单因子和多指标、时空和过程的复杂滑坡监测预警情景,通过多次试验模拟和实地测试,反复训练并优化人工智能算法,逐步修正预警机制,使系统能够智能准确地识别滑坡安全隐患并及时进行动态预警。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明一种实景三维的滑坡危险性监测预警方法实施例的方法流程图。
图2为本发明实施例的多源数据融合处理流程图。
图3为本发明实施例的大尺度场景建模与分析流程图。
图4为本发明实施例的中尺度场景建模与分析流程图。
图5为本发明实施例的小尺度场景建模与分析流程图。
图6为本发明实施例的滑坡知识关联与实体建库流程图。
图7为本发明实施例的滑坡风险多尺度动态评估流程图。
图8为本发明实施例的滑坡多指标监测预警流程图。
图9为本发明实施例的大尺度滑坡实景三维效果图。
图10为本发明实施例的中尺度滑坡实景三维效果图。
图11为本发明实施例的小尺度滑坡部件级三维模型效果图。
图12为本发明实施例的滑坡特征示意图。
图13为本发明实施例的滑坡体三维点云模型图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。术语“设置”、“安装”、“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。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
实施例
如图1所示,本发明所述的基于实景三维的滑坡危险性监测预警方法,包括以下步骤:
图2为本发明实施例的多源数据融合处理流程图。S1,多源数据融合处理:收集滑坡相关数据进行集成融合处理。收集滑坡相关的基础地理信息数据、卫星遥感影像、无人机影像、激光点云数据、地质环境数据、历史地质灾害数据、灾害专业监测数据、监控视频数据、人工巡查上报数据及其他数据等多源数据进行集成融合处理;异构数据进行数字化和格式转换,统一数据基准和坐标投影,完成影像拼接和数据配准,实现静态地理空间数据与动态物联感知数据同步匹配,构建实景三维滑坡数据“一张图”。
图3为本发明实施例的大尺度场景建模与分析流程图。S2,大尺度场景建模与分析:利用卫星遥感数据或无人机影像数据结合地质环境普查数据,进行滑坡全局范围的普查,完成分辨率精度为米~厘米级的大尺度滑坡场景快速重建,分析并提取大场景滑坡相关特征和参数。S21,影像选取与预处理:选取成像质量高、无云雾影响、色调一致的高分辨率的卫星影像和无人机影像,可根据需要进行去云雾、匀光匀色、畸变校正、镶嵌增强等图像预处理步骤,提升图像的质量和准确性。
S22,影像稀疏匹配:从立体像对或多视影像中提取稳健的特征点,并建立同名特征点之间的对应关系,识别出两幅或者多幅影像中具有相同或相似结构的图像内容并建立准确的映射关系。
S23,区域网平差:利用各影像的内、外方位元素及姿态测量信息(POS信息)进行空中三角测量,以影像间同名点作为连接点,构建自检校区域网平差误差方程,求得精确的内外方位元素和连接点物方三维坐标。
S24,稠密匹配生成点云:利用影像间精确的相对位置关系,寻进行每个像素同名像点的密集匹配,进行前方交汇得到地物表面三维点云。
S25,三角网构建:基于稠密地表三维点云构建三角网(TIN),得到连续的三角网表面模型(Mesh白模)。
S26,纹理映射:根据物方与像方的几何关系,对白模进行自动纹理映射。
S27,地形级Mesh模型:形成全域大尺度的一套连续的真实场景三维模型。
S28,特征普查:大尺度实景三维模型可进行米级、厘米级灾害范围的圈定,周边地形地貌、植被、地物、孕灾环境等特征的普查。
图9为本发明实施例的大尺度滑坡实景三维效果图。
图4为本发明实施例的中尺度场景建模与分析流程图。S3,中尺度场景建模与分析:利用无人机近景影像和激光点云数据进行灾害体详查,完成中尺度滑坡三维实景建模(分辨率精度达到豪米级),并分析提取滑坡体特征和参数。
S31,中尺度数据采集与处理:针对潜在的灾害区域,采用无人机贴近摄影测量技术,面向灾害体采集多角度毫米级空间分辨率的近景影像,经过空中三角测量解算和稠密匹配生成密集点云,在植被遮挡、光线不足等复杂条件下,利用高精度三维激光扫描仪采集毫米级点云数据,经过点云去噪和滤波处理,分离出植被覆盖下的地面点和非地面点。
S32,点云融合:无人机影像密集点云与预处理后的三维激光点云互相补充,进行配准、评价和融合。
S33,模型重建:融合后的完整点云进行三角网重构,进行纹理映射和模型贴图,生成高精度的中尺度Mesh模型。
