Current application of machine learning models in the analysis of remote sensing survey data for geological hazards
-
摘要:
为研究机器学习模型在地质灾害遥感调查中的应用现状，基于中国知网（CNKI）数据库，采用文献计量法进行可视化分析，从发文量、研究热点、研究机构等多视角详述机器学习模型、地质灾害遥感调查技术的研究进展。利用VOSviewer软件分析机器学习模型与地质灾害遥感调查技术高频关键词及其关联度，并通过分类统计定量化分析得出研究热点、关联性和发展趋势。结果表明：中国地质灾害遥感调查技术正由“图谱测量”向“图谱与几何测量”逐步转变，新一代机器学习算法伴随着无人机遥感技术的进步，已成为本领域最热门的研究方向，推动着地质灾害体自动识别和智能提取技术发展；未来的地质灾害遥感调查技术必然是围绕“空−天−地”协同应用与应急监测的综合技术体系。研究认为，针对不同遥感影像数据的特点，综合研究不同机器学习模型在各种遥感解译工作场景中的应用是未来的主要发展趋势。
Abstract:To investigate the current landscape of the application of machine learning in remote sensing surveys of geological disasters and to support the development of intelligent remote sensing survey technologies for geological disasters, a bibliometric analysis of machine learning and geological disaster remote sensing survey technology was conducted using the China National Knowledge Infrastructure (CNKI) database. Visual analysis was performed from multiple perspectives, including the number of publications, research hotspots, and research institutions, to describe the research progress of machine learning and geological disaster remote sensing survey technology. VOSviewer software was utilized to scrutinize the high-frequency keywords and their associations between machine learning and geological disaster remote sensing survey technology. The results showed that remote sensing survey technology for geological disasters in China is gradually shifting from traditional “topographic measurement” towards more holistic “topographic and geometric measuremen” approaches. With the advancement of unmanned aerial vehicle remote sensing technology, the new generation of intelligent learning algorithms have emerged as the predominant research direction, fostering the growth of automated geological disaster recognition and intelligent extraction techniques. Nevertheless, the future of remote sensing survey technology for geological disasters is poised to evolve into a comprehensive technical system that emphasizes the synergistic “air-space-ground” application and emergency monitoring. Considering the diverse characteristics of remote sensing image data, the primary developmental trajectory will involve an extensive exploration of various machine learning algorithms across different remote sensing interpretation scenarios.
-
Keywords:
- geologic hazard /
- remote sensing /
- machine learning /
- bibliometrics
-
0. 引言
地面沉降又称地面下降或地陷，是指在自然环境和人类建设活动影响下，由于地下松散土层及岩层压缩固结，导致地表标高损失的一种地质现象[1]。造成该现象的自然因素和社会经济因素被认为是地面沉降的驱动力，主要包括水文地质条件、矿产资源开发及地下水开采状况等[2 − 3]。地面沉降形成原因复杂，防护与治理难度较高[4 − 6]，对人民的生命财产安全造成较大的损害。为深入探索沉降机制及其变化规律，国内外学者对沉降监测方法和驱动力因素进行研究，并不断发展新的理论技术[7 − 10]。
传统的地面沉降监测手段主要为水准测量和GNSS，这种局部单点测量的技术不仅成本高而且空间分辨率低，难以识别和监测大面积的地表形变[11]。时序合成孔径雷达干涉测量（time-series interferometric synthetic aperture radar，TS-InSAR）技术不仅周期短、精度高，还能够全天时、全天候地对大范围的地表形变进行监测，极大地弥补了传统监测手段的不足[12]。其中永久散射体雷达干涉[13]（permanent scatterer interferometric synthetic aperture radar，PS-InSAR）和小基线集雷达干涉[14]（small baseline subset interferometric synthetic aperture radar，SBAS-InSAR）最具代表性。PS-InSAR方法能够有效获取高相干目标（如建筑、桥梁及裸岩等）的时序形变信息，但在植被茂盛、稳定散射体稀少的区域，无法取得足量的稳定目标点，易使得形变解算结果产生偏差[15]。而SBAS-InSAR方法是利用慢失相关滤波相位像素点获取地表形变信息，该类点能够在短时段内保持较强的相干性，且普遍存在于自然界中（如草地、裸土等）。因此SBAS-InSAR方法比PS-InSAR方法更适用于大范围区域的形变监测[16 − 17]。
皖北地区的地面沉降问题历来较为突出，亳州市作为安徽省重要的新兴产业基地，其城市地质灾害监测一直受到政府及相关管理部门广泛关注。以往对该区域地面沉降的研究更侧重于观测数据的处理方法以及成因的简单分析[18 − 19]，对于其驱动力的量化研究尚且不足。探求地面沉降的主要驱动因素，能够为地质灾害防治和城市建设提供科学指导。本文以亳州市为研究区，选取2021年10月至2022年10月共62景Sentinel-1数据，利用SBAS-InSAR技术对亳州市地面沉降进行监测，分析亳州市地面沉降的时空分布特征，并基于地理加权回归（geographically weighted regression，GWR）模型，从地质环境、水文地质条件、人类工程活动和经济发展状况等方面对亳州市地面沉降的空间分异进行分析，探究亳州市地面沉降的主要驱动因素。
1. 研究区与数据
1.1 研究区概况
