基于时间序列InSAR技术的川东红层滑坡识别及变形规律

针对川东红层滑坡典型易发区域,采用小基线集(SBAS)时间序列的InSAR(interferometry synthetic aperture radar)方法进行了解译,并采用Google Earth可视化展示,有效圈定并复核了潜在隐患区域。提取了采矿引起斜坡失稳及牛马场滑坡的变形位移曲线,揭示了其变形规律。研究结果表明:解译区滑坡基本都发育在形变速率较大的黄色欠稳定和红色不稳定区域,区域形变位移值大小与滑坡发育比例成正比关系,35%的解译面积滑坡发育比率可以达到70%以上。同时通过野外调查发现4个潜在不稳定隐患斜坡,极大地提高了红层滑坡的早期识别能力。InSAR解译显示研究区西北区由采矿引起的斜坡失稳,与干涉图上的条纹位置对应较为一致,形变位移最大能达到视线向20 mm/a;牛马场滑坡范围均为垂直形变速率较大的黄色和红色解译点,变形位移曲线显示滑坡发生前已经处于蠕变变形阶段,累计变形量可以达到500 mm左右。     

大渡河流域时序InSAR地质灾害监测

大渡河流域滑坡灾害频发,对流域内的施工建设和水电站安全造成极大威胁,获取流域地灾分布一张图对防灾减灾工作具有重要意义。本研究基于时间序列InSAR技术,对覆盖了大渡河丹巴至乐山段的升轨Sentinel-1数据进行分析,获取了流域2018-2021年的大范围形变结果,并结合光学影像识别出潜在的隐患区域。研究结果表明：区域最大形变速率达到了-65.2 mm /y;大部分沉降区集中在丹巴、石棉和汉源地区,主要受到地质构造活动和降雨等因素驱动;综合考虑形变速率、地形、植被覆盖和变形范围的影响,在大渡河沿线发现了15处较显著的滑坡隐患区;在典型形变区域,InSAR结果与地面测量数据基本一致,证明了InSAR滑坡监测技术在复杂西南山区的有效性,测量结果将为当地灾害治理提供指导依据。     

联合升降轨时序InSAR的金沙江滑坡群隐患识别

针对单一轨道合成孔径雷达干涉(InSAR)观测结果难以完整识别滑坡隐患的问题，在小基线子集(SBAS)算法基础上引入时间约束因子，结合时空基线组合优化与升降轨联合解算策略，提出了长时序InSAR二维形变提取模型与方法.针对白玉县和贡觉县交界处的金沙江沿线滑坡易发区，采用2018年-2022年的Sentinel-1A升降轨影像数据集开展时序InSAR形变解算，识别得到了金沙江深切峡谷区域的10处滑坡隐患及其空间分布，探明5处特大滑坡隐患(单体超过5 000万m³，最大形变速率超过-70 mm/a)，进一步解算得到了各滑坡点的滑移方向及量值，并结合降水数据总结归纳了滑坡的季节性演化特征与长期发展趋势.相关研究结果可为该区域的地质灾害防治与重大基础设施建设提供重要的参考数据和信息支撑.     

基于PS InSAR技术的黄土高原地质灾害隐患识别

采用永久散射体(PS)合成孔径雷达干涉测量(InSAR)技术对陕西绥德县城区及周边地区2015年12月-2018年4月共54景Sentinel-1A数据进行处理,获取研究区地表PS时间序列形变信息.根据形变特征将PS点分为随机型、线性蠕动型、突变型,并对每种类型PS点形变规律及其对地质灾害隐患识别的意义进行分析.将研究区地质灾害隐患分为城区沉降、滑坡隐患两类,依据PS点形变特征对两类地质灾害隐患进行识别,共识别出城区沉降区8处,滑坡隐患区39处.利用实地调查的滑坡体及不稳定坡体数据与识别的滑坡隐患区结果进行对比验证,结果显示识别的滑坡隐患区与调查数据具有较好的一致性.证明了InSAR技术在黄土高原地区地质灾害早期识别方面的适用性和准确性,可以应用于黄土高原地区地质灾害隐患识别预警.     