S34,特征详查:基于中尺度滑坡实景三维模型,对滑坡灾害发育特征、成灾机理、致灾因子等进行毫米级提取和分析。
图10为本发明实施例的中尺度滑坡实景三维效果图。
图5为本发明实施例的小尺度场景建模与分析流程图。S4,小尺度场景建模与分析:进行实景三维模型单体化剖分,完成地上相关地物框架结构和地下滑坡地层结构的部件级重建,分析提取高精度的细部特征和参数。
S41,数据分析:整合三维Mesh模型、激光点云、纹理照片及钻孔地质资料等滑坡数据,统一数据基准,分析滑坡相关实体剖分结构和岩土体性质。
S42,单体重建:分别构建滑坡剖分模型和三维地层模型。
S43,模型完善:通过裁剪、修补、漏洞填充等方法,完善重建滑坡结构体和地质体三维模型。
S44,纹理贴图:完善和修复细节部位的纹理,完成模型表面纹理贴图。
S45,数据派生:通过二维矢量或其他三维数据采集或派生完成地物实体的单体化补充和地理单元的拓扑层次构建。
S46,单体特征分析:提取滑坡场景中各单体模型的三维空间精细特征信息。
图11为本发明实施例的小尺度滑坡部件级三维模型效果图。图12为本发明实施例的滑坡特征示意图。图13为本发明实施例的滑坡体三维点云模型图。
图6为本发明实施例的滑坡知识关联与实体建库流程图。S5,滑坡知识关联与实体建库:综合滑坡实景三维模型、地质环境数据、历史地质灾害数据,进行知识本体提取,通过补充和挂接等方法完善属性,分析多尺度各实体的空间、类属、时间及语义关系;统一进行实体编码和赋值,构建滑坡场景知识图谱,经过标准化数据质量检查后,按需组合建立滑坡场景实景三维数据库。
图7为本发明实施例的滑坡风险多尺度动态评估流程图。S6,滑坡风险多尺度动态评估:基于全要素实景三维滑坡场景数据库,构建三维场景滑坡风险多尺度时空动态评估模型,从大中小不同尺度分别进行危险性评估、易发性评估和易损性评估,结合滑坡演化的三维时空过程,动态分析该滑坡的孕灾环境、致灾因子及承灾体等要素,提取岩土体、降雨、形变等致灾因子耦合作用下滑坡地质灾害应急监测关键指标及其临界阈值。
图8为本发明实施例的滑坡多指标监测预警流程图。S7,滑坡多指标监测预警:构建基础地质条件优先、特征雨量优先、灾害体形变优先等多指标滑坡地质灾害监测预警算法,建立基于人工智能的知识引导下滑坡监测预警时空演化模型,经过试验模拟和实地测试,反复训练并优化算法,完善预警机制,提供及时、准确的实景三维滑坡风险监测及预警服务。
本发明所述的一种基于实景三维的滑坡危险性监测预警系统,
包括多源数据集成管理模块:收集滑坡相关的基础地理信息数据、卫星遥感影像、无人机影像、激光点云数据、地质环境数据、历史地质灾害数据、灾害专业监测数据、监控视频数据、人工巡查上报数据及其他数据等多源数据进行集成融合处理。
大尺度场景建模与分析模块:利用卫星遥感数据或无人机影像数据结合地质环境普查数据,进行滑坡全局范围的普查,完成分辨率精度为米~厘米级的大尺度滑坡场景快速重建,分析并提取大场景滑坡相关特征和参数。
中尺度场景建模与分析模块:利用无人机近景影像和激光点云数据进行灾害体详查,完成中尺度滑坡三维实景建模(分辨率精度达到豪米级),并分析提取滑坡体特征和参数。
小尺度场景建模与分析模块:实现实景三维模型的单体化剖分,完成地上相关地物框架结构和地下滑坡地层结构的部件级重建,提取高精度的细部特征和参数。
滑坡知识关联与实体建库模块:提供基于滑坡实景三维模型、地质环境数据、历史地质灾害等数据的知识本体提取,通过属性补充和挂接功能,建立各实体的空间、类属、时间及语义关系;实现实体统一编码和赋值,构建滑坡场景知识图谱,经过标准化数据质量检查后,按需组合建立滑坡场景实景三维数据库。
滑坡风险多尺度动态评估模块:基于全要素实景三维滑坡场景数据库,实现大中小不同尺度的危险性评估、易发性评估和易损性评估分析,结合滑坡演化的三维时空过程,动态分析滑坡的孕灾环境、致灾因子及承灾体等要素,提取岩土体、降雨、形变等致灾因子耦合作用下滑坡地质灾害应急监测关键指标及其临界阈值。
滑坡多指标监测预警模块:实现基础地质条件优先、特征雨量优先、灾害体形变优先等多指标滑坡地质灾害监测预警算法,采用基于人工智能的滑坡监测预警时空演化模型,通过多次试验模拟和实地测试,反复训练并优化修正,完善预警机制,确保系统能够及时、准确地发现滑坡安全隐患并进行预警。多指标滑坡地质灾害监测预警算法和模型的具体包括:1)指标因子和时空相关数据预处理;2)按基础地质条件、特征雨量、灾害体形变3类进行指标因子筛选和样本训练;3)构建全卷积网络与长短时记忆网络的深度学习模型,引入注意力机制,加强历史滑坡知识数据的约束,以此增加模型的泛化能力和预警结果的可靠性。4)在已训练样本的基础上,不断增加新的实验模拟数据和实地滑坡灾害数据,进一步迭代优化模型参数,逐步修正预警结果。
