联合SBAS-InSAR和PSO-BP算法的高山峡谷区地质灾害危险性评价

近年来,高山峡谷区地质灾害频频发生,给人民生命和财产安全带来严重威胁。针对现有地质灾害评价方法存在地质灾害数据时效性差、不准确以及需进行大量评价因子权值计算等弊端,该研究提出一种联合SBAS-InSAR(Small Baseline Subsets-Interferometric Synthetic Aperture Radar)和PSO-BP(Particle Swarm Optimization-Back Propagation)算法来对高山峡谷区地质灾害危险性进行评价的方法。首先利用SBAS-InSAR技术获取得到研究区升降轨形变量,引入高分辨率影像等作为辅助识别,得到研究区地质灾害数据;然后,选取高程、坡度、升降形变速率等12个评价因子与是否为高危险区构建PSO-BP模型,对模型进行训练、验证并保存模型;利用保存好的模型得到研究区的地质灾害指数,通过ArcGIS自然间断点分级法结合专家参与进行危险性分级,最终得到研究区地质灾害危险性评价结果。试验结果表明:利用升降轨结合的方式对高山峡谷地质灾害进行识别,避免了单一轨道存在SAR成像几何畸变造成部分地质灾害不能识别或识别结果不全面等问题;利用SBAS-InSAR技术并结合高分辨率影像等辅助信息,可有效识别出活跃的泥石流、滑坡、崩塌和潜在地质灾害,解决了现有地质灾害点数据源时效性差、不准确等弊端;利用PSO-BP算法能跳过大量评价因子权值计算等弊端;为验证该研究方法的有效性,选择信息量法和组合赋权法进行定量和定性比较,结果表明,该研究方法有效的提高了地质灾害危险性评价的准确度,信息量法、组合赋权法和该研究方法的AUC(Area Under The Curve)值分别为0.694、0.721、0.785,准确率为73.3%、76.2%、79.8%。利用该方法能更为有效的对高山峡谷区地质灾害进行危险性评价,为防灾减灾事业及政府部门决策提供参考。

基于SBAS-InSAR技术的深切割高山峡谷区滑坡灾害早期识别

近年来,高山峡谷区滑坡灾害频频发生,给人民生命和财产安全带来严重威胁。针对多数学者利用SAR单轨道数据对高山峡谷区滑坡进行早期识别,存在SAR成像几何畸变造成部分滑坡不能识别、识别结果不全面等问题。为全面准确的对高山峡谷区滑坡隐患进行早期识别,文章采用SBAS-InSAR技术,以东川小江沿线两侧深切割高山峡谷区为研究区,通过升降轨SAR数据结合互补的方式进行滑坡灾害隐患识别,引入高分辨率光学影像等作为辅助识别,最终共识别出18处滑坡灾害体,其中5处为高风险潜在滑坡,并对三类典型潜在滑坡进行分析。分析结果表明:利用升降轨SAR数据结合互补的方式,能有效避免SAR单轨道数据在高山峡谷地区产生的几何畸变问题,同时,该方法能更为准确全面地对高山峡谷区滑坡隐患进行早期识别,为防灾减灾事业及政府部门决策提供一种有效的手段。

基于SBAS-InSAR和改进BP神经网络的城市地面沉降预测

针对现有城市地面沉降预测方法过度依赖沉降数据、模型单一等问题,以云南省昆明市主城区为研究对象,从多时序多因子角度提出一种改进BP神经网络在城市地面沉降中的预测方法。首先,利用SBAS-InSAR技术获取主城区地面沉降监测值,然后通过SPSSAU软件中的灰色关联分析和因子分析选取主城区地面沉降的影响因子,并将其与获取的沉降监测值从多因子多时序角度构建GA-BP和PSO-BP预测模型,最后,得出最优的预测模型并进行预测性能验证。实验结果表明:利用SBAS-InSAR能有效监测城市地面沉降;GA-BP算法相比PSO-BP算法在城市地面沉降预测中性能更好、精度更高;该方法可对长时间、大范围城市地面沉降预测和对某一沉降点多期沉降趋势进行预测。该方法可作为城市地面沉降预测的有效手段,为政府部门决策提供了一种高效快速的方法。

