基于时间序列InSAR分析的西部山区滑坡灾害隐患早期识别——以四川丹巴为例

张路, 廖明生, 董杰, 许强, 龚健雅

张路, 廖明生, 董杰, 许强, 龚健雅. 基于时间序列InSAR分析的西部山区滑坡灾害隐患早期识别——以四川丹巴为例[J]. 武汉大学学报 ( 信息科学版), 2018, 43(12): 2039-2049. DOI: 10.13203/j.whugis20180181
引用本文: 张路, 廖明生, 董杰, 许强, 龚健雅. 基于时间序列InSAR分析的西部山区滑坡灾害隐患早期识别——以四川丹巴为例[J]. 武汉大学学报 ( 信息科学版), 2018, 43(12): 2039-2049. DOI: 10.13203/j.whugis20180181
ZHANG Lu, LIAO Mingsheng, DONG Jie, XU Qiang, GONG Jianya. Early Detection of Landslide Hazards in Mountainous Areas of West China Using Time Series SAR Interferometry-A Case Study of Danba, Sichuan[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 2039-2049. DOI: 10.13203/j.whugis20180181
Citation: ZHANG Lu, LIAO Mingsheng, DONG Jie, XU Qiang, GONG Jianya. Early Detection of Landslide Hazards in Mountainous Areas of West China Using Time Series SAR Interferometry-A Case Study of Danba, Sichuan[J]. Geomatics and Information Science of Wuhan University, 2018, 43(12): 2039-2049. DOI: 10.13203/j.whugis20180181

基于时间序列InSAR分析的西部山区滑坡灾害隐患早期识别——以四川丹巴为例

基金项目: 

国家重点研发计划 2017YFB0502700

国家自然科学基金 61331016

国家自然科学基金 41774006

国家自然科学基金 41521002

国家重点基础研究发展计划(973计划) 2013CB733205

详细信息
    作者简介:

    张路, 博士, 教授, 主要从事雷达遥感的理论与方法研究。luzhang@whu.edu.cn

  • 中图分类号: P237

Early Detection of Landslide Hazards in Mountainous Areas of West China Using Time Series SAR Interferometry-A Case Study of Danba, Sichuan

Funds: 

The National Key Research and Development Program of China 2017YFB0502700

the National Natural Scien ce Foundation of China 61331016

the National Natural Scien ce Foundation of China 41774006

the National Natural Scien ce Foundation of China 41521002

the National Key Basic Research Program (973 Program) of China 2013CB733205

More Information
    Author Bio:

    ZHANG Lu, PhD, professor, specializes in the theories and methods of radar remote sensing. E-mail:luzhang@whu.edu.cn

  • 摘要: 滑坡是仅次于地震、发生最频繁、造成损失最严重的一种地质灾害,中国西部山区则是世界上滑坡灾害分布最密集的地区之一。广域范围内滑坡灾害隐患的早期识别是地质灾害防治工作中的一项关键任务,基于星载合成孔径雷达重复轨道观测的时间序列雷达干涉测量(interferometric synthetic aperture radar,InSAR)技术在此领域具有巨大的应用潜力,但以永久散射体干涉测量为代表的传统时序InSAR方法在西部山区应用中往往受到植被覆盖等不利因素的影响,滑坡探测识别的可靠性较差。针对这一问题,以大渡河上游丹巴县为例,采用自主研发的相干散射体时序InSAR(coherent scatterer InSAR,CSI)方法,从历史存档的ALOS PALSAR和ENVISAT ASAR数据集中成功识别出了17处持续变形中的不稳定坡体,通过与外部观测数据比对和实地调查核实等手段验证了CSI方法探测结果的有效性和优势,并探讨了影响时序InSAR方法滑坡监测应用效果的主要因素及未来的优先研究方向。
    Abstract: As the most frequent and devastating geohazard next to earthquakes, landslides are widely distributed in mountainous areas of west China, which makes early detection of landslides a vital task for geologic disaster prevention. Although time series SAR interferometry (InSAR) based on repeat-pass satellite SAR observations has shown a great potential in landslide detection, its performance is usually limited by factors such as vegetation coverage, which leads to low reliability of detection results. Aiming at this problem, we carry out a case study by employing the coherent scatterer InSAR (CSI) method to successfully detect 17 unstable slopes in Danba County in the upper reach of Dadu River Basin from archived ALOS PALSAR and ENVISAT ASAR datasets. The effectiveness and advantage of the CSI method are demonstrated by comparisons with other observation data as well as validation against field survey. And, major impact factors for the performance of time series InSAR analysis in landslide investigations and future research topics of high priority are summarized.
  • 线性回归模型是测绘领域中的一种基本模型,在直线拟合、点云平面拟合等方面应用十分广泛。传统方法只考虑观测向量误差,建立高斯-马尔可夫(Gauss-Markov,GM)模型,采用最小二乘(least square,LS)得到参数估值。此方法忽略系数矩阵的误差,估计结果在统计上是有偏的[1]。为了顾及观测向量和系数矩阵的误差,文献[2]拓展GM模型到变量误差(errors-in-variables,EIV)模型,并采用总体LS(total LS,TLS)求解参数。

    当粗差污染观测向量和系数矩阵中的观测值时,TLS得到的估计值将会严重失真[3]。为了削弱粗差的不利影响,将稳健估计理论应用到EIV模型的解算,主要分为两类:(1)基于均值漂移模型识别粗差。文献[4]使用稳健加权TLS(robust weighted TLS,RWTLS)拟合点云平面,通过3倍中误差准则剔除粗差,文献[5]采用Baarda粗差探测法定位异常观测值。然而对于可疑粗差,基于识别的方法缺乏较好的处理手段。(2)基于方差膨胀模型控制粗差的影响。文献[6]使用同一单位权中误差对粗差进行降权,文献[7-8]对于观测向量和系数矩阵采用不同的单位权中误差进行处理,文献[9]和文献[10]分别针对三维坐标转换模型和多变量EIV模型提出相应的稳健方法。以上方法保留TLS处理正常观测数据的优良特性,但求解的是非凸优化问题,采用对粗差敏感的TLS结果作为初值,参数估值极其容易失真。

    为了提高算法的崩溃污染率,文献[11]采用中位参数法建立RWTLS算法,但是算法稳健性和参数个数有关,实际中远达不到50%的最高崩溃污染率;文献[12]将传统的最小平方中值法(least median of squares,LMS)和截断最小二乘法(least trimmed squares,LTS)[12]应用到EIV模型中,提出总体LMS(total LMS,TLMS)[13]和截断总体最小二乘法(total LTS,TLTS)[14],但是两种方法对随机模型的结构有严格限制,前者要求独立等精度观测,后者系数矩阵对应的协因数矩阵满足特定结构,都不具备通用性。求解方法上,前者是一个抽样检验过程,参数精度较低,后者通过分支界定算法求得精确解,但是存在大量的冗余计算。

    针对现有算法的不足,本文提出了两种高崩溃污染率的稳健估计算法,分别是加权TLMS(weighted TLMS,WTLMS)和加权TLTS(weighted TLTS,WTLTS)。从线性回归EIV模型出发,计算数据点到拟合超平面的加权残差。为了避免粗差的影响,分别基于中位数准则和截断准则得到两种改进算法的目标函数,进一步证明两种算法具有估计等变性和高崩溃污染率。不同于传统的高崩溃污染率算法,本文算法能够顾及系数矩阵的固定列,并且考虑同一个观测方程中的观测元素存在相关性的情况,随机模型更具通用性。因为目标函数不可导,基于梯度的优化算法将失效,借鉴LMS和LTS的求解思路,给出两种算法的求解过程。仿真实验和实测数据验证了本文算法的高崩溃污染率,但本文算法有效性不足,可以作为RWTLS的初值,获得有效性更佳的参数估值。

    求解线性回归的参数时,系数矩阵存在常数列,对应的模型被称为带有固定列的EIV模型,其函数模型和随机模型表达为[15]

    y-ey=A-EAξ=         A1-EA1ξ1+A2ξ2 (1)
    De=σ02Q (2)

    式中,yey分别是n×1维观测向量及其对应的随机误差向量;AEA分别是n×m的固定系数矩阵及其对应的误差矩阵;ξm×1待估参数向量;A1A2分别为观测值组成的矩阵和常数组成的矩阵;ξ1ξ2分别是与A1A2对应的m1维和m-m1维参数向量;D*是计算向量方差矩阵的算子;e=vecEA1ey是所有观测量组成的残差向量,其中vec*是矩阵按列向量化算子;σ02是单位权方差;Qe的协因数矩阵。