其中,全卷积网络的编码层是卷积神经网络,而卷积神经网络中最重要的就是卷积层。一般神经网络的基本神经单元是线性运算,卷积神经网络就是将线性运算改为卷积运算。卷积运算是通过卷积核与输入特征图进行计算,计算结果经过激活函数的非线性映射输出到下一层网络,其计算方式如下式所示:
;
式中:表示层数,/>表示卷积核,/>为偏置项,/>为上层输入的特征图,/>为当前层需要进行卷积运算的特征图,/>为非线性激活函数,/>表示像素行号,/>表示像素列号,/>、/>取值属于/>。
实景三维场景展示模块:利用高新的计算机渲染引擎实现滑坡灾害二、三维一体化可视化展示,包括视图基本操作、图层管理、量算、标绘、漫游、录制工具等。
系统管理与维护模块:包括系统配置、用户管理、权限管理、数据库参数等功能。
因此,本发明采用上述基于实景三维的滑坡危险性监测预警方法及系统,能够实现滑坡地质灾害不同尺度数据获取、实景三维建模,能够建立更精细化的实景三维场景从各个方面真实表达滑坡实体。
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳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:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (9)
1.一种基于实景三维的滑坡危险性监测预警方法,其特征在于:包括以下步骤:
S1,多源数据融合处理:收集滑坡相关数据进行集成融合处理;
S2,大尺度场景建模与分析:
S21,影像选取与预处理;S22,影像稀疏匹配;S23,区域网平差;S24,稠密匹配生成点云;S25,三角网构建;S26,纹理映射;S27,地形级Mesh模型;S28,特征普查;
S3,中尺度场景建模与分析:
S31,中尺度数据采集与处理;S32,点云融合;S33,模型重建;S34,特征详查;
S4,小尺度场景建模与分析:
S41,数据分析;S42,单体重建;S43,模型完善;S44,纹理贴图;S45,数据派生;S46,单体特征分析;
S5,滑坡知识关联与实体建库;
S6,滑坡风险多尺度动态评估;
S7,滑坡多指标监测预警。
2.根据权利要求1所述的基于实景三维的滑坡危险性监测预警方法,其特征在于:S1中,收集滑坡相关的基础地理信息数据、卫星遥感影像、无人机影像、激光点云数据、地质环境数据、历史地质灾害数据、灾害专业监测数据、监控视频数据、人工巡查上报数据,将这些多源数据进行集成融合处理;异构数据进行数字化和格式转换,统一数据基准和坐标投影,完成影像拼接和数据配准,实现静态地理空间数据与动态物联感知数据同步匹配,构建实景三维滑坡数据图。
3.根据权利要求2所述的基于实景三维的滑坡危险性监测预警方法,其特征在于:S2中,利用卫星遥感数据或无人机影像数据结合地质环境普查数据,进行滑坡全局范围的普查,完成分辨率精度为米~厘米级的大尺度滑坡场景重建,分析并提取大场景滑坡相关特征和参数;
S21,影像选取与预处理:选取成像质量高、无云雾影响、色调一致的高分辨率的卫星影像和无人机影像,根据需要进行去云雾、匀光匀色、畸变校正、镶嵌增强的图像预处理;
S22,影像稀疏匹配:从立体像对或多视影像中提取稳健的特征点,并建立同名特征点之间的对应关系,识别出两幅或者多幅影像中具有相同结构的图像内容并建立准确的映射关系;
S23,区域网平差:利用各影像的内、外方位元素及POS信息进行空中三角测量,以影像间同名点作为连接点,构建自检校区域网平差误差方程,求得内外方位元素和连接点物方三维坐标;
S24,稠密匹配生成点云:利用影像间相对位置关系,进行每个像素同名像点的密集匹配,进行前方交汇得到地物表面三维点云;
S25,三角网构建:基于稠密地表三维点云构建三角网,得到连续的三角网表面模型,三角网表面模型为Mesh白模;
S26,纹理映射:根据物方与像方的几何关系,对白模进行自动纹理映射;
S27,地形级Mesh模型:形成全域大尺度的一套连续的真实场景三维模型;
S28,特征普查:通过大尺度实景三维模型进行米级、厘米级灾害范围的圈定,对周边地形地貌、植被、地物、孕灾环境特征进行普查。
