CN116994156A - 一种滑坡隐患综合遥感识别方法、系统、设备及介质 - Google Patents
一种滑坡隐患综合遥感识别方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116994156A CN116994156A CN202311253049.3A CN202311253049A CN116994156A CN 116994156 A CN116994156 A CN 116994156A CN 202311253049 A CN202311253049 A CN 202311253049A CN 116994156 A CN116994156 A CN 116994156A
- Authority
- CN
- China
- Prior art keywords
- landslide
- remote sensing
- mark
- degrees
- entity
- 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
- 238000000034 method Methods 0.000 title claims abstract description 79
- 230000003287 optical effect Effects 0.000 claims abstract description 144
- 238000013507 mapping Methods 0.000 claims abstract description 26
- 231100001267 hazard identification Toxicity 0.000 claims abstract description 7
- 230000000877 morphologic effect Effects 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 239000003550 marker Substances 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 238000011426 transformation method Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000010008 shearing Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 238000001125 extrusion Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 12
- 238000012360 testing method Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 9
- 238000012216 screening Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012876 topography Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013139 quantization Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 235000019646 color tone Nutrition 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011081 inoculation Methods 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000035935 pregnancy Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 210000002105 tongue Anatomy 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开一种滑坡隐患综合遥感识别方法、系统、设备及介质,涉及测绘数据生产与遥感地质应用技术领域,包括:获取已知滑坡灾害区域的地理信息与影像资料;根据已知滑坡灾害区域的基础测绘成果和地理国情数据确定威胁对象实体集;根据已知滑坡灾害区域的雷达卫星SAR数据确定InSAR形变速率实体;根据已知滑坡灾害区域的高分光学影像确定光学遥感解译标志实体;根据已知滑坡灾害区域的数字高程模型确定地形坡度实体;根据威胁对象实体集、地形坡度实体、InSAR形变速率实体和光学遥感解译标志实体构建滑坡隐患综合遥感识别知识图谱,以对目标区域的滑坡隐患进行识别。本发明能够提高滑坡隐患识别效率和识别质量。
Description
技术领域
本发明涉及测绘数据生产与遥感地质应用技术领域,特别是涉及一种滑坡隐患综合遥感识别方法、系统、设备及介质。
背景技术
滑坡是分布最广、发生最多的自然灾害之一。近年来多次大型滑坡事件所造成的灾难性危害和影响,促使滑坡隐患早期识别成为滑坡灾害预警与防治工作至关重要的一环。滑坡呈现高位隐蔽、突发性、不确定性和链式效应等特点,这为滑坡识别增加了极大的难度,如何提高广域范围内滑坡隐患的识别率和准确性仍然是一个突出难题。
随着对地观测技术的发展,特别是InSAR技术和光学遥感技术,已被大量应用于滑坡遥感识别工程实践中。光学遥感技术作为一种重要的对地观测技术,能够通过航空、航天传感器在不直接接触地物表面的情况下获取地物的信息,其成果具备高空间分辨率、高光谱分辨率、高时间分辨率的特点,可利用影像纹理、阴影、光谱信息等进行滑坡解译识别。InSAR作为一种新型雷达对地观测技术,其数据获取不受气象条件限制,能长时间、大范围地以固定重访周期对地进行连续观测,为广域滑坡隐患识别提供了强有力的支撑。以PS-InSAR技术和SBAS-InSAR技术为代表的MT-InSAR技术能够以毫米级精度监测大范围变形,已大量应用于大面积滑坡地表形变筛查工作。
在广域滑坡识别工程应用中,为确保识别出更多滑坡隐患,提高可靠性,仍然采用专家经验知识与滑坡孕灾环境分析结合,以“人机交互、两两对比”方式在二、三维软件平台上联合InSAR与光学卫星影像进行目视识别,综合定性获取滑坡地质信息。上述方法主要依靠解译识别人员的工作经验,其主观性较强,无固定的识别逻辑遵循。
发明内容
本发明的目的是提供一种滑坡隐患综合遥感识别方法、系统、设备及介质,以提高滑坡隐患识别效率和识别质量。
为实现上述目的,本发明提供了如下方案:
一种滑坡隐患综合遥感识别方法,包括:
获取已知滑坡灾害区域的地理信息与影像资料;所述地理信息与影像资料包括:基础测绘成果、地理国情数据、雷达卫星SAR数据、高分光学影像和数字高程模型;
根据所述已知滑坡灾害区域的基础测绘成果和地理国情数据确定威胁对象实体集;所述威胁对象实体集中包括若干威胁对象实体;
根据所述已知滑坡灾害区域的雷达卫星SAR数据确定InSAR形变速率实体;所述InSAR形变速率实体中包括若干InSAR形变速率等级;
根据所述已知滑坡灾害区域的高分光学影像确定光学遥感解译标志实体;所述光学遥感解译标志实体中包括若干光学遥感解译标志;
根据所述已知滑坡灾害区域的数字高程模型确定地形坡度实体;所述地形坡度实体中包括若干地形坡度等级;
根据所述威胁对象实体集、所述地形坡度实体、所述InSAR形变速率实体和所述光学遥感解译标志实体构建滑坡隐患综合遥感识别知识图谱;
采用所述滑坡隐患综合遥感识别知识图谱对目标区域的滑坡隐患进行识别。
一种滑坡隐患综合遥感识别系统,包括:
