CN116912068B - 一种基于面域形变观测的滑坡预警方法 - Google Patents
一种基于面域形变观测的滑坡预警方法 Download PDFInfo
- Publication number
- CN116912068B CN116912068B CN202311168121.2A CN202311168121A CN116912068B CN 116912068 B CN116912068 B CN 116912068B CN 202311168121 A CN202311168121 A CN 202311168121A CN 116912068 B CN116912068 B CN 116912068B
- Authority
- CN
- China
- Prior art keywords
- deformation
- area
- landslide
- early warning
- time
- 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 20
- 230000008859 change Effects 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000006073 displacement reaction Methods 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000013527 convolutional neural network Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 43
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 9
- 238000011439 discrete element method Methods 0.000 description 5
- 230000001133 acceleration Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 241000238565 lobster Species 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/32—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring the deformation in a solid
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- 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
- 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
Abstract
本发明公开了一种基于面域形变观测的滑坡预警方法,属于滑坡预警技术领域,包括以下步骤:获取面域形变观测数据;对面域形变观测数据进行处理,并提取滑坡面域空间上的变化特征和面域特征点时间上的变化特征,得到滑坡面域的形变空间特征;将滑坡面域的形变空间特征与周围地区的微地貌进行对比分析,圈定危险坡体范围,并根据坡体复杂程度划分子区域;计算各子区域面域平均形变,并绘制面域形变曲线;统一面域形变曲线的坐标轴量纲,计算面域形变曲线的切线角,并根据切线角判断滑坡状况,发出不同的滑坡预警信号。本发明解决了滑坡预警时单点监测难以全面反映滑坡变形情况、数据处理和分析复杂、精度和可靠性低以及监测成本较高的问题。
Description
技术领域
本发明属于滑坡预警技术领域,具体涉及一种基于面域形变观测的滑坡预警方法。
背景技术
滑坡作为一种常见的自然灾害,其发生时不仅会破坏建筑物、道路、桥梁等基础设施,还会导致人员伤亡和财产损失。由于滑坡具有突发性和不可预测性,一旦发生滑坡事件,往往会造成严重的后果。因此,及时预警和采取有效的应对措施十分重要。目前,滑坡预警理论方法主要基于传统的监测手段,包括地形观察、遥感监测、地震监测、地下水位监测、地表位移监测等。其中,地表位移监测是最为简单和常用的方法,最为常见的手段有GNSS监测、全站仪监测、地表裂缝监测仪监测等。然而这些基于点的时序形变监测手段存在监测范围窄,无法全面了解滑坡体的形变情况;监测精度受监测点数量和位置的限制,无法提供全局的形变信息;预警响应时间较长,无法及时响应突发事件;监测成本较高,需要大量的人力、物力和财力投入等问题。因此,基于点时序预警手段已无法满足大范围全面的滑坡预警的需求。