亳州市位于黄淮海平原南端，皖、豫两省交界，全市下辖一区三县，总面积约8522.58 km2（图1）。亳州市地处中朝准地台的淮河台坳二级构造单元，主要发育有褶皱、断裂构造。该地区地形起伏较小，地势西北高、东南低，辖境与黄河决口扇形地相连，总体呈典型的黄淮堆积型地貌[20]。地层属华北地层大区徐淮地层分区，第四系覆盖区内大部分基岩，第四系及新近系松散地层厚度在800～1000 m。亳州市煤炭资源丰富，根据《亳州市矿产资源总体规划（2021—2025年）》，区内现有煤矿产地17处，主要分布在涡阳、蒙城等地，保有资源储量43.50亿吨，占全省煤炭资源储量17.17%。主要含煤层为石炭、二叠系地层，煤层埋深600～1000 m。
亳州市地下水类型可划分为松散岩类孔隙水、碳酸盐岩类裂隙溶洞水和基岩裂隙水三种类型。按照含水层的埋藏条件，可进一步划分为浅层孔隙含水层组（50 m以浅）、中深层隙含水层组（50～165 m）、深层孔隙含水层组（165～660 m）、超深层孔隙含水层组（660～900 m）。根据《2021年亳州市水资源公报》，亳州市地下水资源总量约为15.67×108 m3，浅层地下水供水量4.59×108 m3，中深层地下水供水量为1.47×108 m3。全市域内已形成9个超采区，总面积约980.9 km2，其中浅层地下水超采区开采量约0.4×108 m3/a，中深层地下水超采区开采量约1.38×108 m3/a。
1.2 数据
1.2.1 Sentinel-1
Sentinel-1卫星是欧洲航天局发射的地球观测卫星，重访周期为12天，具有干涉宽幅（IW）、超宽幅（EW）、波（WV）和带状图（SM）四种工作模式。本文选取2021年10月至2022年10月间，共62景升轨Sentinel-1干涉宽幅（IW）模式的SLC影像用于形变监测，数据的基本参数见表1。
表 1 Sentinel-1卫星数据参数表Table 1. Parameters of Sentinel-1 satellite data参数 数值 监测日期 轨道高度/km 700 2021-10-02、2021-10-14、2021-10-26、
2021-11-07、2021-11-19、2021-12-01、
2021-12-13、2022-01-06、2022-01-18、
2022-01-30、2022-02-11、2022-02-23、
2022-03-07、2022-03-19、2022-03-31、
2022-04-12、2022-04-24、2022-05-06、
2022-05-18、2022-05-30、2022-06-11、
2022-06-23、2022-07-05、2022-07-17、
2022-07-29、2022-08-10、2022-08-22、
2022-09-03、2022-09-15、2022-09-27、
2022-10-09重访周期/d 12 入射角/（°） 29～46 分辨率/m 5×20 幅宽/m 250 极化方式 VV 轨道号 142,101 / 142,106 1.2.2 SRTM DEM
SRTM数据由美国国家航空航天局（NASA）和美国国家地理空间情报局（NGA）生产并面向全球用户免费发布，该数据覆盖了全球约五分之四的陆地表面，分辨率为30 m，高程精度为±16 m。本文中用于去除干涉测量过程中由地形起伏因素导致的地形相位。
1.2.3 其它数据
驱动力因子的选择主要依据研究区地质环境、水文地质条件、人类工程活动和经济发展状况四方面的综合影响，共选取8个指标，分别为松散层厚度、中深层地下水埋深、深层地下水埋深、中深层水位变幅、深层水位变幅、道路密度、人口密度和单位面积GDP。
2. 方法原理与数据处理
2.1 地面沉降监测
2.1.1 SBAS-InSAR原理
将覆盖研究区的N+1幅影像进行配准后，参照一定的阈值组成M个干涉对[21]，则有：
$$ \frac{{N + 1}}{2} \leqslant M \leqslant \frac{{N(N + 1)}}{2}$$ (1) 假设第i（i∈1, 2, ···, M）个干涉对的主辅影像获取时间为ta和tb（其中tb在ta之后），并且其干涉相位中除去形变相位的部分已被剔除，则该干涉对的相位可以表示为：
$$ \varDelta \varphi _j^{({t_a},{t_b})} = {\varphi ^{{t_b}}} - {\varphi ^{{t_a}}} $$ (2) 那么M个干涉对的形变相位可以表示为如下矩阵形式：
$$ \varDelta \varphi ={\left[\varDelta {\varphi }_{1},\varDelta {\varphi }_{2},\varDelta {\varphi }_{3},\cdots ,\varDelta {\varphi }_{M}\right]}^{T} $$ (3) 每个干涉都可以产生一个观测方程，结合式（2）（3），可以组成具有M个观测方程的方程组，其中有N个待求未知数，矩阵形式方程组如下：
$$ A\varphi = \varDelta \varphi $$ (4) 式中：A——M×N的系数矩阵。
若矩阵A的秩r（A）大于N，则可以通过最小二乘法求解式（4），公式如下：
$$ \varphi = {\left( {{A^T}A} \right)^{ - 1}}{A^T}\varDelta \varphi $$ (5) 但在实际计算中，r(A)通常小于N，无法求得ATA矩阵的逆矩阵，此时则对矩阵A进行奇异值分解，分解形式如下：
$$ A = US{V^T} $$ (6) 式中：U——M×M阶正交矩阵，由AAT的特征向量组成；
S——M阶对角矩阵；
V——由ATA的特征向量组成的N×M阶正交矩阵。
$$ {A^ + } = V{S^ + }{U^T} $$ (7) $$ \varphi = {A^ + }\varDelta \varphi $$ (8) 式中：UT——U的转置矩阵；
A+、S+——矩阵A、矩阵S的广义逆矩阵。
将求解出时序形变量φ，除以形变所对应的时间间隔，即可求解出对应的形变速率。
2.1.2 数据处理流程
SBAS-InSAR技术路线如图2所示，获取地面形变信息的流程主要包括两部分：数据预处理和SBAS-InSAR工作流。本研究使用ENVI平台的SARscape对Sentinel-1数据进行处理，SARscape是由sarmap公司开发的一款专业的雷达影像处理软件，已被广泛应用于处理ERS-1/2、RADARSAT-1/2、ENVISAT ASAR、ALOS PALSAR以及 Sentinel-1（哨兵）等一系列星载雷达数据[22 − 25]。
Sentinel-1数据预处理步骤如下：①将数据导入为SARscape的标准格式；②对同一时期两景SAR影像进行镶嵌；③按照研究区范围对数据进行裁剪。对预处理后的影像进行SBAS-InSAR处理，主要流程包括：①对输入数据以最优的组合方式配对；②配对后的像对进行干涉处理；③利用控制点对所有数据重去平；④去除大气相位并估算形变速率；⑤地理编码，将形变结果投影到地理坐标系上。
2.2 地理加权回归模型
空间关系具有异质性和非平稳性规律，为了对空间数据进行精确局部描述，Fotheringham基于局部光滑的思想提出了地理加权回归模型（geographical weighted regression , GWR）[26]。GWR实质上是一种空间变系数回归模型[27]，可以根据空间数据的位置信息生成对应的局部回归系数，从而对变量的局部空间关系与空间异质性进行合理的解释[28]。
2.2.1 模型构建
运用GWR模型进行回归分析时，考虑到因子间的多重共线性问题会影响模型的可靠性，因此本文首先计算各因子的方差膨胀因子（VIF）。结果显示（表2），各因子的VIF均处于0到10之间[29]，表明因子间不存在多重共线性。
表 2 模型多重共线性检验Table 2. Model multicollinearity test因子 VIF 因子 VIF 中深层地下水埋深 1.234526 松散层厚度 1.519002 中深层水位变幅 1.625721 人口密度 1.116396 深层水位变幅 1.681352 道路密度 1.053348 深层地下水埋深 2.087465 单位面积GDP 2.481104 在此基础上，对亳州市地面沉降建立GWR模型如下：
$$ {y_i} = \sum\limits_{i = 0}^p {{\beta _j}} ({u_i},{v_i}){x_{ij}} + {\varepsilon _i}\quad i = 1,2,\cdots, n $$ (9) 式中：yi——响应变量；