数据获取模块,用于获取已知滑坡灾害区域的地理信息与影像资料;所述地理信息与影像资料包括:基础测绘成果、地理国情数据、雷达卫星SAR数据、高分光学影像和数字高程模型;
威胁对象实体集确定模块,用于根据所述已知滑坡灾害区域的基础测绘成果和地理国情数据确定威胁对象实体集;所述威胁对象实体集中包括若干威胁对象实体;
InSAR形变速率实体确定模块,用于根据所述已知滑坡灾害区域的雷达卫星SAR数据确定InSAR形变速率实体;所述InSAR形变速率实体中包括若干InSAR形变速率等级;
光学遥感解译标志实体确定模块,用于根据所述已知滑坡灾害区域的高分光学影像确定光学遥感解译标志实体;所述光学遥感解译标志实体中包括若干光学遥感解译标志;
地形坡度实体确定模块,用于根据所述已知滑坡灾害区域的数字高程模型确定地形坡度实体;所述地形坡度实体中包括若干地形坡度等级;
滑坡隐患综合遥感识别知识图谱构建模块,用于根据所述威胁对象实体集、所述地形坡度实体、所述InSAR形变速率实体和所述光学遥感解译标志实体构建滑坡隐患综合遥感识别知识图谱;
滑坡隐患识别模块,用于采用所述滑坡隐患综合遥感识别知识图谱对目标区域的滑坡隐患进行识别。
一种电子设备,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行上述的滑坡隐患综合遥感识别方法。
一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现上述的滑坡隐患综合遥感识别方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的滑坡隐患综合遥感识别方法,通过对已知滑坡灾害区域的地理信息与影像资料进行分析,建立滑坡隐患综合遥感识别知识图谱,并基于该知识图谱驱动开展滑坡隐患识别,具有明确的识别逻辑关系及层级规则,改变了传统遥感识别作业模式,可在一定程度上降低解译过程的人为主观性,提高作业效率和质量。此外,由于在知识图谱构建中引入了地形坡度因子,通过将InSAR形变速率等级和光学遥感解译标志分别与不同地形坡度等级相结合,确定是否提取滑坡隐患,相较于传统解译只是简单利用解译标志进行识别的情况,具有更高的准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的滑坡隐患综合遥感识别方法的流程图;
图2为本发明提供的不同InSAR形变速率识别标志示意图;
图3为本发明提供的滑坡光学遥感解译标志示意图;
图4为本发明提供的已知滑坡灾害与地形坡度关系示意图;
图5为本发明提供的滑坡隐患综合遥感识别知识图谱结构图;
图6为本发明提供的滑坡隐患遥感识别过程软件运算模型图;
图7为本发明提供的滑坡识别特征示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种滑坡隐患综合遥感识别方法、系统、设备及介质,以提高滑坡隐患识别效率和识别质量。
InSAR技术由于其数据获取不受气象条件限制,能长时间、大范围地以固定重访周期对地进行连续观测,为广域滑坡隐患早期识别提供了强有力的支撑。高分辨率光学影像具有覆盖范围广、多时相、多光谱及宏观形象等特点,可有效对区域性大范围地质灾害隐患进行“普查”,但滑坡隐患表征复杂,单一技术手段不足以解决滑坡隐患识别的复杂科学问题,需要综合利用InSAR和光学遥感数据开展滑坡隐患识别。当前,滑坡隐患识别工程应用中仍然采用专家经验知识与滑坡孕灾环境分析结合,以“人机交互、两两对比”方式进行目视识别,解译过程主要依靠解译人员的工作经验,其主观性较强,无固定的识别逻辑遵循,是一种综合定性手段。本发明针对传统滑坡隐患综合遥感识别过程,提出一种顾及地形坡度因子的滑坡隐患综合遥感识别方法体系,通过构建滑坡隐患综合遥感识别知识图谱及解译模型,可实现解译过程从完全主观到半定量化的逻辑遵循规范,提高了滑坡隐患识别效率和识别质量。
本发明针对滑坡隐患综合遥感识别技术体系进行分析,首先获取滑坡隐患可能影响的威胁对象数据资料,建立潜在威胁对象数据库,形成后续滑坡识别过程中的重要筛查依据;然后,基于InSAR形变数据和光学影像建立滑坡识别提取标志,形成滑坡灾害识别知识库;再基于滑坡隐患与地形坡度因子之间的关联关系,分析不同地形坡度条件下形成滑坡概率大小,即不同地形坡度下出现滑坡识别标志的概率大小;最后基于威胁对象、InSAR形变标志、光学遥感解译标志、地形坡度因子之间的关系构建知识图谱,并以此建立综合识别矩阵解译模型。本发明构建的顾及地形坡度因子的滑坡隐患综合遥感识别知识图谱及解译模型,考虑了威胁对象、InSAR形变标志、光学遥感解译标志及地形坡度因子之间的逻辑关系与规则,规范了滑坡隐患综合识别逻辑,解译人员可在知识图谱逻辑驱动下快速开展滑坡隐患识别,是实现传统解译从完全主观转变为有逻辑规则的半定量化识别技术解决方案。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明在厘清威胁对象、InSAR形变标志、光学遥感解译标志、地形坡度因子等4个层级之间的关系基础上构建知识图谱,解决4个层级之间的逻辑关系和滑坡隐患识别过程;在此基础上,提供具体识别指标的综合解译模型,达到提供识别过程的半量化指标依据。
首先对技术方案中涉及到的威胁对象、InSAR形变标志、光学遥感解译标志、地形坡度因子进行解释说明。
威胁对象的说明:根据威胁对象的定义,主要是指承受灾害的对象,即直接受灾害影响的人类生命、工程设施、具有一定社会经济价值的主体,也称承灾体。本发明中所指威胁对象为因滑坡灾害发生导致承灾体受到破坏的所有客体,主要包括人口聚集区、分散农户、学校、场镇、主要交通干线、水电站及重要工程设施等承载人民生命财产的所有客观对象。
InSAR形变标志的说明:InSAR形变是利用雷达SAR数据进行差分干涉技术或长时间序列的差分干涉后得到的地表形变速率图数据。本发明中InSAR形变标志是指基于形变速率图分析提取可能是滑坡引起的地表变形的特征指标。
光学遥感解译标志的说明:光学图像是采用光学摄影系统获取的以感光胶片为介质的图像。本发明中光学影像主要是利用光学卫星和航空遥感传感器等获取的光学图像,影像标志是指根据其色调、纹理及几何形态组合可以识别出滑坡灾害及其要素的特征指标,包括滑坡壁、滑坡台坎、滑坡舌、拉裂陡坎、次级滑坡、局部溜滑、剪切裂缝和拉张裂缝等。
地形坡度因子的说明:地形坡度因子是反映地形表面形态特征的重要指标。本发明中地形坡度因子主要是指与滑坡发育密切相关的地形坡度因子,属微观地形坡度因子中的一种。
本发明提供一种滑坡隐患综合遥感识别方法。如图1所示,该方法包括:
步骤S1:获取已知滑坡灾害区域的地理信息与影像资料;所述地理信息与影像资料包括:基础测绘成果、地理国情数据、雷达卫星SAR数据、高分光学影像和数字高程模型(Digital Elevation Model,DEM)。
优选地,所述雷达卫星SAR数据为Sentinel-1雷达卫星SAR数据。
步骤S2:根据所述已知滑坡灾害区域的基础测绘成果和地理国情数据确定威胁对象实体集;所述威胁对象实体集中包括若干威胁对象实体。
优选地,所述威胁对象实体包括:人口聚集区、分散农户、学校、场镇、医院、主要交通干线、水电站及重要工程设施等。
具体地,根据工作区域范围获取基础测绘成果、地理国情数据、Sentinel-1雷达卫星SAR数据、高分光学影像、数字高程模型(DEM)等资料,从基础测绘成果获取地名信息,从地理国情数据中获取房屋建筑、道路交通、学校等具有社会经济价值的构筑物信息,根据其地理位置及空间坐标,利用ArcGIS软件将获取到的地名信息和构筑物信息进行空间关联,形成包含人口聚集区、分散农户、学校、场镇、医院、主要交通干线、水电站及重要工程设施等在内的潜在威胁对象数据库。
步骤S3:根据所述已知滑坡灾害区域的雷达卫星SAR数据确定InSAR形变速率实体;所述InSAR形变速率实体中包括若干InSAR形变速率等级。