随着激光雷达、InSAR等技术的发展,这些基于面域的形变观测的滑坡预警手段开始逐步展现出其独特的优势。其空间覆盖范围广,通过覆盖更大的区域对整个滑坡区域的监测,更有助于全面评估滑坡的影响范围和潜在风险;监测信息丰富,相较于单一的监测点信息,面状监测可以提供如滑坡形变的速度、方向、规模等信息,有助于更好地了解滑坡的演变过程;更高的可靠性,面状监测可以减少因单个监测点失效或数据异常而导致的误报或漏报现象;低成本,面状监测技术通常可以利用遥感、无人机等现代技术手段进行,相较于传统的点状监测,可以降低人力、物力及时间成本。从而,基于面域的形变监测的滑坡预警手段弥补了基于点时序预警的一系列缺陷。
发明内容
本发明提供了一种基于面域形变观测的滑坡预警方法,解决了滑坡预警时单点监测难以全面反映滑坡变形情况、数据处理和分析复杂、精度和可靠性低以及监测成本较高的问题。
为了解决上述技术问题,本发明的技术方案为:一种基于面域形变观测的滑坡预警方法,包括以下步骤:
S1、获取面域形变观测数据;
S2、对面域形变观测数据进行处理,并提取滑坡面域空间上的变化特征和面域特征点时间上的变化特征,得到滑坡面域的形变空间特征;
S3、将滑坡面域的形变空间特征与周围地区的微地貌进行对比分析,圈定危险坡体范围,并根据坡体复杂程度划分子区域;
S4、计算各子区域面域平均形变,并绘制面域形变曲线;
S5、统一面域形变曲线的坐标轴量纲,计算面域形变曲线的切线角,并根据切线角判断滑坡状况,发出不同的滑坡预警信号。
进一步地,所述S3的具体步骤为:
S31、通过无人机三维模型和数字高程模型DEM进行滑坡地貌识别,得到地貌数据源,并根据地貌数据源提取周围地区的微地貌;
S32、将滑坡面域的形变空间特征与微地貌进行对比分析,得到滑坡特征;
S33、将滑坡特征输入卷积神经网络,对滑坡范围进行自动识别,并根据预设阈值,圈定危险坡体范围;
S34、根据坡体复杂程度,在危险坡体范围的区域边缘周围识别微地貌,划分子区域分界线,得到子区域。
进一步地,所述S4的具体步骤为:
S41、根据危险坡体范围,提取各时段面域特征点的形变量,并计算各子区域的面域形变量;
S42、根据子区域各时间段的面域形变量,计算各子区域的面域平均形变;
S43、根据子区域的面域平均形变,计算各子区域的面域形变速率,并绘制面域形变曲线。
进一步地,所述S41中子区域的面域形变量的计算公式为:
其中,表示子区域的面域形变量,/>表示面域内第/>个特征点的形变量,/>表示面域内特征点数量。
进一步地,所述S5的具体步骤为:
S51、将面域形变曲线中的位移转换为与时间统一量纲的值,并计算面域形变曲线的切线角;
S52、根据切线角大小设置不同的预警级别和与预警级别对应的滑坡预警信号;
S53、通过时间点对应的切线角大小,判断滑坡状况,并发出预警级别对应的滑坡预警信号。
进一步地,所述S51中将面域形变曲线中的位移转换为与时间统一量纲的值的表达式为:
其中,表示第/>次检测时位移转换后与时间等量纲的值,/>表示单位时间内子区域面域累积形变值,/>表示等速形变阶段子区域面域形变速率。
进一步地,所述S51中面域形变曲线的切线角的表达式为:
其中,表示面域形变曲线转换后的曲线切线角,/>表示反正切函数,/>表示第/>次检测时位移转换后与时间等量纲的值,/>表示第/>次检测时位移转换后与时间等量纲的值,/>表示第/>次检测时刻,/>表示第/>次检测时刻,/>表示单位时间内/>的变换量,/>表示单位时间段落。
本发明的有益效果是:(1)通过面域形变观测数据,提取滑坡面域的形变空间特征,并与微地貌进行对比分析,通过计算面域形变曲线的切线角,可以实现对滑坡的准确预警。对滑坡面域变化的全面监测,相比传统监测手段的点测量具有更广泛的应用范围,同时对面域形变观测数据的处理简单准确,提高了滑坡预警的准确性,减少误报率,提高了对滑坡灾害的应对效率,解决了单点监测难以全面反映滑坡变形情况、数据处理和分析复杂、精度和可靠性低以及监测成本较高的问题。
(2)通过微地貌识别并且结合微地貌进行对比分析,能够减少面域形变观测数据处理中存在阈值划定的主观性、滑坡地质结构的复杂性及形变监测结果误差性等因素的影响,对坡体范围内分区的准确性可以起到很好的保障性,并且可以提高滑坡预警的准确性,减少误报率。
(3)通过绘制面域形变曲线,能够直观的观测面域形变速率,并且面域形变曲线能够显示滑坡时各阶段的特征差异。
(4)由于位移与时间量纲的不统一,无法统一预警阈值,因此通过统一量纲后计算面域形变曲线的切线角,使得滑坡预警信号更具准确性。
附图说明
图1为本发明基于面域形变观测的滑坡预警方法的流程图。
图2为本发明面域形变曲线阶段的划分图。
图3为本发明子区域分区示意图。
图4为本发明面域形变曲线及切线角阈值图。
具体实施方式
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
实施例
如图1所示,本发明提供了一种基于面域形变观测的滑坡预警方法,包括以下步骤:
S1、获取面域形变观测数据;
