D-InSAR和水准数据融合方法研究

doi:10.13474/j.cnki.11-2246.2018.0181

测绘通报 ›› 2018, Vol. 0 ›› Issue (6): 82-85.doi: 10.13474/j.cnki.11-2246.2018.0181

D-InSAR和水准数据融合方法研究

杨帆, 赵增鹏, 张磊, 张子文

辽宁工程技术大学测绘与地理科学学院, 辽宁阜新 123000

收稿日期:2017-08-16 修回日期:2018-04-18 出版日期:2018-06-25 发布日期:2018-07-07
通讯作者: 赵增鹏。E-mail:1300714651@qq.com E-mail:1300714651@qq.com
作者简介:杨帆(1972-),男,博士,教授,主要从事变形监测与预报方向的研究。E-mail:zhaoshao176@163.com
基金资助:
辽宁省教育厅重点实验室基础研究项目（LJZS001）；卫星测绘技术与应用国家测绘地理信息局重点实验室经费（KLSMTA-201707）；辽宁工程技术大学研究生教育创新计划（YS201610）

Research on Method of D-InSAR and Level Data Fusion

YANG Fan, ZHAO Zengpeng, ZHANG Lei, ZHANG Ziwen

School of Geomatics, Liaoning Technical University, Fuxin 123000, China

Received:2017-08-16 Revised:2018-04-18 Online:2018-06-25 Published:2018-07-07

摘要/Abstract

摘要： 地面沉降是一个全球性问题，严重影响了生态环境和可持续发展，因此对地面进行周密的监测和变形预测分析显得尤为重要。针对D-InSAR监测技术在沉降盆地中心区域精度较低，而传统水准测量只能得到有限个点元变形信息的缺点，本文采用集合卡尔曼滤波对D-InSAR值与水准值进行数据同化，从而使同化结果更加符合沉降区域的沉降规律。通过实例验证表明：基于集合卡尔曼滤波的D-InSAR值和水准值数据融合结果相对于D-InSAR值有了很大改善，提高了基地面沉降监测的精度和可靠性；同化后的平均误差为3.10 mm，比D-InSAR值的平均误差6.90 mm有了很大的提高。

关键词: D-InSAR, 集合卡尔曼滤波, 数据融合, 变形监测

Abstract: Ground subsidence is a global problem,which seriously affects the ecological environment and sustainable development.Therefore,it is very important to carry out careful monitoring and deformation prediction on the ground.According to the shortcomings of D-InSAR monitoring technology in the central area of the settlement basin,and the traditional level measurement can only get the finite element deformation information,this paper uses the ensemble Kalman filter to assimilate the D-InSAR data and the level measurement data,so that the assimilation results are more consistent with the settlement law of the subsidence area.The example shows that the results of D-InSAR and leveling data assimilation based on the ensemble Kalman filter have greatly improved the accuracy and reliability of the subsurface settlement monitoring.The average error after assimilation is 3.10 mm,which is much higher than that of D-InSAR value of 6.90 mm.

Key words: D-InSAR, ensemble Kalman filter, data fusion, deformation monitoring

中图分类号:

P258

杨帆, 赵增鹏, 张磊, 张子文. D-InSAR和水准数据融合方法研究[J]. 测绘通报, 2018, 0(6): 82-85.

YANG Fan, ZHAO Zengpeng, ZHANG Lei, ZHANG Ziwen. Research on Method of D-InSAR and Level Data Fusion[J]. 测绘通报, 2018, 0(6): 82-85.

参考文献

[1] HU R L,YUE Z Q,WANG L C,et al.Review on Current Status and Challenging Issuse of Land Subsidence in China[J].Engineering Geology,2004,76(1):65-77.
[2] 刘国祥,张瑞,李陶,等.基于多卫星平台永久散射体雷达干涉提取三维地表形变速度场[J].地球物理学报,2012,55(8):2598-2610.
[3] 舒宁.雷达影像干涉测量原理[M].武汉:武汉大学出版社,2003.
[4] 路旭,匡绍君,贾有良.用InSAR做地面沉降监测的试验研究[J].大地测量与地球动力学,2002,22(4):66-70.
[5] ZHAO Chaoying,DING Xiaoli,ZHANG Qin,et al.Monitoring of Land Subsidence and Ground Fissures in Xi'an China 2005-2006:Mapped by SAR Interferometry[J].Environ Geol,2009,58(3):1533-1540.
[6] 刘国祥,丁晓利.沿海地区D-InSAR形变探测:精度与可应用性分析[J].测绘通报,2006(9):9-13.
[7] 陈春,吴振森,孙树计,等.集合卡尔曼滤波在电离层短期预报中的应用[J].空间科学学报,2010(2):148-153.
[8] EVENSEN G.Sequential Data Assimilation with a Non-linear Quasi-geostrophic Model Using Monte Carlo Methods to Forecast Error Statistics[J].Journal of Geophysical Research Oceans,1994,99(C5):10143-10162.
[9] HOUTEKAMER P L,MITCHELL H L.A Sequential Ensemble Kalman Filter for Atmospheric Data Assimilation[J].Monthly Weather Review,2001,129(1):123-137.
[10] GILLIJINS S,MENDOZA O B,CHANDRASEKAR J,et al.What Is the Ensemble Kalman Filter and How Well Does it Work?[J].American Control Conference,2006(6):4448-4453.
[11] 崔波,张家树,杨宇.基于集合卡尔曼滤波的非线性目标跟踪算法[J].计算机仿真,2013,30(4):317-321.
[12] 董亚宁.基于集合卡尔曼滤波全球臭氧卫星观测资料同化试验研究[D].南京:南京信息工程大学,2016.
[13] 惠雪峰.基于集合卡尔曼滤波的森林资源动态预测[D].南京:南京林业大学,2012.
[14] 米丽倩,查剑锋,王新.老采空区残余沉降的集合卡尔曼滤波预测[J].金属矿山,2012(8):138-141.
[15] 李喜佳,肖志强,王锦地,等.双集合卡尔曼滤波估算时间序列LAI[J].遥感学报,2014,18(1):27-44.

D-InSAR和水准数据融合方法研究

Research on Method of D-InSAR and Level Data Fusion

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	刘春杉, 曾元武, 罗宏明, 程迎轩, 钟小君, 张彤辉, 岳文. 广东省国土空间规划"一张图"实施监督信息系统下的海洋数据融合研究与实践[J]. 测绘通报, 2022, 0(6): 154-157.
[2]	陈兰兰, 夏益强, 肖海平, 刘小生. 露天矿边坡稳定性监测方法研究现状及进展[J]. 测绘通报, 2022, 0(5): 7-13.
[3]	张驰, 白志辉, 李亮, 陈冉丽, 吴侃. 利用三维激光扫描技术监测矿区桥梁结构形变[J]. 测绘通报, 2022, 0(4): 122-129.
[4]	潘东峰, 杨超, 吴一同, 谭钿, 张德林. 利用TLS技术进行地铁隧道断面提取及变形监测分析[J]. 测绘通报, 2022, 0(4): 130-133.
[5]	熊春宝, 庞红星, 王猛, 史青法. 基于ICEEMDAN的多滤波算法在超高层动态变形监测中的应用[J]. 测绘通报, 2022, 0(3): 152-156.
[6]	李培现, 杨中辉, 阎跃观, 袁德宝, 赵艳玲, 范德芹. 基于Moodle的变形监测技术网络课程开发及应用[J]. 测绘通报, 2022, 0(2): 168-173.
[7]	高莎, 袁希平, 甘淑, 杨明龙, 袁新悦, 罗为东. 融合无人机影像与LiDAR点云的山区地表覆被景观特征探测[J]. 测绘通报, 2022, 0(1): 110-115.
[8]	孙保燕, 周鑫, 覃禹程, 韦龙华, 葛广昊. 空地多数据互辅融合技术在大型牌式古建筑重建的应用[J]. 测绘通报, 2022, 0(1): 121-127,132.
[9]	闵星, 罗海涛, 柏文锋. 基于徕卡MS60与深度图像的变形监测研究[J]. 测绘通报, 2021, 0(9): 165-168.
[10]	高莎, 袁希平, 甘淑, 杨亚复, 李霞. 面向复杂山地的机载LiDAR与无人机影像融合应用[J]. 测绘通报, 2021, 0(7): 65-69.
[11]	郭献涛, 黄腾, 贾燕, 张荣春. 利用TLS技术与伪单点监测模式进行滑坡变形测量[J]. 测绘通报, 2021, 0(6): 106-111.
[12]	段伟, 王敏, 吴昊, 刘超. 基于LWR-Pettitt算法的GNSS变形信息的识别与预警[J]. 测绘通报, 2021, 0(5): 124-128,154.
[13]	曹发伟, 廖维谷. SBAS技术在矿区地面沉降监测中的应用[J]. 测绘通报, 2021, 0(3): 156-158,163.
[14]	倪飞, 王浩丞, 杨艺卓, 杨小波. 三维激光扫描技术在高速公路运行非接触式变形监测中的应用[J]. 测绘通报, 2021, 0(3): 164-166.
[15]	吴学雨, 李明峰, 董思学, 王彬, 赵志胜. 利用基于抗差垂直向方差分量估计的GPS-InSAR数据融合方法反演三维形变场[J]. 测绘通报, 2021, 0(12): 38-43.