βj(ui, vi)——第i个样本点在(ui, vi)处的第j个回归 参数；
xij——影响因素；
εi——随机误差项。
采用赤池信息准则最优带宽策略，构建不同运行模式下的活动强度GWR模型[27]，结果如表3所示。地面沉降GWR模型的可决系数（R2）为0.394583，表明自变量与因变量之间具有相关性。校正可决系数（adjusted R2）是0.373125，说明可解释因变量在模型中具有较高比例。
表 3 2022年地面沉降GWR回归模型参数Table 3. Ground subsidence GWR regression model parameters for 2022监测年份 带宽 赤池信息准则 可决系数 校正可决系数 2022年 824 11850.657545 0.394583 0.373125 3. 结果
3.1 精度验证
为验证本文中研究区地面沉降数据的可靠性，选取谯城区周围3个同期水准点测量值与SBAS-InSAR监测结果进行对比。结果（表4）显示，SBAS-InSAR结果与水准测量值的误差在1 mm以内，说明监测结果具有较高的可信度。
表 4 SBAS-InSAR监测结果与水准数据对比Table 4. Comparison between SBAS-InSAR monitoring results and leveling data点名 实测形变量/mm SBAS-InSAR监测的形变量/mm 差值/mm BJ01 3 3.83 0.83 BJ02 −1 −0.54 −0.46 BXJ08 −4 −3.78 −0.22 监测结果与实测数据间存在一定误差，主要是因为SAR影像在干涉过程中受到大气延迟、地形起伏和失相干等多种因素影响产生的误差。此外，水准测量获取的是单个监测点的高程变化，而SBAS-InSAR结果则是一个单元格网（面状）的平均形变量，二者不一定完全对应。
3.2 地面沉降时空分布特征
通过SBAS-InSAR处理，得到2021年10月至2022年10月内亳州市地表形变速率（图3）。亳州市整体沉降速率为5～30 mm/a，平均沉降速率为5.7 mm/a。地面沉降主要分布于谯城区东北部、涡阳县城、利辛县城以及蒙城县的部分地区；沉降最严重区域位于涡阳县公吉寺镇以北，受煤矿开采影响，沉降速率幅值达到84.3 mm/a；谯城区东北侧的地面沉降幅值为25.8 mm/a；在利辛县城及蒙城县的部分地区内，大多数区域地面沉降速率幅度小于10 mm/a水平，局部区域地面沉降幅度达到20 mm/a水平。
![]()
图 3 亳州市2021年10月至2022年10月形变速率分布图Figure 3. Distribution map of the subsiding rate of Bozhou from October 2021 to October 2022监测时段内沿雷达视线向（Line of Sight, LOS）的时序累计形变量如图4所示。在涡阳县中部、谯城区东北部、利辛县西部以及蒙城县中部，均监测到明显形变，形变量随时间推移逐渐增大。截至观测结束，涡阳县受煤矿开采影响区域，累积沉降量幅值达到83.4 mm，其余地区最大累计沉降量为27.3 mm；亳州市大部分区域地表累计沉降量处于5～30 mm水平，平均累计沉降量为7.3 mm左右。
![]()
图 4 亳州市2021年10月至2022年10月时序累计形变量图Figure 4. Time-series accumulated deformation map in Bozhou City from October 2021 to October 20223.3 地理加权回归模型构建结果
为了能够有效地掌握建模数据的分布情况，本文使用最小值、中值、最大值及平均值对模型运算结果进行叙述性统计。各建模变量拟合系数如表5所示，当系数为正时，自变量与因变量呈正相关关系；当系数为负时，自变量与因变量呈负相关关系，且拟合系数的绝对值越大，相关性越强。因此，各因素对地面沉降的贡献度排序依次为深层水位变幅、中深层水位变幅、中深层地下水埋深、深层地下水埋深、单位面积GDP、松散层厚度、道路密度、人口密度。
表 5 模型运算结果叙述性统计Table 5. Descriptive statistics of model calculation results变量 最小值 中值 最大值 平均值 深层水位变幅 -1.487 0.938 7.769 3.141 中深层水位变幅 -1.482 0.602 2.674 0.596 中深层地下水埋深 -0.747 -0.311 0.065 -0.341 深层地下水埋深 -0.293 -0.050 0.085 -0.104 单位面积GDP -0.003 0.000 0.001 -0.001 松散层厚度 -0.014 0.000 0.013 -0.0005 道路密度 -0.000 0.000 0.001 0.0005 人口密度 -0.001 0.000 0.001 0.000 4. 讨论
4.1 采煤区地面沉降影响因素
亳州市煤矿资源主要分布在涡阳、蒙城两县，其中涡阳县现有矿产地13处，是区内主要的采煤区。结合驱动力因子回归结果与煤炭实际开采情况可知，采煤区沉降受地下水抽取与煤矿开采共同影响，而煤矿开采是沉降严重区域形变的主导因素。驱动力因子回归系数显示，采煤区地面沉降与中深层水位变幅，见图5（c）、深层水位变幅，见图5（d）呈显著正相关，说明地下水水位变化对地面沉降具有一定贡献。而该地区沉降最严重区域位于涡阳县公吉寺镇以北的信湖煤矿，最大沉降达83.4 mm。信湖煤矿于2021年9月16日正式投产，随着采矿活动的进行，矿区沉降速率持续加快。煤炭被采出后，形成采空区，随着采空区范围不断扩张，采空区上部覆岩和周围岩体的应力平衡遭到破坏，覆岩受到的重力作用逐渐增加，当压力超过临界值后，煤层顶板及周围岩体发生弯曲、断裂和垮落，导致整个上覆岩层的变形和移动，最终在地表形成大范围塌陷坑[30]。
![]()
图 5 各因子对地面沉降影响的回归系数图Figure 5. Regression coefficients of different factors influencing ground subsidence4.2 非采煤区地面沉降影响因素
非采煤沉降区主要位于谯城区东北部与利辛县西部，累计沉降量幅值为27.3 mm。驱动力因子回归系数显示，地下水状况与非采煤区地面沉降相关性较强，中深层水位变幅，见图5（c）和深层水位变幅，见图5（d）与地面沉降呈现正相关。自20世纪80年代以来，亳州市城市经济持续发展，人口迅速增长，对地下水资源的需求量也逐年增加。据有关资料估测[20]，亳州市目前地下水日开采量在3.5×105 m3左右，深层地下水开采量在1.9×105 m3。对深层地下水的过度开采，诱使承压水头持续降低，降落漏斗面积不断扩大。当水头压力差作用于下伏黏性土层时，黏性土层的中低压缩性，会导致其越流或者压密释水，引起自身测压水头下降，使土体被纵向压缩；而砂性含水层受水头减小的影响，会释放出一部分储存的水，使得含水层内部的应力状态发生变化。原本承压水头支撑的上覆载荷被转移至含水层砂砾间，致使砂砾间的有效压力增加，含水层被垂直压缩。在地表上监测到的沉降量，即为降落漏斗范围内黏性土层与含水砂性土层的压缩量之和[31]。
4.3 地质因素对地面沉降的影响
松散层厚度与地面沉降的关系如图5（e）所示，在亳州市中部和西南部回归系数为负，对地面沉降起抑制作用；在北部和南部回归系数为正，对地面沉降起促进作用。亳州市地处淮北平原，地下发育有第四系和新近系松散沉积物[20]，构成了地面沉降的物质基础。城市公共设施建设快速发展，城市建筑物的荷载不断增加，导致松散层被压实，进而引发地面沉降[22]；另一方面，松散层中不同土层持水性具有的很大差异，过度开采地下水，使得土层颗粒间的有效应力增大，孔隙体积被压缩，导致地面沉降。
5. 结论
本文利用2021年10月至2022年10月期间62景Sentinel-1卫星SAR影像，采用SBAS-InSAR技术获取了亳州市该时段内的地面形变速率及累计形变量，并对地面沉降的时空格局以及驱动力因素进行了分析，结果如下：
（1）亳州市全域地面基本稳定，但局部地区存在明显的地面沉降现象。2021年10月至2022年10月期间，亳州市地面沉降最严重区域位于涡阳县公吉寺镇以北，幅值为84.3 mm/a，主要受煤矿开采影响所致。其他因采水导致地面沉降最大速率为25.8 mm/a，位于谯城区东北侧。
