一种基于云模型和数据场的地面沉降风险等级评估方法
【专利摘要】本发明提供一种基于云模型和数据场的地面沉降风险等级评估方法，该方法通过云模型算法对PS点进行优化，之后利用数据场对沉降速率、人口密度和经济密度进行自动聚类，并将得到的沉降速率分类等级与人口密度网格等级或经济密度网格等级进行叠加，生成地面沉降风险等级划分图；本发明采用的评估方法兼顾了地面沉降风险的不确定性及其之间的关联性，综合了灾因子危险性、承灾体的易损性以及孕灾环境等因素对地面沉降的影响，该评估方法更加科学，可靠，准确，为地面沉降风险等级划分提供了可靠地依据。
【专利说明】 一种基于云模型和数据场的地面沉降风险等级评估方法
【技术领域】
[0001]本发明属于地质灾害监测领域，特别涉及一种基于云模型和数据场的地面沉降风险等级评估方法。
【背景技术】
[0002]地面沉降是地质环境工作的重要内容之一，属缓慢性地表形变过程，致灾过程缓慢，一旦形成便难以恢复。其成因非常复杂，其中自然地质因素主要是:地表松散地层或半松散地层的自固压密；地质构造作用，地壳的升降运动；气候变化、地震、火山喷发;岩溶发育地区的岩溶塌陷等。人为活动因素主要是:大量开采地下资源，包括地下流体资源、固体矿产资源和地热资源；大规模工程建设，轨道交通、城市地下空间开发及高层建筑物(地铁、高铁、密集高层建筑以及高架桥梁等)对地基施加的动态荷载；沿海城市的填海造地工程等。而人为因素在城市大规模建设中对地面沉降造成的影响日益凸显。现今地面沉降己经成为城市发展普遍存在的环境地质问题，成为制约社会经济发展的重要地质灾害之一。
[0003]地面沉降监测的常规方法主要有水准测量和GPS测量；但点对点的水准测量工程量、数据量大，且水准点可能受地面形变的影响；采用GPS测量技术虽然可以实现全天候观测且测量精度可以达到毫米级，有较高的时间分辨率；但是它是基于离散点的观测，无法达到很高的空间分辨率，不适宜大区域的长期重复监测，并且要消耗大量人力物力。
[0004]随着遥感技术的发展和成熟，合成孔径雷达干涉测量(InSAR, InterferometricSynthetic Aperture Radar)技术诞生,利用InSAR技术开展形变监测理论与方法研究在人居环境保护及区域可持续发展研究中发挥了举足轻重的作用。之后又很快扩展成合成孔径雷达差分干涉测量(DInSAR, Differential Interferometry Synthetic Aperture Radar)技术，其主要优点是覆盖范围大，方便迅捷、成本低，不需要布设地面监测站、空间分辨率高，现已被越来越多的应用于地震形变、火山活动、冰川漂移、地面沉降以及山体滑坡等地表形变的监测中，它可以测量雷达视线向的微小地表形变，监测精度可以达到厘米级或毫米级。但它也有很多局限性:从误差传播的角度来看，DInSAR应用于区域形变测量的精度受到几个不确定因素的影响，包括轨道数据误差、地形数据误差、干涉失相关引起的相位噪声、相位解缠误差以及大气延迟误差等。其中失相关和大气效应是制约DInSAR推广应用的瓶颈问题。
[0005]永久散射体干涉测量(PSInSAR,Permanent Scatterer InterferometrySynthetic Aperture Radar)技术是近几年在DInSAR基础上发展起来的,该技术使用同一地区多幅时序SAR影像进行PS探测、相位建模和形变解算，最终获取研究区域地表的时序形变信息，且形变解算结果可达毫米级精度。它能够很好的解决时空、大气失相关的问题，从而提高区域地面沉降监测能力和监测精度。但常规PSInSAR技术由于要处理的参数太多，大面积情况下对大气的估计也不够精确，在数据的收集和处理上有一定的误差导致监测点不可靠，这对后续地面沉降的不均匀性有一定的局限性；同时人们在面对海量数据时，由于缺乏行之有效的数据处理方法，使得信息处于冗余与匮乏两种状态；针对上述情况，有必要提供一种新的用于评价地面沉降风险等级的方法。
【发明内容】