4.根据权利要求3所述的基于实景三维的滑坡危险性监测预警方法,其特征在于:S3中,利用无人机近景影像和激光点云数据进行灾害体详查,完成中尺度滑坡三维实景建模,并分析提取滑坡体特征和参数;
S31,中尺度数据采集与处理:针对潜在的灾害区域,采用无人机贴近摄影测量技术,面向灾害体采集多角度毫米级空间分辨率的近景影像,经过空中三角测量解算和稠密匹配生成密集点云,在植被遮挡、光线不足复杂条件下,利用高精度三维激光扫描仪采集毫米级点云数据,经过点云去噪和滤波处理,分离出植被覆盖下的地面点和非地面点;
S32,点云融合:无人机影像密集点云与预处理后的三维激光点云互相补充,进行配准、评价和融合;
S33,模型重建:融合后的完整点云进行三角网重构,进行纹理映射和模型贴图,生成中尺度Mesh模型;
S34,特征详查:基于中尺度滑坡实景三维模型,对滑坡灾害发育特征、成灾机理、致灾因子进行毫米级提取和分析。
5.根据权利要求4所述的基于实景三维的滑坡危险性监测预警方法,其特征在于:S4中,进行实景三维模型单体化剖分,完成地上相关地物框架结构和地下滑坡地层结构的部件级重建,分析提取细部特征和参数;
S41,数据分析:整合三维Mesh模型、激光点云、纹理照片及钻孔地质资料的滑坡数据,统一数据基准,分析滑坡相关实体剖分结构和岩土体性质;
S42,单体重建:分别构建滑坡剖分模型和三维地层模型;
S43,模型完善:通过裁剪、修补、漏洞填充方法,完善重建滑坡结构体和地质体三维模型;
S44,纹理贴图:完善和修复细节部位的纹理,完成模型表面纹理贴图;
S45,数据派生:通过二维矢量或三维数据采集或派生完成地物实体的单体化补充和地理单元的拓扑层次构建;
S46,单体特征分析:提取滑坡场景中各单体模型的三维空间精细特征信息。
6.根据权利要求5所述的基于实景三维的滑坡危险性监测预警方法,其特征在于:S5中,综合滑坡实景三维模型、地质环境数据、历史地质灾害数据,进行知识本体提取,通过补充和挂接方法完善属性,分析多尺度各实体的空间、类属、时间及语义关系;统一进行实体编码和赋值,构建滑坡场景知识图谱,经过标准化数据质量检查后,按需组合建立滑坡场景实景三维数据库。
7.根据权利要求6所述的基于实景三维的滑坡危险性监测预警方法,其特征在于:S6中,基于全要素实景三维滑坡场景数据库,构建三维场景滑坡风险多尺度时空动态评估模型,从大中小不同尺度分别进行危险性评估、易发性评估和易损性评估,结合滑坡演化的三维时空过程,动态分析该滑坡的孕灾环境、致灾因子及承灾体要素,提取岩土体、降雨、形变致灾因子耦合作用下滑坡地质灾害应急监测关键指标及其临界阈值。
8.根据权利要求7所述的基于实景三维的滑坡危险性监测预警方法,其特征在于:S7中,构建基础地质条件优先、特征雨量优先、灾害体形变优先的多指标滑坡地质灾害监测预警算法,建立基于人工智能的知识引导下滑坡监测预警时空演化模型,经过试验模拟和实地测试,反复训练并优化算法,完善预警机制,提供及时、准确的实景三维滑坡风险监测及预警服务。
9.一种基于实景三维的滑坡危险性监测预警系统,其特征在于:
包括多源数据集成管理模块,收集滑坡相关的基础地理信息数据、卫星遥感影像、无人机影像、激光点云数据、地质环境数据、历史地质灾害数据、灾害专业监测数据、监控视频数据、人工巡查上报数据,将这些多源数据进行集成融合处理;
大尺度场景建模与分析模块,利用卫星遥感数据或无人机影像数据结合地质环境普查数据,进行滑坡全局范围的普查,完成分辨率精度为米~厘米级的大尺度滑坡场景重建,分析并提取大场景滑坡相关特征和参数;
中尺度场景建模与分析模块,利用无人机近景影像和激光点云数据进行灾害体详查,完成中尺度滑坡三维实景建模,分辨率精度为豪米级,并分析提取滑坡体特征和参数;
小尺度场景建模与分析模块,实现实景三维模型的单体化剖分,完成地上相关地物框架结构和地下滑坡地层结构的部件级重建,提取细部特征和参数;
滑坡知识关联与实体建库模块,提供基于滑坡实景三维模型、地质环境数据、历史地质灾害数据的知识本体提取,通过属性补充和挂接功能,建立各实体的空间、类属、时间及语义关系;实现实体统一编码和赋值,构建滑坡场景知识图谱,经过标准化数据质量检查后,按需组合建立滑坡场景实景三维数据库;
滑坡风险多尺度动态评估模块:基于全要素实景三维滑坡场景数据库,实现大中小不同尺度的危险性评估、易发性评估和易损性评估分析,结合滑坡演化的三维时空过程,动态分析滑坡的孕灾环境、致灾因子及承灾体要素,提取岩土体、降雨、形变致灾因子耦合作用下滑坡地质灾害应急监测关键指标及其临界阈值;