    混合总体最小二乘法(mixed least squares and total least squares,mixed LS-TLS)是求解带有固定列EIV模型的严密方法,令B=ξ1TIn-In,数值计算上等价于求解带有非线性约束的优化问题:

    min:  eTQ-1e    s.t.  y-Aξ+Be=0 (3)

    该优化问题可以转换为无约束的非线性优化问题[16]

    min:  (y-Aξ)TBQBT-1(y-Aξ) (4)

    该转换使得优化问题不需要服从约束,可以看作是最小瑞利商估计的拓展,统计上可以看作残差y-Aξ及其权阵BQBT-1的二次型运算。如果观测值是不相关,即Q为对角矩阵,式(4)可以用分量求和的形式表示为:

    min:  i=1nyi-Aiξ2Qyi+ξ1TQAi1ξ1 (5)

    式中,Ai为矩阵A的第i行元素;yiQyi分别为向量y的第i个分量及其协因数;Ai1QAi1分别为矩阵A1的第i行元素及其协因数矩阵。mixed LS-TLS的准则是最小化所有数据点的残差平方和,所以该方法极其容易被粗差污染,即使单个粗差也可能使得估计崩溃。

    求和运算不能抵抗粗差的干扰,可以使用其他数学运算取代。文献[12]提出了两种在GM模型中的稳健估计方法,分别是LMS估计和LTS估计。文献[13-14]将这两种方法拓展到EIV模型,但仍然存在一些不足。在此基础上,针对不等精度的带有固定列EIV模型,提出WTLMS估计和WTLTS估计这两种高崩溃污染率估计算法,讨论其估计特性和崩溃污染率,并给出两种算法的求解步骤。

    用中位数运算代替求和运算,WTLMS估计的准则为:

    min:medi=1nyi-Aiξ2Qyi+ξ1TQAi1ξ1 (6)

    式中,medi=1n*表示取中位数操作。需要解释的是,协因数矩阵Q不局限于是对角矩阵,可以推广到同一观测方程中的随机量是相关的情况,即QAi1yi0,对应式(6)的分母为Qyi+ξ1TQAi1ξ1+2ξ1TQAi1yi,为了方便表达,依旧将Q视为对角矩阵。与文献[13]中Q=I的情况进行比较,本文算法的随机模型更具通用性。

    将所有加权残差平方ri2=yi-Aiξ2Qyi+ξ1TQAi1ξ1进行升序排列,得到WTLTS估计的准则为:

    min: i=1hri2 (7)

    式中,h为截断参数;r12<r22<<rn2。根据粗差比例不能超过50%的假设,需要满足h>n/2。式(7)表示算法抛弃残差较大的n-h个观测值,在一个不含粗差的子集中进行参数估计,从而消除粗差的影响。与文献[14]比较,WTLTS的协因数矩阵不受到特定结构的限制。

    WTLMS估计满足仿射等变性、尺度等变性。令C为任意m1×m1可逆矩阵,c为任意常数,式(6)的解ξ^A,y满足如下关系:

    1)仿射等变性。

    ξ^(A1C,A2,y)=C-1ξ^(A1,A2,y) (8)

    2)尺度等变性。

    ξ^(A,cy)=cξ^(A,y) (9)

    证明如下:

    medi=1nyi-Ai1CC-1ξ1-Ai2ξ22Qyi+C-1ξ1TQAi1CC-1ξ1=medi=1nyi-Aiξ2Qyi+CC-1ξ1TQAi1CC-1ξ1=medi=1nyi-Aiξ2Qyi+ξ1TQAi1ξ1 (10)
    medi=1ncyi-Ai(cξ)2Qcyi+(cξ1)TQAi1(cξ1)=medi=1ncyi-Ai(cξ)2c2Qyi+(cξ1)TQAi1(cξ1)=medi=1nyi-Aiξ2Qyi+ξ1TQAi1ξ1 (11)

    式中,QAi1CQcyi分别为Ai1C的协因数矩阵和cyi的协因数。等变性是参数估计中的重要性质[12],仿射等变性展示对A1进行线性变换如何影响WTLMS的估值,尺度等变性意味着WTLMS估值独立于y的单位。将式(10)~(11)的medi=1n算子更换为i=1h算子,可证明WTLTS估计也具有上述两个性质。

    崩溃污染率表示一种估计方法能承受的最大粗差比例,是衡量算法稳健性的重要指标。在A的任意m×m子矩阵可逆的情况下,那么WTLMS估计和WTLTS估计有限样本下的崩溃污染率γ为:

    γ=((n-m)/2+1)/n (12)

    式中,符号表示向下取整。文献[12]给出了LMS估计和LTS估计的崩溃污染率的详细证明,本文两种算法的崩溃污染率与LMS和LTS算法是一致的。通过启发式的方法证明,当仅来自同一观测方程的观测值存在相关性时,无论是在系数矩阵A中或者观测向量y中的粗差,都是使对应的观测方程偏离实际的模型,故系数矩阵的粗差可以转换为对应观测向量中的粗差,本文算法可以达到式(12)的最大崩溃污染率。

    将残差进行升序排列,使得r12r22rn2,令h=(n-m)/2+1,WTLMS和WTLTS估计分别最小化rh2i=1hri2,这是满足等变性的估计方法所能达到的最大崩溃污染率。准确地说,WTLMS估计是一种特殊的分位数估计方法。WTLTS估计的h可以根据粗差比例ω设置为h=nω,更大的h降低了崩溃污染率,但能够增加估计的有效性。一般情况下,当n远大于m时,根据式(12)可知本文两种估计方法具有50%的渐进崩溃污染率。

    两种估计方法的几何意义十分明确,WTLMS估计表示数据点到超平面的加权平方残差中位数最小,WTLTS估计最小化数据点到超平面的前h个较小的加权平方残差和。然而对应的目标函数不可导,基于梯度的优化算法并不适合求解两种算法。

    借鉴PROGRESS程序[12]求解LMS估计的流程,将重采样算法结合截距校正算法[17]和空间精化算法[18]应用到EIV模型中,WTLMS估计通过内外两重循环进行求解,具体步骤如下:

    1) 计算h=(n-m)/2+1,令i=0j=0记录外循环和内循环迭代次数,内外循环最大迭代次数记为nrNr

    2) 开始外循环:(1)i=i+1并且i<Nr;(2)从观测方程y=Aξ中随机选择m个子集计算其精确解ξ^0;(3)进行空间精化,令ξ^1,ξ^2,,ξ^nr是端点为ξ^0ξ˜的直线上的nr个解,其中ξ˜是当前的最优解。

    3) 开始内循环:(1)j=0并且j<nr;(2)计算ξ^j对应的所有数据点加权残差平方,并校正截距,重新计算残差的加权平方;(3)将加权残差平方按升序排列,设置mj=rhj2;(4)若mj<m˜,ξ˜=ξ^j,m˜=mj,其中m˜是当前最佳目标函数值。

    理论上应该遍历所有的Cnm子集,对于大量数据可以固定重采样次数,如Nr=1 000,但不建议增加观测方程数量,这样会增加计算负担,降低其实用性。

    一种有效求解WTLTS估计的方法是穷举法,一共需要进行Cnh次,在观测值数量较小的情况下可以使用该方法,大量观测值将会使算法计算量快速增加,失去实用性。借鉴可行集算法[17],其核心是通过交换子集中的观测值使得目标函数下降,文献[19]分为两步将该算法应用于最小协方差行列式(minimum covariance determinant,MCD)估计,本文将该方法应用于线性回归EIV模型中。

    首先需要证明通过交换子集元素能够降低目标函数值。在n个观测方程中,首先任意选取样本容量为h的子集M1,使用mixed LS-TLS方法在子集M1中计算出估计结果ξ^M1及其加权残差平方和f1=i=1hr1i2,其中r1i2=(yi-Aiξ^M1)2/(Qyi+ξ^M1TQAi1ξ^M1)。将ξ^M1的结果代入所有观测方程中,得到n个加权残差平方,选择其中h个残差平方最小的观测方程组成子集M2,在子集M2中使用mixed LS-TLS计算得到ξ^M2及其加权残差平方和f2=i=1hr2i2,则下列不等式成立:

    f1f2 (13)

    因为M2中的元素在n个残差中选择最小的hr1i2,故i=1hr1i2iM1i=1hr1i2iM2。集合M2中的i=1hr2i2是最小的h个残差平方和,得到:

    f1=i=1hr1i2iM1i=1hr1i2iM2i=1hr2i2iM2=f2 (14)

    式(13)证明通过交换子集中元素可以降低目标函数值,以此设计迭代求解方法。但是WTLTS估计的目标函数是非凸的,估计结果依赖于迭代初值。可以使用LTS估计等稳健方法的结果作为迭代初值或者设置多个起算点进行计算,选择目标函数值最小的结果作为输出。WTLTS估计的解算步骤为:

    1)通过LTS估计得到一个容量为h子集M1

    2)在M1计算ξ^M1f1=i=1hr1i2。选取其中残差较小的h个观测值,得到集合M2,在M2中计算ξ^M2f2=i=1hr2i2

    3)若f1=f2,输出结果ξ^=ξ^M2;否则,将子集M2赋给M1,重新进行步骤2)的解算。

    对于WTLMS估计而言,根据单位权中误差和残差中位数的关系,得到:

    σ^0=1.482 6medi=1nri2 (15)

    在观测值数量较小的情况下,还需要等式右边乘以一个系数进行改正,系数和观测值数量关系参考文献[20]。

    对于WTLTS估计,其相当于在子集中进行mixed LS-TLS估计,使用总体最小二乘的精度评定公式,单位权中误差的估计值为:

    σ^0=1h-mi=1hri2 (16)

    设直线方程为y=-x+50<x<5,即斜率和截距的真值分别为a˜1=-1a˜2=5。采用均匀分布函数产生20个升序排列的x值,计算对应的y值,得到坐标的真值。按照文献[21]的方法加入期望为0、标准差为0.04的随机误差,同一点x分量和y分量的相关系数ρxy为0.6,通过σxy=ρxyσxσy计算坐标的协方差,得到含随机误差的观测值。在前10个点中随机选择5个,在x分量和y分量上加入绝对值在5~20倍标准差之间的粗差,形成多维粗差,图1为粗差加入前后的误差方案示意图。因为粗差在直线的单侧密集分布,最容易使估计方法崩溃[22],所以本文设置粗差点均在直线上方模拟该最坏情况。

    图  1  两种误差方案示意图
    Figure  1.  Diagram of Two Error Schemes

    设置收敛阈值为1×10-10,分别在粗差加入前后,采用以下6种估计方法估计直线参数:

    方法1:mixed LS-TLS。

    方法2:以mixed LS-TLS结果为初值的RWTLS[7]

    方法3:WTLMS,对应§2.4.1。

    方法4:WTLTS,对应§2.4.2,其中设置h=11以实现最大的崩溃污染率。

    方法5:以WTLMS结果为初值的RWTLS。

    方法6:以WTLTS结果为初值的RWTLS。

    方法5和方法6可以视为EIV模型下的M估计[23],其要求M估计的待估参数和单位权中误差初值具有较高的可靠性。模拟N=100组实验,用a^iji=1,2表示参数a^i的第j次估计结果。表1表2列出不同方案单位权中误差σ^0、斜率和截距的统计指标,包括均值a¯i、标准差σai、均方根误差δai,计算公式为:

    a¯i=1Nj=1Na^ij (17)
    σai=1N-1j=1Na^ij-a¯i2 (18)
    δai=1Nj=1Na^ij-a˜i2 (19)
    表  1  加入粗差前参数估计值的统计结果
    Table  1.  Statistics of Estimated Parameters Without Outliers
    方法a¯1σa1δa1εa1/%a¯2σa2δa2εa2/%σ̂0
    1-0.999 580.008 120.008 131004.999 530.023 280.023 281000.040 15
    2-0.999 140.008 820.008 8784.04.999 090.026 680.026 6976.10.039 88
    3-1.001 120.018 110.018 1520.14.997 660.050 200.050 2521.50.038 97
    4-1.001 380.015 540.015 5827.25.006 150.045 040.045 0826.70.039 06
    5-0.999 320.009 320.009 3476.14.999 450.028 360.028 3767.40.040 36
    6-0.999 090.008 900.008 9482.74.999 110.026 660.026 6776.30.039 01
    下载: 导出CSV 
    | 显示表格
    表  2  加入粗差后参数估计值的统计结果
    Table  2.  Statistics of Estimated Parameters with Outliers
    方法a¯1σa1δa1a¯2σa2δa2σ̂0
    1-1.108 740.035 780.114 485.442 080.125 930.459 670.190 42
    2-1.042 090.061 010.074 125.164 680.237 220.288 780.056 53
    3-1.000 380.020 750.020 775.001 730.057 730.057 760.041 22
    4-1.001 650.017 680.017 745.006 950.048 700.048 730.040 63
    5-1.001 670.013 460.013 565.006 970.046 040.046 570.039 36
    6-1.002 780.014 280.014 555.010 790.050 090.051 240.041 69
    下载: 导出CSV 
    | 显示表格

    在只含正态随机误差的情况下,mixed LS-TLS是目前最优的估计方法。以该方法作为对比,定义算法的数值有效性[24]

    εai=σai02/σai2 (20)

    式中,σai02σai2分别为mixed LS-TLS估计方法和其他估计方法得到的方差。有效性衡量其他估计方法与最优的估计方法之间的一致性,不同

    算法的效率如表1所示。

    表1得到如下结论:(1)当观测值只含随机模型时,mixed LS-TLS估计在6种方法中获得最

    优的估计结果;(2)其他方法的参数均值和单位权中误差与mixed LS-TLS估计差异并不显著,但均方根误差和标准差略有增加。它们的标准差几乎等于均方根误差,表明估计偏差小到可以忽略不计;(3)对比各种方法的有效性,WTLMS和WTLTS估计的数值有效性分别约为20%和25%,这是两种算法在子集中采用排序方法求解参数估计值,没有使用全部的观测信息。方法5和6的有效性均大于65%,所以本文方法更适合提供初值,结合M估计能够显著提高算法有效性。

    表2进行分析可得:(1)当观测值中存在粗差时,mixed LS-TLS得到的参数估值严重失真,表明mixed LS-TLS不具备稳健性;(2)RWTLS通过对可疑粗差进行降权,一定程度上改善了mixed LS-TLS的表现,但可靠性较差,这是因为M估计迭代结果依赖于参数初值,而由于粗差影响,mixed LS-TLS的参数初值与真值偏差较大;(3)WTLMS和WTLTS的估值和真值差别很小,它们的标准差和均方根误差与表1相比变化不大,表明本文算法的崩溃污染率优于RWTLS估计。方法5和方法6的迭代初值更加准确,相较于方法2,估值更加接近于真值;(4)总体而言,受到粗差的影响,各种方法的标准差和均方根误差均有所增加。综上所述,RWTLS估计在25%污染率的数据中,无法得到可靠的估值,本文给出的两种算法能够得到可靠的估值,同时,结合M估计可以进一步提高估计有效性。

    为了验证本文算法具有高崩溃污染率,在上述实验的基础上,加入不同数量的粗差,污染率从5%增加到45%。重复实验100次对比稳健方法2~4的表现,得到结果如图2所示。

    图  2  不同污染率下算法的统计指标
    Figure  2.  Statistics of Estimated Parameters Under Different Contamination Rates

    图2可知:(1)在均值指标上,当污染率大于25%时,RWTLS估计得到的参数均值偏差十分明显,而WTLMS和WTLTS估计的参数均值没有受到显著影响;(2)RWTLS在污染较小的情况下,参数的标准差比本文方法小,但是当污染率大于20%时,标准差迅速变大,同时出现明显偏差。WTLTS和WLTMS的标准差一直保持稳定,其中后者的标准差更小,但总体而言两者差异并不明显;(3)本文给出的两种算法的均方根误差随着污染率增加出现小幅度上升,并没有显著的偏差。综上所述,RWTLS在高污染率的数据中不能得到可靠的参数估值,本文算法具有接近50%的崩溃污染率。

    上述实验中的观测点具有相同的随机模型,以下通过真实的点云数据进行平面拟合,探究不同精度的观测值下不同算法的表现。选择来自WHU-TLS数据集[25]中校园场景的点云数据,如图3所示。采用RIEGL VZ-400激光扫描仪,其

    图  3  校园场景扫描图
    Figure  3.  Scanning Results of the Campus

    测程为600 m,扫描范围100×360。截选其中一部分数据(图3红框所示,总计3 561个点)进行平面拟合,因为树木遮挡和其他原因,数据中含有大约20%的粗差。对该数据使用方法1~4进行平面拟合,其中观测值采用入射角定权法[26],结果如图4所示。因为点云数据量大,WTLMS估计最大重采样次数为Nr=1 000。

    图  4  4种方法拟合结果
    Figure  4.  Fitted Results by 4 Methods

    图4可知:(1)从平面拟合结果上看,mixed LS-TLS受到粗差的影响,估计结果严重失真,RWTLS虽然具备一定的稳健性,但在实验中也出现明显的偏差,WTLMS和WTLTS得到理想的拟合平面,表明本文算法的崩溃污染率相较于方法1和方法2更高;(2)计算4种方法的单位权中误差,分别为0.789 6 m、0.517 3 m、0.006 1 m和0.005 3 m,可以看出方法1和方法2的拟合精度较差。将加权残差大于3倍中误差的点标记为红色,可以看出方法1和方法2并没有区别出正常观测值和粗差,而本文方法除了成功