天水中部地区滑坡隐患早期识别及安全性分析

天水地区属于黄土丘陵沟壑区，地形起伏较大，区域内断裂褶皱发育，地质构造复杂，雨季期间滑坡等自然灾害频发。基于时序InSAR技术，利用哨兵一号(Sentinel-1)SAR数据对天水市中部区域内的潜在滑坡体进行早期的解译识别，发现2处存在隐患的坡体。结合地质资料，利用FLAC3D中的强度折减法，得到隐患坡体的安全系数分别为1.003和1.040。研究结果表明：采用时序InSAR技术探测出隐患坡体，再对隐患进行安全系数计算，可以对大范围区域滑坡隐患点进行精准识别和风险量化评估，从而对滑坡隐患区进行分级防治，为滑坡隐患早期识别提供思路和参考。     

基于相位恢复的SBAS-InSAR技术与光学影像结合的攀枝花地区滑坡早期识别

为克服传统SBAS-InSAR技术存在的相干性高估以及高相干点密度、质量低的问题,将相位恢复引入SBAS-InSAR中,采用改进的高相干点选取方法提高形变速率反演精度;同时利用GF-1号高分辨率光学影像辅助InSAR形变监测结果,以提高研究区滑坡体早期识别准确性及全面性。研究发现,经过相位恢复后,选取的高相干点密度及质量明显提高;共识别出隐患点28处,其中11处与已知隐患点完全匹配,新识别出17个滑坡隐患点,在随机选取的隐患点现场调查验证时均存在地表裂缝等滑坡隐患特征。因此,将相位恢复的思想引入SBAS-InSAR中,可以有效提高高相干点选取的密度和质量,使得相干性得到有效校正,从而提高形变监测的精度;此外,光学影像辅助获取形变信息,是对InSAR滑坡隐患点识别结果精度及可解释性的有效补充。     

基于InSAR的宁夏黄土丘陵区(西吉县)滑坡隐患早期识别

滑坡灾害突发性强,隐蔽性高,传统的排查手段已无法满足新形势下摸清地质灾害风险隐患底数的要求。随着雷达观测数据精度与质量的发展,合成孔径雷达干涉测量(interferometric synthetic aperture radar, InSAR)成为监测地表变化的有效手段。利用InSAR技术对宁夏黄土丘陵区固原市西吉县进行面状监测,获取了2019年12月25日—2020年1月18日内的形变结果,结合光学遥感影像目视解译对潜在滑坡隐患进行综合遥感识别,共识别出8处隐患点,经实地核查验证,与实际情况吻合。结果表明：InSAR技术在该地区具有很好的适用性,可为当地防灾减灾行动提供数据参考,并为黄土丘陵区滑坡隐患早期识别提供方法借鉴。     

基于时序InSAR的青海同仁市滑坡隐患早期识别与特征解析

选取青海省同仁市作为研究区,以Sentinel-1A卫星升降轨合成孔径雷达(synthetic aperture radar, SAR)数据为主要信息源,利用差分干涉测量短基线集时序分析(small baselines subset InSAR, SBAS-InSAR)技术反演提取区域地表形变信息,结合区内地形地貌、地质构造、气象水文、植被覆盖、历史地灾等背景资料,辅以GF-2光学影像筛选确认,实现了区内滑坡隐患的早期识别,共识别出滑坡隐患19处,其中8处为已知滑坡灾害点,11处为新识别隐患点。对形变反演与隐患识别结果进行了形变速率精度分析与结合几何畸变的差异性分析,评价了形变反演结果的精度与有效性,证明了隐患识别结果的全面与准确性。选取了3处典型滑坡隐患从形变时空分布特征、光学影像特征、实地变形特征等方面进行特征解析,掌握了区内滑坡隐患的孕灾条件及变形趋势。区内隐患坡体不稳定,均呈缓慢变形趋势,尤其是6—8月集中降雨期间,形变呈加速趋势,降雨是该区诱发滑坡灾害的主要因素。     

多源遥感揭示白鹤滩库区五里坡滑坡蓄水期形变演化与复活机制

为揭示水电站蓄水期库岸滑坡形变演变趋势及复活机制，基于白鹤滩库区五里坡滑坡2021年1月—2022年8月共73景Sentinel-1影像，采用SBAS-InSAR技术提取蓄水期二维形变，并使用无人机航测技术对滑坡及次生灾害痕迹进行调查，此外利用GNSS位移实测数据对InSAR形变结果进行对比与补充，综合3种技术结果与库区水位实测数据、地质资料对五里坡滑坡进行精细化分析.结果表明：（1）五里坡滑坡形变与库区蓄水存在强相关性.在蓄水前无明显形变而在蓄水后一个月便发生可见形变，随着水位上涨，坡度方向InSAR形变速率最高达到-153 mm/a，雷达视线方向InSAR最大累积形变量达到121 mm，并表现为由下部形变逐渐带动上部形变的牵引式滑坡特征.结合水位实测数据与GNSS位移监测数据发现滑坡形变与蓄水期水位变化吻合度较高.（2）现场地质调查表明五里坡滑坡为上硬下软的反倾岩质边坡，且坡面岩体风化强烈，下部岩体容易受到库水作用软化发生压缩变形进而导致坡体沿风化层发生牵引式滑动.研究结果可为库岸滑坡蓄水期监测和防治提供科学依据.     

