CN118097897A - 一种基于sar技术的广域重大地质灾害早期识别方法 - Google Patents
一种基于sar技术的广域重大地质灾害早期识别方法 Download PDFInfo
- Publication number
- CN118097897A CN118097897A CN202410527555.5A CN202410527555A CN118097897A CN 118097897 A CN118097897 A CN 118097897A CN 202410527555 A CN202410527555 A CN 202410527555A CN 118097897 A CN118097897 A CN 118097897A
- Authority
- CN
- China
- Prior art keywords
- representing
- sub
- ith sub
- coefficient
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 73
- 238000007405 data analysis Methods 0.000 claims description 61
- 238000006073 displacement reaction Methods 0.000 claims description 55
- 230000008859 change Effects 0.000 claims description 42
- 238000012545 processing Methods 0.000 claims description 39
- 230000005856 abnormality Effects 0.000 claims description 30
- 238000004458 analytical method Methods 0.000 claims description 24
- 230000005540 biological transmission Effects 0.000 claims description 8
- 230000001427 coherent effect Effects 0.000 claims description 6
- 230000006835 compression Effects 0.000 claims description 6
- 238000007906 compression Methods 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 230000001629 suppression Effects 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 3
- 230000002265 prevention Effects 0.000 abstract description 4
- 230000010485 coping Effects 0.000 abstract 1
- 230000007547 defect Effects 0.000 abstract 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
Landscapes
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明公开了一种基于SAR技术的广域重大地质灾害早期识别方法，具体涉及地质灾害防治领域，包括识别区域划分步骤、观测数据采集步骤、观测数据分析步骤、雷达数据采集步骤、雷达数据处理步骤、雷达数据分析步骤、综合分析步骤，以及识别步骤。本发明基于SAR技术，具有较高的自动化和智能化水平，减少操作复杂度，同时降低识别成本，本发明通过利用SAR技术并结合先进的算法和技术手段，克服了现有技术在广域重大地质灾害早期识别方面的多个不足之处，提高了识别的准确性、时效性和可靠性，为地质灾害的预防和应对提供了有力支持。
Description
技术领域
本发明涉及地质灾害防治技术领域，更具体地说，本发明涉及一种基于SAR技术的广域重大地质灾害早期识别方法。
背景技术
广域重大地质灾害是破坏力巨大的自然灾害，其背景复杂多变，既涉及地质构造、气候变化等自然因素，也受到人类活动如过度开发、乱砍滥伐等人为因素的深刻影响，这些灾害的发生往往具有突发性，对人民群众的生命财产安全构成严重威胁，因此我们需要深入研究广域重大地质灾害的成因机制，加强监测预警，提高防治能力。
