CN116699612A - 融合InSAR形变量与降雨量的滑坡危险性评价方法 - Google Patents
融合InSAR形变量与降雨量的滑坡危险性评价方法 Download PDFInfo
- Publication number
- CN116699612A CN116699612A CN202310670271.7A CN202310670271A CN116699612A CN 116699612 A CN116699612 A CN 116699612A CN 202310670271 A CN202310670271 A CN 202310670271A CN 116699612 A CN116699612 A CN 116699612A
- Authority
- CN
- China
- Prior art keywords
- landslide
- rainfall
- evaluation
- deformation
- data
- 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 106
- 238000005516 engineering process Methods 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 16
- 238000011160 research Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 239000011435 rock Substances 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 9
- 238000013210 evaluation model Methods 0.000 claims description 9
- 238000007619 statistical method Methods 0.000 claims description 9
- 238000012876 topography Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000007477 logistic regression Methods 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 238000013480 data collection Methods 0.000 claims description 2
- 230000001419 dependent effect Effects 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 238000010415 tidying Methods 0.000 claims description 2
- 230000001052 transient effect Effects 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 5
- 230000002265 prevention Effects 0.000 abstract description 3
- 230000009467 reduction Effects 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract 1
- 239000003673 groundwater Substances 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
Abstract
本发明公开了一种融合InSAR形变量与降雨量的滑坡危险性评价方法，所述方法包括如下步骤：步骤S1：多源异构数据获取；步骤S2：滑坡易发性评价；步骤S3：InSAR技术地表形变量计算与分级；步骤S4：有效降雨量计算与分级；步骤S5：基于InSAR地表形变量的滑坡危险性评价；步骤S6：基于降雨量阈值的滑坡危险性评价；步骤S7：滑坡危险性综合评价。本发明解决了现有技术滑坡灾害危险性评价方法的不足，同时本发明实施简单方便，结果呈现在GIS里面以图像形式呈现，根据降雨量变化，形变量变化，可进一步开发自动计算软件，评估结果能为当地应急管理部门提供决策指导意义，为防灾减灾相关部门提供防治科学依据。
Description
技术领域
本发明涉及一种滑坡危险性评价方法，具体涉及一种融合InSAR形变量与降雨量的滑坡危险性评价方法。
背景技术
