留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

点云辅助GB-InSAR影像与地形数据应急变形监测方法

郑翔天 杨晓琳 何秀凤 马海涛 于正兴 任贵文 张浩 张劲松

郑翔天, 杨晓琳, 何秀凤, 马海涛, 于正兴, 任贵文, 张浩, 张劲松. 点云辅助GB-InSAR影像与地形数据应急变形监测方法[J]. 武汉大学学报 ● 信息科学版, 2022, 47(7): 1081-1092. doi: 10.13203/j.whugis20200280
引用本文: 郑翔天, 杨晓琳, 何秀凤, 马海涛, 于正兴, 任贵文, 张浩, 张劲松. 点云辅助GB-InSAR影像与地形数据应急变形监测方法[J]. 武汉大学学报 ● 信息科学版, 2022, 47(7): 1081-1092. doi: 10.13203/j.whugis20200280
ZHENG Xiangtian, YANG Xiaolin, HE Xiufeng, MA Haitao, YU Zhengxing, REN Guiwen, ZHANG Hao, ZHANG Jinsong. Integrated GB-InSAR Images and Terrain Data for Emergency Deformation Monitoring Assisted by Point Clouds[J]. Geomatics and Information Science of Wuhan University, 2022, 47(7): 1081-1092. doi: 10.13203/j.whugis20200280
Citation: ZHENG Xiangtian, YANG Xiaolin, HE Xiufeng, MA Haitao, YU Zhengxing, REN Guiwen, ZHANG Hao, ZHANG Jinsong. Integrated GB-InSAR Images and Terrain Data for Emergency Deformation Monitoring Assisted by Point Clouds[J]. Geomatics and Information Science of Wuhan University, 2022, 47(7): 1081-1092. doi: 10.13203/j.whugis20200280

点云辅助GB-InSAR影像与地形数据应急变形监测方法

doi: 10.13203/j.whugis20200280
基金项目: 

国家自然科学基金 41830110

高校科研专项资金 3534113221064

江苏省自然科学基金 BK20201468

国家重点研发计划 2018YFC1503603

国家重点研发计划 2018YFC0808402

详细信息
    作者简介:

    郑翔天,博士,副教授,主要从事地基合成孔径雷达干涉测量数据处理工作。aforest0459@foxmail.com

    通讯作者: 何秀凤,博士,教授。xfhe@hhu.edu.cn
  • 中图分类号: P237

Integrated GB-InSAR Images and Terrain Data for Emergency Deformation Monitoring Assisted by Point Clouds

Funds: 

The National Natural Science Foundation of China 41830110

the Research Funds for Universities 3534113221064

the Natural Science Foundation of Jiangsu Province BK20201468

the National Key Research and Development Program of China 2018YFC1503603

the National Key Research and Development Program of China 2018YFC0808402

More Information
    Author Bio:

    ZHENG Xiangtian, PhD, associate professor, specializes in GB-InSAR data processing. E-mail: aforest0459@foxmail.com

    Corresponding author: HE Xiufeng, PhD, professor. E-mail: xfhe@hhu.edu.cn
  • 摘要: 将采用地面三维激光扫描(terrestrial laser scanning, TLS)、地基合成孔径雷达干涉测量(ground-based interferometric synthetic aperture radar, GB-InSAR)和无人机航空摄影测量(unmanned aerial vehicle photography, UAV)的综合遥感方案应用于崩塌体应急监测。引入迭代最近点法(iterative closest point, ICP),首先实现TLS点云和UAV影像离散点云配准;然后,利用几何映射方法实现GB-InSAR二维形变图与TLS点云三维匹配;针对崩塌体应急缺少人工目标辅助校正几何映射偏差的问题,综合目视解译以及峰值相关性分析提取各数据间的同名特征点,根据同名特征点计算空间坐标变换参数,建立变换方程来完成误匹配纠正。利用所提的匹配方法处理模拟数据及某滑坡崩塌残余体实际监测数据,结果表明实测匹配精度达像素级,满足应急监测需求。
  • 图  1  监测系统设站

    Figure  1.  Setting up of Deformation Monitoring System

    图  2  天线行迹测量偏差对匹配的影响

    Figure  2.  Influence of Repeat-Pass Vector Measurement Bias on Mapping Results

    图  3  不同天线行迹矢量测量水平角度偏差以及竖直角度偏差-匹配偏差量曲线

    Figure  3.  Curve of Mapping Errors with Repeat-Pass Vector Measurement Bias in Vertical and Horizontal Directions

    图  4  融合多源遥测信息的崩塌应急变形监测

    Figure  4.  Integrated Multiple Information for Rockslide Emergency Deformation Monitoring

    图  5  ICP方法匹配TLS点云与UAV影像离散点云

    Figure  5.  TLS Point Cloud and UAV Image Point Cloud Co-registration Results by ICP Method

    图  6  测量天线行迹矢量示意图

    Figure  6.  Diagram Antenna Footprints Vector Measuring

    图  7  实际采集图像以及模拟的GB-InSAR图像中地物的几何位置对比

    Figure  7.  Geometric Positions Comparison Between Actual Image and Simulated Image

    图  8  依据特征提取的控制点示意图

    Figure  8.  Control Points Selection According to Image Features

    图  9  使用模拟图像检核目视解译控制点示意图

    Figure  9.  Simulated SAR Image for GCP Refinement

    图  10  检验线性变换方法是否有效匹配的流程

    Figure  10.  GB-InSAR and 3D Terrain Data Mismatching Correction Process of Using Linear Transformation

    图  11  坐标变换应用于校正天线行迹测量偏差对匹配结果的影响

    Figure  11.  Influence of Repeat-Pass Vector Bias Correction Using Coordinate Transformation

    图  12  TLS点云与GB-InSAR形变图几何映射粗匹配及误匹配纠正结果

    Figure  12.  Uncorrected Mapping Result and CorrectedMapping Result Between TLS Point Cloud and GB-InSAR

    图  13  GB-InSAR与UAV影像粗匹配结果以及使用ICP方法纠正后的结果

    Figure  13.  Uncorrected Mapping Result and CorrectedMapping Result Using ICP Between UAV and GB-InSAR Cumulative Deformation Map