（2）监测时段内，涡阳县中部、谯城区东北部、利辛县西部以及蒙城县中部均监测到明显形变，并且形变量随时间推移逐渐增大，亳州市整体平均累计沉降量为7.3 mm左右，采煤沉降区累计沉降量幅值为83.4 mm，非采煤沉降区累计沉降量幅值为27.3 mm。
（3）各驱动力因素对地面沉降的贡献度排序为深层水位变幅、中深层水位变幅、中深层地下水埋深、深层地下水埋深、单位面积GDP、松散层厚度、道路密度、人口密度。
-
![]()
图 1 2003—2022年地质灾害遥感调查技术应用研究领域发文量分布
Figure 1. Distribution of published papers in the fields of geological hazard remote sensing survey technology application from 2003 to 2022
![]()
图 2 2003—2022年地质灾害遥感调查技术应用研究领域高发文机构
Figure 2. High-volume institutions in the field of geological hazard remote sensing survey technology application research from 2003 to 2022
![]()
图 3 2003—2022年主要地质灾害遥感调查技术发文量分布
Figure 3. Distribution of research publications on major geological hazard remote sensing survey technologies from 2003 to 2022
![]()
图 4 2003—2022年主要地质灾害遥感调查技术发文量逐年发展趋势
Figure 4. Annual development trends of research publications on major geological hazard remote sensing survey technologies from 2003 to 2022
![]()
图 5 2003—2022年主要机器学习发文量分布
Figure 5. Distribution of research publications on major artificial intelligence algorithms from 2003 to 2022
![]()
图 6 2003—2022年主要机器学习发文量逐年发展趋势
Figure 6. Annual development trends of research publications on major machine learning from 2003 to 2022
![]()
图 7 2003—2022年无人机遥感技术与各种机器学习关键词关联度
Figure 7. Association between unmanned aerial vehicle remote sensing technology and various artificial intelligence algorithm keywords from 2003 to 2022
![]()
图 8 2003—2022年SAR技术与各种机器学习关键词关联度
Figure 8. Association between sar (synthetic aperture radar) technology and various artificial intelligence algorithm keywords from 2003 to 2022
![]()
图 9 2003—2022年高分辨率遥感技术与各种机器学习关键词关联度
Figure 9. Association between high-resolution remote sensing technology and various artificial intelligence algorithm keywords from 2003 to 2022
-
[1] 万佳威,褚宏亮,李滨,等. 西藏嘉黎断裂带沿线高位链式地质灾害发育特征分析[J]. 中国地质灾害与防治学报,2021,32(3):51 − 60. [WAN Jiawei,CHU Hongliang,LI Bin,et al. Analysis on the development characteristics of high-level chain geological disasters along the Jiali fault zone in Tibet[J]. The Chinese Journal of Geological Hazard and Control,2021,32(3):51 − 60. (in Chinese with English abstract)] WAN Jiawei, CHU Hongliang, LI Bin, et al. Analysis on the development characteristics of high-level chain geological disasters along the Jiali fault zone in Tibet［J］. The Chinese Journal of Geological Hazard and Control, 2021, 32（3）: 51 − 60. （in Chinese with English abstract）
[2] 张凯翔,张占荣,于宪煜. SBAS-InSAR和PS-InSAR技术在鲁西南某线性工程沿线地面沉降成因分析中的应用[J]. 中国地质灾害与防治学报,2022,33(4):65 − 76. [ZHANG Kaixiang,ZHANG Zhanrong,YU Xianyu. Application of SBAS-InSAR and PS-InSAR technologies in analysis of landslide subsidence along a linear infrastructure in Southwestern Shandong[J]. The Chinese Journal of Geological Hazard and Control,2022,33(4):65 − 76. (in Chinese with English abstract)] ZHANG Kaixiang, ZHANG Zhanrong, YU Xianyu. Application of SBAS-InSAR and PS-InSAR technologies in analysis of landslide subsidence along a linear infrastructure in Southwestern Shandong［J］. The Chinese Journal of Geological Hazard and Control, 2022, 33（4）: 65 − 76. （in Chinese with English abstract）
[3] 赖积保,康旭东,鲁续坤,等. 新一代人工智能驱动的陆地观测卫星遥感应用技术综述[J]. 遥感学报,2022,26(8):1530 − 1546. [LAI Jibao,KANG Xudong,LU Xukun,et al. A review of land observation satellite remote sensing application technology with new generation artificial intelligence[J]. National Remote Sensing Bulletin,2022,26(8):1530 − 1546. (in Chinese with English abstract)] DOI: 10.11834/j.issn.1007-4619.2022.8.ygxb202208004 LAI Jibao, KANG Xudong, LU Xukun, et al. A review of land observation satellite remote sensing application technology with new generation artificial intelligence［J］. National Remote Sensing Bulletin, 2022, 26（8）: 1530 − 1546. （in Chinese with English abstract） DOI: 10.11834/j.issn.1007-4619.2022.8.ygxb202208004
