孕灾机理与综合遥感结合的三峡库首顺层岩质滑坡隐患识别

隐患识别是实现地质灾害从注重灾后救助向注重灾前预防转变的重要技术工作。本文以三峡库首秭归沙镇溪镇周边岸坡段顺层岩质滑坡隐患识别为基础,提出基于孕灾机理与综合遥感相结合的地质灾害隐患识别方法。首先,借助资料整理分析、遥感调查和现场调查等查明孕灾环境,并建立孕灾指标体系;其次,针对典型灾害体开展地质结构与致灾机理分析,以揭示典型孕灾模式,并建立综合遥感判识标志;再次,采用易发性分区评价,结合高分光学卫星遥感与InSAR等天基遥感变化检测技术,圈定隐患识别的易发重点靶区;然后,针对高易发靶区,利用无人机摄影测量、LiDAR等空基遥感技术识别疑似隐患体;最后,通过地面核查与专家判识,确认并圈定地质灾害隐患。利用该套技术方法,在工作区内共识别出8处地质灾害隐患,其中5处为具备孕灾模式但尚未出现明显变形的顺层岩质滑坡隐患体。结果表明,该套技术方法以查明孕灾环境及建立孕灾模式为核心与前提、以综合遥感探测为重要技术支撑,可以弥补目前主要依赖遥感变化探测开展隐患识别易造成精度较低甚至失效的缺陷,尤其适合于山高坡陡、植被覆盖茂密地区的隐蔽性、突发性地质灾害的隐患识别。     

知识图谱驱动下的多源遥感滑坡隐患识别

遥感技术在地质灾害防治领域发挥着重要作用,随着航天航空技术的发展,更多的遥感数据可被获得并有效地运用于地质灾害体的识别,尤其在滑坡隐患识别中广为应用。综合利用InSAR和光学遥感数据开展地质灾害隐患识别是近期研究的热点。传统识别过程完全依靠解译人员的工作经验,其主观性较强,无固定的识别逻辑遵循。本文基于SBAS-InSAR与光学卫星影像,通过分析滑坡隐患识别过程,构建滑坡识别知识图谱和识别提取矩阵模型。在知识图谱逻辑驱动下对“光学遥感+InSAR”组合识别的滑坡隐患进行区域空间特征分析,为滑坡广域识别提供了具有半定量化提取指标意义的参考执行方案,实现了滑坡隐患识别从完全主观到半定量化的识别过程。试验表明,本文方法可为相关研究和工程实际应用提供借鉴,具有一定的应用价值。     

时序InSAR的贵州地质灾害监测

针对传统地质灾害监测手段无法进行全天时、全天候、大范围面状监测的这一现状,运用时序InSAR技术,以及L波段SAR数据、数字高程模型获取了研究区形变序列,并结合全球降水数据、实地调查数据、矿区采空区覆岩移动分带进行了成因分析。实地调查数据验证了小基线集InSAR技术识别地表形变具有较高的可靠性。通过引入全球降水计划GPM多星降水反演产品IMERG中的逐月降水数据分析了P2滑坡隐患点变形规律,发现在降雨多发期,隐患滑坡点变形速度明显增大。实验结果证明,时序InSAR技术在大面积地质灾害多发区中可以有效发挥作用,可为防灾减灾工作提供参考。     

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

长期以来,中国四川省茂县地区受地质、地形条件和构造活动的影响,滑坡等地质灾害频发,给人民的生命财产和公路等基础设施安全带来了巨大的威胁,因此需要对滑坡隐患区域进行有效识别和监测。以时序哨兵1号A、B卫星(Sentinel-1A/1B)影像为数据源,利用时间序列合成孔径雷达干涉测量(interferometric synthetic aperture radar, InSAR)技术对茂县岷江河谷区段的潜在滑坡隐患开展识别监测,对重点区段进行了分析,同时分析探讨了InSAR滑坡监测中不同轨道数据的视线方向形变测量灵敏度差异。从实验结果中成功探测识别出了茂县岷江河谷沟口乡至石大关乡段的20余处滑坡隐患,现场实地考察验证了识别结果的准确性,证明了时序InSAR方法在高山河谷区滑坡隐患识别监测中的有效性。     

广域滑坡灾害隐患InSAR显著性形变区深度学习识别技术

全面识别和发现地质灾害隐患,已成为我国地质灾害防治的重大实际需求。目前,基于InSAR技术和深度学习相结合用于广域尺度下地质灾害隐患智能识别应用效果与适用性还需要进一步探索与研究。本文基于Stacking InSAR技术获得地表形变相位数据,利用深度学习检测识别正在变形的滑坡隐患位置与分布,确定显著性形变区边界,探索将上述技术方法推广到一定的广域范围和动态更新数据集。结果显示,测试数据集显著性形变区平均识别精度为0.69,召回率为0.67,F₁ score为0.67,动态更新数据集识别精度为0.85,召回率为0.58,F₁ score为0.68。研究表明,本文方法在广域地灾隐患识别中具有应用可行性,可为地质灾害监测预警提供理论基础与技术支撑。     

小型斜坡隐患识别“空天地”图谱几何遥感方法

“空天地”一体化三查技术体系在西南地区大中型滑坡等灾害早期识别中得到验证和应用,但该方法对人类工程活动诱发的小型灾变体查全率较低。快速准确识别小型隐患点位置极为迫切。本文以广东省龙川县为例,针对点小面广、多发隐蔽的小型斜坡变形和人工切坡建房诱发的崩滑流灾害,研究试验“全查-带扫-点筛-面核-群防-联审”模式的早期识别图谱几何遥感方法,利用2019年1月8日至2022年6月29日94期Sentinel-1雷达影像SBAS-InSAR时序反演、提取异常形变区,综合激光雷达扫描和地质孕灾背景资料从异常形变区图斑中筛查标识出疑似隐患风险点,并开展现场外业核查界定隐患风险类型。结果表明：时序InSAR反演初查发现323处异常形变区,筛查标识出疑似隐患图斑82处,对55处图斑现场外业验证,7处界定为隐患点。证明该方法具有应用价值,能够为地质灾害隐患风险点防灾减灾提供科学依据。     

结合SBAS-InSAR技术及信息熵的苍山地质滑坡隐患识别

针对西南地区滑坡隐患高位隐蔽,传统技术难以全面识别的问题,本文以大理苍山为研究对象,首先利用SBAS-InSAR技术对苍山2019年1月-2021年4月间的滑坡隐患进行识别;然后结合随机概率信息熵模型,对不同坡度等级与边坡稳定性之间的关联性进行定量分析;最后根据典型隐患区的遥感影像以及采样点的形变时序图,探讨了边坡形变时空演化特征及沉降诱因。试验结果表明:①2019年1月-2021年4月,研究区的形变速率为-155.6～92.4mm/a,13个超过-30mm/a的不稳定滑坡隐患被识别;②坡度等级为Ⅳ、Ⅴ级时,信息熵大于0.8,边坡稳定性较弱,不均匀形变严重,与已有研究保持高度一致,证实了该模型的可靠性;③典型隐患区形变趋势呈明显的季节性变化,降雨和冰雪消融是导致边坡失稳的主要因素。     

黄土台塬滑坡变形的时序InSAR监测分析

黄土台塬由于经常性的农业灌溉容易造成边缘区域滑坡发育。因此,需要利用有效手段对这些潜在的滑坡隐患进行早期识别与监测。利用时间序列合成孔径雷达干涉测量（interferometric synthetic aperture radar,InSAR）技术对2016-01至2018-08期间获取的升降轨Sentinel-1数据集进行分析,获取了甘肃永靖黑方台典型台塬地区的滑坡隐患分布情况。将InSAR结果与GPS观测资料进行对比,验证了时序InSAR处理方法的有效性。对该地区滑坡的历史变形分析表明,持续的农业灌溉引起的地下水位抬升是台塬边缘坡体失稳的主要诱因。同时,InSAR时序分析发现,研究区域内的跨黄河大桥受季节更替和温度波动的影响,存在周期性变形现象。实验结果证明了时序InSAR方法在地表变形监测中的有效性,可在黄土滑坡识别与监测防治中发挥重要作用。     

重大地质灾害隐患早期识别中综合遥感应用的思考与建议

2017年以来,以四川茂县新磨村高位垮塌、金沙江白格滑坡为代表的重大地质灾害多次发生,呈现出隐蔽性强、突发性高、破坏力大等特点,难以早期发现。值得注意的是,尽管地质灾害防治工作已在全国大范围开展并受到国家层面的高度重视与支持,但绝大部分灾害仍发生于全国现有地质灾害隐患点分布以外的区域。对这些人迹罕至、人不能至且观测条件苛刻的地区的重大隐患进行有效早期识别,是当前地质灾害防治工作尚需解决的难题和重要任务。在总结合成孔径雷达干涉测量（interferometric synthetic aperture radar,InSAR）技术特点与其应用局限的基础上,从光学遥感、InSAR、激光雷达等综合遥感测量的角度提出了以“形态、形变、形势”（三形）为观测内容、以定性识别灾害隐患位置、定量监测灾害体变形幅度、依靠综合遥感动态监测数据提升隐患识别能力的技术思路。对未来工作提出了若干建议与思考,以期服务于重大地质灾害隐患综合判断与早期识别工作。     

SBAS-InSAR技术与无人机影像融合的滑坡变形监测北大核心CSCD

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。     

泸定Ms 6.8地震诱发滑坡应急评价研究

2022-09-05,四川省甘孜州泸定县发生Ms 6.8地震。地震在山区诱发了大量的地质灾害,造成了严重的人员伤亡。快速准确地获取地震诱发地质灾害的空间分布范围对震后应急决策和救援抢险至关重要。基于全球同震滑坡数据库与深度学习算法,构建了地震诱发滑坡空间分布概率近实时预测模型,在震后2 h内获取了泸定地震诱发地质灾害的预测结果。通过震后无人机与卫星遥感影像,采用机器学习与深度学习算法实现了震后大范围地质灾害的智能识别,共解译地震诱发滑坡3 633处,总面积13.78 km2。利用遥感解译的泸定地震滑坡数据,对地震诱发地质灾害预测模型进行了优化,获得了震区范围更广、准确性更高的同震滑坡预测结果。结果表明,同震滑坡预测模型能够快速获取震后地质灾害的空间分布情况,填补震后遥感影像获取前的空窗期,为灾后应急救援提供支撑;基于无人机与卫星遥感影像的智能识别技术是快速获取大范围地质灾害信息的有效手段。所取得的研究成果在泸定地震震后应急救援工作中发挥了重要作用。     

2022年汤加火山喷发的综合遥感快速解译分析

2022年1月14日—15日南太平洋汤加Hunga Tonga-Hunga Ha'apai(HTHH)海底火山发生剧烈喷发并造成海啸,引起了国际广泛关注.对此次"千年一遇"的汤加HTHH火山喷发事件进行应急响应,首先综合利用国内外多时相卫星光学影像、雷达影像、全球导航卫星系统(global navigation sat...     

使用多尺度模糊融合的高分影像变化检测

为了提高高分辨率遥感影像变化检测的可靠性,提出了一种基于模糊综合评判的遥感影像变化检测方法.首先对两个时相的影像进行波段叠加,对多波段新影像进行多尺度分割;然后针对单一尺度上的对象,综合考虑两时相遥感影像对象的光谱特征和纹理特征,建立模糊综合评判模型,对各个对象内的像素是否发生变化进行隶属度计算;最后采用熵权法对影像各...     

遥感图像质量等级分类的深度卷积神经网络方法

遥感图像应用发展对图像质量的要求越来越高,不同质量的遥感图像往往需要不同的处理方法和参数。通过遥感图像质量等级分类研究,不仅能够为遥感图像的处理提供先验信息,还能够对遥感图像的客观质量评价和传感器的成像效果进行评估。为了克服现有的遥感图像质量等级分类方法计算参数获取困难、等级数量少的缺点,利用深度学习方法的分类机能,通过改进特征提取网络和等级分类设计,建立了一种基于深度卷积神经网络的遥感图像质量等级分类模型。通过质量等级分类预处理后,利用经典的深度学习方法进行目标检测实验。结果表明,所提方法在西北工业大学遥感图像数据集上质量等级分类的准确率、召回率、精确率和F1最高能达到0.976、0.972、0.974和0.973, 优于传统算法。利用卷积神经网络实现遥感图像质量等级分类,既拓展了深度学习的应用领域,又为遥感图像质量评估提供了一个新方法。     

利用多源空间数据的城中村空间层次化识别方法

城中村的精细空间分布是城市规划与城市更新的重要参考。由于城中村具有语义高级和遥感影像特征辨识度不足的特点,使用传统的场景识别方法难以从高密度城市中获得精度良好的城中村精细空间分布。针对城中村的精细识别问题,提出了一种新颖的融合遥感影像和社会感知的层次化识别方法。该方法在特征上融合了遥感图像和社会感知数据的优点,其层次化结构同时考虑了大范围的上下文信息和小范围的局部信息,为在精细尺度全面理解城中村提供了一个新思路。基于该方法对深圳市的城中村进行了空间识别,获得了2.5 m空间分辨率的精细城中村分布。精度验证表明,该结果的总体精度和Kappa系数分别达到98.68%和0.807,说明该方法具有优秀的表现。此外,还通过对照实验分别证明了层次化识别框架、融合遥感影像和社会感知数据的增益效果。结果表明,层次化框架和多源空间数据都能有效提高城中村识别方法的精度。     

空地协同移动智能服务平台研发及典型应用

面向万物互联时代的移动智能服务需求,亟须建立空地协同智能服务平台。由于核心设备和算法的限制,空地协同移动智能服务平台发展较为缓慢。由此通过攻关传感器实时位置和姿态测量的核心技术与数据处理和分析的关键算法,研制了高精度位姿测量设备,研发了机载和车载空地多平台协同组网遥感观测系统,实现了多源遥感影像质量改善与智能精处理,有效支撑遥感测绘服务,提升遥感信息自动化处理水平,从而解决了空地协同智能服务平台中“准、快、灵”的难题,实现“北斗+位姿测量仪”全球自主“定基准”、空地协同组网快速“找目标”、智能化精处理自动“查变化”。成果已被广泛应用于地理国情监测、智慧城市规划和建设、应急测绘保障等行业。     

一种利用Mask R-CNN的遥感影像与矢量数据配准方法

遥感影像数据与地理信息系统（geographic information system,GIS）矢量数据的配准是遥感与GIS集成的基础。目前遥感影像与矢量数据的配准关键在于遥感影像特征的提取,而现有遥感影像特征提取方法存在特征提取不完整、配准失败和精度不高等问题。由此提出了一种基于Mask R-CNN（region-based convolutional neural network）的遥感影像与矢量数据配准方法,首先,利用Mask R-CNN模型提取影像的道路交叉口作为影像控制点; 然后,依据几何拓扑关系筛选矢量数据道路交叉口作为矢量控制点,再根据遥感影像与矢量数据控制点的欧氏距离确定同名控制点;最后,以同名控制点为基础实现遥感影像与矢量数据的配准。选取上海市矢量数据和高分二号影像数据进行配准实验,实验结果表明, 所提方法鲁棒性强、精度高。     

基于Transformer结构的遥感影像敏感目标自动隐藏方法

遥感影像敏感目标隐藏是保证遥感资源安全共享的关键。针对传统方法存在的目标检测不完全、补全结果不可靠的问题,提出了一种基于Transformer结构的遥感影像敏感目标自动隐藏方法。首先利用以Swin Transformer为主干网络的Cascade Mask R-CNN（region-based convolutional neural network）实例分割优化模型检测敏感目标并生成掩膜区域,同时设计了RSMosaic（remote sense Mosaic）合成数据方法减少人工标注数据;然后,基于色相-饱和度-明度（hue-saturation-value, HSV）空间的阴影检测模型扩展掩膜区域;最后,引入MAE（masked autoencoders）模型实现目标背景生成。以飞机目标为例,与Partial-Connvolutios和EdgeConnec进行了对比实验。结果表明,相比传统方法,该方法在敏感目标实例分割中的边界框与像素掩膜AP值分别提升了13.2%与11.2%;在使用RSMosaic合成数据后,边界框与像素掩膜AP值可分别再提升9.39%与14.16%, 且图像修补中的平均绝对误差和最大平均差异提升80%以上,实现了结构合理、纹理清晰的敏感目标自动隐藏效果。     

一种面向对象分类的企鹅种群无人机影像识别方法

企鹅是南极的代表性生物,监测企鹅的数量及分布对研究南极环境变化有重大意义。以往研究大多基于中高分辨率影像进行企鹅识别,识别精度难以进一步提高,且已有的企鹅种群的时间序列分析都是基于间接识别方法,因此亟需发展基于高分辨率遥感影像的企鹅数量精确识别研究。首先,选取东南极企鹅岛作为研究对象,中国南极科学考察队利用遥感无人机分别于2017-01、2018-01和2019-12对该区域进行航拍观测,获得了厘米级的高分辨率影像。然后,基于面向对象分类法,分别提取了3幅影像的企鹅阴影像元,计算得到企鹅数量,并标记了企鹅栖息地,总体精度达到91%。实验结果表明,企鹅种群动态变化,栖息地分布较固定,但数量出现波动,3幅影像中分别为1 068对、1 003对和1 081对。