一种路域形变风险区识别方法、装置、设备及存储介质与流程

本发明涉及公路地质灾害遥感监测与风险评估，具体涉及一种路域形变风险区识别方法、装置、设备及存储介质。

背景技术：

1、随着交通基础设施建设的快速发展，公路路网规模不断扩大且逐渐向地质条件复杂的山区延伸，边坡滑坡、地面沉降等地质灾害严重威胁运营安全。因此，利用遥感技术对大范围路域范围内的形变隐患进行早期识别与风险评估，对于灾害预警和养护决策具有重要意义。合成孔径雷达干涉测量（insar）技术因其具有大范围、高精度、全天候监测等优势，已成为该领域的主要监测手段。

2、现有技术中，基于insar技术的路域形变监测方法通常采用时序sar影像解算形变速率，并通过设定固定的形变速率阈值筛选异常点，随后利用基于空间距离的聚类算法划定风险区范围，进而依据形变指标进行风险等级评估。

3、但是，在面对大范围复杂路域环境时，由于大范围路域涵盖多种地貌类型，背景噪声水平差异巨大，现有的固定阈值筛选法难以适应不同区域的噪声特征，导致大量噪声点被误判为异常点或真实隐患点被漏检，存在难以准确识别形变风险的问题。

技术实现思路

1、本技术提供一种路域形变风险区识别方法、装置、设备及存储介质，可以解决现有技术中在面对大范围复杂路域环境时，由于大范围路域涵盖多种地貌类型，背景噪声水平差异巨大，现有的固定阈值筛选法难以适应不同区域的噪声特征，导致大量噪声点被误判为异常点或真实隐患点被漏检，存在难以准确识别形变风险的问题。