基于SBAS-InSAR和PSO-BP神经网络算法的矿区地表沉降监测及预测

针对传统监测技术无法进行长时间矿区地表沉降监测以及现有预测模型过度依赖沉降数据、模型单一等问题,提出一种基于小基线集合成孔径雷达干涉(Small Baseline Subsets Interferometric Synthetic Aperture Radar,SBAS-InSAR)和粒子群优化-反向传播(Particle Swarm Optimization-Back Propagation,PSO-BP)神经网络算法的矿区地表沉降监测及预测模型.首先,利用SBAS-InSAR技术获取矿区地表沉降监测值;然后,选取矿区地表沉降的影响因子与获取的沉降监测值从多因子角度构建PSO-BP预测模型;最后,分析该方法的有效性和合理性.实验结果表明,利用SBAS-InSAR能有效监测矿区地表长时间沉降,随着训练样本的增加,PSO-BP预测值与SBAS-InSAR沉降值残差逐渐减少,算法收敛迭代加快,均方误差降低.与现有监测方法及预测模型的对比,证明了SBAS-InSAR在矿区地表长时间沉降监测中的优势以及PSO-BP模型在矿区地表沉降预测中的有效性和合理性,该方法可作为矿区地表长时间沉降监测和预测的有效手段.

顾及大气误差和相位解缠误差的LiCSBAS方法对高山峡谷地区地质灾害的探测

针对目前时序分析数据预处理耗时量大及高山峡谷地区单轨道探测地质灾害存在的弊端,本文以东川小江沿线高山峡谷地区为研究对象,利用时序LiCSBAS方法和联合二维形变分解对高山峡谷地区地质灾害进行探测,探究利用LiCSAR和GACOS产品解决处理时间过长、控制大气延迟、相位解缠误差在实际应用中的效果。试验结果表明:(1)利用LiCSAR和GACOS产品能大大加快数据处理效率和降低大气延迟对形变结果的影响;(2)环闭合相位能够有效识别出均方根值大于定义阈值的有问题的环路;(3)联合升降轨获取一维视线向形变并进行二维分解,得到垂直向和东西向的形变,综合各形变信息,引入高分辨率光学影像,共探测出6处地质灾害区。通过试验验证了本文方法在高山峡谷地区地质灾害探测结果的准确性及优势,为政府部门监测及探测高山峡谷地区地质灾害的发生提供了一种有效、快速的探测手段。

基于SBAS-InSAR技术的白鹤滩水电站库岸潜在滑坡变形分析

库岸潜在滑坡变形分析是保障国家水利水电设施安全运行的重要环节,针对仅利用单一轨道SAR数据对库岸潜在滑坡变形监测不准确的问题,采用SBAS-InSAR技术,联合升降轨Sentinel-1 SAR数据构建研究区2019年7月至2021年7月的雷达视线方向形变时间序列,并结合无人机野外调查,分析白鹤滩水电站库岸典型潜在滑坡的变形特征。结果表明:(1)受蓄水因素影响,白鹤滩水电站库岸潜在滑坡形变平均增速达10 mm/a以上,库岸稳定性受到破坏;(2)蓄水量变化是当前库岸滑坡发育的关键性诱因,在蓄水和降雨等因素共同作用下,白鹤滩水电站库岸潜在滑坡存在失稳风险;(3)升降轨SAR数据结合的方式能有效克服单一轨道导致的几何畸变等问题,使水电站库岸潜在滑坡变形监测更加准确、全面。研究结果有助于了解库区蓄水对库岸潜在滑坡变形趋势的影响,可为区域尺度防灾应急管理提供科学支持。

基于SBAS-InSAR和BP算法的大理市地面沉降监测及预测

针对传统差分合成孔径雷达干涉测量(differential interferometric synthetic aperture radar,D-InSAR)存在时空失相干、大气延迟的问题,选择小基线集合成孔径雷达干涉(small baseline subset interferometric synthetic aperture radar,SBAS-InSAR)技术获取高精度地表沉降信息。为了更快了解未来城市地表沉降趋势,提出一种基于SBAS-InSAR和BP神经网络算法的城市地表沉降监测及预测模型。利用SBAS-InSAR技术获取大理市2020年5月1日至2021年12月22日时间序列累计最大沉降速率,其沉降速率范围为-52.627~47.543 mm/a;选取研究区5个沉降较为严重的区域分析沉降原因;最后随机选取B沉降区内1000个沉降点,其中300个作为学习训练样本,700个进行测试和预测分析,预测结果与监测结果相吻合,其平均绝对误差为0.255 mm,均方误差为0.129 mm。实验结果表明,提出的结合SBAS-InSAR和BP算法模型,能够有效对城市地表沉降进行监测与预测。

SBAS-InSAR技术与无人机影像融合的滑坡变形监测

山体滑坡对人类安全造成严重影响,准确识别滑坡变形对预防滑坡灾害具有重要意义。利用SBAS-InSAR技术可以进行空间连续地表变形监测,但无法精确获取滑坡边界的变化。为了综合监测滑坡,本文首先采用SBAS-InSAR技术与无人机影像结合的滑坡变形监测方法,利用2018年1月1日—2020年12月24日,共计80幅升轨Sentinel-1A SAR影像,进行了VV极化和VH极化数据处理;然后通过SBAS-InSAR技术获取滑坡区地表雷达视线(LOS)方向变形速率,选取了若干变形点进行滑坡体变形时序分析;最后采用无人机获取滑坡影像并提取滑坡边界,分析了滑坡边界的变形。试验结果表明,利用SBAS-InSAR技术获取的滑坡变形和无人机获取的滑坡变形趋势基本吻合,通过该方法可以获取滑坡的综合变形情况,对滑坡活动性的判断具有重要意义。

基于时序SBAS-InSAR技术的通海县盆地区地面沉降监测

1970年1月5日,通海县盆地区曾发生7级以上大地震。针对该区域内复杂的地质结构及缺乏大面积的有效监测等问题,采用SBAS-InSAR技术处理覆盖通海县盆地的69景2018年7月20日~2020年11月18日Sentinel-1A影像,首先获取了整体地表形变沉降速率,然后分析了沉降区分布特征及4个典型沉降区,最后对沉降区的成因进行探究。结果表明:通海县盆地区域内总体沉降速率为-90.55mm/a~39.99 mm/a,广泛分布有多个明显沉降带,且这些沉降带有逐渐成片蔓延的趋势;区域内的沉降主要与城市建设荷载及曲江断裂地质结构有关。

基于SBAS-InSAR技术的小区域沉降监测研究

小基线集技术(SBAS-InSAR)可以获取空间连续的地表变形监测结果.针对小区域的地表沉降监测进行研究,利用2018年7月20日到2020年11月18日共计69幅升轨Sentinel-1ASAR影像进行VV极化和VH极化数据处理,通过SBAS-InSAR技术获得研究区地表垂直方向形变速率.为了验证SBAS-InSAR技术在小区域范围内沉降监测的适应性,选取研究区域若干变形点进行沉降分析,将水准测量沉降结果与SBAS-InSAR变形结果进行对比分析,结果表明,SBAS-InSAR技术进行小区域沉降监测方法可行,具有一定的应用价值.

联合SBAS-InSAR和BP算法的滇中高速公路沿线沉降监测与预测

近年来,云南省在“一带一路”及“长江经济带”发展战略的引领下,加速了高速公路的建设。本文针对传统方式对高速公路地表形变排查难度大的问题,首先利用SBAS-InSAR技术处理覆盖滇中地区的69景Sentinel-1A SAR影像,获取高速公路沿线的地表形变沉降速率场,探测沿线的灾害隐患点,分析形变特征;然后,提取部分沉降值作为BP神经网络算法的训练样本,建立预测模型对高速公路沿线的沉降趋势进行预测。结果表明:①滇中地区高速公路沿线地表形变分布广泛,最大沉降速率为-76.50 mm/a,位于三环线草海隧道沿线;②研究区内共探测出22个灾害隐患点;③随机提取高速公路沿线1000组SBAS-InSAR沉降数据,利用BP神经网络对沿线地表沉降形变进行预测,得到均方误差为0.167 mm,平均绝对误差为0.379 mm,SBAS监测值与BP神经网络预测值之间的最大误差为0.666 mm/a,表明BP算法能够为道路灾害识别普查提供必要的技术支持。

云南省传统村落空间分布特征及其影响因素研究

针对云南省传统村落空间分布特征的研究较少,以往学者少有结合云南实际情况进行有效分析等问题,为更好地发掘和传承传统村落文化,为乡村振兴战略提供准确的参考及服务,以云南省708个传统村落为研究对象,运用空间分析和计量地理学模型,如最邻近指数、变异系数、地理集中指数、不平衡指数、核密度分析、叠置分析和缓冲区分析等对云南省传统村落空间分布特征及其影响因素进行研究。研究结果表明:云南省传统村落呈现凝聚型分布,村落分布较集中、不均衡,主要分布于"三核一带";云南省传统村落分布受自然因素和社会人文因素的影响,主要分布于高程值1200~2400 m,地貌为山地地区,坡度小于10°,气温为10~20℃,降雨量为700~1400 mm,距离河流水系1 km的地区;云南省传统村落的分布不由地区经济发展的好坏来决定的,云南特有的少数民族和茶马古道对传统村落的分布有一定影响。

茶马古道鲁史段沿线聚落形成研究

茶马古道鲁史段作为我国古代滇西南边陲重要的移民、商贸及文化通道,其沿线聚落的形成反应了当地生活、文化及各类物质的变迁。通过对茶马古道鲁史段研究,不仅能很好地记述古道沿线聚落形成事实,还能为我国其他古道沿线聚落形成研究提供参考。本研究以茶马古道鲁史段沿线聚落金马村、鲁史村、犀牛村和塘房村为研究对象,从时间和空间两个角度研究沿线聚落的形成,时间角度上采用史料收集、实地调研等方法,空间角度上运用GIS分析聚落的分布特征。结果表明:鲁史段古驿道沿线聚落形成于明代、清代和民国三个时期,主要受政治政策、驿道经济和生计需求等方面的影响;聚落分布与驿站距离、地形地貌及土地利用类型有关。以上研究结果可为古驿道沿线聚落的发展和保护提供参考。

时序新方法在城市地面沉降监测中的研究

针对现有时序分析在大范围形变监测中数据处理时间长、存在大气延迟误差和相位解缠误差问题,该文利用LiCSAR产品,采用时序新方法LiCSBAS技术,引入GACOS产品进行大气改正,运用整体干涉质量检验和环闭合相位来剔除解缠误差。以昆明市为研究对象,选取2018—2021年获取的84景Sentinel-1影像进行实验研究。结果表明:LiCSAR产品能有效提高数据处理效率;采用CACOS产品对流层大气延迟进行改正具有一定效果;环闭合相位能够有效剔除解缠误差。利用该方法共监测出6个沉降区,其成因受城市建设、地质、地下水抽取等因素导致,相较于已有研究表明,A沉降区为新增沉降中心。该方法在大范围城市地面沉降监测中具有一定优势,可为防灾减灾事业及政府部门决策提供一种有效的手段。

SBAS-InSAR技术支持下的滇西北宾川断陷盆地沉降监测与预测

滇西北宾川断陷盆地一带新构造运动活跃,滑坡、地震现象时常发生.针对该区域内复杂的地质结构及缺乏大面积的有效监测等问题,采用SBAS-InSAR技术处理覆盖宾川县断陷盆地的58景2019年1月7日—2020年12月15日Sentinel-1A影像,首先获取研究区内的整体地表形变沉降速率场,然后分析了沉降区的时空分布特征及5个典型的沉降漏斗区,并对沉降区的成因进行探究;最后随机提取沉降最严重的A区中的639个沉降点,选取其中的609个点作为BP神经网络模型的学习样本,对剩余的30个沉降监测点进行预测,并将预测结果与SBAS-InSAR监测值进行对比.结果表明:(1)宾川县断陷盆地区最大沉降速率为-117.89 mm/a,位于州城镇第二中学片区;(2)研究区内的地表沉降主要与地质结构、地下水的抽取及人类活动等有关;(3)BP神经网络模型的预测结果与SBAS-InSAR监测值的最大误差为2.451 mm,均方误差为0.18 mm,表明BP神经网络模型能够很好地预测县级城市的地表沉降.

使用冯·米塞斯分布提取特征的点云精简方法

针对点云精简算法提取特征时较为依赖传统参数、特征提取不全面和特征边界易丢失等问题,提出一种使用冯·米塞斯(vMF)分布提取特征的点云精简方法。该方法首先利用邻域重心点构建向量,通过与法向之间的夹角关系设置阈值划分曲面,降低噪声对细节特征的影响;然后利用冯·米塞斯分布提取曲面点的优先度,实现全局特征提取;最后基于特征进行八叉树分级精简。实验结果表明:所提方法可有效提取细节特征,相比于基于曲率、Hausdorff距离的方法所提取到的特征,有着更好的特征提取效果;利用基于曲率、栅格、随机的精简算法与所提方法进行关于重建结果、3D偏差、定量分析的对比,证明所提精简方法效果更优。所提方法为点云特征提取和精简提供一种新的思路。