目前现有的广域重大地质灾害早期识别方法主要通过SAR技术采集图像，通过大面积采集地面图像和水体图像，然后对比不同时间段地面图像和水体图像，将地面形变和水体变化范围与预设地面形变和水体变化范围进行比较，在采集到的地面图像和水体图像变化范围大于预设变化范围时，判定目标图像采集区域出现地质灾害前兆。
但是其在实际使用时，仍旧存在一些缺点，如主要依赖于图像对比，对图像的定量分析不够深入，难以精确刻画灾害的演变过程，其次，现有方法缺乏多源数据的融合分析，无法充分利用不同数据之间的互补性，此外现有方法在处理复杂地质环境和多变气候条件时，其识别精度和稳定性也面临挑战。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供一种基于SAR技术的广域重大地质灾害早期识别方法，通过以下方案，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种基于SAR技术的广域重大地质灾害早期识别方法，具体步骤包括：
步骤1：识别区域划分：用于将目标待识别区域的识别时间确定为目标时间区域，通过等时间划分的方式将目标时间区域划分为各子时间区域，并依次标记为1、2……n；
步骤2：观测数据采集：用于采集各子时间区域的地表形变数据、地表位移数据、相干性数据，以及后向散射数据，并将采集到的数据传输到观测数据分析步骤；
步骤3：观测数据分析：包括地表形变数据分析方法、地表位移数据分析方法、相干性数据分析方法，以及后向散射数据分析方法，各分析方法用于建立对应的数学模型，并将分析后的数据传输到综合分析步骤；
步骤4：雷达数据采集：用于采集各子时间区域的发射性能参数、接收性能参数以及信号处理性能参数，并将采集到的数据传输到雷达数据处理步骤；
步骤5：雷达数据处理：用于对雷达数据采集步骤传输的数据进行处理，并将处理后的数据传输到雷达数据分析步骤；
步骤6：雷达数据分析：用于建立雷达数据分析模型，将雷达数据处理步骤传输的数据导入雷达数据分析模型中，计算出各子时间区域的雷达性能变化系数，并传输到综合分析步骤；
步骤7：综合分析：用于建立综合分析模型，将观测数据分析步骤和雷达数据分析步骤传输的数据导入综合分析模型中，计算出目标待识别区域的综合异常指数，并传输到识别步骤；
步骤8：识别：用于根据综合异常指数预设值对目标待识别区域的综合异常指数进行识别。
优选的，所述地表形变数据包括形变范围、形变角度以及形变位移量，分别标记为、/>以及/>，地表位移数据包括线性位移量和位移角度，分别标记为/>和/>，相干性数据包括相干性系数和相干性降低区域面积，分别标记为/>和/>，后向散射数据包括后向散射系数、高程以及坡度，分别标记为/>、/>以及/>。
优选的，所述观测数据采集通过干涉SAR技术采集各子时间区域的形变范围、形变角度、形变位移量及相干性系数，通过多时相干涉SAR技术采集线性位移量和位移角度，通过干涉SAR技术结合数字高程模型采集高程和坡度，通过在SAR图像处理中进行辐射定标和校准提取后向散射系数。
优选的，所述地表形变数据分析方法用于建立地表形变数据分析模型，具体表示为：，/>表示第i个子时间区域的地表形变变化系数，/>表示第i个子时间区域的形变范围，/>表示第i个子时间区域的形变角度，/>表示第i个子时间区域的形变位移量，/>表示第i个子时间区域和第i-1个子时间区域的时间差，/>表示地表形变变化系数的其他影响因子。
优选的，所述地表位移数据分析方法用于建立地表位移数据分析模型，具体表示为：，/>表示第i个子时间区域的地表位移变化系数，/>表示第i个子时间区域的线性位移量，/>表示第i个子时间区域的位移角度，/>表示第i个子时间区域和第i-1个子时间区域的时间差，/>表示地表位移变化系数的其他影响因子。
优选的，所述相干性数据分析方法用于建立相干性数据分析模型，具体表示为：，/>表示第i个子时间区域的相干性变化系数，/>表示第i个子时间区域的相干性系数，/>表示相干性阈值，/>表示第i个子时间区域的相干性降低区域面积，/>表示第i个子时间区域和第i-1个子时间区域的时间差，/>表示相干性变化系数的其他影响因子。
优选的，所述后向散射数据分析方法用于建立后向散射数据分析模型，具体表示为：，/>表示第i个子时间区域的后向散射变化系数，/>表示第i个子时间区域的后向散射系数，/>表示第i个子时间区域的后高程，/>表示第i个子时间区域的坡度，/>表示第i个子时间区域和第i-1个子时间区域的时间差，/>表示后向散射变化系数的其他影响因子。
优选的，所述发射性能参数包括功率、频率以及脉冲宽度，分别标记为、/>以及/>，接收性能参数包括灵敏度和接收带宽，分别标记为/>和/>，信号处理性能参数包括波束宽度、脉冲压缩比以及杂波抑制比，分别标记为/>、/>以及/>。
