排序方式： 共有6条查询结果，搜索用时 15 毫秒
1
1.
针对盘营铁路专线、哈大铁路专线沿线沉降监测研究较少,采用InSAR技术获取了研究区地表形变信息,还对其进行了相关分析.用SBAS-InSAR对35景Sentinel-1A SAR数据进行处理,获取VV、VH极化下的年均沉降速率及沉降序列;以年均沉降速率为研究对象,进行沿线沉降特征分析及交叉验证;利用小波变换对沉降序列降噪处理,用改进BP神经网络对降噪后沉降序列预测分析.研究结果表明,研究区内高速铁路沿线共监测出6个明显沉降区域,最大沉降速率达50mm/a;两种极化年均沉降速率具有较高的一致性,降噪处理后的沉降序列更加平滑;改进BP神经网络具有较高的收敛速度,其预测精度有较大提高. 相似文献
2.
3.
利用2017-07～2019-04 Sentinel-1A数据对阿海电站区域滑坡形变速率及位移时间序列进行监测分析,并利用同期GPS数据对SBAS-InSAR监测结果的可靠性进行评价。结果表明,在InSAR观测时间内滑坡形变量从坡体后缘向前缘逐渐递增,最大形变速率可达136.7 mm/a,最大累积形变量达216 mm;在形变量较小区域,SBAS-InSAR与实测GPS值较为接近,精度较高,但在形变梯度较大区域,两者还存在一定差异。 相似文献
4.
为尽可能早地发现并排查出高速公路灾害的隐患点，本文以昆磨高速公路的昆明至玉溪路段为例，首先基于PS-InSAR技术，利用45景Sentinel-1影像获得了研究区域2018-2019年的沉降速率图。然后对沉降严重区域进行横纵断面分析，识别出昆磨高速公路沿线的隐患路段。最后对这些路段的进一步监测提出建议。研究表明，昆磨高速公路沿线总体呈现出较为平缓的沉降趋势，但存在着3个严重沉降区。分别是谢井村和朱井村路段、昆磨高速公路与东绕城高速公路交界处路段，以及昆磨高速公路与晋新公路交界处路段。因此证明了PS-InSAR技术能有效排查高速公路沿线的灾害隐患。 相似文献
5.
针对人工对高速公路上的灾害隐患进行逐一排查难度较大的问题,该文利用永久散射体合成孔径雷达干涉测量(PS-InSAR)技术对滇中地区昆磨、昆石、昆楚3条高速公路灾害隐患进行早期识别与排查,选取2018年6月-2019年12月期间的45景Sentinel-1A影像作为实验数据,提取了高速公路沿线的灾害点,并分析了灾害点的纵横断面沉降情况.结果 表明,滇中地区高速公路沉降最严重的是昆磨高速公路,存在3个明显沉降点,最大沉降速率达到-54mm/a;其次是昆石高速公路,存在2个明显沉降点,最大沉降速率达到-30 mm/a;而昆楚高速公路未发现明显沉降点.表明PS-InSAR技术能有效识别高速公路中存在的灾害隐患,且具有一定的优势,其结果可为相关部门进行公路监测与养护提供依据. 相似文献
6.
针对InSAR在数据处理过程中存在对流层延迟误差、解缠误差及处理大范围区域数据需要消耗大量时间和磁盘空间的问题，本文首先利用LiCSBAS和GACOS产品对2016年9月16日至2021年5月5日昆明市134景Sentinel-1升降轨影像进行数据处理，获取昆明市主城区沉降信息，在此基础上得到5个典型地表沉降区并分析其时空分布特征；然后利用深度森林和长短期记忆网络模型进行时序值的预测，引入绝对误差(ε)、均方根误差(RMSE)、纳什系数(NSE)对模型进行评价，深度森林和长短期记忆模型得到的ε均在4 mm以内，RMSE值分别为0.70和3.01,NSE值分别为0.92和0.81。结果表明，深度森林预测模型效果较好，联合LiCSBAS和机器学习模型的城市地表监测和预测的方法可以为今后开展地面沉降监测和灾害预警提供参考。 相似文献
1