优选地,所述InSAR形变速率等级包括:0-10mm/y、10-20mm/y、20-30mm/y、30-40mm/y、40-50mm/y和>50mm/y。其中,mm/y表示形变速率单位为毫米/年。
具体地,利用获取到的Sentinel-1雷达卫星SAR数据开展时序InSAR形变处理,得到InSAR形变速率值,对InSAR形变速率值进行等级划分,并用InSAR形变速率值图表示。
根据形变速率值建立划分不同形变速率等级,以区分体现不同InSAR速率的强度变化和规模变化。
例如,根据相关研究,当沿视线方向形变速率大于8mm/y时可认为斜坡处于不稳定状态。在考虑识别过程统一性原则下,采用等间距分类法将基于Sentinel-1数据计算得到的形变速率值,按照绝对值每间隔10mm/y为区间(此间隔可以根据需要进行调整,不固定),划分为0-10mm/y、10-20mm/y、20-30mm/y、30-40mm/y、40-50mm/y、>50mm/y共6个形变等级,不同形变等级代表了滑坡不同形变速率的识别指标,并用InSAR形变速率值图将形变速率值表示出来,如图2所示为形变速率“由小到大”(即形变强度由弱到强,形变规模由小到大)的不同InSAR形变速率所展示出的不同形变强度和规模变化的示意过程,图中不同的颜色表示不同的等级。
步骤S4:根据所述已知滑坡灾害区域的高分光学影像确定光学遥感解译标志实体;所述光学遥感解译标志实体中包括若干光学遥感解译标志。
优选地,所述光学遥感解译标志包括:前缘挤压隆起、侧缘剪切裂缝、后缘拉裂缝、坡体下挫、新鲜滑塌和异常凹腔(与地形不协调)。
具体地,利用获取到的高分系列光学影像,基于光学影像纹理结构、色调、阴影等光谱特征,根据地质灾害孕育变形机理分析和目视解译方法,建立研究工作区滑坡识别解译标志。此外,还可以采用深度学习方法,对高分光学影像进行识别,以确定其中的光学遥感解译标志。如图3所示,根据已有研究表明,滑坡变形过程中在光学影像肉眼通常可见标志有:前缘挤压隆起,参见图3中的(a)部分;侧缘剪切裂缝,参见图3中的(b)部分;后缘拉裂缝,参见图3中的(c)部分;坡体下挫,参见图3中的(d)部分;新鲜滑塌,参见图3中的(e)部分;异常凹腔(与地形不协调),参见图3中的(f)部分。从图3可以看出,每一张影像上有一处或多处影像纹理、色调及阴影与周边地物有明显的差异,这种影像纹理差异就是滑坡变形所反映出来的解译标志。
步骤S5:根据所述已知滑坡灾害区域的数字高程模型确定地形坡度实体;所述地形坡度实体中包括若干地形坡度等级。
优选地,所述地形坡度等级包括:0-10°、10-20°、20-30°、30-40°、40-50°和>50°。
具体地,从地质灾害防治管理部门收集到近3万处地质灾害隐患点统计,发现已知滑坡隐患点主要集中在坡度为10-40°之间,同时基于多源遥感识别发现的滑坡隐患点主要坡度在15-45°区间,反映了适宜的地形坡度是地质灾害发育的前提条件,是滑坡发育的主要控制性因素之一。
为了兼顾识别逻辑的规范性和空间分析的便利性,采用等间距分类法,将坡度按照每间隔10°为等级(间距根据需要可以进行调整),划分为0-10°、10-20°、20-30°、30-40°、40-50°、>50°共6个等级,每个等级对应滑坡孕育发生概率和大小均不相同,代表着滑坡发生所需重力势能的趋势。
步骤S6:根据所述威胁对象实体集、所述地形坡度实体、所述InSAR形变速率实体和所述光学遥感解译标志实体构建滑坡隐患综合遥感识别知识图谱。
优选地,以所述威胁对象实体集作为识别部位的目标层,所述地形坡度实体作为识别过程的控制层,所述InSAR形变速率实体和所述光学遥感解译标志实体作为提取识别的基础数据层,构建滑坡隐患综合遥感识别知识图谱。
具体地,基于上述的InSAR形变标志、光学遥感解译标志,结合工程地质力学原理及如图4所示的已知滑坡灾害的滑坡数量与地形坡度等级的关系,分别分析不同地形坡度等级下出现InSAR形变标志和光学遥感解译标志时属于滑坡变形的概率大小,由此形成是否提取为滑坡灾害的结论,并建立不同地形坡度下的滑坡隐患InSAR形变提取与光学解译量化指标,参见表1和表2。
注:“√”表示在该坡度条件下存在该形变速率时或出现该光学遥感解译标志时,形成滑坡的可能性较大,需要提取为滑坡隐患;“×”表示形成滑坡的可能性较小,不提取为滑坡隐患。
如表1所示,所述InSAR形变速率实体和所述地形坡度实体用于确定滑坡隐患形变标志,具体如下:
当所述InSAR形变速率等级为0-10mm/y时,所述滑坡隐患形变标志为不提取InSAR形变标志。
当所述InSAR形变速率等级为10-20mm/y时,若所述地形坡度等级为0-10°、10-20°或20-30°,则所述滑坡隐患形变标志为不提取InSAR形变标志,若所述地形坡度等级为30-40°、40-50°或>50°,则所述滑坡隐患形变标志为可提取InSAR形变标志。
当所述InSAR形变速率等级为20-30mm/y时,若所述地形坡度等级为0-10°或10-20°,则所述滑坡隐患形变标志为不提取InSAR形变标志,若所述地形坡度等级为20-30°、30-40°、40-50°或>50°,则所述滑坡隐患形变标志为可提取InSAR形变标志。
当所述InSAR形变速率等级为30-40mm/y时,若所述地形坡度等级为0-10°,则所述滑坡隐患形变标志为不提取InSAR形变标志,若所述地形坡度等级为10-20°、20-30°、30-40°、40-50°或>50°,则所述滑坡隐患形变标志为可提取InSAR形变标志。
当所述InSAR形变速率等级为40-50mm/y时,所述滑坡隐患形变标志为可提取InSAR形变标志。
当所述InSAR形变速率等级为>50mm/y时,所述滑坡隐患形变标志为可提取InSAR形变标志。
如表2所示,所述光学遥感解译标志实体和所述地形坡度实体用于确定滑坡隐患形态标志,具体如下:
当所述光学遥感解译标志为前缘挤压隆起时,若所述地形坡度等级为0-10°,则所述滑坡隐患形态标志为不提取光学遥感解译标志,若所述地形坡度等级为10-20°、20-30°、30-40°、40-50°或>50°,则所述滑坡隐患形态标志为可提取光学遥感解译标志。
当所述光学遥感解译标志为侧缘剪切裂缝时,若所述地形坡度等级为0-10°,则所述滑坡隐患形态标志为不提取光学遥感解译标志,若所述地形坡度等级为10-20°、20-30°、30-40°、40-50°或>50°,则所述滑坡隐患形态标志为可提取光学遥感解译标志。
当所述光学遥感解译标志为后缘拉裂缝时,若所述地形坡度等级为0-10°,则所述滑坡隐患形态标志为不提取光学遥感解译标志,若所述地形坡度等级为10-20°、20-30°、30-40°、40-50°或>50°,则所述滑坡隐患形态标志为可提取光学遥感解译标志。
当所述光学遥感解译标志为坡体下挫时,若所述地形坡度等级为0-10°或10-20°,则所述滑坡隐患形态标志为不提取光学遥感解译标志,若所述地形坡度等级为20-30°、30-40°、40-50°或>50°,则所述滑坡隐患形态标志为可提取光学遥感解译标志。
当所述光学遥感解译标志为新鲜滑塌时,若所述地形坡度等级为10-20°或20-30°,则所述滑坡隐患形态标志为不提取光学遥感解译标志,若所述地形坡度等级为0-10°、30-40°、40-50°或>50°,则所述滑坡隐患形态标志为可提取光学遥感解译标志。
当所述光学遥感解译标志为异常凹腔时,若所述地形坡度等级为10-20°或20-30°,则所述滑坡隐患形态标志为不提取光学遥感解译标志,若所述地形坡度等级为0-10°、30-40°、40-50°或>50°,则所述滑坡隐患形态标志为可提取光学遥感解译标志。
