一种基于PS-InSAR技术的房屋风险评估方法[发明专利]

(19)中华人民共和国国家知识产权局
(12)发明专利申请
(10)申请公布号 (43)申请公布日 (21)申请号 201811443400.4
(22)申请日 2018.11.29
(71)申请人 北京东方至远科技股份有限公司
地址 100191 北京市海淀区花园北路14号
66幢2层207号
(72)发明人 朱茂　谢传高　葛春青　乔竹萍　
张庭瑞　吴隐　胡琼　李吉平　
(74)专利代理机构 北京中南长风知识产权代理
事务所(普通合伙) 11674
代理人 郑海
(51)Int.Cl.
G01S 13/90(2006.01)
G01C 5/00(2006.01)
G01B 15/06(2006.01)
(54)发明名称一种基于PS-InSAR技术的房屋风险评估方法(57)摘要本发明公开了合成孔径雷达干涉技术技术领域的一种基于PS -InSAR技术的房屋风险评估方法，利用N幅SAR影像数据，通过永久散射体合成孔径雷达干涉测量技术，获取房屋表面的PS 点；依据PS点的历史沉降信息和空间分布，对单栋房屋内PS点进行聚类，聚类后点能够很好的表示该小片区域沉降状况；对单栋房屋内聚类后点，计算点对间的倾斜率，比较得到最大倾斜，并获得倾斜历史曲线，作为该栋房屋危险等级的评判依据；时间维度上，借助信号处理的方法，将倾斜时序曲线分解为两个主要的分量：规则周期形变和分段线性形变，在去除周期分量后，分析每个识别的时间分区的速度变化，以检测异常速度和加速，综合房屋类型、最大累计沉降、倾斜率，
对房屋稳定性进行评价。

权利要求书2页 说明书5页 附图7页CN 109991601 A 2019.07.09
C N 109991601
A
1.一种基于PS-InSAR技术的房屋风险评估方法，其特征在于，该种基于PS-InSAR技术的房屋风险评估方法具体步骤如下：
S1：挑选目标区域最合适的时间序列SAR影像，符合时间间隔较优、无雷暴影像等条件，生成InSAR大数据库，导入目标区域的房屋矢量框，遍历搜索，确定每栋建筑内的PS点，记录每栋建筑中PS点数量；
S2：找出PS点数量为0的建筑，这类建筑没有观测信息，无法做出评价，对于PS数量大于0的建筑，进行聚类处理，并剔除奇异PS点；判断聚类后点的数量和空间分布，判别房屋类型，分为Ⅰ、Ⅱ两种类型；
S3：Ⅰ类房屋无法计算倾斜，通过比较各个聚类后点的累计沉降得出该栋房屋的最大沉降信息，Ⅱ类房屋，可以同时计算倾斜和最大沉降，计算最大沉降方式和Ⅰ类房屋一致，倾斜是计算点对间不均匀沉降除以距离得到的，取房屋内点对间最大倾斜，作为后续的评判标注；
S4：获取到房屋关键点的沉降曲线以及倾斜曲线，挖掘时序沉降信息，分析近期形变速率是否加速，以及近期形变速率是否过大，作为后续评判标准；
S5：基于InSAR大数据，综合房屋类型、房屋监测到最大沉降、房屋检测到最大倾斜、房屋近期形变速率、房屋近期形变速率加速情况，对房屋风险进行评价。

2.根据权利要求1所述的一种基于PS-InSAR技术的房屋风险评估方法，其特征在于：所述步骤S2中聚类处理为根据聚类后点坐标，取该点簇坐标均值，聚类后点时序沉降量为该点簇时序沉降量均值，当所有点对的距离都大于十米或者所有点对间的曲线相似程度都小于阈值，层次聚类完成。

3.根据权利要求1所述的一种基于PS-InSAR技术的房屋风险评估方法，其特征在于：所述步骤S3中Ⅰ类房屋为一个聚类点或者多个聚类点没有大于距离阈值的点对。

4.根据权利要求1所述的一种基于PS-InSAR技术的房屋风险评估方法，其特征在于：所述步骤S3中Ⅱ类房屋为至少有两个收敛点。

5.根据权利要求1所述的一种基于PS-InSAR技术的房屋风险评估方法，其特征在于：所述S4中时序沉降信息包括包括周期性分量的估计、断点数量的确定、断点位置的确定、分段直线的拟合。

6.根据权利要求5所述的一种基于PS-InSAR技术的房屋风险评估方法，其特征在于：所述周期性分量的估计模型为：
采用带有m个断点多元线性回归模型，对PS点非线性沉降进行分析，分解为周期性沉降、线性沉降两个部分：
其中，d i是i时刻的沉降量，v是分段速率，b是分段截距，t是观测时间序列，A和是周期性变形系数，在整个监测周期内是相同的。

7.根据权利要求5所述的一种基于PS-InSAR技术的房屋风险评估方法，其特征在于：所
述断点数量的确定和断点位置的确定采用动态规划技术，根据断点数量和断点位置，基于迭代最小二乘，最小化残差平方和计算分段斜率、分段截距。

一种基于PS-InSAR技术的房屋风险评估方法
技术领域
[0001]本发明涉及合成孔径雷达干涉技术领域，具体为一种基于PS-InSAR技术的房屋风险评估方法。

背景技术
[0002]建筑沉降是指地基变形使得建筑离开初始位置时沿重力方向移动的现象，引起建筑沉降的因素很多，包括自然因素和建筑开发建设过程中人为因素。

综合而言，建筑地基的工程地质条件、水文地质条件、土壤的物理性质、大气温度与地下水的季节性和周期性变化，建筑物自身载荷大小、结构类型、高度及外部荷载是引起建筑物沉降的主要原因。

[0003]建筑物的不均匀沉降容易引起房屋的基础部分的结构因受力的差异，造成基础建筑物局部的坍塌、下沉、平移，从而破坏了房屋整体结构。

因为地基的不均匀的沉降问题容易引起的建筑物主体的断裂、墙体出现裂缝、结构发生位移，造成建筑物基础部分与地基土层接触上形成不接触或是接触不够牢固，容易让整个建筑物存在在一个受力和支撑不均匀的状况中，导致建筑物出现严重的破坏现象。

[0004]目前传统的房屋监测包括水准测量、GNSS测量、静力水准测量。

[0005]水准测量：在地面两点间安置水准仪，观测竖立在两点上的水准标尺，按尺上读数推算两点间的高差。

通常由水准原点或任一已知高程点出发，沿选定的水准路线逐站测定各点的高程。

[0006]GNSS测量：利用四颗以上全球定位卫星，接收机实时接收卫星信号，并解算接收机所在的位置，达到实时监测的效果。

[0007]静力水准：静力水准系统是测量高差及其变化的精密仪器，静力水准系统一般安装在被测物体等高的测墩上或被测物体墙壁等高线上，通常采用一体化模块化自动测量单元采集数据，通过有线或无线通讯与计算机连接，从而实现自动化观测。

[0008]常规沉降监测技术测定点的形变值，其优点是：
[0009](1)能够提供变形体整体的变形状态；
[0010](2)适用于不同的监测精度、不同形式的变形体和不同的监测环境；
[0011](3)可以提供绝对变形信息.
[0012]城市房屋数量众多，利用水准测量和倾斜测量进行监测，需要耗费大量的人力物力；传统监测，一般测量的是当下绝对值，无法对未来做出预期，成本高，需要协调一定的专业技术人员、一起进行测量工作，响应速度慢，城市房屋众多，逐栋测量，时间跨度较长，工程量巨大，自动化程度低，人力全程参与。

[0013]InSAR技术能够高效率、高质量监测房屋，InSAR技术通过雷达卫星向目标区域发射微波，然后接收目标反射的回波，得到同一目标区域成像的SAR复图像对，若复图像对之间存在相干条件，SAR复图像对共轭相乘可以得到干涉图，根据干涉图的相位值，得出两次成像中微波的路程差，从而计算出目标地区的地形、地貌以及表面的微小变化，精度达到毫米级。

[0014]InSAR监测房屋有如下优点：
[0015](1)精度高
[0016](2)监测范围广
[0017](3)自动化程度高
[0018]基于此，本发明设计了一种基于PS-InSAR技术的房屋风险评估方法，以解决上述问题。

发明内容
[0019]本发明的目的在于提供一种能够高效率、高质量监测房屋，精度高、监测范围广、自动化程度高的基于PS-InSAR技术的房屋风险评估方法，以解决上述背景技术中提出的问题。

[0020]为实现上述目的，本发明提供如下技术方案：一种基于PS-InSAR技术的房屋风险评估方法，该种基于PS-InSAR技术的房屋风险评估方法具体步骤如下：
[0021]S1：挑选目标区域最合适的时间序列SAR影像，符合时间间隔较优、无雷暴影像等条件，生成InSAR大数据库，导入目标区域的房屋矢量框，遍历搜索，确定每栋建筑内的PS 点，记录每栋建筑中PS点数量；
[0022]S2：找出PS点数量为0的建筑，这类建筑没有观测信息，无法做出评价，对于PS数量大于0的建筑，进行聚类处理，并剔除奇异PS点；判断聚类后点的数量和空间分布，判别房屋类型，分为Ⅰ、Ⅱ两种类型；
[0023]S3：Ⅰ类房屋无法计算倾斜，通过比较各个聚类后点的累计沉降得出该栋房屋的最大沉降信息，Ⅱ类房屋，可以同时计算倾斜和最大沉降，计算最大沉降方式和Ⅰ类房屋一致，倾斜是计算点对间不均匀沉降除以距离得到的，取房屋内点对间最大倾斜，作为后续的评判标注；
[0024]S4：获取到房屋关键点的沉降曲线以及倾斜曲线，挖掘时序沉降信息，分析近期形变速率是否加速，以及近期形变速率是否过大，作为后续评判标准；
[0025]S5：基于InSAR大数据，综合房屋类型、房屋监测到最大沉降、房屋检测到最大倾斜、房屋近期形变速率、房屋近期形变速率加速情况，对房屋风险进行评价。

[0026]优选的，所述步骤S2中聚类处理为根据聚类后点坐标，取该点簇坐标均值，聚类后点时序沉降量为该点簇时序沉降量均值，当所有点对的距离都大于十米或者所有点对间的曲线相似程度都小于阈值，层次聚类完成。

[0027]优选的，所述步骤S3中Ⅰ类房屋为一个聚类点或者多个聚类点没有大于距离阈值的点对。

[0028]优选的，所述步骤S3中Ⅱ类房屋为至少有两个收敛点。

[0029]优选的，所述S4中时序沉降信息包括包括周期性分量的估计、断点数量的确定、断点位置的确定、分段直线的拟合。

[0030]优选的，所述周期性分量的估计模型为：
[0031]采用带有m个断点多元线性回归模型，对PS点非线性沉降进行分析，分解为周期性沉降、线性沉降两个部分：
[0032]
[0033]其中，d i是i时刻的沉降量，v是分段速率，b是分段截距，t是观测时间序列，A和是周期性变形系数，在整个监测周期内是相同的。

[0034]优选的，所述断点数量的确定和断点位置的确定采用动态规划技术，根据断点数量和断点位置，基于迭代最小二乘，最小化残差平方和计算分段斜率、分段截距。

[0035]与现有技术相比，本发明的有益效果是：本发明借助雷达卫星，通过多次重复对目标区域的测量，能够获取到建筑精细、微小形变，InSAR监测精度能够达到mm级；卫星监测的范围广，整幅影像能够覆盖整个城区；速度快，人为干预少，本套系统只需前期极少量人为干预，能够自动实时出具风险报告。

针对目标检测区域，能够快捷、高效、精准的出具房屋风险报告。

[0036]InSAR技术能够高效率、高质量监测房屋，精度高、监测范围广、自动化程度高。

附图说明
[0037]为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

[0038]图1为本发明房屋排查系统流程图；
[0039]图2为本发明房屋风险评级流程图；
[0040]图3为本发明时序分析流程图；
[0041]图4为本发明时序分析流程图；
[0042]图5为本发明PSP-InSAR数据结果展示图；
[0043]图6为本发明单栋房屋PS点分布展示图；
[0044]图7为本发明单栋房屋聚类后点展示图；
[0045]图8为本发明聚类后点原始沉降曲线图；
[0046]图9为本发明聚类后点分段线性拟合折线图；
[0047]图10为本发明原始倾斜曲线图；
[0048]图11为本发明分段线性拟合后倾斜折线图。

具体实施方式
[0049]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

[0050]请参阅图1-4，本发明提供一种技术方案：一种基于PS-InSAR技术的房屋风险评估
方法，该种基于PS-InSAR技术的房屋风险评估方法具体步骤如下：
[0051]S1：挑选目标区域最合适的时间序列SAR影像，符合时间间隔较优、无雷暴影像等条件，生成InSAR大数据库，导入目标区域的房屋矢量框，建筑投影到地面，得到的二维封闭边缘线称为建筑矢量框，能够简洁的反映建筑外部轮廓，并存有房屋矢量框角点坐标，遍历搜索，根据PS的坐标信息和房屋的角点坐标信息，将PS点分配各个建筑矢量框内，确定每栋建筑内的PS点，记录每栋建筑中PS点数量；
[0052]S2：找出PS点数量为0的建筑，这类建筑没有观测信息，无法做出评价，对于PS数量大于0的建筑，进行聚类处理，根据聚类后点坐标，取该点簇坐标均值，聚类后点时序沉降量为该点簇时序沉降量均值，当所有点对的距离都大于十米或者所有点对间的曲线相似程度都小于阈值，层次聚类完成，并剔除奇异PS点，奇异点一般和较大PS点群相聚较远且曲线相似度很低，判断聚类后点的数量和空间分布，聚类后的点，由于做过多次平均，抑制了随机噪声，能够很好的描述该点所在小范围区域沉降情况，且可靠性得到了提升，经过聚类后，每栋建筑会存在数量不等的聚类后点，根据房屋矢量框内的聚类点数量及空间分布，判定房屋类型，分为Ⅰ、Ⅱ两种类型；
[0053]S3：Ⅰ类房屋，Ⅰ类房屋为一个聚类点或者多个聚类点没有大于距离阈值的点对，无法计算倾斜，在这种情况下，聚类后点的实测沉降值将被用来评估，通过比较各个聚类后点的累计沉降得出该栋房屋的最大沉降信息，Ⅱ类房屋，Ⅱ类房屋为至少有两个收敛点，对于这样的建筑，可以使用识别潜在危险情况的两种不同标准:最大值实测沉降值和最大实测差异沉降值，可以同时计算倾斜和最大沉降，计算最大沉降方式和Ⅰ类房屋一致，倾斜是计算点对间不均匀沉降除以距离得到的，取房屋内点对间最大倾斜，作为后续的评判标注；[0054]Ⅱ类房屋存在多个聚类后点，聚类后点两两组成点对，若两点间距离大于阈值，则计算两点间的沉降差值，除以距离，得到两点间的倾斜值。

并求解房屋内最大累计倾斜值用于后期判断房屋的危险等级；
[0055]S4：获取到房屋关键点的沉降曲线以及倾斜曲线，挖掘时序沉降信息，时序沉降信息包括包括周期性分量的估计、断点数量的确定、断点位置的确定、分段直线的拟合，所述周期性分量的估计模型为：
[0056]采用带有m个断点多元线性回归模型，对PS点非线性沉降进行分析，分解为周期性沉降、线性沉降两个部分：
[0057]
[0058]其中，d i是i时刻的沉降量，v是分段速率，b是分段截距，t是观测时间序列，A和是周期性变形系数，在整个监测周期内是相同的。

[0059]周期分量描述的是一个有规律的伸缩运动，在不同的目标上振幅不同。

分段线性组件代表在每个时间分区变形的趋势,这是重要的风险评估指标。

对于大多数PS点,热胀冷缩是PS沉降发育曲线中周期性分量的主要来源，所以运用正弦模型来描述这个周期性分量。

[0060]借助动态规划技术，用于确定断点个数、断点位置；基于迭代最小二乘，最小化残
差平方和计算分段斜率、分段截距。

每个时间间隔的最小长度和最大中断次数可以根据特定PS点沉降情况进行调整：PS位移测量的噪声水平越高对应时间分区的最大长度越小，噪声水平越低对应时间分区的最大长度越大。

通常，单一PS点比聚类后点噪声水平高得多。

因此，通过使用聚类后点，而不是单一PS点，可以帮助检测更突然的变化，并具有更高的置信度。

[0061]分析近期形变速率是否加速，以及近期形变速率是否过大，作为后续评判标准；[0062]S5：基于InSAR大数据，综合房屋类型、房屋监测到最大沉降、房屋检测到最大倾斜、房屋近期形变速率、房屋近期形变速率加速情况，对房屋风险进行评价。

[0063]风险判决：
[0064]0类房屋：由于房屋矢量框内，没有PS点，无法对房屋进行风险判决
[0065]Ⅰ类房屋：找出最大沉降的聚类后点，并计算近期形变速率，判断沉降是否超标，以及近期沉降是否加速。

[0066]Ⅱ类房屋：找出最大沉降的聚类后点，并计算近期形变速率，判断沉降是否超标，以及近期沉降是否加速；找出最大倾斜值，判断是否超过阈值，并计算近期倾斜速率，判断是否加速。

[0067]实施例一
[0068]采用共计57期SAR数据，空间分辨率为3m×3m，幅宽为40km，时间间隔较为均匀，时间间隔约为一月一期，数据质量较优。

[0069]使用PSP算法，生产出InSAR大数据库，共计1000多万PS点，见图5。

[0070]通过遍历得到每栋房屋内对应的PS点，使用聚类减小数据冗余、剔除奇异值。

如图6所示，是某栋房屋内PS点分布情况，共计有44个PS点，图7展示的是某房屋内聚类点分布情况，共有两个聚类后点，两点相聚14米。

[0071]见图8、图9、图10和图11对沉降数据和倾斜曲线时序分析，滤除周期性变量，确定断点数、断点位置、分段斜率、分段截距。

[0072]房屋类型为Ⅱ，累计倾斜为-1.7‰，房屋风险等级为3。

[0073]在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。

在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。

而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

[0074]以上公开的本发明优选实施例只是用于帮助阐述本发明。

优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。

显然，根据本说明书的内容，可作很多的修改和变化。

本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。

本发明仅受权利要求书及其全部范围和等效物的限制。

图1
图2
图3
图4
图5
图6
图7
图8
图9
图10
图11。