CN116597226B - 一种多年冻土InSAR时序趋势预测的方法 - Google Patents
一种多年冻土InSAR时序趋势预测的方法 Download PDFInfo
- Publication number
- CN116597226B CN116597226B CN202310622186.3A CN202310622186A CN116597226B CN 116597226 B CN116597226 B CN 116597226B CN 202310622186 A CN202310622186 A CN 202310622186A CN 116597226 B CN116597226 B CN 116597226B
- Authority
- CN
- China
- Prior art keywords
- model
- permafrost
- interference pattern
- trend prediction
- interferogram
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012937 correction Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 9
- 230000001932 seasonal effect Effects 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 4
- 239000005436 troposphere Substances 0.000 claims description 4
- 230000001934 delay Effects 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 claims description 2
- 230000001427 coherent effect Effects 0.000 claims 1
- IWIANZLCJVYEFX-RYUDHWBXSA-N Pro-Phe Chemical compound C([C@@H](C(=O)O)NC(=O)[C@H]1NCCC1)C1=CC=CC=C1 IWIANZLCJVYEFX-RYUDHWBXSA-N 0.000 abstract description 10
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 239000002689 soil Substances 0.000 abstract description 8
- 238000011160 research Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010257 thawing Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多年冻土InSAR时序趋势预测的方法，包括：获取多年冻土区SAR影像数据，并对所述SAR影像数据进行处理，获取符合相干性的干涉图；利用大气校正和精密轨道参数对所述干涉图进行校正，获取校正后的干涉图；基于所述校正之后的干涉图，利用反演策略获取所述校正后的干涉图的形变数据；构建改进的Prophe模型，基于所述形变数据和所述改进的Prophe模型，对多年冻土区进行长时序趋势预测。本发明能够在极端气候环境下高效、安全、精确地预测冻土形变趋势，提升冻土区的监测维度、灾害预警精度以及工程安全系数，对多年冻土区的未来预警和研究具有重要意义。
Description
技术领域
本发明属于形变趋势预测技术领域，尤其涉及一种多年冻土InSAR时序趋势预测的方法。
背景技术
随着我国经济发展日益增强，对多年冻土区的建设需求也越来越大，加上全球气候变暖，冻土区工程建设与维护时，可能会因冻土退化导致地表发生沉降引起工程安全事故，这对多年冻土区的基础设施与安全造成重大的威胁，利用InSAR的方法已经可以监测地区的时序地表形变，但是对于冻土区未来时序形变预测的方法寥寥无几。如今，需要一种可靠、高效且精准的趋势预测方法对冻土区未来形变进行预测，提高多年冻土区的工程维护安全系数，提供一种能够在极端气候环境下高效、安全、精确地预测冻土形变趋势方法。与传统的HoltWinters、ARIMA等趋势预测模型等相比，改进的Prophet利用线性函数来拟合分解的分量，以时间作为唯一的回归变量。与传统的指数平滑模型相比，改进的Prophet可以更容易地处理具有多个周期的时间模式，并且对有规律间隔的测量没有要求。
发明内容
为解决上述技术问题，本发明提出了一种多年冻土InSAR时序趋势预测的方法，充分利用Prophet原模型可处理正弦信号的优点，在周期项算法和局部因素权重因子两方面改进Prophet模型，优化参数自适应和鲁棒性，进行多年冻土形变趋势预测的技术，可以克服多年冻土监测时数据缺失、异常值、变化点等难以预测的瓶颈，能够在极端气候环境下高效、安全、精确地预测冻土形变趋势，提升冻土区的监测维度、灾害预警精度以及工程安全系数，对多年冻土区的未来预警和研究具有重要意义。
为实现上述目的，本发明提供了一种多年冻土InSAR时序趋势预测的方法，包括：
获取多年冻土区SAR影像数据，并对所述SAR影像数据进行处理，获取符合相干性的干涉图；
利用大气校正和精密轨道参数对所述干涉图进行校正，获取校正后的干涉图；
基于所述校正后的干涉图，利用反演策略获取所述校正后的干涉图的形变数据；
构建改进的Prophe模型，基于所述形变数据和所述改进的Prophe模型，对多年冻土区进行长时序趋势预测。
可选的，对所述SAR影像数据进行处理，获取符合相干性的干涉图的方法包括：
基于所述SAR影像数据，利用ISCE生成雷达坐标和弧度，获取原始干涉图；