利用Stacking/SBAS技术在滇西北地区滑坡隐患的识别对比

文章以滇西北地区为例,分别利用Stacking和SBAS技术对92期Sentinel-1数据进行处理,并结合可视性开展滑坡隐患识别对比研究。Stacking和SBAS技术分别识别出32、26处滑坡隐患,其中,Stacking技术对滇西北地区滑坡隐患识别更具优势,尤其是在透视收缩区域也能保持较好的滑坡隐患识别效果;而SBAS技术识别准确率高,在获取形变速率的同时还可提取时序信息。研究表明,在西南区域利用升降轨数据开展滑坡隐患识别,首选Stacking技术,并结合SBAS技术,可有效防止隐患的漏判。     

基于优化FGFCM方法的滑坡遥感影像自动提取

为实现滑坡遥感影像的自动提取,以贵州省水城县为研究区,运用GF-1遥感影像数据,剔除明显非滑坡地物后,应用云变换计算样本区影像像元亮度值,统计得到聚类中心值和聚类个数,结合快速广义模糊C-均值聚类算法进行像元聚类,提取出128处准确滑坡,kappa系数达0.752,总体精度达0.880。该方法可自动提取出滑坡范围,减少工作量和主观影响,提高了基于遥感影像进行滑坡识别的效率和精度。     

基于极端梯度提升算法的滑坡易发性评价模型

机器学习用于地质灾害的易发性评价分析是当前研究的热点之一,不同的学习模型其效果不尽相同。为合理有效地评价滑坡地质灾害的易发性,依托浙江省温州市飞云江流域地质灾害的调查数据,应用地理信息系统（Geographic Information System,GIS）技术提取坡度、坡向、坡形、地表覆盖、地形湿度指数（Topographic Wetness Index,TWI）、极端小时降雨量、内摩擦角、黏聚力、容重与风化层厚度10个滑坡致灾因子,基于极端梯度提升算法（eXtreme Gradient Boosting,XGBoost）构建模型用于滑坡地质灾害的易发性多分类评价。模型结果通过多分类混淆矩阵进行评价,并与支持向量机（Support Vector Machine,SVM）模型进行精度比对分析。研究结果显示,训练后的XGBoost 算法模型对测试集中极高易发区识别的召回率和精确率分别达到了97.92%和98.06%,F1值达到97.99%,均优于SVM,可为研究地区的滑塌地质灾害易发性评价提供模型支持。     

基于颜色模型和区域特性的交通标志提取方法研究

为了提升交通标志的检测效率,研究了基于RGB归一化交通标志阈值分割算法和基于HSI颜色模型的交通标志阈值分割算法,对比分析了两种分割算法的性能。针对分割后二值图像交通标志虚警率高的问题,研究了标志的区域特性,提出了基于区域特性的交通标志提取阈值处理方法,为进一步提升基于形状特征或基于机器学习的交通标志检测效率奠定了坚实基础。     

基于黄色诱捕板的黄曲条跳甲识别与计数方法

为了及时掌握严重危害蔬菜生长的害虫—黄曲条跳甲的发生状况及其危害程度,提出了基于黄色诱捕板的黄曲条跳甲识别与计数方法.首先,采用最大类间方差法(OTSU)获得图像的黄色诱捕板区域.在黄色诱捕板上以连通区域面积阈值获得候选区域,并对候选区采用OTSU算法、颜色平滑算法和主动轮廓模型进行目标图像分割.在此基础上,对候选区域提取颜色特征、纹理特征和几何特征,并采用支持向量机的方法,对黄曲条跳甲进行识别和计数.所提出的基于黄色诱捕板的黄曲条跳甲识别与计数方法的准确率、精确率和召回率分别为88.16%,92.00%和81.56%,达到了及时获得黄曲条跳甲灾情的目标.     