[0006]为了解决上述技术问题，定性定量去分析某种现象，根据地面沉降的系统定义以及研究区沉降不均匀性的特点，本发明用云模型和数据场的综合叠加方法描述地面沉降灾害风险，进一步根据灾害风险系统的定义以及地面沉降规律的分布，用灾情损失与地形危险性的综合作用描述研究区地面沉降风险程度。针对研究单元风险的内在联系和各风险等级的划分，提出基于数据场和云模型的地面沉降风险等级评估方法，为沉降灾害风险管理提供科学依据。
[0007]本发明具体技术方案如下:
[0008]本发明提供一种基于云模型和数据场的地面沉降风险等级评估方法，该方法包括如下步骤:
[0009]I)获取时间序列的形变相位值，获得相应的PS点沉降数据；
[0010]2)利用云模型算法得到PS点沉降数据的三个云数字特征，所述三个云数字特征为期望Ex，熵En和超熵He ;所述三个云数字特征值代表监测数据所反映的地面沉降视线向位移变化及PSInSAR的监测水平，以获得优化后的PS点；
[0011]3)计算地面沉降风险等级Rffw ；
[0012]4)根据步骤3)所获得的地面沉降风险等级Rffw,利用数据场获得沉降速率栅格图，对沉降速率进行分类等级划分；
[0013]5)利用数据场获得优化后的PS点内的人口密度网格等级和经济密度网格等级；
[0014]6)叠加插值步骤4)生成的沉降速率栅格图，对沉降速率分类等级与人口密度网格等级或经济密度网格等级进行叠加，生成地面沉降风险等级划分图。
[0015]本发明利用云模型算法对PS点进行优化，该算法就在精确的监测数据和不确定性思维之间建立了定性和定量之间相互联系、相互依存、性中有量、量中有性的映射关系；所以，将云模型算法应用到地面沉降形变监测数据分析中，实现了定性描述和定量分析之间的相互转换，给地面稳定性和沉降风险等级评估的分析提供了一条有效的途径。
[0016]本发明在优化后的PS点内进一步通过数据场对地面沉降风险等级进行评估，数据场可以用来描述灾情数据的不确定性及关联性，可以对区域地面沉降进行综合风险等级区划。并且本发明利用数据场对沉降速率、人口密度及经济密度实现自动聚类，根据其对地面沉降风险的影响，分别聚类出沉降速率分类等级、人口密度网格等级和经济密度网格等级，并且进行两者叠加，得到地面沉降风险等级划分图，以此来评估地面沉降风险的等级，该方法综合了对地面沉降风险影响的多种因素，比单一因素的评估方法更加科学、可靠、准确。
[0017]本发明利用云模型算法优化PS点，其通过云模型算法求得的三个数字特征可以描述地面沉降发展的基本特征，能够代表利用PSInSAR技术监测地面沉降的整体水平，通过对三个数字特征按照诠释规则进行统计，可以得到可靠的PS点和不好的PS点，达到优化PS点的目标；其中，所述期望Ex表示监测点沉降的预期位置，熵En表示监测点相对于预期位置的沉降离散程度，超熵氏反映沉降过程整体监测水平。
[0018]进一步的改进，获取时间序列的形变相位值，即PS点沉降数据包括如下步骤:
[0019]3.1在N幅SAR数据集影像中，根据影像获取时间段，选择一个距离其它影像成像时间相对较均匀的雷达影像作为主图像，而将其它SAR影像作为辅影像进行干涉处理，获得M幅干涉图；
[0020]3.2对N幅SAR数据集影像进行辐射定标；
[0021]3.3在定标后的SAR数据集影像中，通过分析像素的幅度特性来筛选PS点；所述幅度特性用幅度离散指数Da表示，公式为
[0022]Da = —^
m」
[0023]式中，。4和％分别为SAR数据集影像中同一像素幅度值的标准差和均值；
[0024]3.4选取外部已知的DEM数据，对M幅干涉图进行差分干涉处理，进而得到M幅差分干涉图，即，M幅差分干涉相位；每幅差分干涉相位中的每个象元包含了相位的5个分量:
[0025]Odint = Φ def+ Φ topo+ Φ atm+ Φ orbit+ Φ noise
[0026]式中，Φ—为差分相位，Φ?6?为视线向上的形变相位，Φ?ορο为DEM引入的地形误差相位，为大气不均匀所引起的延迟相位，Φ?Μ?为轨道不确定性引起的残差相位组分，Φη-ε为噪声误差组分；
[0027]3.5针对每个PS点对，用周期图方法求解线性形变速率差Λ V和DEM误差之差Δ ε，使下式中的多时相相位相干值Y达到最大，SP
N
Σ,
[0028]/ =—-
N
