CN117348022B - 一种基于多源数据的滑坡后缘裂缝识别方法 - Google Patents
一种基于多源数据的滑坡后缘裂缝识别方法 Download PDFInfo
- Publication number
- CN117348022B CN117348022B CN202311249017.6A CN202311249017A CN117348022B CN 117348022 B CN117348022 B CN 117348022B CN 202311249017 A CN202311249017 A CN 202311249017A CN 117348022 B CN117348022 B CN 117348022B
- Authority
- CN
- China
- Prior art keywords
- landslide
- crack
- group
- trailing edge
- typical section
- 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 38
- 238000011160 research Methods 0.000 claims abstract description 23
- 238000011835 investigation Methods 0.000 claims abstract description 15
- 230000003287 optical effect Effects 0.000 claims abstract description 11
- 230000007246 mechanism Effects 0.000 claims abstract description 10
- 230000006378 damage Effects 0.000 claims abstract description 8
- 238000005259 measurement Methods 0.000 claims description 17
- 239000000178 monomer Substances 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 7
- 238000012805 post-processing Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000003708 edge detection Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 5
- 238000012937 correction Methods 0.000 claims description 5
- 238000010291 electrical method Methods 0.000 claims description 5
- 230000002787 reinforcement Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000007670 refining Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000011161 development Methods 0.000 abstract description 2
- 230000002265 prevention Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000003331 infrared imaging Methods 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
- G01S17/86—Combinations of lidar systems with systems other than lidar, radar or sonar, e.g. with direction finders
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V11/00—Prospecting or detecting by methods combining techniques covered by two or more of main groups G01V1/00 - G01V9/00