    图  14  根据日累积变形过程选取点进行分析

    Figure  14.  Selected Points Cumulative Daily Deformation Analysis

  • [1] Zheng X, Yang X, Ma H, et al. Integrative Landslide Emergency Monitoring Scheme Based on GB-InSAR Interferometry, Terrestrial Laser Scanning and UAV Photography[J]. Journal of Physics: Conference Series, 2019, 1213(5): 052069
    [2] Carla T, Tofani V, Lombardi L, et al. Combination of GNSS, Satellite InSAR, and GB-InSAR Remote Sensing Monitoring to Improve the Understanding of a Large Landslide in High Alpine Environment[J]. Geomorphology, 2019, 335: 62-75 doi:  10.1016/j.geomorph.2019.03.014
    [3] Pieraccini M, Miccinesi L. Ground-Based Radar Interferometry: A Bibliographic Review[J]. Remote Sensing, 2019, 11: 1029 doi:  10.3390/rs11091029
    [4] Confuorto P, Di Martire D, Infante D, et al. Monitoring of Remedial Works Performance on Landslide-Affected Areas Through Ground- and Satellite-Based Techniques[J]. Catena, 2019, 178: 77-89 doi:  10.1016/j.catena.2019.03.005
    [5] Lombardi L, Nocentini M, Frodella W, et al. The Calatabiano Landslide (Southern Italy): Preliminary GB-InSAR Monitoring Data and Remote 3D Mapping[J]. Landslides, 2017, 14(2): 685-696 doi:  10.1007/s10346-016-0767-6
    [6] Zheng X, He X, Yang X, et al. Terrain Point Cloud Assisted GB-InSAR Slope and Pavement Deformation Differentiate Method in an Open-Pit Mine[J]. Sensors, 2020, 20(8): 2337 doi:  10.3390/s20082337
    [7] Ferrigno F, Gigli G, Fanti R, et al. GB-InSAR Monitoring and Observational Method for Landslide Emergency Management: The Montaguto Earthflow (AV, Italy)[J]. Natural Hazards and Earth System Sciences Discussions, 2017, 3(12): 7247-7273
    [8] Zheng X, Yang X, Ma H, et al. Integrated Ground-Based SAR Interferometry, Terrestrial Laser Scanner, and Corner Reflector Deformation Experiments[J]. Sensors (Basel), 2018, 18(12): 4401 doi:  10.3390/s18124401
    [9] Schaefer L N, Di Traglia F, Chaussard E, et al. Monitoring Volcano Slope Instability with Synthetic Aperture Radar: A Review and New Data from Pacaya (Guatemala) and Stromboli (Italy) Volcanoes[J]. Earth-Science Reviews, 2019, 192: 236-257 doi:  10.1016/j.earscirev.2019.03.009
    [10] 吴星辉, 马海涛, 张杰. 地基合成孔径雷达的发展现状及应用[J]. 武汉大学学报∙信息科学版, 2019, 7(44): 1073-1081 doi:  10.13203/j.whugis20190058

    Wu Xinghui, Ma Haitao, Zhang Jie. Development Status and Application of Ground-Based Synthetic Aperture Radar[J]. Geomatics and Information Scien-ce of Wuhan University, 2019, 44(7): 1073-1081 doi:  10.13203/j.whugis20190058
    [11] 邹进贵, 田径, 陈艳华, 等. 地基SAR与三维激光扫描数据融合方法研究[J]. 测绘地理信息, 2015, 40(3): 26-30 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXG201503010.htm

    Zou Jingui, Tian Jing, Chen Yanhua, et al. Research on Data Fusion Method of Ground-Based SAR and 3D Laser Scanning[J]. Journal of Geomatics, 2015, 40(3): 26-30 https://www.cnki.com.cn/Article/CJFDTOTAL-CHXG201503010.htm
    [12] 王鹏, 邢诚. GB-SAR影像坐标到三维地形坐标转换方法[J]. 长江科学院院报2018, 35(6): 122-127 https://www.cnki.com.cn/Article/CJFDTOTAL-CJKB201806027.htm

    Wang Peng, Xing Cheng. A Method of Transforming GB-SAR Image Coordinate to 3D Terrain Coordinate[J]. Journal of Yangtze River Scientific Research Institute, 2018, 35(6): 122-127 https://www.cnki.com.cn/Article/CJFDTOTAL-CJKB201806027.htm
    [13] 杨俊, 乞耀龙, 谭维贤, 等. 地基SAR图像与地形数据的几何映射三维匹配方法[J]. 中国科学院大学学报, 2015, 32(3): 422-427 https://www.cnki.com.cn/Article/CJFDTOTAL-ZKYB201503020.htm

    Yang Jun, Qi Yaolong, Tan Weixian, et al. Three-Dimensional Matching Algorithm for Geometric Mapping Between GB-SAR Image and Terrain Data[J]. Journal of University of Chinese Academy of Sciences, 2015, 32(3) : 422-427 https://www.cnki.com.cn/Article/CJFDTOTAL-ZKYB201503020.htm
    [14] Yang X, Wang Y, Qi Y, et al. Experiment Study on Deformation Monitoring Using Ground-Based SAR[C]//Asia-Pacific Conference on Synthetic Aperture Radar, Tokyo, Japan, 2013
    [15] 任三孩, 常文革, 刘向君. 基于SAR影像模拟几何校正算法参数误差影响分析[J]. 信号处理, 2010, 26(10): 1588-1594 doi:  10.3969/j.issn.1003-0530.2010.10.025

    Ren Sanhai, Chang Wenge, Liu Xiangjun. The Impaction Analysis of Parameter Error in the Geometric Rectification Method Based on SAR Image Simulation[J]. Signal Processing, 2010, 26(10): 1588-1594 doi:  10.3969/j.issn.1003-0530.2010.10.025
    [16] 杨书成, 黄国满, 程春泉. 基于DEM的SAR影像几何定位参数校正方法[J]. 地球信息科学学报, 2019, 21(4): 580-587 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX201904013.htm

    Yang Shucheng, Huang Guoman, Cheng Chunquan. Correction Method of SAR Image Geometric Positioning Parameters Based on DEM[J]. Journal of Geo-information Science, 2019, 21(4): 580-587 https://www.cnki.com.cn/Article/CJFDTOTAL-DQXX201904013.htm
    [17] 尤红建, 丁赤飚, 吴一戎. 基于DEM的星载SAR图像模拟以及用于图像精校正[J]. 中国空间科学技术, 2006(1): 65-71 https://www.cnki.com.cn/Article/CJFDTOTAL-ZGKJ200601011.htm

    You Hongjian, Ding Chibiao, Wu Yirong. Space Borne SAR Image Simulation and Its Application in Geo Rectification[J]. Chinese Space Science and Technology, 2006(1): 65-71 https://www.cnki.com.cn/Article/CJFDTOTAL-ZGKJ200601011.htm
    [18] 张永红, 张继贤, 杨崇源. 基于影像模拟的SAR几何校正准自动方法[J]. 遥感学报, 2003, 7(2): 106-111 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB200302004.htm

    Zhang Yonghong, Zhang Jixian, Yang Chongyuan. A Qusasi-Automatic Rectification Method of SAR Image Based on Image Simulation[J]. Journal of Remote Sensing, 2003, 7(2): 106-111 https://www.cnki.com.cn/Article/CJFDTOTAL-YGXB200302004.htm
    [19] 姚宜斌, 黄承猛, 李程春, 等. 一种适用于大角度的三维坐标转换参数求解算法[J]. 武汉大学学报∙信息科学版, 2012, 37(3): 253-256 http://ch.whu.edu.cn/article/id/147