[0029]3.6从差分相位Odint中减掉线性形变速率差Λ V和DEM误差之差Λ ε的相位贡献后，用时间域上的维纳滤波方法估算PS点在每一成像时刻的APS相位值；
[0030]3.7将每幅SAR影像的APS相位值计算出来，在M幅差分干涉图中减去大气不均匀所引起的延迟相位Oatm ;将这些像素点分别与其距离最近的PS点进行连接后按照步骤3.5进行运算，针对多时相相位相干值Y设置阈值，得到时间序列的形变相位值，即PS点沉降数据。
[0031]进一步的改进，云模型算法如下:
[0032]计算样本均值，计算样本方差ifF =Y-
AmJ1-1 1Iy — IX，
[0033]En = X—~Εχ\，其中，—五*1 为一阶样本绝对中心距；He=^S2-En2 ο
[0034]本发明进一步通过逆向云发生器来实现云模型算法，逆向云发生器是实现定量值到定性语言值之间转换的不确定转换模型。它可以将一定数量的精确数据转换为以数字特征(Ex，En，He)表示的定性概念，并据此代表这些精确数据所反映的云滴(PS点)的整体。
[0035]优选地，将三个云数字特征赋予对应的定性概念，通过定性诠释规则的转换，将定量的PS点转换为定性概念，依次来评价PSInSAR监测点的可靠性，从而获得优化后的PS监测点；所述定性诠释规则如下表所示:
[0036]
Ex 数值0-99-1818-2727-3636-45>45
沉降水平较小小大较大很大非常大
En 数值0-99-1818-2727-3636-454b
沉降离散程度较低低高较高很高非常高
He 数值0-99-1818-2727-3636-45?45
监测水平较稳定稳定+稳定较+稳定很+稳定非常+稳定
O
[0037]地面沉降风险评估的三大要素包括致灾因子危险性、承灾体的易损性以及孕灾环境的易发性。其中易发性评价主要反映地下水开采量以及可压缩层厚度；承灾体的易损性评价体现人口密度和经济密度等性质；而致灾因子的危险性可以在PSInSAR监测结果基础上获取，主要反映累积沉降量和沉降速率等因素。
[0038]考虑到可获取的地面沉降相关资料特点，可以通过下述公式来获得地面沉降风险等级:
[0039]R沉降=LE地形/开采
[0040]式中，L为平均灾情损失值，表示致灾因子与承灾体的耦合结果，为地形中可压缩层厚度值与地下水开采量的叠加结果。
[0041]进一步的说明，L也可以表示为累积沉降量和沉降速率分别与人口密度或经济密度的加权平均值。
[0042]需要说明的是，也可以表示为累积沉降量和沉降速率分别与地下水开采量或可压缩层厚度的加权平均值。
[0043]数据场在模式识别邻域中，能够基于场中自然嵌套数据结构等势线的分布以及数据对象自组织的聚集特征实现水平划分和数据的自动聚类，根据已形成的场特征进行分类。还可以有效地处理识别中的不确定性。因此，可以根据区域地面沉降数据的特点，应用数据场模型对平均沉降速率进行自动聚类与关联，进而对其进行等级划分。
[0044]本发明通过数据场对沉降速率、人口密度和经济密度进行自动聚类。
[0045]进一步的改进，所述利用数据场获得沉降速率栅格图，对沉降速率进行分类等级划分包括如下步骤:
[0046]根据地面沉降风险等级Rffw值反映的地面沉降数据的特点，计算年平均累计沉降量，通过沉降速率进行空间插值，得到栅格图层，进而对沉降速率进行分类等级划分。
[0047]进一步的改进，所述利用数据场获得优化后的PS点内的人口密度网格等级和经济密度网格等级包括如下步骤:
[0048]8.1收集研究区的人口数量和GDP数值，分别除以所对应区域的面积，获得人口密度和经济密度；
[0049]8.2给定空间Ω gR '中包含η个对象的数据集D {xl，x2,…，xn}及其产生的数据场，其中的η代表研究区含有多少个研究单元数量，按下式计算空间任一点X e Ω的势值:
「 [1-^n2 ~
[0050]Cp (x) =CpD (x) = cP,'W = X"=1 mie v ^
[0051]式中，I |X_Xi| I为研究区\与叉的距离，Xi为研究区人口密集或⑶P密集区中心的坐标，X为优化后的PS点的坐标,IIii彡O,为对象Xi (i = 1、2…η)的质量,式中，="*.;σ为影响因子，σ e (O, + °o ).
