WO2024004216A1 - 地盤変動解析装置および地盤変動解析方法 - Google Patents

地盤変動解析装置および地盤変動解析方法 Download PDF

Info

Publication number
WO2024004216A1
WO2024004216A1 PCT/JP2022/026508 JP2022026508W WO2024004216A1 WO 2024004216 A1 WO2024004216 A1 WO 2024004216A1 JP 2022026508 W JP2022026508 W JP 2022026508W WO 2024004216 A1 WO2024004216 A1 WO 2024004216A1
Authority
WO
WIPO (PCT)
Prior art keywords
time
saliency
series
point
data
Prior art date
Application number
PCT/JP2022/026508
Other languages
English (en)
French (fr)
Inventor
アビナンダン アルヤ
ブジェトゥ パムンガス
プラカル ミスラ
リシャヴ チャウハン
Original Assignee
株式会社Synspective
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 株式会社Synspective filed Critical 株式会社Synspective
Priority to PCT/JP2022/026508 priority Critical patent/WO2024004216A1/ja
Publication of WO2024004216A1 publication Critical patent/WO2024004216A1/ja

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C7/00—Tracing profiles
    • G01C7/02—Tracing profiles of land surfaces
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing

Definitions

  • the present invention relates to a ground deformation analysis device and a ground deformation analysis method, and is particularly suitable for use in a device and method that analyze the state of ground deformation using observation data measured using a synthetic aperture radar.
  • ground disasters such as landslides, ground subsidence, slope failures, cave-ins, embankment collapses, and liquefaction can occur.
  • Ground disasters often occur mainly due to earthquakes and weather conditions. However, some geological hazards may also occur due to soil deterioration or creep behavior. Since ground disasters have a large impact on society, it is important to monitor ground movements, detect signs of ground disasters, and issue warnings.
  • Patent Document 1 Japanese Patent Application Publication No. 2021-56008
  • Patent Document 2 Japanese Patent No. 3987451
  • Patent Document 3 Japanese Patent Application Publication No. 9-5433
  • the landslide area detection device described in Patent Document 1 uses at least a combination of landslide characteristics in each of phase difference data and coherence data obtained by performing interference analysis on ground surface data obtained by radar measurements at different timings. Based on this information, landslide-prone ground movements are detected.
  • the ground surface is measured by performing synthetic aperture interference processing on the ground surface reflected waves of pulsed radio waves emitted from one synthetic aperture radar mounted on a satellite. Find the amount of variation. Specifically, by performing synthetic aperture interference processing on the reflected waves obtained twice in the ascending orbit and the descending orbit, the distances from the ascending orbit and the descending orbit to the measurement target point are determined, and then By adding the condition of the direction of ground surface movement specified by the ground structure, the actual amount of movement from the past position of the measurement target point is determined.
  • two pieces of SAR reproduction data are Fourier-transformed to convert them into frequency domain data, and after shaping each frequency characteristic to improve the accuracy of the interference processing output.
  • the data is inversely Fourier transformed back to the original time domain data, and the thus processed time domain data is sent to the interference processing unit.
  • the interference processing unit performs interference processing on the two SAR reproduced data with improved correlation to generate interference fringes having elevation information and outputs the resulting interference fringes as elevation data.
  • Patent Documents 1 to 3 above disclose monitoring the state of ground movement, they do not disclose detecting signs of a ground disaster and issuing a warning. In order to issue warnings appropriately, it is necessary to more accurately capture the state of ground movement.
  • the present invention was made in order to solve such problems, and aims to enable more accurate detection of ground deformation conditions and capture signs of ground disaster.
  • time-series variation data indicating changes in the ground surface for each predetermined unit time are analyzed. Convert to time-series saliency data representing Then, based on this time-series saliency data, a time point at which the saliency index value indicating the saliency of the fluctuation per predetermined unit time is greater than the threshold value is defined as an abnormal time point, and a predetermined point at which the abnormal time point is the same is determined.
  • predetermined unit areas located at intervals within a predetermined distance from each other are detected as a precursor of a geo-disaster. I am trying to extract it as a point.
  • the data is not based on the time-series variation data itself indicating the fluctuations on the ground surface per predetermined unit time, but on the time-series saliency data indicating the salience of the fluctuations on the ground surface per predetermined unit time.
  • a time point and a predetermined unit area at which abnormal fluctuations occur are detected.
  • the predetermined number or more of the predetermined unit areas are detected as potential precursor points of a ground disaster; From among the potential precursor points, only predetermined unit areas that are located within a predetermined distance from each other are extracted as precursor points of a ground disaster. Therefore, according to the present invention, it is possible to more accurately grasp the situation of ground deformation, such as at what point and in what place, a change that may be a sign of a ground disaster is occurring.
  • FIG. 1 is a diagram showing a network configuration of an analysis system according to the present embodiment.
  • FIG. 1 is a block diagram showing an example of the functional configuration of a ground deformation analysis device according to the present embodiment.
  • FIG. 3 is a diagram for explaining the LoS direction.
  • FIG. 2 is a block diagram showing a specific functional configuration example of a time-series saliency data acquisition unit according to the present embodiment.
  • FIG. 3 is a diagram showing an example of time-series variation data and time-series saliency data.
  • FIG. 2 is a block diagram showing a specific functional configuration example of a portent point candidate detection unit according to the present embodiment. It is a figure for explaining the processing content of the precursor point candidate detection part by this embodiment. It is a figure for explaining the processing content of the portent point extraction part by this embodiment.
  • 1 is a flowchart showing an example of the operation of the ground movement analysis device according to the present embodiment (an example of a processing procedure of a ground movement analysis method).
  • FIG. 1 is a diagram showing a network configuration of an analysis system 100 according to this embodiment.
  • the analysis system 100 includes a satellite base station 50 that receives satellite data from a satellite S flying in a satellite orbit in space, a database DB that records satellite data, and a ground deformation analysis device 10 that analyzes the satellite data.
  • the satellite S is equipped with a satellite data acquisition unit (for example, an optical sensor, a synthetic aperture radar, etc.), and transmits satellite data including images of the ground taken by the satellite data acquisition unit to the satellite base station 50.
  • a satellite data acquisition unit for example, an optical sensor, a synthetic aperture radar, etc.
  • the satellite base station 50 receives satellite data from the satellite S and records it in the database DB.
  • the database DB is connected to a communication network N such as the Internet.
  • the ground deformation analysis device 10 acquires satellite data stored in the database DB via the communication network N.
  • FIG. 2 is a block diagram showing an example of the functional configuration of the ground deformation analysis device 10 according to this embodiment.
  • the ground deformation analysis device 10 of the present embodiment includes a time-series variation data acquisition unit 11, a time-series saliency data acquisition unit 12, a precursor point candidate detection unit 13, and a precursor point extraction unit as functional components. It is equipped with 14.
  • the functional blocks 11 to 14 can be configured by hardware, DSP (Digital Signal Processor), or software.
  • the functional blocks 11 to 14 are configured with a computer's CPU, RAM, ROM, etc., and an analysis program stored in a storage medium such as the RAM, ROM, hard disk, or semiconductor memory runs. This is achieved by The analysis program may be provided stored in a storage medium or may be provided via a communication network.
  • the ground deformation analysis device 10 may include an LSI (Large-Scale Integration) in which a CPU, RAM, and ROM are integrated. Furthermore, in this embodiment, a case will be described in which the ground deformation analysis device 10 is composed of one computer, but the ground deformation analysis device 10 may be realized by combining a plurality of computers.
  • LSI Large-Scale Integration
  • the time-series variation data acquisition unit 11 analyzes time-series observation data measured using synthetic aperture radar, which is one of the earth observation technologies, and analyzes the time-series observation data measured using synthetic aperture radar, which is one of the earth observation technologies, to Obtain time-series fluctuation data that shows fluctuations per unit time.
  • the region of interest refers to an area whose ground deformation is to be monitored.
  • the observation data used in this embodiment is, for example, time-series SAR images stored in a storage medium (not shown) based on daily observations using synthetic aperture radar.
  • the time-series variation data acquired in this embodiment is LoS variation data that indicates the magnitude or speed of variation in the line-of-sight direction when looking at the earth's surface from a satellite for each predetermined unit time.
  • a satellite equipped with a synthetic aperture radar observes all points on the earth from two directions: a northward orbit (Ascending) and a southward orbit (Descending) from a pre-designated orbit of the satellite.
  • a time-series SAR image observed by a satellite whose traveling direction is a northward orbit hereinafter referred to as a "northern orbit SAR image”
  • a time-series SAR image observed by a satellite whose satellite traveling direction is a southward orbit is input to the time-series variation data acquisition unit 11.
  • the time-series variation data acquisition unit 11 analyzes the northward orbit SAR image and the southbound orbit SAR image to indicate the variation of the ground surface in the direction of line of sight when looking at the ground surface from the satellite in the northward orbit.
  • data hereinafter referred to as northbound LoS variation data
  • southbound LoS variation data data indicating variations in the ground surface in the line-of-sight direction when looking at the ground surface from a satellite in a southbound orbit
  • the well-known InSAR analysis can be used as the analysis performed by the time-series fluctuation data acquisition unit 11.
  • FIG. 3 is a diagram for explaining the LoS direction, which is the line of sight direction when looking at the earth's surface from a satellite.
  • Radar waves emitted from a satellite are not irradiated perpendicularly to the earth's surface, but in directions with incident angles ⁇ asc and ⁇ desc deviated from the perpendicular direction. That is, radar waves are irradiated in directions with slightly different incident angles ⁇ asc and ⁇ desc between the satellite in the northward orbit shown in FIG. 3(a) and the satellite in the southward orbit shown in FIG. 3(b).
  • the amount of variation in the LoS direction of the satellite is determined instead of the amount of variation in the vertical direction of the ground surface.
  • the time-series variation data acquisition unit 11 replaces the northbound LoS variation data and southbound LoS variation data acquired as described above with variation data for each predetermined unit time and for each predetermined unit area.