    Yao Yibin, Huang Chengmeng, Li Chengchun, et al. A New Algorithm for Solution of Transformation Parameters of Big Rotation Angle's 3D Coordinate[J]. Geomatics and Information Science of Wuhan University, 2012, 37(3): 253-256 http://ch.whu.edu.cn/article/id/147
    [20] 王保丰, 徐宁, 余春平, 等. 两种空间直角坐标系转换参数初值快速计算的方法[J]. 宇航计测技术, 2007, 27(4): 20-24 doi:  10.3969/j.issn.1000-7202.2007.04.005

    Wang Baofeng, Xu Ning, Yu Chunping, et al. Quick Arithmetics for the Transformation Approximation of Two Space Rectangular Coordinate Systems[J]. Journal of Astronautic Metrology and Measurement, 2007, 27(4): 20-24 doi:  10.3969/j.issn.1000-7202.2007.04.005
    [21] 孙凤梅. 多传感器图像彩色融合方法研究[D]. 长沙: 湖南大学, 2009

    Sun Fengmei. Research on Color Fusion Methods for Multi-sensor Images[D]. Changsha: Hunan University, 2009
    [22] 李振洪, 宋闯, 余琛, 等. 卫星雷达遥感在滑坡灾害探测和监测中的应用: 挑战与对策[J]. 武汉大学学报·信息科学版, 2019, 44(7): 967-979 doi:  10.13203/j.whugis20190098

    Li Zhenhong, Song Chuang, Yu Chen, et al. Application of Satellite Radar Remote Sensing to Landslide Detection and Monitoring: Challenges and Solutions [J]. Geomatics and Information Science of Wuhan University, 2019, 44(7): 967-979 doi:  10.13203/j.whugis20190098
  • [1] 徐恩恩, 郭颖, 陈尔学, 李增元, 赵磊, 刘清旺.  基于无人机LiDAR和高空间分辨率卫星遥感数据的区域森林郁闭度估测模型 . 武汉大学学报 ● 信息科学版, 2022, 47(8): 1298-1308. doi: 10.13203/j.whugis20210001
    [2] 姚永祥, 段平, 李佳, 王云川.  联合对数极坐标描述与位置尺度特征的无人机影像匹配算法 . 武汉大学学报 ● 信息科学版, 2022, 47(8): 1271-1278. doi: 10.13203/j.whugis20200362
    [3] 李健平.  多源数据融合的低空无人机激光扫描平台自主定位定姿关键技术 . 武汉大学学报 ● 信息科学版, 2022, 47(3): 481-481. doi: 10.13203/j.whugis20210680
    [4] 叶震, 许强, 刘谦, 董秀军, 王晓晨, 宁浩.  无人机倾斜摄影测量在边坡岩体结构面调查中的应用 . 武汉大学学报 ● 信息科学版, 2020, 45(11): 1739-1746. doi: 10.13203/j.whugis20200077
    [5] 刘雅婷, 龚龑, 段博, 方圣辉, 彭漪.  多时相NDVI与丰度综合分析的油菜无人机遥感长势监测 . 武汉大学学报 ● 信息科学版, 2020, 45(2): 265-272. doi: 10.13203/j.whugis20180161
    [6] 李维炼, 朱军, 朱秀丽, 付林, 张昀昊, 胡亚, 何秋玲, 黄鹏诚.  无人机遥感数据支持下滑坡VR场景探索分析方法 . 武汉大学学报 ● 信息科学版, 2019, 44(7): 1065-1072. doi: 10.13203/j.whugis20190047
    [7] 李鹏飞, 孙开敏, 李德仁, 王玮.  无人机影像应急并行处理负载均衡方法 . 武汉大学学报 ● 信息科学版, 2018, 43(2): 268-274. doi: 10.13203/j.whugis20130095
    [8] 李鹏飞, 孙开敏, 李德仁, 王玮.  无人机影像应急并行处理负载均衡方法 . 武汉大学学报 ● 信息科学版, 2018, 43(2): 268-274. doi: 10.13203/j.whugis20170022
    [9] 樊邦奎, 张瑞雨.  无人机系统与人工智能 . 武汉大学学报 ● 信息科学版, 2017, 42(11): 1523-1529. doi: 10.13203/j.whugis20170177
    [10] 袁修孝, 蔡杨, 史俊波, 钟灿.  北斗辅助无人机航摄影像的空中三角测量 . 武汉大学学报 ● 信息科学版, 2017, 42(11): 1573-1579. doi: 10.13203/j.whugis20170236
    [11] 朱庆, 韩会鹏, 于杰, 杜志强, 张骏骁, 吴晨, 沈富强.  应急测绘无人机资源多目标优化调度方法 . 武汉大学学报 ● 信息科学版, 2017, 42(11): 1608-1615. doi: 10.13203/j.whugis20130000
    [12] 吴立新, 许志华, 范松滔, 王秋玲.  植被稀疏地区沟蚀变化的地面激光扫描监测与沟蚀量估算 . 武汉大学学报 ● 信息科学版, 2017, 42(10): 1343-1349. doi: 10.13203/j.whugis20160013
    [13] 谭凯, 程效军, 张吉星.  TLS强度数据的入射角及距离效应改正方法 . 武汉大学学报 ● 信息科学版, 2017, 42(2): 223-228. doi: 10.13203/j.whugis20150502
    [14] 徐亚明, 石娟, 安动动, 马旭东.  利用影像分割和匹配特征进行无人机影像变化检测 . 武汉大学学报 ● 信息科学版, 2016, 41(10): 1286-1291. doi: 10.13203/j.whugis20140873
    [15] 姚宜斌, 孔建.  顾及设计矩阵随机误差的最小二乘组合新解法 . 武汉大学学报 ● 信息科学版, 2014, 39(9): 1028-1032. doi: 10.13203/j.whugis20130030
    [16] 魏二虎, 殷志祥, 李广文, 李智强.  虚拟观测值法在三维坐标转换中的应用研究 . 武汉大学学报 ● 信息科学版, 2014, 39(2): 152-156. doi: 10.13203/j.whugis20120648
    [17] 姚宜斌, 黄书华, 孔建, 何军泉.  空间直线拟合的整体最小二乘算法 . 武汉大学学报 ● 信息科学版, 2014, 39(5): 571-574. doi: 10.13203/j.whugis20120104
    [18] 鲁铁定, 周世健.  总体最小二乘的迭代解法 . 武汉大学学报 ● 信息科学版, 2010, 35(11): 1351-1354.
    [19] 孙红星, 闫利, 姜卫平.  高精度GPS差分载波相位多普勒/INS新型全组合解算机载TLS外方位元素 . 武汉大学学报 ● 信息科学版, 2004, 29(7): 642-645.
    [20] 许才军, 王华, 黄劲松.  GPS与INSAR数据融合研究展望 . 武汉大学学报 ● 信息科学版, 2003, 28(S1): 58-61,78.
  • 加载中
图(14)
计量
  • 文章访问数:  471
  • HTML全文浏览量:  124
  • PDF下载量:  74
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-06-11
  • 刊出日期:  2022-07-05