    将所有的树叶数据识别粗差,还识别出墙面上一些粗差,验证了本文算法的可靠性。综上所述,本文算法在不等权的点云数据中也能得到可靠的平面拟合结果。

    M估计的优势在于其较高的计算效率和简单的方法原理,然而受多维粗差、杠杆观测权等因素影响,其崩溃污染率并不高,因此本文提出两种适用于线性回归加权EIV模型的具有高崩溃污染率的估计算法,即WTLMS估计和WTLTS估计。本文分析两种算法的等变性和验证它们具有50%的渐进崩溃污染率。因为本文算法的目标函数不可导,求解复杂程度相对M估计要高。通过实验验证两种算法具有良好的稳健性,可以以此作为初值结合M估计进一步提高算法的有效性。如何提高两种算法的计算效率和有效性成为下一步研究的方向。

    致谢: 本研究中使用的ALOS PALSAR和ALOS-2 PALSAR-2数据由日本宇航局ALOS RA项目(1247, 1440, 3248)提供,ENVISAT ASAR数据由中欧合作“龙”计划项目(32278)提供。
  • 图  1   研究区域:大渡河上游四川丹巴县境内

    Figure  1.   Sudy Area: Danba County of Sichuan Province in the Upper Reach of Dadu River

    图  2   丹巴县境内雷达视线方向平均形变速率图

    Figure  2.   Mean Velocity of Surface Displacements Along Radar Line-of-Sight Directions Within Danba Area

    图  3   雷达坐标系下经过滤波的PALSAR-2差分干涉图

    Figure  3.   Filtered Differential Interferograms of PALSAR-2 in Radar Coordinate Systems

    图  4   聂呷复合滑坡,包括扎客滑坡、甲居滑坡、聂呷坪滑坡、聂拉村滑坡和高顶滑坡

    Figure  4.   4 Niexia Complex Landslide is Comprised of Five Landslides, Including Zhake, Jiaju, Niexiaping, Nielacun and Gaoding

    图  5   五里牌滑坡

    Figure  5.   Wulipai Landslide

    图  6   PALSAR与GPS观测形变速率散点图

    Figure  6.   Scatter Plot of Displacement Velocities Measured by PALSAR and GPS

    图  7   代表性GPS站点InSAR与GPS测量累积形变序列图

    Figure  7.   Cumulative Displacements at Typical GPS Stations Measured by InSAR and GPS

    图  8   3种时序InSAR分析方法得到的甲居滑坡平均形变速率图

    Figure  8.   Mean Displacement Velocities of Jiaju Landslide Derived by Three Time Series InSAR Methods

    表  1   丹巴实验区星载SAR数据基本参数

    Table  1   Basic Parameters of Satellite SAR Datasets over Danba Area

    参数 SAR传感器
    PALSAR ASAR PALSAR-2
    轨道方向 升轨 升轨 升轨/降轨
    雷达波长/cm 23 5.6 23
    空间分辨率/m 10 20 10
    重访周期/d 46 35 14
    视角/(°) 34 38 32/36
    影像数量 19 9 2/2
    时间覆盖范围 2006-12-2011-01 2007-08-2008-06 2015-12-18和2016-12-16/
    2016-06-09和2017-06-08
    垂直基线分布范围/m -1 478~2 354 -326~60 91/124
    下载: 导出CSV

    表  2   时序InSAR分析滑坡探测识别结果

    Table  2   Summary of Landslide Detection Results by Time Series InSAR Analysis

    滑坡名称 坡向/(°) 坡度/(°) 面积/
    km2
    MP点密度/
    (MPs·km-2)
    最大LOS形变速率/(mm·a-1) 可探测数据集
    梭坡滑坡 220 20~30 1.1 3 659 80 A, P1, P2D
    聂呷复合滑坡 110 15~30 42.5 10 898 -120 A, P1, P2A, P2D
    五里牌滑坡 40 25~35 0.1 15 227 -44 P1, P2A
    格宗滑坡 60 25~35 5.1 13 586 -101 A, P1, P2A
    泽公滑坡 50 15~30 7.5 12 577 -63 A, P1, P2A
    白呷山滑坡 10 10~30 7.6 12 896 -35 A, P1, P2A
    红军桥滑坡 170 30~40 0.7 3 356 -16 P1, P2D
    东风滑坡 310 15~30 0.1 3 253 25 P1, P2D
    中路滑坡 300 15~35 9.1 4 574 -54 P1, P2D
    岳扎滑坡 100 20~30 1.3 5 820 -56 P1, P2A
    麻索寨滑坡 180 35~45 0.7 4 348 -42 P1, P2A
    齐支滑坡 80 25~35 3.4 12 610 -68 P1, P2A
    木纳山滑坡 120 25~40 4.8 6 259 -78 P1, P2A
    注:①A、P1、P2A和P2D分别代表ASAR、PALSAR、升轨PALSAR-2和降轨PALSAR-2数据;②聂呷复合滑坡由5个局部滑坡(甲居、高顶、聂拉村、聂呷坪、扎客)组成;③形变速率负值表示滑坡位移远离卫星方向;④坡向以正北方向为零度,顺时针记录
    下载: 导出CSV
  • [1] 黄润秋, 许强.中国典型灾难性滑坡[M].北京:科学出版社, 2008

    Huang Runqiu, Xu Qiang. Catastrophic Landslide Disasters in China[M]. Beijing:Science Press, 2008

    [2] 许强, 李为乐, 董秀军, 等.四川茂县叠溪镇新磨村滑坡特征与成因机制初步研究[J].岩石力学与工程学报, 2017, 11:2612-2628 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=QKC20172017112900068973

    Xu Qiang, Li Weile, Dong Xiujun, et al. The Xinmocun Landslide on June 24, 2017 in Diexi Mao-xian, Sichuan:Characteristics and Failure Mechanism[J]. Chinese Journal of Rock Mechanics and Engineering, 2017, 11:2612-2628 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=QKC20172017112900068973

    [3] 殷跃平, 王文沛, 张楠, 等.强震区高位滑坡远程灾害特征研究——以四川茂县新磨滑坡为例[J].中国地质, 2017, 44(5):827-841 http://www.cqvip.com/QK/90050X/201705/7000404302.html

    Yin Yueping, Wang Wenpei, Zhang Nan, et al.Long Runout Geological Disaster Initiated by the Ridge-Top Rockslide in a Strong Earthquake Area:A Case Study of the Xinmo Landslide in Maoxian County, Sichuan Province[J]. Geology in China, 2017, 44(5):827-841 http://www.cqvip.com/QK/90050X/201705/7000404302.html

    [4]

    Su L, Hu K, Zhang W, et al. Characteristics and Triggering Mechanism of Xinmo Landslide on June 242017 in Sichuan, China[J]. Journal of Mountain Science, 2017, 14(9):1689-1700 doi: 10.1007/s11629-017-4609-3

    [5] 许强, 汤明高, 黄润秋.大型滑坡监测预警与应急处置[M].北京:科学出版社, 2015

    Xu Qiang, Tang Minggao, Huang Runqiu. Monitoring, Early Warning and Emergency Disposal of Large Landslides[M]. Beijing:Science Press, 2015

    [6] 郭华东.雷达对地观测理论与应用[M].北京:科学出版社, 2000

    Guo Huadong. Theory and Application of Earth Observation by Radar[M]. Beijing:Science Press, 2000

    [7] 廖明生, 王腾.时间序列InSAR技术与应用[M].北京:科学出版社, 2014

    Liao Mingsheng, Wang Teng. Time Series InSAR Technology and Its Applications[M]. Beijing:Scie-nce Press, 2014

    [8] 廖明生, 张路, 史绪国, 等.滑坡变形雷达遥感监测方法与实践[M].北京:科学出版社, 2017

    Liao Mingsheng, Zhang Lu, Shi Xuguo, et al. Methodology and Practice of Landslide Deformation Monitoring with SAR Remote Sensing[M]. Beijing:Science Press, 2017

    [9]

    Rosen P A, Hensley S, Joughin I R, et al. Synthetic Aperture Radar Interferometry[J]. Proc of IEEE, 2000, 88(3):333-382 doi: 10.1109/5.838084

    [10]

    Hooper A, Bekaert D, Spaans K, et al. Recent Advances in SAR Interferometry Time Series Analysis for Measuring Crustal Deformation[J].Tectonophysics, 2012, 514:1-13 http://www.sciencedirect.com/science/article/pii/S0040195111004343

    [11]

    Crosetto M, Monserrat O, Cuevas-González M, et al. Persistent Scatterer Interferometry:A Review[J].ISPRS Journal of Photogrammetry and Remote Sensing, 2016, 115:78-89 doi: 10.1016/j.isprsjprs.2015.10.011

    [12] 杨成生, 张勤, 赵超英, 等.短基线集InSAR技术用于大同盆地地面沉降、地裂缝及断裂活动监测[J].武汉大学学报·信息科学版, 2014, 39(8):945-950 http://ch.whu.edu.cn/CN/abstract/abstract3049.shtml

    Yang Chengsheng, Zhang Qin, Zhao Chaoying, et al. Small Baseline Subset InSAR Technology Used in Datong Basin Ground Subsidence, Fissure and Fault Zone Monitoring[J]. Geomatics and Information Science of Wuhan University, 2014, 39(8):945-950 http://ch.whu.edu.cn/CN/abstract/abstract3049.shtml

    [13] 李鹏, 李振洪, 李陶, 等.宽幅InSAR大地测量学与大尺度形变监测方法[J].武汉大学学报·信息科学版, 2017, 42(9):1195-1202 http://ch.whu.edu.cn/CN/abstract/abstract5817.shtml

    Li Peng, Li Zhenhong, Li Tao, et al. Wide-Swath InSAR Geodesy and Its Applications to Large-Scale Deformation Monitoring[J]. Geomatics and Information Science of Wuhan University, 2017, 42(9):1195-1202 http://ch.whu.edu.cn/CN/abstract/abstract5817.shtml

    [14]

    Zhang Y, Meng X, Chen G, et al. Detection of Geohazards in the Bailong River Basin Using Synthetic Aperture Radar Interferometry[J].Landslides, 2016, 13(5):1273-1284 doi: 10.1007/s10346-015-0660-8

    [15]

    Shi X, Liao M, Li M, et al. Wide-Area Landslide Deformation Mapping with Multi-path ALOS PALSAR Data Stacks:A Case Study of Three Gorges Area, China[J]. Remote Sensing, 2016, 8(2):136 doi: 10.3390/rs8020136

    [16]

    Hanssen R F. Radar Interferometry, Data Interpretation and Error Analysis[M]. Netherlands:Springer, 2001

    [17]

    Ferretti A, Prati C, Rocca F. Nonlinear Subsidence Rate Estimation Using Permanent Scatterers in Differential SAR Interferometry[J]. IEEE Transactions on Geoscience and Remote Sensing, 2000, 38(5):2202-2212 doi: 10.1109/36.868878

    [18]

    Ferretti A, Prati C, Rocca F. Permanent Scatterers in SAR Interferometry[J]. IEEE Transactions on Geoscience and Remote Sensing, 2001, 39(1):8-20 doi: 10.1109/36.898661

    [19]

    Berardino P, Fornaro G, Lanari R, et al. A New Algorithm for Surface Deformation Monitoring Based on Small Baseline Differential SAR Interferograms[J]. IEEE Transactions on Geoscience and Remote Sensing, 2002, 40(11):2375-2383 doi: 10.1109/TGRS.2002.803792

    [20]

    Mora O, Mallorqui J J, Broquetas A. Linear and Nonlinear Terrain Deformation Maps from a Reduced Set of Interferometric SAR Images[J].IEEE Transactions on Geoscience and Remote Sensing, 2003, 41(10):2243-2253 doi: 10.1109/TGRS.2003.814657

    [21]

    Lanari R, Mora O, Manunta M, et al. A Small-Baseline Approach for Investigating Deformations on Full-Resolution Differential SAR Interferograms[J].IEEE Transactions on Geoscience and Remote Sensing, 2004, 42(7):1377-1386 doi: 10.1109/TGRS.2004.828196

    [22]

    Hooper A. A Multi-temporal InSAR Method Incorporating Both Persistent Scatterer and Small Baseline Approaches[J].Geophysical Research Letter, 2008, 35:L16302 doi: 10.1029/2008GL034654

    [23]

    Ferretti A, Fumagalli A, Novali F, et al. A New Algorithm for Processing Interferometric Data-Stacks:SqueeSAR[J]. IEEE Transactions on Geoscience and Remote Sensing, 2011, 49(9):3460-3470 doi: 10.1109/TGRS.2011.2124465

    [24]

    Wang Y, Zhu X, Bamler R. Retrieval of Phase History Parameters from Distributed Scatterers in Urban Areas Using very High Resolution SAR Data[J].ISPRS Journal of Photogrammetry and Remote Sensing, 2012, 73(9):89-99 http://www.sciencedirect.com/science/article/pii/S0924271612001219

    [25]

    Goel K, Adam N. A Distributed Scatterer Interfero-metry Approach for Precision Monitoring of Known Surface Deformation Phenomena[J].IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(9):5454-5468 doi: 10.1109/TGRS.2013.2289370

    [26]

    Lv X, Yazici B, Zeghal M, et al. Joint-Scatterer Processing for Time-Series InSAR[J].IEEE Transactions on Geoscience and Remote Sensing, 2014, 52(11):7205-7221 doi: 10.1109/TGRS.2014.2309346

    [27]

    Ng A H M, Ge L, Li X. Assessments of Land Subsidence in the Gippsland Basin of Australia Using ALOS PALSAR Data[J]. Remote Sensing of Environment, 2015, 159:86-101 doi: 10.1016/j.rse.2014.12.003

    [28]

    Fornaro G, Verde S, Reale D, et al. CAESAR:An Approach Based on Covariance Matrix Decomposition to Improve Multibaseline-Multitemporal Interferometric SAR Processing[J]. IEEE Transactions on Geoscience and Remote Sensing, 2015, 53(4):2050-2065 doi: 10.1109/TGRS.2014.2352853

    [29]

    Cao N, Lee H, Jung H C. A Phase-Decomposition-Based PSInSAR Processing Method[J]. IEEE Transactions on Geoscience and Remote Sensing, 2016, 54(2):1074-1090 doi: 10.1109/TGRS.2015.2473818

    [30]

    Dong J, Zhang L, Tang M, et al. Mapping Landslide Surface Displacements with Time Series SAR Interferometry by Combining Persistent and Distri-buted Scatterers:A Case Study of Jiaju Landslide in Danba, China[J]. Remote Sensing of Environment 2018, 205:180-198 doi: 10.1016/j.rse.2017.11.022

    [31] 李明辉, 郑万模, 陈启国.丹巴县地质灾害发育特征及成因探讨[J].自然灾害学报, 2008, 17(1):49-53 doi: 10.3969/j.issn.1004-4574.2008.01.009

    Li Minghui, Zheng Wanmo, Chen Qiguo. Development Characteristic of Geological Hazard in Danba County and Its Cause Discussion[J].Journal of Natural Disasters, 2008, 17(1):49-53 doi: 10.3969/j.issn.1004-4574.2008.01.009

    [32]

    Fujisada H, Bailey G B, Kelly G G, et al. ASTER DEM Performance[J].IEEE Transactions on Geoscie-nce and Remote Sensing, 2005, 43(12):2707-2714 doi: 10.1109/TGRS.2005.847924

    [33] 敖萌, 张勤, 赵超英, 等.改进的CR-InSAR技术用于四川甲居滑坡形变监测[J].武汉大学学报·信息科学版, 2017, 42(3):377-383 http://ch.whu.edu.cn/CN/abstract/abstract5689.shtml

    Ao Meng, Zhang Qin, Zhao Chaoying, et al. An Improved CR-InSAR Technology Used for Deforma-tion Monitoring in Jiaju Landslide, Sichuan[J]. Geomatics and Information Science of Wuhan University, 2017, 42(3):377-383 http://ch.whu.edu.cn/CN/abstract/abstract5689.shtml

    [34]

    Colesanti C, Wasowski J. Investigating Landslides with Space-Borne Synthetic Aperture Radar (SAR) Interferometry[J]. Engineering Geology, 2006, 88(3):173-199 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=76e04e80aa3b1d5c4a0e9e7422064125

    [35]

    Yin Y, Zheng W, Liu Y, et al. Integration of GPS with InSAR to Monitoring of the Jiaju Landslide in Sichuan, China[J]. Landslides, 2010, 7(3):359-365 doi: 10.1007/s10346-010-0225-9

    [36]

    Hu J, Li Z W, Ding X L, et al. Resolving Three-Dimensional Surface Displacements from InSAR Measurements:A Review[J]. Earth-Science Reviews, 2014, 133:1-17 doi: 10.1016/j.earscirev.2014.02.005

    [37]

    Shi X, Zhang L, Zhou C, et al. Retrieval of Time Series Three-Dimensional Landslide Surface Displacements from Multi-angular SAR Observations[J]. Landslides, 2018, 15(5):1015-1027 doi: 10.1007/s10346-018-0975-3

    [38]

    Wasowski J, Bovenga F. Investigating Landslides and Unstable Slopes with Satellite Multi Temporal Interfero-metry:Current Issues and Future Perspectives[J]. Engineering Geology, 2014, 174:103-138 doi: 10.1016/j.enggeo.2014.03.003

    [39]

    Shi X, Zhang L, Balz T, et al. Landslide Deformation Monitoring Using Point-Like Target Offset Tracking with Multi-mode High-Resolution TerraSAR-X Data[J].ISPRS Journal of Photogrammetry and Remote Sensing, 2015, 105:128-140 doi: 10.1016/j.isprsjprs.2015.03.017

    [40]

    Shi X, Jiang H, Zhang L, et al. Landslide Displacement Monitoring with Split-Bandwidth Interferometry:A Case Study of the Shuping Landslide in the Three Gorges Area[J].Remote Sensing, 2017, 9(9):937 doi: 10.3390/rs9090937

    [41]

    Bekaert D P S, Walters R J, Wright T J, et al. Statistical Comparison of InSAR Tropospheric Correction Techniques[J]. Remote Sensing of Environment, 2015, 170:40-47 doi: 10.1016/j.rse.2015.08.035

  • 期刊类型引用(121)