[0052]8.3调试σ值，使得研究区生成的人口密度数据场和经济密度数据场有显著的等势线效果，再进行等级网格化，获得人口密度网格等级或经济密度网格等级。
[0053]优选地，步骤8.3将σ值调试到0.1-1范围内。
[0054]本发明通过调试σ值在0.1-1的范围内，优选地，调试σ值为0.21，能够得到效果更显著的等势线，进一步提高地面沉降风险等级划分的准确性。
[0055]数据场可视为一个充满数据能量额空间，每个数据通过自己的数据场，这里的每个数据可以是优化后的PS点，也可以是用于评估沉降灾情的其他因素，这些不同类的数据通过自己的数据场，对场中的同一类数据发射能量，也就是说一个数据对周围场中的所有数据都辐射能量，并且从高能量点向低能量点辐射能量；从定性的概念转化成定量的规律，我们可以通过场强函数描述数据在空间辐射能量的规律；场强函数描述数据辐射能量的分布规律，度量在数据场中不同位置的场强，以可视化地形式具现化出数据场的能量分布及各个数据的等势线，有助于叠加分析以及风险等级评估。
[0056]本发明通过云模型算法对PS点进行优化后，得到了优化后的PS点，其可用于初步评估研究区域的稳定性和不均匀性；同时利用数据场对地面沉降风险等级做进一步的评估，其利用数据场对沉降速率、人口密度和经济密度进行自动聚类，兼顾了地面沉降风险的不确定性及其之间的关联性，并且综合灾因子危险性、承灾体的易损性以及孕灾环境等因素对地面沉降的影响，该评估方法更加科学，可靠，准确，为地面沉降风险等级划分提供了可靠地依据。
【具体实施方式】
[0057]实施例1
[0058]一种基于云模型和数据场的地面沉降风险等级评估方法，该方法包括如下步骤:
[0059]I)获取时间序列的形变相位值，获得相应的PS点沉降数据；
[0060]2)利用逆向云发生器云模型算法得到PS点沉降数据的三个云数字特征，该三个云数字特征为期望Ex，熵En和超熵He ;所述三个云数字特征值代表监测数据所反映的地面沉降视线向位移变化及PSInSAR的监测水平，以获得优化后的PS点；其中，期望Ex表示监测点沉降的预期位置，熵En表示监测点相对于预期位置的沉降离散程度，超熵反映沉降过程整体监测水平；
[0061]3)计算地面沉降风险等级；
[0062]4)根据步骤3)所获得的地面沉降风险等级Rffw,利用数据场获得沉降速率栅格图，对沉降速率进行分类等级划分；
[0063]5)利用数据场获得优化后的PS点内的人口密度网格等级和经济密度网格等级；
[0064]6)叠加插值步骤4)生成的沉降速率栅格图，对沉降速率分类等级与人口密度网格等级或经济密度网格等级进行叠加，生成地面沉降风险等级划分图。
[0065]实施例2
[0066]一种基于云模型和数据场的地面沉降风险等级评估方法，该方法包括如下步骤:
[0067]I)通过如下步骤获取时间序列的形变相位值，获得相应的PS点沉降数据；
[0068]3.1在N幅SAR数据集影像中，根据影像获取时间段，选择一个距离其它影像成像时间相对较均匀的雷达影像作为主图像，而将其它SAR影像作为辅影像进行干涉处理，获得M幅干涉图；
[0069]3.2对N幅SAR数据集影像进行辐射定标；
[0070]3.3在定标后的SAR数据集影像中，通过分析像素的幅度特性来筛选PS点；所述幅度特性用幅度离散指数Da表示，公式为
S1
[0071]Da -—
m,<
[0072]式中，。4和％分别为SAR数据集影像中同一像素幅度值的标准差和均值；
[0073]3.4选取外部已知的DEM数据，对M幅干涉图进行差分干涉处理，进而得到M幅差分干涉图，即，M幅差分干涉相位；每幅差分干涉相位中的每个象元包含了相位的5个分量:
[0074]Odint = Φ def+ Φ topo+ Φ atm+ Φ orbit+ Φ noise
[0075]式中，Φ—为差分相位，Φ?6?为视线向上的形变相位，Φ?ορο为DEM引入的地形误差相位，为大气不均匀所引起的延迟相位，Φ?Μ?为轨道不确定性引起的残差相位组分，Φη-ε为噪声误差组分；
[0076]3.5针对每个PS点对，用周期图方法求解线性形变速率差Λ V和DEM误差之差Δ ε，使下式中的多时相相位相干值Y达到最大，SP
N
Eeiwi
[0077]γ = 4 Ν
[0078]3.6从差分相位Odint中减掉线性形变速率差Λ V和DEM误差之差Λ ε的相位贡献后，用时间域上的维纳滤波方法估算PS点在每一成像时刻的APS相位值；
[0079]3.7将每幅SAR影像的APS相位值计算出来，在M幅差分干涉图中减去大气不均匀所引起的延迟相位Oatm ;将这些像素点分别与其距离最近的PS点进行连接后按照步骤3.5进行运算，针对多时相相位相干值Y设置阈值，得到时间序列的形变相位值，即PS点沉降数据；
[0080]2)利用云模型算法得到PS点沉降数据的三个云数字特征，该三个云数字特征为期望Ex，熵En和超熵He ;所述三个云数字特征值代表监测数据所反映的地面沉降视线向位移变化及PSInSAR的监测水平，以获得优化后的PS点；其中，期望Ex表示监测点沉降的预期位置，熵En表示监测点相对于预期位置的沉降离散程度，超熵反映沉降过程整体监测水平；
[0081]其中云模型算法如下:
[0082]计算样本均值:X= ^ivi x.，计算样本方差:夕=-Χ) ￡ =X;
[0083]Eh=昼士Oq，其中，-Ex\为一阶样本绝对中心距;He=^S1-En2 ;
[0084]根据以上云模型算法，将三个云数字特征通过如下定性诠释规则来获得优化后的PS点，
[0085]
Ex 数值 0-9 9-18 18-2727-36 36-45>45
沉降水平较小小 大较大很大非常大
Hn 数值 0-9 9-18 18-2727-36 36-45>45
沉降离散程度较低低 高较高很高非常高
He 数值 0-9 9-18 18-2727-36 36-45>45
监测水平较稳定稳定不稳定较不稳定很不稳定非常不稳定
[0086]3)计算地面沉降风险等级Rffw ；
[0087]4)根据步骤3)所获得的地面沉降风险等级Rffw,利用数据场获得沉降速率栅格图，对沉降速率进行分类等级划分；
[0088]5)利用数据场获得优化后的PS点内的人口密度网格等级和经济密度网格等级；
[0089]6)叠加插值步骤4)生成的沉降速率栅格图，对沉降速率分类等级与人口密度网格等级或经济密度网格等级进行叠加，生成地面沉降风险等级划分图。
[0090]实施例3
[0091]一种基于云模型和数据场的地面沉降风险等级评估方法，该方法包括如下步骤:
[0092]I)通过如下步骤获取时间序列的形变相位值，获得相应的PS点沉降数据；
[0093]3.1在N幅SAR数据集影像中，根据影像获取时间段，选择一个距离其它影像成像时间相对较均匀的雷达影像作为主图像，而将其它SAR影像作为辅影像进行干涉处理，获得M幅干涉图；
[0094]3.2对N幅SAR数据集影像进行辐射定标；
[0095]3.3在定标后的SAR数据集影像中，通过分析像素的幅度特性来筛选PS点；所述幅度特性用幅度离散指数Da表示，公式为
[0096]D4 =—
[0097]式中，。4和％分别为SAR数据集影像中同一像素幅度值的标准差和均值；
[0098]3.4选取外部已知的DEM数据，对M幅干涉图进行差分干涉处理，进而得到M幅差分干涉图，即，M幅差分干涉相位；每幅差分干涉相位中的每个象元包含了相位的5个分量:
[0099]Φ dint 一 Φ def+ ^ topo+ ^ atm+ orbit+ noise
[0100]式中，Φ—为差分相位，Φ?6?为视线向上的形变相位，Φ?ορο为DEM引入的地形误差相位，为大气不均匀所引起的延迟相位，Φ?Μ?为轨道不确定性引起的残差相位组分，Φη-ε为噪声误差组分；
[0101]3.5针对每个PS点对，用周期图方法求解线性形变速率差Λ V和DEM误差之差Δ ε，使下式中的多时相相位相干值Y达到最大，SP
N
Eejw'
[0102]r= Ν
[0103]3.6从差分相位Odint中减掉线性形变速率差Λ V和DEM误差之差Λ ε的相位贡献后，用时间域上的维纳滤波方法估算PS点在每一成像时
[0104]刻的APS相位值；
[0105]3.7将每幅SAR影像的APS相位值计算出来，在M幅差分干涉图中减去大气不均匀所引起的延迟相位Oatm ;将这些像素点分别与其距离最近的PS点进行连接后按照步骤4.5进行运算，针对多时相相位相干值Y设置阈值，得到时间序列的形变相位值，即PS点沉降数据；
[0106]2)利用云模型算法得到PS点沉降数据的三个云数字特征，该三个云数字特征为期望Εχ，熵En和超熵He ;所述三个云数字特征值代表监测数据所反映的地面沉降视线向位移变化及PSInSAR的监测水平，以获得优化后的PS点；其中，期望Ex表示监测点沉降的预期位置，熵En表示监测点相对于预期位置的沉降离散程度，超熵反映沉降过程整体监测水平；
[0107]其中云模型算法如下:
[0108]计算样本均值:X= m Xi，计算样本方差-.S1 =二E'.= J._9] En-五,I，其中，士ΣΠ Al为一阶样本绝对中心距；
/Ic=P1-E/ ■,
[0110]根据以上云模型算法，将三个云数字特征通过如下定性诠释规则来获得优化后的PS点，
[0111]Ex 数值 0-99-1818-27 27-36 36-45>45
沉降水平较小小大 较大很大非常大
En 数值 0-99-1818-27 27-36 36-45>45
沉降离散程度较低低高 较高很高非常高
He 数值 0-99-1818-27 27-36 36-45>45
监测水平较稳定稳定不稳定较不稳定很不稳定非常不稳定
[0112]3)计算地面沉降风险等级R_，计算公式为:R?= LE
地形/开采；
[0113]4)根据地面沉降风险等级Rffw值反映的地面沉降数据的特点，计算年平均累计沉降量，通过沉降速率进行空间插值，得到栅格图层，进而对沉降速率进行分类等级划分；
[0114]5)利用数据场获得优化后的PS点内的人口密度网格等级和经济密度网格等级；步骤如下:
[0115]8.1收集研究区的人口数量和GDP数值，分别除以所对应区域的面积，获得人口密度和经济密度；
[0116]8.2给定空间Ω qRp中包含n个对象的数据集D{xl，x2，…，xn}及其产生的数据场，其中的η代表研究区含有多少个研究单元数量，按下式计算空间任一点χ e Ω的势值:
η? I —fM|2_
[0117]Cp (x) =CPd (x) = '^_lj=lcPiix)= Σ/=] mie " &
[0118]式中，I |X-Xi| I为研究区\与叉的距离，Xi为研究区人口密集或⑶P密集区中心的坐标，X为优化后的PS点的坐标,IIii彡O,为对象XiQ = 1、2…η)的质量,式中，=1 ；σ为影响因子；
[0119]8.3调试σ值为0.21，使得研究区生成的人口密度数据场和经济密度数据场有显著的等势线效果，再进行等级网格化，获得人口密度网格等级或经济密度网格等级；