通过校正所述原始干涉图的平均偏差和设定相关性阈值，获取符合相干性的干涉图。
可选的，利用大气校正对所述干涉图进行校正包括：
根据全球大气模型提高的大气数据，生成对流层延迟图；
基于所述对流层延迟图，校正所述干涉图中的差分大气延迟；
获取所述SAR影像数据的绝对延迟图，基于所述绝对延迟图和所述对流层延迟图，获取差分干涉图；
基于所述差分干涉图对所述干涉图进行校正。
可选的，利用精密轨道参数对所述干涉图进行校正包括：
利用多项式的最小二乘法，基于所述SAR影像数据构建轨道误差模型；
基于所述轨道误差模型，对所述干涉图进行轨道误差估计，获取轨道校正图，对所述干涉图进行校正。
可选的，利用反演策略获取所述校正后的干涉图的形变数据包括：
获取干涉相位观测集，基于所述干涉相位观测集获取所述形变数据。
可选的，所述构建改进的Prophe模型包括：趋势项、季节效应值和局部因素的权重因子。
可选的，所述构建改进的Prophe模型的方法为：
y(t)＝g(t)+s(t)+αloc
其中，y(t)是模型的预测值，g(t)是模型的趋势值，s(t)是模型的季节效应值，αloc是模型局部因素变化的加权值。
可选的，所述季节效应值s(t)为：
其中，an是n倍频余弦的系数，bn是n倍频正弦的系数，n是倍数，P是常规周期。
可选的，基于所述形变数据和所述改进的Prophe模型，对多年冻土区进行长时序趋势预测包括：
基于所述形变数据对所述改进的Prophe模型中所述趋势项进行调节，并对所述季节效应值进行定义，获取调节后的所述改进的Prophe模型；
基于调节后的所述改进的Prophe模型，对多年冻土区进行长时序趋势预测。
可选的，对多年冻土区进行长时序趋势预测之后包括：获取多年冻土区长时序趋势预测结果，将所述多年冻土区长时序趋势预测结果进行可视化处理。
本发明技术效果：本发明利用Prophet模型参数自适应、鲁棒性强、可处理正弦信号的优点进行多年冻土形变趋势预测的技术，可以克服多年冻土监测时数据缺失、异常值、变化点等难以预测的瓶颈，能够在极端气候环境下高效、安全、精确地预测冻土形变趋势，提升冻土区的监测维度、灾害预警精度以及工程安全系数，对多年冻土区的未来预警和研究具有重要意义。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例多年冻土InSAR时序趋势预测的方法的流程示意图；
图2为本发明实施例趋势预测图，其中(a)为整体预测结果图，(b)为整体趋势曲线，(c)为以年为周期的周期性变化预测曲线。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
如图1所示，本实施例中提供一种多年冻土InSAR时序趋势预测的方法，包括以下步骤：
步骤一、主影像的选取，利用ISCE并校正干涉图平均偏差选取符合的干涉图影像。
利用ISCE生成雷达坐标(范围、方位角)和弧度展开干涉图，在每个图中校正干涉图平均偏差，并设定相关性阈值，选取符合的相干性图像；
步骤二、大气校正，根据全球大气模型提高的大气数据生成对流层延迟图，旨在校正干涉相位测量中与地形相关的差分大气延迟。
使用大气变量的三维分布来确定每个干涉图的每个像素上的大气相位延迟。选择与SAR场景空间覆盖范围重叠的网格点，计算每个选定的网格点上的延迟函数作为高度函数，给出了在一个高度z处的LOS差分大气延迟，即：
式(1)为校正差分大气延迟方法，其中θ为局部入射角，Rd为干空气的比气体常数，Rv为水蒸气比气体常数，P是干空气分压，e是水蒸气分压，gm是z与zref之间的重力加速度的加权平均值。
结合与SAR影像对应的绝对延迟图，生成用于校正干涉图的差分干涉图。
步骤三、利用网络去斜精密轨道参数，利用低阶多项式的最小二乘法进行空间建模，对第j幅SAR图像中具有坐标(x，y)的像素p轨道误差建模为：
其中a，b，c为干涉图的自定义轨道参数。
由轨道误差(orb)引起的所有干涉图沿弧的相位差可以表示为：
Δφorb＝Dorb×Porb (3)
其中，Dorb是与圆弧的相位差观测；Porb是轨道误差参数相关的设计矩阵。必要时可以考虑高阶多项式，显著减少轨道误差。最后，结合重新估计的轨道参数，生成与干涉网络相一致的轨道校正图，并对每一个干涉图进行校正。
步骤四、利用反演策略获取形变数据。干涉相位观测集是每个像素的单个SAR影像相位值的线性组合：
其中，φij为结合i和j的干涉图像素相位(即数据的位移向量d)，为采集时间n与n+1之间的像素相位增量，得到最终形变数据。
步骤五、利用改进的先知(Prophet)模型进行趋势预测。改进的先知(Prophet)模型以Prophet模型为基础，基于形变数据变化调节趋势项的灵活度，使模型对时序形变历史数据的拟合程度变强。结合多年冻土在不同季节的冻涨融沉形变趋势对季节项进行定义，使模型适应不同的季节性波动，并增加了局部因素的权重因子，以提高多年冻土形变预测的精度，即：
y(t)＝g(t)+s(t)+αloc (5)
其中，参数y(t)是模型的预测值，g(t)是模型的趋势值，s(t)是模型的季节效应值，αloc是模型局部因素变化的加权值。为了拟合模型的季节性效应并进行预测，采用傅里叶级数，利用了一个灵活的模型，季节效应值s(t)可以用式(6)表示：
其中，an是n倍频余弦的系数，bn是n倍频正弦的系数，n是倍数，P是常规周期。
步骤六、通过预测模型对多年冻土区进行大范围趋势预测以及可视化处理。并通过结合实际形变数据对预测灾害隐患区域进行重点监测，进一步提高灾害预警的精度和工程安全系数。
利用SBAS-InSAR技术获取了北麓河地区2018年至2021年的长时序形变数据，在多年冻土区选取了特征点，提取了特征点随时间变化的形变数据，并利用改进后的Prophet模型进行预测，采用MAE(平均绝对误差)对预测结果进行评价，误差保持在1.7左右，属良好范围。Prophet模型测试数据集预测结果如图2所示，图2(a)为整体预测结果，黑点为原始数值，趋势线为预测数值，灰色边界为预测值的误差阈值范围。图2(b)为整体趋势曲线，图2(c)是以年为周期的周期性变化预测曲线。