    1. 庄会富,郭建林,薛倩,张宇. 联合混合CNN和相似性评估的异源影像无监督变化检测方法. 地球信息科学学报. 2025(02): 507-521 . 百度学术
    2. 孙雨生,邢华桥,项俊武,王海航. 顾及时空感知的轻量级遥感影像变化检测方法. 科技创新与应用. 2024(07): 5-8 . 百度学术
    3. 周维勋,刘京雷,彭代锋,管海燕,邵振峰. MtSCCD:面向深度学习的土地利用场景分类与变化检测数据集. 遥感学报. 2024(02): 321-333 . 百度学术
    4. 刘宣广,李蒙蒙,汪小钦,张振超. 基于面向对象孪生神经网络的高分辨率遥感影像建筑物变化检测. 遥感学报. 2024(02): 437-454 . 百度学术
    5. 艾遒一,黄华国,郭颖,刘炳杰,陈树新,田昕. 基于孪生残差神经网络的GF-2影像林地变化检测——以浙江省建德林场为例. 遥感技术与应用. 2024(01): 24-33 . 百度学术
    6. 尹杨,周毅. 基于遥感影像的生态环境和资源保护公益诉讼调查取证方法研究. 时空信息学报. 2024(01): 57-64 . 百度学术
    7. 李正洪,全昌文,陈华江,陈敏,吕琦. 基于影像密集匹配点云的建筑物变化检测方法. 地理空间信息. 2024(03): 11-15 . 百度学术
    8. 王腾,孟小亮,蔡冠中,陈影,孙洁衍,姚鹏. 自然资源视频监测目标检测关键技术研究与应用. 地理空间信息. 2024(03): 47-50+54 . 百度学术
    9. 谢国波,廖文康,林志毅,张家源. 基于MCRASN的遥感影像变化检测. 应用光学. 2024(02): 430-437 . 百度学术
    10. 张兰兰,王红雷. 基于深度学习的耕地非农化遥感监测与时空分析——以开阳县为例. 测绘通报. 2024(03): 13-18 . 百度学术
    11. 樊华,王文旭,孙杰,李晓阳. 基于遥感影像的重要地物的变化检测和标注. 科学技术与工程. 2024(09): 3586-3595 . 百度学术
    12. 陈华江,张晋博,张展豪,陈敏. 基于空间体素表达与影像目标验证的建筑物三维变化检测分析. 测绘与空间地理信息. 2024(05): 45-47+51 . 百度学术
    13. 刘立,董先敏,王德富,张志强,刘娟. 人机协同的多模态遥感变化检测方法. 测绘通报. 2024(S1): 130-136 . 百度学术
    14. 张宏鸣,沈寅威,阳光,孙志同,刘康乐,张二磊. 融合注意力机制与多尺度信息的葡萄种植区变化检测. 农业机械学报. 2024(05): 196-206+234 . 百度学术
    15. 陈乐,卫伟. 多源土地利用产品在黄土丘陵沟壑区的精度评估. 水土保持学报. 2024(03): 177-186+194 . 百度学术
    16. 常瑶,费鲜芸,王圳,高亚军,杨民书,文陈昊. 基于无人机影像的连云港云台山林场樱桃树种植面积提取. 江苏海洋大学学报(自然科学版). 2024(02): 89-96 . 百度学术
    17. 唐江森,于亚杰,苏鹏. 河北省历史影像电子地图展示系统设计与实现. 城市勘测. 2024(03): 93-95+100 . 百度学术
    18. 苏步宇,杜小平,慕号伟,徐琛,陈方,罗笑南. 耦合Mask R-CNN和注意力机制的建筑物提取及后处理策略. 遥感技术与应用. 2024(03): 620-632 . 百度学术
    19. 汤玉奇,林泽锋,韩特,杨欣,邹滨,冯徽徽. 基于对称网络的光学和SAR影像变化检测. 遥感学报. 2024(06): 1560-1575 . 百度学术
    20. 厉芳婷,张过,周方栋,王上,梁思,李志炜. 基于双流并行全向扫描Mamba的遥感影像建筑物变化检测. 武汉大学学报(信息科学版). 2024(09): 1574-1585 . 百度学术
    21. 潘建平,谢鹏,郭志豪,林娜,张慧娟. 面向城市复杂场景的多尺度监督融合变化检测. 遥感信息. 2024(04): 23-32 . 百度学术
    22. 吕宁,刘亦高,张增辉. 基于特征金字塔的协作式变化检测网络. 遥测遥控. 2024(05): 120-128 . 百度学术
    23. 孙剑明,赵梦鑫,郝旭耀. 遥感图像变化检测方法研究综述. 计算机工程与应用. 2024(20): 30-48 . 百度学术
    24. 黄子岸,赵艮平,王卓薇. 基于LS-CDNet的轻量级遥感影像变化检测. 激光杂志. 2024(10): 67-73 . 百度学术
    25. 叶萍萍,仝昕. 基于深度学习的建筑物变化检测技术研究. 河南科技. 2024(19): 104-107 . 百度学术
    26. 眭海刚,周宁,魏天怡. 遥感大数据的地理环境构建及目标保障技术综述. 无线电工程. 2024(11): 2505-2519 . 百度学术
    27. 宁晓刚,张翰超,张瑞倩. 遥感影像高可信智能不变检测技术框架与方法实践. 测绘学报. 2024(06): 1098-1112 . 百度学术
    28. 赵金奇,李宇轩,刘子蓉,安庆,宋时雨,牛玉芬. 基于相似性衡量函数优化的SAR时空极化信息一体化洪涝变化检测方法. 测绘学报. 2024(12): 2375-2390 . 百度学术
    29. 吴丕团,覃现,余松梅,杨钊,杨昌. 自然资源资产审计服务中的测绘地理信息技术应用. 测绘标准化. 2024(04): 70-75 . 百度学术
    30. 韩特,汤玉奇,陈玉增,张芳艳,杨欣,邹滨,冯徽徽. 基于自适应非局部模式一致性的多模态遥感影像变化检测方法. 遥感学报. 2024(12): 3197-3212 . 百度学术
    31. 王本礼,王也,唐先龙,董胜光. 遥感影像变化图斑智能化提取平台研发与应用. 测绘通报. 2023(02): 150-154 . 百度学术
    32. 袁嘉铭,杨敏,余华飞,赵炜. 面向精细化导航的城市道路网末梢扩展. 北京测绘. 2023(02): 172-177 . 百度学术
    33. 赵会芹,于博,陈方,王雷. 基于高分辨率卫星遥感影像滑坡提取方法研究现状. 遥感技术与应用. 2023(01): 108-115 . 百度学术
    34. 周豫阳,王明常,王凤艳,杨盈,刘子维. 改进U-Net的高分辨率遥感影像建筑区变化检测方法. 世界地质. 2023(01): 159-167 . 百度学术
    35. 董艳琴,任金铜,张涛. 基于IR-MAD算法的GF-1影像土地利用变化检测研究. 无线互联科技. 2023(03): 109-113 . 百度学术
    36. 李泽宇. 基于改进注意力机制的SAR图像变化检测方法研究. 科学技术创新. 2023(08): 35-39 . 百度学术
    37. 李琳,汪小钦,刘益锋,丁书培,陈芸芝. 基于时序遥感影像的长汀县生产建设项目扰动监测. 遥感技术与应用. 2023(02): 308-318 . 百度学术
    38. 李星华,黄艳媛. 高分影像变化检测的孪生差分特征融合网络. 测绘科学. 2023(05): 129-139 . 百度学术
    39. 白建超,陈泓桦. 基于SVM的SAR图像变化检测方法研究. 高等数学研究. 2023(03): 76-82 . 百度学术
    40. 詹必伟,唐小丽,何奕萱,陈绍根,臧广义,黎浩许. 基于改进UNet网络的耕地变化检测方法研究. 测绘. 2023(02): 76-79 . 百度学术
    41. 陈婕,刘纪平,徐胜华. 增强边缘信息的全卷积神经网络遥感影像建筑物变化检测. 测绘通报. 2023(06): 61-67 . 百度学术
    42. 沈鑫甦,嵇灵. 面向遥感地类变化检测的U型深度学习神经网络改进方法. 测绘通报. 2023(06): 93-97+103 . 百度学术
    43. 姚照原,马磊,万玮,宋本钦,王卫红,邓继伟,肖蕾,冀锐,魏之皓,崔要奎. 基于深度学习的遥感样本库一致性评估. 北京大学学报(自然科学版). 2023(04): 563-568 . 百度学术
    44. 赵昊罡,崔红霞,张芳菲,顾海燕,穆潇莹. 改进SegNet+CRF高分辨率遥感影像建筑物提取方法. 计算机测量与控制. 2023(07): 177-183 . 百度学术
    45. 张吉玲,王庆,王静,闫烁月,陈卓然. 改进U-Net网络的高分辨率遥感影像变化检测算法. 遥感信息. 2023(03): 122-129 . 百度学术
    46. 陈海永,吕承杰,杜春,陈鹏. 孪生注意力门控融合的遥感图像变化检测编解码网络. 计算机工程与科学. 2023(09): 1593-1601 . 百度学术
    47. 闫利,李希. 用于高分辨率遥感影像度量变化检测的多路径非对称融合网络. 电子学报. 2023(07): 1781-1790 . 百度学术
    48. 李强,张杰,刘东顺,李磊. 基于改进U-Net模型的航空影像建筑物变化检测. 测绘与空间地理信息. 2023(09): 60-63+67 . 百度学术
    49. 柳思聪,都科丞,郑永杰,陈晋,杜培军,童小华. 人工智能时代的遥感变化检测技术:继承、发展与挑战. 遥感学报. 2023(09): 1975-1987 . 百度学术
    50. 朱传海 ,陈学泓 ,陈晋 ,袁宇恒 ,唐凯 . 基于分类后验概率空间的孪生Nested-UNet(SNU-PS)变化检测网络. 遥感学报. 2023(09): 2006-2023 . 百度学术
    51. 杨彬,毛银,陈晋,刘建强,陈杰,闫凯. 深度学习的遥感变化检测综述:文献计量与分析. 遥感学报. 2023(09): 1988-2005 . 百度学术
    52. 吴小所,王利玲,吴朝阳,郭存鸽,杨乐,闫浩文. 基于双时相特征筛选的遥感图像变化检测模型. 地球信息科学学报. 2023(11): 2268-2280 . 百度学术
    53. 姜明,张新长,孙颖,冯炜明,阮永俭. 全尺度特征聚合的高分辨率遥感影像变化检测网络. 测绘学报. 2023(10): 1738-1748 . 百度学术
    54. 申文杰,贾云珍,李洋,林赟,蒋雯,王彦平. 基于Log-Ratio算子的目标级星载SAR时序图像变化检测方法. 工业控制计算机. 2023(11): 98-101 . 百度学术
    55. 魏汝兰,王洪飞,盛森,江一帆,余亚芳. 基于深度学习的卫星影像耕地变化检测方法及系统应用. 软件导刊. 2023(11): 29-34 . 百度学术
    56. 火久元,刘梦. 基于PCA信息熵特征融合的遥感影像变化检测(英文). Journal of Measurement Science and Instrumentation. 2023(04): 398-412 . 百度学术
    57. 于政尧,黄建华,孙希延,罗明明,万逸轩. 融合Swin Transformer的遥感影像建筑物变化检测. 电子测量技术. 2023(22): 139-147 . 百度学术
    58. 曹州,刘士彬,马勇,姚武韬,姜丽媛. 一种联合光谱-对象-时间特征的遥感影像变化检测方法. 中国科学院大学学报. 2022(01): 102-109 . 百度学术
    59. 陈海鹏,张莉,李淼,谢雯君,邱博. 自然资源调查监测地表覆盖成果质检关键技术探讨. 测绘通报. 2022(01): 96-99 . 百度学术
    60. 潘建平,徐永杰,李明明,胡勇,王春晓. 结合相关系数和特征分析的植被区域自动变化检测研发. 自然资源遥感. 2022(01): 67-75 . 百度学术
    61. 潘建平,李鑫,孙博文,胡勇,李明明. 基于注意力密集连接金字塔网络的新增建设用地变化检测. 测绘通报. 2022(03): 41-46+59 . 百度学术