S2、对面域形变观测数据进行处理,并提取滑坡面域空间上的变化特征和面域特征点时间上的变化特征,得到滑坡面域的形变空间特征;
S3、将滑坡面域的形变空间特征与周围地区的微地貌进行对比分析,圈定危险坡体范围,并根据坡体复杂程度划分子区域;
S4、计算各子区域面域平均形变,并绘制面域形变曲线;
S5、统一面域形变曲线的坐标轴量纲,计算面域形变曲线的切线角,并根据切线角判断滑坡状况,发出不同的滑坡预警信号。
本实施例中,获取面域形变观测数据的技术种类繁多,本发明中所需使用到的面域形变监测数据源无严格限制,可根据实际情况选取合适的数据源。较为常见的面域形变数据获取途径包括星载InSAR、北斗雷达、激光雷达LiDAR和边坡雷达等。
在获取面域形变观测数据后,根据形变量级设置形变分类阈值,从而获取滑坡面域在空间分布上的变化特征,并结合面域内特征点时序形变结果,获取滑坡面域特征点在时间上的变化特征,得到滑坡面域的形变空间特征。
所述S3的具体步骤为:
S31、通过无人机三维模型和数字高程模型DEM进行滑坡地貌识别,得到地貌数据源,并根据地貌数据源提取周围地区的微地貌;
S32、将滑坡面域的形变空间特征与微地貌进行对比分析,得到滑坡特征;
S33、将滑坡特征输入卷积神经网络,对滑坡范围进行自动识别,并根据预设阈值,圈定危险坡体范围;
S34、根据坡体复杂程度,在危险坡体范围的区域边缘周围识别微地貌,划分子区域分界线,得到子区域。
本实施例中,关于滑坡隐患区域地貌数据的获取途径,主要包括激光雷达LiDAR测量、卫星遥感测量、空中摄影测量和雷达干涉测量等。本实施例通过无人机三维模型数据及数字高程模型DEM进行滑坡地貌识别,得到地貌数据源,并提取冲沟和裂缝等微地貌。
在数字高程模型DEM中,滑坡通常表现为一个高程降低的区域,其中滑坡头部通常是一个向上凸起的区域,滑坡体是较陡峭的区域,滑坡尾部则是一个较平坦的区域。基于数字高程模型DEM对坡度和坡向分析,通过坡度和坡向可以识别出滑坡的方向和形态。在滑坡区域,坡度通常较大,坡向指向滑坡的方向。滑坡头部通常是一个向上凸起的区域,坡度较大,坡向指向滑坡体。滑坡体通常是一个陡峭的区域,坡度较大,坡向指向滑坡尾部。
同时可基于地形参数和三维模型的结合,对滑坡特征进行识别,并将滑坡特征输入至卷积神经网络中,对滑坡范围进行自动识别。同时根据滑坡面域的形变空间特征的预设阈值,圈定滑坡高风险区域。
在坡体地质结构简单的情况下,圈定的形变高风险区域范围与滑坡范围吻合度较高,坡体整体形变特征统一,则得到危险坡体范围。但在坡体地质结构复杂或受较多非自然因素影响,坡体范围内形变呈现多样性,如形变量级不统一和方向不统一等。对于坡体复杂的情况,结合面域形变特征及微地貌特征将圈定的危险坡体范围划分子区域。
当同一坡体范围内出现量级与方向不统一时,主要表现为坡体范围内出现非均匀分布的高形变区域。但在面域形变监测数据处理中存在阈值划定的主观性、滑坡地质结构的复杂性及形变监测结果误差性等因素的影响,无法仅通过面域形变监测数据划分子区域。当同一坡体范围内出现量级与方向不统一时,在微地貌数据中,主要表现为不同量级、方向形变产生的裂缝等微小地貌特征。因此,在危险坡体范围的区域边缘周围识别裂缝、错位等微地貌,能够划分子区域分界线,得到子区域。
所述S4的具体步骤为:
S41、根据危险坡体范围,提取各时段面域特征点的形变量,并计算各子区域的面域形变量;
S42、根据子区域各时间段的面域形变量,计算各子区域的面域平均形变;
S43、根据子区域的面域平均形变,计算各子区域的面域形变速率,并绘制面域形变曲线。
所述步骤S41中子区域的面域形变量的计算公式为:
其中,表示子区域的面域形变量,/>表示面域内第/>个特征点的形变量,/>表示面域内特征点数量。
所述S5的具体步骤为:
S51、将面域形变曲线中的位移转换为与时间统一量纲的值,并计算面域形变曲线的切线角;
S52、根据切线角大小设置不同的预警级别和与预警级别对应的滑坡预警信号;
S53、通过时间点对应的切线角大小,判断滑坡状况,并发出预警级别对应的滑坡预警信号。
所述S51中将面域形变曲线中的位移转换为与时间统一量纲的值的表达式为:
其中,表示第/>次检测时位移转换后与时间等量纲的值,/>表示单位时间内子区域面域累积形变值,/>表示等速形变阶段子区域面域形变速率。
所述S51中面域形变曲线的切线角的表达式为:
其中,表示面域形变曲线转换后的曲线切线角,/>表示反正切函数,/>表示第/>次检测时位移转换后与时间等量纲的值,/>表示第/>次检测时位移转换后与时间等量纲的值,/>表示第/>次检测时刻,/>表示第/>次检测时刻,/>表示单位时间内/>的变换量,/>表示单位时间段落。
本实施例中,面域形变曲线的位移-时间图如图2所示,分为初始变形、等速变形、初加速、匀加速和加速变形阶段,但由于位移与时间量纲的不统一,无法统一预警阈值。如在同一区域监测获取的同一面域形变曲线,取同一时间段,计算切线角大小为45°,但进行拉伸过后,统一时间段内的切线角可能变为35°。即由于横纵坐标的不统一,曲线切线角大小更取决于绘制曲线所取的横纵坐标比值。因此需要将位移转换为与时间统一量纲的值。
