一种基于北斗系统的边坡形变监测数据处理方法与流程

本发明涉及边坡预警，更具体地说，涉及一种基于北斗系统的边坡形变监测数据处理方法。

背景技术：

1、在基础设施建设工程中，因为自然地形复杂，故常需对施工场地进行开挖或者填筑施工，施工后的边坡由于原始状态的改变，其稳定性容易受施工进展、气候季节变化等因素影响，从而产生滑坡等地质灾害，进而影响工程进度，造成人员伤亡、财务损失，因此有必要对施工边坡进行滑坡监测与预警。针对滑坡灾害的特性，对施工边坡的监测预警要有全面、实时、可提前预防等需求。常见的边坡监测技术有精密大地测量法、卫星定位系统测量法、insar合成孔径雷达测量法、分布式光纤地表位移监测法等，其中lidar激光雷达扫描法是近年来新兴的一种监测方法。上述各类边坡监测技术各有优劣，其中卫星定位测量法作为一种点监测方法，其监测数据的可用性依赖监测点的选取与布置，具有实时监测、无人值守等优点；insar测量法须长时间扫描，从而获取高精度坡面数字地图，设备昂贵，且依赖人工操作；目前lidar激光雷达技术除精度较低外，具有全地形、多平台载具等优点。

2、在实际工程中，对例如边坡的监测要更为复杂，在实际对监测点进行安装时，为确保监测点能够将信号顺利的传输至通讯平台，一般需要要求监测点设定在边坡的的坡顶位置，然而将监测点安装在坡顶位置，一般的监测点是通过对参考点的位移采样，来获取边坡的沉降或滑坡信息，以及时通过通讯平台关联卫星来实施对边坡的沉降或滑坡的信号的传播，然而，由于边坡的沉降、滑坡不同基坑的沉降，边坡出现沉降或滑坡时的位置存在着不确定性,目前边坡形变监测技术中，缺乏对形变的动态预测，而这种预测对于边坡风险预警具有重要意义。

技术实现思路

1、1.发明要解决的技术问题

2、针对现有技术中缺乏边坡形变动态预测、风险预警能力不足的情况，本发明拟提供一种基于北斗系统的边坡形变监测数据处理方法，能够实时对边坡形变数据进行采集，将采集到的数据信息实时反馈，提高预测数据的准确性，提高边坡灾害的预警能力。

3、2.技术方案

4、为达到上述目的，本发明提供的技术方案为：

5、本发明提出一种基于北斗系统的边坡形变监测数据处理方法，包括以下步骤：

6、s101、获取边坡区域的各个监测点的sar影像并进行预处理，得到预处理后的sar影像；

7、s102、获取bds数据，根据在边坡区域设置bds监测网，采集所述bds数据；

8、s103、根据所述预处理后的sar影像，对预处理后的sar影像进行干涉处理，得到insar差分干涉图；

9、s104、将bds数据去除insar差分干涉图中的大气延迟相位，得到边坡区域形变信息；

10、s105、根据边坡区域形变信息，在边坡区域中的重点监测点放置角反射器，获取重点监测点形变监测结果；

11、s106、结合bds数据与重点监测点形变监测结果，得到高时空分辨率的边坡区域形变监测结果；

12、s107、从边坡区域形变监测结果中识别出边坡区域形变量异常的不稳定区域，并对造成不稳定区域形变量异常的因素进行相关性分析，得到边坡区域形变量异常的驱动因素；

