CN113885025A - 一种滑坡形变监测方法与可视化服务平台 - Google Patents
一种滑坡形变监测方法与可视化服务平台 Download PDFInfo
- Publication number
- CN113885025A CN113885025A CN202111035915.2A CN202111035915A CN113885025A CN 113885025 A CN113885025 A CN 113885025A CN 202111035915 A CN202111035915 A CN 202111035915A CN 113885025 A CN113885025 A CN 113885025A
- Authority
- CN
- China
- Prior art keywords
- landslide
- deformation
- data
- module
- image
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/904—SAR modes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B7/00—Measuring arrangements characterised by the use of electric or magnetic techniques
- G01B7/16—Measuring arrangements characterised by the use of electric or magnetic techniques for measuring the deformation in a solid, e.g. by resistance strain gauge
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)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明涉及遥感技术的技术领域,特别是涉及一种滑坡形变监测方法与可视化服务平台,从滑坡区域特征出发,利用光学与雷达影像融合带来的优势,提出一种基于光学、雷达数据融合的滑坡监测***方法,解决传统滑坡形变监测方法中精度低、工作量大、成本高的问题;包括:滑坡识别模块、形变处理模块、风险评估预警模块、数据管理模块和可视化模块;滑坡识别模块,用于遥感影像中滑坡区域的识别;形变处理模块,用于提取滑坡区域内形变特征;风险评估预警模块,用于对各个滑坡发生灾害的风险进行评估和预警;数据管理模块,用于存储***内各项数据;可视化分析模块,用于滑坡区域形变数据分析及可视化展示。
Description
技术领域
本发明涉及遥感技术的技术领域,特别是涉及一种滑坡形变监测方法与可视化服务平台。
背景技术
滑坡是一种常见的自然灾害,它对自然环境和人民生命财产安全构成严重的威胁,滑坡灾害形变监测是滑坡灾害的防治工作提供重要的数据支撑。在早期,滑坡灾害数据主要是通过外业工作人员实地考察获得,这种方法费时费力且危险性大。遥感技术是20世纪新兴的测量技术,其观测时效性好,宏观性强,信息量丰富,在诸多领域中被广泛利用,随着技术的不断进步,遥感技术的观测精度也越来越高,从而在滑坡监测中发挥着更为重要的作用。
遥感监测法能够快速获取大范围的滑坡信息,比起常规监测手段,其监测范围更广,监测效率更高,同时经济消耗也更低,是滑坡等地质灾害不可或缺的监测手段之一。其中合成孔径雷达(SynthetIc Ape rture Raaal,SAR)在监测地质灾害方面有着巨大的潜力,如常用的合成雷达干涉***(Interferometry SAR.InSAR)、差分干涉雷达***(Differential InSAR.DInSAR)等,通过这些技术发射的雷达波能够穿透云雾,具有全天候工作能力,通过其产生的干涉图能够更为精确的获取地面信息。
滑坡地质灾害的识别是滑坡形变监测与分析的重中之重。随着对滑坡性质研究的深入,一些自动的滑坡区域识别方法逐渐被提出,主要可分为基于光学遥感影像的滑坡识别方法与基于微波遥感技术的滑坡识别方法两类。基于光学影像的方法主要依据影像中滑坡特殊的纹理,色调和几何形态等典型特征来识别滑坡,而基于微波遥感的方法则主要是通过识别地表的微小形变来发现滑坡。传统的基于光学遥感影像的滑坡识别方法依赖于各种人工设计的特征来识别和判断滑坡。但由于遥感影像上不同滑坡间的光学特征差异大,具体到每个滑坡实例的色调、几何形状、纹理、阴影和图形各不相同。因此,利用人工设计特征的方法来识别滑坡,识别准确率不高,算法的泛化性能差,滑坡识别效果不理想。近年来,深度学习中的卷积神经元网络在图像分类、目标检测、语义分割等影像处理相关的任务中都展现出了强大的性能。因此,也有少量研究人员利用卷积神经网络进行滑坡识别方面的研究。但这些研究都还处于起步阶段,只有几个简单的网络模型被设计和尝试。使用更加复杂的网络结构和采用更有针对性的设计是提高滑坡识别精度的有效方法。对于滑坡识别任务来说,如何让模型更好地关注和学习到滑坡的本质特征是设计自动滑坡识别模型的关键问题。