优选的，所述雷达数据处理步骤通过第i个子时间区域的功率、第i个子时间区域的频率以及第i个子时间区域的脉冲宽度计算出第i个子时间区域的发射特性系数，具体数学公式为：，通过第i个子时间区域的灵敏度和第i个子时间区域的接收带宽计算出第i个子时间区域的接收特性系数，具体数学公式为：，通过第i个子时间区域的波束宽度、第i个子时间区域的脉冲压缩比以及第i个子时间区域的杂波抑制比计算出第i个子时间区域的信号处理特性系数，具体数学公式为：/>，其中/>表示目标时间区域的最大接收带宽，/>表示目标时间区域的最小接收带宽，/>表示目标时间区域的最小波束宽度。
优选的，所述雷达数据分析模型具体表示为：，/>表示第i个子时间区域的雷达性能变化系数，/>表示第i个子时间区域的发射特性系数，/>表示第i个子时间区域的接收特性系数，/>表示第i个子时间区域的信号处理特性系数，/>表示发射特性系数预设值，/>表示接收特性系数预设值，/>表示信号处理特性系数预设值，/>表示雷达性能变化系数的其他影响因子。
优选的，所述综合分析模型具体表示为：，/>表示目标待识别区域的综合异常指数，/>表示第i个子时间区域的地表形变变化系数，/>表示第i个子时间区域的地表位移变化系数，/>表示第i个子时间区域的相干性变化系数，/>表示第i个子时间区域的后向散射变化系数，/>表示第i个子时间区域的雷达性能变化系数，表示地表形变变化系数的权重，/>表示地表位移变化系数的权重，/>表示相干性变化系数的权重，/>表示后向散射变化系数的权重。
优选的，所述综合异常指数预设值标记为，当/>时，说明目标时间区域无异常发生，当/>时，说明目标时间区域的地质情况异常。
本发明的技术效果和优点：
本发明通过识别区域划分步骤将目标待识别区域的识别时间划分为各子时间区域，通过观测数据采集步骤采集各子时间区域的地表形变数据、地表位移数据、相干性数据，以及后向散射数据，通过观测数据分析步骤对观测数据采集步骤传输的数据分析，通过雷达数据采集步骤采集各子时间区域的发射性能参数、接收性能参数以及信号处理性能参数，通过雷达数据处理步骤对雷达数据采集步骤传输的数据进行处理，通过雷达数据分析步骤计算出各子时间区域的雷达性能变化系数，通过综合分析步骤计算出目标待识别区域的综合异常指数，通过识别步骤根据综合异常指数预设值对目标待识别区域的综合异常指数进行识别；
本发明利用SAR技术，能够实现对广域地区的快速、高效扫描，从而提高了地质灾害识别的准确性和时效性，通过采用先进的算法和技术手段，能够更好地处理大量的地表形变、位移、相干性，以及后向散射数据，提高地质灾害识别的精度和可靠性，本发明基于SAR技术，具有较高的自动化和智能化水平，减少操作复杂度，同时降低识别成本，本发明通过利用SAR技术并结合先进的算法和技术手段，克服了现有技术在广域重大地质灾害早期识别方面的多个不足之处，提高了识别的准确性、时效性和可靠性，为地质灾害的预防和应对提供了有力支持。
附图说明
图1为本发明的整体结构示意图。
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。
参考图1所示的一种基于SAR技术的广域重大地质灾害早期识别方法，具体步骤包括：
步骤1：识别区域划分：用于将目标待识别区域的识别时间确定为目标时间区域，通过等时间划分的方式将目标时间区域划分为各子时间区域，并依次标记为1、2……n。
步骤2：观测数据采集：用于采集各子时间区域的地表形变数据、地表位移数据、相干性数据，以及后向散射数据，并将采集到的数据传输到观测数据分析步骤。
所述地表形变数据包括形变范围、形变角度以及形变位移量，分别标记为、以及/>，地表位移数据包括线性位移量和位移角度，分别标记为/>和/>，相干性数据包括相干性系数和相干性降低区域面积，分别标记为/>和/>，后向散射数据包括后向散射系数、高程以及坡度，分别标记为/>、/>以及/>。
所述观测数据采集通过干涉SAR技术采集各子时间区域的形变范围、形变角度、形变位移量及相干性系数，通过多时相干涉SAR技术采集线性位移量和位移角度，通过干涉SAR技术结合数字高程模型采集高程和坡度，通过在SAR图像处理中进行辐射定标和校准提取后向散射系数。
步骤3：观测数据分析：包括地表形变数据分析方法、地表位移数据分析方法、相干性数据分析方法，以及后向散射数据分析方法，各分析方法用于建立对应的数学模型，并将分析后的数据传输到综合分析步骤。
所述地表形变数据分析方法用于建立地表形变数据分析模型，具体表示为：，/>表示第i个子时间区域的地表形变变化系数，/>表示第i个子时间区域的形变范围，/>表示第i个子时间区域的形变角度，/>表示第i个子时间区域的形变位移量，/>表示第i个子时间区域和第i-1个子时间区域的时间差，/>表示地表形变变化系数的其他影响因子。
所述地表位移数据分析方法用于建立地表位移数据分析模型，具体表示为：，/>表示第i个子时间区域的地表位移变化系数，/>表示第i个子时间区域的线性位移量，/>表示第i个子时间区域的位移角度，/>表示第i个子时间区域和第i-1个子时间区域的时间差，/>表示地表位移变化系数的其他影响因子。
所述相干性数据分析方法用于建立相干性数据分析模型，具体表示为：，/>表示第i个子时间区域的相干性变化系数，/>表示第i个子时间区域的相干性系数，/>表示相干性阈值，/>表示第i个子时间区域的相干性降低区域面积，/>表示第i个子时间区域和第i-1个子时间区域的时间差，/>表示相干性变化系数的其他影响因子。
所述后向散射数据分析方法用于建立后向散射数据分析模型，具体表示为：，/>表示第i个子时间区域的后向散射变化系数，/>表示第i个子时间区域的后向散射系数，/>表示第i个子时间区域的后高程，/>表示第i个子时间区域的坡度，/>表示第i个子时间区域和第i-1个子时间区域的时间差，/>表示后向散射变化系数的其他影响因子。
步骤4：雷达数据采集：用于采集各子时间区域的发射性能参数、接收性能参数以及信号处理性能参数，并将采集到的数据传输到雷达数据处理步骤。
所述发射性能参数包括功率、频率以及脉冲宽度，分别标记为、/>以及，接收性能参数包括灵敏度和接收带宽，分别标记为/>和/>，信号处理性能参数包括波束宽度、脉冲压缩比以及杂波抑制比，分别标记为/>、/>以及/>。
步骤5：雷达数据处理：用于对雷达数据采集步骤传输的数据进行处理，并将处理后的数据传输到雷达数据分析步骤。
所述雷达数据处理步骤通过第i个子时间区域的功率、第i个子时间区域的频率以及第i个子时间区域的脉冲宽度计算出第i个子时间区域的发射特性系数，具体数学公式为：，通过第i个子时间区域的灵敏度和第i个子时间区域的接收带宽计算出第i个子时间区域的接收特性系数，具体数学公式为：，通过第i个子时间区域的波束宽度、第i个子时间区域的脉冲压缩比以及第i个子时间区域的杂波抑制比计算出第i个子时间区域的信号处理特性系数，具体数学公式为：/>，其中/>表示目标时间区域的最大接收带宽，/>表示目标时间区域的最小接收带宽，/>表示目标时间区域的最小波束宽度。
所述雷达数据处理步骤处理后的数据包括发射特性系数、接收特性系数以及信号处理特性系数，分别标记为、/>以及/>，其中i=1、2……n，i表示第i个子时间区域。
步骤6：雷达数据分析：用于建立雷达数据分析模型，将雷达数据处理步骤传输的数据导入雷达数据分析模型中，计算出各子时间区域的雷达性能变化系数，并传输到综合分析步骤。
所述雷达数据分析模型具体表示为：，/>表示第i个子时间区域的雷达性能变化系数，/>表示第i个子时间区域的发射特性系数，表示第i个子时间区域的接收特性系数，/>表示第i个子时间区域的信号处理特性系数，/>表示发射特性系数预设值，/>表示接收特性系数预设值，/>表示信号处理特性系数预设值，/>表示雷达性能变化系数的其他影响因子。
步骤7：综合分析：用于建立综合分析模型，将观测数据分析步骤和雷达数据分析步骤传输的数据导入综合分析模型中，计算出目标待识别区域的综合异常指数，并传输到识别步骤。
所述综合分析模型具体表示为：，/>表示目标待识别区域的综合异常指数，/>表示第i个子时间区域的地表形变变化系数，/>表示第i个子时间区域的地表位移变化系数，/>表示第i个子时间区域的相干性变化系数，/>表示第i个子时间区域的后向散射变化系数，/>表示第i个子时间区域的雷达性能变化系数，表示地表形变变化系数的权重，/>表示地表位移变化系数的权重，/>表示相干性变化系数的权重，/>表示后向散射变化系数的权重。
步骤8：识别：用于根据综合异常指数预设值对目标待识别区域的综合异常指数进行识别。
所述综合异常指数预设值标记为，当/>时，说明目标时间区域无异常发生，当/>时，说明目标时间区域的地质情况异常。
本发明通过识别区域划分步骤将目标待识别区域的识别时间划分为各子时间区域，通过观测数据采集步骤采集各子时间区域的地表形变数据、地表位移数据、相干性数据，以及后向散射数据，通过观测数据分析步骤对观测数据采集步骤传输的数据分析，通过雷达数据采集步骤采集各子时间区域的发射性能参数、接收性能参数以及信号处理性能参数，通过雷达数据处理步骤对雷达数据采集步骤传输的数据进行处理，通过雷达数据分析步骤计算出各子时间区域的雷达性能变化系数，通过综合分析步骤计算出目标待识别区域的综合异常指数，通过识别步骤根据综合异常指数预设值对目标待识别区域的综合异常指数进行识别。
本发明利用SAR技术，能够实现对广域地区的快速、高效扫描，从而提高了地质灾害识别的准确性和时效性，通过采用先进的算法和技术手段，能够更好地处理大量的地表形变、位移、相干性，以及后向散射数据，提高地质灾害识别的精度和可靠性，本发明基于SAR技术，具有较高的自动化和智能化水平，减少操作复杂度，同时降低识别成本，本发明通过利用SAR技术并结合先进的算法和技术手段，克服了现有技术在广域重大地质灾害早期识别方面的多个不足之处，提高了识别的准确性、时效性和可靠性，为地质灾害的预防和应对提供了有力支持。