滑坡多指标监测预警模块:实现基础地质条件优先、特征雨量优先、灾害体形变优先多指标滑坡地质灾害监测预警算法,采用基于人工智能的滑坡监测预警时空演化模型,通过多次试验模拟和实地测试,反复训练并优化修正,完善预警机制;
实景三维场景展示模块,利用计算机渲染引擎实现滑坡灾害二、三维一体化可视化展示,包括视图基本操作、图层管理、量算、标绘、漫游、录制工具;
系统管理与维护模块,包括系统配置、用户管理、权限管理、数据库参数功能。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310768265.5A CN116504032B (zh) | 2023-06-28 | 2023-06-28 | 一种基于实景三维的滑坡危险性监测预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310768265.5A CN116504032B (zh) | 2023-06-28 | 2023-06-28 | 一种基于实景三维的滑坡危险性监测预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116504032A true CN116504032A (zh) | 2023-07-28 |
CN116504032B CN116504032B (zh) | 2023-09-22 |
Family
ID=87327033
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310768265.5A Active CN116504032B (zh) | 2023-06-28 | 2023-06-28 | 一种基于实景三维的滑坡危险性监测预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116504032B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116756344A (zh) * | 2023-08-16 | 2023-09-15 | 中南大学 | 一种面向全过程的滑坡场景本体构建方法及相关设备 |
CN116777913A (zh) * | 2023-08-22 | 2023-09-19 | 青岛市勘察测绘研究院 | 一种三维模型的套合精度检测方法、装置、设备及介质 |
CN117152361A (zh) * | 2023-10-26 | 2023-12-01 | 天津市滨海新区气象局(天津市滨海新区气象预警中心) | 一种基于注意力机制的遥感影像能见度估计方法 |
CN117216641A (zh) * | 2023-09-20 | 2023-12-12 | 四川省公路规划勘察设计研究院有限公司 | 一种高位崩滑地质灾害智能识别方法 |
CN117516636A (zh) * | 2024-01-03 | 2024-02-06 | 中国海洋大学 | 一种海岸堤坝安全监测预警方法及系统 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130132045A1 (en) * | 2011-11-21 | 2013-05-23 | International Business Machines Corporation | Natural Disaster Forecasting |
CN103605897A (zh) * | 2013-11-29 | 2014-02-26 | 民政部国家减灾中心 | 一种区域滑坡灾害风险估计方法 |
CN106226779A (zh) * | 2016-07-11 | 2016-12-14 | 铁道第三勘察设计院集团有限公司 | 基于遥感技术的易发滑坡预测方法 |
US20180045853A1 (en) * | 2016-08-15 | 2018-02-15 | U.S.A. As Represented By The Administrator Of The National Aeronautics And Space Administration | Landslide hazard assessment system and method |
CN110866973A (zh) * | 2019-08-23 | 2020-03-06 | 上海交通大学 | 空天库岸一体化应急勘测数据融合及集成显示系统及方法 |