[4] 黄昕,李家艺. 人工智能-遥感大数据时代的《遥感图像智能解译》课程教学设计与思考[J]. 测绘地理信息,2022,47(增刊1):219 − 222. [HUANG Xin,LI Jiayi. Discussion on teaching design of intelligent interpretation of remote sensing images in the era of artificial intelligence and remote sensing big data[J]. Journal of Geomatics,2022,47(Sup 1):219 − 222. (in Chinese with English abstract)] HUANG Xin, LI Jiayi. Discussion on teaching design of intelligent interpretation of remote sensing images in the era of artificial intelligence and remote sensing big data［J］. Journal of Geomatics, 2022, 47（Sup 1）: 219 − 222. （in Chinese with English abstract）
[5] 龚健雅,张觅,胡翔云,等. 智能遥感深度学习框架与模型设计[J]. 测绘学报,2022,51(4):475 − 487. [GONG Jianya,ZHANG Mi,HU Xiangyun,et al. The design of deep learning framework and model for intelligent remote sensing[J]. Acta Geodaetica et Cartographica Sinica,2022,51(4):475 − 487. (in Chinese with English abstract)] DOI: 10.11947/j.issn.1001-1595.2022.4.chxb202204002 GONG Jianya, ZHANG Mi, HU Xiangyun, et al. The design of deep learning framework and model for intelligent remote sensing［J］. Acta Geodaetica et Cartographica Sinica, 2022, 51（4）: 475 − 487. （in Chinese with English abstract） DOI: 10.11947/j.issn.1001-1595.2022.4.chxb202204002
[6] 汉秋,王敬宇,赵理华. 基于人工智能的自然资源要素遥感解译的建设应用[J]. 中国测绘,2021(7):66 − 69. [HAN Qiu,WANG Jingyu,ZHAO Lihua. Construction and application of remote sensing interpretation of natural resources elements based on artificial intelligence[J]. China Surveying and Mapping,2021(7):66 − 69. (in Chinese with English abstract)] DOI: 10.3969/j.issn.1005-6831.2021.07.017 HAN Qiu, WANG Jingyu, ZHAO Lihua. Construction and application of remote sensing interpretation of natural resources elements based on artificial intelligence［J］. China Surveying and Mapping, 2021（7）: 66 − 69. （in Chinese with English abstract） DOI: 10.3969/j.issn.1005-6831.2021.07.017
[7] 欧阳松. 地学知识嵌入的遥感影像深度语义分割方法研究[D]. 武汉:武汉大学,2021. [OUYANG Song. Research on depth semantic segmentation method of remote sensing image embedded with geoscience knowledge[D]. Wuhan:Wuhan University,2021. (in Chinese with English abstract)] OUYANG Song. Research on depth semantic segmentation method of remote sensing image embedded with geoscience knowledge［D］. Wuhan: Wuhan University, 2021. （in Chinese with English abstract）
[8] 人工智能正成为遥感大数据的“解译侠”[J]. 电子技术与软件工程,2019(15):12. [Artificial intelligence is becoming the “interpreter” of remote sensing big data[J]. Electronic Technology & Software Engineering,2019(15):12. (in Chinese)] Artificial intelligence is becoming the “interpreter” of remote sensing big data［J］. Electronic Technology & Software Engineering, 2019（15）: 12. （in Chinese）
[9] 葛大庆. 地质灾害早期识别与监测预警中的综合遥感应用[J]. 城市与减灾,2018(6):53 − 60. [GE Daqing. Application of integrated remote sensing in early identification,monitoring and early warning of geological disasters[J]. City and Disaster Reduction,2018(6):53 − 60. (in Chinese with English abstract)] DOI: 10.3969/j.issn.1671-0495.2018.06.011 GE Daqing. Application of integrated remote sensing in early identification, monitoring and early warning of geological disasters［J］. City and Disaster Reduction, 2018（6）: 53 − 60. （in Chinese with English abstract） DOI: 10.3969/j.issn.1671-0495.2018.06.011
[10] 许强. 对滑坡监测预警相关问题的认识与思考[J]. 工程地质学报,2020,28(2):360 − 374. [XU Qiang. Understanding the landslide monitoring and early warning:consideration to practical issues[J]. Journal of Engineering Geology,2020,28(2):360 − 374. (in Chinese with English abstract)] DOI: 10.13544/j.cnki.jeg.2020-025 XU Qiang. Understanding the landslide monitoring and early warning: consideration to practical issues［J］. Journal of Engineering Geology, 2020, 28（2）: 360 − 374. （in Chinese with English abstract） DOI: 10.13544/j.cnki.jeg.2020-025