  • the time-series variation data acquisition unit 11 matches the time axis and the spatial axis between the northbound LoS variation data and the southbound LoS variation data, and matches the northbound LoS variation data with the southbound LoS variation data. Detect data.
  • the northbound LoS fluctuation data and the southbound LoS fluctuation data may not match in the time axis direction and the spatial axis direction. Therefore, the time-series variation data acquisition unit 11 sets a threshold in the time axis direction, and if there is northbound LoS variation data and southbound LoS variation data that can be considered to be the same within the range of the threshold, matches them, To detect. Similarly, a threshold is set in the spatial axis direction, and if there is northbound LoS variation data and southbound LoS variation data that can be considered the same within the range of the threshold, they are matched and detected. Matching here refers to the process of determining whether there is a point within a threshold set in the time axis direction or the spatial axis direction where northbound LoS fluctuation data and southbound LoS fluctuation data can be considered the same. .
  • thresholds generally set on the Sentinel-1 satellite which is used during measurements that require strictness and accuracy, are used.
  • the matching conditions may be set loosely by setting at least one of the time-axis threshold and the spatial-axis threshold larger than the threshold generally set for the Sentinel-1 satellite. For example, it is possible to set the threshold value on the time axis to 11 days, and the threshold value on the spatial axis to a rectangular area of 20 m square.
  • the time-series variation data acquisition unit 11 sets the northbound LoS variation data as master data and the southbound LoS variation data as slave data, which is identical to the northbound LoS variation data within a time range of 11 days and within a distance difference of 20 m square. Detect southbound LoS fluctuation data that can be considered as . Then, only when conditions that can be considered to be the same can be detected, the northbound LoS fluctuation data and the southbound This is adopted as row LoS fluctuation data. In this case, the predetermined unit time and predetermined unit area are specified based on the northbound LoS fluctuation data used as master data.
  • the time-series saliency data acquisition unit 12 converts the time-series variation data acquired by the time-series variation data acquisition unit 11 into time-series saliency data representing the saliency of variation for each predetermined unit time.
  • This time-series saliency data is data in which saliency index values indicating the saliency of changes on the ground surface are shown for each predetermined unit time.
  • the saliency index value is an index value designed to increase as the variation becomes more conspicuous.
  • FIG. 4 is a block diagram showing a specific functional configuration example of the time-series saliency data acquisition unit 12.
  • the time-series saliency data acquisition unit 12 of this embodiment includes, as a specific functional configuration, a time-frequency conversion unit 12a, a correction calculation unit 12b, and a frequency-time conversion unit 12c.
  • the time-frequency conversion unit 12a converts the time-series variation data acquired by the time-series variation data acquisition unit 11 into frequency domain spectral data. For example, the time-frequency conversion unit 12a obtains frequency spectrum data representing amplitude for each frequency by performing fast Fourier transform (FFT) processing on the time-series fluctuation data.
  • FFT fast Fourier transform
  • the correction calculation unit 12b performs a correction calculation on the frequency spectrum data converted by the time-frequency conversion unit 12a based on a reference value calculated by an aggregation function filter using a moving window. For example, the correction calculation unit 12b obtains the spectral residual by subtracting the reference value from the amplitude value or amplitude-related value specified by the frequency spectrum data.
  • the reference value is obtained by summing the amplitude values included in a moving window of a predetermined size using a predetermined summing function.
  • the aggregation function it is possible to use a function that calculates an average value, a function that calculates a median value, a function that calculates chi-square, or the like.
  • F(X) is frequency spectrum data
  • Amp(f) is the amplitude value for each frequency
  • L(f) is the logarithm value of the amplitude for each frequency (equivalent to the amplitude-related value)
  • H is the value using a moving window.
  • the aggregation function filter, Ave(L(f)) is the reference value (moving average value in the case of [Equation 1]) calculated by multiplying the amplitude logarithm value L(f) by the aggregation function filter H
  • Res (f) is the spectral residual for each frequency.
  • the spectral residual Res(f) is obtained using the amplitude log value L(f), but the spectral residual Res(f) may also be obtained using the amplitude value Amp(f).
  • the frequency-time conversion unit 12c converts the spectral residual data calculated by the correction calculation unit 12b into time domain data, that is, time-series saliency data.
  • the processing performed by the frequency-time converter 12c is the opposite process to that performed by the time-frequency converter 12a.
  • the frequency-time conversion unit 12c converts the spectral residual data into time-series saliency data by performing inverse FFT processing on the spectral residual data.
  • the frequency-time conversion unit 12c obtains the time-series saliency data S(X) by performing inverse FFT processing according to the equation shown in [Equation 2] below.
  • F -1 means inverse FFT processing
  • Ph(f) means the phase of the spectral residual.
  • FIG. 5 is a diagram showing an example of time-series variation data input to the time-series saliency data acquisition unit 12 and time-series saliency data output from the time-series saliency data acquisition unit 12.
  • This Figure 5 shows the time series gradient of data regarding one predetermined unit area for each predetermined unit time (every 11 days), and each dot indicates data acquired every 11 days. ing.
  • FIG. 5(a) is time-series variation data
  • FIG. 5(b) is time-series saliency data.
  • the portent point candidate detection unit 13 detects, based on the time series saliency data acquired by the time series saliency data acquisition unit 12, that the saliency index value indicating the saliency of the fluctuation for each predetermined unit time is larger than the threshold value.
  • the indicated time point is defined as an abnormal time point, and a predetermined number or more of predetermined unit areas where the abnormal time point is the same are detected as potential precursor points of a ground disaster.
  • a predetermined unit area with the same abnormal time point is detected as a predetermined unit area. Only when there are more than a certain number of predetermined unit areas, the predetermined unit areas of the predetermined number or more are detected as precursor point candidates. This means that precursor point candidates are detected only in a plurality of predetermined unit areas that are temporally related.
  • FIG. 6 is a block diagram showing a specific functional configuration example of the portent point candidate detection unit 13.
  • the precursor point candidate detection unit 13 of this embodiment includes, as a specific functional configuration, an abnormal time detection unit 13a and a simultaneous abnormality area detection unit 13b.
  • the abnormal time point detection unit 13a Based on the time series saliency data acquired by the time series saliency data acquisition unit 12, the abnormal time point detection unit 13a detects a time point indicating that the saliency index value is larger than the threshold value as abnormal for each predetermined unit area. Detect as a point in time.
  • the processing contents of the abnormal time detection section 13a will be explained using FIG. 7.
  • FIG. 7(a) shows time-series saliency data and threshold values for each predetermined unit area
  • FIG. 7(b) shows processing results by the abnormal time detection unit 13a.
  • FIG. 7(a) shows time series saliency data S1 to S10 of ten predetermined unit areas A1 to A10.
  • One piece of time-series saliency data includes ten saliency index values for each predetermined unit time.
  • the time series saliency data S1 of the predetermined unit area A1 includes ten saliency index values S1-01 to S1-10.
  • the time-series saliency data S2 of the predetermined unit area A2 includes ten saliency index values S2-01 to S2-10. Note that although an example in which each of the 10 time-series saliency data S1 to S10 includes 10 saliency index values is schematically shown here, this is for illustration only. Actually, there is more time-series saliency data of a predetermined unit area, and one time-series saliency data includes more saliency index values.
  • threshold values Th1 to Th10 are set for each predetermined unit area.
  • the abnormal time detection unit 13a calculates thresholds Th1 to Th10 for each predetermined unit area A1 to A10 using the time series saliency data S1 to S10 acquired by the time series saliency data acquisition unit 12, Abnormal time points are detected by individually comparing the calculated threshold values Th1 to Th10 and saliency index values S1-01 to S10-10.
  • the abnormal time detection unit 13a detects the upper quartiles and outliers of the saliency index values S1-01 to S10-10 indicated by the time series saliency data S1 to S10, as shown in [Equation 3] below.
  • Thresholds Th1 to Th10 are calculated using the values.
  • IQR i is the saliency index value Si-01 to Si-10.
  • sv indicates sensitivity.
  • the value of sensitivity sv is, for example, 1.5, which is generally used in the definition of outliers. Note that the initial value of the sensitivity sv may be set to 1.5, and the user may adjust the value as appropriate depending on the topography, structure, etc. of the region of interest.
  • the abnormal time detection unit 13a individually compares the ten saliency index values S1-01 to S1-10 and the threshold Th1 based on the time series saliency data S1 of the first predetermined unit area A1, A time point indicating that the saliency index values S1-01 to S1-10 are larger than the threshold value Th1 is detected as an abnormal time point.
  • FIG. 7(b) which indicates that the portion labeled "abnormal" was detected as an abnormal time point.
  • the third saliency index value S1-03 is determined to be larger than the threshold Th1, and the time point corresponding to the third saliency index value S1-03 (2021/11/ 28) is detected as an abnormal point.
  • the abnormal time detection unit 13a individually compares the ten saliency index values S2-01 to S2-10 and the threshold Th2 based on the time series saliency data S2 of the second predetermined unit area A2. However, the time point at which the saliency index values S2-01 to S2-10 are larger than the threshold Th2 is detected as an abnormal time point. In the example of FIG. 7(b), it is determined that the first saliency index value S2-01 and the tenth saliency index value S2-10 are larger than the threshold Th2, and the first saliency index value The time point corresponding to S2-01 (2021/11/6) and the time point corresponding to the 10th saliency index value S2-10 (2022/2/13) are detected as abnormal time points.
  • the abnormal time detection unit 13a detects an abnormal time by performing similar processing on the time series saliency data S3 to S10 of the third and subsequent predetermined unit areas A3 to A10.
  • the same time abnormal area detection unit 13b detects a predetermined unit area whose saliency index value is larger than the threshold value at the same time based on the detection result by the abnormal time detection unit 13a as shown in FIG. 7(b). If there are a predetermined number or more, the predetermined unit areas of the predetermined number or more are detected as potential sign points of a ground disaster.
  • the simultaneous abnormality area detection unit 13b looks at the table shown in FIG. If it is determined that there are a number or more (for example, five or more), the predetermined unit areas of the predetermined number or more are detected as precursor point candidates.