点云辅助GB-InSAR影像与地形数据应急变形监测方法

doi: 10.13203/j.whugis20200280
    基金项目:

    国家自然科学基金 41830110

    高校科研专项资金 3534113221064

    江苏省自然科学基金 BK20201468

    国家重点研发计划 2018YFC1503603

    国家重点研发计划 2018YFC0808402

    作者简介:

    郑翔天,博士,副教授,主要从事地基合成孔径雷达干涉测量数据处理工作。aforest0459@foxmail.com

    通讯作者: 何秀凤,博士,教授。xfhe@hhu.edu.cn
  • 中图分类号: P237

摘要: 将采用地面三维激光扫描(terrestrial laser scanning, TLS)、地基合成孔径雷达干涉测量(ground-based interferometric synthetic aperture radar, GB-InSAR)和无人机航空摄影测量(unmanned aerial vehicle photography, UAV)的综合遥感方案应用于崩塌体应急监测。引入迭代最近点法(iterative closest point, ICP),首先实现TLS点云和UAV影像离散点云配准;然后,利用几何映射方法实现GB-InSAR二维形变图与TLS点云三维匹配;针对崩塌体应急缺少人工目标辅助校正几何映射偏差的问题,综合目视解译以及峰值相关性分析提取各数据间的同名特征点,根据同名特征点计算空间坐标变换参数,建立变换方程来完成误匹配纠正。利用所提的匹配方法处理模拟数据及某滑坡崩塌残余体实际监测数据,结果表明实测匹配精度达像素级,满足应急监测需求。

English Abstract

郑翔天, 杨晓琳, 何秀凤, 马海涛, 于正兴, 任贵文, 张浩, 张劲松. 点云辅助GB-InSAR影像与地形数据应急变形监测方法[J]. 武汉大学学报 ● 信息科学版, 2022, 47(7): 1081-1092. doi: 10.13203/j.whugis20200280
引用本文: 郑翔天, 杨晓琳, 何秀凤, 马海涛, 于正兴, 任贵文, 张浩, 张劲松. 点云辅助GB-InSAR影像与地形数据应急变形监测方法[J]. 武汉大学学报 ● 信息科学版, 2022, 47(7): 1081-1092. doi: 10.13203/j.whugis20200280
ZHENG Xiangtian, YANG Xiaolin, HE Xiufeng, MA Haitao, YU Zhengxing, REN Guiwen, ZHANG Hao, ZHANG Jinsong. Integrated GB-InSAR Images and Terrain Data for Emergency Deformation Monitoring Assisted by Point Clouds[J]. Geomatics and Information Science of Wuhan University, 2022, 47(7): 1081-1092. doi: 10.13203/j.whugis20200280
Citation: ZHENG Xiangtian, YANG Xiaolin, HE Xiufeng, MA Haitao, YU Zhengxing, REN Guiwen, ZHANG Hao, ZHANG Jinsong. Integrated GB-InSAR Images and Terrain Data for Emergency Deformation Monitoring Assisted by Point Clouds[J]. Geomatics and Information Science of Wuhan University, 2022, 47(7): 1081-1092. doi: 10.13203/j.whugis20200280
  • 地基合成孔径雷达干涉测量(ground-based interferometric synthetic aperture radar,GB-InSAR)是星载合成孔径雷达干涉测量技术(interferometric synthetic aperture radar,InSAR)在地面上的应用,通过不同时刻的雷达复图像共轭相乘,可以获得目标区域的高精度形变信息。地基系统使用滑动轨道以短重访周期反复成像,可有效减弱InSAR普遍面临的时间和空间失相关[1]。近乎为零的空间基线,使得干涉建模不受基线误差干扰,精度较高,已广泛应用于滑坡、大坝、露天采矿等形变监测中[2-6]。合成孔径雷达(synthetic aperture radar,SAR)在斜距平面构像,形变结果以距离-方位图像表示,对于不熟悉SAR监测几何的人员存在不直观的问题;三维激光扫描技术可获得局部小范围内的三维地形以及高精度的雷达轨道信息,这两种信息常被融合匹配应用于形变监测 [7-10]。近年来,GB-InSAR已多次应用于滑坡、崩塌残余危岩体应急监测行动。滑坡现场多使用无人机快速获取区域高分辨率影像,将GB-InSAR时序形变图与三维激光扫描、无人机获得的信息融合,使区域形变三维可视化结果更加易用,优势信息互补,将更有助于分析崩塌体变形特征。现有匹配多基于几何映射方法,如文献[11]基于平面坐标相似变换法将GB-InSAR形变图与三维激光扫描点云匹配,融合数据应用于大坝表面变形监测。文献[12]分析了相似变换精度不足的问题,提出了GB-SAR影像坐标到三维地形坐标的转换方法。该方法与文献[13]根据信号模型及监测几何提出的基于距离-方位双约束条件的GB-SAR几何映射三维匹配方法基本原理相同,同属几何映射方法。文献[14]在GB-InSAR露天矿变形监测实验中使用了多种人工目标,并结合全站仪分别测量雷达轨道及各目标空间位置,实现了GB-InSAR形变与全站仪形变的空间比对。系统内部不一致、观测环境变化、观测场景图像不一致等均会对匹配造成影响,在露天矿和大坝形变监测时可将人工角反射器等目标作为雷达图像和三维地形的同名控制点(ground control points,GCP)进行误匹配纠正。但在滑坡、崩塌等应急情景下,在崩塌危岩体表面布设人工目标十分困难,依据明显地物的图像特征提取控制点校正匹配误差是一种有效方案。

    本文以道路山体崩塌的应急监测为例,重点论述缺少人工目标作为控制点时,匹配融合方法如何获得准确直观的变形监测结果,为后续地质灾害、岩土力学专家进行二次滑坡预警提供可靠的数据支撑。