本发明首先通过校正平均偏差选取符合相干性的干涉图，结合精密轨道参数和分层对流层伪影对干涉图进行大气修正与轨道误差估计，利用短基线子集时间序列分析方法计算冻土累计形变量，最后基于现阶段多年冻土形变数据使用改进的Prophet模型预测多年冻土长时序变化趋势；本发明利用Prophet模型参数自适应、鲁棒性强、可处理正弦信号的优点进行多年冻土形变趋势预测的技术，可以克服多年冻土监测时数据缺失、异常值、变化点等难以预测的瓶颈，能够在极端气候环境下高效、安全、精确地预测冻土形变趋势，提升冻土区的监测维度、灾害预警精度以及工程安全系数，对多年冻土区的未来预警和研究具有重要意义。
以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。
Claims (5)
1.一种多年冻土InSAR时序趋势预测的方法，其特征在于，包括：
获取多年冻土区SAR影像数据，并对所述SAR影像数据进行处理，获取符合相干性的干涉图；
利用大气校正和精密轨道参数对所述干涉图进行校正，获取校正后的干涉图；
利用大气校正对所述干涉图进行校正包括：
根据全球大气模型提高的大气数据，生成对流层延迟图；
基于所述对流层延迟图，校正所述干涉图中的差分大气延迟；
获取所述SAR影像数据的绝对延迟图，基于所述绝对延迟图和所述对流层延迟图，获取差分干涉图；
基于所述差分干涉图对所述干涉图进行校正；
利用精密轨道参数对所述干涉图进行校正包括：
利用多项式的最小二乘法，基于所述SAR影像数据构建轨道误差模型；
基于所述轨道误差模型，对所述干涉图进行轨道误差估计，获取轨道校正图，对所述干涉图进行校正；
基于所述校正后的干涉图，利用反演策略获取所述校正后的干涉图的形变数据；
构建改进的Prophet模型，基于所述形变数据和所述改进的Prophet模型，对多年冻土区进行长时序趋势预测；
所述构建改进的Prophet模型包括：趋势项、季节效应值和局部因素的权重因子；
所述构建改进的Prophet模型的方法为：
y(t)＝g(t)+s(t)+αloc
其中，y(t)是模型的预测值，g(t)是模型的趋势值，s(t)是模型的季节效应值，αloc是模型局部因素变化的加权值；
所述季节效应值s(t)为：
其中，an是n倍频余弦的系数，bn是n倍频正弦的系数，n是倍数，P是常规周期。
2.如权利要求1所述的一种多年冻土InSAR时序趋势预测的方法，其特征在于，对所述SAR影像数据进行处理，获取符合相干性的干涉图的方法包括：
基于所述SAR影像数据，利用ISCE生成雷达坐标和弧度，获取原始干涉图；
通过校正所述原始干涉图的平均偏差和设定相关性阈值，获取符合相干性的干涉图。
3.如权利要求1所述的一种多年冻土InSAR时序趋势预测的方法，其特征在于，利用反演策略获取所述校正后的干涉图的形变数据包括：
获取干涉相位观测集，基于所述干涉相位观测集获取所述形变数据。
4.如权利要求1所述的一种多年冻土InSAR时序趋势预测的方法，其特征在于，基于所述形变数据和所述改进的Prophet模型，对多年冻土区进行长时序趋势预测包括：
基于所述形变数据对所述改进的Prophet模型中所述趋势项进行调节，并对所述季节效应值进行定义，获取调节后的所述改进的Prophet模型；
基于调节后的所述改进的Prophet模型，对多年冻土区进行长时序趋势预测。
5.如权利要求1所述的一种多年冻土InSAR时序趋势预测的方法，其特征在于，对多年冻土区进行长时序趋势预测之后包括：获取多年冻土区长时序趋势预测结果，将所述多年冻土区长时序趋势预测结果进行可视化处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310622186.3A CN116597226B (zh) | 2023-05-30 | 2023-05-30 | 一种多年冻土InSAR时序趋势预测的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310622186.3A CN116597226B (zh) | 2023-05-30 | 2023-05-30 | 一种多年冻土InSAR时序趋势预测的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116597226A CN116597226A (zh) | 2023-08-15 |
| CN116597226B true CN116597226B (zh) | 2024-06-04 |
Family
ID=87606101
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310622186.3A Active CN116597226B (zh) | 2023-05-30 | 2023-05-30 | 一种多年冻土InSAR时序趋势预测的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116597226B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117574493B (zh) * | 2023-11-13 | 2024-05-28 | 中国公路工程咨询集团有限公司 | 一种多年冻土地区高速公路冻土范围形变识别方法及系统 |