CN112198511A (zh) * | 2020-09-14 | 2021-01-08 | 广东省核工业地质局测绘院 | 一种基于星空地一体化地质灾害普查方法 |
CN112669571A (zh) * | 2020-12-16 | 2021-04-16 | 中国地质大学(北京) | 一种基于三维gis的实时滑坡预测预警系统 |
KR102305467B1 (ko) * | 2021-05-12 | 2021-09-30 | 씨티씨 주식회사 | 딥러닝-기반 산사태 분산 감지 방법 |
CN113487123A (zh) * | 2021-05-11 | 2021-10-08 | 长江水利委员会长江科学院 | 高光谱监测与gis耦合山洪灾害动态风险评估方法 |
CN113885025A (zh) * | 2021-09-03 | 2022-01-04 | 宁夏大学 | 一种滑坡形变监测方法与可视化服务平台 |
CN114359500A (zh) * | 2022-03-10 | 2022-04-15 | 西南交通大学 | 一种面向滑坡危险范围预测的三维建模与可视化方法 |
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 |
US20220383475A1 (en) * | 2021-05-25 | 2022-12-01 | Wuhan Center, China Geological Survey (Central South China Innovation Center For Geosciences) | Method for identifying potential landslide hazard of reservoir bank based on rock mass degradation feature |
-
2023
- 2023-06-28 CN CN202310768265.5A patent/CN116504032B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130132045A1 (en) * | 2011-11-21 | 2013-05-23 | International Business Machines Corporation | Natural Disaster Forecasting |
CN103605897A (zh) * | 2013-11-29 | 2014-02-26 | 民政部国家减灾中心 | 一种区域滑坡灾害风险估计方法 |
CN106226779A (zh) * | 2016-07-11 | 2016-12-14 | 铁道第三勘察设计院集团有限公司 | 基于遥感技术的易发滑坡预测方法 |
US20180045853A1 (en) * | 2016-08-15 | 2018-02-15 | U.S.A. As Represented By The Administrator Of The National Aeronautics And Space Administration | Landslide hazard assessment system and method |
CN110866973A (zh) * | 2019-08-23 | 2020-03-06 | 上海交通大学 | 空天库岸一体化应急勘测数据融合及集成显示系统及方法 |
CN112198511A (zh) * | 2020-09-14 | 2021-01-08 | 广东省核工业地质局测绘院 | 一种基于星空地一体化地质灾害普查方法 |
CN112669571A (zh) * | 2020-12-16 | 2021-04-16 | 中国地质大学(北京) | 一种基于三维gis的实时滑坡预测预警系统 |
CN113487123A (zh) * | 2021-05-11 | 2021-10-08 | 长江水利委员会长江科学院 | 高光谱监测与gis耦合山洪灾害动态风险评估方法 |
KR102305467B1 (ko) * | 2021-05-12 | 2021-09-30 | 씨티씨 주식회사 | 딥러닝-기반 산사태 분산 감지 방법 |
US20220383475A1 (en) * | 2021-05-25 | 2022-12-01 | Wuhan Center, China Geological Survey (Central South China Innovation Center For Geosciences) | Method for identifying potential landslide hazard of reservoir bank based on rock mass degradation feature |