    • 2018-08-11T08:30,中国北京市房山区大安山乡军红路K18+350 m处发生山体崩塌灾害。此前,该区域已被滑坡编录(1∶10 000)收录,并列入群测群防计划。邻近区域崩塌时有发生,最近一次发生于2018-07-19T11:25左右,崩塌点为军红路K10+50 m道路一侧山体,塌方体积约为120 m3。经初步勘查发现,该边坡地质条件特殊,除已发生崩塌的部分残留体外,整个边坡都存在较大安全隐患,综合分析后决定组织矿山工作人员及村民安全转移。国家安全生产应急救援勘测队接到应急管理部指示,与中国地质灾害防治技术指导中心相关专家组成联合调查组,携带GB-InSAR边坡雷达、地面三维激光扫描(terrestrial laser scanning,TLS)、无人机等几种遥测仪器为当地居民提供应急服务。监测现场设站如图 1所示,TLS连续进行地形点云采集,同时完成地形测绘及雷达天线行迹矢量测量任务。将TLS设站于不遮挡雷达视线的位置,调整雷达天线对准崩塌危岩主体。

      图  1  监测系统设站

      Figure 1.  Setting up of Deformation Monitoring System

    • 本文采用的匹配策略是首先匹配TLS点云和无人机航空摄影测量(unmanned aerial vehicle photography,UAV)影像;然后,利用TLS点云、天线行迹矢量和雷达影像间的几何关系完成TLS点云与雷达影像的几何映射匹配;最后,以TLS点云为辅助,完成雷达影像和UAV影像的匹配。影响GB-SAR影像和地形数据的实际匹配精度的因素有:(1)天线行迹矢量测量误差;(2)TLS点云与UAV影像的匹配精度。

      图 2(a)所示的雷达监测几何关系,O-XYZ代表地形模型的局部空间直角坐标系,LS为合成孔径长度,H代表了平台高度,ar分别代表了雷达的方位向矢量和距离向矢量。当测量天线行迹矢量与真实矢量间产生偏差时,估计的雷达波束与真实波束间即产生偏差,由此导致匹配结果偏差。

      图  2  天线行迹测量偏差对匹配的影响

      Figure 2.  Influence of Repeat-Pass Vector Measurement Bias on Mapping Results

      首先,遍历TLS点云中各点Ai相对于孔径中心OS的斜距Ri3D

      Ri3D=OS-Ai2,i=1, 2,3N ]]>

      式中,2表示空间向量的2-范数;N为总点数。遍历地形点云中每个顶点相对于雷达孔径中心OS的方位角,以相对竖直中心平面左侧为方位负角度,则近似的方位角为:

      θi3D=-arctan(|AikOS||AiAik|),AikOSrc0arctan(|AikOS||AiAik|),AikOSrc<0 ]]>

      式中,θi3D为第i个点相对孔径中心的方位角;A  ik为第i个点在天线行迹轴线的垂足;为向量的模;rc为天线行迹轴线向量。计算完成后,可通过插值方法获得三维空间点在二维雷达图像中的像素位置,将对应像素的形变测量结果赋值给三维空间点即实现了几何映射。

      采用数据模拟量化天线行迹矢量测量误差对几何映射的影响。建立斜坡模型,截取斜坡模型的一部分均匀离散化为地形点云,然后模拟生成具有9个面目标的形变图,以模拟生成的天线行迹、斜坡模型和形变图作为几何映射输入,实现无天线行迹测量偏差、水平向偏转10°和竖直向偏转10°的匹配结果,如图 2(b)所示。将天线行迹矢量水平旋转和竖直旋转1°~10°,统计9个子形变区的点云质心间的欧氏距离作为偏差距离形成曲线,如图 3所示,曲线编号对应图 2(b)中的9个面目标。天线行迹角度测量偏差对几何映射匹配结果的影响近似为线性。当水平偏差10°时,平均距离700 m的面目标几何映射偏差量可达150 m,竖直偏差10°时,面目标几何映射偏差量也可达到40 m。这说明几何映射方法需配合高精度天线行迹测量,并结合控制点估计匹配偏差量以校正匹配偏差。

      图  3  不同天线行迹矢量测量水平角度偏差以及竖直角度偏差-匹配偏差量曲线

      Figure 3.  Curve of Mapping Errors with Repeat-Pass Vector Measurement Bias in Vertical and Horizontal Directions

      针对崩塌危岩体表面难以布设人工目标的问题,本文提出如图 4所示的匹配流程。首先,三维激光扫描获取重点观测区域的地形点云,无人机获取区域的正射影像,地基雷达持续监测获取崩塌危岩体时序形变图像。然后,使用TLS地形点云以及天线行迹矢量模拟GB-InSAR幅度图。根据地物或地质界线特征以及SAR图像的辐射特征提取一定数量的控制点,小范围区域偏差可通过平移、旋转及缩放的空间坐标系线性变换组合进行校正。根据控制点计算空间坐标转换参数,利用转换参数建立方程完成误匹配纠正。最后,通过持续观测获得的三维可视化形变数据进行崩塌危岩体形变特征分析。

      图  4  融合多源遥测信息的崩塌应急变形监测

      Figure 4.  Integrated Multiple Information for Rockslide Emergency Deformation Monitoring

    • TLS点云与UAV影像匹配一般有两种方法:(1)将TLS点云转换为深度图像与UAV影像在二维空间匹配;(2)TLS点云与UAV影像离散化后的点云在三维空间匹配。为满足现场三维可视化需求,本文使用第(2)种思路,引入点云匹配常用的迭代最近点(iterative closest point,ICP)方法实现TLS点云和UAV影像匹配。UAV影像采集使用大疆Inspire2无人机,影像处理使用了商业软件Pix4d,利用软件将倾斜摄影影像离散化形成影像点云。受到河道峡谷间的气流影响,小型无人机采集的UAV影像数据离散化形成点云后存在大量空洞,使用Pix4d软件内的最佳生成模型离散UAV影像形成点云后,UAV影像中崩塌残余主体监测区点云空洞相对减少。分别截取UAV影像点云和TLS地形点云内崩塌主体区点云进行匹配。

      ICP方法对初值要求较高,需要先实现TLS点云和UAV影像点云间的粗匹配,然后再使用ICP方法进行精匹配。崩塌体表面有大量巨型岩石,分别根据UAV离散点云的岩石纹理特征和TLS点云的几何特征可确定两点云内岩石对应的点集,取质心为公共点,3个公共点即可完成粗匹配。将粗匹配后的点云输入ICP方法迭代寻优,得到精匹配转换矩阵T,再使用点云的齐次坐标变换方法完成TLS点云和UAV影像点云的精匹配,如图 5所示。本次实验采集的TLS地形点云以及无人机影像均非实际情况下可采集的质量最优数据,从图 5的结果来看,两点云的崩塌源区部分匹配较一致,总体偏差为1.9 m。

      图  5  ICP方法匹配TLS点云与UAV影像离散点云

      Figure 5.  TLS Point Cloud and UAV Image Point Cloud Co-registration Results by ICP Method