[0120]6)叠加插值步骤4)生成的沉降速率栅格图，对沉降速率分类等级与人口密度网格等级或经济密度网格等级进行叠加，生成地面沉降风险等级划分图。
[0121]实施例4
[0122]一种基于云模型和数据场的地面沉降风险等级评估方法，该方法与实施例3不同的是，调试σ值为I。
[0123]实施例5
[0124]一种基于云模型和数据场的地面沉降风险等级评估方法，该方法与实施例3不同的是，调试σ值为0.1。
[0125]实施例6
[0126]利用实施例3的基于云模型和数据场的地面沉降风险等级评估方法对北京东北部地区地面沉降风险等级进行划分，其中将风险等级设为5类，其中等级数值越大，沉降风险越大。评估方法见下表:
[0127] 北京东北人口密度网经济密度网沉降速率分类 Al与A3叠A2与A3
部地区格等级(Al)格等级(A2)等级(A3) 加叠加朝阳区 5 55 55
台湖 3 55 45
方比 4 33 43
旧宫 5 44 54
西红门 4 22 32
黄村 3 33 33
瀛海 5 44 54
马驹桥 2 33 33
长子营 4 44 44
[0128] 本发明采用的基于云模型和数据场的地面沉降风险等级评估方法计算所得的北京东北部各区地面沉降风险等级和地面沉降情况十分相符，结果可信，准确度高，可为进一步的地面沉降风险提供判断依据。
【权利要求】
1.一种基于云模型和数据场的地面沉降风险等级评估方法，其特征在于，所述方法包括如下步骤: 1)获取时间序列的形变相位值，获得相应的PS点沉降数据； 2)利用云模型算法得到PS点沉降数据的三个云数字特征，所述三个云数字特征为期望Ex，熵En和超熵He ;所述三个云数字特征值代表监测数据所反映的地面沉降视线向位移变化及PSInSAR的监测水平，以获得优化后的PS点； 3)计算地面沉降风险等级Rffw； 4)根据步骤3)所获得的地面沉降风险等级Rffw，利用数据场获得沉降速率栅格图，对沉降速率进行分类等级划分； 5)利用数据场获得优化后的PS点内的人口密度网格等级和经济密度网格等级； 6)叠加插值步骤4)生成的沉降速率栅格图，对沉降速率分类等级与人口密度网格等级或经济密度网格等级进行叠加，生成地面沉降风险等级划分图。
2.如权利要求1所述的基于云模型和数据场的地面沉降风险等级评估方法，其特征在于，所述期望Ex表示监测点沉降的预期位置，熵En表示监测点相对于预期位置的沉降离散程度，超熵氏反映沉降过程整体监测水平。
3.如权利要求1所述的基于云模型和数据场的地面沉降风险等级评估方法，其特征在于，获取时间序列的形变相位值，即PS点沉降数据包括如下步骤: 3.1在N幅SAR数据集影像中，根据影像获取时间段，选择一个距离其它影像成像时间相对较均匀的雷达影像作为主图像，而将其它SAR影像作为辅影像进行干涉处理，获得M幅干涉图； 3.2对N幅SAR数据集影像进行辐射定标； 3.3在定标后的SAR数据集影像中，通过分析像素的幅度特性来筛选PS点；所述幅度特性用幅度离散指数Da表示，公式为δ, Da=^-
m丨 式中，。4和％分别为SAR数据集影像中同一像素幅度值的标准差和均值； 3.4选取外部已知的DEM数据，对M幅干涉图进行差分干涉处理，进而得到M幅差分干涉图，即，M幅差分干涉相位；每幅差分干涉相位中的每个象元包含了相位的5个分量:
°dint = Φ def+ Φ topo+ Φ atm+ Φ orbit+ Φ noise 式中，Odint为差分相位，Odrf为视线向上的形变相位，Φ_。为DEM引入的地形误差相位，为大气不均匀所引起的延迟相位，φ?Μ?为轨道不确定性引起的残差相位组分，φη&。为噪声误差组分； 3.5针对每个PS点对，用周期图方法求解线性形变速率差Λ V和DEM误差之差Λ ε，使下式中的多时相相位相干值Y达到最大，即