滑坡危险性评价是滑坡灾害风险防控的前提和基础，国内外对滑坡危险性评价开展了大量研究，在评价指标因子选取上，多为地形地貌、地层岩性、地质构造、人类工程活动，对于地质结构与地下水在地球物理场的响应特征、岩层与坡向组合关系和矿山开采情况未见纳入评价指标。在易发性评价方法上，多以指标权重计算，概括起来有定性方法、数理统计法、机器学习法，其常用的为层次分析法、专家打分法、确定性系数、信息量法、证据权法、神经网络、逻辑回归、随机森林等，其中定性方法评价精度较低，且个人主观性较高，不同的专家评价结果不一。在危险性评价方法上，对于滑坡灾害多以静态因子评价，比如降雨量以年均降雨量为评价因子，将InSAR形变量作为危险性评价因素，已有研究虽然有考虑InSAR形变量，但是也是将其考虑为静态评价因子，比如形变速率。综上所述，已有研究在评价指标因子选取上未考虑地质结构与地下水在地球物理场的响应特征、岩层与坡向组合关系和矿山开采情况，危险性评价以静态评价为主。
发明内容
为了解决现有技术中指标因子不全面、评价方法单一的问题，本发明提供了一种融合InSAR形变量与降雨量的滑坡危险性评价方法。该方法分别考虑了InSAR的形变量以及有效降雨量，基于滑坡易发性，采用矩阵分析法将InSAR地表形变量的滑坡危险性评价结果与降雨量阈值的滑坡危险性评价结果叠加运算进行等级划分，使得滑坡危险性评价更加合理，实现随降雨量变化、地表变形的滑坡危险性动态评价。
本发明的目的是通过以下技术方案实现的：
一种融合InSAR形变量与降雨量的滑坡危险性评价方法，包括如下步骤：
步骤S1：多源异构数据获取：
获取多源异构数据，作为滑坡危险性评价的评价指标，其中：多源异构数据包括：(1)SAR影像，(2)地形地貌，(3)地球物理场特征，(4)基础地质，(5)水文环境，(6)人类工程活动，其中：地球物理场特征选择电阻率数据来表征；地形地貌数据包括高程、坡度、坡向、起伏度、地形曲率、剖面曲率；基础地质包括地层岩性、断层破碎带、岩层与坡向组合关系(逆向坡、顺向坡、切向坡)；水文环境包括水系河流、归一化植被指数、土地利用类型；人类工程活动包括道路切坡、矿山开采密度；
步骤S2：滑坡易发性评价：构建滑坡易发性评价模型，基于步骤S1获取的评价指标与历史滑坡数据进行滑坡易发性评价；
步骤S3：InSAR技术地表形变量计算与分级：基于步骤S1获取的SAR影像数据，运用InSAR技术计算形变量，计算得到每个历史滑坡发生前后形变量，进行数理统计分析，按滑坡概率在某InSAR形变量区间内的概率进行等级划分；
步骤S4：有效降雨量计算与分级：计算研究区有效降雨量，结合历史滑坡数据发生时间，统计分析有效降雨量达到阈值时，对应滑坡发生概率，按概率值分布划定有效降雨量区间；
步骤S5：基于InSAR地表形变量的滑坡危险性评价：采用矩阵分析法将步骤S2的滑坡易发性评价结果与步骤S3计算的InSAR形变量叠加运算进行等级划分，得到基于InSAR地表形变量的滑坡危险性评价结果；
步骤S6：基于降雨量阈值的滑坡危险性评价：采用矩阵分析法将步骤S2的滑坡易发性评价结果与步骤S4的降雨量阈值计算结果叠加运算进行等级划分，得到基于降雨量阈值的滑坡危险性评价结果；
步骤S7：滑坡危险性综合评价：采用矩阵分析法将步骤S5基于InSAR地表形变量的滑坡危险性评价结果与步骤S6基于降雨量阈值的滑坡危险性评价结果叠加运算进行等级划分，得到滑坡危险性综合评价结果。
相比于现有技术，本发明具有如下优点：
1、将岩层与坡向组合关系(逆向坡、顺向坡、切向坡)作为评价因子更加全面的考虑了滑坡的孕灾环境；
2、斜坡结构以及地下水是滑坡孕灾环境的重要因素，然而在已有方法中难以在区域性滑坡危险性评价中量化评价，而斜坡结构以及地下水的变化在地球物理响应特征上存在差异性，将区域电阻率平面等值线图作为评价因子也是更加全面的考虑了滑坡的孕灾环境；
3、矿山开采存在大量削坡切坡、地下空洞等，导致边坡失稳、采空区坍塌易引发滑坡，矿山周围存在大量人类工程活动，尤其是重型车托运，对周围斜坡增加了动荷载，因而将矿山开采密度作为评价因子，使评价因子更加全面；
4、本发明的方法分别考虑了InSAR的形变量以及有效降雨量，基于滑坡易发性，采用矩阵分析法将InSAR地表形变量的滑坡危险性评价结果与有效降雨量的滑坡危险性评价结果叠加运算进行等级划分，使得滑坡危险性评价更加合理。
附图说明
图1为滑坡危险性评价方法的流程图；
图2为滑坡危险性评价方法的具体流程图。
具体实施方式
下面结合附图对本发明的技术方案作进一步的说明，但并不局限于此，凡是对本发明技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，均应涵盖在本发明的保护范围中。
本发明提供了一种融合InSAR形变量与降雨量的滑坡危险性评价方法，如图1所示，包括如下步骤：
一种融合InSAR形变量与降雨量的滑坡危险性评价方法，包括如下步骤：
步骤S1：多源异构数据获取：
获取多源异构数据，作为滑坡危险性评价的评价指标，其中：多源异构数据包括：(1)SAR影像，(2)地形地貌，(3)地球物理场特征，(4)基础地质，(5)水文环境，(6)人类工程活动，其中：地球物理场特征选择电阻率数据来表征；地形地貌数据包括高程、坡度、坡向、起伏度、地形曲率、剖面曲率；基础地质包括地层岩性、断层破碎带、岩层与坡向组合关系(逆向坡、顺向坡、切向坡)；水文环境包括水系河流、归一化植被指数、土地利用类型；人类工程活动包括道路切坡、矿山开采密度，具体步骤如下：
步骤S1.1：SAR影像数据获取：下载覆盖研究区的SAR影像数据；