  • the portent point extraction section 14 selects predetermined unit areas that are located at intervals within a predetermined distance from each other as ground hazards. Extracted as a sign of the future. This means that a precursor point is extracted from among a plurality of precursor point candidates, limited to a predetermined spatially related unit area. Note that an area formed to include a plurality of predetermined unit areas located at intervals within a predetermined distance from each other may be extracted as a premonitory point of a ground disaster.
  • the value of the predetermined distance can be set to a different value depending on the SAR image used as input for the InSAR analysis.
  • the predetermined distance is, for example, 44 m.
  • A9 are present at positions within a predetermined distance from each other, and a predetermined unit area determined to be present at a position within a predetermined distance from each other is extracted as a precursor point. For example, if it is determined that three predetermined unit areas A6, A7, and A9 exist within a predetermined distance, these three predetermined unit areas A6, A7, and A9 are extracted as portent points.
  • the portent point extraction unit 14 detects that six predetermined unit areas A2, A5, A6, A8, A9, and A10 detected as of February 13, 2022 exist at positions within a predetermined distance from each other. A predetermined unit area determined to exist at a position within a predetermined distance is extracted as a precursor point.
  • the portent point extraction unit 14 extracts predetermined unit areas that are located at intervals within a predetermined distance from each other among a predetermined number or more of predetermined unit areas detected as portent point candidates by the portent point candidate detection unit 13 at a certain point in time.
  • the unit area is extracted as a premonitory point of a ground disaster at the abnormal time detected by the abnormal time detection unit 13a.
  • FIG. 8 is a diagram for explaining an example of the processing contents of the portent point extraction unit 14.
  • FIG. 8 shows a bird's-eye view of a certain area of the ground surface from above, and the individual positions indicated by ⁇ are a plurality of precursor points detected at one point in time by the precursor point candidate detection unit 13. Candidates P 1 to P 5 are shown. In reality, there may be many more predetermined unit areas detected as precursor point candidates, but FIG. 8 shows them in a simplified manner for convenience of explanation.
  • the omen point extracting unit 14 extracts the set of the three omen point candidates P 1 to P 3 or the area PA including them as the omen point.
  • the area PA including the set of the three precursor point candidates P 1 to P 3 is a rectangular area that inscribes and encloses the three precursor point candidates P 1 to P 3 , as shown in FIG. 8, for example.
  • the remaining two omen point candidates P 4 and P 5 are not extracted as omen points. That is, the precursor point candidates P 4 and P 5 that are highly likely to have no spatial relationship with other precursor point candidates are excluded from the target of precursor points.
  • the omen point extracting unit 14 selects the plurality of omen point candidates as the omen only when the number of omen point candidates existing in close proximity positions within a predetermined distance from each other is a predetermined number (for example, 5) or more. It may also be extracted as a point.
  • the shape of the area PA of the portent point shown in FIG. 8 is an example, and the shape is not limited thereto. For example, it may be a rectangle, a circle, an ellipse, or another polygon with the minimum area that includes the precursor point candidates P 1 to P 3 .
  • the processing contents of the precursor point candidate detection section 13 and the precursor point extraction section 14 performed using the time series saliency data acquired by the time series saliency data acquisition section 12 have been explained above.
  • the precursor point may be detected only from the most recent point in the time series, or it can be detected in a time series from the most recent point up to a predetermined point in time.
  • a sign point may also be detected.
  • the precursor point candidate detection unit 13 detects the saliency index values at the most recent point in time indicated by the time-series saliency data (in the example of FIG. 7, the saliency index values at the time of February 13, 2022 S1-10, S2- 10, .
  • the abnormal time detection unit 13a determines whether the saliency index values S1-10, S2-10, ..., S10-10 at the most recent time are larger than the thresholds Th1 to Th10 for each predetermined unit area. For each predetermined unit area where the saliency index value is larger than the threshold value, the most recent time point is detected as an abnormal time point. Then, when it is determined that there are a predetermined number or more of abnormal time points detected at the most recent time point, the simultaneous time abnormality area detection unit 13b detects a predetermined unit area of the predetermined number or more as a candidate for a premonitory point of a ground disaster. .
  • the portent point extracting unit 14 selects predetermined unit areas that are located at intervals within a predetermined distance from each other among a predetermined number or more of predetermined unit areas detected as portent point candidates at the most recent point in time as portent points of a ground disaster. Extract as. In this way, it is possible to constantly monitor whether or not a sign of a ground disaster has occurred in the recent past, and if so, in what location. Then, if it is determined that a sign of a ground disaster is occurring, it is possible to issue a predetermined warning.
  • the portent point candidate detection unit 13 detects a portent point candidate using a plurality of saliency index values from the most recent point indicated by the time-series saliency data up to a predetermined point in time.
  • the sampling number for determining how far back in time the saliency index values are targeted may be a fixed value or may be a variable value that can be set arbitrarily by the user.
  • the precursor point candidate may be detected using not only the saliency index value of a partial period from the most recent point in time but also the saliency index value of any partial period.
  • a partial period may be automatically determined according to the set environmental conditions.
  • There may be patterns of ground movement depending on environmental conditions for example, snow melting in the summer and refreezing in the winter). Therefore, precursor point candidates may be detected based on saliency index values for a partial period corresponding to a specific variation pattern depending on the environmental condition.
  • detecting precursor points using multiple saliency index values for the whole period or a part of the period indicated by time-series saliency data is useful, for example, after a certain ground disaster actually occurs, It is also effective when you want to verify the signs of a ground disaster based on the state of ground movement and investigate the cause of the ground disaster.
  • FIG. 9 is a flowchart showing an example of the operation of the ground movement analysis device 10 according to this embodiment (an example of the processing procedure of the ground movement analysis method).
  • the time-series fluctuation data acquisition unit 11 analyzes time-series observation data measured using a synthetic aperture radar, and generates a time-series data showing fluctuations for each predetermined unit area included in the region of interest for each predetermined unit time. Obtain fluctuation data (step SP1).
  • the time-series saliency data acquisition unit 12 converts the time-series fluctuation data acquired by the time-series fluctuation data acquisition unit 11 into time-series saliency data representing the saliency of fluctuations for each predetermined unit time ( Step SP2).
  • the precursor point candidate detection unit 13 determines, based on the time series saliency data acquired by the time series saliency data acquisition unit 12, that a saliency index value indicating the saliency of the fluctuation for each predetermined unit time is greater than the threshold value.
  • the time point indicating this is determined to be an abnormal time point, and a predetermined number or more of predetermined unit areas where the abnormal time point is the same are detected as potential precursor points of a ground disaster (step SP3).
  • the portent point extraction unit 14 selects predetermined unit areas that are located at intervals within a predetermined distance from each other among the predetermined unit areas detected as portent point candidates by the portent point candidate detection unit 13 as portent points of a ground disaster. (Step SP4). With the above, the processing of the flowchart shown in FIG. 9 is completed.
  • time-series fluctuation data indicating fluctuations on the ground surface per predetermined unit time are collected for each predetermined unit area included in the region of interest, and the conspicuousness of the fluctuations per predetermined unit time is analyzed. Convert to time series saliency data. Then, based on this time-series saliency data, a time point at which the saliency index value indicating the saliency of the fluctuation per predetermined unit time is greater than the threshold value is defined as an abnormal time point, and a predetermined point at which the abnormal time point is the same is determined.
  • predetermined unit areas located at intervals within a predetermined distance from each other are detected as a precursor of a geo-disaster. I am trying to extract it as a point.
  • the data is not based on the time-series variation data itself indicating the fluctuations on the ground surface per predetermined unit time, but on the basis of the time-series saliency data indicating the saliency of the fluctuations per predetermined unit time. , a time point and a predetermined unit area at which abnormal fluctuations occur are detected.
  • a predetermined number or more of the predetermined unit areas are detected as a candidate for a premonitory point of a ground disaster, and further, Among the detected precursor point candidates, only predetermined unit areas that are located within a predetermined distance from each other are extracted as precursor points of a ground disaster. Therefore, according to the present embodiment, it is possible to more accurately grasp the situation of ground deformation, such as at what point and in what place, a change that may be a sign of a ground disaster is occurring.
  • a threshold value is calculated using time-series saliency data for each predetermined unit area, and abnormal time points are detected by individually comparing the calculated threshold value and the saliency index value. I have to. This makes it possible to set individual thresholds according to past ground deformation for each predetermined unit area where the properties of the ground may differ, making it possible to more accurately capture significant changes in each predetermined unit area. .
  • the portent point candidate detection unit 13 detects portent point candidates every predetermined unit time
  • the present invention is not limited to this.
  • the portent point candidates may be further narrowed down according to predetermined conditions. As an example, only when the precursor point candidates detected every predetermined unit time are consecutive or intermittent within a predetermined time interval, only such temporally continuous or intermittent precursor point candidates are selected as the next one. It may be made to be a processing target of the portent point extraction unit 14.
  • Ground deformation analysis device 11 Time-series variation data acquisition unit 12 Time-series saliency data acquisition unit 12a Time-frequency conversion unit 12b Correction calculation unit 12c Frequency-time conversion unit 13 Precursive point candidate detection unit 13a Abnormal time detection unit 13b Simultaneous time abnormality area Detection unit 14 Precursor point extraction unit