现有技术相关方案一:GPS监测
GPS是全球定位***(Global Positioning System)的简称,用卫星发射的信号进行空间后方交会测量,从而确定地面待测点的三维坐标,以距离、坐标、角度为基础,用新值与初始坐标之差反映待测点的位移,达到监测变形的目的。此方法可用于监测滑坡不同变形阶段的地表位移变化,能够准确测出变化的速率,又能连续监测,在滑坡地表变形监测中被广泛使用,连续监测精度可以达到毫米级别。GPS监测***内每个GPS天线均可在同一时间接收原始数据,再由无线网络将信息传输到滑坡变形监测控制中心(图1),之后控制中心的解算软件采用静态差分位移测量等方法对各监测点的信息流进行实时解算,得出各监测点的三维坐标,分析滑坡位移情况,必要时会发出警告。
现有技术相关方案二:地表裂缝监测
滑坡裂缝的几何形态、组合关系和力学性质,可以判别滑坡的分布范围、滑体厚度、力学机制和发展阶段,从而对滑坡的性质和发展趋势做出客观的评价和预测,为滑坡灾害的监测预警和滑坡的勘察、治提供重要的依据。裂缝监测适用于滑坡各个变形阶段地标裂缝张合、位错变化监测。在滑坡地表变形监测时在滑坡表面裂缝监测中,监测内容包括裂缝的拉开速度和两端扩展的情况,常用的测量仪器有伸缩仪、位错仪、分尺等;在滑坡表面裂缝监测中,监测内容包括裂缝的拉开速度和两端扩展的情况,常用的测量仪器有伸缩仪、位错仪、千分尺等。该种监测方法操作简单、精度可行、测程可调节,方便快速取得数据,然而人工测量读数工作强度大,长期稳定性也存在不足。
现有技术相关方案三:InSAR监测法
InSAR是合成孔径雷达干涉测量技术(lnterferometric Synthetic ApertureRadar)的简称,原理为通过雷达卫星在相邻重复卫星轨道上对同一地区进行两次成像得到两张SAR图像,通过计算它们的相位差得到干涉处理后的图像,后经相位解缠和差分干涉处理,便可从干涉条纹中提取地表的三维信息和高程变化信息。InSAR监测法选用雷达和卫星监测,因而具有全天候、高精度、高分辨率、覆盖范围大、观测跨度久、方便迅速等优势,对地物几何形状及地表起伏敏感,能够穿透土壤和植被,不仅能够获得宏观的静态信息,还可以获得某一地区连续的地表形变动态信息。和GPS相比,InSAR的监测结果更具连续性,有更强的空间覆盖优势和空间分辨率,在国内外的滑坡监测中具良好表现,亦有运用GPS和InSAR的技术互补进行滑坡监测。然而在数据的采集过程中,会有很多因素带来误差,影响干涉图的质量。如突发性的滑坡时间较短,会导致干涉图像不相干,产生去相关问题;在高山地区可能会存在雷达阴影和雷达波束迭掩现象。另外,获得良好相关性的干涉图对季节和天气条件的依赖性强,高湿度、高植被覆盖率会对相关性造成不良影响。
发明内容
本发明的一个目的在于从滑坡区域特征出发,利用光学与雷达影像融合带来的优势,提出一种基于光学、雷达数据融合的滑坡监测***方法,解决传统滑坡形变监测方法中精度低、工作量大、成本高的问题。
本发明的另一个目的在于应用上述方法,创建一个可视化服务平台,实现滑坡灾害监测、快速响应、可视化分析。
本发明的一种滑坡形变监测可视化服务平台,包括:滑坡识别模块、形变处理模块、风险评估预警模块、数据管理模块和可视化模块;
滑坡识别模块,用于遥感影像中滑坡区域的识别;
形变处理模块,用于提取滑坡区域内形变特征;
风险评估预警模块,用于对各个滑坡发生灾害的风险进行评估和预警;
数据管理模块,用于存储***内各项数据;
可视化分析模块,用于滑坡区域形变数据分析及可视化展示。
进一步地,滑坡识别模块:选择遥感影像数据及识别区域,该模块对遥感影像进行预处理,并利用基于卷积神经网络的滑坡识别模型提取影像中滑坡目标的区域及边界,最后将滑坡区域识别polygon结果保存在数据管理模块。
进一步地,形变处理模块:在形变处理模块中,以时序SAR影像为基础,针对目标区域进行D-InSAR处理,获取目标区域整体的短期形变图;随后将滑坡识别区域与短期形变图进行匹配,获取目标区内滑坡的短期形变量,如图3所示,最后将滑坡形变信息与形变评级结果保存在数据管理模块;
进一步地,风险评估预警模块:根据预先设定的形变阈值,如水平位移不得大于12mm/月、垂直位移不得大于5mm/月等,将滑坡分为高风险、低风险与无风险三类;针对高风险滑坡,及时通过预警模块发出警告的同时,将后续监测频率设为高频,长期重点监测该滑坡区域,针对低风险滑坡,除了发出预警之外,将后续监测频率设为低频,实现数据运算资源与监测效率的最优化,而针对无风险滑坡,则将其忽略,直到进行下一周期的整体形变调查,针对形变风险评估中的不同风险滑坡,在及时调整后续监测方案的同时,会将风险信息通过短信形式发送到地方负责人。
进一步地,数据管理模块:数据不仅包括滑坡形变监测需要的光学、雷达遥感数据,而且包含滑坡短期、长期形变分析结果,灾害数据、矢量数据、图表文档,基于大数据存储技术,针对多源遥感灾害数据,采用分布式文件存储、关系数据库存储、对象存储、k-v存储等多种大数据分布式集群存储技术以满足不同类型遥感数据的存储访问需求,提供比传统存储高出数倍的聚合IOPS和吞吐量,可实现***的设备级冗余并且可在线更换损坏的硬盘和节点设备,支持在线无缝动态横向扩展。
进一步地,可视化分析模块:基于WEB技术开发的数据分析及可视化平台,利用Javascript语言进行编写,以遥感影像的瓦片数据为基础,制作不同卫星遥感影像地图,并读取滑坡相关数据,实现地图中滑坡区域标记、形变分析、风险等级以及滑坡基础信息的展示。
本发明的一种滑坡形变监测方法,包括以下步骤:
步骤1,构建基于多源遥感影像黄土滑坡识别网络模型,该网络用于学***均池化,分别用来提取局部特征和全局特征,五种不同尺度的输出特征叠加后再经过1x1卷积调整维度后得到融合多尺度特征信息的一维特征图,Decoder模块将浅层特征与多尺度特征进行融合,然后经过上采样得到与输入数据尺寸相同的滑坡体识别预测图;
步骤2,基于高分二号卫星影像人工目视解译结果建立了历史黄土滑坡样本数据库,在样本库上训练网络模型,然后利用训练好的网络模型对新的遥感影像进行预测,实现遥感影像上滑坡区域的识别,如图1所示,具体实现包括如下子步骤:
步骤2.1,采用覆盖研究区的高分二号卫星提供的高分辨率遥感影像作为数据源,高分二号遥感影像经过辐射定标、正射校正、几何配准、影像融合、影像裁剪和影像拼接预处理操作(图2),最终得到实验区内完整影像;
步骤2.2,利用地形可视性指标辅助判断滑坡,将滑坡可视性与滑坡的遥感目视解译方法结合,建立滑坡样本,使用多边形矢量沿着滑坡样本的边缘进行标记,确保每个滑坡实例的多边形边缘矢量边缘更可能准确和可靠,且影像中没有遗漏而未标记的滑坡样本;
步骤2.3,滑坡影像样本裁剪与标签制作,解析滑坡样本标注的矢量文件,每一组多边形坐标对应一个滑坡样本实例,对于实验区内标注的每个滑坡样本,将它的外接矩形随机按1.2~2倍比例放大作为裁剪大小,使得每个裁剪后的滑坡样本除滑坡外也包含一定量的背景区域,最后,根据多边形坐标为每个滑坡实例生成与裁剪尺寸相同大小的灰度图(Mask),因为一幅图像只包含两个类别:滑坡和非滑坡,所以将图像标签处理为0和1,其中滑坡实例范围内的像素值为1,非滑坡为0,将上述处理的滑坡样本对应的光学影像数据和灰度图以相同名称分别保存至image、label文件夹中作为滑坡样本数据库;
步骤2.4,裁剪对应的高程数据,按照相同的坐标及范围同时对数字高程模型影像进行裁剪,将其分别作为训练和测试过程的辅助数据,一起输入网络中进行训练和测试;
步骤3,滑坡区域识别模型,完成网络的构建后,利用标注好滑坡样本数据集训练滑坡区域识别模型;针对自建滑坡数据集学***翻转和偏移操作扩增滑坡样本数据,得到部分图像增广操作前后结果,部分图像增广操作前后结果如图3所示,将滑坡样本对应数据进行相同的操作,以保证各类型数据间的相互匹配,最后将增广后的滑坡数据集按照9:1的比例划分为训练集和验证集,利用训练集样本对卷积神经网络进行迭代训练,得到最优滑坡区域识别模型;
步骤4,区域形变处理,选定目标区域,针对研究区域利用D-InSAR技术进行遥感数据处理,得到目标区域短期形变结果,后续针对高风险与低风险滑坡点,利用SBAS-InSAR技术进行遥感数据处理,得到长期时序形变处理结果;
步骤5,风险评估预警,设定形变阈值(如单位时间内水平、垂直方向形变量),将滑坡形变结果与形变阈值进行比较,超出形变阈值的滑坡进行形变风险分析,将滑坡划分为高风险等级、低风险等级和无风险等级三级,基于处理后的遥感影像进行波段运算及分类操作,提取地表覆盖等相关滑坡灾害因子;利用DEM数据进行GIS空间分析,提取坡度、坡向、与沟谷距离等相关地形及水文因子;
步骤6,形变结果评价,将目标滑坡实验形变结果与实地核查结果进行比对,得到两者的差异量化分析报告,实现形变处理流程的准确性评价。
与现有技术相比本发明的有益效果为:
(1)本发明利用深度学习和InSAR技术实现目标滑坡区域形变量的自动化提取;
(2)本发明利用云计算实现滑坡自动化风险评级;
(3)本发明解决了目标区域环境复杂、滑坡巡检困难等问题;
(4)本发明方法适用于其他基础设施的形变监测研究。
附图说明
图1是GPS监测***;
图2是本发明的滑坡形变监测可视化服务平台的结构图;
图3是左为区域形变图;右为时序形变折线图;
图4是风险评估预警示意图;
图5是滑坡识别模型结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
无论从数据分析、可视化,还是从快速、高品质的服务能力的角度看,建立起一套具有高效性且易于扩展的可视化平台,实现滑坡灾害监测、快速响应、可视化分析是当务之急,使可视化平台与领域之间具有低耦合度,通过层次化、组件化的架构可以满足对可视化平台软件扩展性和通用性的需求。
基于此,本申请提出了一种基于多源卫星遥感数据的快速响应与可视化服务平台,该平台基于容器和微服务架构建立,集成多种卫星遥感数据分析和可视化技术,实现近实时的灾害监测服务。
如图2所示,本发明的一种滑坡形变监测可视化服务平台,包括:滑坡识别模块、形变处理模块、风险评估预警模块、数据管理模块和可视化模块;
滑坡识别模块,用于遥感影像中滑坡区域的识别;
形变处理模块,用于提取滑坡区域内形变特征;
风险评估预警模块,用于对各个滑坡发生灾害的风险进行评估和预警;
数据管理模块,用于存储***内各项数据;
可视化分析模块,用于滑坡区域形变数据分析及可视化展示。
进一步地,滑坡识别模块:选择遥感影像数据及识别区域,该模块对遥感影像进行预处理,并利用基于卷积神经网络的滑坡识别模型提取影像中滑坡目标的区域及边界,最后将滑坡区域识别polygon结果保存在数据管理模块。
进一步地,形变处理模块:在形变处理模块中,以时序SAR影像为基础,针对目标区域进行D-InSAR处理,获取目标区域整体的短期形变图;随后将滑坡识别区域与短期形变图进行匹配,获取目标区内滑坡的短期形变量,如图3所示,最后将滑坡形变信息与形变评级结果保存在数据管理模块;
进一步地,风险评估预警模块:根据预先设定的形变阈值,如水平位移不得大于12mm/月、垂直位移不得大于5mm/月等,将滑坡分为高风险、低风险与无风险三类;针对高风险滑坡,及时通过预警模块发出警告的同时,将后续监测频率设为高频,长期重点监测该滑坡区域,针对低风险滑坡,除了发出预警之外,将后续监测频率设为低频,实现数据运算资源与监测效率的最优化,而针对无风险滑坡,则将其忽略,直到进行下一周期的整体形变调查,针对形变风险评估中的不同风险滑坡,在及时调整后续监测方案的同时,会将风险信息通过短信形式发送到地方负责人。
进一步地,数据管理模块:数据不仅包括滑坡形变监测需要的光学、雷达遥感数据,而且包含滑坡短期、长期形变分析结果,灾害数据、矢量数据、图表文档,基于大数据存储技术,针对多源遥感灾害数据,采用分布式文件存储、关系数据库存储、对象存储、k-v存储等多种大数据分布式集群存储技术以满足不同类型遥感数据的存储访问需求,提供比传统存储高出数倍的聚合IOPS和吞吐量,可实现***的设备级冗余并且可在线更换损坏的硬盘和节点设备,支持在线无缝动态横向扩展。
进一步地,可视化分析模块:基于WEB技术开发的数据分析及可视化平台,利用Javascript语言进行编写,以遥感影像的瓦片数据为基础,制作不同卫星遥感影像地图,并读取滑坡相关数据,实现地图中滑坡区域标记、形变分析、风险等级以及滑坡基础信息的展示;
***底层依托虚拟化的基础资源设施,以Kubernetes为主要运行环境,实现可动态伸缩的微服务架构,实现对云虚拟环境和GPU服务器的支持,基于滑坡灾害监测业务需求,确立生产可用的遥感大数据服务技术标准,紧密结合微服务治理技术,实现同底层基础设施完全解耦,具备任务自动分发、数据自动处理、自动水平扩展和负载均衡、中心配置管理等现代云原生应用特性。
本发明的一种滑坡形变监测方法,包括以下步骤:
步骤1,构建基于多源遥感影像黄土滑坡识别网络模型,该网络用于学***均池化,分别用来提取局部特征和全局特征,五种不同尺度的输出特征叠加后再经过1x1卷积调整维度后得到融合多尺度特征信息的一维特征图,Decoder模块将浅层特征与多尺度特征进行融合,然后经过上采样得到与输入数据尺寸相同的滑坡体识别预测图;
步骤2,基于高分二号卫星影像人工目视解译结果建立了历史黄土滑坡样本数据库,在样本库上训练网络模型,然后利用训练好的网络模型对新的遥感影像进行预测,实现遥感影像上滑坡区域的识别,如图1所示,具体实现包括如下子步骤:
步骤2.1,采用覆盖研究区的高分二号卫星提供的高分辨率遥感影像作为数据源,高分二号遥感影像经过辐射定标、正射校正、几何配准、影像融合、影像裁剪和影像拼接预处理操作(图2),最终得到实验区内完整影像;
步骤2.2,利用地形可视性指标辅助判断滑坡,将滑坡可视性与滑坡的遥感目视解译方法结合,建立滑坡样本,使用多边形矢量沿着滑坡样本的边缘进行标记,确保每个滑坡实例的多边形边缘矢量边缘更可能准确和可靠,且影像中没有遗漏而未标记的滑坡样本;
步骤2.3,滑坡影像样本裁剪与标签制作,解析滑坡样本标注的矢量文件,每一组多边形坐标对应一个滑坡样本实例,对于实验区内标注的每个滑坡样本,将它的外接矩形随机按1.2~2倍比例放大作为裁剪大小,使得每个裁剪后的滑坡样本除滑坡外也包含一定量的背景区域,最后,根据多边形坐标为每个滑坡实例生成与裁剪尺寸相同大小的灰度图(Mask),因为一幅图像只包含两个类别:滑坡和非滑坡,所以将图像标签处理为0和1,其中滑坡实例范围内的像素值为1,非滑坡为0,将上述处理的滑坡样本对应的光学影像数据和灰度图以相同名称分别保存至image、label文件夹中作为滑坡样本数据库;
步骤2.4,裁剪对应的高程数据,按照相同的坐标及范围同时对数字高程模型影像进行裁剪,将其分别作为训练和测试过程的辅助数据,一起输入网络中进行训练和测试;
步骤3,滑坡区域识别模型,完成网络的构建后,利用标注好滑坡样本数据集训练滑坡区域识别模型;针对自建滑坡数据集学***翻转和偏移操作扩增滑坡样本数据,得到部分图像增广操作前后结果,部分图像增广操作前后结果如图3所示,将滑坡样本对应数据进行相同的操作,以保证各类型数据间的相互匹配,最后将增广后的滑坡数据集按照9:1的比例划分为训练集和验证集,利用训练集样本对卷积神经网络进行迭代训练,得到最优滑坡区域识别模型;
步骤4,区域形变处理,选定目标区域,针对研究区域利用D-InSAR技术进行遥感数据处理,得到目标区域短期形变结果,后续针对高风险与低风险滑坡点,利用SBAS-InSAR技术进行遥感数据处理,得到长期时序形变处理结果;
步骤5,风险评估预警,设定形变阈值(如单位时间内水平、垂直方向形变量),将滑坡形变结果与形变阈值进行比较,超出形变阈值的滑坡进行形变风险分析,将滑坡划分为高风险等级、低风险等级和无风险等级三级,基于处理后的遥感影像进行波段运算及分类操作,提取地表覆盖等相关滑坡灾害因子;利用DEM数据进行GIS空间分析,提取坡度、坡向、与沟谷距离等相关地形及水文因子;
步骤6,形变结果评价,将目标滑坡实验形变结果与实地核查结果进行比对,得到两者的差异量化分析报告,实现形变处理流程的准确性评价。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (7)
1.一种滑坡形变监测可视化服务平台,其特征在于,包括:滑坡识别模块、形变处理模块、风险评估预警模块、数据管理模块和可视化模块;
滑坡识别模块,用于遥感影像中滑坡区域的识别;
形变处理模块,用于提取滑坡区域内形变特征;
风险评估预警模块,用于对各个滑坡发生灾害的风险进行评估和预警;
数据管理模块,用于存储***内各项数据;
可视化分析模块,用于滑坡区域形变数据分析及可视化展示。
2.如权利要求1所述的一种滑坡形变监测可视化服务平台,其特征在于,滑坡识别模块:选择遥感影像数据及识别区域,该模块对遥感影像进行预处理,并利用基于卷积神经网络的滑坡识别模型提取影像中滑坡目标的区域及边界,最后将滑坡区域识别polygon结果保存在数据管理模块。
3.如权利要求2所述的一种滑坡形变监测可视化服务平台,其特征在于,形变处理模块:在形变处理模块中,以时序SAR影像为基础,针对目标区域进行D-InSAR处理,获取目标区域整体的短期形变图;随后将滑坡识别区域与短期形变图进行匹配,获取目标区内滑坡的短期形变量,最后将滑坡形变信息与形变评级结果保存在数据管理模块。
4.如权利要求3所述的一种滑坡形变监测可视化服务平台,其特征在于,风险评估预警模块:根据预先设定的形变阈值,将滑坡分为高风险、低风险与无风险三类;针对高风险滑坡,及时通过预警模块发出警告的同时,将后续监测频率设为高频,长期重点监测该滑坡区域,针对低风险滑坡,除了发出预警之外,将后续监测频率设为低频,实现数据运算资源与监测效率的最优化,而针对无风险滑坡,则将其忽略,直到进行下一周期的整体形变调查,针对形变风险评估中的不同风险滑坡,在及时调整后续监测方案的同时,会将风险信息通过短信形式发送到地方负责人。
5.如权利要求4所述的一种滑坡形变监测可视化服务平台,其特征在于,数据管理模块:数据不仅包括滑坡形变监测需要的光学、雷达遥感数据,而且包含滑坡短期、长期形变分析结果,灾害数据、矢量数据、图表文档,基于大数据存储技术,针对多源遥感灾害数据,采用分布式文件存储、关系数据库存储、对象存储、k-v存储等多种大数据分布式集群存储技术以满足不同类型遥感数据的存储访问需求,提供比传统存储高出数倍的聚合IOPS和吞吐量,可实现***的设备级冗余并且可在线更换损坏的硬盘和节点设备,支持在线无缝动态横向扩展。
6.如权利要求5所述的一种滑坡形变监测可视化服务平台,其特征在于,可视化分析模块:基于WEB技术开发的数据分析及可视化平台,利用Javascript语言进行编写,以遥感影像的瓦片数据为基础,制作不同卫星遥感影像地图,并读取滑坡相关数据,实现地图中滑坡区域标记、形变分析、风险等级以及滑坡基础信息的展示。
7.一种滑坡形变监测方法,其特征在于,包括以下步骤:
步骤1,构建基于多源遥感影像黄土滑坡识别网络模型;所述多源遥感影像黄土滑坡识别网络模型主要包括主干网络和空洞空间卷积池化金字塔模块两个部分;主干网络部分使用当前流行的残差网络或者残差网络的各种变体网络,首先,输入网络的是大小为C×H×W的特征图,C表示特征图的通道数量,H是特征图的长度,W是特征图的宽度,为融合滑坡的光谱特征与地形特征,将滑坡样本对应的RGB数据、DEM数据合并为4通道数据输入骨干网络得到浅层特征和深层特征两个输出,深层特征作为ASPP模块的输入,ASPP结构使用四个不同比率的膨胀卷积和一个全局平均池化,分别用来提取局部特征和全局特征,五种不同尺度的输出特征叠加后再经过1x1卷积调整维度后得到融合多尺度特征信息的一维特征图,Decoder模块将浅层特征与多尺度特征进行融合,然后经过上采样得到与输入数据尺寸相同的滑坡体识别预测图;
步骤2,基于高分二号卫星影像人工目视解译结果建立了历史黄土滑坡样本数据库,在样本库上训练网络模型,然后利用训练好的网络模型对新的遥感影像进行预测,实现遥感影像上滑坡区域的识别,具体实现包括如下子步骤:
步骤2.1,采用覆盖研究区的高分二号卫星提供的高分辨率遥感影像作为数据源,高分二号遥感影像经过辐射定标、正射校正、几何配准、影像融合、影像裁剪和影像拼接预处理操作,最终得到实验区内完整影像;
步骤2.2,利用地形可视性指标辅助判断滑坡,将滑坡可视性与滑坡的遥感目视解译方法结合,建立滑坡样本,使用多边形矢量沿着滑坡样本的边缘进行标记,确保每个滑坡实例的多边形边缘矢量边缘更可能准确和可靠,且影像中没有遗漏而未标记的滑坡样本;
步骤2.3,滑坡影像样本裁剪与标签制作,解析滑坡样本标注的矢量文件,每一组多边形坐标对应一个滑坡样本实例,对于实验区内标注的每个滑坡样本,将它的外接矩形随机按1.2~2倍比例放大作为裁剪大小,使得每个裁剪后的滑坡样本除滑坡外也包含一定量的背景区域,最后,根据多边形坐标为每个滑坡实例生成与裁剪尺寸相同大小的灰度图,因为一幅图像只包含两个类别:滑坡和非滑坡,所以将图像标签处理为0和1,其中滑坡实例范围内的像素值为1,非滑坡为0,将上述处理的滑坡样本对应的光学影像数据和灰度图以相同名称分别保存至image、label文件夹中作为滑坡样本数据库;
步骤2.4,裁剪对应的高程数据,按照相同的坐标及范围同时对数字高程模型影像进行裁剪,将其分别作为训练和测试过程的辅助数据,一起输入网络中进行训练和测试;
步骤3,滑坡区域识别模型,完成网络的构建后,利用标注好滑坡样本数据集训练滑坡区域识别模型;针对自建滑坡数据集学***翻转和偏移操作扩增滑坡样本数据,得到部分图像增广操作前后结果,将滑坡样本对应数据进行相同的操作,以保证各类型数据间的相互匹配,最后将增广后的滑坡数据集按照9:1的比例划分为训练集和验证集,利用训练集样本对卷积神经网络进行迭代训练,得到最优滑坡区域识别模型;
步骤4,区域形变处理,选定目标区域,针对研究区域利用D-InSAR技术进行遥感数据处理,得到目标区域短期形变结果,后续针对高风险与低风险滑坡点,利用SBAS-InSAR技术进行遥感数据处理,得到长期时序形变处理结果;
步骤5,风险评估预警,设定形变阈值,将滑坡形变结果与形变阈值进行比较,超出形变阈值的滑坡进行形变风险分析,将滑坡划分为高风险等级、低风险等级和无风险等级三级,基于处理后的遥感影像进行波段运算及分类操作,提取地表覆盖等相关滑坡灾害因子;利用DEM数据进行GIS空间分析,提取坡度、坡向、与沟谷距离等相关地形及水文因子;
步骤6,形变结果评价,将目标滑坡实验形变结果与实地核查结果进行比对,得到两者的差异量化分析报告,实现形变处理流程的准确性评价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111035915.2A CN113885025A (zh) | 2021-09-03 | 2021-09-03 | 一种滑坡形变监测方法与可视化服务平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111035915.2A CN113885025A (zh) | 2021-09-03 | 2021-09-03 | 一种滑坡形变监测方法与可视化服务平台 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113885025A true CN113885025A (zh) | 2022-01-04 |
Family
ID=79008256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111035915.2A Pending CN113885025A (zh) | 2021-09-03 | 2021-09-03 | 一种滑坡形变监测方法与可视化服务平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113885025A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419849A (zh) * | 2022-01-26 | 2022-04-29 | 中煤航测遥感集团有限公司 | 一种滑坡预警方法、装置及计算机设备 |
CN114442094A (zh) * | 2022-02-10 | 2022-05-06 | 中国地质科学院岩溶地质研究所 | 一种地表形变预测方法及*** |
CN114663501A (zh) * | 2022-05-17 | 2022-06-24 | 深圳市华世智能科技有限公司 | 基于特征码图像位姿检测的地质灾害预警方法 |
CN114783264A (zh) * | 2022-06-23 | 2022-07-22 | 南通午未连海科技有限公司 | 基于大数据的滑坡易发性模型对比分析***及展示装置 |
CN114894082A (zh) * | 2022-04-21 | 2022-08-12 | 北方雷科(安徽)科技有限公司 | 一种基于矿山的边坡形变滑坡预警的方法 |
CN115586527A (zh) * | 2022-09-08 | 2023-01-10 | 杭州余杭大数据经营有限公司 | 一种基于DS-InSAR技术的云端道路形变预警*** |
CN116183624A (zh) * | 2023-01-05 | 2023-05-30 | 国网安徽省电力有限公司铜陵供电公司 | 一种施工区顺坡溜渣监测方法、***和存储介质 |
CN116299438A (zh) * | 2023-01-13 | 2023-06-23 | 中国南方电网有限责任公司超高压输电公司昆明局 | 基于干涉雷达的地表形变监控方法及相关设备 |
CN116403093A (zh) * | 2023-06-09 | 2023-07-07 | 中铁工程设计咨询集团有限公司 | 一种面向铁路沿线潜在滑坡的多源遥感解译方法及装置 |
CN116504032A (zh) * | 2023-06-28 | 2023-07-28 | 湖南科技大学 | 一种基于实景三维的滑坡危险性监测预警方法及*** |
CN116994156A (zh) * | 2023-09-27 | 2023-11-03 | 自然资源部第三地理信息制图院 | 一种滑坡隐患综合遥感识别方法、***、设备及介质 |
CN117216641A (zh) * | 2023-09-20 | 2023-12-12 | 四川省公路规划勘察设计研究院有限公司 | 一种高位崩滑地质灾害智能识别方法 |
CN117746239A (zh) * | 2023-12-19 | 2024-03-22 | 中国科学院空天信息创新研究院 | 一种环境要素提取与预评估方法、***、设备和存储介质 |
-
2021
- 2021-09-03 CN CN202111035915.2A patent/CN113885025A/zh active Pending
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114419849A (zh) * | 2022-01-26 | 2022-04-29 | 中煤航测遥感集团有限公司 | 一种滑坡预警方法、装置及计算机设备 |
CN114419849B (zh) * | 2022-01-26 | 2024-01-30 | 中煤航测遥感集团有限公司 | 一种滑坡预警方法、装置及计算机设备 |
CN114442094A (zh) * | 2022-02-10 | 2022-05-06 | 中国地质科学院岩溶地质研究所 | 一种地表形变预测方法及*** |
CN114894082A (zh) * | 2022-04-21 | 2022-08-12 | 北方雷科(安徽)科技有限公司 | 一种基于矿山的边坡形变滑坡预警的方法 |
CN114663501A (zh) * | 2022-05-17 | 2022-06-24 | 深圳市华世智能科技有限公司 | 基于特征码图像位姿检测的地质灾害预警方法 |
CN114783264A (zh) * | 2022-06-23 | 2022-07-22 | 南通午未连海科技有限公司 | 基于大数据的滑坡易发性模型对比分析***及展示装置 |
CN114783264B (zh) * | 2022-06-23 | 2022-09-02 | 南通午未连海科技有限公司 | 基于大数据的滑坡易发性模型对比分析***及展示装置 |
CN115586527A (zh) * | 2022-09-08 | 2023-01-10 | 杭州余杭大数据经营有限公司 | 一种基于DS-InSAR技术的云端道路形变预警*** |
CN115586527B (zh) * | 2022-09-08 | 2024-01-12 | 杭州余杭大数据经营有限公司 | 一种基于DS-InSAR技术的云端道路形变预警*** |
CN116183624A (zh) * | 2023-01-05 | 2023-05-30 | 国网安徽省电力有限公司铜陵供电公司 | 一种施工区顺坡溜渣监测方法、***和存储介质 |
CN116299438A (zh) * | 2023-01-13 | 2023-06-23 | 中国南方电网有限责任公司超高压输电公司昆明局 | 基于干涉雷达的地表形变监控方法及相关设备 |
CN116299438B (zh) * | 2023-01-13 | 2023-12-01 | 中国南方电网有限责任公司超高压输电公司昆明局 | 基于干涉雷达的地表形变监控方法及相关设备 |
CN116403093A (zh) * | 2023-06-09 | 2023-07-07 | 中铁工程设计咨询集团有限公司 | 一种面向铁路沿线潜在滑坡的多源遥感解译方法及装置 |
CN116403093B (zh) * | 2023-06-09 | 2023-08-22 | 中铁工程设计咨询集团有限公司 | 一种面向铁路沿线潜在滑坡的多源遥感解译方法及装置 |
CN116504032A (zh) * | 2023-06-28 | 2023-07-28 | 湖南科技大学 | 一种基于实景三维的滑坡危险性监测预警方法及*** |
CN116504032B (zh) * | 2023-06-28 | 2023-09-22 | 湖南科技大学 | 一种基于实景三维的滑坡危险性监测预警方法及*** |
CN117216641A (zh) * | 2023-09-20 | 2023-12-12 | 四川省公路规划勘察设计研究院有限公司 | 一种高位崩滑地质灾害智能识别方法 |
CN116994156B (zh) * | 2023-09-27 | 2023-12-08 | 自然资源部第三地理信息制图院 | 一种滑坡隐患综合遥感识别方法、***、设备及介质 |
CN116994156A (zh) * | 2023-09-27 | 2023-11-03 | 自然资源部第三地理信息制图院 | 一种滑坡隐患综合遥感识别方法、***、设备及介质 |
CN117746239A (zh) * | 2023-12-19 | 2024-03-22 | 中国科学院空天信息创新研究院 | 一种环境要素提取与预评估方法、***、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113885025A (zh) | 一种滑坡形变监测方法与可视化服务平台 | |
Xu et al. | Urban morphology detection and computation for urban climate research | |
Münzinger et al. | Mapping the urban forest in detail: From LiDAR point clouds to 3D tree models | |
Zhou et al. | Individual tree parameters estimation for plantation forests based on UAV oblique photography | |
Wangchuk et al. | Towards automated mapping and monitoring of potentially dangerous glacial lakes in Bhutan Himalaya using Sentinel-1 Synthetic Aperture Radar data | |
Xia et al. | Analysis of surface urban heat islands based on local climate zones via spatiotemporally enhanced land surface temperature | |
CN116504032B (zh) | 一种基于实景三维的滑坡危险性监测预警方法及*** | |
CN110456352B (zh) | 一种基于相干系数阈值的冰川识别方法 | |
CN103530499A (zh) | 山区地表温度基线构建的一种方法及应用 | |
CN112989692A (zh) | 基于遥感数据的湖泊富营养化反演方法 | |
Yang et al. | Gully boundary extraction based on multidirectional hill‐shading from high‐resolution DEMs | |
CN109375290B (zh) | 一种基于机器学习的跨海大桥雾监测***及其应用方法 | |
Im et al. | An automated binary change detection model using a calibration approach | |
CN104899562A (zh) | 基于纹理分割融合的雷达遥感影像人工建筑识别算法 | |
Wang et al. | Image misregistration error in change measurements | |
CN111079835B (zh) | 一种基于深度全连接网络的Himawari-8大气气溶胶反演方法 | |
CN114819737B (zh) | 公路路域植被的碳储量估算方法、***及存储介质 | |
Pakoksung et al. | Assessment and comparison of Digital Elevation Model (DEM) products in varying topographic, land cover regions and its attribute: a case study in Shikoku Island Japan | |
Xu et al. | Monitoring snow area and depth with integration of remote sensing and GIS | |
Zhang et al. | Extraction of three-dimensional architectural data from QuickBird images | |
Guldur et al. | Damage detection on structures using texture mapped laser point clouds | |
Pipitone et al. | Detection of a reservoir water level using shape similarity metrics | |
CN114239379A (zh) | 一种基于形变检测的输电线路地质灾害分析方法及*** | |
Yue et al. | Soil moisture assessment through the SSMMI and GSSIM algorithm based on SPOT, WorldView-2, and Sentinel-2 images in the Daliuta Coal Mining Area, China | |
CN106339423A (zh) | 一种甘蔗种植信息动态更新方法及装置 |
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 |