一种基于CNN与RNN集成的滑坡灾害易发性预测方法技术

本发明专利技术公开了一种基于CNN与RNN集成的滑坡灾害易发性预测方法，包括收集多源数据，通过多源数据提取滑坡致灾因子，将提取出来的滑坡致灾因子样本数据进行量化处理；构建滑坡灾害易发性评价模型，先分别构建基于卷积神经网络CNN和循环神经网络RNN的易发性模型，再利用平均集成方法将CNN与RNN模型融合起来进行易发性预测，对滑坡易发性模型进行精度评价，输出最终的滑坡灾害易发性预测图。本发明专利技术的有益效果是：利用平均集成方法来融合CNN与RNN，能够获得性能更优越的易发性评价模型，可有效提高滑坡灾害易发性预测精度。

【技术实现步骤摘要】
一种基于CNN与RNN集成的滑坡灾害易发性预测方法
本专利技术涉及地质灾害防治领域，具体涉及一种基于CNN与RNN集成的滑坡灾害易发性预测方法。
技术介绍
随着人口的迅速增长以及经济建设的不断发展，人类活动范围与地质灾害作用范围的重叠区域逐渐增大。滑坡灾害由于其本身具有空间分布范围广、时间发生频率高以及破坏性强等特点，因此对人类生命安全构成严重威胁，同时给社会经济带来巨大损失。因此，开展滑坡灾害易发性预测是灾害预防与管理的重要步骤。近年来，随着地理信息系统技术、遥感技术以及计算机技术的迅速发展，数理模型在滑坡灾害易发性预测上的应用愈加广泛。目前，滑坡灾害易发性预测主要采用机器学习方法，包括决策树、随机森林、支持向量机和人工神经网络等。此外，随着深度学习在各个领域的大放异彩，卷积神经网络(ConvolutionalNeuralNetwork,CNN)和循环神经网络(RecurrentNeuralNetwork,RNN)也逐渐应用到滑坡易发性预测中并取得了优越性能。然而，如何进一步提升深度学习方法在滑坡灾害易发性的预测精度仍旧是当前值得关注的问题。
技术实现思路
有鉴于此，本专利技术提供了一种基于CNN与RNN集成的滑坡灾害易发性预测方法。本专利技术提供一种基于CNN与RNN集成的滑坡灾害易发性预测方法，包括以下步骤：S1：收集整理滑坡灾害研究区域的多源数据，并对所述多源数据的空间分辨率进行统一，得到空间分辨率统一后的多源数据；S2：确定与滑坡有关的致灾因子，通过GIS平台从所述空间分辨率统一后的多源数据中提取致灾因子；S3：叠加S2提取的滑坡致灾因子，并以栅格单元为单位逐行逐列提取致灾因子属性值，完成模型样本数据集的采集与量化，得到量化后的模型样本数据集；S4：构建滑坡易发性模型；所述滑坡易发性模型由卷积神经网络模型与循环神经网络模型融合得到；S5：利用所述量化后的模型样本数据分别对所述卷积神经网络和所述循环神经网络进行参数优化，得到优化后的卷积神经网络模型和优化完成后的循环神经网络模型；S6：利用平均集成方法对优化后的卷积神经网络和优化后的循环神经网络进行融合，得到最终的滑坡易发性模型；S7：利用所述最终的滑坡易发性模型预测整个研究区的滑坡易发性概率值，并根据概率值大小将研究区域划分为五个等级，包括极低、低、中、高和极高滑坡灾害易发性区，输出滑坡灾害易发性预测图。进一步地，步骤S2中与滑坡有关的致灾因子包括高程、坡向、距河流距离、距断层距离、土地利用、归一化植被指数、降雨量、坡度、径流强度指数、输沙指数和地形湿度指数。进一步地，步骤S5中所述卷积神经网络模型和所述循环神经网络模型，其构建的具体步骤如下：S51：输入所述量化后的模型样本数据至所述卷积神经网络和所述循环神经网络；S52：分别利用所述卷积神经网络的隐藏层和所述循环神经网络的隐藏层提取所述量化后的模型样本数据的滑坡信息；S53：分别利用所述卷积神经网络的输出层和所述循环神经网络的输出层将提取出来的滑坡信息转换为滑坡灾害易发性概率值。进一步地，步骤S52中卷积神经网络隐藏层提取滑坡信息的公式如下式所示：式(1)中，Cj为卷积神经网络隐藏层输出的滑坡信息，N为输入的滑坡致灾因子个数，k为隐藏层中卷积核的个数，i为致灾因子编号，j为第j个卷积核，f(·)为非线性激活函数，*代表卷积运算，vi为输入的第i个致灾因子，wj和bj分别表示第j个卷积核的权重和偏置。进一步地，步骤S52中循环神经网络隐藏层提取滑坡信息的公式如下式所示：Ri＝f(Wxxi+WRhi-1+bR),i＝1,2,...,N(2)式(2)中，Ri为循环神经网络隐藏层输出的滑坡信息，N为滑坡致灾因子的个数，i为致灾因子编号，hi-1为第i-1个致灾因子包含的滑坡信息，xi为输入的第i个致灾因子，f(·)为非线性激活函数，Wx表示连接输入层与隐藏层的权重，WR为连接第i个隐藏层与第i-1个隐藏层之间的权重，bR为偏置。进一步地，步骤S53中所述卷积神经网络和所述循环神经网络输出滑坡灾害易发性概率值的公式如下式所示：式(3)中，y为卷积神经网络或者循环神经网络输出的滑坡易发性概率值，h为卷积神经网络隐藏层或循环神经网络隐藏层输出的滑坡信息，为非线性激活函数，Wy和by分别表示卷积神经网络或循环神经网络的权重和偏置。步骤S6中，所述平均集成方法融合的公式如下式所示：式(4)中，p为平均集成方法输出的最终滑坡易发性概率值，pC为卷积神经网络模型输出的滑坡易发性概率值，pR为循环神经网络模型输出的滑坡易发性概率值；所述pC和pR通过式(3)计算得到。本专利技术提供的技术方案带来的有益效果是：利用平均集成方法融合卷积神经网络和循环神经网络来进行滑坡灾害易发性预测，可有效提高集成方法的预测精度。附图说明图1是本专利技术一种基于CNN与RNN集成的滑坡灾害易发性预测方法的流程图；图2是本专利技术一种基于CNN与RNN集成的滑坡灾害易发性预测方法的滑坡灾害易发性预测图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术实施方式作进一步地描述。请参考图1，本专利技术的实施例提供了一种基于CNN与RNN集成的滑坡灾害易发性预测方法，包括以下步骤：S1：收集整理研究区域的多源数据，包括遥感影像、地形地貌数据、水文地质数据以及历史滑坡灾害编录数据，将多源数据转换为具有统一空间分辨率的栅格数据；该具体实施例中选用的研究区域为中国江西省上饶市铅山县辖区，经统计，该研究区域共有380个历史滑坡灾害点。S2：提取滑坡灾害致灾因子，即利用GIS软件从多源数据中提取出11个滑坡灾害致灾因子，高程、坡向、距河流距离、距断层距离、土地利用、归一化植被指数、降雨量、坡度、径流强度指数、输沙指数和地形湿度指数。将这些致灾因子重采样至空间分辨率为25米的栅格数据。S3：滑坡数据量化，即将S2中重采样后的11个致灾因子进行叠加，在研究区域随机选取与历史灾害点同样数目的非滑坡灾害点，将滑坡灾害点与非滑坡灾害点划均分为训练数据集与测试数据集两部分：训练数据集占比70％，包括266个滑坡灾害点与266个非滑坡灾害点；测试数据集占比30％，包括114个滑坡灾害点与144个非滑坡灾害点。以栅格单元来提取致灾因子属性信息，完成模型样本数据集的采集与量化。S4：构建滑坡灾害易发性模型，包括卷积神经网络(ConvolutionalNeuralNetwork，CNN)与循环神经网络模型(RecurrentNeuralNetwork，RNN)的构建和这两种模型基于平均集成的融合两个部分，具体步骤如下：S41：利用模型样本数据分别对卷积神经网络和循环神经网络进行参数优化，得到优化完成的模型，具体步骤如下：S411：输入量化后的模型样本数据；S412：分别利本文档来自技高网...

【技术保护点】
1.一种基于CNN与RNN集成的滑坡灾害易发性预测方法，其特征在于，包括以下步骤：/nS1：收集整理滑坡灾害研究区域的多源数据，并对所述多源数据的空间分辨率进行统一，得到空间分辨率统一后的多源数据；/nS2：确定与滑坡有关的致灾因子，通过GIS平台从所述空间分辨率统一后的多源数据中提取致灾因子；/nS3：叠加S2提取的滑坡致灾因子，并以栅格单元为单位逐行逐列提取致灾因子属性值，完成模型样本数据集的采集与量化，得到量化后的模型样本数据集；/nS4：构建滑坡易发性模型；所述滑坡易发性模型由卷积神经网络模型与循环神经网络模型融合得到；/nS5：利用所述量化后的模型样本数据分别对所述卷积神经网络和所述循环神经网络进行参数优化，得到优化后的卷积神经网络模型和优化完成后的循环神经网络模型；/nS6：利用平均集成方法对优化后的卷积神经网络和优化后的循环神经网络进行融合，得到最终的滑坡易发性模型；/nS7：利用所述最终的滑坡易发性模型预测整个研究区的滑坡易发性概率值，并根据概率值大小将研究区域划分为五个等级，包括极低、低、中、高和极高滑坡灾害易发性区，输出滑坡灾害易发性预测图。/n

【技术特征摘要】
1.一种基于CNN与RNN集成的滑坡灾害易发性预测方法，其特征在于，包括以下步骤：
S1：收集整理滑坡灾害研究区域的多源数据，并对所述多源数据的空间分辨率进行统一，得到空间分辨率统一后的多源数据；
S2：确定与滑坡有关的致灾因子，通过GIS平台从所述空间分辨率统一后的多源数据中提取致灾因子；
S3：叠加S2提取的滑坡致灾因子，并以栅格单元为单位逐行逐列提取致灾因子属性值，完成模型样本数据集的采集与量化，得到量化后的模型样本数据集；
S4：构建滑坡易发性模型；所述滑坡易发性模型由卷积神经网络模型与循环神经网络模型融合得到；
S5：利用所述量化后的模型样本数据分别对所述卷积神经网络和所述循环神经网络进行参数优化，得到优化后的卷积神经网络模型和优化完成后的循环神经网络模型；
S6：利用平均集成方法对优化后的卷积神经网络和优化后的循环神经网络进行融合，得到最终的滑坡易发性模型；
S7：利用所述最终的滑坡易发性模型预测整个研究区的滑坡易发性概率值，并根据概率值大小将研究区域划分为五个等级，包括极低、低、中、高和极高滑坡灾害易发性区，输出滑坡灾害易发性预测图。


2.根据权利要求1中所述的一种基于CNN与RNN集成的滑坡灾害易发性预测方法，其特征在于，步骤S2中与滑坡有关的致灾因子包括高程、坡向、距河流距离、距断层距离、土地利用、归一化植被指数、降雨量、坡度、径流强度指数、输沙指数和地形湿度指数。


3.根据权利要求1中所述的一种基于CNN与RNN集成的滑坡灾害易发性预测方法，其特征在于，步骤S5中所述卷积神经网络模型和所述循环神经网络模型，其构建的具体步骤如下：
S51：输入所述量化后的模型样本数据至所述卷积神经网络和所述循环神经网络；
S52：分别利用所述卷积神经网络的隐藏层和所述循环神经网络的隐藏层提取所述量化后的模型样本数据的滑坡信息；
S53：分别利用所述卷积神经网络的输出层和所述循环神经网络的输出层将提取出来的滑坡信息转换为滑坡灾害易发性概率值。


4...

【专利技术属性】
技术研发人员：方志策，王毅，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：湖北;42