本实施例中以曲线斜率,即切线角为划分依据,具体夹角阈值划分如表1所示,根据切线角的大小划分为四个阶段,通过判定时间点对应切线角所处级别来判断滑坡状况,并发出预警级别对应的滑坡预警信号,其中,表1为基于面域形变曲线斜率的滑坡4级形变阶段划分表。
表1
本实施例通过龙溪沟滑坡为例,通过星载InSAR技术对滑坡近一年的时序进行监测,但由于星载InSAR技术受地形大气等因素影响,在该研究区域获取的检测结果存在失相干等情况,无法完全作为分区依据。通过遥感及现场考察获取的地貌数据源提取微地貌,进行子区域划分,如图3所示,将(a)划分为不同子区域,分别为Ⅰ、Ⅱ、Ⅲ、Ⅳ、Ⅴ、Ⅵ、Ⅶ以及Ⅷ,其中通过微地貌划分的有(b)、(c)、(d)、(e)、(f)以及(g),图3中比例尺的单位为Meters,即一个单位长度表示100米。
选取形变最为明显的Ⅷ进行面域形变监测,通过求取面域平均形变,进一步获取该面在检测时间段内的面域形变曲线结果,如图4所示。通过面域形变曲线切线角的阈值,对切线角的大小进行判断。因滑坡坡体受自然因素及探测技术存在不足等影响,Ⅷ的面域形变曲线的切线角大小存在较大起伏,但切线角大小的绝对值始终保持在警戒区域以内。
对于龙溪沟滑坡坡体,单一的星载InSAR面域形变数据无法进行准确的形变监测,因此,通过星载InSAR技术进一步识别判断滑坡形变情况后,使用激光LiDAR、地基雷达和北斗雷达等面域形变监测设备及技术对滑坡进行更高时间、空间分辨率和更准确的监测,获得面域形变观测数据。
因此本发明针对具体情况,可对获取的面域数据种类、滑坡地质构造情况做进一步的方法及阈值调整。如对于黄土滑坡和基岩滑坡这两种形变特征差异性较大的滑坡来看,黄土滑坡形变阈值相对较低,则预警阈值则需根据大量以往黄土滑坡监测数据来设置阈值。如在一个区域通过地基雷达获取了雷达GB-SAR数据,而另一区域仅能获取到星载InSAR数据,则在数据处理方法上根据实际数据情况选定处理方法。因此本发明可根据具体情况,选用具体方法、设定具体阈值,可以实现对滑坡的准确预警。本发明方法具有监测范围广、预警准确性高和实时性强等优势效果,具有广泛的应用前景。
Claims (1)
1.一种基于面域形变观测的滑坡预警方法,其特征在于,包括以下步骤:
S1、获取面域形变观测数据;
S2、对面域形变观测数据进行处理,并提取滑坡面域空间上的变化特征和面域特征点时间上的变化特征,得到滑坡面域的形变空间特征;
S3、将滑坡面域的形变空间特征与周围地区的微地貌进行对比分析,圈定危险坡体范围,并根据坡体复杂程度划分子区域;
S4、计算各子区域面域平均形变,并绘制面域形变曲线;
S5、统一面域形变曲线的坐标轴量纲,计算面域形变曲线的切线角,并根据切线角判断滑坡状况,发出不同的滑坡预警信号;
所述S3的具体步骤为:
S31、通过无人机三维模型和数字高程模型DEM进行滑坡地貌识别,得到地貌数据源,并根据地貌数据源提取周围地区的微地貌;
S32、将滑坡面域的形变空间特征与微地貌进行对比分析,得到滑坡特征;
S33、将滑坡特征输入卷积神经网络,对滑坡范围进行自动识别,并根据预设阈值,圈定危险坡体范围;
S34、根据坡体复杂程度,在危险坡体范围的区域边缘周围识别微地貌,划分子区域分界线,得到子区域;
所述S4的具体步骤为:
S41、根据危险坡体范围,提取各时段面域特征点的形变量,并计算各子区域的面域形变量;
S42、根据子区域各时间段的面域形变量,计算各子区域的面域平均形变;
S43、根据子区域的面域平均形变,计算各子区域的面域形变速率,并绘制面域形变曲线;
所述S41中子区域的面域形变量的计算公式为:
其中,表示子区域的面域形变量,/>表示面域内第/>个特征点的形变量,/>表示面域内特征点数量;
所述S5的具体步骤为:
S51、将面域形变曲线中的位移转换为与时间统一量纲的值,并计算面域形变曲线的切线角;
S52、根据切线角大小设置不同的预警级别和与预警级别对应的滑坡预警信号;
S53、通过时间点对应的切线角大小,判断滑坡状况,并发出预警级别对应的滑坡预警信号;
所述S51中将面域形变曲线中的位移转换为与时间统一量纲的值的表达式为:
其中,表示第/>次检测时位移转换后与时间等量纲的值,/>表示单位时间内子区域面域累积形变值,/>表示等速形变阶段子区域面域形变速率;
所述S51中面域形变曲线的切线角的表达式为:
其中,表示面域形变曲线转换后的曲线切线角,/>表示反正切函数,/>表示第/>次检测时位移转换后与时间等量纲的值,/>表示第/>次检测时位移转换后与时间等量纲的值,/>表示第/>次检测时刻,/>表示第/>次检测时刻,/>表示单位时间内/>的变换量,/>表示单位时间段落。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311168121.2A CN116912068B (zh) | 2023-09-12 | 2023-09-12 | 一种基于面域形变观测的滑坡预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311168121.2A CN116912068B (zh) | 2023-09-12 | 2023-09-12 | 一种基于面域形变观测的滑坡预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116912068A CN116912068A (zh) | 2023-10-20 |
CN116912068B true CN116912068B (zh) | 2023-11-21 |
Family
ID=88363324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311168121.2A Active CN116912068B (zh) | 2023-09-12 | 2023-09-12 | 一种基于面域形变观测的滑坡预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912068B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117194868B (zh) * | 2023-11-06 | 2024-02-27 | 中国矿业大学(北京) | 围岩变形监测方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112857246A (zh) * | 2021-02-05 | 2021-05-28 | 中国矿业大学(北京) | 一种利用地面三目视频匹配的露天矿边坡形变在线监测方法 |
CN113534154A (zh) * | 2021-09-16 | 2021-10-22 | 成都理工大学 | 一种sar视线向变形与坡度坡向敏感度计算方法 |
CN113848551A (zh) * | 2021-09-24 | 2021-12-28 | 成都理工大学 | 一种利用InSAR升降轨形变数据的滑坡深度反演方法 |
CN115079301A (zh) * | 2022-07-21 | 2022-09-20 | 中铁工程设计咨询集团有限公司 | 一种潜在滑坡遥感解译方法 |
CN115631607A (zh) * | 2022-10-24 | 2023-01-20 | 北京理工大学 | 一种基于GB-InSAR监测和形变区域扩张的滑坡预警方法 |
CN116341901A (zh) * | 2023-03-07 | 2023-06-27 | 重庆大学 | 一种滑坡面域-单体危险性预警的一体化评价方法 |
-
2023
- 2023-09-12 CN CN202311168121.2A patent/CN116912068B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112857246A (zh) * | 2021-02-05 | 2021-05-28 | 中国矿业大学(北京) | 一种利用地面三目视频匹配的露天矿边坡形变在线监测方法 |
CN113534154A (zh) * | 2021-09-16 | 2021-10-22 | 成都理工大学 | 一种sar视线向变形与坡度坡向敏感度计算方法 |
CN113848551A (zh) * | 2021-09-24 | 2021-12-28 | 成都理工大学 | 一种利用InSAR升降轨形变数据的滑坡深度反演方法 |
CN115079301A (zh) * | 2022-07-21 | 2022-09-20 | 中铁工程设计咨询集团有限公司 | 一种潜在滑坡遥感解译方法 |
CN115631607A (zh) * | 2022-10-24 | 2023-01-20 | 北京理工大学 | 一种基于GB-InSAR监测和形变区域扩张的滑坡预警方法 |
CN116341901A (zh) * | 2023-03-07 | 2023-06-27 | 重庆大学 | 一种滑坡面域-单体危险性预警的一体化评价方法 |
Non-Patent Citations (14)
Title |
---|
Devara Meghanadh ; Vipin Kumar Maurya ; Manish Kumar ; Ramji Dwivedi.Automatic Detection of Landslides Based on Machine Learning Framework.《2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS》.2021,8460-8463. * |