[11] 葛大庆,戴可人,郭兆成,等. 重大地质灾害隐患早期识别中综合遥感应用的思考与建议[J]. 武汉大学学报(信息科学版),2019,44(7):949 − 956. [GE Daqing,DAI Keren,GUO Zhaocheng,et al. Early identification of serious geological hazards with integrated remote sensing technologies:thoughts and recommendations[J]. Geomatics and Information Science of Wuhan University,2019,44(7):949 − 956. (in Chinese with English abstract)] GE Daqing, DAI Keren, GUO Zhaocheng, et al. Early identification of serious geological hazards with integrated remote sensing technologies: thoughts and recommendations［J］. Geomatics and Information Science of Wuhan University, 2019, 44（7）: 949 − 956. （in Chinese with English abstract）
[12] 朱建军,杨泽发,李志伟. InSAR矿区地表三维形变监测与预计研究进展[J]. 测绘学报,2019,48(2):135 − 144. [ZHU Jianjun,YANG Zefa,LI Zhiwei. Recent progress in retrieving and predicting mining-induced 3D displace-ments using InSAR[J]. Acta Geodaetica et Cartographica Sinica,2019,48(2):135 − 144. (in Chinese with English abstract)] DOI: 10.11947/j.AGCS.2019.20180188 ZHU Jianjun, YANG Zefa, LI Zhiwei. Recent progress in retrieving and predicting mining-induced 3D displace-ments using InSAR［J］. Acta Geodaetica et Cartographica Sinica, 2019, 48（2）: 135 − 144. （in Chinese with English abstract） DOI: 10.11947/j.AGCS.2019.20180188
[13] 郭庆华,胡天宇,刘瑾,等. 轻小型无人机遥感及其行业应用进展[J]. 地理科学进展,2021,40(9):1550 − 1569. [GUO Qinghua,HU Tianyu,LIU Jin,et al. Advances in light weight unmanned aerial vehicle remote sensing and major industrial applications[J]. Progress in Geography,2021,40(9):1550 − 1569. (in Chinese with English abstract)] DOI: 10.18306/dlkxjz.2021.09.010 GUO Qinghua, HU Tianyu, LIU Jin, et al. Advances in light weight unmanned aerial vehicle remote sensing and major industrial applications［J］. Progress in Geography, 2021, 40（9）: 1550 − 1569. （in Chinese with English abstract） DOI: 10.18306/dlkxjz.2021.09.010
[14] 许强,郭晨,董秀军. 地质灾害航空遥感技术应用现状及展望[J]. 测绘学报,2022,51(10):2020 − 2033. [XU Qiang,GUO Chen,DONG Xiujun. Application status and prospect of aerial remote sensing technology for geohazards[J]. Acta Geodaetica et Cartographica Sinica,2022,51(10):2020 − 2033. (in Chinese with English abstract)] XU Qiang, GUO Chen, DONG Xiujun. Application status and prospect of aerial remote sensing technology for geohazards［J］. Acta Geodaetica et Cartographica Sinica, 2022, 51（10）: 2020 − 2033. （in Chinese with English abstract）
[15] 王昆,杨鹏,吕文生,等. 无人机遥感在矿业领域应用现状及发展态势[J]. 工程科学学报,2020,42(9):1085 − 1095. [WANG Kun,YANG Peng,LYU Wensheng,et al. Current status and development trend of UAV remote sensing applications in the mining industry[J]. Chinese Journal of Engineering,2020,42(9):1085 − 1095. (in Chinese with English abstract)] WANG Kun, YANG Peng, LYU Wensheng, et al. Current status and development trend of UAV remote sensing applications in the mining industry［J］. Chinese Journal of Engineering, 2020, 42（9）: 1085 − 1095. （in Chinese with English abstract）
[16] 汪美华,赵慧,倪天翔, 等. 近30年滑坡研究文献图谱可视化分析[J]. 中国地质灾害与防治学报,2023,34(4):75 − 85. [WANG Meihua, ZHAO Hui, NI Tianxiang, et al. Visualization analysis of research literature map on landslides in the past 30 years[J]. The Chinese Journal of Geological Hazard and Control,2023,34(4):75 − 85. (in Chinese with English abstract)] WANG Meihua, ZHAO Hui, NI Tianxiang, et al. Visualization analysis of research literature map on landslides in the past 30 years［J］. The Chinese Journal of Geological Hazard and Control, 2023, 34（4）: 75 − 85. （in Chinese with English abstract）
[17] 董文,潘建平,阳振宇,等. 高分二号卫星数据在地质灾害调查中的应用——以重庆万州区为例[J]. 中国地质灾害与防治学报,2019,30(1):106 − 111. [DONG Wen,PAN Jianping,YANG Zhenyu,et al. Application of GF-2 satellite data in geological hazard survey:A case study in Wanzhou District of Chongqing City[J]. The Chinese Journal of Geological Hazard and Control,2019,30(1):106 − 111. (in Chinese with English abstract)] DOI: 10.16031/j.cnki.issn.1003-8035.2019.01.13 DONG Wen, PAN Jianping, YANG Zhenyu, et al. Application of GF-2 satellite data in geological hazard survey: A case study in Wanzhou District of Chongqing City［J］. The Chinese Journal of Geological Hazard and Control, 2019, 30（1）: 106 − 111. （in Chinese with English abstract） DOI: 10.16031/j.cnki.issn.1003-8035.2019.01.13
[18] 张幼莹,余江宽,张丹丹,等. 国产卫星影像本底数据更新的实用方案——以地质灾害易发区遥感影像为例[J]. 国土资源遥感,2017,29(1):149 − 157. [ZHANG Youying,YU Jiangkuan,ZHANG Dandan,et al. Practical solution for background data update of domestic satellite images:A case study of remote sensing images of geological hazard prone areas[J]. Remote Sensing for Land & Resources,2017,29(1):149 − 157. (in Chinese with English abstract)] ZHANG Youying, YU Jiangkuan, ZHANG Dandan, et al. Practical solution for background data update of domestic satellite images: A case study of remote sensing images of geological hazard prone areas［J］. Remote Sensing for Land & Resources, 2017, 29（1）: 149 − 157. （in Chinese with English abstract）
[19] 许强. 对地质灾害隐患早期识别相关问题的认识与思考[J]. 武汉大学学报(信息科学版),2020,45(11):1651 − 1659. [XU Qiang. Understanding and consideration of related issues in early identification of potential geohazards[J]. Geomatics and Information Science of Wuhan University,2020,45(11):1651 − 1659. (in Chinese with English abstract)] XU Qiang. Understanding and consideration of related issues in early identification of potential geohazards［J］. Geomatics and Information Science of Wuhan University, 2020, 45（11）: 1651 − 1659. （in Chinese with English abstract）
[20] 许强,董秀军,李为乐. 基于天-空-地一体化的重大地质灾害隐患早期识别与监测预警[J]. 武汉大学学报(信息科学版),2019,44(7):957 − 966. [XU Qiang,DONG Xiujun,LI Weile. Integrated space-air-ground early detection,monitoring and warning system for potential catastrophic geohazards[J]. Geomatics and Information Science of Wuhan University,2019,44(7):957 − 966. (in Chinese with English abstract)] XU Qiang, DONG Xiujun, LI Weile. Integrated space-air-ground early detection, monitoring and warning system for potential catastrophic geohazards［J］. Geomatics and Information Science of Wuhan University, 2019, 44（7）: 957 − 966. （in Chinese with English abstract）
[21] 段杰斌. 基于循环神经网络的太原西山山区滑坡预测研究[D]. 西安:西安科技大学,2020. [DUAN Jiebin. Study on landslide prediction in Xishan Mountain area of Taiyuan based on cyclic neural network[D]. Xi’an:Xi’an University of Science and Technology,2020. (in Chinese with English abstract)] DUAN Jiebin. Study on landslide prediction in Xishan Mountain area of Taiyuan based on cyclic neural network［D］. Xi’an: Xi’an University of Science and Technology, 2020. （in Chinese with English abstract）
[22] 孙启新. 面向卷积神经网络场景解译的地质灾害遥感影像样本库建设研究[D]. 成都:西南交通大学,2019. [SUN Qixin. Research on the construction of geological disaster remote sensing image sample database for convolutional neural network scene interpretation[D]. Chengdu:Southwest Jiaotong University,2019. (in Chinese with English abstract)] SUN Qixin. Research on the construction of geological disaster remote sensing image sample database for convolutional neural network scene interpretation［D］. Chengdu: Southwest Jiaotong University, 2019. （in Chinese with English abstract）
[23] 张茂省,贾俊,王毅,等. 基于机器学习(machine learning)的地质灾害防控体系建设[J]. 西北地质,2019,52(2):103 − 116. [ZHANG Maosheng,JIA Jun,WANGYi,et al. Construction of geological disaster prevention and control system base on machine learning[J]. Northwestern Geology,2019,52(2):103 − 116. (in Chinese with English abstract)] ZHANG Maosheng, JIA Jun, WANGYi, et al. Construction of geological disaster prevention and control system base on machine learning［J］. Northwestern Geology, 2019, 52（2）: 103 − 116. （in Chinese with English abstract）
[24] 葛涛涛. 基于机器学习算法的日喀则地区泥石流易发性研究[D]. 南京:南京信息工程大学,2019. [GE Taotao. Study on the susceptibility of debris flow in Xigaze area based on machine learning algorithm[D]. Nanjing:Nanjing University of Information Science & Technology,2019. (in Chinese with English abstract)] GE Taotao. Study on the susceptibility of debris flow in Xigaze area based on machine learning algorithm［D］. Nanjing: Nanjing University of Information Science & Technology, 2019. （in Chinese with English abstract）
[25] 梁柱. 机器学习在浅层滑坡敏感性评价中的综合应用与研究[D]. 长春:吉林大学,2021. [LIANG Zhu. Comprehensive application and research of machine learning in sensitivity evaluation of shallow landslide[D]. Changchun:Jilin University,2021. (in Chinese with English abstract)] LIANG Zhu. Comprehensive application and research of machine learning in sensitivity evaluation of shallow landslide［D］. Changchun: Jilin University, 2021. （in Chinese with English abstract）
[26] 程刚,王振雪,李刚强,等. 我国滑坡监测文献计量研究的可视化分析[J]. 中国安全科学学报,2022,32(7):172 − 179. [CHENG Gang,WANG Zhenxue,LI Gangqiang,et al. Visual analysis of bibliometric research on landslide monitoring in China[J]. China Safety Science Journal,2022,32(7):172 − 179. (in Chinese with English abstract)] DOI: 10.16265/j.cnki.issn1003-3033.2022.07.2766 CHENG Gang, WANG Zhenxue, LI Gangqiang, et al. Visual analysis of bibliometric research on landslide monitoring in China［J］. China Safety Science Journal, 2022, 32（7）: 172 − 179. （in Chinese with English abstract） DOI: 10.16265/j.cnki.issn1003-3033.2022.07.2766
[27] 白青林,刘烜良,张军华,等. 基于CV-XGBoost的水下分流河道砂体厚度预测及应用[J]. 吉林大学学报(地球科学版),2023,53(5):1602 − 1610. [BAI Qinglin, LIU Xuanliang, ZHANG Junhua, et al. Sand body thickness prediction of underwater distributary channel based on CV-XGBoost method[J]. Journal of Jilin University (Earth Science Edition),2023,53(5):1602 − 1610. (in Chinese with English abstract)] BAI Qinglin, LIU Xuanliang, ZHANG Junhua, et al. Sand body thickness prediction of underwater distributary channel based on CV-XGBoost method［J］. Journal of Jilin University （Earth Science Edition）, 2023, 53（5）: 1602 − 1610. （in Chinese with English abstract）
[28] 欧阳渊,刘洪,李光明,等. 基于随机森林算法的找矿预测——以冈底斯成矿带西段斑岩——浅成低温热液型铜多金属矿为例[J]. 中国地质,2023,50(2):303 − 330. [OUYANG Yuan, LIU Hong, LI Guangming, et al. Mineral search prediction based on Random Forest algorithm:A case study on porphyry-epithermal copper polymetallic deposits in the western Gangdise meatallogenic belt[J]. Geology in China,2023,50(2):303 − 330. (in Chinese with English abstract)] OUYANG Yuan, LIU Hong, LI Guangming, et al. Mineral search prediction based on Random Forest algorithm: A case study on porphyry-epithermal copper polymetallic deposits in the western Gangdise meatallogenic belt［J］. Geology in China, 2023, 50（2）: 303 − 330. （in Chinese with English abstract）
-
期刊类型引用(6)
1. 王勇，邢振涛，李锁，闫勇，司甜. 基于SBAS-InSAR和光学遥感的天津市北部山区潜在滑坡识别研究. 灾害学. 2025(01): 30-35 . 
百度学术
2. 谢哲，侯照方，谢杰. 基于钻探及室内试验的蒙城县地面沉降量预测. 能源技术与管理. 2025(01): 24-26 . 百度学术
3. 赵志远，葛超英，徐雯佳. 时序InSAR技术对淮扬区域地面沉降监测. 四川地质学报. 2025(01): 162-169 . 百度学术
4. 李幸丽，戴华阳，方军，张豪磊. 基于SBAS-InSAR技术的老采空区注浆充填地表变形时空分布特征分析. 中国矿业. 2024(11): 86-94 . 百度学术
5. 马恩华，李益敏，俞文轩，吕圣彬. 基于InSAR的玉溪市红塔区地面沉降时空分布特征. 人民长江. 2024(S2): 113-120 . 百度学术
6. 李松虎. 亳州市地下水超采现状及存在问题分析. 治淮. 2023(11): 7-9 . 百度学术
其他类型引用(1)
下载:
计量
- 文章访问数:
- HTML全文浏览量:
- PDF下载量:
- 被引次数: 7
邮件订阅
RSS