根据表1和表2的量化指标形成InSAR形变和光学遥感的滑坡综合遥感解译矩阵模型。在滑坡隐患综合遥感识别过程中,由于InSAR形变标志识别的是滑坡形变信息,光学遥感解译标志识别的是滑坡形态信息,因此两个指标是相互补充、相互验证的关系。为此,将表1和表2不同地形坡度下的滑坡隐患InSAR形变提取量化指标与滑坡隐患光学解译量化指标,按照如表3所示的相乘矩阵解译模型进行矩阵叠加,形成如表4所示的基于InSAR形变和光学遥感的滑坡隐患综合遥感解译矩阵模型。
注:“光学可解译”表示在该坡度下光学影像上可见表2中的对应坡度条件中的解译标志,即为光学可解译;反之“光学不解译”表示该坡度条件下光学影像上未见表2中的对应坡度条件中的解译标志,即为光学不解译。
如表3和表4所示,对于任意一个威胁对象实体,当满足所述滑坡隐患形变标志为可提取InSAR形变标志,或所述滑坡隐患形态标志为可提取光学遥感解译标志时,确定所述威胁对象实体为滑坡隐患。
在完成上述步骤的基础上,充分分析滑坡隐患综合遥感识别的工作目标与技术逻辑,以此构建滑坡隐患综合遥感识别知识图谱。
工作目标上,滑坡隐患识别需要提取出具有发生滑坡灾害概率同时又有人类居住和社会经济价值的斜坡区域,即既有致灾可能性又有潜在威胁对象的部位。技术逻辑上,首先要围绕具有潜在威胁对象的部位开展识别,其次要分析不同研究工作区的地形坡度特征,然后在不同地形坡度条件下,结合InSAR形变标志和光学遥感解译标志进行滑坡灾害的提取。
按照上述分析,顾及地形坡度因子的滑坡隐患综合遥感识别过程主要含有威胁对象、地形坡度、InSAR形变、光学遥感解译标志4个层级的分析。其中,威胁对象是识别部位的目标层,决定了识别目标区域和范围;地形坡度是识别过程的控制层,代表了控制滑坡发育的重要地形坡度因子;InSAR形变速率和光学遥感解译标志是提取识别的基础数据层。
在完成4个层级架构基础上,按照实体-关系-实体三元组成结构开展知识图谱的构建。首先是建立威胁对象实体集,该实体集中包含学校、聚居区、场镇、医院、水电站、重要工程设施、主要交通干线等威胁对象实体,该类实体主要从基础测绘成果中通过知识抽取和知识融合后形成,并对实体唯一标识码(ENTIID)、实体分类编码(ENTICLASS)和实体位置编码(GEOCODE)共3个编码内容进行赋值,以区分每一个实体类别和身份。然后,建立地形坡度(slope)实体,该实体主要通过数字高程模型(DEM)转换生成坡度数据形成,并按照等间距法进行重分类,生成不同坡度等级的地形坡度实体数据,并对实体坡度分级编码进行赋值标识,以区分不同等级坡度身份。同理,分别建立形成不同InSAR形变速率实体和光学遥感解译标志实体。最后,建立各实体之间的关联关系。威胁对象实体与其他实体是滑坡识别的关系,主要提供筛查依据、筛查范围和识别依据,是筛查识别前提,是整个识别过程的导向性实体;地形坡度实体与InSAR形变速率实体、光学遥感解译标志实体的关系是控制性与被控制的关系,其分别作为InSAR形变速率实体的控制因素和光学遥感解译标志实体的辅助因子,控制着解译量化的具体指标,参见表1和表2;InSAR形变速率实体与光学遥感解译标志实体是平行并列关系,是滑坡综合识别过程中不同角度的提取证据,将二者结合实现滑坡隐患形变与形态综合对比,两者关系参见表3。由此形成了顾及地形坡度因子的滑坡隐患遥感识别知识图谱结构,参见图5。
该知识图谱明确指出滑坡隐患综合遥感识别的逻辑过程、实体构成和实体关系。依据该知识图谱,在威胁对象层的目标导向下,滑坡识别过程就可以严格在不同地形坡度条件控制下进行综合识别提取。通过该知识图谱知道,仅有InSAR形变不一定是滑坡,如地面沉降、地面塌陷、地表空间活动等引起的InSAR形变反应就不是所需要的滑坡;仅有光学遥感解译标志也不一定是滑坡,如人工开挖(切坡)引起的坡脚局部堆积、坡体结构变化也不是滑坡。
步骤S7:采用所述滑坡隐患综合遥感识别知识图谱对目标区域的滑坡隐患进行识别,具体步骤如下:
步骤S7.1:获取目标区域的基础测绘成果、地理国情数据、雷达卫星SAR数据、高分光学影像和数字高程模型。
步骤S7.2:采用地理坐标变换方法,根据所述目标区域的基础测绘成果和地理国情数据确定所述目标区域的潜在威胁对象数据库。
优选地,从所述目标区域的基础测绘成果中获取地名信息;从所述目标区域的地理国情数据中获取构筑物信息;采用地理坐标变换方法,对所述地名信息和所述构筑物信息进行空间关联,得到所述目标区域的潜在威胁对象数据库。
步骤S7.3:采用中心距离缓冲分析方法,根据所述目标区域的数字高程模型确定所述潜在威胁对象数据库中的各威胁对象数据的地形坡度数据,并采用等间距重分类分析方法,对所述地形坡度数据进行分级,得到若干地形坡度因子。
步骤S7.4:根据所述目标区域的雷达卫星SAR数据确定所述潜在威胁对象数据库中的各威胁对象数据的InSAR形变速率数据,并采用等间距重分类分析方法,对所述InSAR形变速率数据进行分级,得到若干InSAR形变标志图。
步骤S7.5:根据所述目标区域的高分光学影像确定所述潜在威胁对象数据库中的各威胁对象数据的光学遥感解译标志图。
步骤S7.6:采用空间连接分析方法,将所述地形坡度因子分别与所述InSAR形变标志图和所述光学遥感解译标志图进行空间位置关联,得到所述潜在威胁对象数据库中的各威胁对象数据的滑坡解译标志;所述滑坡解译标志包括:滑坡隐患形变标志和滑坡隐患形态标志;所述滑坡隐患形变标志为可提取InSAR形变标志或不提取InSAR形变标志;所述滑坡隐患形态标志为可提取光学遥感解译标志或不提取光学遥感解译标志。
步骤S7.7:根据所述滑坡隐患综合遥感识别知识图谱,采用联合相乘方法分别对所述潜在威胁对象数据库中的各威胁对象数据的滑坡解译标志进行分析,确定目标区域的滑坡隐患。
以C地区为例,阐述利用上述构建的顾及地形坡度因子的滑坡隐患遥感识别知识图谱及解译模型,开展滑坡隐患识别快速筛查识别和提取应用过程,最终得到某地滑坡概率。操作如下:
(1)首先获取C地区基础测绘成果、地理国情数据等资料,将C地区的地名地址(AGNP/AANP.shp)、房屋建筑(LCA.shp)、道路交通(LRRL/LRDL.shp)等原始数据,采用统一至CGCS2000地理坐标变换方法,经过数据清洗、投影变换,形成包含人口聚集点、分散农户、学校、场镇、主要交通干线、水电站及重要工程设施等在内的潜在威胁对象数据库,其包括带有空间位置及人口经济属性的点线面要素数据X1,X2,X3…Xi,Xi代表第i个威胁对象。
(2)采用中心距离缓冲分析方法,将威胁对象数据库中每一个威胁对象数据Xi,输入到GIS软件中利用buffer工具生成向四周缓冲半径为100m的缓冲区;利用GIS坡度计算公式slope_degrees = ATAN ( ([dz/dx]2 + [dz/dy]2) 1/2)×180/π(其中dz/dx为水平方向变化率,dz/dy为垂直方向变化率,ATAN为反正切函数),将缓冲区内的C地区DEM数据输入Slope工具生成坡度数据;按照图5所示的知识图谱中0-10°、10-20°、20-30°、30-40°、40-50°、>50°分级标准,采用等间距重分类分析方法,将坡度数据输入Reclassify_3d工具,得到6个不同地形坡度因子数据,分别以S1、S2、S3、S4、S5、S6表示。
(3)采用等间距重分类分析方法,将获取的C地区InSAR形变速率值输入Reclassify_3d工具,按照图5所示的知识图谱中0-10mm/y、10-20mm/y、20-30mm/y、30-40mm/y、40-50mm/y、>50mm/y分类标准,得到6个不同InSAR形变标志图,由小到大分别以R1、R2、R3、R4、R5、R6表示。同时选择C地区典型滑坡光学影像,采用人机交互目视分析方法,结合滑坡孕育变形机理分析方法,提取影像上裸露地表区内在色调、纹理上与周边具有明显差异和不协调的部位,建立滑坡光学遥感解译标志M1,M2,M3…Mj,Mj代表第j个光学遥感解译标志图。