    • 崩塌应急监测现场缺乏人工目标,难以确定匹配结果偏差。鉴于星载SAR图像几何校正时常使用像模拟方法且效果良好[15-16],将该方法在GB-InSAR领域延伸。常规的SAR影像模拟方法主要有3种:系统相干模拟方法、非相干影像模拟方法和基于SAR影像的模拟方法[17-18]。其中,非相干影像模拟方法以外部数字高程模型和传感器运行轨迹为输入参数,基于成像几何建立成像方程与辐射模型,简单实用。本文对非相干影像模拟方法进行改进,使用TLS地形点云作为精细数字高程模型。核心步骤如下:

      1)模拟图像的图像空间范围以观测近距Rmin、观测远距Rmax、方位向最大角度θmax、最小角度θmin等几个参数界定,通过读取真实采集的GB-InSAR影像的测绘带范围参数获取。

      2)使用外部量测设备测量雷达天线行迹。外部量测设备使用三维激光扫描仪,在天线口面上张贴激光强反射标靶,三维激光扫描仪在雷达收发前端直线往复运动过程中连续扫描,通过反射标靶中心识别获得方位向采样点,标靶及行迹矢量轴线示意图如图 6(a)所示。扫描获得的数据如图 6(b)所示,亮度最高的条带为雷达天线的运行轨迹,反射标靶为直径5 cm的圆形反光贴片,用于识别运行轨迹首尾两端的高亮圆形中心,利用高亮点集进行空间直线拟合的最小二乘寻优估计,即得到天线的精确运行轨迹。

      图  6  测量天线行迹矢量示意图

      Figure 6.  Diagram Antenna Footprints Vector Measuring

      3)生成模拟图像的网格矩阵。距离向斜距序列Sr为:

      Sri=Sr0+irdr ]]>

      式中,Sri为序列索引ir位置处的斜距值;ir=0, 1,2, 3Nr-1Nr为距离向细分单元数;Sr0取观测近距Rmindr为细分距离。

      方位向序列索引ia位置处方位角Sai为:

      Sai=Sa0+iada ]]>

      式中,ia=0, 1,2, 3Na-1Na为方位向细分单元数;Sa0取方位角最小值θmin;则模拟图像尺寸为(Nr,Na)。斜距序列和方位角序列生成后,生成模拟图像二维极坐标网格。

      根据三维激光扫描获得的地形点云模拟GB-InSAR影像,依据式(1)、式(2)遍历计算点云中的每点相对雷达斜距及相对方位角。点云的空间分辨力高于雷达,一个雷达像元对应多个点,取样和量化不能实现一一映射,需要采用适当的重采样和插值方法给点云赋值。选取最近邻方法,即模拟图像网格点的像素值取值为与其斜距、方位最近的三维空间点云的幅值(或像元灰度)。所有TLS点遍历结束,即完成GB-InSAR模拟影像与三维地形几何关系的模拟。

      4)GB-InSAR图像灰度模拟是对地物后向散射强度进行模拟,根据星载SAR常用的模拟方法,依据SAR波束中心矢量与地面目标点所在平面的法线矢量得到局部入射角,然后利用经验模型计算其灰度。使用三维地形点云计算局部入射角的计算公式为:

      ηi=arccos-niSi|ni||Si|i=1, 2N ]]>

      式中,ηiAi点的局部入射角;Si为空间任意Ai点与雷达相位中心所成矢量;niAi点与其k个近邻空间点所成的平面法向量;N为三维地形点云点数。灰度使用经验模型Mulheman模型计算[18]

      σi=0.013  3cosηi(sinηi+0.1cosηi)3 ]]>

      式中,σi为空间任意Ai点根据局部入射角ηi计算得到的模拟灰度值。模拟图像见图 7图 7(a)为TLS点云,表面颜色反映了激光反射强度差异,图 7(b)标注了明显的道路特征,根据道路边缘明显特征确定存在几何偏差。

      图  7  实际采集图像以及模拟的GB-InSAR图像中地物的几何位置对比

      Figure 7.  Geometric Positions Comparison Between Actual Image and Simulated Image

    • 根据图像特征提取特征点并完成误匹配纠正。控制点解译思路为:通过目视解译,分别在GB-InSAR影像及三维地形中寻找有效特征用于控制点提取,崩塌体两侧的道路以及崩塌体裸露的岩体和植被覆盖区的分界线可作为线性特征,可分别在雷达二维图像及三维地形数据上清晰辨认。根据线特征的起伏、走向,对雷达影像和三维地形进行分割,形成图像子搜索区,在子区内依据几何特征和辐射特征提取一定数量控制点。

      实际采集的GB-InSAR影像特征非常模糊,目视解译控制点需要遵循一定的先验信息,主要包括:(1)通过UAV或TLS点云解译的明显地物目标尺寸占据雷达图像的空间分辨单元数量;(2)地物目标在雷达图像中的辐射特征,比如叠掩、阴影和类角反射器特征。其中,GB-InSAR的空间分辨率的计算公式为:

      δr=c2B=c2(K-1)Δfδθ=λc2LS ]]>

      式中,δr代表距离向分辨率;δθ表示方位向分辨率;c代表光速;B表示雷达信号带宽;K表示步进频率信号的跳频点数;Δf表示频率步进间隔;λc表示电磁波中心频率载波波长。空间分辨力并不一定等同于图像中像元对应的空间大小,因为一个空间分辨单元可能会对应数个像元。

      部分大型岩块可视为类二面角反射器,有强散射特性,在SAR图像中亮度高于周边像元;大型岩块在三维激光扫描点云中具有“凸包”特征。本文以崩塌体危岩区为例,定性记录几处典型控制点如图 8所示。

      图  8  依据特征提取的控制点示意图

      Figure 8.  Control Points Selection According to Image Features

      P1点雷达图像解译标志:P1点位于崩塌危岩区的顶端,GB-InSAR雷达波入射角度较好,裸露岩面与残余岩体表面植被覆盖区呈现明显的线状分界,SAR图像像元在该位置为线状起伏的尖端,两侧的明暗分界像元斜距相对变小、方位角相对增大,与地质界线的特征比对后选取明暗分界尖状区的幅值较高的像元为GB-InSAR图像的P1控制点。P1点三维激光扫描点云解译标志:P1点处于裸露岩面与植被覆盖区交界,根据点云的起伏特征来分析,岩体部分岩体崩塌在下方堆积,而残余岩体呈凸起状。所以,在分界处TLS点云的局部曲率变化明显,可明显识别尖端特征。选取尖端位置且激光点云的反射强度较大的点为P1的同名控制点。

      P2点位于第一个尖端特征的左侧,在GB-InSAR影像及三维激光点云上的解译标志与P1点相似。

      P3点位于崩塌体危岩区中部位,此处堆积数块巨型岩块,无人机解译结果显示单体岩块尺寸约8 m×6.5 m,高约4 m,在点云中表现为起伏凸起的块体特征,激光光束被遮挡在后方形成点云空洞。因为三维激光扫描仪设站位置与地基雷达站相近,在GB-InSAR影像中P3点巨岩呈二面角强反射像素群,后部雷达波受遮挡形成阴影,表现为SAR图像幅值较小、亮度低,选取子区内幅值较大的像元以及点云中凸起的顶端分别为同名控制点。