2、第一方面，本技术实施例提供了一种路域形变风险区识别方法，其包括：

3、基于目标路域范围的时序sar影像和dem数据，解算得到多个形变监测点及其形变信息，并将所述形变信息投影至坡面方向，得到坡面形变信息；

4、基于所述坡面形变信息构建多维特征向量，计算每个形变监测点的综合异常指数；

5、根据所述综合异常指数的分布特征确定自适应阈值，将所述综合异常指数大于所述自适应阈值的形变监测点确定为形变异常点；

6、对所述形变异常点进行密度聚类，将聚类得到的每个聚类簇确定为形变风险区。

7、在一种实施方式中，所述的基于目标路域范围的时序sar影像和dem数据，解算得到多个形变监测点及其形变信息，包括：

8、获取覆盖所述目标路域范围的升轨时序sar影像和降轨时序sar影像；

9、对所述升轨时序sar影像和降轨时序sar影像分别进行配准和干涉处理，生成干涉图序列；

10、利用所述dem数据去除地形相位，并采用永久散射体ps技术和分布式散射体ds技术提取形变监测点；

11、基于时序分析模型对所述形变监测点进行联合解算，得到每个形变监测点的形变速率及时间序列形变信息。

12、在一种实施方式中，所述的将所述形变信息投影至坡面方向，得到坡面形变信息，包括：

13、基于所述dem数据，计算每个形变监测点所在位置的坡度和坡向；

14、将所述形变速率及时间序列形变信息分解为垂直向形变分量和东西向形变分量；

15、构建雷达视线向与坡面方向的几何投影模型，利用所述坡度、坡向、垂直向形变分量和东西向形变分量，计算得到每个形变监测点沿坡面方向的坡面形变信息。

16、在一种实施方式中，所述的基于时序分析模型对所述形变监测点进行联合解算，得到每个形变监测点的形变速率及时间序列形变信息，包括：

17、构建基于时空基线阈值的干涉图网络，以及干涉相位与形变参数、地形误差及大气相位之间的观测方程；

18、采用最小二乘法或奇异值分解法对所述观测方程进行求解，分离线性形变分量和非线性形变分量；

19、根据所述线性形变分量得到形变速率，根据所述非线性形变分量得到时间序列形变信息。

20、在一种实施方式中，所述的基于所述坡面形变信息构建多维特征向量，计算每个形变监测点的综合异常指数，包括：

21、提取每个形变监测点的坡面形变信息中的形变速率、形变加速度、累计形变量以及数据相干性；

22、将所述形变速率、形变加速度、累计形变量以及数据相干性组合形成所述多维特征向量；

23、对所述多维特征向量中的各维度特征进行标准化处理，消除量纲影响；

24、基于各维度特征的权重系数，计算标准化后各维度特征的加权和，得到所述综合异常指数。

25、在一种实施方式中，所述的根据所述综合异常指数的分布特征确定自适应阈值，将所述综合异常指数大于所述自适应阈值的形变监测点确定为形变异常点，包括：

26、统计目标路域范围内所有形变监测点的综合异常指数，构建综合异常指数频率分布直方图；

27、识别所述频率分布直方图中背景噪声分布与异常信号分布之间的波谷位置，将所述波谷位置对应的综合异常指数值确定为所述自适应阈值；

28、将所有形变监测点的综合异常指数与所述自适应阈值进行比较，将大于所述自适应阈值的形变监测点确定为形变异常点。

29、在一种实施方式中，所述的对所述形变异常点进行密度聚类，将聚类得到的每个聚类簇确定为形变风险区，包括：

30、计算任意两个形变异常点之间的空间欧氏距离和特征向量距离；

31、设定空间邻域半径和特征相似性阈值；

32、当两个形变异常点之间的空间欧氏距离小于所述空间邻域半径，且特征向量距离小于所述特征相似性阈值时，判定两个形变异常点密度可达；

33、基于密度可达性将所述形变异常点划分为若干个独立的聚类簇，并将每个聚类簇确定为形变风险区。

34、第二方面，本技术实施例还提供了一种路域形变风险区识别装置，其包括：

35、形变信息解算模块，其用于基于目标路域范围的时序sar影像和dem数据，解算得到多个形变监测点及其形变信息，并将所述形变信息投影至坡面方向，得到坡面形变信息；

36、指数计算模块，其用于基于所述坡面形变信息构建多维特征向量，计算每个形变监测点的综合异常指数；

37、异常点确定模块，其用于根据所述综合异常指数的分布特征确定自适应阈值，将所述综合异常指数大于所述自适应阈值的形变监测点确定为形变异常点；

38、风险区确定模块，其用于对所述形变异常点进行密度聚类，将聚类得到的每个聚类簇确定为形变风险区。

39、第三方面，本技术实施例还提供了一种路域形变风险区识别设备，所述路域形变风险区识别设备包括处理器、存储器、以及存储在所述存储器上并可被所述处理器执行的路域形变风险区识别程序，其中所述路域形变风险区识别程序被所述处理器执行时，实现上述的路域形变风险区识别方法的步骤。

40、第四方面，本技术实施例还提供了一种存储介质，所述存储介质上存储有路域形变风险区识别程序，其中所述路域形变风险区识别程序被处理器执行时，实现上述的路域形变风险区识别方法的步骤。

41、本技术实施例提供的技术方案带来的有益效果包括：

42、通过基于目标路域范围的时序sar影像和dem数据解算形变信息并投影至坡面方向，克服了传统insar技术仅提供雷达视线向一维形变的局限，能够更真实地反映边坡沿坡向的实际滑动状态，提高了形变监测结果的物理可解释性与准确性；通过构建多维特征向量计算综合异常指数并根据其分布特征确定自适应阈值，能够有效适应大范围路域复杂多变的背景噪声水平，显著降低了单一固定阈值筛选导致的误报与漏报风险；进一步对形变异常点进行密度聚类，实现了从离散监测点到连续风险区的精准自动圈定，能够贴合不规则形变区的真实边界，为公路地质灾害的科学预警与养护决策提供了可靠的空间对象基础与技术支撑。解决了现有技术中在面对大范围复杂路域环境时，由于大范围路域涵盖多种地貌类型，背景噪声水平差异巨大，现有的固定阈值筛选法难以适应不同区域的噪声特征，导致大量噪声点被误判为异常点或真实隐患点被漏检，存在难以准确识别形变风险的问题。