CN113885025A (zh) * | 2021-09-03 | 2022-01-04 | 宁夏大学 | 一种滑坡形变监测方法与可视化服务平台 |
CN114359500A (zh) * | 2022-03-10 | 2022-04-15 | 西南交通大学 | 一种面向滑坡危险范围预测的三维建模与可视化方法 |
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 |
Non-Patent Citations (4)
Title |
---|
常志路: "基于多尺度分割方法的斜坡单元划分及滑坡易发性预测", 工程科技与技术, vol. 55, no. 1, pages 184 - 195 * |
李涌波: "多方数据融合的山洪灾害模型应用研究", 信息技术及图像处理, vol. 44, no. 1, pages 92 - 97 * |
许强: "基于实景三维的天-空-地-内滑坡协同观测", 工程地质学报, vol. 31, no. 3, pages 706 - 717 * |
郝豪杰: "一种无人机滑坡遥感影像的快速匹配算法", 地理信息世界, vol. 27, no. 4, pages 83 - 89 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116756344A (zh) * | 2023-08-16 | 2023-09-15 | 中南大学 | 一种面向全过程的滑坡场景本体构建方法及相关设备 |
CN116756344B (zh) * | 2023-08-16 | 2023-11-14 | 中南大学 | 一种面向全过程的滑坡场景本体构建方法及相关设备 |
CN116777913A (zh) * | 2023-08-22 | 2023-09-19 | 青岛市勘察测绘研究院 | 一种三维模型的套合精度检测方法、装置、设备及介质 |
CN116777913B (zh) * | 2023-08-22 | 2023-11-03 | 青岛市勘察测绘研究院 | 一种三维模型的套合精度检测方法、装置、设备及介质 |
CN117216641A (zh) * | 2023-09-20 | 2023-12-12 | 四川省公路规划勘察设计研究院有限公司 | 一种高位崩滑地质灾害智能识别方法 |
CN117152361A (zh) * | 2023-10-26 | 2023-12-01 | 天津市滨海新区气象局(天津市滨海新区气象预警中心) | 一种基于注意力机制的遥感影像能见度估计方法 |
CN117152361B (zh) * | 2023-10-26 | 2024-01-30 | 天津市滨海新区气象局(天津市滨海新区气象预警中心) | 一种基于注意力机制的遥感影像能见度估计方法 |
CN117516636A (zh) * | 2024-01-03 | 2024-02-06 | 中国海洋大学 | 一种海岸堤坝安全监测预警方法及系统 |
CN117516636B (zh) * | 2024-01-03 | 2024-04-19 | 中国海洋大学 | 一种海岸堤坝安全监测预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116504032B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116504032B (zh) | 一种基于实景三维的滑坡危险性监测预警方法及系统 | |
CN113065000B (zh) | 一种基于地理实体的多源异构数据融合方法 | |
Gomez-Gutierrez et al. | Using 3D photo-reconstruction methods to estimate gully headcut erosion | |
Enge et al. | From outcrop to reservoir simulation model: Workflow and procedures | |