其次：本发明公开实施例附图中，只涉及到与本公开实施例涉及到的结构，其他结构可参考通常设计，在不冲突情况下，本发明同一实施例及不同实施例可以相互组合；
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于SAR技术的广域重大地质灾害早期识别方法，其特征在于，包括：
步骤1：识别区域划分：用于将目标待识别区域的识别时间确定为目标时间区域，通过等时间划分的方式将目标时间区域划分为各子时间区域，并依次标记为1、2……n；
步骤2：观测数据采集：用于采集各子时间区域的地表形变数据、地表位移数据、相干性数据，以及后向散射数据，并将采集到的数据传输到观测数据分析步骤；
步骤3：观测数据分析：包括地表形变数据分析方法、地表位移数据分析方法、相干性数据分析方法，以及后向散射数据分析方法，各分析方法用于建立对应的数学模型，并将分析后的数据传输到综合分析步骤；
步骤4：雷达数据采集：用于采集各子时间区域的发射性能参数、接收性能参数以及信号处理性能参数，并将采集到的数据传输到雷达数据处理步骤；
步骤5：雷达数据处理：用于对雷达数据采集步骤传输的数据进行处理，并将处理后的数据传输到雷达数据分析步骤；
步骤6：雷达数据分析：用于建立雷达数据分析模型，将雷达数据处理步骤传输的数据导入雷达数据分析模型中，计算出各子时间区域的雷达性能变化系数，并传输到综合分析步骤；
步骤7：综合分析：用于建立综合分析模型，将观测数据分析步骤和雷达数据分析步骤传输的数据导入综合分析模型中，计算出目标待识别区域的综合异常指数，并传输到识别步骤；
步骤8：识别：用于根据综合异常指数预设值对目标待识别区域的综合异常指数进行识别。
2.根据权利要求1所述的一种基于SAR技术的广域重大地质灾害早期识别方法，其特征在于：所述地表形变数据包括形变范围、形变角度以及形变位移量，分别标记为、/>以及/>，地表位移数据包括线性位移量和位移角度，分别标记为/>和/>，相干性数据包括相干性系数和相干性降低区域面积，分别标记为/>和/>，后向散射数据包括后向散射系数、高程以及坡度，分别标记为/>、/>以及/>。
3.根据权利要求1所述的一种基于SAR技术的广域重大地质灾害早期识别方法，其特征在于：所述地表形变数据分析方法用于建立地表形变数据分析模型，具体表示为：，/>表示第i个子时间区域的地表形变变化系数，/>表示第i个子时间区域的形变范围，/>表示第i个子时间区域的形变角度，/>表示第i个子时间区域的形变位移量，/>表示第i个子时间区域和第i-1个子时间区域的时间差，/>表示地表形变变化系数的其他影响因子。
4.根据权利要求1所述的一种基于SAR技术的广域重大地质灾害早期识别方法，其特征在于：所述地表位移数据分析方法用于建立地表位移数据分析模型，具体表示为：，/>表示第i个子时间区域的地表位移变化系数，/>表示第i个子时间区域的线性位移量，/>表示第i个子时间区域的位移角度，/>表示第i个子时间区域和第i-1个子时间区域的时间差，/>表示地表位移变化系数的其他影响因子。
5.根据权利要求1所述的一种基于SAR技术的广域重大地质灾害早期识别方法，其特征在于：所述相干性数据分析方法用于建立相干性数据分析模型，具体表示为：，/>表示第i个子时间区域的相干性变化系数，/>表示第i个子时间区域的相干性系数，/>表示相干性阈值，/>表示第i个子时间区域的相干性降低区域面积，/>表示第i个子时间区域和第i-1个子时间区域的时间差，/>表示相干性变化系数的其他影响因子。
6.根据权利要求1所述的一种基于SAR技术的广域重大地质灾害早期识别方法，其特征在于：所述发射性能参数包括功率、频率以及脉冲宽度，分别标记为、/>以及/>，接收性能参数包括灵敏度和接收带宽，分别标记为/>和/>，信号处理性能参数包括波束宽度、脉冲压缩比以及杂波抑制比，分别标记为/>、/>以及/>。
7.根据权利要求6所述的一种基于SAR技术的广域重大地质灾害早期识别方法，其特征在于：所述雷达数据处理步骤通过第i个子时间区域的功率、第i个子时间区域的频率以及第i个子时间区域的脉冲宽度计算出第i个子时间区域的发射特性系数，具体数学公式为：，通过第i个子时间区域的灵敏度和第i个子时间区域的接收带宽计算出第i个子时间区域的接收特性系数，具体数学公式为：，通过第i个子时间区域的波束宽度、第i个子时间区域的脉冲压缩比以及第i个子时间区域的杂波抑制比计算出第i个子时间区域的信号处理特性系数，具体数学公式为：/>，其中/>表示目标时间区域的最大接收带宽，/>表示目标时间区域的最小接收带宽，/>表示目标时间区域的最小波束宽度。