| CN118584431A (zh) * | 2024-05-14 | 2024-09-03 | 昆明理工大学 | 一种顾及大气随机特性的InSAR对流层延迟改正方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5726656A (en) * | 1996-12-19 | 1998-03-10 | Hughes Electronics | Atmospheric correction method for interferometric synthetic array radar systems operating at long range |
| GB0316858D0 (en) * | 2003-07-18 | 2003-08-20 | Univ Nottingham | A process for radar measurements of the position and movement of indivual targets and of areas of land and ice |
| CN112946647A (zh) * | 2021-02-02 | 2021-06-11 | 河海大学 | 大气误差改正InSAR干涉图堆叠地质灾害普查方法和装置 |
| CN112986981A (zh) * | 2021-02-18 | 2021-06-18 | 中国科学院西北生态环境资源研究院 | 多年冻土区地表冻融形变监测方法、装置和电子设备 |
| CN114563787A (zh) * | 2022-02-25 | 2022-05-31 | 中山大学 | 一种冻土形变监测方法、装置、设备及存储介质 |
| CN114925891A (zh) * | 2022-05-07 | 2022-08-19 | 新智道枢(上海)科技有限公司 | 基于小波分析与混合模型的用水量趋势预测方法和系统 |
| CN114966692A (zh) * | 2022-07-19 | 2022-08-30 | 之江实验室 | 基于Transformer的InSAR技术冻土区多变量时序形变预测方法及装置 |
| CN115079172A (zh) * | 2022-06-30 | 2022-09-20 | 香港中文大学深圳研究院 | 一种MTInSAR滑坡监测方法、设备及存储介质 |
| CN115201825A (zh) * | 2022-09-16 | 2022-10-18 | 眉山环天智慧科技有限公司 | 一种InSAR震间形变监测中的大气延迟校正方法 |
| CN116051620A (zh) * | 2023-04-03 | 2023-05-02 | 之江实验室 | 基于InSAR技术冻土区活动层厚度估计方法和系统 |
-
2023
- 2023-05-30 CN CN202310622186.3A patent/CN116597226B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5726656A (en) * | 1996-12-19 | 1998-03-10 | Hughes Electronics | Atmospheric correction method for interferometric synthetic array radar systems operating at long range |
| GB0316858D0 (en) * | 2003-07-18 | 2003-08-20 | Univ Nottingham | A process for radar measurements of the position and movement of indivual targets and of areas of land and ice |
| CN112946647A (zh) * | 2021-02-02 | 2021-06-11 | 河海大学 | 大气误差改正InSAR干涉图堆叠地质灾害普查方法和装置 |
| CN112986981A (zh) * | 2021-02-18 | 2021-06-18 | 中国科学院西北生态环境资源研究院 | 多年冻土区地表冻融形变监测方法、装置和电子设备 |
| CN114563787A (zh) * | 2022-02-25 | 2022-05-31 | 中山大学 | 一种冻土形变监测方法、装置、设备及存储介质 |
| CN114925891A (zh) * | 2022-05-07 | 2022-08-19 | 新智道枢(上海)科技有限公司 | 基于小波分析与混合模型的用水量趋势预测方法和系统 |
| CN115079172A (zh) * | 2022-06-30 | 2022-09-20 | 香港中文大学深圳研究院 | 一种MTInSAR滑坡监测方法、设备及存储介质 |
| CN114966692A (zh) * | 2022-07-19 | 2022-08-30 | 之江实验室 | 基于Transformer的InSAR技术冻土区多变量时序形变预测方法及装置 |
| CN115201825A (zh) * | 2022-09-16 | 2022-10-18 | 眉山环天智慧科技有限公司 | 一种InSAR震间形变监测中的大气延迟校正方法 |
| CN116051620A (zh) * | 2023-04-03 | 2023-05-02 | 之江实验室 | 基于InSAR技术冻土区活动层厚度估计方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| Study and Prediction of Surface Deformation Characteristics of Different Vegetation Types in the Permafrost Zone of Linzhi, Tibet;Xiaoci Wang et al;《Remote Sensing》;20220919;第14卷(第18期);第1-20页 * |
| 基于时序InSAR技术和改进的SVR算法的矿区形变监测与预测;梁芳;《中国优秀硕士学位论文全文数据库 基础科学辑》;20230315;第A008-137页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116597226A (zh) | 2023-08-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116597226B (zh) | 一种多年冻土InSAR时序趋势预测的方法 | |
| López-Quiroz et al. | Time series analysis of Mexico City subsidence constrained by radar interferometry | |
| Emadali et al. | Characterizing post-construction settlement of the Masjed-Soleyman embankment dam, Southwest Iran, using TerraSAR-X SpotLight radar imagery | |
| CN114966685A (zh) | 基于InSAR和深度学习的大坝形变监测及预测方法 | |
| Hahn et al. | Dynamic characterization of the incidence angle dependence of backscatter using metop ASCAT | |
| CN109884635A (zh) | 大范围高精度的InSAR形变监测数据处理方法 | |
| CN108919266A (zh) | 一种基于PSInSAR技术的桥梁安全预警方法 | |
| CN116338607B (zh) | 时间域和空间域两步式InSAR对流层延迟矫正方法 | |
| CN108802727B (zh) | 一种顾及流变参数的时序InSAR公路形变监测模型及解算方法 | |
| CN109061641A (zh) | 一种基于序贯平差的InSAR时序地表形变监测方法 | |
| Tang et al. | Atmospheric correction in time-series SAR interferometry for land surface deformation mapping–A case study of Taiyuan, China | |
| Yague-Martinez et al. | Ground displacement measurement by TerraSAR-X image correlation: the 2011 Tohoku-Oki earthquake | |
| CN112685819A (zh) | 一种用于大坝及滑坡变形gb-sar监测的数据后处理方法及系统 | |
| CN116381680A (zh) | 一种基于时序雷达干涉测量技术的城市地表形变监测方法 | |
| Yang et al. | Enhancing SWOT discharge assimilation through spatiotemporal correlations | |
| Xu et al. | InSAR tropospheric delay mitigation by GPS observations: A case study in Tokyo area | |
| Deng et al. | Transfer of height datum across seas using GPS leveling, gravimetric geoid and corrections based on a polynomial surface | |
| CN116068511B (zh) | 一种基于深度学习的InSAR大尺度系统误差改正方法 | |
| Gadgay et al. | Novel ensemble neural network models for better prediction using variable input approach | |
| CN114970222B (zh) | 基于hasm的区域气候模式日平均气温偏差订正方法和系统 | |
| Hammad et al. | Landslide investigation using differential synthetic aperture radar interferometry: a case study of Balloran dam area in Syria | |
| CN115113202A (zh) | 一种基于二维高斯模型的干涉相位迭代解缠方法 | |
| Wang et al. | Displacement monitoring and modeling of Qinghai–Tibet Railway in permafrost area using Sentinel-1A data | |
| Fu et al. | Improved flood simulation accuracy by downscaling remotely sensed precipitation data in the Qixing Wetland Watershed | |
| Wu et al. | Continuous monitoring the ground deformation by a step-by-step estimator in MTInSAR |
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 |