Pakoksung et al. | Digital elevation models on accuracy validation and bias correction in vertical | |
Wurm et al. | Investigating the applicability of Cartosat-1 DEMs and topographic maps to localize large-area urban mass concentrations | |
CN108182724B (zh) | 一种高精度城市热岛检测方法、设备及存储设备 | |
CN112729130A (zh) | 卫星遥感测量树木冠层高度的方法 | |
Zhou | Urban High-Resolution Remote Sensing: Algorithms and Modeling | |
CN109801371B (zh) | 一种基于Cesium的网络三维电子地图构建方法 | |
CN109685893B (zh) | 空间一体化建模方法及装置 | |
Khayyal et al. | Creation and spatial analysis of 3D city modeling based on GIS data | |
CN116011291A (zh) | 一种隧道洞口多源信息融合的边坡稳定性数字化评估平台 | |
Sun et al. | Building displacement measurement and analysis based on UAV images | |
CN110827405A (zh) | 一种数码遥感地质测绘方法及系统 | |
Zhao et al. | Combining ICESat-2 photons and Google Earth Satellite images for building height extraction | |
CN116030208A (zh) | 一种真实无人机虚拟仿真输电线路场景搭建方法及系统 | |
Mao et al. | Precision evaluation and fusion of topographic data based on UAVs and TLS surveys of a loess landslide | |
Bi et al. | Multi-View Analysis of High-Resolution Geomorphic Features in Complex Mountains Based on UAV–LiDAR and SfM–MVS: A Case Study of the Northern Pit Rim Structure of the Mountains of Lufeng, China | |
Shan et al. | Feasibility of Accurate Point Cloud Model Reconstruction for Earthquake‐Damaged Structures Using UAV‐Based Photogrammetry | |
Dwivedi et al. | New horizons in planning smart cities using LiDAR technology | |
Yao | Application of GIS remote sensing information integration in eco-environmental quality monitoring | |
Liao et al. | Unmanned aerial vehicle surveying and mapping trajectory scheduling and autonomous control for landslide monitoring | |
Peng et al. | Application of digital twins in high precision geological hazard survey and prevention in Beijing | |
Prakash et al. | Assessment of Urban Built-Up Volume Using Geospatial Methods: A Case Study of Bangalore |
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 |