(4)利用空间连接分析方法,将不同地形坡度因子数据(S1、S2、S3、S4、S5、S6)分别与InSAR形变标志图(R1、R2、R3、R4、R5、R6)和光学遥感解译标志图(M1,M2,M3…Mj)输入SpatialJoin_analysis工具,进行空间位置关联,按照表1、表2取值归类,形成可提取InSAR形变标志(A1)、不提取InSAR形变标志(A0)、可提取光学遥感解译标志(B1)、不提取光学遥感解译标志(B0)4种类型。
(5)按照如图5所示的知识图谱结构,采用联合相乘方法,将第1个潜在威胁对象X1的InSAR形变标志图(A1或A0)和光学遥感解译标志图(B1或B0)输入Union_analysis工具,并对结果取并集,即“A1∪B1=提取,A1∪B0=提取,A0∪B1=提取,A0∪B0=不提取”,得出滑坡隐患最终“是否提取”的结论。然后,继续输入第2个、第3个…第i个潜在威胁对象,以此类推,直到执行完最后一个需要识别的区域,解译工作结束。
上述过程主要在ArcGIS软件中通过构建工具模型、辅以人工计算实现,主要运算模型参见图6。
下面提供一个具体实施例,以对本发明进行进一步详细的说明。
试验区位于某山区,该区地形地貌可分为高山峡谷地貌和沉积-抬升剥蚀岗状平原,地貌特征丰富,且区内每年均有不同程度的滑坡灾害发生,有较强的代表性。试验数据采用Sentinel-1干涉宽幅模式(IW)成像模式数据,采用升降轨SAR数据,经过SBAS-InSAR处理得到地表形变数据,光学遥感数据采用2019-2022年期间优于2m分辨率卫星影像,经正射纠正处理等形成正射影像DOM成果。
首先,获取试验区地理信息资料,经过数据清洗分析,建立试验区威胁对象数据库,并进行坐标空间化使其具有唯一的地理位置。然后,基于处理得到的SBAS-InSAR形变数据和滑坡光学标志建立试验区滑坡识别标志。在此基础上,开展试验区滑坡隐患综合识别。实施效果如下:
图7中的(a)部分和(b)部分为第一试验点滑坡,依据图5知识图谱和表4解译矩阵模型:首先该点坡脚有分散农户等威胁对象,分析该点周边地形坡度阈值θ>30°,在检索光学影像上该处有明显滑坡解译标志,如色调为黄褐色,近似呈舌形,纹理较粗糙;前缘外凸,挤向临空面,形成地形相对较缓的堆积体;后缘以圈椅状地形为界,影像上可见一条浅绿色-黄褐色色差界线;侧缘以略微凸起的山脊为界,影像上色差界线明显。而在InSAR形变数据上,InSAR形变阈值在υ<10mm/y,未见有效滑坡形变信息;综合上述过程,分析得出该滑坡有地形条件和明显光学遥感解译标志,同时威胁坡脚分散农户,最终识别为滑坡隐患,参见表5。
图7中的(c)部分和(d)部分为第二试验点滑坡,依据图5知识图谱和表4解译矩阵模型:该点斜坡上有分散农户等威胁对象,分析该点地形坡度在10°<θ<20°之间,光学影像上无明显形态特征和变形特征;而在InSAR形变数据上,该点最大形变速率为38.61mm/y,平均形变速率为25.12mm/y,InSAR形变速率属于20<υ<40mm/y区间,属有效形变信息;综合上述过程,分析得出在降雨和河流长期侵蚀作用下,该点有失稳下滑风险,故识别为新增的潜在滑坡隐患,参见表5。
图7中的(e)部分和(f)部分为第三试验点滑坡,依据图5知识图谱和表4解译矩阵模型:该点处有居民房屋,分析周边地形坡度在20°<θ<30°之间,检索光学影像可见明显滑坡标志,主要表现在滑坡整体下挫,地形上与周围不协调,呈负地形,侧壁及后缘边界清晰,前缘有明显的滑体错动,滑坡下挫导致坡体上覆村道公路弯曲穿行,后缘局部可见新鲜垮塌迹象;而在InSAR形变数据上,该点最大形变速率为44.50mm/y,平均形变速率为31.38mm/y,InSAR形变速率为30<υ<40mm/y,因此属有效形变信息;综合上述过程,提取识别为潜在滑坡隐患,参见表5。
图7中的(g)部分和(h)部分为第四试验点滑坡,其中虚线为形变边界,实线为滑坡边界,依据图5知识图谱和表4解译矩阵模型:该点处坡体上有分散居民等威胁对象,周边地形坡度在23°<θ<45°之间;光学影像上整体色调为浅灰绿色,前缘临空,坡脚可见局部滑塌变形,呈灰白色,纹理较粗糙;侧缘以负地形冲沟为界,影像上可见色差界线,呈老滑坡体形态;在InSAR形变数据上,滑坡的最大形变速率为39.22mm/y,平均形变速率为34.52mm/y,InSAR形变速率为30<υ<40mm/y,属有效形变信息;综合上述过程,最终识别为新增潜在滑坡隐患,参见表5。
/>
本发明采用构建滑坡隐患综合遥感识别知识图谱和解译模型的方法,兼顾了地形坡度因子的重要控制作用,相对于现有的基于“经验知识+人工两两对比”方式进行滑坡识别工艺,实现了从完全主观不可控到半定量化指标控制的生产工艺转变,使识别结果质量更加可靠,效率更加高效。
(1)实现建立以威胁对象为目标靶向的滑坡隐患识别筛查依据。滑坡隐患识别主要是针对存在威胁对象的区域开展解译识别,传统生产作业流程采用大面积目视过屏,容易导致遗漏且工作效率低。本发明建立以威胁对象为目标靶向的筛查原则,可以提前对研究工作区地理信息资料进行分析,锁定识别目标区域,提高作业质量和作业效率。
(2)实现构建具有统一地形坡度因子控制的滑坡识别量化指标。相较于传统解译只是简单利用解译标志进行识别的情况,在未介入地形坡度因子时,可能存在识别较多非滑坡隐患的情况,其识别准确率不高。本发明提出在引入地形坡度因子条件下,分析识别指标在不同地形坡度条件下存在滑坡的概率大小,在此基础上量化识别指标,可有效提高识别准确率。
(3)实现广域滑坡综合遥感识别逻辑关系的规范化和规则化。传统解译过程中“人机交互、两两对比”的方式,由于主观性过强,导致其解译结果不受控制。本发明提出的基于知识图谱驱动开展滑坡隐患识别的方法,具有明确的识别逻辑关系及层级规则,改变了传统遥感识别作业模式,可在一定程度上降低解译过程的人为主观性,提高作业效率和质量。
为了执行上述方法,以实现相应的功能和技术效果,下面提供一种滑坡隐患综合遥感识别系统,该系统包括:
数据获取模块,用于获取已知滑坡灾害区域的地理信息与影像资料;所述地理信息与影像资料包括:基础测绘成果、地理国情数据、雷达卫星SAR数据、高分光学影像和数字高程模型。
威胁对象实体集确定模块,用于根据所述已知滑坡灾害区域的基础测绘成果和地理国情数据确定威胁对象实体集;所述威胁对象实体集中包括若干威胁对象实体。
InSAR形变速率实体确定模块,用于根据所述已知滑坡灾害区域的雷达卫星SAR数据确定InSAR形变速率实体;所述InSAR形变速率实体中包括若干InSAR形变速率等级。
光学遥感解译标志实体确定模块,用于根据所述已知滑坡灾害区域的高分光学影像确定光学遥感解译标志实体;所述光学遥感解译标志实体中包括若干光学遥感解译标志。
地形坡度实体确定模块,用于根据所述已知滑坡灾害区域的数字高程模型确定地形坡度实体;所述地形坡度实体中包括若干地形坡度等级。
滑坡隐患综合遥感识别知识图谱构建模块,用于根据所述威胁对象实体集、所述地形坡度实体、所述InSAR形变速率实体和所述光学遥感解译标志实体构建滑坡隐患综合遥感识别知识图谱。
滑坡隐患识别模块,用于采用所述滑坡隐患综合遥感识别知识图谱对目标区域的滑坡隐患进行识别。
本发明还提供一种电子设备,包括存储器和处理器,该存储器用于存储计算机程序,该处理器用于运行计算机程序以使电子设备执行上述的滑坡隐患综合遥感识别方法。所述电子设备可以是服务器。
另外,本发明还提供一种计算机可读存储介质,其存储有计算机程序,该计算机程序被处理器执行时实现上述的滑坡隐患综合遥感识别方法。
综上所述,本发明针对传统滑坡解译过程中主观性强、无逻辑依据的问题,在充分分析滑坡隐患遥感识别目标和各要素之间的关联关系基础上,提出一种顾及地形坡度因子的滑坡隐患综合遥感识别知识图谱构建方法、解译模型,以及基于该知识图谱的滑坡隐患综合遥感识别方法、系统、设备及介质。基于本发明,解译人员可在知识图谱逻辑驱动下快速开展滑坡隐患识别,实现传统滑坡隐患识别从完全主观转变为有逻辑依据和半定量化标准的新工艺新方式,可为相关研究和工程应用提供借鉴。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种滑坡隐患综合遥感识别方法,其特征在于,包括:
获取已知滑坡灾害区域的地理信息与影像资料;所述地理信息与影像资料包括:基础测绘成果、地理国情数据、雷达卫星SAR数据、高分光学影像和数字高程模型;
根据所述已知滑坡灾害区域的基础测绘成果和地理国情数据确定威胁对象实体集;所述威胁对象实体集中包括若干威胁对象实体;
根据所述已知滑坡灾害区域的雷达卫星SAR数据确定InSAR形变速率实体;所述InSAR形变速率实体中包括若干InSAR形变速率等级;
根据所述已知滑坡灾害区域的高分光学影像确定光学遥感解译标志实体;所述光学遥感解译标志实体中包括若干光学遥感解译标志;
根据所述已知滑坡灾害区域的数字高程模型确定地形坡度实体;所述地形坡度实体中包括若干地形坡度等级;
根据所述威胁对象实体集、所述地形坡度实体、所述InSAR形变速率实体和所述光学遥感解译标志实体构建滑坡隐患综合遥感识别知识图谱;
采用所述滑坡隐患综合遥感识别知识图谱对目标区域的滑坡隐患进行识别。
2.根据权利要求1所述的滑坡隐患综合遥感识别方法,其特征在于,采用所述滑坡隐患综合遥感识别知识图谱对目标区域的滑坡隐患进行识别,具体包括:
获取目标区域的基础测绘成果、地理国情数据、雷达卫星SAR数据、高分光学影像和数字高程模型;
采用地理坐标变换方法,根据所述目标区域的基础测绘成果和地理国情数据确定所述目标区域的潜在威胁对象数据库;
采用中心距离缓冲分析方法,根据所述目标区域的数字高程模型确定所述潜在威胁对象数据库中的各威胁对象数据的地形坡度数据,并采用等间距重分类分析方法,对所述地形坡度数据进行分级,得到若干地形坡度因子;
根据所述目标区域的雷达卫星SAR数据确定所述潜在威胁对象数据库中的各威胁对象数据的InSAR形变速率数据,并采用等间距重分类分析方法,对所述InSAR形变速率数据进行分级,得到若干InSAR形变标志图;
根据所述目标区域的高分光学影像确定所述潜在威胁对象数据库中的各威胁对象数据的光学遥感解译标志图;
采用空间连接分析方法,将所述地形坡度因子分别与所述InSAR形变标志图和所述光学遥感解译标志图进行空间位置关联,得到所述潜在威胁对象数据库中的各威胁对象数据的滑坡解译标志;所述滑坡解译标志包括:滑坡隐患形变标志和滑坡隐患形态标志;所述滑坡隐患形变标志为可提取InSAR形变标志或不提取InSAR形变标志;所述滑坡隐患形态标志为可提取光学遥感解译标志或不提取光学遥感解译标志;
根据所述滑坡隐患综合遥感识别知识图谱,采用联合相乘方法分别对所述潜在威胁对象数据库中的各威胁对象数据的滑坡解译标志进行分析,确定目标区域的滑坡隐患。
3.根据权利要求1所述的滑坡隐患综合遥感识别方法,其特征在于,根据所述威胁对象实体集、所述地形坡度实体、所述InSAR形变速率实体和所述光学遥感解译标志实体构建滑坡隐患综合遥感识别知识图谱,具体包括:
以所述威胁对象实体集作为识别部位的目标层,所述地形坡度实体作为识别过程的控制层,所述InSAR形变速率实体和所述光学遥感解译标志实体作为提取识别的基础数据层,构建滑坡隐患综合遥感识别知识图谱;其中,所述InSAR形变速率实体和所述地形坡度实体用于确定滑坡隐患形变标志;所述光学遥感解译标志实体和所述地形坡度实体用于确定滑坡隐患形态标志;对于任意一个威胁对象实体,当满足所述滑坡隐患形变标志为可提取InSAR形变标志,或所述滑坡隐患形态标志为可提取光学遥感解译标志时,确定所述威胁对象实体为滑坡隐患。
4.根据权利要求3所述的滑坡隐患综合遥感识别方法,其特征在于,所述地形坡度等级包括:0-10°、10-20°、20-30°、30-40°、40-50°和>50°;所述InSAR形变速率等级包括:0-10mm/y、10-20mm/y、20-30mm/y、30-40mm/y、40-50mm/y和>50mm/y;所述光学遥感解译标志包括:前缘挤压隆起、侧缘剪切裂缝、后缘拉裂缝、坡体下挫、新鲜滑塌和异常凹腔。
5.根据权利要求4所述的滑坡隐患综合遥感识别方法,其特征在于:
当所述InSAR形变速率等级为0-10mm/y时,所述滑坡隐患形变标志为不提取InSAR形变标志;
当所述InSAR形变速率等级为10-20mm/y时,若所述地形坡度等级为0-10°、10-20°或20-30°,则所述滑坡隐患形变标志为不提取InSAR形变标志,若所述地形坡度等级为30-40°、40-50°或>50°,则所述滑坡隐患形变标志为可提取InSAR形变标志;
当所述InSAR形变速率等级为20-30mm/y时,若所述地形坡度等级为0-10°或10-20°,则所述滑坡隐患形变标志为不提取InSAR形变标志,若所述地形坡度等级为20-30°、30-40°、40-50°或>50°,则所述滑坡隐患形变标志为可提取InSAR形变标志;
当所述InSAR形变速率等级为30-40mm/y时,若所述地形坡度等级为0-10°,则所述滑坡隐患形变标志为不提取InSAR形变标志,若所述地形坡度等级为10-20°、20-30°、30-40°、40-50°或>50°,则所述滑坡隐患形变标志为可提取InSAR形变标志;
当所述InSAR形变速率等级为40-50mm/y时,所述滑坡隐患形变标志为可提取InSAR形变标志;
当所述InSAR形变速率等级为>50mm/y时,所述滑坡隐患形变标志为可提取InSAR形变标志。
6.根据权利要求4所述的滑坡隐患综合遥感识别方法,其特征在于:
当所述光学遥感解译标志为前缘挤压隆起时,若所述地形坡度等级为0-10°,则所述滑坡隐患形态标志为不提取光学遥感解译标志,若所述地形坡度等级为10-20°、20-30°、30-40°、40-50°或>50°,则所述滑坡隐患形态标志为可提取光学遥感解译标志;
当所述光学遥感解译标志为侧缘剪切裂缝时,若所述地形坡度等级为0-10°,则所述滑坡隐患形态标志为不提取光学遥感解译标志,若所述地形坡度等级为10-20°、20-30°、30-40°、40-50°或>50°,则所述滑坡隐患形态标志为可提取光学遥感解译标志;
当所述光学遥感解译标志为后缘拉裂缝时,若所述地形坡度等级为0-10°,则所述滑坡隐患形态标志为不提取光学遥感解译标志,若所述地形坡度等级为10-20°、20-30°、30-40°、40-50°或>50°,则所述滑坡隐患形态标志为可提取光学遥感解译标志;
当所述光学遥感解译标志为坡体下挫时,若所述地形坡度等级为0-10°或10-20°,则所述滑坡隐患形态标志为不提取光学遥感解译标志,若所述地形坡度等级为20-30°、30-40°、40-50°或>50°,则所述滑坡隐患形态标志为可提取光学遥感解译标志;
当所述光学遥感解译标志为新鲜滑塌时,若所述地形坡度等级为10-20°或20-30°,则所述滑坡隐患形态标志为不提取光学遥感解译标志,若所述地形坡度等级为0-10°、30-40°、40-50°或>50°,则所述滑坡隐患形态标志为可提取光学遥感解译标志;
当所述光学遥感解译标志为异常凹腔时,若所述地形坡度等级为10-20°或20-30°,则所述滑坡隐患形态标志为不提取光学遥感解译标志,若所述地形坡度等级为0-10°、30-40°、40-50°或>50°,则所述滑坡隐患形态标志为可提取光学遥感解译标志。
7.根据权利要求2所述的滑坡隐患综合遥感识别方法,其特征在于,采用地理坐标变换方法,根据所述目标区域的基础测绘成果和地理国情数据确定所述目标区域的潜在威胁对象数据库,具体包括:
从所述目标区域的基础测绘成果中获取地名信息;
从所述目标区域的地理国情数据中获取构筑物信息;
采用地理坐标变换方法,对所述地名信息和所述构筑物信息进行空间关联,得到所述目标区域的潜在威胁对象数据库。
8.一种滑坡隐患综合遥感识别系统,其特征在于,包括:
数据获取模块,用于获取已知滑坡灾害区域的地理信息与影像资料;所述地理信息与影像资料包括:基础测绘成果、地理国情数据、雷达卫星SAR数据、高分光学影像和数字高程模型;
威胁对象实体集确定模块,用于根据所述已知滑坡灾害区域的基础测绘成果和地理国情数据确定威胁对象实体集;所述威胁对象实体集中包括若干威胁对象实体;
InSAR形变速率实体确定模块,用于根据所述已知滑坡灾害区域的雷达卫星SAR数据确定InSAR形变速率实体;所述InSAR形变速率实体中包括若干InSAR形变速率等级;
光学遥感解译标志实体确定模块,用于根据所述已知滑坡灾害区域的高分光学影像确定光学遥感解译标志实体;所述光学遥感解译标志实体中包括若干光学遥感解译标志;
地形坡度实体确定模块,用于根据所述已知滑坡灾害区域的数字高程模型确定地形坡度实体;所述地形坡度实体中包括若干地形坡度等级;
滑坡隐患综合遥感识别知识图谱构建模块,用于根据所述威胁对象实体集、所述地形坡度实体、所述InSAR形变速率实体和所述光学遥感解译标志实体构建滑坡隐患综合遥感识别知识图谱;
滑坡隐患识别模块,用于采用所述滑坡隐患综合遥感识别知识图谱对目标区域的滑坡隐患进行识别。
9.一种电子设备,其特征在于,包括存储器及处理器,所述存储器用于存储计算机程序,所述处理器运行所述计算机程序以使所述电子设备执行如权利要求1至7中任意一项所述的滑坡隐患综合遥感识别方法。
10.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的滑坡隐患综合遥感识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311253049.3A CN116994156B (zh) | 2023-09-27 | 2023-09-27 | 一种滑坡隐患综合遥感识别方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311253049.3A CN116994156B (zh) | 2023-09-27 | 2023-09-27 | 一种滑坡隐患综合遥感识别方法、系统、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116994156A true CN116994156A (zh) | 2023-11-03 |
CN116994156B CN116994156B (zh) | 2023-12-08 |
Family
ID=88530554
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311253049.3A Active CN116994156B (zh) | 2023-09-27 | 2023-09-27 | 一种滑坡隐患综合遥感识别方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116994156B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117475314A (zh) * | 2023-12-28 | 2024-01-30 | 自然资源部第三地理信息制图院 | 一种地质灾害隐患立体识别方法、系统及介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015079296A (ja) * | 2013-10-15 | 2015-04-23 | 株式会社パスコ | レーダ画像判読支援装置及びレーダ画像判読支援方法 |
CN108459318A (zh) * | 2018-02-02 | 2018-08-28 | 中国铁路设计集团有限公司 | 基于遥感技术的潜在滑坡早期识别方法 |
CN109613513A (zh) * | 2018-12-20 | 2019-04-12 | 长安大学 | 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法 |
CN111090954A (zh) * | 2019-12-17 | 2020-05-01 | 国家电网有限公司 | 一种地质灾害隐患判识以及分析评估并治理的方法 |
CN111257873A (zh) * | 2020-01-15 | 2020-06-09 | 兰州大学 | 一种基于合成孔径雷达干涉测量的滑坡灾害隐患识别方法 |
CN111666904A (zh) * | 2020-06-10 | 2020-09-15 | 南方电网数字电网研究院有限公司 | 一种输电线路高分辨率遥感影像地质灾害解译识别方法 |
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 |
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 |
CN113989637A (zh) * | 2021-09-26 | 2022-01-28 | 中国科学院空天信息创新研究院 | 滑坡识别知识库建立方法、装置、电子设备及存储介质 |
CN114529823A (zh) * | 2022-02-28 | 2022-05-24 | 中国地质科学院岩溶地质研究所 | 一种冰湖溃决隐患综合遥感识别方法及系统 |
CN114755675A (zh) * | 2022-03-25 | 2022-07-15 | 山东省地质矿产勘查开发局第八地质大队(山东省第八地质矿产勘查院) | 一种地质灾害核查用调查采集系统 |
CN116416397A (zh) * | 2023-04-06 | 2023-07-11 | 西藏大学 | 一种滑坡地质灾害的遥感解译方法 |
CN116665035A (zh) * | 2023-01-31 | 2023-08-29 | 西安交通大学 | 一种地质灾害隐患风险的精细化识别与核查方法 |
US11747498B1 (en) * | 2022-09-01 | 2023-09-05 | Chengdu University Of Technology | Method, system, device and medium for landslide identification based on full polarimetric SAR |
-
2023
- 2023-09-27 CN CN202311253049.3A patent/CN116994156B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015079296A (ja) * | 2013-10-15 | 2015-04-23 | 株式会社パスコ | レーダ画像判読支援装置及びレーダ画像判読支援方法 |
CN108459318A (zh) * | 2018-02-02 | 2018-08-28 | 中国铁路设计集团有限公司 | 基于遥感技术的潜在滑坡早期识别方法 |
CN109613513A (zh) * | 2018-12-20 | 2019-04-12 | 长安大学 | 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法 |
CN111090954A (zh) * | 2019-12-17 | 2020-05-01 | 国家电网有限公司 | 一种地质灾害隐患判识以及分析评估并治理的方法 |
CN111257873A (zh) * | 2020-01-15 | 2020-06-09 | 兰州大学 | 一种基于合成孔径雷达干涉测量的滑坡灾害隐患识别方法 |
