【技术实现步骤摘要】
本专利技术属于合成孔径雷达干涉测量(insar)数据领域，具体地说，涉及一种基于时序insar的地形可视性分析与滑坡灾害智能识别的方法。
技术介绍
1、目前，时序insar技术能够有效克服地表时空失相干，在广域滑坡灾害识别和监测等方面已开展广泛应用。然而，合成孔径雷达的侧视成像方式会引起几何畸变的问题，如阴影、叠掩和透视收缩等现象，这些畸变降低监测结果的精度，甚至会导致某些区域无法获取完整的形变信息。叠掩和阴影区域由于相位不连续、相位解缠误差和数据缺失等问题，从而影响地表形变的准确测量。透视收缩区域由于分辨率降低，会导致形变监测结果的质量下降。高山峡谷地区，几何畸变现象尤为突出，降低了sar监测地表形变的能力。因此，如何克服几何畸变的影响，提高监测精度是insar技术的一大挑战。
2、随着当前深度学习算法的广泛应用，结合深度学习算法的滑坡识别应运而生。深度学习的自动学习和特征提取能力减轻了人工分析负担，提高了滑坡识别效率。其强大的表征能力和非线性建模能力使其能够有效捕捉复杂滑坡的特征和模式，适应滑坡的复杂性和多样性。结合深度学习模型进行insar数据的学习和分析，有助于准确捕捉滑坡的时空变化特征，实现滑坡灾害隐患的精确识别和预测。但复杂山区的滑坡隐患数量多范围广，滑坡样本通用性较差以及影响因素复杂多样等，导致应用深度学习进行滑坡识别的研究仍面临着巨大挑战。因此，如何利用insar技术提高深度学习算法识别滑坡灾害隐患的效率，仍然是山区滑坡识别的热点和难点问题。
3、insar技术具有全天候、全天时、分辨率高
4、近年来，结合insar技术和深度学习进行地质灾害隐患智能识别的应用国内外学者也进行了进一步的研究和探索。2021年，有学者利用stacking-insar技术进行大范围区域的滑坡识别，基于深度学习来自动化识别滑坡，以insar得到的相位变化图作为训练样本，通过u-net模型进行训练得到了一个滑坡识别模型并进行验证。2022年，有学者提出了drs-unet图像分割网络，可以快速识别insar图像中的活动滑坡的方法。同时有学者基于stacking-insar技术获取地表相位信息，并结合深度学习方法检测和识别滑坡隐患的变形位置和分布。通过确定显著性形变区的边界，并将方法推广至动态更新的数据集，实现了较优的滑坡隐患识别效果。2023年，有学者利用insar技术对隐患区域进行初步筛选，其次基于多窗口隐患识别cnn方法，结合15个易发因子创建数据集，并利用深度学习技术对滑坡灾害进行了精确识别。然而，滑坡的影响因素复杂多样，在高山峡谷地区开展智能滑坡识别仍面临诸多问题，因此，通过深度学习方法准确识别山区滑坡隐患还需要不断地探索和研究。
5、综上，本专利技术对sentinel-1a升降轨影像数据进行地形可视性分析，反演研究区地表形变信息，结合可视性结果获取insar有效形变信息。将每月的有效形变信息纳入样本数据集，联合深度学习算法，通过改进网络结构来智能识别高原山区的滑坡隐患灾害点。本研究对滑坡的防灾减灾研究具有重要意义，可为我国西南地区地质灾害的防治提供参考。
技术实现思路
1、本专利技术要解决的技术问题在于克服现有技术的不足，目的是提供一种基于时序insar的地形可视性分析与滑坡灾害智能识别方法，该方法利用深度学习卓越的模式识别和特征提取能力，自动学习数据中的复杂规律和特征表示。本专利技术融合lsm算法和r指数模型准确分析地形可视性结果，结合insar监测结果提取有效形变信息，并以insar每月的形变信息作为数据集，通过引入cbam双通道注意力机制来改进faster rcnn模型，识别研究区的滑坡异常区。
2、为实现上述目的，本专利技术提供如下技术方案：一种基于时序insar的地形可视性分析与滑坡灾害智能识别的方法，用于准确识别研究区的几何畸变类型分布，利用改进的faster rcnn模型快速准确识别大范围区域的滑坡隐患异常区，以便提高insar形变信息识别精度与处理效率，所述方法包括以下步骤：
3、步骤s1：数据准备：获取研究区域内升降轨道的sentinel-1a sar影像数据及对应的精密定轨星历数据，12.5米分辨率的dem数据、gacos大气校正数据、光学遥感影像数据及野外实地勘察数据；
4、步骤s2：研究区sar影像的地形可视性分析：针对sar侧视成像导致的几何畸变问题，本研究采用融合lsm算法和r指数模型的方法。借助dem数据，利用lsm算法、r指数模型和融合算法分别识别阿海库区的几何畸变，并进行对比分析和空间分布特征研究。同时，联合升降轨对研究区的可视性进行定量分析，以评估升降轨道数据在该区域的适用性，并为后续研究提供准确的地形信息。
5、步骤s3：研究区的地表形变监测与获取有效形变信息：利用研究区升降轨iw模式下sentinel-1a影像数据，通过sbas-insar技术获取该地区的升降轨时序形变特征。结合可视性分析结果，定量分析不同畸变类型对insar结果的影响，获取有效形变值。另外，利用空间聚类分析和核密度方法，评估研究区域内监测点的密度分布，突出区域内形变异常区。
6、步骤s4：本专利技术基于上述步骤中提取的时序insar技术有效形变信息进行滑坡样本集的创建与标注，利用faster rcnn模型对标注数据集进行训练测试，自动提取sar影像中显著的形变特征。
7、步骤s5：对模型进行改进和优化，选择resnst50卷积网络，并引入cbam注意力双通道机制对滑坡异常区域进行精确定位。
8、步骤s6：模型精度评价：选择map值作为评价指标，分类损失函数l本文档来自技高网...
【技术保护点】
1.一种基于时序InSAR的地形可视性分析与滑坡灾害智能识别的方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于时序InSAR的地形可视性分析与滑坡灾害智能识别的方法，其特征在于：所述步骤S2具体为：
3.根据权利要求1所述的一种基于时序InSAR的地形可视性分析与滑坡灾害智能识别的方法，其特征在于：所述步骤S3具体为：
4.根据权利要求1所述的一种基于时序InSAR的地形可视性分析与滑坡灾害智能识别的方法，其特征在于：所述步骤S4具体为：
5.根据权利要求1所述的一种基于时序InSAR的地形可视性分析与滑坡灾害智能识别的方法，其特征在于：改进后的Faster RCNN模型在滑坡异常区识别方面取得了良好的准确度，为滑坡灾害的早期识别和监测提供了有力支撑，对于西南山区及其他地质灾害频发地区的滑坡监测和预警具有重要意义。
6.根据权利要求1所述的一种基于时序InSAR的地形可视性分析与滑坡灾害智能识别的方法，其特征在于：步骤S5中，通过数据集对CNN模型进行训练，调整模型的超参数，获取最佳的模型，具体为：p>
7.根据权利要求1所述的一种基于时序InSAR的地形可视性分析与滑坡灾害智能识别的方法，其特征在于：步骤S5中，模型性能评估，具体为：
...【技术特征摘要】
1.一种基于时序insar的地形可视性分析与滑坡灾害智能识别的方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种基于时序insar的地形可视性分析与滑坡灾害智能识别的方法，其特征在于：所述步骤s2具体为：
3.根据权利要求1所述的一种基于时序insar的地形可视性分析与滑坡灾害智能识别的方法，其特征在于：所述步骤s3具体为：
4.根据权利要求1所述的一种基于时序insar的地形可视性分析与滑坡灾害智能识别的方法，其特征在于：所述步骤s4具体为：
5.根据权利要求1所述的一种基于时序insar的地形可视性分...
【专利技术属性】
技术研发人员：左小清，董玉娟，李芳，李勇发，张荐铭，李洋洋，黄成，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。