    62. Wensong LIU,Xinyuan JI,Jie LIU,Fengcheng GUO,Zongqiao YU. A Novel Unsupervised Change Detection Method with Structure Consistency and GFLICM Based on UAV Images. Journal of Geodesy and Geoinformation Science. 2022(01): 91-102 . 必应学术
    63. 张海明,王明常,陈学业,王凤艳,杨国东,高苏. 领域知识优化深度置信网络的遥感变化检测. 武汉大学学报(信息科学版). 2022(05): 762-768+788 . 百度学术
    64. 梁哲恒,黎宵,邓鹏,盛森,姜福泉. 融合多尺度特征注意力的遥感影像变化检测方法. 测绘学报. 2022(05): 668-676 . 百度学术
    65. 黄梅,杨文忠,汪传建,魏文钰. 基于SE-DRUnet的遥感影像耕地变化检测. 东北师大学报(自然科学版). 2022(02): 61-67 . 百度学术
    66. 王明亮,金丽华,马传宁,武丽梅,李影. 基于无人机交互的土地利用遥感监测应用研究. 测绘与空间地理信息. 2022(S1): 48-50 . 百度学术
    67. 黄然,方正云,马御棠,黄双得,文刚,刘靖,孙浩轩. 基于变化检测的输电走廊外力破坏隐患区域识别. 航天返回与遥感. 2022(03): 138-148 . 百度学术
    68. 程勉志,赵艳坤,闫超德,王石岩. 基于地表覆盖转移矩阵的公路工程进度监测方法. 地理信息世界. 2022(03): 53-57 . 百度学术
    69. 赵祥,王涛,张艳,郑迎辉,张昆,王龙辉. 基于改进DeepLabv3+孪生网络的遥感影像变化检测方法. 地球信息科学学报. 2022(08): 1604-1616 . 百度学术
    70. 黄宇鸿,周维勋. 高分辨率遥感影像场景变化检测的相似度方法. 测绘通报. 2022(08): 48-53 . 百度学术
    71. 冯炜明,张新长,孙颖,姜明,甘巧,侯幸幸. 融合Transformer结构的高分辨率遥感影像变化检测网络. 测绘通报. 2022(08): 36-40+92 . 百度学术
    72. 李刚,宁晓刚,张翰超,王浩,郝铭辉. “三调”成果数据引导的耕地“非农化”遥感监测. 测绘科学. 2022(07): 149-159 . 百度学术
    73. 黄宇鸿,周维勋. 不同特征提取策略的场景变化检测性能评估. 北京测绘. 2022(08): 980-984 . 百度学术
    74. 高梓昂. 基于双注意力机制与UNet的遥感影像变化检测方法. 长江信息通信. 2022(09): 16-18 . 百度学术
    75. 厉芳婷,张过,石婷婷,李乐. 耕地“非农化”遥感解译样本分类体系及应用. 农业工程学报. 2022(15): 297-304 . 百度学术
    76. 李平苍. 高分专项系列卫星在铁路全生命周期应用探讨. 卫星应用. 2022(10): 31-36 . 百度学术
    77. 李强,耿丹,张景发,龚丽霞. 面向地震应急调查的遥感应用现状及趋势分析. 遥感学报. 2022(10): 1920-1934 . 百度学术
    78. 麻连伟,宁卫远,焦利伟,薛帅栋. 基于U-Net卷积神经网络的遥感影像变化检测方法研究. 能源与环保. 2022(11): 102-106 . 百度学术
    79. 余晓娜,黄亮,陈朋弟. 基于Segnet网络和迁移学习的全景街区影像变化检测. 重庆大学学报. 2022(11): 100-107 . 百度学术
    80. 王红雷,谢义娟,刘诗琦,严文璞,张兰兰. 贵州乱占耕地建房动态监测监管技术平台研究与实现. 地理信息世界. 2022(06): 16-20 . 百度学术
    81. 宋文宣,彭代锋. 一种改进全卷积网络的遥感影像变化检测. 遥感信息. 2022(06): 130-136 . 百度学术
    82. 单浩宇,王春晓,尹鹏程,李二珠,张连蓬,史嘉诚,刘伟. 基于深度学习与矢-栅数据的图斑变化检测系统. 现代测绘. 2022(06): 16-19 . 百度学术
    83. 张翠军,安冉,马丽. 改进U-Net的遥感图像中建筑物变化检测. 计算机工程与应用. 2021(03): 239-246 . 百度学术
    84. 李文国,黄亮,左小清,王译著. 基于微调语义分割模型的街景影像变化检测方法. 软件导刊. 2021(02): 200-205 . 百度学术
    85. 郝玉珠,陈振杰,侯仁福,王贝贝. 基于遥感影像序列的建设占用农用地时空信息提取. 长江流域资源与环境. 2021(02): 371-381 . 百度学术
    86. 李正伟. 基于EBPNN模型的遥感图像变化检测研究. 计算机测量与控制. 2021(03): 124-128+144 . 百度学术
    87. 杨钰琪,陈驰,杨必胜,胡平波,崔扬. 基于UAV影像密集匹配点云多层次分割的建筑物层高变化检测. 武汉大学学报(信息科学版). 2021(04): 489-496 . 百度学术
    88. 马倩,邹焕新,李美霖,成飞,贺诗甜. 基于SNIC的双时相SAR图像超像素协同分割算法. 系统工程与电子技术. 2021(05): 1198-1209 . 百度学术
    89. 吴纹辉,慎利,董新丰,杜有德. 面向高分辨率遥感影像建筑物变化检测的边缘感知网络. 地理与地理信息科学. 2021(03): 21-28 . 百度学术
    90. 武宇,张俊,李屹旭,黄康钰. 基于改进U-Net的建筑物集群识别研究. 国土资源遥感. 2021(02): 48-54 . 百度学术
    91. 戴晓琴,沈瑞淇,王俊,汪军阳,周俊利. GEE遥感云平台支撑下的河南省土地利用变化检测. 测绘科学技术学报. 2021(03): 287-294 . 百度学术
    92. 李晓东,宋开山. 动态变化率与最大差值相结合的陆表生态变化检测. 遥感学报. 2021(06): 1338-1350 . 百度学术
    93. 刘星雨,王建,朱恰,马紫雯,周再文,高贤君. 基于深度学习差值分析的高分影像建筑物变化检测. 北京测绘. 2021(05): 583-589 . 百度学术
    94. 任秋如,杨文忠,汪传建,魏文钰,钱芸芸. 遥感影像变化检测综述. 计算机应用. 2021(08): 2294-2305 . 百度学术
    95. 李宁,吕宗森,郭拯危. 联合变化检测与子带对消技术的SAR图像干扰抑制方法. 系统工程与电子技术. 2021(09): 2484-2492 . 百度学术
    96. 窦世卿,宋莹莹,徐勇,苗林林,陈治宇,郑贺刚. 基于随机森林的高分影像分类及土地利用变化检测. 无线电工程. 2021(09): 901-908 . 百度学术
    97. 高振宇,刘亮,潘浩,马御棠,黄修乾,耿浩,刘靖,徐崇斌,孙晓敏. 基于改进语义分割网络的输电走廊遥感变化检测. 航天返回与遥感. 2021(04): 120-128 . 百度学术
    98. 谢优平,肖祥红. 基于遥感技术的自然资源执法监察工作问题探析. 地理空间信息. 2021(09): 41-43+49+157 . 百度学术
    99. 李晓东,闫守刚,宋开山. 遥感监测东北地区典型湖泊湿地变化的方法研究. 遥感技术与应用. 2021(04): 728-741 . 百度学术
    100. 李正伟. 基于Log-Gabor滤波器的SAR图像变化检测研究. 计算技术与自动化. 2021(03): 127-132 . 百度学术
    101. 王译著,黄亮,陈朋弟,李文国,余晓娜. 联合显著性和多方法差异影像融合的遥感影像变化检测. 自然资源遥感. 2021(03): 89-96 . 百度学术
    102. 赵亮,徐云和,陈磊. 基于孪生神经网络的遥感影像变化检测研究. 测绘通报. 2021(S1): 129-133 . 百度学术
    103. 牛晓楠,倪欢,李云峰,张庆,周小平,陆远志,郝娇娇. 基于遥感影像变化检测的城区暗浜自动识别方法——以安庆市为例. 地质通报. 2021(10): 1697-1706 . 百度学术
    104. 王民水,孔祥明,陈学业,杨国东,王明常,张海明. 基于随机补片和DeepLabV3+的建筑物遥感图像变化检测. 吉林大学学报(地球科学版). 2021(06): 1932-1938 . 百度学术
    105. 叶沅鑫,孙苗苗,王蒙蒙,谭鑫. 结合邻域信息和结构特征的遥感影像变化检测. 测绘学报. 2021(10): 1349-1357 . 百度学术
    106. 胡顺石,黄英,黄春晓,李大成,王倩. 多源遥感影像协同应用发展现状及未来展望. 无线电工程. 2021(12): 1425-1433 . 百度学术
    107. 王儒壮,李小群,刘春霞,孙树承. 基于高分遥感影像的海口市违法建筑监测. 北京测绘. 2021(10): 1329-1332 . 百度学术
    108. 季顺平,田思琦,张驰. 利用全空洞卷积神经元网络进行城市土地覆盖分类与变化检测. 武汉大学学报(信息科学版). 2020(02): 233-241 . 百度学术
    109. 张庆,李云峰,牛晓楠,周小平,陆远志,鲍晓明. 基于3S技术的浅层不良地质体调查. 地质论评. 2020(S1): 177-178 . 百度学术
    110. 冯林艳,谭炳香,王晓慧,陈新云,曾伟生,戚曌. 基于分布函数的对象级森林变化快速检测. 国土资源遥感. 2020(02): 73-80 . 百度学术
    111. 王艳恒,高连如,陈正超,张兵. 结合深度学习和超像元的高分遥感影像变化检测. 中国图象图形学报. 2020(06): 1271-1282 . 百度学术
    112. 肖和平,罗伦,单新周. 遥感技术在公路交通管理维护中的应用. 交通与运输. 2020(04): 81-85 . 百度学术
    113. 宋业冲,李英成,耿中元,丁晓波,裴亚健. 深度学习方法在光伏用地遥感检测中的应用. 测绘科学. 2020(11): 84-92 . 百度学术
    114. 徐锐,余小于,张驰,杨瑨,黄宇,潘俊. 融合Unet网络和IR-MAD的建筑物变化检测方法. 国土资源遥感. 2020(04): 90-96 . 百度学术
    115. 倪良波,卢涵宇,卢天健,丁蕾锭,卢梅. 基于孪生残差神经网络的遥感影像变化检测. 计算机工程与设计. 2020(12): 3451-3457 . 百度学术
    116. 季欣然,黄亮,陈朋弟. 结合变化向量分析和直觉模糊聚类的遥感影像变化检测方法. 全球定位系统. 2020(06): 100-106 . 百度学术
    117. 高敏,王肖霞,杨风暴,张宗军. 面向SAR图像像素级变化检测的去模糊化处理方法. 激光与光电子学进展. 2020(22): 277-283 . 百度学术
    118. 郭婷婷. 卫星遥感AI赋能城市空间治理. 北京规划建设. 2020(S1): 178-180 . 百度学术
    119. 宿强,杨景玉,王阳萍. 基于直觉模糊C核均值聚类算法的合成孔径雷达图像变化检测. 激光与光电子学进展. 2019(19): 270-277 . 百度学术
    120. 程梦真,惠文华,李延金,魏家旺. 利用影像相关分析的遥感变化检测. 测绘通报. 2019(10): 67-71 . 百度学术
    121. 王译著,黄亮. 2003~2018年昆明市呈贡区土地利用动态变化时空特征分析. 科学技术与工程. 2019(28): 42-49 . 百度学术

    其他类型引用(192)

图(8)  /  表(2)
计量
  • 文章访问数:  4115
  • HTML全文浏览量:  548
  • PDF下载量:  923
  • 被引次数: 313
出版历程
  • 收稿日期:  2018-09-03
  • 发布日期:  2018-12-04

目录

/

返回文章
返回