CN111666904A (zh) * | 2020-06-10 | 2020-09-15 | 南方电网数字电网研究院有限公司 | 一种输电线路高分辨率遥感影像地质灾害解译识别方法 |
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 |
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 |
CN113989637A (zh) * | 2021-09-26 | 2022-01-28 | 中国科学院空天信息创新研究院 | 滑坡识别知识库建立方法、装置、电子设备及存储介质 |
CN114529823A (zh) * | 2022-02-28 | 2022-05-24 | 中国地质科学院岩溶地质研究所 | 一种冰湖溃决隐患综合遥感识别方法及系统 |
CN114755675A (zh) * | 2022-03-25 | 2022-07-15 | 山东省地质矿产勘查开发局第八地质大队(山东省第八地质矿产勘查院) | 一种地质灾害核查用调查采集系统 |
US11747498B1 (en) * | 2022-09-01 | 2023-09-05 | Chengdu University Of Technology | Method, system, device and medium for landslide identification based on full polarimetric SAR |
CN116665035A (zh) * | 2023-01-31 | 2023-08-29 | 西安交通大学 | 一种地质灾害隐患风险的精细化识别与核查方法 |
CN116416397A (zh) * | 2023-04-06 | 2023-07-11 | 西藏大学 | 一种滑坡地质灾害的遥感解译方法 |
Non-Patent Citations (4)
Title |
---|
WEIXIAN TAN 等: "A Method for Predicting Landslides Based on Micro-Deformation Monitoring Radar Data", 《REMOTE SENSING》, pages 1 - 16 * |
吴明辕 等: "基于光学遥感与InSAR技术的潜在滑坡与老滑坡综合识别——以滇西北地区为例", 《中国地质灾害与防治学报》, vol. 33, no. 3, pages 1 - 10 * |
王之栋 等: "九寨沟地区高位滑坡隐患InSAR-LiDAR早期识别", 《测绘通报》, no. 5, pages 9 - 15 * |
王德富 等: "联合无人机光学与机载LiDAR在高位滑坡要素识别中的应用:以川西汶川龙溪沟滑坡为例", 《现代地质》, pages 1 - 15 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117475314A (zh) * | 2023-12-28 | 2024-01-30 | 自然资源部第三地理信息制图院 | 一种地质灾害隐患立体识别方法、系统及介质 |
CN117475314B (zh) * | 2023-12-28 | 2024-03-12 | 自然资源部第三地理信息制图院 | 一种地质灾害隐患立体识别方法、系统及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116994156B (zh) | 2023-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100533486C (zh) | 一种数字城市全自动生成的方法 | |
CN102521273B (zh) | 一种高分辨率遥感的多功能城市用地空间信息生成方法 | |
Ural et al. | Building extraction and rubble mapping for city port-au-prince post-2010 earthquake with GeoEye-1 imagery and lidar data | |
CN112598796B (zh) | 基于广义点云的三维建筑信息模型构建与自动更新的方法 | |
CN106126816B (zh) | 重复建筑自动感知下的大规模als建筑点云建模方法 | |
Veljanovski et al. | Object-based image analysis of VHR satellite imagery for population estimation in informal settlement Kibera-Nairobi, Kenya | |
Ehrlich et al. | Extracting building stock information from optical satellite imagery for mapping earthquake exposure and its vulnerability | |
CN104021586A (zh) | 基于北斗定位的空地一体城市生态文明管理系统及方法 | |
CN116994156B (zh) | 一种滑坡隐患综合遥感识别方法、系统、设备及介质 | |
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 | |
CN113762090B (zh) | 一种特高压密集输电通道灾害监测预警方法 | |
CN104463164A (zh) | 一种基于伞骨法与冠高比的树木冠层结构信息提取方法 | |
CN107944383A (zh) | 基于三维Voronoi图的建筑物屋顶面片分割方法 | |
CN102184423B (zh) | 一种全自动的区域不透水面遥感信息精确提取方法 | |
CN110427441B (zh) | 一种基于空天地一体化技术的铁路外部环境隐患检测和管理方法 | |
Cao et al. | Multi-level monitoring of three-dimensional building changes for megacities: Trajectory, morphology, and landscape | |
CN116151610B (zh) | 一种非均质城市下垫面承灾体风险暴露空间模拟方法 | |
CN116580532A (zh) | 一种基于雷达遥感技术的地质灾害预警系统 | |
CN110166744A (zh) | 一种基于视频地理围栏的违章摆摊监测方法 | |
CN116486289A (zh) | 一种多源数据和知识驱动下的燃气管道高后果区识别方法 | |
CN116595121A (zh) | 一种基于遥感技术数据显示监测系统 | |
Taubenböck et al. | Remote sensing—An effective data source for urban monitoring | |
CN111429471A (zh) | 一种地质灾害信息管理系统及方法 | |
Yan et al. | Estimation of urban-scale photovoltaic potential: A deep learning-based approach for constructing three-dimensional building models from optical remote sensing imagery | |
CN109284343B (zh) | 面向巨灾保险的房屋地图构建方法及平台 |
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 |