一种基于深度神经网络的滑坡地形检测方法技术

本发明专利技术提供了一种基于深度神经网络的滑坡地形检测方法，采集滑坡遥感影像、数字高程模型数据，获取滑坡具体范围坐标并生成滑坡标注图；对滑坡遥感影像、数字高程模型和滑坡标注图作数据预处理；构建以DeepLab V3+为架构的地质特征提取模型并从遥感地形数据集中提取丰富的地质特征；融合滑坡遥感影像特征和数字高程模型特征，结合滑坡领域知识，加载地质特征参数，在DeepLab V3+架构基础上实现地形分割模型，完成像素级别粒度的滑坡地形分割，达到滑坡地形检测的目的。

A method of landslide terrain detection based on depth neural network

【技术实现步骤摘要】
一种基于深度神经网络的滑坡地形检测方法
本专利技术属于地质灾害预测
，具体涉及一种基于遥感影像和数字高程模型数据的深度神经网络的滑坡地形检测方法。
技术介绍
“地质灾害隐患”多分布于广袤西部地区，交通、通讯、电力等条件极不便利，人工核查十分困难。我国平均每年因为滑坡造成的伤亡1千余人、受灾人口90多万、直接经济损失高达20-60亿元。如何对地质灾害隐患点，特别是对危害极大的山体滑坡等地质灾害地带进行长期有效监测并及时预警，保护人民生命安全，减少人民群众的财产损失，是地质监测人员和相关地质灾害应急管理部门亟需解决的关键难题。目前流行的滑坡检测方法主要分为三种，传统滑坡识别方法、基于合成孔径雷达识别方法和光学遥感数据识别方法。传统滑坡识别方法通过现场调查、目视解译、设置观测点等监控滑坡的发展变化情况，需要消耗大量的人力、物力，且具有信息处理繁琐、灾害预警不及时等缺点，不能满足广域区域识别需求。基于合成孔径雷达(InSAR)识别方法主要是实时监测滑坡体地表变形的大小与速率，由于我国技术发展相对落后，滑坡多分布于偏远地区且滑坡基础数据稀缺，该方法具有一定瓶颈。近年来随着航空航天技术的飞速发展，高分辨率的遥感影像能够提供丰富的地物信息，遥感技术已成为滑坡监测与识别的有效手段。基于遥感影像的滑坡识别方法早期以像素为分析单元，其缺点在于仅靠单个像元的光谱特征不能为滑坡识别提供足够的形状和地形特征；后逐渐发展为以对象为分析单元，其缺点在于将滑坡作为一般性图形检测对象看待，忽视了滑坡本身特征，注重于滑坡存在性判断，对于像素级别的滑坡范围识别精确性不高。
技术实现思路
本专利技术所要解决的主要问题：克服现有技术对人工极大依赖性，降低外部设备误差影响，摆脱滑坡勘测费时费力的困境，提供一种基于深度神经网络的滑坡地形检测方法，利用先进的人工智能技术，采用精准的卫星遥感数据，结合领域专家知识，结果准确率高，在保证分割结果精度的同时，极大减轻了人力物力财力的投入。本专利技术技术解决方案：一种基于深度神经网络的滑坡地形检测方法，具体按照以下步骤实施：一种基于深度神经网络的滑坡地形检测方法，通过以下步骤实现：步骤1，获取数据：根据滑坡坐标点，利用开源卫星影像下载平台获取滑坡遥感影像、数字高程模型(DigitalFlevationModel，DEM)，标注滑坡具体范围并获取滑坡具体范围坐标文件；步骤2，对步骤1得到的滑坡遥感影像、数字高程模型和滑坡具体范围坐标文件进行数据预处理：叠加滑坡遥感影像与坐标文件生成滑坡标注图，滑坡标注图与滑坡地形分割结果的对比用于评估滑坡地形检测准确度；对滑坡遥感影像采用选择性搜索分割方法增加数据样本量，保证滑坡数据完整性，同时保证与滑坡标注图和数字高程模型具有相同的分割边界；采用数据增强技术增加训练数据量，提高模型泛化性能，提升模型鲁棒性；步骤3，构建DeepLabV3+地质特征提取模型：采用DeepLabV3+网络编码器架构，使用具有丰富土地覆盖种类的遥感地形数据集为输入数据，提取遥感影像中通用地质特征：纹理、颜色、光照、植被、水体，得到对于地质特征鲁棒性的特征参数；步骤4，生成特征向量：融合滑坡遥感影像和数字高程模型数据，得到包含遥感影像特征和数字高程特征的特征向量，作为滑坡地形分割的依据；步骤5，构建DeepLabV3+地形分割模型：采用DeepLabV3+网络编码器和解码器架构，编码器加载地质特征提取模型提取的特征参数，有助于地形分割模型快速收敛；解码器将编码器得到的特征图恢复至输入大小，以生成滑坡地形分割结果；步骤6，结合领域知识，构建基于滑坡特征关系的方法：考虑滑坡局部区域对滑坡构成的充分性，学习滑坡局部区域特征，将局部区域特征作为注意力关键区域与滑坡整体特征融合；利用光谱、形状、上下文信息相结合的方法，考虑滑坡局部区域特征间关系，设置约束条件并计算损失函数，反馈作用于步骤5中，最后根据阈值判断滑坡地形分割结果中像素属于“滑坡”与“非滑坡”的分类结果，生成最终的滑坡地形分割结果。在所述步骤4中，融合滑坡遥感影像和数字高程模型数据，生成包含遥感影像特征和数字高程特征的四维特征向量：I(Xi)＝[SR(Xi)SG(Xi)SB(Xi)D(Xi)]其中，I(Xi)为滑坡样本Xi生成的四维特征向量，SR(Xi)、SG(Xi)、SB(Xi)分别为滑坡样本Xi对应的遥感影像红色波段、绿色波段、蓝色波段空间和光谱特征，D(Xi)为滑坡样本Xi对应的高程特征。在所述步骤6中，滑坡局部区域特征包括河流、滑坡后缘、滑坡堆积体、裂缝；局部区域特征与整体特征融合如下：F(Xi)＝[I(Xi)LR(Xi)LT(Xi)LD(Xi)LF(Xi)]其中，F(Xi)是滑坡样本Xi融合后特征向量，I(Xi)是滑坡样本Xi整体特征，LR(Xi)，LT(Xi)，LD(Xi)，LF(Xi)分别是滑坡样本Xi局部区域河流、滑坡后缘、滑坡堆积体、裂缝对应的特征；在所述步骤6中，基于滑坡特征关系的损失函数计算如下：C＝C0+0.5C1+0.5C2+0.2C3+0.2C4其中，C为模型最终损失函数，滑坡、河流、滑坡后缘、滑坡堆积体、裂缝对应损失函数分别为C0、C1、C2、C3、C4，由Cj计算得出，n为输入滑坡样本X个数，yi为单个样本标记值，xi为单个样本预测值；在所述步骤6中，阈值ΔT取值范围为0.4～0.7，根据滑坡地形检测准确度选取最佳阈值，最佳阈值为0.5。将预测概率大于阈值的像素点标记为1并判定为滑坡组成像素点，预测概率小于阈值的像素点标记为0并判定为非滑坡区域，最终得到滑坡地形分割结果：其中，O(xj)为滑坡样本Xi中某一像素点xj的最终判定结果，O′(xj)为地形分割模型识别初始结果，ΔT为确定像素点类别的阈值。本专利技术原理是：采用遥感影像数据和数字高程数据，构建基于DeepLabV3+网络的地质特征提取模型和地形分割模型，提取滑坡区域地质特征，结合领域专家知识，考虑滑坡局部区域特征的关系，利用光谱、形状、上下文信息等相结合的方法得到滑坡地形分割结果。本专利技术与现有技术相比的优点在于：(1)本专利技术利用遥感影像数据和数字高程数据，提取并分析数据集中滑坡区域的地质特征，构建基于深度神经网络的滑坡地形检测方法，可依靠卫星数据实现对大面积无人区域中滑坡地形分割。(2)本专利技术检测结果具有像素级别精确度，不同于以往技术仅预测一定范围内滑坡发生概率，本专利技术将划分滑坡具体发生范围，对地质研究人员具备更高的价值。(3)本专利技术自动迭代，在数据量足够的情况下，迭代的预测效果越来越好。随着数据量的增加，检测方法提取到的滑坡特征愈加充分，学习效果趋于完善，正向作用于未知输入数据中滑坡分割效果。(4)本专利技术结合领域知识，充分考虑了滑坡光学影像特征、滑坡领域知识和滑坡特征关联性等多个因素，对于做出预测结果提供更准确的依据，改善了传统检测方法只依靠单一数据的不完善本文档来自技高网...

【技术保护点】
1.一种基于深度神经网络的滑坡地形检测方法，其特征在于，包括以下步骤：/n步骤1，获取数据：根据滑坡坐标点，利用开源卫星影像下载平台获取滑坡遥感影像、数字高程模型(Digital Elevation Model，DEM)，标注滑坡具体范围并获取滑坡具体范围坐标文件；/n步骤2，对步骤1得到的滑坡遥感影像、数字高程模型和滑坡具体范围坐标文件进行数据预处理：叠加滑坡遥感影像与坐标文件生成滑坡标注图，滑坡标注图与滑坡地形分割结果的对比用于评估滑坡地形检测准确度；对滑坡遥感影像采用选择性搜索分割方法增加数据样本量，保证滑坡数据完整性，同时保证与滑坡标注图和数字高程模型具有相同的分割边界；采用数据增强技术增加训练数据量，提高模型泛化性能，提升模型鲁棒性；/n步骤3，构建DeepLab V3+地质特征提取模型：采用DeepLab V3+网络编码器架构，使用具有丰富土地覆盖种类的遥感地形数据集为输入数据，提取遥感影像中通用地质特征：纹理、颜色、光照、植被、水体，得到对于地质特征鲁棒性的特征参数；/n步骤4，生成特征向量：融合滑坡遥感影像和数字高程模型数据，得到包含遥感影像特征和数字高程特征的特征向量，作为滑坡地形分割的依据；/n步骤5，构建DeepLab V3+地形分割模型：采用DeepLab V3+网络编码器和解码器架构，编码器加载地质特征提取模型提取的特征参数，有助于地形分割模型快速收敛；解码器将编码器得到的特征图恢复至输入大小，以生成滑坡地形分割结果；/n步骤6，结合领域知识，构建基于滑坡特征关系的方法：考虑滑坡局部区域对滑坡构成的充分性，学习滑坡局部区域特征，将局部区域特征作为注意力关键区域与滑坡整体特征融合；利用光谱、形状、上下文信息相结合的方法，考虑滑坡局部区域特征间关系，设置约束条件并计算损失函数，反馈作用于步骤5中，最后根据阈值判断滑坡地形分割结果中像素属于“滑坡”与“非滑坡”的分类结果，生成最终的滑坡地形分割结果。/n...

【技术特征摘要】
1.一种基于深度神经网络的滑坡地形检测方法，其特征在于，包括以下步骤：
步骤1，获取数据：根据滑坡坐标点，利用开源卫星影像下载平台获取滑坡遥感影像、数字高程模型(DigitalElevationModel，DEM)，标注滑坡具体范围并获取滑坡具体范围坐标文件；
步骤2，对步骤1得到的滑坡遥感影像、数字高程模型和滑坡具体范围坐标文件进行数据预处理：叠加滑坡遥感影像与坐标文件生成滑坡标注图，滑坡标注图与滑坡地形分割结果的对比用于评估滑坡地形检测准确度；对滑坡遥感影像采用选择性搜索分割方法增加数据样本量，保证滑坡数据完整性，同时保证与滑坡标注图和数字高程模型具有相同的分割边界；采用数据增强技术增加训练数据量，提高模型泛化性能，提升模型鲁棒性；
步骤3，构建DeepLabV3+地质特征提取模型：采用DeepLabV3+网络编码器架构，使用具有丰富土地覆盖种类的遥感地形数据集为输入数据，提取遥感影像中通用地质特征：纹理、颜色、光照、植被、水体，得到对于地质特征鲁棒性的特征参数；
步骤4，生成特征向量：融合滑坡遥感影像和数字高程模型数据，得到包含遥感影像特征和数字高程特征的特征向量，作为滑坡地形分割的依据；
步骤5，构建DeepLabV3+地形分割模型：采用DeepLabV3+网络编码器和解码器架构，编码器加载地质特征提取模型提取的特征参数，有助于地形分割模型快速收敛；解码器将编码器得到的特征图恢复至输入大小，以生成滑坡地形分割结果；
步骤6，结合领域知识，构建基于滑坡特征关系的方法：考虑滑坡局部区域对滑坡构成的充分性，学习滑坡局部区域特征，将局部区域特征作为注意力关键区域与滑坡整体特征融合；利用光谱、形状、上下文信息相结合的方法，考虑滑坡局部区域特征间关系，设置约束条件并计算损失函数，反馈作用于步骤5中，最后根据阈值判断滑坡地形分割结果中像素属于“滑坡”与“非滑坡”的分类结果，生成最终的滑坡地形分割结果。


2.根据权利要求1所述的一种基于深度神经网络的滑坡地形检测方法，其特征在于：在所述步骤4中，融合滑坡遥感影像和数字高...

【专利技术属性】
技术研发人员：黄坚，朱赛楠，贾雪婷，杜博文，殷跃平，
申请(专利权)人：中国地质环境监测院，
类型：发明
国别省市：北京;11