LiDAR技术在地质环境中的主要应用与展望;马晓雪;吴中海;李家存;;《地质力学学报》;第22卷(第01期);93-103 * |
Revealing the Land Subsidence Deceleration in Beijing (China) by Gaofen-3 Time Series Interferometry;Yakun Han, Tao Li, Keren Dai, Zhong Lu;《Remote Sensing》;第15卷(第14期);3665-3680 * |
Time and path prediction of landslides using InSAR and flow model;Priyom Roy , Tapas R. Martha , Kirti Khanna;《Remote Sensing of Environment》;第271卷(第19期);1-14 * |
Wei Duan ; Chao Wang ; Hong Zhang ; Yixian Tang ; Jing Wang.LANDSLIDE DETECTION AND MONITORING FOR MOUTAINOUS AREAS OF SOUTHWEST CHINA USING TIME SERIES INSAR.《IGARSS 2019 - 2019 IEEE International Geoscience and Remote Sensing Symposium》.2019,2038-2041. * |
Zhangyuan Xun ; Chaoying Zhao ; Xiaojie Liu ; Yuanyuan Liu.Automatic Identification of Potential Landslides by Integrating Remote Sensing, DEM and Deformation Map.《IGARSS 2019 - 2019 IEEE International Geoscience and Remote Sensing Symposium》.2019,9662-9665. * |
一种改进的切线角及对应的滑坡预警判据;许强;曾裕平;钱江澎;王承俊;何成江;;《地质通报》;第28卷(第04期);501-505 * |
基于PSInSAR蠕动型滑坡动态监测及区域稳定性分析;黄佳璇;《中国博士学位论文全文数据库 (基础科学辑)》(第2期);A011-90 * |
无人机摄影测量技术在边坡变形监测中的应用研究;张凯想;《中国优秀硕士学位论文全文数据库 (基础科学辑)》(第6期);A008-103 * |
时序InSAR滑坡形变监测与预测的N-BEATS深度学习法——以新铺滑坡为例;郭澳庆;胡俊;郑万基;桂容;杜志贵;《测绘学报》;第51卷(第10期);2171-2182 * |
星载InSAR在某研究区滑坡体变形监测中的应用;杨姗姗;冯燕明;宋红平;李红旮;施俊稳;《云南水力发电》;第38卷(第12期);75-79 * |
遥感在滑坡灾害研究中的应用进展;石菊松;吴树仁;石玲;;《地质论评》;第54卷(第04期);505-514 * |
高山峡谷区滑坡灾害隐患InSAR早期识别——以雅砻江中段为例;戴可人;铁永波;许强;冯也;卓冠晨;《雷达学报》;第9卷(第03期);554-568 * |
黄土滑坡的微地貌特征研究;李治财;《新疆交通科技》(第6期);34-40+52 * |
Also Published As
Publication number | Publication date |
---|---|
CN116912068A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111623722B (zh) | 一种基于多传感器的边坡变形立体监测系统和方法 | |
Bell et al. | A temporal waterline approach to mapping intertidal areas using X-band marine radar | |
Matgen et al. | Integration of SAR-derived river inundation areas, high-precision topographic data and a river flow model toward near real-time flood management | |
CN116912068B (zh) | 一种基于面域形变观测的滑坡预警方法 | |
Topouzelis et al. | Detection and classification of mesoscale atmospheric phenomena above sea in SAR imagery | |