8.根据权利要求1所述的一种基于SAR技术的广域重大地质灾害早期识别方法，其特征在于：所述雷达数据分析模型具体表示为：，/>表示第i个子时间区域的雷达性能变化系数，/>表示第i个子时间区域的发射特性系数，/>表示第i个子时间区域的接收特性系数，/>表示第i个子时间区域的信号处理特性系数，表示发射特性系数预设值，/>表示接收特性系数预设值，/>表示信号处理特性系数预设值，/>表示雷达性能变化系数的其他影响因子。
9.根据权利要求1所述的一种基于SAR技术的广域重大地质灾害早期识别方法，其特征在于：所述综合分析模型具体表示为：，/>表示目标待识别区域的综合异常指数，/>表示第i个子时间区域的地表形变变化系数，/>表示第i个子时间区域的地表位移变化系数，/>表示第i个子时间区域的相干性变化系数，/>表示第i个子时间区域的后向散射变化系数，/>表示第i个子时间区域的雷达性能变化系数，表示地表形变变化系数的权重，/>表示地表位移变化系数的权重，/>表示相干性变化系数的权重，/>表示后向散射变化系数的权重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410527555.5A CN118097897A (zh) | 2024-04-29 | 2024-04-29 | 一种基于sar技术的广域重大地质灾害早期识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410527555.5A CN118097897A (zh) | 2024-04-29 | 2024-04-29 | 一种基于sar技术的广域重大地质灾害早期识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118097897A true CN118097897A (zh) | 2024-05-28 |
Family
ID=91150985
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410527555.5A Pending CN118097897A (zh) | 2024-04-29 | 2024-04-29 | 一种基于sar技术的广域重大地质灾害早期识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118097897A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101770027A (zh) * | 2010-02-05 | 2010-07-07 | 河海大学 | 基于InSAR与GPS数据融合的地表三维形变监测方法 |
| CN111721241A (zh) * | 2020-05-08 | 2020-09-29 | 北京理工大学 | 一种GNSS-InBSAR和GB-InSAR跨系统融合三维形变测量方法 |
| CN112540370A (zh) * | 2020-12-08 | 2021-03-23 | 鞍钢集团矿业有限公司 | InSAR和GNSS融合的露天矿边坡形变测量方法 |
| CN113421404A (zh) * | 2021-06-16 | 2021-09-21 | 深圳防灾减灾技术研究院 | 一种星地协同的边坡多风险因子联合实时监测与预警方法 |
| CN114279401A (zh) * | 2021-12-27 | 2022-04-05 | 深圳供电局有限公司 | 一种基于GNSS和InSAR的地面沉降监测系统 |
-
2024
- 2024-04-29 CN CN202410527555.5A patent/CN118097897A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101770027A (zh) * | 2010-02-05 | 2010-07-07 | 河海大学 | 基于InSAR与GPS数据融合的地表三维形变监测方法 |
| CN111721241A (zh) * | 2020-05-08 | 2020-09-29 | 北京理工大学 | 一种GNSS-InBSAR和GB-InSAR跨系统融合三维形变测量方法 |
| CN112540370A (zh) * | 2020-12-08 | 2021-03-23 | 鞍钢集团矿业有限公司 | InSAR和GNSS融合的露天矿边坡形变测量方法 |
| CN113421404A (zh) * | 2021-06-16 | 2021-09-21 | 深圳防灾减灾技术研究院 | 一种星地协同的边坡多风险因子联合实时监测与预警方法 |
| CN114279401A (zh) * | 2021-12-27 | 2022-04-05 | 深圳供电局有限公司 | 一种基于GNSS和InSAR的地面沉降监测系统 |
Non-Patent Citations (1)
