CN116403093B - 一种面向铁路沿线潜在滑坡的多源遥感解译方法及装置 - Google Patents
一种面向铁路沿线潜在滑坡的多源遥感解译方法及装置 Download PDFInfo
- Publication number
- CN116403093B CN116403093B CN202310678080.5A CN202310678080A CN116403093B CN 116403093 B CN116403093 B CN 116403093B CN 202310678080 A CN202310678080 A CN 202310678080A CN 116403093 B CN116403093 B CN 116403093B
- Authority
- CN
- China
- Prior art keywords
- information
- remote sensing
- sensing data
- railway
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000013178 mathematical model Methods 0.000 claims abstract description 59
- 238000004458 analytical method Methods 0.000 claims abstract description 41
- 230000004927 fusion Effects 0.000 claims abstract description 22
- 238000007499 fusion processing Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 70
- 238000000605 extraction Methods 0.000 claims description 53
- 230000008569 process Effects 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 23
- 230000008859 change Effects 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 6
- 230000010354 integration Effects 0.000 description 9
- 238000012360 testing method Methods 0.000 description 9
- 230000010287 polarization Effects 0.000 description 8
- 238000006073 displacement reaction Methods 0.000 description 7
- 238000007619 statistical method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000000551 statistical hypothesis test Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B15/00—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons
- G01B15/06—Measuring arrangements characterised by the use of electromagnetic waves or particle radiation, e.g. by the use of microwaves, X-rays, gamma rays or electrons for measuring the deformation in a solid
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明提供了一种面向铁路沿线潜在滑坡的多源遥感解译方法及装置，涉及工程地质勘察技术领域，包括获取第一信息和第二信息；根据第二信息构建得到目标识别数学模型，并根据目标识别数学模型对SAR遥感数据进行识别处理得到第三信息；根据第三信息和待解译SAR遥感数据中的相位差异对铁路沿线的地表形变进行解译处理得到第四信息；根据可见光、近红外、热红外遥感数据，通过分析不同时间不同地物的温度特性，识别并提取得到第五信息；根据第四信息、第五信息和预设的体征融合数学模型进行融合处理得到第六信息。本发明通过多源数据融合和综合分析，提高了潜在滑坡的识别准确性和全面性，为铁路线路的安全运行提供了有效的监测和评估手段。
Description
技术领域
本发明涉及工程地质勘察技术领域，具体而言，涉及一种面向铁路沿线潜在滑坡的多源遥感解译方法及装置。
背景技术
随着遥感技术的迅猛发展，遥感数据在铁路沿线地质灾害监测与评估领域的应用日益广泛。遥感解译作为一种有效的方法，可以通过对遥感数据的处理和分析，提取出地表信息和地貌特征，从而实现对地质灾害的监测和预测。然而，现有的遥感解译方法在面对复杂地质环境和多源数据融合的挑战时存在一些局限性。现有的遥感解译方法往往采用单一数据源进行分析，缺乏多源数据的综合利用，对于铁路沿线潜在滑坡的识别和评估而言，仅依靠单一的遥感数据往往无法全面捕捉地表形变、地裂缝等重要信息。此外，传统方法往往基于像元级别的特征提取和分类，缺乏对微地貌特征、地表变化信息等的深入分析，限制了潜在滑坡的准确识别和预测能力。
因此，为了克服现有遥感解译方法的局限性，本发明提出了一种面向铁路沿线潜在滑坡的多源遥感解译方法。
发明内容
本发明的目的在于提供一种面向铁路沿线潜在滑坡的多源遥感解译方法及装置，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
一方面，本申请提供了一种面向铁路沿线潜在滑坡的多源遥感解译方法，包括：
获取第一信息和第二信息，所述第一信息包括待解译SAR遥感数据、可见光遥感数据、近红外遥感数据、热红外遥感数据和目标区域地质资料，所述第二信息包括历史SAR遥感数据，所述历史SAR遥感数据包括铁路沿线结构物信息；
根据所述第二信息构建得到目标识别数学模型，并根据所述目标识别数学模型对所述SAR遥感数据进行识别处理得到第三信息，所述第三信息包括铁路结构物的识别结果；
根据所述第三信息和所述待解译SAR遥感数据中的相位差异对铁路沿线的地表形变进行解译处理得到第四信息，所述第四信息包括潜在滑坡的演变过程和关键的地表形变信息；
根据所述可见光遥感数据、所述近红外遥感数据、所述热红外遥感数据和目标区域地质资料，通过分析不同时间不同地物的温度特性，识别并提取得到第五信息，所述第五信息包括铁路沿线的地表变化信息、潜在滑坡的地裂缝信息和微地貌特征解译结果；
根据所述第四信息、所述第五信息和预设的体征融合数学模型进行融合处理得到第六信息，所述第六信息为潜在滑坡的综合信息。
另一方面，本申请还提供了一种面向铁路沿线潜在滑坡的多源遥感解译装置，包括：
获取模块，用于获取第一信息和第二信息，所述第一信息包括待解译SAR遥感数据、可见光遥感数据、近红外遥感数据、热红外遥感数据和目标区域地质资料，所述第二信息包括历史SAR遥感数据，所述历史SAR遥感数据包括铁路沿线结构物信息；
构建模块，用于根据所述第二信息构建得到目标识别数学模型，并根据所述目标识别数学模型对所述SAR遥感数据进行识别处理得到第三信息，所述第三信息包括铁路结构物的识别结果；
解译模块，用于根据所述第三信息和所述待解译SAR遥感数据中的相位差异对铁路沿线的地表形变进行解译处理得到第四信息，所述第四信息包括潜在滑坡的演变过程和关键的地表形变信息；
提取模块，用于根据所述可见光遥感数据、所述近红外遥感数据、所述热红外遥感数据和目标区域地质资料，通过分析不同时间不同地物的温度特性，识别并提取得到第五信息，所述第五信息包括铁路沿线的地表变化信息、潜在滑坡的地裂缝信息和微地貌特征解译结果；
融合模块，用于根据所述第四信息、所述第五信息和预设的体征融合数学模型进行融合处理得到第六信息，所述第六信息为潜在滑坡的综合信息。
本发明的有益效果为：
本发明通过利用多源遥感数据，包括SAR遥感数据，多平台、多时相的可见光、近红外、热红外遥感数据，实现了对铁路沿线的全面监测。通过对历史SAR遥感数据的利用，结合铁路沿线结构物信息的提取，能够识别出铁路结构物并准确评估其影响。同时，通过分析待解译SAR遥感数据中的相位差异，可以对铁路沿线的地表形变进行解译处理，获取潜在滑坡的演变过程和关键的地表形变信息。本发明通过多源数据融合和综合分析，提高了潜在滑坡的识别准确性和全面性，为铁路线路的安全运行提供了有效的监测和评估手段。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例中所述的面向铁路沿线潜在滑坡的多源遥感解译方法流程示意图;
图2为本发明实施例中所述的面向铁路沿线潜在滑坡的多源遥感解译装置结构示意图。
图中标记：1、获取模块；2、构建模块；21、第一处理单元；22、第一提取单元；221、第一聚类单元；222、第一分析单元；223、第二提取单元；224、第一整合单元；23、第一训练单元；24、第一识别单元；3、解译模块；31、第二处理单元；32、第一计算单元；33、第三处理单元；34、第二分析单元；4、提取模块；41、第三分析单元；42、第四分析单元；43、第三提取单元；44、第四提取单元；5、融合模块；51、第二计算单元；52、第一优化单元；53、第一融合单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1：
本实施例提供了一种面向铁路沿线潜在滑坡的多源遥感解译方法。
参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400和步骤S500。
步骤S100、获取第一信息和第二信息，第一信息包括待解译SAR遥感数据、可见光遥感数据、近红外遥感数据、热红外遥感数据和目标区域地质资料，第二信息包括历史SAR遥感数据，历史SAR遥感数据包括铁路沿线结构物信息。
可以理解的是，本步骤中，第一信息的来源包括了SAR、可见光、近红外、热红外等多源、多平台、多时相的遥感数据，以提供全面的信息基础。第二信息则是历史SAR遥感数据，其中包含了铁路沿线结构物的信息。这些历史数据记录了铁路沿线结构物的状态和变化情况，为后续的识别和解译提供了重要参考。通过获取这些信息，可以建立全面的数据基础，为后续步骤的分析和处理奠定基础。
步骤S200、根据第二信息构建得到目标识别数学模型，并根据目标识别数学模型对SAR遥感数据进行识别处理得到第三信息，第三信息包括铁路结构物的识别结果。
可以理解的是，本步骤中，目标识别数学模型是通过分析和处理历史SAR遥感数据中的铁路结构物信息，提取出其特征参数，并将这些特征参数作为模型的输入。通过模型的训练和优化，可以使模型能够准确地识别出待解译的SAR遥感数据中的铁路结构物。通过这一步骤，能够实现对铁路结构物的自动识别和提取，减少了人工干预的需求，提高了效率和准确性。需要说明的是，步骤200包括步骤S210、步骤S220、步骤S230和步骤S240。
步骤S210、将第二信息中的历史SAR遥感数据进行预处理，得到预处理数据。
可以理解的是，本步骤中，预处理是为了优化数据的质量和适应后续处理的需要。在处理历史SAR遥感数据之前，常常需要进行一系列的预处理操作，例如去除噪声、校正几何畸变、去除大气干扰等。这些预处理步骤旨在提高数据的可用性和准确性，并为后续的目标识别和地表形变分析提供更可靠的数据基础。通过预处理操作，可以对历史SAR遥感数据进行必要的数据处理和校正，消除不必要的干扰和误差，使数据更加可靠和准确。
步骤S220、根据预处理数据，识别并提取出铁路沿线结构物的SAR强散射性特征，得到特征集。
可以理解的是，本步骤中，SAR强散射性特征是指在SAR图像中，结构物对雷达波的散射反射具有较高的强度。通过对预处理数据进行分析和处理，可以利用图像处理和信号处理技术，识别和提取出铁路沿线结构物在SAR图像中所呈现的强散射性特征。首先，铁路沿线的结构物通常具有较为规则的几何形状，如挡墙、桩板墙、混凝土骨架护坡等。这些结构物的边缘、角点和表面特征会导致雷达波在与其相互作用时发生反射、散射。相比于自然地物，这些结构物在SAR图像中呈现出更明显的边缘和角点，从而产生强散射信号。其次，铁路沿线的结构物通常采用具有较高反射率和散射率的材料，如金属、混凝土等。这些材料具有良好的电磁波反射性能，能够有效地将入射的雷达波反射回去，形成强散射信号。相比之下，自然地物如土壤、植被等材料的反射和散射特性相对较弱。并且铁路沿线的结构物通常按照一定的规律进行布设，如固定间距的挡墙、桩板墙、混凝土骨架护坡等。这种规律性的布设导致了结构物之间的重复性和一致性，使得它们在SAR图像中形成明显的重复反射模式，进一步增强了强散射信号。需要说明的是，步骤S220包括步骤S221、步骤S222、步骤S223和步骤S224。
步骤S221、根据历史SAR遥感数据中的结构物遥感数据，进行聚类处理，得到不同结构物类别的聚类结果。
可以理解的是，本步骤中对铁路沿线的结构物进行分类，将它们划分为不同的类别。聚类处理是一种无监督学习的方法，它通过对数据进行相似性分析和群组化，将具有相似特征的数据点归为同一类别。在本步骤中，历史SAR遥感数据中的结构物遥感数据被用作输入数据，通过聚类算法，如K-means聚类或层次聚类等，将结构物数据进行分组。这样，铁路沿线的结构物就可以按照它们的特征和属性被分为不同的类别。聚类处理可以根据结构物的反射和散射特性、形状、大小等特征将其进行分类，从而为后续的特征提取和目标识别提供基础。
步骤S222、根据预设的克鲁斯卡尔-沃利斯检验数学模型对聚类结果进行描述性统计分析确定各类别结构物的强散射性特征标准，并利用假设检验和置信区间确定各特征的统计显著性和稳定性得到特征提取标准，特征提取标准包括极化特征提取标准、干涉相位特征提取标准和反射强度特征提取标准。
可以理解的是，本步骤中目的是基于聚类结果，对不同类别的结构物进行特征分析，确定其强散射性特征的标准。首先，通过克鲁斯卡尔-沃利斯检验数学模型对聚类结果进行描述性统计分析。该模型是一种非参数统计方法，用于比较多个独立样本之间的差异。在本步骤中，将不同类别的结构物作为独立样本，通过克鲁斯卡尔-沃利斯检验来评估它们在强散射性特征上的差异。通过描述性统计分析，可以了解不同类别结构物之间的平均值、方差、分布等统计指标，为后续的特征提取提供基础。然后，利用假设检验和置信区间来确定特征的统计显著性和稳定性。假设检验是一种统计推断方法，用于验证一个假设是否成立。在本步骤中，通过假设检验来比较不同类别结构物在强散射性特征上的差异是否具有统计显著性。同时，利用置信区间来估计特征的真实值范围，以评估特征的稳定性和可靠性。最后根据描述性统计分析的结果、假设检验和置信区间的推断，得到特征提取标准。特征提取标准包括极化特征提取标准、干涉相位特征提取标准和反射强度特征提取标准。通过统计分析和推断，确定了各特征在不同类别结构物中的显著差异和稳定性，为后续的特征提取过程提供了准确的参考标准。
步骤S223、根据特征提取标准预处理数据，对各个像素进行特征提取得到特征数据，特征数据包括极化特征数据、干涉相位特征数据和强度特征数据。
可以理解的是，本步骤中，对于每个像素点根据特征提取标准确定的参数和算法，提取出相应的极化特征、干涉相位特征和反射强度特征。极化特征数据表示不同极化通道上的特征信息，干涉相位特征数据表示多幅相位数据之间的相位差异信息，反射强度特征数据表示SAR图像中的反射强度信息。这些特征数据将用于后续的分析和处理，以实现对铁路沿线结构物的特征提取和综合信息的获取。
步骤S224、根据预设的熵权多目标决策数学模型对特征数据进行特征整合处理，得到特征集。
可以理解的是，本步骤中首先根据预设的熵权多目标决策数学模型，确定不同特征在特征整合中的权重。这些权重反映了各个特征在综合分析中的重要性和贡献度，通过数学模型的计算和优化，确保特征整合的准确性和可靠性。然后根据确定的权重，对特征数据进行加权整合。在特征整合过程中，根据各个特征的权重，对每个像素点的特征数据进行加权求和，从而得到一个综合的特征值，代表了该像素点的综合特征。特征集将被用于后续的分析和处理，如目标识别、地表形变分析等，以实现对潜在滑坡的全面评估。
步骤S230、根据特征集，利用监督学习算法训练得到识别铁路沿线结构物的目标识别数学模型。
优选地，本实施例使用支持向量机算法进行训练。首先需要将特征集作为训练数据集，其中每个数据样本包含来自铁路沿线的结构物的特征数据以及相应的标签，标签用于表示结构物的类别。训练过程开始时，通过对特征集进行预处理和归一化处理，将特征数据转化为具有相同尺度和分布的数值，这有助于避免某些特征对模型训练的影响过大。接下来，选择高斯核函数来映射特征空间，并通过调整超参数来优化模型的性能。优选地，这些超参数的选择可以通过交叉验证等方法来确定。随后，利用训练数据集进行模型训练。支持向量机算法通过将特征数据映射到高维空间，并找到一个最优的超平面，使得不同类别的样本尽可能远离超平面的距离最大化。这样可以实现对结构物的准确分类。在训练过程中，支持向量机算法还会根据训练数据集中的样本特征和标签之间的关系，对模型的决策边界进行调整，以达到更好的分类效果，通过优化问题的求解来找到最佳的超平面，以最大程度地分离不同类别的结构物。最终，通过多次迭代训练和参数调整，向量机算法将生成一个能够对新的特征数据进行准确分类的目标识别数学模型。这个模型在面对新的特征数据时，能够根据其特征值和与已训练样本的相似性，进行准确的分类判断，为后续的分析和处理提供重要的数据支持。
步骤S240、根据所得的目标识别数学模型，对待解译SAR遥感数据进行识别处理得到铁路结构物的识别结果。
可以理解的是，本步骤中对待解译数据的每个像素进行特征提取，并将提取得到的特征数据输入到目标识别数学模型中进行分类，模型会根据训练过程中学习到的知识和决策边界，判断每个像素点是否属于铁路结构物。通过这一步骤，可以得到针对待解译SAR遥感数据的铁路结构物的识别结果，该识别结果可以表明哪些像素点属于铁路结构物，进而为后续的地表形变分析和潜在滑坡预测提供重要的信息基础。
步骤S300、根据第三信息和待解译SAR遥感数据中的相位差异对铁路沿线的地表形变进行解译处理得到第四信息，第四信息包括潜在滑坡的演变过程和关键的地表形变信息。
可以理解的是，本步骤中利用第三信息中的历史SAR遥感数据和待解译SAR遥感数据，进行相位差分处理。通过对不同时间的SAR数据进行干涉处理，计算出相邻时间点之间的相位差异。这些相位差异可以反映地表的形变情况，包括水平位移、垂直位移和形变速率等信息。接着，根据第三信息中所提供的铁路结构物的位置和形状，结合待解译SAR遥感数据中的相位差异图像，对铁路沿线的地表形变进行解译处理。通过分析相位差异的空间分布和变化趋势，可以识别出潜在滑坡的演变过程，包括滑坡体的扩展、滑动方向和滑坡速率等关键信息。同时结合第三信息中所提供的铁路结构物的反射强度和相位差异的计算，对地表形变进行定量分析。可以利用结构物的反射强度作为参考，进一步推导出地表形变的数值变化，例如水平位移的大小和方向、垂直位移的高程变化等。通过步骤S300的解译处理，可以获取铁路沿线地表形变的关键信息，包括潜在滑坡的演变过程和重要的地表形变特征。需要说明的是，步骤S300包括步骤S310、步骤S320、步骤S330和步骤S340。
步骤S310、将待解译SAR遥感数据中不同时间的SAR数据进行干涉叠加处理，通过对相位差异进行整合处理得到地表形变信息。
可以理解的是，本步骤中对不同时间点的SAR数据进行干涉处理，计算出相邻时间点之间的相位差异。相位差异反映了地表形变的变化情况，包括水平位移和垂直位移等。通过干涉叠加处理，将相位差异整合到一个图像中，形成地表形变信息图。这个图像显示了不同地区或地点在不同时间段内的相对位移和形变情况。优选地，地表形变信息可以用颜色编码或灰度值表示，不同的颜色或灰度值对应不同程度的形变。这些地表形变信息用于揭示潜在滑坡的演变过程，确定关键的地表形变特征，并为潜在滑坡的风险评估和工程决策提供依据。
步骤S320、根据地表形变信息和第三信息，通过对不同铁路结构物的反射强度进行分析和统计，并结合相位差异的计算得到潜在滑坡的演变过程，演变过程包括潜在滑坡的弱形变信息。
可以理解的是，由于潜在滑坡区域的地表会发生形变，而铁路结构物相对稳定，其反射强度在一定程度上保持不变。因此，通过对比分析不同时间段的反射强度数据，可以识别出潜在滑坡区域的演变过程和关键的地表形变信息。通过分析和提取铁路沿线的这些结构物的强散射性特征，可以实现更强鲁棒性的潜在滑坡的弱形变信息提取。
步骤S330、根据第三信息和待解译SAR遥感数据的空间坐标信息，将形变信息进行空间叠置得到综合地表形变信息。
优选地，在本实施例中，借助GIS（地理信息***）技术对地表形变信息进行空间叠置处理，以获得综合的地表形变信息。首先通过GIS软件中的空间分析工具来实现，将待解译SAR遥感数据和形变数据加载到GIS环境中，并根据它们的空间位置进行匹配。在GIS环境中，利用空间插值技术对形变数据进行插值处理，以填充形变数据在空间上的缺失或不均匀分布。通过插值处理，可以得到更为连续和准确的形变表面。接下来，将插值后的形变数据与待解译SAR遥感数据进行叠置操作。这可以通过GIS软件中的空间叠置分析工具来实现，将形变数据和SAR遥感数据的空间位置进行匹配，并将形变数据的数值赋予对应的SAR遥感像素。通过这一空间叠置的过程，可以将形变信息与地表特征进行关联，并在GIS环境中得到综合的地表形变信息。这综合的地表形变信息将反映出铁路沿线不同区域的形变情况，揭示出潜在滑坡的演变过程。
步骤S340、基于预设的最不利情况分析取合集数学模型对综合地表形变信息进行全面评估和分析，筛选得到关键的地表形变信息。
可以理解的是，本步骤中，最不利情况分析取合集数学模型考虑了多种可能的最不利情况，并将其集合在一起，以获得全面的地表形变信息。在分析过程中，模型会综合考虑不同的地表形变因素，如强度、空间分布、时间变化等，以及与铁路沿线的结构物和地质条件的关系。通过数学模型的运算和分析，可以对综合地表形变信息进行量化和比较，找出具有重要意义的地表形变特征。筛选出的关键地表形变信息将具有重要的地质、工程和安全意义。这些信息可以用于指导工程设计、监测和风险评估，以及制定相应的应对措施。
步骤S400、根据可见光遥感数据、近红外遥感数据、热红外遥感数据和目标区域地质资料，通过分析不同时间不同地物的温度特性，识别并提取得到第五信息，第五信息包括铁路沿线的地表变化信息、潜在滑坡的地裂缝信息和微地貌特征解译结果。
可以理解的是，本步骤中利用图像处理和特征提取算法，可以识别出铁路沿线潜在滑坡的地表变化信息、地裂缝信息和微地貌特征解译结果，为后续的分析和处理提供重要的数据基础。需要说明的是，步骤S400包括步骤S410、步骤S420、步骤S430和步骤S440。
步骤S410、根据可见光遥感数据进行分析处理，通过比较不同时间的光学图像中地表的变化情况，得到铁路沿线的地表变化信息。
可以理解的是，本步骤中收集不同时间段的可见光遥感图像数据，这些图像涵盖了铁路沿线的目标区域，每个时间段的图像反映了地表在不同时期的状态，通过比较不同时间段的图像，利用图像处理和特征提取算法，观察和分析铁路沿线地表的变化情况。出现的变化包括土地利用类型的变化（如农田转化为建筑用地）、植被覆盖的变化、水体的扩张或收缩等。通过对图像中的变化进行定量分析和统计，可以得到铁路沿线的地表变化信息，这些信息包括变化的区域、变化的程度、变化的趋势等。
步骤S420、根据近红外遥感数据和热红外遥感数据，分析目标区域地物的不同时间段的温度变化模式，得到温度特性数据。
可以理解的是，本步骤中利用多平台、多时相的近红外、热红外遥感数据,对目标区域中的不同地物在不同时间段的温度数据进行分析。通过对温度变化模式的分析，可以得到目标区域地物的温度特性数据。这些特性数据包括地物在不同季节、不同时间段的温度变化趋势、温度波动范围、温度的空间分布等信息。
步骤S430、根据温度特性数据对多可见光遥感数据进行识别和提取处理，得到铁路沿线潜在滑坡的地裂缝信息。
可以理解的是，在遥感图像中植被阴影会对地表特征的识别和解译造成困扰，植被阴影可能掩盖或模糊地裂缝的存在，使其难以被准确提取和识别。在本步骤中通过分析多平台、多时相的可见光遥感数据和温度特性数据，对图像中的植被阴影进行检测和排除，从而准确提取出地裂缝的位置和形态。优选地，本实施例中使用阈值分割算法对地裂缝信息进行提取。首先将多平台、多时相的可见光遥感图像转换为二值图像，通过选取合适的阈值，使得植被区域与其他地物区分开来，其中植被区域被标记为白色，非植被区域为黑色。然后对二值图像进行腐蚀和膨胀处理。腐蚀操作可以减小植被区域的尺寸，膨胀操作可以填充植被区域的空洞。这样可以消除植被阴影的影响，使地裂缝更加明显和清晰。最后，通过比较处理后的图像与原始遥感图像，提取出地裂缝信息。地裂缝通常表现为线状或裂缝状的特征，因此利用边缘检测算法来进一步增强和提取地裂缝的形态特征。
步骤S440、根据预设的空洞卷积数学模型对可见光遥感数据进行地貌特征提取，并将提取得到的潜在滑坡微地貌特征与目标区域地质资料中的三维地形模型进行叠加处理，得到微地貌特征解译结果。
可以理解的是，本步骤中，利用预设的空洞卷积数学模型对多平台、多时相的可见光遥感数据进行处理，以识别和提取潜在滑坡微地貌特征。这些特征包括封闭洼地、鼓丘、裂缝、植被异常、泉水等。空洞卷积模型是一种专门设计用于提取特定地貌元素的算法，通过在图像上滑动不同大小的空洞窗口，将具有特定形态和尺度的地貌特征突出出来。接下来，将提取得到的潜在滑坡微地貌特征与工作区三维地形模型进行叠加处理。三维地形模型可以提供地表的高程信息，反映地形的起伏变化。通过将微地貌特征与三维地形模型进行叠加，可以实现更准确的空间定位和描述微地貌特征的形态特征。在解译过程中，还会结合其他辅助数据和地质资料，例如不同比例尺的地形图、区域地质数据、水文地质信息、地震记录、矿产分布等，以及迭代训练的方法，逐步提高解译精度。通过这些多源数据的综合分析和综合解译，可以获得关于铁路沿线潜在滑坡微地貌特征的详细信息。
步骤S500、根据第四信息、第五信息和预设的体征融合数学模型进行融合处理得到第六信息，第六信息为潜在滑坡的综合信息。
可以理解的是，本步骤中，通过融合处理，第六信息将综合考虑第四信息和第五信息中的各个特征，结合体征融合数学模型的分析和决策规则，得出对潜在滑坡的综合信息。这一信息包括了不同特征之间的综合权衡和评估结果，可以提供更全面、准确的潜在滑坡情况描述。需要说明的是，步骤S500包括步骤S510、步骤S520和步骤S530。
步骤S510、根据第四信息和第五信息中进行特征提取处理，并将提取得到的特征信息进行模糊隶属度计算，得到模糊特征集合。
可以理解的是，本步骤在特征提取的基础上，针对每个特征，进行模糊隶属度计算。模糊隶属度计算是将数值型的特征转化为隶属度函数的形式，用于描述特征与潜在滑坡之间的模糊关系。通过模糊隶属度计算，可以将特征值与不同程度的隶属度进行关联，反映其在潜在滑坡中的相对重要性或相关性。最终，通过特征提取和模糊隶属度计算，得到模糊特征集合。这个集合中包含了每个特征的模糊隶属度值，用于描述该特征对潜在滑坡的贡献或影响程度。这样的模糊特征集合能够提供更丰富的信息，帮助分析人员更好地理解潜在滑坡的特征及其在整体中的作用。
步骤S520、根据模糊特征集合进行遗传优化处理，通过对模糊特征进行优化选择和交叉变异得到特征组合。
可以理解的是，遗传优化算法是一种基于生物进化理论的启发式搜索算法，模拟了生物进化的过程，通过优胜劣汰、交叉和变异等操作来搜索最优解。在本步骤中，通过遗传优化算法的迭代过程，不断对特征进行选择、交叉和变异，可以得到一系列不同的特征组合。这些组合经过适应度评估，根据特定的评价准则，如目标函数或性能指标，对每个特征组合进行排序和筛选，最终选出最佳的特征组合。
步骤S530、根据预设的神经网络数学模型对特征组合进行训练，通过学习和不足特征之间的关联关系，得到融合后的潜在滑坡的综合信息。
可以理解的是，本步骤中，预设的神经网络数学模型被用于对特征组合进行训练，通过学习和捕捉特征之间的关联关系，以获得更全面和准确的潜在滑坡的综合信息。在训练过程中，特征组合作为输入数据被喂入神经网络模型，神经网络模型通过多个层次的神经元和权重参数进行前向传播和反向传播，以逐步调整和优化模型的参数，使其能够更好地捕捉特征之间的关联性，并生成融合后的潜在滑坡的综合信息。通过神经网络训练，特征组合被有效地学习和整合，使得潜在滑坡的各个方面得到综合考虑和分析。融合后的潜在滑坡的综合信息将更全面、准确地描述潜在滑坡的特征、演变过程和关联性，为进一步的决策和分析提供更有价值的信息依据。进一步地，还可以将融合后的潜在滑坡的综合信息与专家决策相结合，最终获得工作区潜在滑坡的面状信息。专家决策是基于专业知识和经验进行的权衡和判断，用于对潜在滑坡进行评估和分析。将融合后的潜在滑坡的综合信息提供给专家进行综合评价和决策，以进一步验证和确认潜在滑坡的存在与程度。专家决策涉及多个因素，包括工作区的地质条件、工程建设要求、环境影响等。专家根据自身的专业知识和经验，结合融合后的潜在滑坡综合信息，对潜在滑坡的面状信息进行判断和推断。这可以包括潜在滑坡的空间分布、边界特征、危险程度等。通过与专家决策的结合，可以综合考虑不同因素的影响，使得工作区潜在滑坡的面状信息更加准确和可靠。这样的信息可以为相关决策者提供重要的依据，以采取相应的防治措施、调整工程设计或制定合理的风险管理策略，从而降低潜在滑坡对工程和环境的风险和影响。
实施例2：
如图2所示，本实施例提供了一种面向铁路沿线潜在滑坡的多源遥感解译装置，装置包括：
获取模块1，用于获取第一信息和第二信息，第一信息包括待解译SAR遥感数据、可见光遥感数据、近红外遥感数据、热红外遥感数据和目标区域地质资料，第二信息包括历史SAR遥感数据，历史SAR遥感数据包括铁路沿线结构物信息。
构建模块2，用于根据第二信息构建得到目标识别数学模型，并根据目标识别数学模型对SAR遥感数据进行识别处理得到第三信息，第三信息包括铁路结构物的识别结果。
解译模块3，用于根据第三信息和待解译SAR遥感数据中的相位差异对铁路沿线的地表形变进行解译处理得到第四信息，第四信息包括潜在滑坡的演变过程和关键的地表形变信息。
提取模块4，用于根据可见光遥感数据、近红外遥感数据和热红外遥感数据，通过分析不同时间不同地物的温度特性，识别并提取得到第五信息，第五信息包括铁路沿线的地表变化信息、潜在滑坡的地裂缝信息和微地貌特征解译结果。
融合模块5，用于根据第四信息、第五信息和预设的体征融合数学模型进行融合处理得到第六信息，第六信息为潜在滑坡的综合信息。
在本公开的一种具体实施方式中，构建模块2包括：
第一处理单元21，用于将第二信息中的历史SAR遥感数据进行预处理，得到预处理数据。
第一提取单元22，用于根据预处理数据，识别并提取出铁路沿线结构物的SAR强散射性特征，得到特征集。
第一训练单元23，用于根据特征集，利用监督学习算法训练得到识别铁路沿线结构物的目标识别数学模型。
第一识别单元24，用于根据所得的目标识别数学模型，对待解译SAR遥感数据进行识别处理得到铁路结构物的识别结果。
在本公开的一种具体实施方式中，第一提取单元22包括：
第一聚类单元221，用于根据历史SAR遥感数据中的结构物遥感数据，进行聚类处理，得到不同结构物类别的聚类结果。
第一分析单元222，用于根据预设的克鲁斯卡尔-沃利斯检验数学模型对聚类结果进行描述性统计分析确定各类别结构物的强散射性特征标准，并利用假设检验和置信区间确定各特征的统计显著性和稳定性得到特征提取标准，特征提取标准包括极化特征提取标准、干涉相位特征提取标准和反射强度特征提取标准。
第二提取单元223，用于根据特征提取标准预处理数据，对各个像素进行特征提取得到特征数据，特征数据包括极化特征数据、干涉相位特征数据和强度特征数据。
第一整合单元224，用于根据预设的熵权多目标决策数学模型对特征数据进行特征整合处理，得到特征集。
在本公开的一种具体实施方式中，解译模块3包括：
第二处理单元31，用于将待解译SAR遥感数据中不同时间的SAR数据进行干涉叠加处理，通过对相位差异进行整合处理得到地表形变信息。
第一计算单元32，用于根据地表形变信息和第三信息，通过对不同铁路结构物的反射强度进行分析和统计，并结合相位差异的计算得到潜在滑坡的演变过程，演变过程包括潜在滑坡的弱形变信息。
第三处理单元33，用于根据第三信息和待解译SAR遥感数据的空间坐标信息，将形变信息进行空间叠置得到综合地表形变信息。
第二分析单元34，基于预设的最不利情况分析取合集数学模型对综合地表形变信息进行全面评估和分析，筛选得到关键的地表形变信息。
在本公开的一种具体实施方式中，提取模块4包括：
第三分析单元41，用于根据可见光遥感数据进行分析处理，通过比较不同时间的光学图像中地表的变化情况，得到铁路沿线的地表变化信息。
第四分析单元42，用于根据近红外遥感数据和热红外遥感数据,分析目标区域地物的不同时间段的温度变化模式，得到温度特性数据。
第三提取单元43，用于根据温度特性数据对可见光遥感数据进行识别和提取处理，得到铁路沿线潜在滑坡的地裂缝信息。
第四提取单元44，用于根据预设的空洞卷积数学模型对可见光遥感数据进行地貌特征提取，并将提取得到的潜在滑坡微地貌特征与工作区三维地形模型进行叠加处理，得到微地貌特征解译结果。
在本公开的一种具体实施方式中，融合模块5包括：
第二计算单元51，用于根据第四信息和第五信息中进行特征提取处理，并将提取得到的特征信息进行模糊隶属度计算，得到模糊特征集合。
第一优化单元52，用于根据模糊特征集合进行遗传优化处理，通过对模糊特征进行优化选择和交叉变异得到特征组合。
第一融合单元53，用于根据预设的神经网络数学模型对特征组合进行训练，通过学习和不足特征之间的关联关系，得到融合后的潜在滑坡的综合信息。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
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，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种面向铁路沿线潜在滑坡的多源遥感解译方法，其特征在于，包括：
获取第一信息和第二信息，所述第一信息包括待解译SAR遥感数据、可见光遥感数据、近红外遥感数据、热红外遥感数据和目标区域地质资料，所述第二信息包括历史SAR遥感数据，所述历史SAR遥感数据包括铁路沿线结构物信息；
根据所述第二信息构建得到目标识别数学模型，并根据所述目标识别数学模型对所述SAR遥感数据进行识别处理得到第三信息，所述第三信息包括铁路结构物的识别结果；
根据所述第三信息和所述待解译SAR遥感数据中的相位差异对铁路沿线的地表形变进行解译处理得到第四信息，所述第四信息包括潜在滑坡的演变过程和关键的地表形变信息；
根据所述可见光遥感数据、所述近红外遥感数据、所述热红外遥感数据和目标区域地质资料，通过分析不同时间不同地物的温度特性，识别并提取得到第五信息，所述第五信息包括铁路沿线的地表变化信息、潜在滑坡的地裂缝信息和微地貌特征解译结果；
根据所述第四信息、所述第五信息和预设的体征融合数学模型进行融合处理得到第六信息，所述第六信息为潜在滑坡的综合信息。
2.根据权利要求1所述的面向铁路沿线潜在滑坡的多源遥感解译方法，其特征在于,根据所述第二信息构建得到目标识别数学模型，并根据所述目标识别数学模型对所述SAR遥感数据进行识别处理得到第三信息，包括：
将所述第二信息中的历史SAR遥感数据进行预处理，得到预处理数据；
根据所述预处理数据，识别并提取出铁路沿线结构物的SAR强散射性特征，得到特征集；
根据所述特征集，利用监督学习算法训练得到识别铁路沿线结构物的目标识别数学模型；
根据所得的目标识别数学模型，对所述待解译SAR遥感数据进行识别处理得到铁路结构物的识别结果。
3.根据权利要求1所述的面向铁路沿线潜在滑坡的多源遥感解译方法，其特征在于,根据所述第三信息和所述待解译SAR遥感数据中的相位差异对铁路沿线的地表形变进行解译处理得到第四信息，包括：
将所述待解译SAR遥感数据中不同时间的SAR数据进行干涉叠加处理，通过对相位差异进行整合处理得到地表形变信息；
根据所述地表形变信息和所述第三信息，通过对不同铁路结构物的反射强度进行分析和统计，并结合相位差异的计算得到潜在滑坡的演变过程，所述演变过程包括潜在滑坡的弱形变信息；
根据所述第三信息和所述待解译SAR遥感数据的空间坐标信息，将形变信息进行空间叠置得到综合地表形变信息；
基于预设的最不利情况分析取合集数学模型对所述综合地表形变信息进行全面评估和分析，筛选得到关键的地表形变信息。
4.根据权利要求1所述的面向铁路沿线潜在滑坡的多源遥感解译方法，其特征在于,根据所述可见光遥感数据、所述近红外遥感数据、所述热红外遥感数据和目标区域地质资料，通过分析不同时间不同地物的温度特性，识别并提取得到第五信息，所述第五信息包括铁路沿线的地表变化信息、潜在滑坡的地裂缝信息和微地貌特征解译结果，包括：
根据所述可见光遥感数据进行分析处理，通过比较不同时间的光学图像中地表的变化情况，得到铁路沿线的地表变化信息；
根据所述近红外遥感数据和所述热红外遥感数据，分析目标区域地物的不同时间段的温度变化模式，得到温度特性数据；
根据所述温度特性数据对所述可见光遥感数据进行识别和提取处理，得到铁路沿线潜在滑坡的地裂缝信息；
根据预设的空洞卷积数学模型对所述可见光遥感数据进行地貌特征提取，并将提取得到的潜在滑坡微地貌特征与所述目标区域地质资料中的三维地形模型进行叠加处理，得到微地貌特征解译结果。
5.根据权利要求1所述的面向铁路沿线潜在滑坡的多源遥感解译方法，其特征在于,根据所述第四信息、所述第五信息和预设的体征融合数学模型进行融合处理得到第六信息，包括：
根据所述第四信息和所述第五信息中进行特征提取处理，并将提取得到的特征信息进行模糊隶属度计算，得到模糊特征集合；
根据所述模糊特征集合进行遗传优化处理，通过对模糊特征进行优化选择和交叉变异得到特征组合；
根据预设的神经网络数学模型对所述特征组合进行训练，通过学习和不足特征之间的关联关系，得到融合后的潜在滑坡的综合信息。
6.一种面向铁路沿线潜在滑坡的多源遥感解译装置，其特征在于，包括：
获取模块，用于获取第一信息和第二信息，所述第一信息包括待解译SAR遥感数据、可见光遥感数据、近红外遥感数据、热红外遥感数据和目标区域地质资料，所述第二信息包括历史SAR遥感数据，所述历史SAR遥感数据包括铁路沿线结构物信息；
构建模块，用于根据所述第二信息构建得到目标识别数学模型，并根据所述目标识别数学模型对所述SAR遥感数据进行识别处理得到第三信息，所述第三信息包括铁路结构物的识别结果；
解译模块，用于根据所述第三信息和所述待解译SAR遥感数据中的相位差异对铁路沿线的地表形变进行解译处理得到第四信息，所述第四信息包括潜在滑坡的演变过程和关键的地表形变信息；
提取模块，用于根据所述可见光遥感数据、所述近红外遥感数据、所述热红外遥感数据和目标区域地质资料，通过分析不同时间不同地物的温度特性，识别并提取得到第五信息，所述第五信息包括铁路沿线的地表变化信息、潜在滑坡的地裂缝信息和微地貌特征解译结果；
融合模块，用于根据所述第四信息、所述第五信息和预设的体征融合数学模型进行融合处理得到第六信息，所述第六信息为潜在滑坡的综合信息。
7.根据权利要求6所述面向铁路沿线潜在滑坡的多源遥感解译装置，其特征在于,所述构建模块包括：
第一处理单元，用于将所述第二信息中的历史SAR遥感数据进行预处理，得到预处理数据；
第一提取单元，用于根据所述预处理数据，识别并提取出铁路沿线结构物的SAR强散射性特征，得到特征集；
第一训练单元，用于根据所述特征集，利用监督学习算法训练得到识别铁路沿线结构物的目标识别数学模型；
第一识别单元，用于根据所得的目标识别数学模型，对所述待解译SAR遥感数据进行识别处理得到铁路结构物的识别结果。
8.根据权利要求6所述面向铁路沿线潜在滑坡的多源遥感解译装置，其特征在于,所述解译模块包括：
第二处理单元，用于将所述待解译SAR遥感数据中不同时间的SAR数据进行干涉叠加处理，通过对相位差异进行整合处理得到地表形变信息；
第一计算单元，用于根据所述地表形变信息和所述第三信息，通过对不同铁路结构物的反射强度进行分析和统计，并结合相位差异的计算得到潜在滑坡的演变过程，所述演变过程包括潜在滑坡的弱形变信息；
第三处理单元，用于根据所述第三信息和所述待解译SAR遥感数据的空间坐标信息，将形变信息进行空间叠置得到综合地表形变信息；
第二分析单元，基于预设的最不利情况分析取合集数学模型对所述综合地表形变信息进行全面评估和分析，筛选得到关键的地表形变信息。
9.根据权利要求6所述面向铁路沿线潜在滑坡的多源遥感解译装置，其特征在于,所述提取模块包括：
第三分析单元，用于根据所述可见光遥感数据进行分析处理，通过比较不同时间的光学图像中地表的变化情况，得到铁路沿线的地表变化信息；
第四分析单元，用于根据所述近红外遥感数据和所述热红外遥感数据，分析目标区域地物的不同时间段的温度变化模式，得到温度特性数据；
第三提取单元，用于根据所述温度特性数据对多平台、多时相的可见光遥感数据进行识别和提取处理，得到铁路沿线潜在滑坡的地裂缝信息；
第四提取单元，用于根据预设的空洞卷积数学模型对所述可见光遥感数据进行地貌特征提取，并将提取得到的潜在滑坡微地貌特征与所述目标区域地质资料中的三维地形模型进行叠加处理，得到微地貌特征解译结果。
10.根据权利要求6所述面向铁路沿线潜在滑坡的多源遥感解译装置，其特征在于,所述融合模块包括：
第二计算单元，用于根据所述第四信息和所述第五信息中进行特征提取处理，并将提取得到的特征信息进行模糊隶属度计算，得到模糊特征集合；
第一优化单元，用于根据所述模糊特征集合进行遗传优化处理，通过对模糊特征进行优化选择和交叉变异得到特征组合；
第一融合单元，用于根据预设的神经网络数学模型对所述特征组合进行训练，通过学习和不足特征之间的关联关系，得到融合后的潜在滑坡的综合信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310678080.5A CN116403093B (zh) | 2023-06-09 | 2023-06-09 | 一种面向铁路沿线潜在滑坡的多源遥感解译方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310678080.5A CN116403093B (zh) | 2023-06-09 | 2023-06-09 | 一种面向铁路沿线潜在滑坡的多源遥感解译方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116403093A CN116403093A (zh) | 2023-07-07 |
| CN116403093B true CN116403093B (zh) | 2023-08-22 |
Family
ID=87014698
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310678080.5A Active CN116403093B (zh) | 2023-06-09 | 2023-06-09 | 一种面向铁路沿线潜在滑坡的多源遥感解译方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116403093B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117671508B (zh) * | 2024-02-01 | 2024-04-05 | 中国水利水电第七工程局有限公司 | 基于sar图像的高陡边坡滑坡检测方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016169699A1 (en) * | 2015-04-23 | 2016-10-27 | Forest Vision As | A system, an apparatus and a method for determining mass change in a study area using remote sensing data |
| CN107621636A (zh) * | 2017-11-13 | 2018-01-23 | 河海大学 | 一种基于psi的大型铁路桥梁健康监测方法 |
| AU2020103096A4 (en) * | 2020-10-29 | 2021-01-07 | Bajrang Tapase, Anand DR | Movements/shifts/displacements monitoring SMART box of Earth Retaining Structures in Landslides Mitigation |
| CN113885025A (zh) * | 2021-09-03 | 2022-01-04 | 宁夏大学 | 一种滑坡形变监测方法与可视化服务平台 |
| CN115453526A (zh) * | 2022-08-02 | 2022-12-09 | 中国科学院空天信息创新研究院 | 滑坡监测方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7194389B2 (en) * | 2003-03-25 | 2007-03-20 | The United States Of America As Represented By The Secretary Of The Army | Fusion of data from differing mathematical models |
-
2023
- 2023-06-09 CN CN202310678080.5A patent/CN116403093B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016169699A1 (en) * | 2015-04-23 | 2016-10-27 | Forest Vision As | A system, an apparatus and a method for determining mass change in a study area using remote sensing data |
| CN107621636A (zh) * | 2017-11-13 | 2018-01-23 | 河海大学 | 一种基于psi的大型铁路桥梁健康监测方法 |
| AU2020103096A4 (en) * | 2020-10-29 | 2021-01-07 | Bajrang Tapase, Anand DR | Movements/shifts/displacements monitoring SMART box of Earth Retaining Structures in Landslides Mitigation |
| CN113885025A (zh) * | 2021-09-03 | 2022-01-04 | 宁夏大学 | 一种滑坡形变监测方法与可视化服务平台 |
| CN115453526A (zh) * | 2022-08-02 | 2022-12-09 | 中国科学院空天信息创新研究院 | 滑坡监测方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| Landslide Detection Using Tme-Series In SAR Method along the Kangding-Batang Section of Shanghai-Nyalam Road;Yaning Yi etc.;Rockfall Hazard Analysis Using Remote Sensing Techniques;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116403093A (zh) | 2023-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Nhat-Duc et al. | Automatic recognition of asphalt pavement cracks using metaheuristic optimized edge detection algorithms and convolution neural network | |
| Cai et al. | Landslide detection using densely connected convolutional networks and environmental conditions | |
| Tonini et al. | Rockfall detection from terrestrial LiDAR point clouds: A clustering approach using R | |
| O’Byrne et al. | Texture analysis based damage detection of ageing infrastructural elements | |
| Cano-Ortiz et al. | Machine learning algorithms for monitoring pavement performance | |
| CN113343563B (zh) | 基于样本自动选择与地表形变速率的滑坡易发性评价方法 | |
| CN116403093B (zh) | 一种面向铁路沿线潜在滑坡的多源遥感解译方法及装置 | |
| CN117576581A (zh) | 基于图像处理的地质勘探遥感监测方法 | |
| CN113009447A (zh) | 基于深度学习和探地雷达的道路地下空洞检测预警方法 | |
| CN117876381B (zh) | 用于混凝土结构裂缝识别和分析的ai视觉检测方法和*** | |
| CN115330664A (zh) | 基于图像识别的围岩风化程度全自动识别方法及装置 | |
| CN116992522A (zh) | 深基坑围护结构变形预测方法、装置、设备及存储介质 | |
| Chen et al. | A hierarchical DCNN-based approach for classifying imbalanced water inflow in rock tunnel faces | |
| CN116719241A (zh) | 一种基于3d可视化技术的信息化智能闸门自动控制方法 | |
| CN112084553A (zh) | 一种用于隧道规划的勘测方法 | |
| Liu et al. | Advances in automatic identification of road subsurface distress using ground penetrating radar: State of the art and future trends | |
| CN117093922A (zh) | 一种基于改进svm的不平衡样本油藏复杂流体识别方法 | |
| Collins et al. | Automated Extraction of a Depth-Defined Wave Runup Time Series From Lidar Data Using Deep Learning | |
| MacMillan | Experiences with applied DSM: protocol, availability, quality and capacity building | |
| Hake et al. | Damage detection for port infrastructure by means of machine-learning-algorithms | |
| CN112767365A (zh) | 一种探伤方法 | |
| CN117664245B (zh) | 水坝安全实时监控*** | |
| Wei et al. | Application of crack detection algorithm using convolutional neural network in concrete pavement construction | |
| Olsen | Automated interpretation of depth to bedrock from airborne electromagnetic data using machine learning techniques | |
| Momtaz | Damage Life Cycle Analysis for Present and Future Condition Assessments Using Statistical and Machine Learning Techniques |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |