融合Deep-ResUnet和PS-InSAR的城市道路网形变灾害监测方法——以合肥市为例

针对城市道路网变形监测存在的高分辨率影像获取难、道路人工提取效率低、传统变形监测工作量大等难题,本文提出了一种基于融合Deep-ResUnet和PS-InSAR的城市道路网形变监测方法。主要思路为：首先对目标区的哨兵-1A(Sentinel-1A)影像数据进行伪彩色变换建立道路数据集;然后训练深度残差网络(Deep-ResUnet)模型并对道路网栅格进行提取;最后利用永久散射体干涉测量(PS-InSAR)技术获取PS点形变信息与道路网栅格融合。研究结果表明,Sentinel-1A影像经过伪彩色处理后,能提高城市道路网提取的完整性,交并比提高6%～9%,道路提取精度平均提高10%左右,得到的城市道路网形变信息专题图能为城市道路变形监测和健康状况评估提供科学依据。     

基于狮群算法的概率积分预计参数反演方法

针对传统的开采沉陷预计方法,在求取预计参数时存在计算量烦琐、精度低、速度慢等缺陷,本文开展了基于狮群算法(LSO)的概率积分预计参数反演方法研究.LSO是一种群体智能算法,该算法已在光伏最大功率跟踪中方面得到广泛的应用,至今尚未发现应用于矿山开采沉陷预计领域中.为了准确获取预计参数,本文将LSO应用于概率积分参数反演中...