步骤S1.1：地形地貌数据获取：收集整理区域地貌资料，在GIS里面进行地貌分类，地形数据通过高精度数字高程模型(DEM)在GIS里面分析得到高程、坡度、坡向、起伏度、地形曲率、剖面曲率；
步骤S1.2：基于步骤S1.1获取的地形数据，采用传统的水文分析方法提取斜坡单元；
步骤S1.3：收集研究区历史降雨型滑坡数据，基于步骤S1.2，将各个滑坡对应所属斜坡单元定义为滑坡单元；
步骤S1.4：地球物理场特征数据获取：采用全航空瞬变电磁系统采集数据，运用GIS软件进行差值分析获取区域电阻率平面等值线图；
步骤S1.5：根据步骤S1.2提取的斜坡单元，每个斜坡单元均存在一个主要坡向，与岩层产状形成岩层与坡向组合关系，对其进行计算分类为逆向坡、顺向坡、切向坡；
步骤S1.6：基础地质、水文环境、人类工程活动数据获取：通过资料收集，利用GIS绘制、提取分析、差值等方法获取得到地层岩性、距断层距离，距水系河流距离、归一化植被指数，土地利用类型、距道路距离、矿山开采密度。
步骤S2：滑坡易发性评价：构建滑坡易发性评价模型，基于步骤S1获取的评价指标与历史滑坡数据进行滑坡易发性评价；具体步骤如下：
步骤S2.1：评价因子标准化处理：将步骤S1获取的多源异构数据，运用GIS处理为栅格图像；
步骤S2.2：评价因子分级：对于离散型数据采用固有分类进行分级，连续型数据采用等间距分级；
步骤S2.3：评价因子相关性分析：基于Pearson相关系数及方差膨胀系数(VIF)对评价指标进行多重共线性诊断，对冗余因子进行剔除；
步骤S2.4：滑坡样本数据集划定：统计滑坡单元栅格数量将其作为滑坡样本，在非滑坡单元选取相同数量栅格转为非滑坡样本，组成样本数据集，将其分为训练集(70％)和验证集(30％)；
步骤S2.5：计算不同评价因子不同分级类别的频率比值，运用GIS多值提取至点工具，得到赋有多值的滑坡样本数据(将各个评价因子不同分级的频率比值均提取至样本数据)；
步骤S2.6：构建评价模型：采用逻辑回归(LR)法构建评价模型，其公式如下：
其中：X1，X2，X3,…Xn为自变量；Y为因变量；P为滑坡发生的概率；Q为滑坡不发生的概率；Z为中间变量，表示滑坡发生的可能性与各评价因子之间的关系；β0，β1，β2，…，βn为逻辑回归系数；
步骤S2.7：易发性评价计算：将步骤S2.4的训练集样本输入步骤S2.6的评价模型中，得到易发性指数结果；
步骤S2.8：采用ROC曲线进行评价精度检验：计算ROC曲线下面积AUC值，分别表征训练集成功率与验证集预测率。
步骤S3：InSAR技术地表形变量计算与分级：基于步骤S1获取的SAR影像数据，运用InSAR技术计算形变量，计算得到每个历史滑坡发生前后形变量，进行数理统计分析，按滑坡概率在某InSAR形变量区间内的概率进行等级划分；具体步骤如下：
步骤S3.1：研究区地理编码配准裁剪：将Sentinel-1A的SLC数据的超级主影像转化为地理坐标，并进行配准划定研究区，对SAR影像进行裁剪；
步骤S3.2：生成时间和空间基线连接图，对所有的配对的干涉像对进行干涉处理；
步骤S3.3：两次SBAS反演，对反演结果地理编码投影到研究区域，得到滑坡区形变速率和累积形变量结果；
步骤S3.4：运用SBAS-InSAR技术计算涵盖历史滑坡数据发生时间的累积形变量，利用历史滑坡发生时间前后的累积形变量做差值，计算得到每个历史滑坡发生前后形变量；
步骤S3.5：InSAR形变量的滑坡发生概率分级，将步骤S3.4计算得到每个历史滑坡发生前后形变量，进行数理统计分析，按滑坡概率在某InSAR形变量区间内的概率进行等级划分，将其分为4个等级，滑坡在该形变区间内的滑坡概率值分别为60％、30％、15％、5％(根据实际情况可稍作调整)，分别对应形变量(DeformationVariable，DV)区间为[a,b]，(b,c]，(c,d]，(d,e]。
步骤S4：有效降雨量计算与分级：计算研究区有效降雨量，结合历史滑坡数据发生时间，统计分析有效降雨量达到阈值时，对应滑坡发生概率，按概率值分布划定有效降雨量区间；具体步骤如下：
步骤S4.1：根据如下公式计算有效降雨量：
其中：Rc为有效降雨量(mm)；R0为滑坡发生当日的降雨量(mm)；Ri为滑坡发生前i日的降雨量(mm)；a为降雨系数，取0.8。
步骤S4.2：有效降雨量滑坡发生概率分级：根据步骤S4.1计算得到的有效降雨量，结合历史滑坡数据发生时间，统计分析有效降雨量达到阈值时，对应滑坡发生概率，按概率值分布划定有效降雨量区间，滑坡概率值分别为60％、30％、15％、5％(根据实际情况可稍作调整)，分别对应有效降雨量区间为[f,g]，(h,i]，(j,k]，(l,m]。
步骤S5：基于InSAR地表形变量的滑坡危险性评价：采用矩阵分析法将步骤S2的滑坡易发性评价结果与步骤S3计算的InSAR形变量叠加运算进行等级划分，得到基于InSAR地表形变量的滑坡危险性评价结果，如表1所示：
表1InSAR形变量判定滑坡危险性等级
步骤S6：基于降雨量阈值的滑坡危险性评价：采用矩阵分析法将步骤S2的滑坡易发性评价结果与步骤S4的降雨量阈值计算结果叠加运算进行等级划分，得到基于降雨量阈值的滑坡危险性评价结果，如表2所示：
表2有效降雨量判定滑坡危险性等级
步骤S7：滑坡危险性综合评价：采用矩阵分析法将步骤S5基于InSAR地表形变量的滑坡危险性评价结果与步骤S6基于降雨量阈值的滑坡危险性评价结果叠加运算进行等级划分，得到滑坡危险性综合评价结果，如表3所示：
表3综合判定滑坡危险性等级
上述方法解决了现有技术滑坡灾害危险性评价方法不足的问题，同时本发明实施简单方便，结果呈现在GIS里面以图像形式呈现，根据降雨量变化，形变量变化，可进一步开发自动计算软件，评估结果能为当地应急管理部门提供决策指导意义，为防灾减灾相关部门提供防治科学依据。
Claims (6)
1.一种融合InSAR形变量与降雨量的滑坡危险性评价方法，其特征在于所述方法包括如下步骤：
步骤S1：多源异构数据获取：
获取多源异构数据，作为滑坡危险性评价的评价指标，其中：多源异构数据包括：(1)SAR影像，(2)地形地貌，(3)地球物理场特征，(4)基础地质，(5)水文环境，(6)人类工程活动；
步骤S2：滑坡易发性评价：构建滑坡易发性评价模型，基于步骤S1获取的评价指标与历史滑坡数据进行滑坡易发性评价；
步骤S3：InSAR技术地表形变量计算与分级：基于步骤S1获取的SAR影像数据，运用InSAR技术计算形变量，计算得到每个历史滑坡发生前后形变量，进行数理统计分析，按滑坡概率在某InSAR形变量区间内的概率进行等级划分；
步骤S4：有效降雨量计算与分级：计算研究区有效降雨量，结合历史滑坡数据发生时间，统计分析有效降雨量达到阈值时，对应滑坡发生概率，按概率值分布划定有效降雨量区间；
步骤S5：基于InSAR地表形变量的滑坡危险性评价：采用矩阵分析法将步骤S2的滑坡易发性评价结果与步骤S3计算的InSAR形变量叠加运算进行等级划分，得到基于InSAR地表形变量的滑坡危险性评价结果；
步骤S6：基于降雨量阈值的滑坡危险性评价：采用矩阵分析法将步骤S2的滑坡易发性评价结果与步骤S4的降雨量阈值计算结果叠加运算进行等级划分，得到基于降雨量阈值的滑坡危险性评价结果；
步骤S7：滑坡危险性综合评价：采用矩阵分析法将步骤S5基于InSAR地表形变量的滑坡危险性评价结果与步骤S6基于降雨量阈值的滑坡危险性评价结果叠加运算进行等级划分，得到滑坡危险性综合评价结果。
2.根据权利要求1所述的融合InSAR形变量与降雨量的滑坡危险性评价方法，其特征在于所述步骤S1中，地球物理场特征选择电阻率数据来表征；地形地貌数据包括高程、坡度、坡向、起伏度、地形曲率、剖面曲率；基础地质包括地层岩性、断层破碎带、岩层与坡向组合关系；水文环境包括水系河流、归一化植被指数、土地利用类型；人类工程活动包括道路切坡、矿山开采密度。
3.根据权利要求1所述的融合InSAR形变量与降雨量的滑坡危险性评价方法，其特征在于所述S1的具体步骤如下：
步骤S1.1：SAR影像数据获取：下载覆盖研究区的SAR影像数据；
步骤S1.1：地形地貌数据获取：收集整理区域地貌资料，在GIS里面进行地貌分类，地形数据通过高精度数字高程模型DEM在GIS里面分析得到高程、坡度、坡向、起伏度、地形曲率、剖面曲率；
步骤S1.2：基于步骤S1.1获取的地形数据，采用传统的水文分析方法提取斜坡单元；
步骤S1.3：收集研究区历史降雨型滑坡数据，基于步骤S1.2，将各个滑坡对应所属斜坡单元定义为滑坡单元；
步骤S1.4：地球物理场特征数据获取：采用全航空瞬变电磁系统采集数据，运用GIS软件进行差值分析获取区域电阻率平面等值线图；
步骤S1.5：根据步骤S1.2提取的斜坡单元，每个斜坡单元均存在一个主要坡向，与岩层产状形成岩层与坡向组合关系，对其进行计算分类为逆向坡、顺向坡、切向坡；
步骤S1.6：基础地质、水文环境、人类工程活动数据获取：通过资料收集，利用GIS绘制、提取分析、差值等方法获取得到地层岩性、距断层距离，距水系河流距离、归一化植被指数，土地利用类型、距道路距离、矿山开采密度。
4.根据权利要求1所述的融合InSAR形变量与降雨量的滑坡危险性评价方法，其特征在于所述步骤S2的具体步骤如下：
步骤S2.1：评价因子标准化处理：将步骤S1获取的多源异构数据，运用GIS处理为栅格图像；
步骤S2.2：评价因子分级：对于离散型数据采用固有分类进行分级，连续型数据采用等间距分级；
步骤S2.3：评价因子相关性分析：基于Pearson相关系数及方差膨胀系数VIF对评价指标进行多重共线性诊断，对冗余因子进行剔除；
步骤S2.4：滑坡样本数据集划定：统计滑坡单元栅格数量将其作为滑坡样本，在非滑坡单元选取相同数量栅格转为非滑坡样本，组成样本数据集，将其分为训练集和验证集；
步骤S2.5：计算不同评价因子不同分级类别的频率比值，运用GIS多值提取至点工具，得到赋有多值的滑坡样本数据；
步骤S2.6：构建评价模型：采用逻辑回归法构建评价模型，其公式如下：
其中：X1，X2，X3,…Xn为自变量；Y为因变量；P为滑坡发生的概率；Q为滑坡不发生的概率；Z为中间变量，表示滑坡发生的可能性与各评价因子之间的关系；β0，β1，β2，…，βn为逻辑回归系数；
步骤S2.7：易发性评价计算：将步骤S2.4的训练集样本输入步骤S2.6的评价模型中，得到易发性指数结果；