N r =——
N 3.6从差分相位Odint中减掉线性形变速率差Λ V和DEM误差之差Λ ε的相位贡献后，用时间域上的维纳滤波方法估算PS点在每一成像时刻的APS相位值； 3.7将每幅SAR影像的APS相位值计算出来，在M幅差分干涉图中减去大气不均匀所引起的延迟相位;将这些像素点分别与其距离最近的PS点进行连接后按照步骤3.5进行运算，针对多时相相位相干值Y设置阈值，得到时间序列的形变相位值，即PS点沉降数据。
4.如权利要求1所述的基于云模型和数据场的地面沉降风险等级评估方法，其特征在于，所述云模型算法如下: 计算样本均值= ，计算样本方差:岁=E、=X, En =JfxjZ^h -丑I其中，为一阶样本绝对中心距；H1, = P2-En2。
5.如权利要求1所述的基于云模型和数据场的地面沉降风险等级评估方法，其特征在于，所述三个云数字特征通过如下定性诠释规则来获得优化后的PS点: Ex 数值 0-99-1818-27 27-36 36-45>45 沉降水平较小小 大 较大 很大非常大 En 数值 0-99-1818-27 27-36 36-45>45沉降离散程度较低低 高 较高 很高非常高 He 数值 0-99-1818-27 27-36 36-45>45 监测水平较稳定稳定不稳定较不稳定很不稳定非常不稳定
O
6.如权利要求1所述的基于云模型和数据场的地面沉降风险等级评估方法，其特征在于，所述地面沉降风险等级Rffw按如下公式计算: R沉降=LE地形/开采。
7.如权利要求1所述的基于云模型和数据场的地面沉降风险等级评估方法，其特征在于，步骤4)所述利用数据场获得沉降速率栅格图，对沉降速率进行分类等级划分: 根据地面沉降风险等级Rffw值反映的地面沉降数据的特点，计算年平均累计沉降量，通过沉降速率进行空间插值，得到栅格图层，进而对沉降速率进行分类等级划分。
8.如权利要求1所述的基于云模型和数据场的地面沉降风险等级评估方法，其特征在于，步骤5)所述利用数据场获得优化后的PS点内的人口密度网格等级和经济密度网格等级包括如下步骤: 8.1收集研究区的人口数量和GDP数值，分别除以所对应区域的面积，获得人口密度和经济密度； 8.2给定空间Ω gR'中包含η个对象的数据集D{xl，x2，…，xn}及其产生的数据场，其中的η代表研究区含有多少个研究单元数量，按下式计算空间任一点X e Ω的势值:
CP (X) =cpD (X) = XllCpi(X)=Y^li JHie L 5 J 式中，IlX-XiII为研究区Xi与X的距离，Xi为研究区人口密集或⑶P密集区中心的坐标，X为优化后的PS点的坐标，Hii彡O,为对象XiQ = 1、2…η)的质量,式中，X°=1mi =1 ；σ为影响因子，σ e (O, + °o ).8.3调试σ值，使得研究区生成的人口密度数据场和经济密度数据场有显著的等势线效果，再进行等级网格化，获得人口密度网格等级或经济密度网格等级。
9.如权利要求8所述的基于云模型和数据场的地面沉降风险等级评估方法，其特征在于，步骤8.3将σ值调试到0.1-1范围内。
【文档编号】G06F19/00GK104133996SQ201410359653
【公开日】2014年11月5日 申请日期:2014年7月25日 优先权日:2014年7月25日
【发明者】宫辉力, 陈蓓蓓, 李小娟, 赵文吉, 颉晋荣, 贾煦, 郭琳, 段光耀, 周超凡, 史珉 申请人:首都师范大学