基于时序InSAR技术的中贵天然气管道天水市段沿线滑坡隐患识别与形变分析

中贵天然气管道天水市段沿线地处黄土高原，地貌类型多样、构造活跃、复杂地质条件下发育多种具有隐蔽性和潜伏性的地质灾害，其中滑坡灾害对中贵天然气管道的安全危害极大，因此，对中贵天然气管道天水段沿线滑坡隐患进行有效识别与分析具有重要意义。本文采用Sentinel-1A升降轨卫星数据，基于时序InSAR对中贵天然气天水段沿线滑坡隐患进行了解译识别、现场复核、发育特征与典型滑坡形变分析。研究区共识别17处滑坡隐患点，现场复核最终确定13处，其余4处为人类工程活动区，其中常沟村和磨峪沟村滑坡形变受降雨影响。统计发现研究区管道沿线滑坡多发生在坡度40~50°，高差400~600 m，东北坡向和距管道100~150 m范围内，且岩土体强度较低，地层以第四系全新统冲洪积层（Q4a1+p1）为主。研究成果证明，联合升降轨的时序InSAR技术可以有效识别管道沿线滑坡隐患，为油气管线的安全运营及今后油气管道选线提供重要的科学依据和参考。     

复杂地形下甘肃舟曲江顶崖滑坡自动提取方法

为精确获取甘肃省舟曲县南峪乡江顶崖在复杂地形下的滑坡区域分布,利用数字正射影像和数字高程模型准确获取滑坡区域,分析滑坡信息。在基于影像监督分类的基础上,叠加一定的影响因子约束分析进一步筛选滑坡区,利用数学形态学中的腐蚀、膨胀、开运算三种运算方式处理图像实现对滑坡区域自动识别提取。实验结果说明通过与数字正射影像叠加解译和在精度评价中生产者精度为81.25%,用户精度为92.85%验证能够较好地避免因复杂地形中丰富地物类型所带来的干扰,实现对复杂地形下舟曲县南峪乡江顶崖滑坡的自动识别提取,结果表明三种方法的结合可以为识别提取复杂地形下的滑坡区域提供借鉴。     

昌都芒康帕学岗特大岩质滑坡局部复活特征

古滑坡复活是青藏高原东缘横断山区典型的地质灾害形式之一,昌都市芒康县帕学岗村一处古滑坡堆积体局部发生复活,通过InSAR形变分析、遥感影像解译和野外调查复核,进行滑坡堆积体局部复活特征的研究,评价其现今的变形特征和可能的失稳模式.结果显示:帕学岗滑坡堆积体上局部复活滑坡的主要形变特征为坡体中下部的蠕滑变形,InSAR的...     

基于N-gram和Transformer的DGA恶意域名检测

针对使用域名生成算法(DGA)产生的恶意域名隐蔽性强,传统机器学习检测算法提取特征复杂等问题,提出了基于N-gram和Transformer的恶意域名检测方法。对域名数据添加首尾标志位,使用N-gram算法分割成词组元素后转换为向量输入Transformer模型。该模型能够有效的提取域名的字母组合特征,并且捕捉到域名中字母的位置信息,如域名中的首部和尾部字符、字母间的位置关系等特征,从而更准确的识别恶意域名。实验中使用Alexa的合法域名和360安全实验室采集的恶意域名作为数据样本,使用N-gram算法处理二级域名字符串,并与基于机器学习和深度学习的分类算法进行对比,实验结果表明该算法对DGA域名检测准确率达96.04%,能够有效、准确地识别出恶意域名。     

一种基于混合深度学习的推荐算法

为解决推荐算法中的冷启动和数据稀疏性问题,提高推荐的效率,提出一种基于混合深度学习的推荐算法。该算法将深度学习中的半自动编码器和多层感知机模型有效结合,通过半自动编码器模型解决稀疏数据,并融合相关辅助信息解决冷启动问题。它先用半自动编码器提取用户和项目的深层次特征,再将提取的潜在特征输入到多层感知机中进行非线性融合,完成评分预测。实验结果表明,相比于其他算法,该算法可以更好地处理稀疏数据和冷启动问题,使推荐准确性得到不同程度的提升。在给定数据集上,该算法比传统矩阵分解算法的均方根误差提升了约46%。     

一种用于激光雷达识别车道标线算法

利用点云数据空间分布特征和回波强度信息,结合局部均值变点统计方法,提出了一种用于激光雷达数据帧的车道标线识别算法。该算法首先基于车载激光雷达采集的道路周围环境点云数据中高程信息进行滤波,确定可行驶区域。然后利用局部均值变点统计对可行驶区域点云数据中的回波强度值进行标记提取,即车道标线点云数据粗提取。最后基于EM(最大期望)方法聚类,从而完整、准确地识别车道标线。实验结果表明,该算法不仅能够准确定位可行驶区域,进而可以实现车道标线的自动提取;而且有效抑制了道路周围环境对车道标线识别的干扰,验证了算法的有效性。