摘要：小基线集合成孔径雷达干涉测量技术(Small Baseline Subset Interferometric Synthetic Aperture Radar,SBAS-InSAR)因其能够减弱时空失相干、大气延迟效应的影响而在矿区监测中应用广泛.然该技术仍需用到外部参考数字高程模型(Digital Elevation Model,DEM)来去除地形相位,故DEM的精度会直接影响其监测结果的精度,而大范围高精度DEM往往获得困难,且成本较高.为在控制成本的同时得到精度更高的监测结果,本文以武安市某矿区为例,将局部高精度无人机点云生成DEM与大范围的航天飞机雷达地形测绘任务DEM(Shuttle Radar Topography Mission DEM,SRTM DEM)相融合,结合融合结果并利用SBAS-InSAR技术和Sentinel-1 A数据进行监测和分析.结果表明:(1)使用融合DEM作为外部参考DEM所得SBAS-InSAR局部矿区监测结果较原始DEM提高了2~3 mm的监测精度;(2)在使用融合DEM所得的监测结果中,不同地物类别上的点有着不同的监测精度,其中农田土路上的点监测精度最高,灌木上的点精度最低;(3)矿区的沉陷特征变化与工作面的推进息息相关,且多个开采时间相近或重合相邻工作面的共同作用会产生不规则的矿区沉陷盆地.

摘要：超高压输电线路一旦覆冰会造成严重的危害,甚至会影响电网正常运行,预测输电线路覆冰情况对于解决灾害有重要意义。目前提出的预警模型覆冰率预测结果与实际结果相差较大,为了解决上述问题,基于机器视觉设计了一种新的超高压输电线路覆冰灾害分级预警模型,处理超高压输电线机器视觉信息,采集原始图像信息,划分原始图像中的线路特征,确定梯度特征,分析梯度方向,实现梯度增强。利用卷积神经网络对图像进行分类,根据分类结果完成信息处理。同时检测历史覆冰灾害因子、气象因子和线路冰冻因子,根据检测结果建立PSOEM-LSSVM模型,计算预警模型权重,分析综合风险指数的赋权及合理性,对输电线路覆冰风险进行分级,通过指数结果将灾害分为5级,评判灾害程度。实验结果表明,基于机器视觉的超高压输电线路覆冰灾害分级预警模型预警相对误差始终低于0.02%,预警过程不会受到风速影响,能够很好地保证超高压输电线路运行安全性。