基于自适应KF的时序InSAR流域库岸形变预测方法技术

本发明专利技术公开基于自适应KF的时序InSAR流域库岸形变预测方法，包括以下步骤：SAR影像选取、影像数据配准、生成差分干涉图、设计自适应卡尔曼滤波器、新增影像处理和形变预测；本发明专利技术根据差分干涉相位模型详细推导自适应卡尔曼滤波器的状态方程和观测方程，与时序InSAR的技术流程相结合建立形变预测的理论模型，有效预测流域库岸大面积观测区域的形变趋势，得到较高精度和高空间分辨率的形变预测值，适用于大范围的流域库岸区域形变预测,且预测精度较高，通过精确预测流域库岸形变量在未来时刻的量值，给相关人员提供预警信息，提示管理者对潜在的形变异常库岸位置进行安全检查，有效减少了灾难发生和财产损失。

【技术实现步骤摘要】
基于自适应KF的时序InSAR流域库岸形变预测方法
本专利技术涉及地域形变监测
，尤其涉及基于自适应KF的时序InSAR流域库岸形变预测方法。
技术介绍
库岸形变指的是库岸边坡在不稳定情况下发生不同方向的位移，一旦岸坡发生大规模位移造成边坡滑动形成边坡灾害，将对水利水电工程的建设和运营安全造成巨大威胁，同时将对工程建设和维护增加成本，延误工期、影响水库正常使用，此外还将导致库区下游民众生命财产损失、对周边自然环境造成破坏，我国是遭受滑坡灾害最为严重的国家之一，流域岸坡特别是水库蓄水后的库岸边坡是滑坡等灾害的高发区域，可见库岸边坡滑坡危害性极大，严重制约着的国民经济发展，因此，对流域库岸进行形变预测来正确地判别其演化变形阶段，为后续采取应急处置措施提供技术支撑十分必要；前我国大部分水利枢纽工程都在坝内外布设了各类传感器和智能化控制设备，并且部分水电站已经实现了监测自动化，如糯扎渡、小湾、漫湾、苗尾和功果桥，但是对于流域库岸的监测还在起步阶段，且在很多情况下，仅掌握流域库岸监测区域的历史形变信息是远远不够的，预测流域库岸形变量在未来时刻的量值，给相关人员提供预警信息，提示管理者对潜在的形变异常库岸位置进行安全检查，并有效减少灾难发生和财产损失，因此，本专利技术提出基于自适应KF的时序InSAR流域库岸形变预测方法以解决现有技术中存在的问题。
技术实现思路
针对上述问题，本专利技术的目的在于提出基于自适应KF的时序InSAR流域库岸形变预测方法，该方法充分利用时序InSAR监测技术对流域库岸进行高精度的形变监测，并通过自适应KF即自适应卡尔曼滤波对检测结果进行滤波，最后得到较高精度和高空间分辨率的形变预测值，适用于大范围的流域库岸形变预测，且预测精度较高。为了实现本专利技术的目的，本专利技术通过以下技术方案实现：基于自适应KF的时序InSAR流域库岸形变预测方法，包括以下步骤：步骤一：SAR影像选取根据合成孔径原理先通过合成孔径雷达采集待预测的流域库岸区域的高分辨微波影像数据，再选取N+1幅不同时间序列的SAR影像数据，然后根据选出的SAR影像通过幅度离差法选取出M个时序点；步骤二：影像数据配准根据步骤一，先选取其中一幅SAR影像作为公共主影像，其余N幅影像作为辅影像并分别与主影像进行配准，再将配准后的影像重采样到同一几何坐标系；步骤三：生成差分干涉图根据步骤二，先将辅影像分别与主影像进行相干处理得到N个干涉对，再借助DEM取出地形相位并得到N幅差分干涉图和各时序点的时间序列差分干涉相位，然后通过差分干涉图和各时序点的时间序列差分干涉相位得到影像对应时刻的形变量；步骤四：设计自适应卡尔曼滤波器先设系统的状态方程和观测方程分别为Xk＝Φk，k-1Xk-1+Wk(1)Lk＝AkXk+ek(2)式中Xk为状态向量，Φk，k-1为状态转移矩阵，Lk为观测值向量，Ak为设计矩阵，Wk和ek是均值为零且协方差矩阵分别为和∑k的相互独立的正态白噪声，再通过三段函数确定基于预测残差向量的自适应因子αk，得到自适应卡尔曼滤波；步骤五：新增影像处理根据步骤四，先从新产生的差分干涉图中减去线性形变对应的相位与参考点二次差分去除相位偏移，得到残余相位，再根据大气相位的时空特性通过自适应卡尔曼滤波器对残余相位在空域进行高通滤波，然后在时间域进行低通滤波，最后估计大气相位的影响并通过校正后的DEM对影像的大气相位影响进行去除；步骤六：差分相位缠解根据步骤五，先重新将线性形变对应的相位加回差分干涉相位中，再对差分干涉相位进行相位解缠；步骤七：形变预测根据步骤六，先通过前一时刻的状态预测当前时刻的状态，初始状态为历史数据最后一幅图像对应时刻的形变向量，然后通过前一时刻的状态协方差矩阵预测当前时刻的协方差矩阵，用来表示状态估计的误差，之后通过分析时序InSAR形变量估计精度来确定初始协方差矩阵，最后由状态协方差矩阵的估计方程完成对未来时刻形变量的预测。进一步改进在于：所述步骤三中，时序点的差分干涉相位为φ(X，tk)＝φtopo(X，bk)+φdefo(X，tk)+φatmo(X，tk)+φnose(X，tk)，k＝1…N.(3)式中X表示目标在图像中的位置，bk表示空间基线，tk表示与主图像之间的时间间隔，φtopo表示DEM误差对应的相位，φdefo表示目标形变相位，φatmo表示大气相位，φnose表示失相关噪声及其他噪声相位。进一步改进在于：所述步骤三中，时序点的形变相位φdefo(X，tk)分为两项式中λ表示雷达波长，v(X)表示目标的平均线性形变速率，μNL表示非线性形变分量。进一步改进在于：所述步骤四中，三段函数为式中c0＝1.0-1.5，c1＝3.0-8.5，ΔXk为判别统计量。进一步改进在于：所述步骤六中，相位缠解公式为式中φtopo表示DEM误差对应的相位，φdefo表示目标形变相位，表示N个时序点的差分干涉相位。进一步改进在于：所述步骤七中，状态预测方程为式中Xk为状态向量，Ak，k-1为从k-1时刻到k时刻的状态转移矩阵，Bk，k-1为转换矩阵，uk-1为对系统的控制量，ξk-1为状态误差，是对状态转移模型的修正。进一步改进在于：所述步骤七中，状态协方差矩阵估计方程为式中Ak，k-1为从k-1时刻到k时刻的状态转移矩阵，T根据实际情况设定，Qk-1为从k-1时刻到k时刻的模型误差协方差矩阵。本专利技术的有益效果为：本专利技术根据差分干涉相位模型详细推导自适应KF即自适应卡尔曼滤波器的状态方程和观测方程，与时序InSAR的技术流程相结合建立形变预测的理论模型，有效预测流域库岸大面积观测区域的形变趋势，得到较高精度和高空间分辨率的形变预测值，适用于大范围的流域库岸区域形变预测，且预测精度较高，通过精确预测流域库岸形变量在未来时刻的量值，给相关人员提供预警信息，提示管理者对潜在的形变异常库岸位置进行安全检查，有效减少了灾难发生和财产损失，对于流域库岸形变的预防有重要的参考价值，具有广阔的应用前景。附图说明图1是本专利技术的步骤流程图。具体实施方式为了加深对本专利技术的理解，下面将结合实施例对本专利技术做进一步详述，本实施例仅用于解释本专利技术，并不构成对本专利技术保护范围的限定。根据图1所示，本实施例提供了基于自适应KF的时序InSAR流域库岸形变预测方法，包括以下步骤：步骤一：SAR影像选取根据合成孔径原理先通过合成孔径雷达采集待预测的流域库岸区域的高分辨微波影像数据，再选取N+1幅不同时间序列的SAR影像数据，然后根据选出的SAR影像通过幅度离差法选取出M个时序点；步骤二：影像数据配准根据步骤一，先选取其中一幅SAR影像作为公共主影像，其余N幅影像作为辅影像并分别与主影像进行配准，再将配准后的影像重采样本文档来自技高网...

【技术保护点】
1.基于自适应KF的时序InSAR流域库岸形变预测方法，其特征在于：包括以下步骤：/n步骤一：SAR影像选取/n根据合成孔径原理先通过合成孔径雷达采集待预测的流域库岸区域的高分辨微波影像数据，再选取N+1幅不同时间序列的SAR影像数据，然后根据选出的SAR影像通过幅度离差法选取出M个时序点；/n步骤二：影像数据配准/n根据步骤一，先选取其中一幅SAR影像作为公共主影像，其余N幅影像作为辅影像并分别与主影像进行配准，再将配准后的影像重采样到同一几何坐标系；/n步骤三：生成差分干涉图/n根据步骤二，先将辅影像分别与主影像进行相干处理得到N个干涉对，再借助DEM取出地形相位并得到N幅差分干涉图和各时序点的时间序列差分干涉相位，然后通过差分干涉图和各时序点的时间序列差分干涉相位得到影像对应时刻的形变量；/n步骤四：设计自适应卡尔曼滤波器/n先设系统的状态方程和观测方程分别为/nX

【技术特征摘要】
1.基于自适应KF的时序InSAR流域库岸形变预测方法，其特征在于：包括以下步骤：
步骤一：SAR影像选取
根据合成孔径原理先通过合成孔径雷达采集待预测的流域库岸区域的高分辨微波影像数据，再选取N+1幅不同时间序列的SAR影像数据，然后根据选出的SAR影像通过幅度离差法选取出M个时序点；
步骤二：影像数据配准
根据步骤一，先选取其中一幅SAR影像作为公共主影像，其余N幅影像作为辅影像并分别与主影像进行配准，再将配准后的影像重采样到同一几何坐标系；
步骤三：生成差分干涉图
根据步骤二，先将辅影像分别与主影像进行相干处理得到N个干涉对，再借助DEM取出地形相位并得到N幅差分干涉图和各时序点的时间序列差分干涉相位，然后通过差分干涉图和各时序点的时间序列差分干涉相位得到影像对应时刻的形变量；
步骤四：设计自适应卡尔曼滤波器
先设系统的状态方程和观测方程分别为
Xk＝Φk，k-1Xk-1+Wk(1)
Lk＝AkXk+ek(2)
式中Xk为状态向量，Φk，k-1为状态转移矩阵，Lk为观测值向量，Ak为设计矩阵，Wk和ek是均值为零且协方差矩阵分别为和∑k的相互独立的正态白噪声，再通过三段函数确定基于预测残差向量的自适应因子αk，得到自适应卡尔曼滤波；
步骤五：新增影像处理
根据步骤四，先从新产生的差分干涉图中减去线性形变对应的相位与参考点二次差分去除相位偏移，得到残余相位，再根据大气相位的时空特性通过自适应卡尔曼滤波器对残余相位在空域进行高通滤波，然后在时间域进行低通滤波，最后估计大气相位的影响并通过校正后的DEM对影像的大气相位影响进行去除；
步骤六：差分相位缠解
根据步骤五，先重新将线性形变对应的相位加回差分干涉相位中，再对差分干涉相位进行相位解缠；
步骤七：形变预测
根据步骤六，先通过前一时刻的状态预测当前时刻的状态，初始状态为历史数据最后一幅图像对应时刻的形变向量，然后通过前一时刻的状态协方差矩阵预测当前时刻的协方差矩阵，用来表示状态估计的误差，之后通过分析时序InSAR形变量估计精度来确定初始协方差矩阵，最后由状态协方差矩阵的估计方程完成对未来时刻形变量的预测。

【专利技术属性】
技术研发人员：周伟，马洪琪，肖海斌，周志伟，迟福东，郝卫峰，陈鸿杰，程翔，马刚，
申请(专利权)人：华能澜沧江水电股份有限公司，武汉大学，华能集团技术创新中心有限公司，
类型：发明
国别省市：云南;53