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

地表面の変動を示す時系列変動データを、変動の顕著性を表す時系列顕著性データに変換する時系列顕著性データ取得部（１２）と、顕著性指標値が閾値より大きいことを示している時点を異常時点とし、当該異常時点が同じとなる所定数以上の所定単位エリアを地盤災害の前兆地点候補として検出する前兆地点候補検出部（１３）と、検出した前兆地点候補のうち、互いに所定距離以内の間隔の位置に存在する所定単位エリアを地盤災害の前兆地点として抽出する前兆地点抽出部（１４）とを備え、時系列変動データそのものではなく、これから変換した時系列顕著性データに基づいて、同じ時点で所定数以上異常時点と判定された所定単位エリアのみを前兆地点候補として検出し、さらに、互いに所定距離以内の間隔の位置に存在する前兆地点候補だけを前兆地点として抽出することにより、地盤変動の状況をより正確に検出して地盤災害の前兆を捉えることができるようにする。

Description

地盤変動解析装置および地盤変動解析方法
　本発明は、地盤変動解析装置および地盤変動解析方法に関し、特に、合成開口レーダを用いて測定された観測データを用いて地盤変動の状況を解析する装置および方法に用いて好適なものである。
　地表面の地盤の性質は様々で、地滑りや地盤沈下、斜面崩壊、陥没、盛土崩壊、液状化などの地盤災害を起こすこともある。地盤災害は主に地震や気象条件によって発生することが多い。しかし、一部の地盤災害は、地盤の劣化やクリープ挙動によって発生することもある。地盤災害は社会に与える影響も大きいため、地盤の変動状況を監視し、地盤災害の前兆を発見して警告を行うことが重要である。
　従来、地滑りの前兆観測等のために、計測対象地点の地表面に沿った地盤の変動量を、衛星に搭載されている合成開口レーダ（ＳＡＲ）を用いて求める技術が提案されている（例えば、特許文献１，２参照）。また、所定の干渉処理によって生成した干渉ＳＡＲ（ＩｎＳＡＲ）画像データを用いて地形変動データを得るようにした技術も知られている（例えば、特許文献３参照）。
　特許文献１：特開２０２１－５６００８号公報
　特許文献２：特許第３９８７４５１号公報
　特許文献３：特開平９－５４３３号公報　
　特許文献１に記載の地滑り領域検出装置では、異なるタイミングにおけるレーダ計測により得られた地表データに対して干渉解析を行って得られた位相差データおよびコヒーレンスデータの各々における少なくとも地滑りの特徴の組み合わせに基づいて、地滑り性の地盤変動を検出する。
　特許文献２に記載の地表面変動量計測方法では、衛星に搭載されている１台の合成開口レーダから発射されるパルス状の電波の地表面反射波を合成開口干渉処理することにより、地表面の変動量を求める。具体的には、昇交軌道および降交軌道にて２回ずつ取得した反射波どうしを合成開口干渉処理することにより、昇交軌道と降交軌道から測定対象地点までの距離をそれぞれ求め、更に地盤構造上特定される地表面の変動方向の条件を加えることで、計測対象地点の過去位置からの実際の変動量を求める。
　特許文献３に記載の干渉型合成開口レーダ画像処理装置では、２つのＳＡＲ再生データをフーリエ変換して周波数領域のデータに変換し、干渉処理出力の精度を高めるために各周波数特性を整形した後、逆フーリエ変換して元の時間領域のデータに戻し、このように処理した時間領域のデータを干渉処理部に送出する。干渉処理部では、相関が改善された２つのＳＡＲ再生データの干渉処理を行うことにより、標高情報を持つ干渉縞を生じさせて標高データとして出力する。
　しかしながら、上記特許文献１～３では、地盤の変動状況を監視することは開示しているが、地盤災害の前兆を発見して警告を行うことについては開示されていない。警告を適切に行うためには、地盤の変動状況をより正確に捉えることが求められる。
　本発明は、このような問題を解決するために成されたものであり、地盤変動の状況をより正確に検出して地盤災害の前兆を捉えることができるようにすることを目的とする。
　上記した課題を解決するために、本発明では、関心領域に含まれる所定単位エリアごとに、地表面における所定単位時間ごとの変動を示す時系列変動データを、所定単位時間ごとの変動の顕著性を表す時系列顕著性データに変換する。そして、この時系列顕著性データに基づいて、所定単位時間ごとの変動の顕著性を示す顕著性指標値が閾値より大きいことを示している時点を異常時点とし、当該異常時点が同じとなる所定数以上の所定単位エリアを地盤災害の前兆地点候補として検出した後、前兆地点候補として検出された所定単位エリアのうち、互いに所定距離以内の間隔の位置に存在する所定単位エリアを地盤災害の前兆地点として抽出するようにしている。
　上記のように構成した本発明によれば、地表面における所定単位時間ごとの変動を示す時系列変動データそのものではなく、所定単位時間ごとの変動の顕著性を表す時系列顕著性データに基づいて、異常な変動が生じている時点と所定単位エリアとが検出される。また、本発明によれば、所定数以上の所定単位エリアにおいて同じ時点が異常時点と判定される場合に限り当該所定数以上の所定単位エリアが地盤災害の前兆地点候補として検出され、さらに、検出された前兆地点候補の中から、互いに所定距離以内の間隔の位置に存在する所定単位エリアのみが地盤災害の前兆地点として抽出される。このため、本発明によれば、どの時点のどの場所で、地盤災害の前兆たり得る変動が起きているかといった地盤変動の状況をより正確に捉えることができる。
本実施形態に係る解析システムのネットワーク構成を示す図である。 本実施形態による地盤変動解析装置の機能構成例を示すブロック図である。 ＬｏＳ方向を説明するための図である。 本実施形態による時系列顕著性データ取得部の具体的な機能構成例を示すブロック図である。 時系列変動データおよび時系列顕著性データの一例を示す図である。 本実施形態による前兆地点候補検出部の具体的な機能構成例を示すブロック図である。 本実施形態による前兆地点候補検出部の処理内容を説明するための図である。 本実施形態による前兆地点抽出部の処理内容を説明するための図である。 本実施形態による地盤変動解析装置の動作例（地盤変動解析方法の処理手順の一例）を示すフローチャートである。
　以下、本発明の一実施形態を図面に基づいて説明する。図１は、本実施形態に係る解析システム１００のネットワーク構成を示す図である。解析システム１００は、宇宙の衛星軌道を飛行する衛星Ｓから衛星データを受信する衛星基地局５０と、衛星データを記録するデータベースＤＢと、衛星データを解析する地盤変動解析装置１０とを備える。
　衛星Ｓは、衛星データ取得部（例えば、光学センサ及び合成開口レーダ等）を備え、衛星データ取得部で撮影した地上の画像を含む衛星データを衛星基地局５０に送信する。
　衛星基地局５０は、衛星Ｓから衛星データを受信し、データベースＤＢに記録する。データベースＤＢは、インターネット等の通信ネットワークＮに接続される。地盤変動解析装置１０は、通信ネットワークＮを介して、データベースＤＢに保存された衛星データを取得する。
　図２は、本実施形態による地盤変動解析装置１０の機能構成例を示すブロック図である。図２に示すように、本実施形態の地盤変動解析装置１０は、機能構成として、時系列変動データ取得部１１、時系列顕著性データ取得部１２、前兆地点候補検出部１３および前兆地点抽出部１４を備えている。
　上記機能ブロック１１～１４は、ハードウェア、ＤＳＰ（Digital Signal Processor）、ソフトウェアの何れによっても構成することが可能である。例えばソフトウェアによって構成する場合、上記機能ブロック１１～１４は、コンピュータのＣＰＵ、ＲＡＭ、ＲＯＭなどを備えて構成され、ＲＡＭやＲＯＭ、ハードディスクまたは半導体メモリ等の記憶媒体に記憶された解析プログラムが動作することによって実現される。解析プログラムは、記憶媒体に記憶されて提供されるほか、通信ネットワークを介して提供されてもよい。
　なお、ここに記載した物理的な構成は例示であって、必ずしも独立した構成でなくてもよい。例えば、地盤変動解析装置１０は、ＣＰＵとＲＡＭやＲＯＭが一体化したＬＳＩ（Large-Scale Integration）を備えていてもよい。また、本実施形態では、地盤変動解析装置１０が一台のコンピュータで構成される場合について説明するが、地盤変動解析装置１０は、複数のコンピュータが組み合わされて実現されてもよい。
　時系列変動データ取得部１１は、地球観測技術の１つである合成開口レーダを用いて測定された時系列の観測データを解析し、関心領域に含まれる所定単位エリアごとに、地表面における所定単位時間ごとの変動を示す時系列変動データを取得する。関心領域とは、地盤変動の監視対象とする領域のことをいう。本実施形態において用いる観測データは、例えば、合成開口レーダを用いた毎日の観測によって図示しない記憶媒体に格納された時系列のＳＡＲ画像である。また、本実施形態において取得する時系列変動データは、衛星から地表面を見たときの視線方向の変動の大きさまたは速度を所定単位時間ごとに示したＬｏＳ変動データである。
　合成開口レーダを搭載した衛星は、あらかじめ指定された衛星の軌道から、地球上のあらゆる地点を北行軌道（Ascending）および南行軌道（Descending）の２方向から観測する。これにより、衛星進行方向が北行軌道である衛星により観測される時系列のＳＡＲ画像（以下、北行軌道ＳＡＲ画像という）と、衛星進行方向が南行軌道である衛星により観測される時系列のＳＡＲ画像（以下、南行軌道ＳＡＲ画像という）とが時系列変動データ取得部１１に入力される。
　時系列変動データ取得部１１は、北行軌道ＳＡＲ画像と南行軌道ＳＡＲ画像とを解析することにより、北行軌道の衛星から地表面を見たときの視線の方向の地表面の変動を示すデータ（以下、北行ＬｏＳ変動データという）と、南行軌道の衛星から地表面を見たときの視線方向の地表面の変動を示すデータ（以下、南行ＬｏＳ変動データという）とを取得する。ここで、時系列変動データ取得部１１が行う解析として、公知のＩｎＳＡＲ解析を用いることが可能である。
　図３は、衛星から地表面を見たときの視線方向であるＬｏＳ方向を説明するための図である。衛星から発射されるレーダ波は、地表面に対して垂直方向にではなく、垂直方向からずれた入射角λasc，λdescの方向に照射される。すなわち、図３（ａ）に示す北行軌道の衛星と図３（ｂ）に示す南行軌道の衛星とで少しずつ異なる入射角λasc，λdescの方向にレーダ波が照射される。その結果、ＩｎＳＡＲ解析では、地表面の垂直方向の変動量ではなく、衛星のＬｏＳ方向の変動量を求めることとなる。
　時系列変動データ取得部１１は、以上のようにして取得された北行ＬｏＳ変動データおよび南行ＬｏＳ変動データを、所定単位時間ごとおよび所定単位エリアごとの変動データに置換する。ここで、時系列変動データ取得部１１は、北行ＬｏＳ変動データと南行ＬｏＳ変動データとの間で時間軸および空間軸のマッチングを行い、マッチングされた北行ＬｏＳ変動データと南行ＬｏＳ変動データとを検出する。
　北行ＬｏＳ変動データと南行ＬｏＳ変動データは、時間軸方向および空間軸方向に一致しないことがある。そこで、時系列変動データ取得部１１は、時間軸方向に閾値を設定し、当該閾値の範囲内で同一とみなせる北行ＬｏＳ変動データと南行ＬｏＳ変動データとがあれば、それらをマッチングさせ、検出する。同様に、空間軸方向に閾値を設定し、当該閾値の範囲内で同一とみなせる北行ＬｏＳ変動データと南行ＬｏＳ変動データとがあれば、それらをマッチングさせ、検出する。ここでマッチングとは、時間軸方向もしくは空間軸方向で設定された閾値の範囲内で北行ＬｏＳ変動データと南行ＬｏＳ変動データとを同一とみなせる地点が存在するかどうかを判断する処理をいう。
　本実施形態では、マッチングを行う際に用いる時間軸の閾値および空間軸の閾値の一例として、厳密性・精度が求められる計測時に使用されるSentinel-1衛星で一般的に設定される閾値を用いることが可能である。あるいは、時間軸の閾値および空間軸の閾値の少なくとも一方をSentinel-1衛星で一般的に設定される閾値よりも大きくすることにより、マッチングの条件を緩めに設定してもよい。例えば、時間軸の閾値を１１日とし、空間軸の閾値を２０ｍ四方の矩形エリアとすることが可能である。
　時系列変動データ取得部１１は、例えば北行ＬｏＳ変動データをマスターデータ、南行ＬｏＳ変動データをスレーブデータとして、１１日の時間範囲以内かつ２０ｍ四方の距離差以内で北行ＬｏＳ変動データと同一とみなせる南行ＬｏＳ変動データを検出する。そして、同一とみなせる状態が検出できた場合のみ、所定単位時間ごと（例えば、１１日ごと）および所定単位エリアごと（例えば、２０ｍ四方の矩形エリアごと）のマッチングされた北行ＬｏＳ変動データおよび南行ＬｏＳ変動データとして採用する。この場合の所定単位時間および所定単位エリアは、マスターデータとして用いた北行ＬｏＳ変動データに基づき特定する。
　時系列顕著性データ取得部１２は、時系列変動データ取得部１１により取得された時系列変動データを、所定単位時間ごとの変動の顕著性を表す時系列顕著性データに変換する。この時系列顕著性データは、地表面における変動の顕著性を示す顕著性指標値を所定単位時間ごとに示したデータである。顕著性指標値は、変動が顕著であるほど値が大きくなるように設計された指標値である。
　図４は、時系列顕著性データ取得部１２の具体的な機能構成例を示すブロック図である。図４に示すように、本実施形態の時系列顕著性データ取得部１２は、具体的な機能構成として、時間周波数変換部１２ａ、補正演算部１２ｂおよび周波数時間変換部１２ｃを備えている。
　時間周波数変換部１２ａは、時系列変動データ取得部１１により取得された時系列変動データを周波数領域のスペクトルデータに変換する。例えば、時間周波数変換部１２ａは、時系列変動データに対して高速フーリエ変換（ＦＦＴ）処理を行うことにより、各周波数に対する振幅を表した周波数スペクトルデータを得る。
　補正演算部１２ｂは、時間周波数変換部１２ａにより変換された周波数スペクトルデータに対して、移動窓を用いた集計関数フィルタにより算出した基準値に基づく補正演算を行う。例えば、補正演算部１２ｂは、周波数スペクトルデータにより特定される振幅値または振幅関連値から基準値を減算することによってスペクトル残差を求める。基準値は、所定サイズの移動窓に含まれる振幅値を所定の集計関数により集計することによって求められる。集計関数の一例として、平均値を算出する関数、中央値を算出する関数、またはカイ２乗を算出する関数などを用いることが可能である。
　補正演算部１２ｂにおいて実行する演算の一例を次の[数１]に示す。ここで、F(X)は周波数スペクトルデータ、Amp(f)は周波数ごとの振幅値、L(f)は周波数ごとの振幅の対数値（振幅関連値に相当）、Hは移動窓を用いた集計関数フィルタ、Ave(L(f))は振幅対数値L(f)に対して集計関数フィルタHを乗算することによって算出される基準値（[数１]の場合は移動平均値）、Res(f)は周波数ごとのスペクトル残差である。ここでは振幅対数値L(f)を用いてスペクトル残差Res(f)を求めているが、振幅値Amp(f) を用いてスペクトル残差Res(f)を求めてもよい。
Figure JPOXMLDOC01-appb-M000001
　周波数時間変換部１２ｃは、補正演算部１２ｂにより算出されたスペクトル残差データを時間領域のデータ、すなわち時系列顕著性データに変換する。周波数時間変換部１２ｃが行う処理は、時間周波数変換部１２ａとは逆の処理である。ここでは、周波数時間変換部１２ｃは、スペクトル残差データに対して逆ＦＦＴ処理を行うことにより、スペクトル残差データを時系列顕著性データに変換する。
　例えば、周波数時間変換部１２ｃは、以下の[数２]に示す式に従って逆ＦＦＴ処理を行うことにより、時系列顕著性データS(X)を求める。ここで、F-1は逆ＦＦＴ処理、Ph(f)はスペクトル残差の位相を意味する。
Figure JPOXMLDOC01-appb-M000002
　図５は、時系列顕著性データ取得部１２に入力される時系列変動データおよび時系列顕著性データ取得部１２から出力される時系列顕著性データの一例を示す図である。この図５は、ある１つの所定単位エリアに関するデータの時系列勾配を所定単位時間ごと（１１日ごと）に示したものであり、ドットの１つ１つが１１日ごとに取得されたデータを示している。図５（ａ）が時系列変動データであり、図５（ｂ）が時系列顕著性データである。
　図２に戻って説明を続ける。前兆地点候補検出部１３は、時系列顕著性データ取得部１２により取得された時系列顕著性データに基づいて、所定単位時間ごとの変動の顕著性を示す顕著性指標値が閾値より大きいことを示している時点を異常時点とし、当該異常時点が同じとなる所定数以上の所定単位エリアを地盤災害の前兆地点候補として検出する。
　本実施形態では、顕著性指標値が閾値より大きいことを示している異常時点が検出された所定単位エリアを直ちに前兆地点候補として検出するのではなく、異常時点が同じとなる所定単位エリアが所定数以上存在する場合に限り、当該所定数以上の所定単位エリアを前兆地点候補として検出する。これは、時間的に関係性のある複数の所定単位エリアに限定して前兆地点候補を検出することを意味する。
　図６は、前兆地点候補検出部１３の具体的な機能構成例を示すブロック図である。図６に示すように、本実施形態の前兆地点候補検出部１３は、具体的な機能構成として、異常時点検出部１３ａおよび同時点異常エリア検出部１３ｂを備えている。
　異常時点検出部１３ａは、時系列顕著性データ取得部１２により取得された時系列顕著性データに基づいて、所定単位エリアごとに、顕著性指標値が閾値より大きいことを示している時点を異常時点として検出する。この異常時点検出部１３ａの処理内容を、図７を用いて説明する。図７（ａ）は所定単位エリアごとの時系列顕著性データおよび閾値を示し、図７（ｂ）は異常時点検出部１３ａによる処理結果を示している。
　図７（ａ）では、１０個の所定単位エリアA1～A10の時系列顕著性データS1～S10を示している。１つの時系列顕著性データは、所定単位時間ごとの１０個の顕著性指標値を含んでいる。例えば、所定単位エリアA1の時系列顕著性データS1は、１０個の顕著性指標値S1-01～S1-10を含んでいる。所定単位エリアA2の時系列顕著性データS2は、１０個の顕著性指標値S2-01～S2-10を含んでいる。なお、ここでは１０個の時系列顕著性データS1～S10がそれぞれ１０個の顕著性指標値を含む例を模式的に示しているが、これは説明用である。実際にはより多くの所定単位エリアの時系列顕著性データがあり、１つの時系列顕著性データはより多くの顕著性指標値を含む。
　図７（ａ）に示すように、本実施形態では、所定単位エリアごとに閾値Th1～Th10を設定している。ここで、異常時点検出部１３ａは、所定単位エリアA1～A10ごとに、時系列顕著性データ取得部１２により取得された時系列顕著性データS1～S10を用いて閾値Th1～Th10を算出し、この算出した閾値Th1～Th10と顕著性指標値S1-01～S10-10とを個々に比較することによって異常時点の検出を行う。
　例えば、異常時点検出部１３ａは、以下の[数３]に示すように、時系列顕著性データS1～S10で示される顕著性指標値S1-01～S10-10の上位四分位数および外れ値を用いて閾値Th1～Th10を算出する。[数３]において、uqi（ｉ＝１～１０）は顕著性指標値Si-01～Si-10の上位四分位数を示し、IQRiは顕著性指標値Si-01～Si-10の四分位範囲（75パーセンタイルから25パーセンタイルを引いた値）を示し、svは感度を示す。感度svの値は、例えば、一般的に外れ値の定義において使用される1.5とする。なお、感度svの初期値として1.5を設定しておき、関心領域の地形や構造などに応じてユーザが値を適宜調整できるようにしてもよい。
Figure JPOXMLDOC01-appb-M000003
　異常時点検出部１３ａは、１つ目の所定単位エリアA1の時系列顕著性データS1に基づいて、１０個の顕著性指標値S1-01～S1-10と閾値Th1とを個々に比較し、顕著性指標値S1-01～S1-10が閾値Th1より大きいことを示している時点を異常時点として検出する。その結果を示すのが図７（ｂ）であり、「異常」と記されている部分が異常時点として検出されたことを示している。図７（ｂ）の例では、３つ目の顕著性指標値S1-03が閾値Th1より大きいと判定され、当該３つ目の顕著性指標値S1-03に対応する時点（2021/11/28）が異常時点として検出されている。
　また、異常時点検出部１３ａは、２つ目の所定単位エリアA2の時系列顕著性データS2に基づいて、１０個の顕著性指標値S2-01～S2-10と閾値Th2とを個々に比較し、顕著性指標値S2-01～S2-10が閾値Th2より大きいことを示している時点を異常時点として検出する。図７（ｂ）の例では、１つ目の顕著性指標値S2-01と１０個目の顕著性指標値S2-10が閾値Th2より大きいと判定され、当該１つ目の顕著性指標値S2-01に対応する時点（2021/11/6）および１０個目の顕著性指標値S2-10に対応する時点（2022/2/13）が異常時点として検出されている。
　異常時点検出部１３ａは、３つ目以降の所定単位エリアA3～A10の時系列顕著性データS3～S10についても同様の処理を行うことにより、異常時点を検出する。
　同時点異常エリア検出部１３ｂは、図７（ｂ）に示すような異常時点検出部１３ａによる検出結果に基づいて、同じ時点で顕著性指標値が閾値より大きいことを示している所定単位エリアが所定数以上存在する場合に、当該所定数以上の所定単位エリアを地盤災害の前兆地点候補として検出する。
　すなわち、同時点異常エリア検出部１３ｂは、図７（ｂ）に示す表を列方向に見て、同じ列内（すなわち、同じ日付内）で「異常」と記されている所定単位エリアが所定数以上（例えば、５箇所以上）存在すると判定された場合に、当該所定数以上の所定単位エリアを前兆地点候補として検出する。
　例えば2021/11/6の列を見ると、「異常」と記されている所定単位エリアが５箇所あるので、この５箇所の所定単位エリアA2,A3,A6,A7,A9が前兆地点候補として検出される。また、2022/2/13の列を見ると、「異常」と記されている所定単位エリアが６箇所あるので、この６箇所の所定単位エリアA2,A5,A6,A8,A9,A10が前兆地点候補として検出される。2021/11/28および2021/1/22において異常時点が検出されているが、同じ時点で５箇所以上の異常時点が検出されていないので、これらは前兆地点候補として検出されない。
　再び図２に戻って説明を続ける。前兆地点抽出部１４は、以上のようにして前兆地点候補検出部１３により前兆地点候補として検出された所定単位エリアのうち、互いに所定距離以内の間隔の位置に存在する所定単位エリアを、地盤災害の前兆地点として抽出する。これは、複数の前兆地点候補の中から、空間的に関係性のある所定単位エリアに限定して前兆地点を抽出することを意味する。なお、互いに所定距離以内の間隔の位置に存在する複数の所定単位エリアを含むように形成した区域を地盤災害の前兆地点として抽出するようにしてもよい。
　ここで、所定距離の値は、ＩｎＳＡＲ解析の入力として使用されるＳＡＲ画像によって異なる値とすることが可能である。例えば、ＩＰＴＡ（Interferometric Point Target）メソッドを使用したシングルルックとマルチルックの両方の処理を含むSentinel-1ベースのＩｎＳＡＲ解析を行う場合、例えば所定距離を４４ｍとする。
　図７（ｂ）に示した例に従って前兆地点候補が検出された場合、前兆地点抽出部１４は、2021/11/6の時点で検出された５箇所の所定単位エリアA2,A3,A6,A7,A9が、互いに所定距離以内の間隔の位置に存在するか否かを判定し、所定距離以内の間隔の位置に存在すると判定された所定単位エリアを前兆地点として抽出する。例えば、３箇所の所定単位エリアA6,A7,A9が所定距離以内の間隔の位置に存在すると判定された場合には、これら３つの所定単位エリアA6,A7,A9を前兆地点として抽出する。
　同様に、前兆地点抽出部１４は、2022/2/13の時点で検出された６箇所の所定単位エリアA2,A5,A6,A8,A9,A10が、互いに所定距離以内の間隔の位置に存在するか否かを判定し、所定距離以内の間隔の位置に存在すると判定された所定単位エリアを前兆地点として抽出する。
　このように、前兆地点抽出部１４は、ある時点において前兆地点候補検出部１３により前兆地点候補として検出された所定数以上の所定単位エリアのうち、互いに所定距離以内の間隔の位置に存在する所定単位エリアを、異常時点検出部１３ａにより検出された異常時点における地盤災害の前兆地点として抽出する。
　図８は、前兆地点抽出部１４の処理内容の一例を説明するための図である。図８は、ある広さの地表面を上空から俯瞰した状態を示すものであり、■印で示す個々の位置は、前兆地点候補検出部１３によりある１つの時点において検出された複数の前兆地点候補Ｐ1～Ｐ5を示している。実際には前兆地点候補として検出される所定単位エリアはもっと多数存在し得るが、図８は説明の便宜のため簡略化して図示している。
　図８に示す複数の前兆地点候補Ｐ1～Ｐ5のうち、３つの前兆地点候補Ｐ1～Ｐ3は、互いに所定距離以内の間隔の近接位置に存在する。一方、残り２つの前兆地点候補Ｐ4，Ｐ5は、他のどれとも所定距離以内の間隔の位置に存在していない。この場合、前兆地点抽出部１４は、３つの前兆地点候補Ｐ1～Ｐ3の集合またはこれらを含む区域ＰＡを前兆地点として抽出する。３つの前兆地点候補Ｐ1～Ｐ3の集合を含む区域ＰＡは、例えば図８のように、当該３つの前兆地点候補Ｐ1～Ｐ3を内接するように囲む矩形領域である。残り２つの前兆地点候補Ｐ4，Ｐ5については、前兆地点として抽出されない。すなわち、他の前兆地点候補と空間的な関係を持たない可能性の高い前兆地点候補Ｐ4，Ｐ5については前兆地点の対象から除外される。
　ここで、前兆地点抽出部１４は、互いに所定距離以内の間隔の近接位置に存在する前兆地点候補の数が所定個（例えば、５個）以上ある場合にのみ、それら複数の前兆地点候補を前兆地点として抽出するようにしてもよい。
　なお、図８に示す前兆地点の区域ＰＡの形状は一例であり、これに限定されない。例えば、前兆地点候補Ｐ1～Ｐ3が内包される最小面積の長方形、円形、楕円形、あるいは他の多角形などであってもよい。
　以上、時系列顕著性データ取得部１２により取得される時系列顕著性データを用いて行う前兆地点候補検出部１３および前兆地点抽出部１４の処理内容を説明したが、時系列の全体で前兆地点を検出するようにしてもよいし、時系列の一部で前兆地点を検出するようにしてもよい。時系列の一部で前兆地点を検出する場合、例えば、時系列の直近の時点のみから前兆地点を検出するようにしてもよいし、直近の時点から過去に遡って所定時点までの時系列で前兆地点を検出するようにしてもよい。
　例えば、前兆地点候補検出部１３は、時系列顕著性データで示される直近の時点における顕著性指標値（図７の例では2022/2/13の時点の顕著性指標値S1-10，S2-10，・・・，S10-10）を用いて、当該直近の時点が異常時点となる所定数以上の所定単位エリアを前兆地点候補として検出する。
　この場合、異常時点検出部１３ａは、所定単位エリアごとに、直近の時点における顕著性指標値S1-10，S2-10，・・・，S10-10が閾値Th1～Th10より大きいか否かをそれぞれ判定し、顕著性指標値が閾値より大きくなる所定単位エリアについて、当該直近の時点を異常時点として検出する。そして、同時点異常エリア検出部１３ｂは、直近の時点において検出された異常時点が所定数以上あると判定される場合に、その所定数以上の所定単位エリアを地盤災害の前兆地点候補として検出する。
　さらに、前兆地点抽出部１４は、直近の時点において前兆地点候補として検出された所定数以上の所定単位エリアのうち、互いに所定距離以内の間隔の位置に存在する所定単位エリアを地盤災害の前兆地点として抽出する。このようにすれば、直近の時点において地盤災害の前兆が起きているか否か、起きている場合にはどの場所で起きているかを常時モニタリングすることができる。そして、地盤災害の前兆が起きていると判断される場合に、所定の警告を行うようにすることが可能である。
　あるいは、前兆地点候補検出部１３は、時系列顕著性データで示される直近の時点から過去に遡って所定時点までにおける複数の顕著性指標値を用いて前兆地点候補を検出する。どの時点まで遡った顕著性指標値を対象とするかのサンプリング数は、固定値であってもよいし、ユーザが任意に設定できる可変値であってもよい。直近の時点から過去に遡った一部期間の顕著性指標値に限らず、任意の一部期間の顕著性指標値を用いて前兆地点候補を検出するようにしてもよい。
　また、季節や関心領域の気候などの環境条件を設定すると、その設定した環境条件に応じて一部期間が自動的に決定されるようにしてもよい。環境条件に応じて地盤の変動パターン（例えば、夏季の雪解けや冬季の再凍結など）が存在する可能性がある。そこで、環境条件に応じて、それに特有の変動パターンに対応する一部期間の顕著性指標値を対象として前兆地点候補を検出するようにしてもよい。
　なお、時系列顕著性データで示される全期間または一部期間における複数の顕著性指標値を用いて前兆地点を検出することは、例えば、ある地盤災害が実際に発生した後に、その発生前の地盤変動の状況から地盤災害の兆候を検証し、それによって地盤災害の発生原因を調査したい場合などにも有効である。
　図９は、本実施形態による地盤変動解析装置１０の動作例（地盤変動解析方法の処理手順の一例）を示すフローチャートである。まず、時系列変動データ取得部１１は、合成開口レーダを用いて測定された時系列の観測データを解析し、関心領域に含まれる所定単位エリアごとに、所定単位時間ごとの変動を示す時系列変動データを取得する（ステップＳＰ１）。
　次に、時系列顕著性データ取得部１２は、時系列変動データ取得部１１により取得された時系列変動データを、所定単位時間ごとの変動の顕著性を表す時系列顕著性データに変換する（ステップＳＰ２）。
　次いで、前兆地点候補検出部１３は、時系列顕著性データ取得部１２により取得された時系列顕著性データに基づいて、所定単位時間ごとの変動の顕著性を示す顕著性指標値が閾値より大きいことを示している時点を異常時点とし、当該異常時点が同じとなる所定数以上の所定単位エリアを地盤災害の前兆地点候補として検出する（ステップＳＰ３）。
　さらに、前兆地点抽出部１４は、前兆地点候補検出部１３により前兆地点候補として検出された所定単位エリアのうち、互いに所定距離以内の間隔の位置に存在する所定単位エリアを、地盤災害の前兆地点として抽出する（ステップＳＰ４）。以上により、図９に示すフローチャートの処理が終了する。
　以上詳しく説明したように、本実施形態では、関心領域に含まれる所定単位エリアごとに、地表面における所定単位時間ごとの変動を示す時系列変動データを、所定単位時間ごとの変動の顕著性を表す時系列顕著性データに変換する。そして、この時系列顕著性データに基づいて、所定単位時間ごとの変動の顕著性を示す顕著性指標値が閾値より大きいことを示している時点を異常時点とし、当該異常時点が同じとなる所定数以上の所定単位エリアを地盤災害の前兆地点候補として検出した後、前兆地点候補として検出された所定単位エリアのうち、互いに所定距離以内の間隔の位置に存在する所定単位エリアを地盤災害の前兆地点として抽出するようにしている。
　このように構成した本実施形態によれば、地表面における所定単位時間ごとの変動を示す時系列変動データそのものではなく、所定単位時間ごとの変動の顕著性を表す時系列顕著性データに基づいて、異常な変動が生じている時点と所定単位エリアとが検出される。また、本実施形態によれば、所定数以上の所定単位エリアにおいて同じ時点が異常時点と判定される場合に限り当該所定数以上の所定単位エリアが地盤災害の前兆地点候補として検出され、さらに、検出された前兆地点候補の中から、互いに所定距離以内の間隔の位置に存在する所定単位エリアのみが地盤災害の前兆地点として抽出される。このため、本実施形態によれば、どの時点のどの場所で、地盤災害の前兆たり得る変動が起きているかといった地盤変動の状況をより正確に捉えることができる。
　これにより、より正確に捉えた地盤変動の状況に基づいて、災害リスクの早期警告などを適切に行うことが可能となる。例えば、実際に地盤災害が発生する前に、その前兆となる現象が起きていることを報知することが可能である。また、季節や関心領域の気候などの環境条件に応じて、時系列顕著性データのうち一部期間の顕著性指標値を対象として前兆地点を検出することにより、環境条件に合わせた地盤変動の状況をより正確に捉え、適切な警告を行うことが可能である。
　また、本実施形態では、所定単位エリアごとに、時系列顕著性データを用いて閾値を算出し、この算出した閾値と顕著性指標値とを個々に比較することによって異常時点の検出を行うようにしている。これにより、地盤の性質が異なり得る所定単位エリアごとに、過去の地盤変動に応じた閾値を個々に設定することができ、所定単位エリアごとに顕著な変動をより正確に捉えることが可能である。
　なお、上記実施形態では、過去から直近の時点までの時系列顕著性データを用いて地盤災害の前兆地点を検出する例について説明したが、本発明はこれに限定されない。例えば、過去から直近の時点までの時系列顕著性データの全体から、顕著性指標値の変動傾向を解析することにより、直近の時点よりも先の時点について予想される将来の時系列顕著性データ（外挿の時系列データ）を生成し、将来の顕著性指標値を用いて異常時点および前兆地点を検出するようにしてもよい。このようにすることにより、将来において地盤災害が発生する可能性をより早期に予測することが可能となる。
　また、上記実施形態では、前兆地点候補検出部１３が所定単位時間ごとに前兆地点候補を検出する例について説明したが、本発明はこれに限定されない。例えば、上述のようにして所定単位時間ごとに前兆地点候補を検出した後、更に所定の条件に従って前兆地点候補の絞り込みを行うようにしてもよい。一例として、所定単位時間ごとに検出された前兆地点候補が互いに所定時間以内の間隔で連続または断続している場合に限り、そのように時間的に連続または断続している前兆地点候補のみを次の前兆地点抽出部１４の処理対象とするようにしてもよい。
　また、上記実施形態では、所定単位エリアごとに異なる閾値を設定する例について説明したが、全ての所定単位エリアに共通の固定の閾値を用いるようにしてもよい。ただし、上述したように、所定単位エリアごとに異なる閾値を設定するようにした方が、所定単位エリアごとに顕著な変動をより正確に捉えることが可能であるという点で好ましい。
　その他、上記実施形態は、何れも本発明を実施するにあたっての具体化の一例を示したものに過ぎず、これによって本発明の技術的範囲が限定的に解釈されてはならないものである。すなわち、本発明はその要旨、またはその主要な特徴から逸脱することなく、様々な形で実施することができる。
　１０　地盤変動解析装置
　１１　時系列変動データ取得部
　１２　時系列顕著性データ取得部
　１２ａ　時間周波数変換部
　１２ｂ　補正演算部
　１２ｃ　周波数時間変換部
　１３　前兆地点候補検出部
　１３ａ　異常時点検出部
　１３ｂ　同時点異常エリア検出部
　１４　前兆地点抽出部

Claims (10)

  1. 　地球観測技術を用いて測定された時系列の観測データを解析し、関心領域に含まれる所定単位エリアごとに、地表面における所定単位時間ごとの変動を示す時系列変動データを取得する時系列変動データ取得部と、
    　上記時系列変動データ取得部により取得された上記時系列変動データを、上記所定単位時間ごとの変動の顕著性を表す時系列顕著性データに変換する時系列顕著性データ取得部と、
    　上記時系列顕著性データ取得部により取得された上記時系列顕著性データに基づいて、上記所定単位時間ごとの上記変動の顕著性を示す顕著性指標値が閾値より大きいことを示している時点を異常時点とし、当該異常時点が同じとなる所定数以上の所定単位エリアを地盤災害の前兆地点候補として検出する前兆地点候補検出部と、
    　上記前兆地点候補検出部により上記前兆地点候補として検出された所定単位エリアのうち、互いに所定距離以内の間隔の位置に存在する所定単位エリアを地盤災害の前兆地点として抽出する前兆地点抽出部とを備えた
    ことを特徴とする地盤変動解析装置。
  2. 　上記前兆地点候補検出部は、上記所定単位エリアごとに、上記時系列顕著性データ取得部により取得された上記時系列顕著性データを用いて上記閾値を算出することを特徴とする請求項１に記載の地盤変動解析装置。
  3. 　上記前兆地点候補検出部は、上記時系列顕著性データで示される上記顕著性指標値の上位四分位数および外れ値を用いて上記閾値を算出することを特徴とする請求項２に記載の地盤変動解析装置。
  4. 　上記時系列顕著性データ取得部は、
    　上記時系列変動データ取得部により取得された上記時系列変動データを周波数領域のスペクトルデータに変換する時間周波数変換部と、
    　上記時間周波数変換部により変換された上記周波数領域のスペクトルデータに対して、移動窓を用いた集計関数フィルタにより算出した基準値に基づく補正演算を行う補正演算部と、
    　上記補正演算部により算出されたデータを時間領域の上記時系列顕著性データに変換する周波数時間変換部とを備えた
    ことを特徴とする請求項１～３の何れか１項に記載の地盤変動解析装置。
  5. 　上記補正演算部は、上記スペクトルデータにより特定される振幅値または振幅関連値から上記基準値を減算することによってスペクトル残差を求めることを特徴とする請求項４に記載の地盤変動解析装置。
  6. 　上記前兆地点候補検出部は、
    　上記時系列顕著性データ取得部により取得された上記時系列顕著性データに基づいて、上記所定単位エリアごとに、上記顕著性指標値が閾値より大きいことを示している時点を上記異常時点として検出する異常時点検出部と、
    　上記異常時点検出部による検出結果に基づいて、同じ時点で上記顕著性指標値が上記閾値より大きいことを示している所定単位エリアが所定数以上存在する場合に、当該所定数以上の所定単位エリアを上記前兆地点候補として検出する同時点異常エリア検出部とを備えた
    ことを特徴とする請求項１～３の何れか１項に記載の地盤変動解析装置。
  7. 　上記前兆地点候補検出部は、上記所定単位エリアごとに、上記時系列顕著性データで示される直近の時点における上記顕著性指標値が上記閾値より大きいか否かを判定し、上記顕著性指標値が上記閾値より大きい場合に当該直近の時点を上記異常時点とし、上記異常時点とされた所定単位エリアが所定数以上存在する場合に、当該所定数以上の所定単位エリアを上記前兆地点候補として検出することを特徴とする請求項１～３の何れか１項に記載の地盤変動解析装置。
  8. 　上記前兆地点候補検出部は、上記所定単位エリアごとに、上記時系列顕著性データで示される全期間または一部期間における複数の上記顕著性指標値が上記閾値より大きいか否かをそれぞれ判定し、上記顕著性指標値が上記閾値より大きいことを示している時点を上記異常時点とし、上記異常時点が同じとなる所定単位エリアが所定数以上存在する場合に、当該所定数以上の所定単位エリアを上記前兆地点候補として検出することを特徴とする請求項１～３の何れか１項に記載の地盤変動解析装置。
  9. 　上記前兆地点候補検出部は、上記時系列顕著性データ取得部により取得された上記時系列顕著性データに基づいて、上記顕著性指標値の変動傾向を解析することにより将来の時系列顕著性データを生成し、当該将来の時系列顕著性データを用いて上記前兆地点候補を検出することを特徴とする請求項１～３の何れか１項に記載の地盤変動解析装置。
  10. 　地盤変動解析装置の時系列変動データ取得部が、地球観測技術を用いて測定された時系列の観測データを解析し、関心領域に含まれる所定単位エリアごとに、地表面における所定単位時間ごとの変動を示す時系列変動データを取得する第１のステップと、
    　上記地盤変動解析装置の時系列顕著性データ取得部が、上記時系列変動データ取得部により取得された上記時系列変動データを、上記所定単位時間ごとの変動の顕著性を表す時系列顕著性データに変換する第２のステップと、
    　上記地盤変動解析装置の前兆地点候補検出部が、上記時系列顕著性データ取得部により取得された上記時系列顕著性データに基づいて、上記所定単位時間ごとの上記変動の顕著性を示す顕著性指標値が閾値より大きいことを示している時点を異常時点とし、当該異常時点が同じとなる所定数以上の所定単位エリアを地盤災害の前兆地点候補として検出する第３のステップと、
    　上記地盤変動解析装置の前兆地点抽出部が、上記前兆地点候補検出部により上記前兆地点候補として検出された所定単位エリアのうち、互いに所定距離以内の間隔の位置に存在する所定単位エリアを地盤災害の前兆地点として抽出する第４のステップとを有する
    ことを特徴とする地盤変動解析方法。
PCT/JP2022/026508 2022-07-01 2022-07-01 地盤変動解析装置および地盤変動解析方法 WO2024004216A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/026508 WO2024004216A1 (ja) 2022-07-01 2022-07-01 地盤変動解析装置および地盤変動解析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/026508 WO2024004216A1 (ja) 2022-07-01 2022-07-01 地盤変動解析装置および地盤変動解析方法

Publications (1)

Publication Number Publication Date
WO2024004216A1 true WO2024004216A1 (ja) 2024-01-04

Family

ID=89381817

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/026508 WO2024004216A1 (ja) 2022-07-01 2022-07-01 地盤変動解析装置および地盤変動解析方法

Country Status (1)

Country Link
WO (1) WO2024004216A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117805819A (zh) * 2024-02-29 2024-04-02 四川省公路规划勘察设计研究院有限公司 一种基于InSAR技术的道路选线地质稳定性评估方法
CN117877008A (zh) * 2024-03-13 2024-04-12 湖北神龙工程测试技术有限公司 一种基于人工智能的门窗性能检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1031511A (ja) * 1996-07-15 1998-02-03 Matsushita Electric Ind Co Ltd 異常変動予測方法及び異常変動予測装置
JP2009276260A (ja) * 2008-05-16 2009-11-26 Railway Technical Res Inst 地盤変位の異常判断装置および異常判断方法
JP2019215280A (ja) * 2018-06-13 2019-12-19 株式会社日立製作所 端末およびシステム
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
JP2020165746A (ja) * 2019-03-29 2020-10-08 国際航業株式会社 地すべり面推定装置、及び地すべり面推定方法
JP2021056008A (ja) * 2019-09-27 2021-04-08 株式会社パスコ 地すべり領域検出装置及びプログラム
WO2021192038A1 (ja) * 2020-03-24 2021-09-30 日本電気株式会社 画像解析装置および画像解析方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH1031511A (ja) * 1996-07-15 1998-02-03 Matsushita Electric Ind Co Ltd 異常変動予測方法及び異常変動予測装置
JP2009276260A (ja) * 2008-05-16 2009-11-26 Railway Technical Res Inst 地盤変位の異常判断装置および異常判断方法
JP2019215280A (ja) * 2018-06-13 2019-12-19 株式会社日立製作所 端末およびシステム
JP2020165746A (ja) * 2019-03-29 2020-10-08 国際航業株式会社 地すべり面推定装置、及び地すべり面推定方法
JP2021056008A (ja) * 2019-09-27 2021-04-08 株式会社パスコ 地すべり領域検出装置及びプログラム
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
WO2021192038A1 (ja) * 2020-03-24 2021-09-30 日本電気株式会社 画像解析装置および画像解析方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117805819A (zh) * 2024-02-29 2024-04-02 四川省公路规划勘察设计研究院有限公司 一种基于InSAR技术的道路选线地质稳定性评估方法
CN117805819B (zh) * 2024-02-29 2024-05-14 四川省公路规划勘察设计研究院有限公司 一种基于InSAR技术的道路选线地质稳定性评估方法
CN117877008A (zh) * 2024-03-13 2024-04-12 湖北神龙工程测试技术有限公司 一种基于人工智能的门窗性能检测方法
CN117877008B (zh) * 2024-03-13 2024-05-17 湖北神龙工程测试技术有限公司 一种基于人工智能的门窗性能检测方法

Similar Documents

Publication Publication Date Title
WO2024004216A1 (ja) 地盤変動解析装置および地盤変動解析方法
CN111623722B (zh) 一种基于多传感器的边坡变形立体监测系统和方法
Kareem et al. Time-frequency analysis of wind effects on structures
Strassburg et al. Sea level trends in Southeast Asian seas
KR102086323B1 (ko) ＰＳＩｎＳＡＲ 기반 센티넬 위성영상의 연속성을 유지하는 자동 모니터링 서비스 제공 방법
CN112882032B (zh) 一种燃气管道重点区域地质灾害sar动态监测方法及装置
Huang et al. An Improved Adaptive Template Size Pixel‐Tracking Method for Monitoring Large‐Gradient Mining Subsidence
Farrell et al. Sea-ice freeboard retrieval using digital photon-counting laser altimetry
Ubelmann et al. A cross-spectral approach to measure the error budget of the SWOT altimetry mission over the Ocean
Adu-Gyamfi et al. Reliability of probe speed data for detecting congestion trends
JPWO2019049263A1 (ja) シンプルプロファイリング（ｓｐｍ）手法の変換プログラムおよびシンプルプロファイリング（ｓｐｍ）手法の変換方法
CN113514833B (zh) 一种基于海浪图像的海面任意点波向的反演方法
Coughlin et al. Prospects for searches for long-duration gravitational-waves without time slides
CN114812491A (zh) 基于长时间序列分析的输电线路地表形变预警方法及装置
Canuti et al. Integration of remote sensing techniques in different stages of landslide response
Zhao et al. Identifying spatial patterns and dynamics of climate change using recurrence quantification analysis: a case study of qinghai–tibet plateau
Montopoli et al. Spectral downscaling of integrated water vapor fields from satellite infrared observations
Costantini et al. Enhanced PSP SAR interferometry for analysis of weak scatterers and high definition monitoring of deformations over structures and natural terrains
Yang et al. Non-stationary assessment of structural operational measurements using recurrence quantification analysis
WO2020183862A1 (ja) 発雷推定装置、システムおよび方法
Togneri et al. Wave-turbulence separation at a tidal energy site with empirical orthogonal function analysis
Souza et al. First prospects in a new approach for structure monitoring from GPS multipath effect and wavelet spectrum
Marsella et al. Terrestrial laser scanning survey in support of unstable slopes analysis: the case of Vulcano Island (Italy)
CN114166330B (zh) 基于光纤光栅阵列识别特定工程施工设备的方法及系统
CN113281716B (zh) 一种光子计数激光雷达数据去噪方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22949489

Country of ref document: EP

Kind code of ref document: A1