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Electromagnetism (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明公开了一种基于多源数据的滑坡后缘裂缝识别方法,涉及滑坡灾害早期微地貌识别技术领域,基于卫星平台结合光学遥感和SAR遥感对研究区域实行地表形变监测,提取形变量较大区域,研究区域从区域缩小至典型区段,再基于航空遥感平台使无人机搭载传感器用于典型区段,筛选出后缘裂缝显著发育的单体滑坡或群体滑坡,再基于地面平台通过现场调查以提高裂缝识别监测的精度,最后在单体滑坡或群体滑坡进行地下平台的地球物理勘探,以查明裂缝的地下延伸情况并分析潜在滑坡变形破坏机理。本发明层层缩小研究区域,精确圈定重要研究范围,能够有效降低滑坡灾害监测成本,更加直观地反映滑坡灾害发生前后缘裂缝发育信息,为滑坡灾害预防提供防范与措施。
Description
技术领域
本发明涉及滑坡灾害早期微地貌识别技术领域,特别涉及一种基于多源数据的滑坡后缘裂缝识别方法。
背景技术
滑坡是世界范围内造成重大经济损失和人员伤亡的主要自然灾害之一,对人们的生命财产安全造成严重危害;当前,人们对滑坡等地质灾害的早期研究多集中在边坡稳定性及加固预防措施等方面,随着科学技术的进步,人们对一些新的技术和方法在早期预灾预警中的应用越来越关注,一般滑坡在发生之前,都会出现一些征兆,比如后缘位置出现裂缝,因而监测这些后缘位置的裂缝是预警滑坡的一个重要方法。
传统的滑坡裂缝识别方法主要以现场调查为主,此方法能够近距离地观察潜在的滑坡后缘裂缝的特征,但其工作效率是比较底下的,并且对于地形切割强烈、植被覆盖度高的复杂地质背景区,无法近距离到达并进行实地观测或调查。
当前,合成孔径雷达干涉(InSAR)通过获取地表沉降信息,分析剖面以观测地表裂缝两侧的差异位移,从而实现滑坡裂缝的识别;多时相光学遥感图像也被广泛应用于识别滑坡潜在的后缘裂缝,无人机影像识别的滑坡后缘裂缝与潜在滑坡后缘位置匹配度很高。
目前,随着人们意识到光学遥感航摄对于高植被区裂缝解译存在限制,机载激光雷达技术开始在灾害早期识别领域发展并取得了一系列的成果,从而,光学遥感航摄对于高植被区域的识别存在限制,而光学传感器及激光雷达传感器均需要在可见光环境下进行作用,不能进行全天候的拍摄。
因此,使用单独的光学卫星、光学传感器及激光雷达传感器对滑坡后缘裂缝进行调查识别时,不能全天候多方位整体识别滑坡后缘裂缝,且技术手段比较单一化,致使在大区域的滑坡灾害调查中难以对重要研究区段进行识别研究。
发明内容
本发明实施例提供一种基于多源数据的滑坡后缘裂缝识别方法,可以解决现有技术中,主要以地面调查为主且在技术手段上单一,在大区域的滑坡灾害中难以圈定重要研究区段的问题。
本发明实施例提供一种基于多源数据的滑坡后缘裂缝识别方法,包括如下步骤:
获取研究区域内形变速率大的区域,并将其作为典型区段;
利用可见光传感器、激光雷达传感器和热红外传感器,获得典型区段内的海量航测数据图像;
对典型区段内的海量航测数据图像进行可见光重建,获得图像中裂缝的纹理信息和陡坎信息;
对典型区段内的海量航测数据图像进行激光点云重建及点云后处理,将图像中的特征点进行筛选集中,并去除图像中的非地面点,获得图像中裂缝的点位信息;
利用边缘检测算法Canny对得到的裂缝边缘纹理信息和陡坎信息,以及裂缝的点位信息进行梯度方向计算和边缘强化连接,对边缘强化连接的区域及梯度方向计算的结果进行叠加处理,将处理后区域作为典型区段内的单体滑坡及群体滑坡后缘裂缝;
基于单体滑坡及群体滑坡后缘裂缝,利用连续点测量及人工地面测量分析获得单体滑坡及群体滑坡的地上裂缝延伸状态,再利用高密度电法分析获取单体滑坡及群体滑坡的地下延伸状态;
分析单体滑坡及群体滑坡地上延伸状态和地下延伸状态内的地形异常区域,获取滑坡潜在的变形破坏机理。
优选地,所述确定研究区域,包括:
利用光学卫星和SAR卫星获取存档卫星影像;
利用数字高程模型DEM消除地形效应、进行高程校正和辅助相位解缠操作,再结合精密轨道数据确定研究区域。
优选地,所述获得研究区域内的典型区段,包括:
基于获取的研究区域,对其进行裁剪及拼接生成连接图;
对连接图进行相干性生成、去平、滤波和相位解缠这些干涉处理;
对干涉处理后的图像进行轨道精炼和重去平处理;
对处理后的图像经过反演估算确定形变速率大的区域,将形变速率大的区域作为典型区段。
优选地,所述图像中的特征点,包括:
散列点、孤立点、噪声点及离群点。
优选地,所述获得典型区段内的海量航测数据图像,包括:
根据典型区段的地理位置确定无人机的航线及飞行范围;
基于确定好的航线及飞行范围,利用无人机搭载可见光传感器、激光雷达传感器和热红外传感器对典型区段进行航拍作业,获得典型区段内的海量航测数据图像。
优选地,所述获取滑坡潜在的变形破坏机理,包括:
利用RTK连续点定点测量和人工地面测量对单体滑坡及群体滑坡后缘裂缝进行测量,获得单体滑坡及群体滑坡的重要特征指标:宽度、深度、错距和长度;
基于获得的单体滑坡及群体滑坡的重要特征指标,并分析获取单体滑坡及群体滑坡的地上裂缝延伸状态;
基于获得的单体滑坡及群体滑坡,以及根据资料确定的裂缝内部结构和水文条件,利用高密度电法分析获取单体滑坡和群体滑坡的地下裂缝延伸状态;
基于获得的单体滑坡及群体滑坡的地上裂缝延伸状态和地下裂缝延伸状态,分析其中的地形异常区域,获取滑坡潜在的变形破坏机理。
本发明实施例提供一种基于多源数据的滑坡后缘裂缝识别方法,与现有技术相比,其有益效果如下:
通过卫星的角度获取研究区域,使用各类分析方法将研究区域缩小至典型区段,再利用可见光传感器、激光雷达传感器和热红外传感器获取到典型区段内的单体滑坡及群体滑坡后缘裂缝,再利用RTK连续点定点测量和人工测量获取单体滑坡及群体滑坡后缘裂缝内的宽度、深度、错距和长度这些重要特征指标,采用高密度电法结合获得的裂缝重要特征指标获取了裂缝地下能以观测的裂缝延伸情况,分析获得滑坡潜在的变形破坏机理,本发明缩小了滑坡后缘裂缝的研究区域,实现了全天候多方位多维度多手段整体对滑坡后缘裂缝的调查,提高了调查的精确度和效率。
附图说明
图1为本发明实施例提供的一种基于多源数据的滑坡后缘裂缝识别方法的主体流程示意图;
图2为本发明实施例提供的一种基于多源数据的滑坡后缘裂缝识别方法的SBAS-InSAR流程示意图;
图3为本发明实施例提供的一种基于多源数据的滑坡后缘裂缝识别方法的SAR数据下载范围图;
图4为本发明实施例提供的一种基于多源数据的滑坡后缘裂缝识别方法改进的渐进加密三角网滤波算法实现地面点分类的流程示意图;
图5为本发明实施例提供的一种基于多源数据的滑坡后缘裂缝识别方法的地面点分类后根据高程显示的激光雷达点云数据示意图;
图6为本发明实施例提供的一种基于多源数据的滑坡后缘裂缝识别方法的热红外识别滑坡后缘裂缝昼夜对比示意图;
图7为本发明实施例提供的一种基于多源数据的滑坡后缘裂缝识别方法的现场调查所测裂缝示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似改进,因此本发明不受下面公开的具体实施例的限制。
如图1~7所示,本发明实施例提供了一种基于多源数据的滑坡后缘裂缝识别方法,从卫星影像的角度开始分析将研究区从区域缩小至区段,航空平台中使用可见光相机、激光雷达相机和热红外相机三种传感器从多角度对滑坡后缘裂缝进行目视解译,很大程度的提高了裂缝识别的精度和可信度,且此过程将研究区从区段缩小至单体或群体滑坡,使用高密度电法掌握地下不可见裂缝的延伸情况
本发明实施例的具体方法包括如下步骤:
S1:利用存档光学卫星和SAR卫星影像,引入参考DEM及精密轨道数据。
具体地,首先获取光学卫星影像和SAR卫星影像,如图3所示为提供的实施例中下载的Sentinel-1a升轨及降轨数据范围图,获取精密轨道数据(POD)和外部30m精度的DEM数据,DEM用于消除地形效应、进行高程校正以及辅助相位解缠,从而提高地表形变测量的精度和可靠性;精密轨道数据可在计算中提高相位测量的准确性、稳定性和相位解析度,从而增强地表形变分析的精度和可靠性。
S2:使用SBAS-InSAR技术计算视线方向位移变化,获取研究区域较大形变速率区,筛选区域作为典型区段。
具体地,因原始数据图幅涉及区域范围较大,先对原始数据进行裁剪,然后生成连接图,进而对所有配对的干涉像进行干涉处理,此过程包括相干性生成、去平、滤波和相位解缠,然后进入轨道精炼和重去平,该步骤的目的是估算和去除残余的恒定相位和解缠后还存在的相位坡道,最后经过反演估算形变速率大的区域,SBAS-InSAR具体流程如图2所示。
S3:利用无人机搭载可见光传感器、激光雷达传感器和热红外传感器对典型区段滑坡后缘裂缝位置进行航拍作业。
具体地,根据典型区段位置确定航线布置范围,在地面布置像控点,根据典型区段的地形、建筑高度、植被高度等信息确定起飞点、飞行高度、飞行速度、航向重叠率、旁相重叠率以及是否仿地飞行,无人机航拍前需要连接RTK,RTK技术通过实时比较无人机上的接收器与基准站接收器之间的相位差,在厘米级别实现高精度的位置定位,这对于精确识别滑坡后缘裂缝任务非常重要,使用RTK模块,无人机可以更准确地按照预定路径飞行,避免了位置漂移和轨迹偏离,为夜间搭载热红外传感器安全航摄滑坡后缘裂缝提供了保障。
S4:对获取的无人机航测数据进行处理,分析裂缝的发育特征,将研究区从典型区段缩小至单体或群体滑坡。
具体地,对于可见光重建,将无人机等设备采集的高分辨率可见光图像作为重建过程的输入数据,对采集的图像进行去噪、颜色校正、畸变校正等操作,以确保图像质量适合后续处理,从图像中提取特征,如角点、边缘、纹理等,这些特征将用于图像匹配和定位,基于图像匹配的结果,将不同视角的图像进行拼接,生成更大范围的图像,以生成数字表面模型(DSM)及数字正射影像(DOM),根据摄影测量、计算机视觉中的多视几何及计算机图形学原理将无人机采集的影像生成实景三维地质模型,从而从多维度获取高精度滑坡后缘裂缝及陡坎信息。
激光点云重建及点云后处理,前者过程包含POS解算、点云与可见光数据融合、标准las点云格式输出;在点云后处理流程中滤波处理作为预处理的第一步,由于原始数据包含大量散列点、孤立点,因而需要在滤波预处理中实行噪声点,离群点,孔洞,数据压缩等处理,地面点分析是点云后处理的第二个步骤,如图4为改进的渐进加密三角网滤波算法实现地面点分类的流程图。
地面点分类的目标是将地面点从其他非地面点(如建筑物、树木等)中区分出来,从而识别被植被所掩盖的裂缝信息,地面点往往具有相对较稳定的高程特征,而其他非地面点通常具有更大的高程变化;地面点分类的第一步是根据点云的高程信息,将候选点分为地面点和非地面点,人工检查矫正识别的地面点,再将非地面点中的植被和建筑筛选提取,地面点往往位于平坦区域,因此可以通过分析点的领域来判断该点是否属于地面,如图5为地面点分类后按照高程显示的点云实例,提取地面点建立典型区段高精度点云三维模型,获取可见光三维模型难以识别的滑坡后缘裂缝,同时,提取地面点可建立高精度DEM,为SBAS-InSAR清除地形高程误差提供数据。
根据边缘检测算法识别检测热红外图像中的裂缝信息,首先获取用于裂缝监测的热红外图像,然后对图像进行预处理,该过程包括去噪、灰度化、平滑等操作,以减少噪声和提升边缘监测的效果,使用Canny边缘检测算法来检测图像中的边缘,在Canny边缘检测后,可以使用连通区域分析等方法来识别和分割裂缝的边缘,本实施例中基于裂缝的形状和颜色特征进行裂缝的区域分割,将裂缝边缘标记在原始图像上,以便可视化和分析,最后对检测到的裂缝边缘进行特征提取,例如裂缝的长度、宽度、方向等信息。
具体地,使用Canny边缘算法来检测图像中的裂缝包括:使用Sobel等滤波器计算图像中每个像素的梯度和方向,对梯度图像进行非极大值抑制,以细化边缘并保留局部最大值点,根据设定的高阈值和低阈值,将边缘分为强边缘和弱边缘,将与强边缘相连的弱边缘转化为强边缘,以连接边缘段。
综合分析可见光、激光雷达及热红外图像结果,将典型滑坡区段缩小锁定至单体或群体滑坡后缘裂缝。
S5:现场调查由无人机航摄后处理分析锁定的单体或群体滑坡后缘裂缝,进行裂缝的精细化测量工作和定量分析。
具体地,首先,将典型滑坡区段缩小至单体或群体滑坡后缘裂缝,确定现场调查的范围,然后,沿滑坡后缘法线方向进行RTK连续定点测量,其通过内置的天线接收来自卫星的导航信号,使用RTK定点测量的同时,人工测量裂缝的宽度、深度、错距,实现滑坡后缘裂缝特征的精细化测量及定量分析,如图7为本实施例现场调查所测裂缝。
S6:采用高密度电法获取单体或群体滑坡地下裂缝延伸状态,并分析潜在滑坡变形破坏机理。
具体地,根据单体或群体滑坡已有的资料确定其内部结构和水文条件,分析滑坡内部结构和水文条件,结合RTK定位探测剖面,布设垂直于滑坡滑动方向的剖面线,使用高密度软件,采用扩展模型进行数据反演,该过程包括数据倒入、剔除坏点、人工修正圆滑视电阻率曲线变化趋势、结合RTK定位获取地形数据建立地形模型、设置反演参数并迭代计算,得到视电阻率剖面,由于裂缝中的岩土体可能具有较低的电阻率,通常在视电阻率剖面中显示为电阻率异常区域,与此同时,电阻率成像技术还可识别到地下水体、岩层分布情况,进而对潜在滑坡的变形破坏机理进行分析。
本发明从较大研究区域缩小至典型区段,进而圈定单体滑坡及群体滑坡,空间维度上实现了从卫星平台到空中遥感平台再到地面平台,最后到地下平台的多维度滑坡裂缝调查;再结合传统的无人机遥感技术对可见光图像目视解译的同时,用激光雷达点云数据弥补了茂密植被区滑坡裂缝难以识别的问题,热红外成像技术结合边缘检测算法填补了“非全天候”监测的漏洞,地面RTK定点测量解决了空中遥感平台多源传感器难以准确识别小型裂缝的问题,高密度电法获取了地下难以观测的裂缝的延伸情况,实现了全方位多维度多学科的滑坡裂缝定性定量调查。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (6)
1.一种基于多源数据的滑坡后缘裂缝识别方法,其特征在于,包括如下步骤:
获取研究区域内形变速率大的区域,并将其作为典型区段;
利用可见光传感器、激光雷达传感器和热红外传感器,获得典型区段内的海量航测数据图像;
对典型区段内的海量航测数据图像进行可见光重建,获得图像中裂缝的纹理信息和陡坎信息;
对典型区段内的海量航测数据图像进行激光点云重建及点云后处理,将图像中的特征点进行筛选集中,并去除图像中的非地面点,获得图像中裂缝的点位信息;
利用边缘检测算法Canny对得到的裂缝边缘纹理信息和陡坎信息,以及裂缝的点位信息进行梯度方向计算和边缘强化连接,对边缘强化连接的区域及梯度方向计算的结果进行叠加处理,将处理后区域作为典型区段内的单体滑坡及群体滑坡后缘裂缝;
基于单体滑坡及群体滑坡后缘裂缝,利用连续点测量及人工地面测量分析获得单体滑坡及群体滑坡的地上裂缝延伸状态,再利用高密度电法分析获取单体滑坡及群体滑坡的地下延伸状态;
分析单体滑坡及群体滑坡地上延伸状态和地下延伸状态内的地形异常区域,获取滑坡潜在的变形破坏机理。
2.根据权利要求1所述的一种基于多源数据的滑坡后缘裂缝识别方法,其特征在于,所述研究区域的确定,包括:
利用光学卫星和SAR卫星获取存档卫星影像;
利用数字高程模型DEM消除地形效应、进行高程校正和辅助相位解缠操作,再结合精密轨道数据确定研究区域。
3.根据权利要求1所述的一种基于多源数据的滑坡后缘裂缝识别方法,其特征在于,所述获取研究区域内的典型区段,包括:
基于获取的研究区域,对其进行裁剪及拼接生成连接图;
对连接图进行相干性生成、去平、滤波和相位解缠这些干涉处理;
对干涉处理后的图像进行轨道精炼和重去平处理;
对处理后的图像经过反演估算确定形变速率大的区域,将形变速率大的区域作为典型区段。
4.根据权利要求1所述的一种基于多源数据的滑坡后缘裂缝识别方法,其特征在于,所述图像中的特征点,包括:
散列点、孤立点、噪声点及离群点。
5.根据权利要求1所述的一种基于多源数据的滑坡后缘裂缝识别方法,其特征在于,所述获得典型区段内的海量航测数据图像,包括:
根据典型区段的地理位置确定无人机的航线及飞行范围;
基于确定好的航线及飞行范围,利用无人机搭载可见光传感器、激光雷达传感器和热红外传感器对典型区段进行航拍作业,获得典型区段内的海量航测数据图像。
6.根据权利要求1所述的一种基于多源数据的滑坡后缘裂缝识别方法,其特征在于,所述获取滑坡潜在的变形破坏机理,包括:
利用RTK连续点定点测量和人工地面测量对单体滑坡及群体滑坡后缘裂缝进行测量,获得单体滑坡及群体滑坡的重要特征指标:宽度、深度、错距和长度;
基于获得的单体滑坡及群体滑坡的重要特征指标,并分析获取单体滑坡及群体滑坡的地上裂缝延伸状态;
基于获得的单体滑坡及群体滑坡,以及根据资料确定的裂缝内部结构和水文条件,利用高密度电法分析获取单体滑坡和群体滑坡的地下裂缝延伸状态;
基于获得的单体滑坡及群体滑坡的地上裂缝延伸状态和地下裂缝延伸状态,分析其中的地形异常区域,获取滑坡潜在的变形破坏机理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311249017.6A CN117348022B (zh) | 2023-09-26 | 2023-09-26 | 一种基于多源数据的滑坡后缘裂缝识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311249017.6A CN117348022B (zh) | 2023-09-26 | 2023-09-26 | 一种基于多源数据的滑坡后缘裂缝识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117348022A CN117348022A (zh) | 2024-01-05 |
CN117348022B true CN117348022B (zh) | 2024-05-24 |
Family
ID=89354988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311249017.6A Active CN117348022B (zh) | 2023-09-26 | 2023-09-26 | 一种基于多源数据的滑坡后缘裂缝识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117348022B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004004927A (ja) * | 2003-07-22 | 2004-01-08 | Fuji Xerox Co Ltd | 無端ベルトを用いた画像形成装置 |
CN111142119A (zh) * | 2020-01-10 | 2020-05-12 | 中国地质大学(北京) | 一种基于多源遥感数据的矿山地质灾害动态识别与监测方法 |
CN112198511A (zh) * | 2020-09-14 | 2021-01-08 | 广东省核工业地质局测绘院 | 一种基于星空地一体化地质灾害普查方法 |
CN115793093A (zh) * | 2023-02-02 | 2023-03-14 | 水利部交通运输部国家能源局南京水利科学研究院 | 堤坝隐伏病险诊断空地一体化装备 |
CN116631158A (zh) * | 2023-06-12 | 2023-08-22 | 云南电网有限责任公司昭通供电局 | 一种基于图像识别和计算机视觉的滑坡预警装置 |
CN116796455A (zh) * | 2023-05-16 | 2023-09-22 | 长安大学 | 一种岩体裂隙产状的表征方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030030582A1 (en) * | 2001-08-10 | 2003-02-13 | Vickers Roger S. | Environment measurement methods, systems, media, signals and data structures |
CN113326756B (zh) * | 2021-05-25 | 2023-05-16 | 中国地质调查局武汉地质调查中心 | 一种基于岩体劣化特征的库岸潜在滑坡隐患识别方法 |
-
2023
- 2023-09-26 CN CN202311249017.6A patent/CN117348022B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004004927A (ja) * | 2003-07-22 | 2004-01-08 | Fuji Xerox Co Ltd | 無端ベルトを用いた画像形成装置 |
CN111142119A (zh) * | 2020-01-10 | 2020-05-12 | 中国地质大学(北京) | 一种基于多源遥感数据的矿山地质灾害动态识别与监测方法 |
CN112198511A (zh) * | 2020-09-14 | 2021-01-08 | 广东省核工业地质局测绘院 | 一种基于星空地一体化地质灾害普查方法 |
CN115793093A (zh) * | 2023-02-02 | 2023-03-14 | 水利部交通运输部国家能源局南京水利科学研究院 | 堤坝隐伏病险诊断空地一体化装备 |
CN116796455A (zh) * | 2023-05-16 | 2023-09-22 | 长安大学 | 一种岩体裂隙产状的表征方法 |
CN116631158A (zh) * | 2023-06-12 | 2023-08-22 | 云南电网有限责任公司昭通供电局 | 一种基于图像识别和计算机视觉的滑坡预警装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117348022A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiang et al. | Open-pit mine geomorphic changes analysis using multi-temporal UAV survey | |
Stumpf et al. | Image-based mapping of surface fissures for the investigation of landslide dynamics | |
Gamba et al. | GIS and image understanding for near-real-time earthquake damage assessment | |
Gamba et al. | Digital surface models and building extraction: A comparison of IFSAR and LIDAR data | |
Tsutsui et al. | Detection and volume estimation of large-scale landslides based on elevation-change analysis using DEMs extracted from high-resolution satellite stereo imagery | |
CN101706577B (zh) | InSAR监测高速公路路面沉降方法 | |
Puniach et al. | Application of UAV-based orthomosaics for determination of horizontal displacement caused by underground mining | |
Lehtomäki et al. | Power line mapping technique using all-terrain mobile laser scanning | |
CN110174673B (zh) | 一种利用时序接力干涉图叠加高效减弱大气相位影响的方法 | |
Jaboyedoff et al. | Landslide analysis using laser scanners | |
CN115346141B (zh) | 天-空-地-隧-孔一体化不良地质识别方法及*** | |
Liu et al. | Building height detection from high-resolution TerraSAR-X imagery and GIS data | |
Yong et al. | Site characterization using integrated imaging analysis methods on satellite data of the Islamabad, Pakistan, region | |
CN117348022B (zh) | 一种基于多源数据的滑坡后缘裂缝识别方法 | |
Cunjian et al. | Extracting the flood extent from satellite SAR image with the support of topographic data | |
CN117437559A (zh) | 基于无人机的煤炭矿区地表岩移变形检测方法、装置 | |
CN116910876A (zh) | 一种基于无人机遥感辅助滑坡应急治理工程勘查设计方法 | |
Liu et al. | Development of building height data in Peru from high-resolution SAR imagery | |
Zhang et al. | Semi-automatic mapping of dyke and dyke-related fractures using UAV-based photogrammetric data: A case study from Sijiao Island, coastal Southeastern China | |
Yamazaki et al. | Detection of damage to building side-walls in the 2011 Tohoku, Japan earthquake using high-resolution TerraSAR-X images | |
Peppa et al. | Glacial Lake evolution based on remote sensing time series: A case study of Tsho Rolpa in Nepal | |
CN115685201A (zh) | 一种基于空天地一体化的滑坡早期识别方法 | |
Miner et al. | Landslide recognition using LiDAR derived digital elevation models-lessons learnt from selected Australian examples | |
Dal Poz et al. | RANSAC-based segmentation for building roof face detection in lidar point cloud | |
Schiewe | Improving the integration of digital surface models |
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 |