| Title |
|---|
| 焦明连;蒋廷臣;: "GPS-InSAR数据融合用于地表形变监测的研究", 海洋测绘, no. 04, 25 July 2008 (2008-07-25), pages 8 - 10 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lo et al. | Fractal characterisation of sea-scattered signals and detection of sea-surface targets | |
| Alfieri et al. | Time-dependent ZR relationships for estimating rainfall fields from radar measurements | |
| CN111781146B (zh) | 利用高分辨率卫星光学影像的波浪参数反演方法 | |
| CN110673108B (zh) | 一种基于迭代Klett的机载海洋激光雷达信号处理方法 | |
| CN108594226B (zh) | 一种顾及地形的山区sar图像输电塔架检测方法 | |
| KR102440355B1 (ko) | 해수면 전파 반사율을 이용한 딥 러닝 해양 클러스터 데이터 측정 시스템 | |
| CN111751392A (zh) | 一种基于双极化探地雷达的钢筋锈蚀检测方法 | |
| CN115984778A (zh) | 一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法 | |
| CN116449331B (zh) | 一种基于w波段雷达和气象卫星的沙尘粒子数浓度估算方法 | |
| Park et al. | Calibration of radar reflectivity measurements from the KMA operational radar network | |
| CN107678025B (zh) | 海浪波高计算方法和装置、存储介质及处理器 | |
| CN114724045A (zh) | 一种濒陆浅海水下地形反演方法 | |
| CN107526064A (zh) | 基于二维特征的自适应lfm信号参数估计方法 | |
| CN116029162B (zh) | 利用星载gnss-r数据的洪涝灾害淹没范围监测方法和系统 | |
| CN118097897A (zh) | 一种基于sar技术的广域重大地质灾害早期识别方法 | |
| CN116879900A (zh) | 一种基于灰度处理的雷暴质心定位以及追踪预测方法 | |
| CN114739669B (zh) | 基于太赫兹雷达的滚动轴承状态监测方法及装置 | |
| CN111611678B (zh) | 台风风向模糊解优化方法、装置、电子设备及存储介质 | |
| Jia et al. | Multiresolution soil moisture products based on a spatially adaptive estimation model and CYGNSS data | |
| Ding et al. | Improved spectral processing for a multi-mode pulse compression Ka–Ku-band cloud radar system | |
| Yeung et al. | Development of a localized radar-rain gauge co-kriging QPE scheme for potential use in quality control of real-time rainfall data | |
| AU2021100309A4 (en) | Weather monitoring and early warning using iot enabled devices and 5g wireless communication network | |
| CN115128548B (zh) | 一种sar射频干扰检测方法 | |
| CN113376610B (zh) | 基于信号结构信息的窄带雷达目标检测方法 | |
| Sun et al. | A new method to retrieve rainfall intensity level from rain-contaminated X-band marine radar image |
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 |