13、s108、基于边坡区域形变监测结果与边坡区域形变量异常的驱动因素，采用lstm深度学习方法预测边坡区域的形变量。

14、更进一步地，步骤s104的具体步骤包括：

15、s201、从bds数据中获取bds湿延迟序列和相应的高程序列，并对其进行小波分解；

16、s202、计算小波分解后bds湿延迟序列和相应的高程序列的低频系数与高频系数的相关性；

17、s203、保留相关性较大的小波系数，对相关性较小的小波系数进行误差剔除，得到更新后的小波系数；

18、s204、根据更新后的小波系数重构bds湿延迟序列，并回归得到onn模型参数的值；

19、s205、从重构的bds湿延迟序列中减去每个bds点的分层延迟，得到各bds点的延迟量；

20、s206、对每个bds点的湍流延迟量进行反距离加权插值，得到覆盖整个边坡区域监测区域的分量；

21、s207、根据覆盖整个边坡区域监测区域的分量，采用onn模型计算得到覆盖整个水库大坝监测区域的湿延迟，并将其作为大气延迟估算值；

22、s208、根据大气延迟估算值去除insar差分干涉图中的大气延迟相位，并对insar差分干涉图进行相位解缠，得到解缠结果；

23、s209、对解缠结果进行地理编码，得到初步边坡区域形变信息。

24、更进一步地，步骤s101的具体过程包括：

25、s301、获取边坡坡面、坡顶和坡底的各个监测点的slc数据；

26、s302、将卫星精密轨道数据文件导入到slc数据中，对slc数据中的轨道信息进行校正；

27、s303、校正后的slc数据裁剪拼接至同一范围，得到预处理后的sar影像。

28、更进一步地，步骤s102中所述bds监测网包括多个bds点，bds点在边坡区域监测区域整体范围内均匀分布，且在边坡区域中的重点监测点位置加密布设。

29、更进一步地，步骤s103的具体过程，包括：

30、s401、采用sbas技术对预处理后的sar影像进行处理，通过设置空间基线和时间基线阈值生成连接图得到影像对；

31、s402、在预处理后的sar影像中选择超级主影像作为参考影像；

32、s403、对影像对进行干涉处理，得到干涉像对；

33、s404、通过bds数据辅助将干涉像对都配准到参考影像上，去除平地效应，得到insar差分干涉图。

34、更进一步地，步骤s105的具体过程包括：

35、s501、根据初步边坡区域形变信息，找出边坡区域及其周边相干点稀疏的区域并将其标记为边坡区域重点监测区域；

36、s502、在边坡区域重点监测区域布设多层角反射器，并设置每层角反射器中心位置能够接收或者反射不同入射角度的星载雷达微波信号；

37、s503、采集放置角反射器后的sar影像，并对其进行数据处理和大气延迟相位去除，得到重点区域形变监测结果。

38、更进一步地，步骤s106具体过程包括：

39、s601、基于重点区域形变监测结果，在时间域内利用自适应滤波方法对每一个bds点建立insar视线方向形变量的动态模型，以此对bds监测网的网格点进行内插，得到bds时间内插结果；

40、s602、根据重点区域形变监测结果和bds时间内插结果，使用卡尔曼滤波器方程组递归地对卫星的轨道参数、卫星的姿态参数以及影像中心点的大地定位参数进行修正更新，直至参数收敛，得到大地精校正处理结果；

41、s603、采用克里金插值法，通过空间上所有已知形变结果的数据点，对大地精校正处理结果中的空白数据点进行线性无偏最优估计，得到高时空分辨率的边坡区域形变监测结果。

42、更进一步地，步骤s107的具体过程包括：

43、将边坡区域形变监测结果中视线方向的形变量转变为水平面内垂直于边坡区域边坡的形变量：

44、

45、其中d表示水平面内垂直于边坡区域边坡的形变量，d-l表示视线方向的形变量，θ表示雷达入射角，α表示雷达飞行方向与边坡之间的夹角；

46、设置形变量平均变化阈值，筛选出形变量异常的不稳定区域；

47、采用灰色关联度分析法计算不稳定区域形变量与各因素之间的关联度，将关联度大于预设阈值的因素作为边坡区域形变量异常的驱动因素。

48、更进一步地，步骤s108具体过程包括：

49、根据边坡区域形变监测结果，将边坡区域重点监测区域中每个观测点的时序累积形变量记为一个集合di＝{d1,d2,…,di}；

50、从集合di中提取出长度为m的训练样本dt＝{d(i-m),d(i-m+1),…,d(i-1)}，并将训练样本中的前m-1个时间点的形变量作为样本输入，将最后一个时间点的形变量作为样本标签；

51、将训练样本输入lstm网络模型，对边坡区域形变量异常的驱动因素进行学习，并使用网格搜索的方法调整lstm网络模型参数，得到训练好的预测模型；

52、采用训练好的预测模型对边坡区域的未来形变量进行预测。

53、更进一步地，所述将训练样本输入lstm网络模型，对边坡区域形变量异常的驱动因素进行学习，并使用网格搜索的方法调整lstm网络模型参数，得到训练好的预测模型的具体过程，包括：

54、通过前向传播计算方法得到每个lstm神经元的输出值t：

55、t＝lstm{xt,h(t-1),c(t-1)}

56、其中lstm{......}表示前向传播计算函数，xt表示当前lstm神经元的输入，h(t-1)和c(t-1)分别表示前一个lstm神经元的隐含状态和细胞状态；

57、按照时间和网络层级两个反向传播方向计算每个lstm神经元的误差项；

58、根据每个lstm神经元的误差项得到lstm网络模型每个权重的更新梯度；

59、选用adam算法作为优化器，设定损失函数最小为优化目标，给定样本分割长度、网络层数、隐藏层节点数、学习率以及训练次数，不断更新lstm网络模型的权重，得到训练好的预测模型。

60、3.有益效果

61、采用本发明提供的技术方案，通过实时获取边坡区域的各个监测点的sar影像，对sar影像进行处理，根据边坡各个监测点的bds数据，得到边坡区域形变信息，根据边坡区域形变信息，获取重点监测点形变监测结果，根据bds数据与重点监测点形变监测结果，得到高时空分辨率的边坡区域形变监测结果，根据边坡区域形变监测结果与边坡区域形变量异常的驱动因素，采用lstm深度学习方法预测边坡区域的形变量，进而可实时对边坡形变数据进行采集，将采集到的数据信息实时反馈，提高预测数据的准确性，提高边坡灾害的预警能力。