步骤S2.8：采用ROC曲线进行评价精度检验：计算ROC曲线下面积AUC值，分别表征训练集成功率与验证集预测率。
5.根据权利要求1所述的融合InSAR形变量与降雨量的滑坡危险性评价方法，其特征在于所述步骤S3的具体步骤如下：
步骤S3.1：研究区地理编码配准裁剪：将Sentinel-1A的SLC数据的超级主影像转化为地理坐标，并进行配准划定研究区，对SAR影像进行裁剪；
步骤S3.2：生成时间和空间基线连接图，对所有的配对的干涉像对进行干涉处理；
步骤S3.3：两次SBAS反演，对反演结果地理编码投影到研究区域，得到滑坡区形变速率和累积形变量结果；
步骤S3.4：运用SBAS-InSAR技术计算涵盖历史滑坡数据发生时间的累积形变量，利用历史滑坡发生时间前后的累积形变量做差值，计算得到每个历史滑坡发生前后形变量；
步骤S3.5：InSAR形变量的滑坡发生概率分级，将步骤S3.4计算得到每个历史滑坡发生前后形变量，进行数理统计分析，按滑坡概率在某InSAR形变量区间内的概率进行等级划分。
6.根据权利要求1所述的融合InSAR形变量与降雨量的滑坡危险性评价方法，其特征在于所述步骤S4的具体步骤如下：
步骤S4.1：根据如下公式计算有效降雨量：
其中：Rc为有效降雨量；R0为滑坡发生当日的降雨量；Ri为滑坡发生前i日的降雨量；a为降雨系数；
步骤S4.2：有效降雨量滑坡发生概率分级：根据步骤S4.1计算得到的有效降雨量，结合历史滑坡数据发生时间，统计分析有效降雨量达到阈值时，对应滑坡发生概率，按概率值分布划定有效降雨量区间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310670271.7A CN116699612A (zh) | 2023-06-07 | 2023-06-07 | 融合InSAR形变量与降雨量的滑坡危险性评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310670271.7A CN116699612A (zh) | 2023-06-07 | 2023-06-07 | 融合InSAR形变量与降雨量的滑坡危险性评价方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116699612A true CN116699612A (zh) | 2023-09-05 |
Family
ID=87828719
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310670271.7A Pending CN116699612A (zh) | 2023-06-07 | 2023-06-07 | 融合InSAR形变量与降雨量的滑坡危险性评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116699612A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117391438A (zh) * | 2023-10-08 | 2024-01-12 | 广东省科学院广州地理研究所 | 区域性群发性坡面型泥石流风险评价方法、系统和介质 |
-
2023
- 2023-06-07 CN CN202310670271.7A patent/CN116699612A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117391438A (zh) * | 2023-10-08 | 2024-01-12 | 广东省科学院广州地理研究所 | 区域性群发性坡面型泥石流风险评价方法、系统和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | GIS-based logistic regression for rainfall-induced landslide susceptibility mapping under different grid sizes in Yueqing, Southeastern China | |
| Luzi et al. | Slope vulnerability to earthquakes at subregional scale, using probabilistic techniques and geographic information systems | |
| Kanungo et al. | Landslide Susceptibility Zonation (LSZ) Mapping–A Review. | |
| Lee et al. | Statistical approach to earthquake-induced landslide susceptibility | |
| Lee et al. | Probabilistic landslide susceptibility and factor effect analysis | |
| Thiery et al. | Landslide susceptibility assessment by bivariate methods at large scales: application to a complex mountainous environment | |
| CN109447493B (zh) | 一种基于物源活动强度的震后泥石流危险性评价方法 | |
| CN113487123B (zh) | 高光谱监测与gis耦合山洪灾害动态风险评估方法 | |
| Sema et al. | Fuzzy gamma operator model for preparing landslide susceptibility zonation mapping in parts of Kohima Town, Nagaland, India | |
| CN112613096B (zh) | 一种面向强震前后不同阶段的地质灾害评价方法 | |
| Li et al. | Application and verification of fractal approach to landslide susceptibility mapping | |
| Ma et al. | Spatial prediction strategy for landslides triggered by large earthquakes oriented to emergency response, mid-term resettlement and later reconstruction | |
| Liu et al. | A rough set approach to analyze factors affecting landslide incidence | |
| Lee | Application and cross-validation of spatial logistic multiple regression for landslide susceptibility analysis | |
| CN113487105B (zh) | 一种滑坡地质灾害的空间预测方法、装置和计算机设备 | |
| Wubalem et al. | Comparison of statistical and analytical hierarchy process methods on flood susceptibility mapping: In a case study of the Lake Tana sub-basin in northwestern Ethiopia | |
| CN116699612A (zh) | 融合InSAR形变量与降雨量的滑坡危险性评价方法 | |
| CN116363524A (zh) | 一种公路地质灾害高风险区域监测预警方法及装置 | |
| Wang et al. | Landslide susceptibility assessment in Wenchuan County after the 5.12 magnitude earthquake | |
| CN115079170A (zh) | 一种利用InSAR形变监测滑坡风险的评估方法 | |
| Okalp et al. | Landslide susceptibility assessment in medium-scale: case studies from the major drainage basins of Turkey | |
| Bai et al. | Pre-conditioning factors and susceptibility assessments of Wenchuan earthquake landslide at the Zhouqu segment of Bailongjiang basin, China | |
| Wan et al. | The knowledge rules of debris flow event: A case study for investigation Chen Yu Lan River, Taiwan | |
| Zhang et al. | GIS-based soil planar slide susceptibility mapping using logistic regression and neural networks: a typical red mudstone area in southwest China | |
| Du et al. | Risk evaluation of colluvial cutting slope based on fuzzy analytic hierarchy process and multilevel fuzzy comprehensive evaluation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |