[go: up one dir, main page]

CN117031425A - 基于星载sar的大梯度滑坡失稳时间预测方法及系统 - Google Patents

基于星载sar的大梯度滑坡失稳时间预测方法及系统 Download PDF

Info

Publication number
CN117031425A
CN117031425A CN202310769423.9A CN202310769423A CN117031425A CN 117031425 A CN117031425 A CN 117031425A CN 202310769423 A CN202310769423 A CN 202310769423A CN 117031425 A CN117031425 A CN 117031425A
Authority
CN
China
Prior art keywords
landslide
time
image
time sequence
point
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.)
Granted
Application number
CN202310769423.9A
Other languages
English (en)
Other versions
CN117031425B (zh
Inventor
李梦华
尹谢兵
唐伯惠
杨梦诗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202310769423.9A priority Critical patent/CN117031425B/zh
Publication of CN117031425A publication Critical patent/CN117031425A/zh
Application granted granted Critical
Publication of CN117031425B publication Critical patent/CN117031425B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01S7/00—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00
    • G01S7/02—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00
    • G01S7/41—Details of systems according to groups G01S13/00, G01S15/00, G01S17/00 of systems according to group G01S13/00 using analysis of echo signal for target characterisation; Target signature; Target cross-section
    • 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
    • G01S13/885—Radar or analogous systems specially adapted for specific applications for ground probing
    • 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
    • G01S13/9021—SAR image post-processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明提出了基于星载SAR的大梯度滑坡失稳时间预测方法及系统，涉及地质灾害预测领域；该方法包括：获取待测滑坡区域的时序SAR影像数据和滑坡基础数据；得到时序SAR影像数据中每个像素点对应的时序形变速率数据；根据在对应时间范围内的当前观测时间序列，以及与测量点对应的时序目标形变速率数据，通过模型参数下的逆速度模型，得到测量点对应的预测失稳垮塌时间序列；利用星载SAR数据的幅度信息来计算大梯度滑坡形变，通过逆速度法预测滑坡失稳时间，弥补了传统InSAR在大梯度滑坡预测上的空白，为大梯度滑坡的灾害防范提供了保障；同时在研究区可以稳定获得免费的SAR数据，极大地降低了监测成本，增加了预测的可靠性。

Description

基于星载SAR的大梯度滑坡失稳时间预测方法及系统
技术领域
本发明涉及地质灾害预测领域，具体而言，涉及基于星载SAR的大梯度滑坡失稳时间预测方法及系统。
背景技术
滑坡灾害的隐蔽性强、破坏性大，当它们发生在定居点和基础设施附近时，可能会造成灾难性后果；滑坡体的表面形变是分析滑坡稳定性和危害性、预警垮塌灾害最重要的信息之一，对潜在滑坡识别、滑坡稳定性监测以及垮塌灾害预测具有重要意义；星载雷达遥感几乎不受夜晚以及天气影响，覆盖范围大、测量精度高，相比于地面传统测量以及机载星载光学遥感具有其独特的优势，星载雷达遥感技术正越来越多地应用在潜在滑坡识别、滑坡形变监测以及灾害预警方面。
精确地反演地表形变是滑坡失稳时间准确预测的关键前提，利用SAR影像相位差反演形变的雷达干涉测量(InSAR)技术能够高精度地量测地表形变；近年来，随着Sentinel-1卫星的稳定运行以及时间序列(时序)InSAR技术的不断进步，InSAR技术在滑坡监测预测领域越来越多地得到重视和应用，在区域潜在滑坡早期识别、单体滑坡形变监测与滑坡失稳预测等方面取得了良好的应用效果；然而，当滑坡形变梯度过大时，基于相位测量的InSAR技术很容易发生相位混叠和严重的失相干效应，影响测量精度，甚至会导致无法提取到有效的滑坡区域形变信息，从而无法对滑坡失稳时间做出预测，往往发生大梯度形变的滑坡才是最迫切需要关注的对象，但是传统InSAR技术在这一领域是不适用的。
发明内容
本发明的目的在于提供基于星载SAR的大梯度滑坡失稳时间预测方法及系统，以解决上述背景技术中存在的问题。
本发明的实施例是这样实现的：
第一方面，本申请实施例提供了基于星载SAR的大梯度滑坡失稳时间预测方法，包括以下步骤：
S1，获取待测滑坡区域在预设时间范围内的时序SAR影像数据和滑坡基础数据，滑坡基础数据包括滑坡类型、滑坡边界和植被覆盖数据；
S2，根据时序SAR影像数据和植被覆盖数据，得到时序SAR影像数据中每个像素点对应的时序形变速率数据；
S3，根据滑坡类型和滑坡边界，将时序SAR影像数据中的多个像素点确定为测量点；
S4，根据时序形变速率数据，确定预置的逆速度模型的模型参数；
S5，将在预设时间范围内的当前观测时间序列以及测量点的时序形变速率数据输入至模型参数确定的逆速度模型中进行预测处理，预测出测量点的滑坡失稳时间序列。
本发明的有益效果是：通过利用星载SAR数据的幅度信息来计算大梯度滑坡形变，进而使用逆速度法预测滑坡失稳时间，弥补了传统InSAR在大梯度滑坡预测上的空白，为大梯度滑坡的灾害防范提供了保障；同时，在研究区可以稳定获得免费的SAR数据，这极大地降低了监测成本，增加了预测的可靠性。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，上述滑坡失稳时间序列包括多个滑坡失稳时间，在S5后，还包括如下步骤：
S6，绘制滑坡失稳时间和当前观测时间序列的散点图像，若散点图像中连续的多个散点对应的滑坡失稳时间均指向未来预设时间段内一相对稳定时间，则发出滑坡失稳报警。
采用上述进一步方案的有益效果是：一方面可以直观的了解预测结果，另一方面也可以提高预测的精度。
进一步，上述步骤S2具体为：
S21，时序SAR影像数据包括按时间排列的多个目标影像图，将满足预设条件的两个目标影像图作为一个像对组合，其中，时序SAR影像数据中形成的像对组合的数量满足以下不等式：
式中，N为常数，其中，N+1表示时序SAR影像数据中目标影像图的数量，M表示像对组合的数量；
S22，根据植被覆盖率的高低，将多个目标影像图中满足预设条件的多个像素点分别确定为目标像素计算点，根据植被覆盖阈值对目标像素计算点采用规则格网逐点计算和基于点目标计算的两种策略；
S23，从所有像对组合中选取一个像对组合,且令选取的一个像对组合中的两个目标影像图分别为第一目标影像图和第二目标影像图，在第一目标影像图中选择预置大小窗口作为待计算的矩形匹配窗口，在第二目标影像图中以第一目标影像图中的矩形匹配窗口为中心，选择预置大小窗口作为搜索窗口，在第二目标影像图的搜索窗口内按预设步长移动相应矩形匹配窗口，将第一目标影像图和第二目标影像图中同一对应的矩形匹配窗口内的目标像素计算点作为一组目标像素计算点组，每次移动都计算每组目标像素计算点组的互相关系数，并根据搜索窗口内计算出的互相关系数峰表面位置表示图像间的位移量，互相关系数通过第二公式表示为：
式中，NCC(i,j)表示互相关系数，(k,l)表示第一目标影像图中矩形匹配窗口内的目标像素计算点的坐标，(i,j)表示第二目标影像图中搜索窗口内的目标像素计算点的坐标，r为第一目标影像图中矩形匹配窗口内像素值，s为第二目标影像图中搜索窗口内像素值，μr为第一目标影像图的矩形匹配窗口的平均像素值，μs为第二目标影像图中搜索窗口的平均像素值；
S24，根据互相关系数最高的一组目标像素计算点，计算得到选取的一个像对组合的像对偏移量；
S25，遍历所有像对组合中的每一个像对组合，并执行S23-S24，得到每一个像对组合的像对偏移量；
S26，根据每一个像对组合对应的像对偏移量，以及每一个像对组合中第一目标影像图以及第二目标影像图的获取时间，计算得到时序SAR影像数据对应的时序形变速率数据。
进一步，上述步骤S3具体为：
S31，根据每个像素点对应的时序性变速率数据，将位于滑坡边界内的多个像素点确定为加速形变点；
S32，将滑坡类型中各类型滑坡的位置对应的加速形变点确定为测量点。
采用上述进一步方案的有益效果是：在待测滑坡区域内筛选出具有自然代表性的点，例如裂缝处、滑坡后缘区和推移滑块段等。
进一步，上述在步骤S5中：
逆速度模型通过第一公式表示，第一公式表示为：
其中，v表示时序目标形变速率数据中与当前观测时间对应的形变速率，tf表示失稳垮塌时间，t表示当前观测时间，A和a表示模型参数。
进一步，上述步骤S5还包括，
根据测量点以及与测量点对应的时序形变速率数据，确定测量点对应的滑坡加速时间起点；其中，当前观测时间均在滑坡加速时间起点之后。
采用上述进一步方案的有益效果是：在对应时间范围内根据滑坡加速时间起点确定出参与失稳时间预测的时间段，极大地减小了计算的工作量，也进一步的提高的预测精度。
进一步，上述确定测量点对应的滑坡加速时间起点具体为，
根据测量点对应的时序目标形变速率数据，得到在对应时间范围内的多个形变加速度；
根据多个形变加速度中至少两个形变加速度，计算得到至少两个形变加速度的平均加速度；
根据平均加速度，确定测量点对应的滑坡加速时间起点；
具体的，若平均加速度小于零，则确定测量点已进入滑坡加速阶段，且将至少两个形变加速度中后一时间的形变加速度对应的时间点确定为滑坡加速时间起点。
第二方面，本申请实施例提供了一种基于星载SAR的大梯度滑坡失稳时间预测系统，包括：
获取模块，用于获取待测滑坡区域在预设时间范围内的时序SAR影像数据和滑坡基础数据，滑坡基础数据包括滑坡类型、滑坡边界和植被覆盖数据；
时序速率模块，用于根据时序SAR影像数据和植被覆盖数据，得到时序SAR影像数据中每个像素点对应的时序形变速率数据；
测量点模块，用于根据滑坡类型和滑坡边界，将时序SAR影像数据中的多个像素点确定为测量点；
模型模块，用于根据时序形变速率数据，确定预置的逆速度模型的模型参数；
失稳时间预测模块，用于将在预设时间范围内的当前观测时间序列以及测量点的时序形变速率数据输入至模型参数确定的逆速度模型中进行预测处理，预测出测量点的滑坡失稳时间序列。
第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现第一方面中任一项的方法。
第四方面，本申请实施例提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面中任一项的方法。
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为本发明实施例中失稳时间预测方法的流程图；
图2为本发明实施例中辛克函数模板的示意图；
图3为本发明实施例中规则格网选点的示意图；
图4为本发明实施例中时序形变速率数据的计算流程图；
图5为本发明实施例中像对组合方式的示意图；
图6为本发明实施例中距离向时间序列形变的示意图；
图7为本发明实施例中时间序列形变的加速阶段时间起点判断图；
图8为本发明实施例中加速阶段的绝对形变量及最小二乘拟合曲线；
图9为本发明实施例中逆速度法失稳预测结果的示意图；
图10为本发明实施例中失稳时间预测系统的连接示意图；
图11为本发明实施例中电子设备的连接示意图。
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。
实施例
第一方面，本实施例提供基于星载SAR的大梯度滑坡失稳时间预测方法，包括以下步骤：
S1，获取待测滑坡区域在预设时间范围内的时序SAR影像数据和滑坡基础数据，滑坡基础数据包括滑坡类型、滑坡边界和植被覆盖数据；
其中，待测滑坡区域在对应时间范围内的时序SAR影像数据的获取，可以通过阿拉斯加卫星设施中心(https://search.asf.alaska.edu/#/)直接下载，对于时序SAR影像数据，时序间隔的时间为12天。
S2，根据时序SAR影像数据和植被覆盖数据，得到时序SAR影像数据中每个像素点对应的时序形变速率数据；
其中，利用时间基线和空间基线的阈值形成像对组合，再通过对像对组合中两两影像间的偏移量进行时间序列的处理，从而提取出滑坡的时间序列形速率；如图4所示，图4所示为根据时序SAR影像数据和植被覆盖数据，得到时序SAR影像数据中每个像素点对应的时序形变速率数据的详细流程图。
可选的，上述步骤S2具体为：
S21，时序SAR影像数据包括按时间排列的多个目标影像图，将满足预设条件的两个目标影像图作为一个像对组合，其中，时序SAR影像数据中形成的像对组合的数量满足以下不等式：
式中，N为常数，其中，N+1表示时序SAR影像数据中目标影像图的数量，M表示像对组合的数量；
其中，在构建像对组合是利用时间基线和空间基线的阈值的形成的，参见图5，图5所示为时间基线和空间基线的分布及像对组合方式，根据时序SAR影像数据中每期目标影像图的获取时间，以及设置的时间基线和空间基线的阈值，来决定出像对组合的数量；例如，在图5中的坐标系中，三角形的横纵坐标分别表示每期目标影像图的获取时间和每期目标影像图对应的空间基线，当两期的目标影像图之间的空间基线差值在阈值范围内，时间基线(每两期的目标影像图的获取时间)的差值在阈值范围内，则将此两期的目标影像图组合形成一组像对组合；在图5的坐标系中，三角形之间形成两辆连线的，即表示此两期的目标影像图可以形成一组像对组合；并且通过设置的阈值，使形成的像对组合的数量满足上述的不等式。
S22，根据植被覆盖率的高低，将多个目标影像图中满足预设条件的多个像素点分别确定为目标像素计算点，根据植被覆盖阈值对目标像素计算点采用规则格网逐点计算和基于点目标计算的两种策略；
其中，通过预设条件在选取像素点作为目标像素计算点时，如图4中的左半部分，可以通过以下两种方式来实现，具体如下，
第一种，根据获取的植被覆盖数据，当待测区域内的植被覆盖率低于所设阈值时(植被覆盖率小于预置覆盖率)，可选择基于点目标的目标点选择策略；
具体地，典型的点目标在SAR影像中的冲击响应形状可以用一个二维的辛克(sinc)函数来描述，参见图2，图2给出的是一个11×11大小的模板的二维和三维图，以平均幅度图与模板匹配计算出的相关系数作为阈值，互相关系数低于0.3的像素点直接舍弃，如果一个像素的幅度和该点用辛克模板匹配得到的互相关系数的乘积大于窗口内部的幅度均值乘以1.5倍的方差，那么这个像素点将被选为候选点目标(目标像素计算点)。
第二种，根据获取的植被覆盖数据，当待测区域内的植被覆盖率高于所设阈值时(植被覆盖率不小于预置覆盖率)，可选择基于规则格网的目标点选择策略，逐点计算是像素偏移量追踪算法最基本目标点选择策略，参见图3，选择一定的步长，间隔选取目标点，可以在不损失细节的情况下大大减小计算量。
S23，从所有像对组合中选取一个像对组合,且令选取的一个像对组合中的两个目标影像图分别为第一目标影像图和第二目标影像图，在第一目标影像图中选择预置大小窗口作为待计算的矩形匹配窗口，在第二目标影像图中以第一目标影像图中的矩形匹配窗口为中心，选择预置大小窗口作为搜索窗口，在第二目标影像图的搜索窗口内按预设步长移动相应矩形匹配窗口，将第一目标影像图和第二目标影像图中同一对应的矩形匹配窗口内的目标像素计算点作为一组目标像素计算点组，每次移动都计算每组目标像素计算点组的互相关系数，并根据搜索窗口内计算出的互相关系数峰表面位置表示图像间的位移量，互相关系数通过第二公式表示为：
式中，NCC(i,j)表示互相关系数，(k,l)表示第一目标影像图中矩形匹配窗口内的目标像素计算点的坐标，(i,j)表示第二目标影像图中搜索窗口内的目标像素计算点的坐标，r为第一目标影像图中矩形匹配窗口内像素值，s为第二目标影像图中搜索窗口内像素值，μr为第一目标影像图的矩形匹配窗口的平均像素值，μs为第二目标影像图中搜索窗口的平均像素值；
其中，互相关系数的计算是基于上述的第一种目标像素计算点的选取方法，即在待测区域内的植被覆盖率小于预置覆盖率阈值时，通过上述计算各组像素点之间的互相关系数，并根据搜索窗口内计算出的互相关系数峰表面位置(互相关系数最大的一组目标像素计算点的坐标)表示图像间的偏移量，并将此偏移量作为像对偏移量。
S24，根据互相关系数最高的一组目标像素计算点，计算得到选取的一个像对组合的像对偏移量；
S25，遍历所有像对组合中的每一个像对组合，并执行S23-S24，得到每一个像对组合的像对偏移量；
S26，根据每一个像对组合对应的像对偏移量，以及每一个像对组合中第一目标影像图以及第二目标影像图的获取时间，计算得到时序SAR影像数据对应的时序形变速率数据。
其中，对于时间序列(时序形变速率数据)的处理类似于差分干涉测量中的小基线集算法(SBAS),用计算得到的像对之间的偏移量代替原算法中的差分干涉相位，利用最小二乘的思想来反演最终的时间序列形变速率，为了计算的简便，可以将第一个目标影像图作为参考影像，如图4中的由半部分，具体计算公式如下：
δ＝[δ1,δ2,…,δN]T；
其中，δ是待计算的每一目标影像图相对于第一个目标影像图的像对偏移量，M个像对之间的像对偏移量为dj(j＝1,…,M)；
由此组成像对偏移量为：L＝[d1,d2,…,dM]T；
在实际计算中，通常用相邻两个影像(目标影像图)的获取时刻之间像元平均的偏移速率来代替未知的偏移量δ，以此来保证方程解的物理含义，即：
式中，X表示时序形变速率数据，V1表示第一组像对组合中的形变速率。
其中，在待测区域内的植被覆盖率不小于预置覆盖率时，由一个像对中两幅影像mj和sj计算得到的像素偏移量dj可以表示为：
因此，可以得到下面的形式：
L＝BX+V；
其中，B是表示像对组合的M×N大小的系数矩阵，矩阵B的第j行元素可以写成：
其中，B中元素由0和相邻影像获取的时间间隔组成。由于B矩阵秩亏，因此在最小二乘框架下的最优解，是通过奇异值分解(SVD)计算得到的。
S3，根据滑坡类型和滑坡边界，将时序SAR影像数据中的多个像素点确定为测量点；
其中，在待测滑坡区域内选择形变速率较大且加速变化的点(如裂缝处、滑坡后缘区和推移滑块段)作为代表性的测量点，以获得测量点对应的预测失稳时间，达到预测待测滑坡区域内坍塌失稳的目的。
可选的，上述步骤S3具体为，
S31，根据每个像素点对应的时序性变速率数据，将位于滑坡边界内的多个像素点确定为加速形变点；
其中，根据每个像素点的时间序列形变速率把滑坡边界内的像素点分为加速、线性和稳定这三类，并将像素点为加速类型的参与失稳时间预测的计算。
S32，将滑坡类型中各类型滑坡的位置对应的加速形变点确定为测量点。
其中，在滑坡边界内的主要特征部位中(如裂缝处、滑坡后缘区和推移滑块段)选择若干个加速形变点作为测量点来代表整体滑坡运动计算。
S4，根据时序形变速率数据，确定预置的逆速度模型的模型参数；
其中，可以采用最小二乘多项式拟合的方法通过对时间序列形变速率进行滤波来确定逆速度模型参数。
具体地，在用于表示逆速度模型的公式中，存在A和a两个模型参数，A和a两个经验参数，用来对滑坡体逐渐到达垮塌的形变过程进行建模；其中，A即是采用最小二乘多项式拟合的方法获取的，a用于控制速度倒数与时间曲线的下降趋势，即线性或非线性趋势，对于自然坡体来说，它的值通常在1.5到2.2之间；通常情况下，对于临近垮塌发生的形变数据，速度倒数与时间的关系曲线线性程度很高，因此可以将a设置为2。
S5，将在预设时间范围内的当前观测时间序列以及测量点的时序形变速率数据输入至模型参数确定的逆速度模型中进行预测处理，预测出测量点的滑坡失稳时间序列。
其中，通过再模型参数下的逆速度模型，通过当前预测时间和与当前预测时间对应的形变速率，以获得失稳垮塌时间；通过时序SAR影像数据的时间区间，以获得与时序SAR影像数据中测量点的预测失稳垮塌时间序列。
可选的，上述在步骤S5中：
逆速度模型通过第一公式表示，第一公式表示为：
其中，v表示时序目标形变速率数据中与当前观测时间对应的形变速率，tf表示失稳垮塌时间，t表示当前观测时间，A和a表示模型参数。
其中，在时序SAR影像数据对应时间序列中，先通过计算测量点对应的滑坡加速时间起点，可以达到更精准的预测失稳时间的目的，并能够极大的减少计算的工作量。
其中，在确定测量点已进入滑坡加速阶段后，在对应时间范围内确定当前观测时间序列，并得到与当前观测时间序列对应的时序形变速率数据，通过上式的计算便能够获得预测失稳垮塌时间序列。
需要说明的是，预测失稳垮塌时间序列是由连续的多个失稳垮塌时间构成，当前观测时间序列是由连续的多个前观测时间构成，预测失稳垮塌时间序列是由连续的多个失稳垮塌时间构成。
可选的，上述步骤S5还包括，
根据测量点以及与测量点对应的时序形变速率数据，确定测量点对应的滑坡加速时间起点；其中，当前观测时间均在滑坡加速时间起点之后。
可选的，上述确定测量点对应的滑坡加速时间起点具体为，
根据测量点对应的时序目标形变速率数据，得到在对应时间范围内的多个形变加速度；
具体地，形变加速度可以通过以下公式计算获得：
at＝(vt-vt-1)/T；
式中，at表示t时刻的形变加速度，vt表示t时刻的形变速率，负值表示下滑，在滑坡阶段vt一般为负值，T表示时间间隔(相邻两个目标影像图的时间间隔)，；
根据多个形变加速度中至少两个形变加速度，计算得到至少两个形变加速度的平均加速度；
具体地，平均加速度可以通过以下公式计算获得：
式中，表示处理后t时刻的形变加速度，at表示处理前t时刻的形变加速度，n表示参与计算的形变加速度的数量，式中n为3。
根据平均加速度，确定测量点对应的滑坡加速时间起点；具体的：
若平均加速度小于零，则确定测量点已进入滑坡加速阶段，且将至少两个形变加速度中后一时间的形变加速度对应的时间点确定为滑坡加速时间起点。
具体地，判断方式还可以通过以下公式表示：
式中，表示通过移动平均发处理后t时刻的形变加速度，这里面的为负值代表加速下滑，正值代表加速抬升。
可选的，上述滑坡失稳时间序列包括多个滑坡失稳时间，在S5后，还包括如下步骤：
S6，绘制滑坡失稳时间和当前观测时间序列的散点图像，若散点图像中连续的多个散点对应的滑坡失稳时间均指向未来预设时间段内一相对稳定时间，则发出滑坡失稳报警。
具体地，可以将当前观测时间序列和预测失稳垮塌时间序列来建立坐标系，如图9所示，通过在建立的坐标系中绘制当前观测时间和预测失稳垮塌的散点图像，观察散点图像的聚散程度，可以更加直观的看出预测结果。
具体地，为了增加本发明的可解读性，以下通过一个已经发生的滑坡实例，对本申请实施例中提供的一种基于星载SAR的大梯度滑坡失稳时间预测方法，进行进一步解释说明，显而易见的，该实例仅作为示例：
一.滑坡概况
金沙江白格滑坡位于西藏自治区昌都市江达县和四川省甘孜藏族自治州白玉县交界处的金沙江上游西岸，东经98°42′7″，北纬31°4′57″，海拔约3600米左右。2018年10月11日凌晨发生大规模高位滑坡，堵塞了金沙江干流河道，形成堰塞湖。
二.数据获取
由于白格滑坡位于金沙江的西岸，主要沿着东偏南的方向滑动，因此我们所选择的数据集来自升轨轨道，具体数据如表1所示。由于数据集的入射角和飞行方向角非常相近，滑坡体不在其阴影区内。同时，相比于降轨轨道也不受叠掩和顶底倒置的几何畸变影响，更适合提取滑坡体形变。另外，我们还收集了90米分辨率TanDEM-DEM来进行地理编码和去除像素偏移量计算中的地形引起的距离向偏移。
表1
滑坡边界数据是通过对Sentinel-2卫星获取的多光谱真彩色合成影像目视解译绘制出来的矢量数据，植被覆盖情况是通过Google earth上目视解译得到。
三.时序像素偏移追踪算法反演滑坡形变
在时间序列像素偏移量追踪的处理算法中，我们用基于幅度信息计算出的像对之间的偏移量代替干涉测量中的差分干涉相位，此时时空基线的偏移量测量精度的影响相比于差分干涉测量中的影响要小很多。针对格滑坡区域地表发生了剧烈变化，坡体上分布有大量的植被，因而采用规则格网间隔选点的策略，不区分点目标和分布式目标。基线组合如图5所示，跟据最小二乘的原理反演出整个滑坡区域的形变如图6所示。显而易见，最大形变已接近50m，远远超出了InSAR可探测形变的范围。
四.加速阶段时间起点确认
在本实施例中，选取滑坡后缘区域的具有代表性的测量点MP1，我们通过对图7的时间序列形变进行处理获取时间序列形变速度，进一步计算时间序列形变加速度，然后通过移动平均法，对获取的平均形变加速度进行判断，当大于零时，即为加速阶段。
五.滑坡失稳时间预测
首先采用最小二乘多项式拟合的方法对时间序列形变结果进行滤波，如图8所示。确定逆速度模型里的两个参数A和a,它们是两个经验参数，用来对滑坡体逐渐到达垮塌的形变过程进行建模。这里a控制着速度倒数与时间曲线的下降趋势，即线性或非线性趋势。对于自然坡体来说，它的值通常在1.5到2.2之间。通常情况下，对于临近垮塌发生的形变数据，速度倒数与时间的关系曲线线性程度很高，因此我们可以假设a＝2。
基于逆速度模型我们预测出白格滑坡的失稳世间如下图9所示，最后连续几次预测的垮塌时刻都指向18年9-11月这一个相对稳定的时间，因此我们需要发出失稳预警，白格滑坡于2018年10月11日发生失稳，预测与实际情况比较吻合。
第二方面，本申请实施例中提供了一种基于星载SAR的大梯度滑坡失稳时间预测系统，包括：
获取模块，用于获取待测滑坡区域在预设时间范围内的时序SAR影像数据和滑坡基础数据，滑坡基础数据包括滑坡类型、滑坡边界和植被覆盖数据；
时序速率模块，用于根据时序SAR影像数据和植被覆盖数据，得到时序SAR影像数据中每个像素点对应的时序形变速率数据；
可选的，上述时序速率模块可以包括：
像对组合模块，时序SAR影像数据包括按时间排列的多个目标影像图，用于将满足预设条件的两个目标影像图作为一个像对组合，其中，时序SAR影像数据中形成的像对组合的数量满足以下不等式：
式中，N为常数，其中，N+1表示时序SAR影像数据中目标影像图的数量，M表示像对组合的数量；
计算点确定模块，用于根据植被覆盖率的高低，将多个目标影像图中满足预设条件的多个像素点分别确定为目标像素计算点，根据植被覆盖阈值对目标像素计算点采用规则格网逐点计算和基于点目标计算的两种策略；
从所有像对组合中选取一个像对组合,且令选取的一个像对组合中的两个目标影像图分别为第一目标影像图和第二目标影像图，在第一目标影像图中选择一个较小的待计算矩形匹配窗口，在第二目标影像图中以第一目标影像图中的矩形匹配窗口为中心，选择一个较大的搜索窗口，在第二目标影像图的搜索窗口内按一定步长移动相应匹配窗口，将第一目标影像图和第二目标影像图中同一对应匹配窗口内的目标像素计算点作为一组目标像素计算点组，每次移动都计算每组目标像素计算点组的互相关系数，并根据搜索窗口内计算出的互相关系数峰表面位置(互相关系数最大的一组目标像素计算点的坐标)表示图像间的位移量，互相关系数通过第二公式表示为：
式中，NCC(i,j)表示互相关系数，(k,l)表示第一目标影像图中匹配窗口内的目标像素计算点的坐标，(i,j)表示第二目标影像图中搜索窗口内的目标像素计算点的坐标，r为第一目标影像图中匹配窗口内像素值，s为第二目标影像图中搜索窗口内像素值，μr为第一目标影像图的匹配窗口的平均像素值，μs为第二目标影像图中匹配窗口的平均像素值；
偏移量模块，用于根据互相关系数最高的一组目标像素计算点坐标，分别计算得到选取的一个像对组合的像素偏移量；
筛选模块，用于遍历所有像对组合中的每一个像对组合，互相关计算模块至偏移量模块再次重新执行，得到每一个像对组合的像对偏移量；
形变速率模块，用于根据每一个像对组合对应的像对偏移量，以及每一个像对组合中第一目标影像图以及第二目标影像图的获取时间，计算得到时序SAR影像数据对应的时序形变速率数据。
测量点模块，用于根据滑坡类型和滑坡边界，将时序SAR影像数据中的多个像素点确定为测量点；
可选的，上述测量点模块可以包括：
形变点子模块，用于根据每个像素点对应的时序性变速率数据，将位于滑坡边界内的多个像素点确定为加速形变点；
测量点子模块，用于将滑坡类型中各类型滑坡的位置对应的加速形变点确定为测量点。
模型模块，用于根据时序形变速率数据，确定预置的逆速度模型的模型参数；
失稳时间预测模块，用于将在预设时间范围内的当前观测时间序列以及测量点的时序形变速率数据输入至模型参数确定的逆速度模型中进行预测处理，预测出测量点的滑坡失稳时间序列。
可选的，在上述失稳时间预测模块中：
逆速度模型通过第一公式表示，第一公式表示为：
其中，v表示时序目标形变速率数据中与当前观测时间对应的形变速率，tf表示失稳垮塌时间，t表示当前观测时间，A和a表示模型参数。
可选的，上述失稳时间预测模块还可以包括：
加速度计算模块，用于根据测量点以及与测量点对应的时序形变速率数据，确定测量点对应的滑坡加速时间起点；其中，当前观测时间均在滑坡加速时间起点之后。
可选的，上述加速度模块可以包括：
计算子模块，用于根据测量点对应的时序目标形变速率数据，得到在对应时间范围内的多个形变加速度；
平均加速度子模块，用于根据多个形变加速度中至少两个形变加速度，计算得到至少两个形变加速度的平均加速度；
确定子模块，用于根据平均加速度，确定测量点对应的滑坡加速时间起点；具体的：
若平均加速度小于零，则确定测量点已进入滑坡加速阶段，且将至少两个形变加速度中后一时间的形变加速度对应的时间点确定为滑坡加速时间起点。
可选的，上述系统还包括：
预警模块，用于绘制滑坡失稳时间和当前观测时间序列的散点图像，若散点图像中连续的多个散点对应的滑坡失稳时间均指向未来预设时间段内一相对稳定时间，则发出滑坡失稳报警。
第三方面，本申请实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现第一方面中任一项的方法。
第四方面，本申请实施例提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面中任一项的方法。
对于本领域技术人员而言，显然本申请不限于上述示范性实施例的细节，而且在不背离本申请的精神或基本特征的情况下，能够以其它的具体形式实现本申请。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本申请的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本申请内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

Claims (10)

1.基于星载SAR的大梯度滑坡失稳时间预测方法，其特征在于，包括以下步骤：
S1，获取待测滑坡区域在预设时间范围内的时序SAR影像数据和滑坡基础数据，所述滑坡基础数据包括滑坡类型、滑坡边界和植被覆盖数据；
S2，根据所述时序SAR影像数据和所述植被覆盖数据，得到时序SAR影像数据中每个像素点对应的时序形变速率数据；
S3，根据所述滑坡类型和滑坡边界，将所述时序SAR影像数据中的多个像素点确定为测量点；
S4，根据所述时序形变速率数据，确定预置的逆速度模型的模型参数；
S5，将在所述预设时间范围内的当前观测时间序列以及所述测量点的时序形变速率数据输入至模型参数确定的所述逆速度模型中进行预测处理，预测出所述测量点的滑坡失稳时间序列。
2.根据权利要求1所述的基于星载SAR的大梯度滑坡失稳时间预测方法，其特征在于，所述滑坡失稳时间序列包括多个滑坡失稳时间，在所述S5后，还包括如下步骤：
S6，绘制滑坡失稳时间和当前观测时间序列的散点图像，若散点图像中连续的多个散点对应的滑坡失稳时间均指向未来预设时间段内一相对稳定时间，则发出滑坡失稳报警。
3.根据权利要求1所述的基于星载SAR的大梯度滑坡失稳时间预测方法，其特征在于，所述步骤S2具体为：
S21，所述时序SAR影像数据包括按时间排列的多个目标影像图，将满足预设条件的两个所述目标影像图作为一个像对组合，其中，所述时序SAR影像数据中形成的所述像对组合的数量满足以下不等式：
式中，N为常数，其中，N+1表示时序SAR影像数据中目标影像图的数量，M表示像对组合的数量；
S22，根据植被覆盖率的高低，将多个目标影像图中满足预设条件的多个像素点分别确定为目标像素计算点，根据植被覆盖阈值对目标像素计算点采用规则格网逐点计算和基于点目标计算的两种策略；
S23，从所有像对组合中选取一个像对组合,且令选取的一个像对组合中的两个目标影像图分别为第一目标影像图和第二目标影像图，在第一目标影像图中选择预置大小窗口作为待计算的矩形匹配窗口，在第二目标影像图中以第一目标影像图中的矩形匹配窗口为中心，选择预置大小窗口作为搜索窗口，在第二目标影像图的搜索窗口内按预设步长移动相应矩形匹配窗口，将第一目标影像图和第二目标影像图中同一对应的矩形匹配窗口内的目标像素计算点作为一组目标像素计算点组，每次移动都计算每组目标像素计算点组的互相关系数，并根据搜索窗口内计算出的互相关系数峰表面位置表示图像间的位移量，互相关系数通过第二公式表示为：
式中，NCC(i,j)表示互相关系数，(k,l)表示第一目标影像图中矩形匹配窗口内的目标像素计算点的坐标，(i,j)表示第二目标影像图中搜索窗口内的目标像素计算点的坐标，r为第一目标影像图中矩形匹配窗口内像素值，s为第二目标影像图中搜索窗口内像素值，μr为第一目标影像图的矩形匹配窗口的平均像素值，μs为第二目标影像图中搜索窗口的平均像素值；
S24，根据所述互相关系数最高的一组目标像素计算点，计算得到选取的一个像对组合的像对偏移量；
S25，遍历所有像对组合中的每一个像对组合，并执行S23-S24，得到每一个像对组合的像对偏移量；
S26，根据每一个像对组合对应的像对偏移量，以及每一个像对组合中第一目标影像图以及所述第二目标影像图的获取时间，计算得到所述时序SAR影像数据对应的时序形变速率数据。
4.根据权利要求1所述的基于星载SAR的大梯度滑坡失稳时间预测方法，其特征在于，所述步骤S3具体为：
S31，根据每个像素点对应的时序性变速率数据，将位于所述滑坡边界内的多个像素点确定为加速形变点；
S32，将所述滑坡类型中各类型滑坡的位置对应的加速形变点确定为测量点。
5.根据权利要求1所述的基于星载SAR的大梯度滑坡失稳时间预测方法，其特征在于，在所述步骤S5中：
所述逆速度模型通过第一公式表示，所述第一公式表示为：
其中，v表示时序目标形变速率数据中与当前观测时间对应的形变速率，tf表示失稳垮塌时间，t表示当前观测时间，A和a表示模型参数。
6.根据权利要求5所述的基于星载SAR的大梯度滑坡失稳时间预测方法，其特征在于，所述步骤S5还包括，
根据所述测量点以及与测量点对应的时序形变速率数据，确定所述测量点对应的滑坡加速时间起点；其中，所述当前观测时间均在所述滑坡加速时间起点之后。
7.根据权利要求6所述的基于星载SAR的大梯度滑坡失稳时间预测方法，其特征在于，确定所述测量点对应的滑坡加速时间起点具体为，
根据所述测量点对应的所述时序目标形变速率数据，得到在所述对应时间范围内的多个形变加速度；
根据多个所述形变加速度中至少两个所述形变加速度，计算得到至少两个所述形变加速度的平均加速度；
根据所述平均加速度，确定所述测量点对应的滑坡加速时间起点；具体的：
若所述平均加速度小于零，则确定所述测量点已进入滑坡加速阶段，且将所述至少两个形变加速度中后一时间的形变加速度对应的时间点确定为滑坡加速时间起点。
8.基于星载SAR的大梯度滑坡失稳时间预测系统，其特征在于，包括：
获取模块，用于获取待测滑坡区域在预设时间范围内的时序SAR影像数据和滑坡基础数据，所述滑坡基础数据包括滑坡类型、滑坡边界和植被覆盖数据；
时序速率模块，用于根据所述时序SAR影像数据和所述植被覆盖数据，得到时序SAR影像数据中每个像素点对应的时序形变速率数据；
测量点模块，用于根据所述滑坡类型和滑坡边界，将所述时序SAR影像数据中的多个像素点确定为测量点；
模型模块，用于根据所述时序形变速率数据，确定预置的逆速度模型的模型参数；
失稳时间预测模块，用于将在所述预设时间范围内的当前观测时间序列以及所述测量点的时序形变速率数据输入至模型参数确定的所述逆速度模型中进行预测处理，预测出所述测量点的滑坡失稳时间序列。
9.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现权利要求1-7中任一项所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行权利要求1-7中任一项所述的方法。
CN202310769423.9A 2023-06-26 2023-06-26 基于星载sar的大梯度滑坡失稳时间预测方法及系统 Active CN117031425B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310769423.9A CN117031425B (zh) 2023-06-26 2023-06-26 基于星载sar的大梯度滑坡失稳时间预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310769423.9A CN117031425B (zh) 2023-06-26 2023-06-26 基于星载sar的大梯度滑坡失稳时间预测方法及系统

Publications (2)

Publication Number Publication Date
CN117031425A true CN117031425A (zh) 2023-11-10
CN117031425B CN117031425B (zh) 2024-06-07

Family

ID=88630651

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310769423.9A Active CN117031425B (zh) 2023-06-26 2023-06-26 基于星载sar的大梯度滑坡失稳时间预测方法及系统

Country Status (1)

Country Link
CN (1) CN117031425B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609972A (zh) * 2011-10-20 2012-07-25 重庆邮电大学 基于逆速度位移场的体数据变形及可视化方法
CN111474544A (zh) * 2020-03-04 2020-07-31 广东明源勘测设计有限公司 一种基于sar数据的滑坡形变监测及预警方法
CN113989637A (zh) * 2021-09-26 2022-01-28 中国科学院空天信息创新研究院 滑坡识别知识库建立方法、装置、电子设备及存储介质
CN114488144A (zh) * 2021-12-16 2022-05-13 长安大学 一种附加dem约束的sar偏移量三维形变估计方法及系统
CN114821095A (zh) * 2022-03-24 2022-07-29 长安大学 基于Offset-Tracking技术的滑坡形变分析方法
CN115079170A (zh) * 2022-05-17 2022-09-20 中国交通通信信息中心 一种利用InSAR形变监测滑坡风险的评估方法
CN115097450A (zh) * 2022-06-27 2022-09-23 长安大学 跨轨道高分三号sar偏移量大梯度滑坡形变估计方法
WO2022213673A1 (zh) * 2021-04-06 2022-10-13 中国矿业大学 融合无人机dom和星载sar影像的地表三维形变提取方法
CN115510578A (zh) * 2022-09-26 2022-12-23 成都理工大学 基于InSAR近实时监测的滑坡失稳时间概率预测方法及产品

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609972A (zh) * 2011-10-20 2012-07-25 重庆邮电大学 基于逆速度位移场的体数据变形及可视化方法
CN111474544A (zh) * 2020-03-04 2020-07-31 广东明源勘测设计有限公司 一种基于sar数据的滑坡形变监测及预警方法
WO2022213673A1 (zh) * 2021-04-06 2022-10-13 中国矿业大学 融合无人机dom和星载sar影像的地表三维形变提取方法
CN113989637A (zh) * 2021-09-26 2022-01-28 中国科学院空天信息创新研究院 滑坡识别知识库建立方法、装置、电子设备及存储介质
CN114488144A (zh) * 2021-12-16 2022-05-13 长安大学 一种附加dem约束的sar偏移量三维形变估计方法及系统
CN114821095A (zh) * 2022-03-24 2022-07-29 长安大学 基于Offset-Tracking技术的滑坡形变分析方法
CN115079170A (zh) * 2022-05-17 2022-09-20 中国交通通信信息中心 一种利用InSAR形变监测滑坡风险的评估方法
CN115097450A (zh) * 2022-06-27 2022-09-23 长安大学 跨轨道高分三号sar偏移量大梯度滑坡形变估计方法
CN115510578A (zh) * 2022-09-26 2022-12-23 成都理工大学 基于InSAR近实时监测的滑坡失稳时间概率预测方法及产品

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
李振洪;宋闯;余琛;肖儒雅;陈立福;罗慧;戴可人;葛大庆;丁一;张宇星;张勤;: "卫星雷达遥感在滑坡灾害探测和监测中的应用:挑战与对策", 武汉大学学报(信息科学版), no. 07, 14 May 2019 (2019-05-14) *
李梦华 等: "四川茂县岷江河谷区段滑坡隐患雷达遥感识别与形变监测", 《武汉大学学报 信息科学版》, vol. 46, no. 10, 31 October 2021 (2021-10-31), pages 1529 - 1537 *
武鑫 等: "滑坡失稳时间预测方法研究综述", 《水利水电科技进展》, vol. 41, no. 4, 31 July 2021 (2021-07-31), pages 89 - 94 *

Also Published As

Publication number Publication date
CN117031425B (zh) 2024-06-07

Similar Documents

Publication Publication Date Title
Vinci et al. Measuring rill erosion by laser scanning
Rossini et al. Rapid melting dynamics of an alpine glacier with repeated UAV photogrammetry
Yakar et al. Discontinuity set extraction from 3D point clouds obtained by UAV Photogrammetry in a rockfall site
Thomas et al. Aeolian system responses to global change: challenges of scale, process and temporal integration
Ružić et al. Coastal cliff geometry derived from structure-from-motion photogrammetry at Stara Baška, Krk Island, Croatia
Hermas et al. Retrieving sand dune movements using sub-pixel correlation of multi-temporal optical remote sensing imagery, northwest Sinai Peninsula, Egypt
Tavani et al. High precision analysis of an embryonic extensional fault-related fold using 3D orthorectified virtual outcrops: The viewpoint importance in structural geology
Prokop et al. Merging terrestrial laser scanning technology with photogrammetric and total station data for the determination of avalanche modeling parameters
Sestras et al. A novel method for landslide deformation monitoring by fusing UAV photogrammetry and LiDAR data based on each sensor's mapping advantage in regards to terrain feature
Dong Automated measurement of sand dune migration using multi-temporal lidar data and GIS
Zhan et al. Rockfall hazard assessment in the taihang grand canyon scenic area integrating regional-scale identification of potential rockfall sources
Lian et al. Extraction of high-accuracy control points using ICESat-2 ATL03 in urban areas
Dattler et al. Significant spatial variability in radar‐derived west Antarctic accumulation linked to surface winds and topography
CN114117913A (zh) 一种坝后露天渗流量监测系统及测值归因分析方法
Zahs et al. Multi‐temporal 3D point cloud‐based quantification and analysis of geomorphological activity at an alpine rock glacier using airborne and terrestrial LiDAR
Melchiorre et al. Evaluation of prediction capability, robustness, and sensitivity in non-linear landslide susceptibility models, Guantánamo, Cuba
Bollmann et al. A rock glacier activity index based on rock glacier thickness changes and displacement rates derived from airborne laser scanning
Fernandez et al. A new technique for the detection of large scale landslides in glacio-lacustrine deposits using image correlation based upon aerial imagery: A case study from the French Alps
Righini et al. Remote sensing as a tool for analysing channel dynamics and geomorphic effects of floods
Liu et al. Detection of crevasses over polar ice shelves using Satellite Laser Altimeter
CN117031425B (zh) 基于星载sar的大梯度滑坡失稳时间预测方法及系统
Wang et al. Comparison of changes in glacier area and thickness on the northern and southern slopes of Mt. Bogda, eastern Tianshan Mountains
Perski et al. Monitoring of landslide dynamics with LIDAR, SAR interferometry and photogrammetry. Case study of Kłodne landslide (Southern Poland)
Dietterich et al. Lava flows in 3D: using airborne lidar and preeruptive topography to evaluate lava flow surface morphology and thickness in Hawai ‘i
Nolan et al. Which are the highest peaks in the US Arctic? Fodar settles the debate

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