      P4点对应了危岩区右侧的一处耸立的石柱,该石柱经无人机影像解译,高约18 m,在地形点云上可通过空间形变辨认出该石柱的位置。GB-InSAR中解译是通过其对应像素和裸露岩面的右侧边界相对位置,而且石柱与裸露岩面间有一段植被覆盖区,在雷达图像上表现为明暗相间的条带,石柱表面朝向雷达的外立面无植被覆盖,雷达入射角度较好,在SAR图像上应表现为亮度较高的像素群,由于不具备更精细的分辨特征,取像素群中心像素为SAR图像控制点,截取石柱对应的点云取质心处作为同名控制点。

      P5点为崩塌危岩区与左侧道路交界处的一块巨型岩石,控制点提取过程与P3点类似,在三维点云中根据点云空洞以及凸包选取控制点,在GB-InSAR图像中根据其空间位置与地质界线的几何关系,确定具有SAR阴影区的子像素群,根据岩块的类二面角特性,选取像素群中幅值较大的像素为同名控制点。

      完成控制点的目视解译后,使用模拟图像检核控制点。检核是指利用峰值幅度相关性分析方法确定较精确的控制点坐标。峰值幅度相关性分析过程如图 9所示。在真实GB-InSAR图像上截取多个带有GCP点的等尺寸子图作为目标窗口,模拟图像内裁切出的图像作为匹配窗口,让目标窗口在裁切的粗配准窗口左右上下逐一移动,计算归一化互相关系数,互相关系数峰值处即为各子图最佳匹配位置。计算公式为:

      C(u,v)=xyT(x,y)-μTI(x-u,y-v)-μI(u,v)xyT(x,y)-μT2xyI(x,y)-μI(u,v)2 ]]>

      图  9  使用模拟图像检核目视解译控制点示意图

      Figure 9.  Simulated SAR Image for GCP Refinement

      式中,C(u,v)代表互相关系数;(u,v)表示像元距离向和方位向索引,取值范围为[0.1,1];T(x,y)表示模拟图像中(x,y)的灰度值;I(x,y)表示真实图像(x,y)的灰度值;μT为模拟图像子图均值;μI为待配准的带有控制点真实图像子图均值。使用待配准的图像片在参考图像中进行匹配,获得归一化相关系数最大的位置提取控制点对。

    • 区域地形起伏变化不大且范围较小时,可认为雷达天线行迹估计偏差所造成的误匹配是真实位置平移、旋转和缩放组合变换的结果。建立坐标变换方程,确认变换参数是解决误匹配问题的关键。之所以先使用几何映射方法,然后再应用控制点进行误匹配纠正,是因为本文采用的坐标变换方法往往不适用于两个空间直角坐标系之间偏差角度过大的情况。坐标变换方程为:

        XYZT=TXTYTZ+λRx(ωX)Ry(ωY)Rz(ωZ)XYZS  Rx(ωX)=1000cosωXsinωX0-sinωXcosωXRy(ωY)=cosωY0-sinωY010sinωY0cosωY  Rz(ωZ)=cosωZsinωZ0-sinωZcosωZ0001 ]]>

      式中,X  Y  ZTT为经坐标变换后的坐标系统的坐标矢量;TX  TY  TZT为平移因子;λ为尺度变换因子;Rx(ωX)Ry(ωY)Rz(ωZ)为坐标系间各坐标轴的旋转矩阵;ωXωYωZ为偏转角;X  Y  ZST为未经变换的坐标系统下的坐标。将式(9)以待定参数为变元使用泰勒级数展开至一阶项,完成模型的线性化表示。

      线性化用矩阵的形式表示,误差方程为:

      V=R'x̂-L+XT ]]>

      式中,V为误差矩阵;R'=Iλ0MNMωXωYωZ的参数矩阵,N=R0X  Y  ZSx̂为计算坐标变换7参数的改正数,x̂=[dTX dTY dTZ dωZ dωY dωX dλ]TL=-TX0  TY0  TZ0T-λ0R0X  Y  ZSTXT=X  Y  ZTT。具体的迭代解算方法可参考文献[19]。图 10为校正方法流程。

      图  10  检验线性变换方法是否有效匹配的流程

      Figure 10.  GB-InSAR and 3D Terrain Data Mismatching Correction Process of Using Linear Transformation

      核心流程如下:

      1)初匹配。使用图 6所示的方法测量合成孔径参数,参数包括雷达天线行迹向量V及GB-InSAR每一方位采样位置xm坐标矢量点集Pxm={x1,x2xM}。借助V与地形点云Pterrain的相对几何关系,利用式(1)、式(2)实现雷达数据的初匹配。初匹配获得Pterrain与二维图像Iradar的初始映射关系表,记为frough。通过映射表frough查找操作,遍历Iradar的像素值赋值给Pterrain对应点,形成待校正的匹配点云Prough

      2)利用控制点计算变换方程参数。利用3个初始的公共点作为图 10所示流程的输入,转换参数初值λ取1,其他参数初值可根据文献[20]计算。使用最小二乘迭代寻优,求解式(9)转换关系方程参数。将Pterrain代入方程得到误匹配校正参考点集Ptransform,映射关系记为gtransform

      3)误匹配校正。利用映射gtransform遍历PterrainPtransform最近欧氏距离,形成距离Vdist向量及最近邻索引Vidx向量。查找Vidx,将Prough每点形变量赋给Pterrain内索引为Vidx点,形成Pcorrected完成误匹配纠正。

      为量化分析本文方法的效果,以对匹配结果影响较大的天线行迹矢量水平角度偏差和竖直角度偏差为例。在图 2所示的斜坡模型表面随机生成不重叠的50个形变子区,分别模拟0°~10°的角度偏差生成平均距离分别为1.0 km、1.5 km和2.0 km的误匹配结果。选取30个以上的GCP,使用本文的方法对偏差进行校正,结果如图 11所示,其中横轴为偏转角度,纵轴为校正后偏差在一个雷达空间像元内的点数与总点数之比。从图 11中可以看出,本文方法在天线轨迹测量水平偏差7°及竖直,偏差4°校正后位置偏差在一个像元内的点数在80%以上;且目标平均距离2.0 km的校正效果要好于1.5 km和1.0 km的目标。

      图  11  坐标变换应用于校正天线行迹测量偏差对匹配结果的影响

      Figure 11.  Influence of Repeat-Pass Vector Bias Correction Using Coordinate Transformation

    • 通过目视解译与模拟图像检核得到20个控制点坐标。雷达形变图与TLS点云模型误匹配未纠正结果及纠正后结果分别如图12(a)12(b)所示。累积形变图对应了2018-08-12T12:00—2018-08-13T12:00的雷达形变测量结果。误匹配结果将形变量较大区域对应至自然坡体,该局部区域未发现明显变形。形变图匹配结果中累积形变较大的区域对应了坡体表面的崩塌岩体堆积区,崩积区表面岩石在降雨的影响下持续沿雷达视向形变,符合实际规律。

      图  12  TLS点云与GB-InSAR形变图几何映射粗匹配及误匹配纠正结果

      Figure 12.  Uncorrected Mapping Result and CorrectedMapping Result Between TLS Point Cloud and GB-InSAR

      完成雷达图像与TLS点云匹配后,再借助TLS点云完成形变图与UAV影像离散点云匹配获得图 13的结果。图 13中,黄色标识和红色标识分别为UAV影像地形点云与形变点云中的作为检验几何纠正效果的控制点,校正前的偏差为26.5 m,校正后为3.5 m,效果良好,但仍未达像素级。最终各点计算偏差的均方根误差为1.423 m,大于雷达的距离分辨力0.3 m,且与雷达的方位向空间分辨力2.2 m(场景平均距离250 m)相当。

      图  13  GB-InSAR与UAV影像粗匹配结果以及使用ICP方法纠正后的结果

      Figure 13.  Uncorrected Mapping Result and CorrectedMapping Result Using ICP Between UAV and GB-InSAR Cumulative Deformation Map

    • 形变点云层遮挡下部的地物目标,导致形变异常位置不能直接辨识,使用有效的数据融合方案可缓解该问题。常用的图像数据融合方法有来源于红外与光学图像融合领域的美国海军研究实验室(the United States Naval Research Laboratory,NRL)的假彩色空间转换融合方法、色调亮度饱和度变换(hue intensity saturation,HIS)方法、基于生物视觉特性的融合方法、仿生的颜色对抗假彩色融合方法,具体实现可参阅文献[21],本文本着简单、高效原则,采用NRL的方法融合,并与叠合的形变结果进行对比分析。

      无人机采集的影像赋存的为地物目标的纹理信息以红绿蓝(red green blue,RGB)颜色空间表示,则NRL融合可用下式实现:

      RGBNRL=IRIVGIVB ]]>

      式中,[R  G  B]  NRLT为经过NRL变换后的图像,有红、绿、蓝3通道,红色通道使用了GB-InSAR和点云融合后的形变值IR,绿色通道和蓝色通道使用无人机影像的绿色通道IVG和蓝色通道IVB。使用NRL方法进行可视化显示,结果见图 14。雷达累积形变结果使用了历时3 d的GB-InSAR累积形变图,共262幅形变图。形变三维可视化结果揭示该区域残余危岩体在3 d内仍持续朝向雷达视线方向形变,总体上有沿边坡向下位移的趋势。在监测时间段内,8月12日持续降雨,8月13日降雨停歇,8月14日又恢复降雨,可以通过匹配结果分析每日降雨对崩塌危岩体的影响分析变形。

      图  14  根据日累积变形过程选取点进行分析

      Figure 14.  Selected Points Cumulative Daily Deformation Analysis

      为定量地分析监测数据,在数据融合结果上分别在形变量相对较高的子形变区内选取具有代表性的点形成图 14曲线所示结果。分析点位选取时,首先锁定在累积形变较高的子区域内,再根据NRL融合结果选取危岩体的裸露岩面,而非表面堆积的巨型岩石[22]。因为岩石在表面不稳固,总体的变形量偏大,难以基于不稳固岩块评价残余岩体的危险性。崩塌体后缘局部块体沿坡面向下运动。在无降雨期间形变量较小,受降雨影响形变量会增加,降雨停止后形变再次趋稳。单日累积位移最大达31.33 mm,3 d的平均位移为6.45 mm。

      在8月13日降雨停止后,除斜坡上堆积岩块的某部分仍然向雷达移动,从所有选取的点位来看,残余岩石表现为整体远离雷达形变。而从数据的整体趋势分析,8月13日的形变量在降雨停歇后整体趋稳,崩塌体右侧山体在无降雨期间形变量较小。单日累积位移最大为20.28 mm,平均为6.32 mm。在8月13日的23时左右,又突发降水,此时,所有选点均表现为一个形变量陡增的态势,8月14日白天降雨减弱,时断时续,危岩体上部的块体仍然在持续变形,堆积体及两侧道路代表的翼部变形相对缓慢。下伏岩体和顺层岩石主要滑动方向为南东30°左右,直接威胁到附近的村庄。崩塌体前缘宽约300 m,后缘宽约500 m,长370 m。经过短期监测,危岩体在持续降雨时段变形明显,经专家组研判,需通过对危险岩体使用炸药爆破的方式快速治理。融合方案揭示危岩体右侧的部分裸露岩体(图 14的11、12、13和14号点)表现出与残留的大型岩块类似的变形特征,因此,炸药埋设点设计时应兼顾到该子区。

    • SAR系统能够全天时、全天候地进行工作,已经在各行业中得到广泛应用。随着SAR技术的快速发展,迫切需要对GB-InSAR变形监测数据的融合方法进行研究,进一步推进GB-InSAR应急的常态化、业务化运行。本文提出的方法可以有效地使用GB-InSAR与滑坡现场的空间数据(主要包括TLS以及UAV数据)进行初步的滑坡危险分区,为后续山体爆破治理提供支撑。

      受限于应急现场的工作条件以及图像解译的主观性,控制点选取的精度并不高,最终的匹配融合位置精度远远达不到像元级精度。在后

      期,可以通过SAR图像模拟,以及GB-InSAR监测实践过程中积累的地物目标解译成果形成模板库,不断提高控制点的解译精度。本文并未对匹配融合结果的位置精度进行更深入的讨论,因为应急现场已无法再获取更高精度的对照实验结果,希望在后续的研究中继续加强。从现实角度来看,暂时很难单一地依靠GB-InSAR方法对将要发生的滑坡进行准确的预警。但是,危险边坡临滑阶段存在诸多先兆可为预警提供参考。本文所述的实例在崩塌发生前就通过人工巡查的方式提前发现了灾害,及时地截断了通车路口。这也预示着如果把快速遥感的方法和人工方法不断融合,相互佐证,有望正确地预报二次灾害的发生,并预测发生时间与规模,确定其影响范围,提前发出预警信号。另外,快速发展的机载SAR和无人机SAR数据,在各架次间定位参数误差若相对稳定,本文方法也在一定程度上适用。近年来,机载和无人机SAR发展迅速,无人机SAR系统作为新兴的遥感观测系统,兼具无人机平台和SAR传感器的优点,在常态化的自然资源调查监测与应急灾害响应中具有极大的应用前景。

参考文献 (22)

目录

    /

    返回文章
    返回