CN102768022A (zh) | 采用数码照相技术的隧道围岩变形检测方法 | |
Román-Rivera et al. | A synthetic review of remote sensing applications to detect nearshore bars | |
CN111999733A (zh) | 海岸带大坝稳定性监测与淹没脆弱性评估方法、系统 | |
Trombe et al. | Weather radars–the new eyes for offshore wind farms? | |
Bruno et al. | Integration of multitemporal SAR/InSAR techniques and NWM for coastal structures monitoring: Outline of the software system and of an operational service with COSMO-SkyMed data | |
CN112946643A (zh) | 基于时序雷达遥感的海上风电提取方法及系统 | |
Astiti et al. | Identification of shoreline changes using sentinel 2 imagery data in Canggu Coastal Area | |
Nath et al. | Observing tectonic-geomorphological changes along the Dawki Fault and adjoining areas of Sylhet, Bangladesh from 1980 to 2020 using remote sensing and GIS techniques | |
Grünthal et al. | Monitoring of coastal processes by using airborne laser scanning data | |
CN113625241A (zh) | 差异沉降监控预警方法 | |
Zhu et al. | Offshore platform detection based on harris detector and intensity-texture image from Sentinel_2A image | |
Qiao et al. | Lake Water Footprint Determination Using Linear Clustering-based Algorithm and Lake Water Changes in the Tibetan Plateau from 2002 to 2020 | |
Williams et al. | X-band radar system to support coastal management decisions | |
Koshimura et al. | Tsunami debris mapping by optical and LiDAR remote sensing | |
Li et al. | Remote sensing based coastline extraction of west Africa coast and its application: shoreline analysis around Nouakchott Autonomy Port | |
Babu et al. | Geo-Spatial Technologies In Shoreline Analysis, Variability And Erosion | |
Cenci et al. | Monitoring reservoirs' water level from space for flood control applications. A case study in the Italian Alpine region | |
DRUMMOND et al. | LINKING ENVIRONMENTAL FORCING TO THE EVOLUTION OF AN EBB-TIDE DELTA AT ETTALONG POINT (SE AUSTRALIA) | |
Conversi et al. | Integrating Optical and Radar Imagery to Enhance River Drought Monitoring | |
Xu et al. | Computer and Information Sciences |
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 |