一种基于卷积神经网络的遥感滑坡识别方法及系统技术方案

本发明专利技术涉及一种基于卷积神经网络的遥感滑坡识别方法及系统，方法包括：获取待检测地区的遥感影像和DEM数据；根据所述遥感影像和所述DEM数据利用训练好的卷积神经网络得到每张图像的预测类别及概率；所述预测类别为每张图像是否存在滑坡；所述概率为每张图像所在区域存在滑坡的概率；所述训练好的卷积神经网络包括依次连接的输入层、卷积池化模块和全连接层；所述卷积池化模块包括三组卷积层和与所述卷积层连接的池化层；根据每张所述图像的预测类别及概率确定滑坡重点区。本发明专利技术通过有限样本即可准确识别滑坡位置。本即可准确识别滑坡位置。本即可准确识别滑坡位置。

【技术实现步骤摘要】
一种基于卷积神经网络的遥感滑坡识别方法及系统


[0001]本专利技术涉及地质勘察领域，特别是涉及一种基于卷积神经网络的遥感滑坡识别方法及系统

技术介绍

[0002]我国是滑坡灾害频发的国家之一，近年来发生的灾难性地质灾害事件有70％以上都不在已知的地质灾害隐患点范围内，急需通过自动高效的滑坡识别技术方法开展大规模滑坡灾害排查。深度学习在遥感滑坡识别中表现出了巨大的潜力，在现有研究中，滑坡识别模型较为复杂，在样本有限的情况下，识别精度不高，且泛化能力有限，其原因可能是滑坡识别中需兼顾滑坡的位置与范围。
[0003]利用遥感技术识别滑坡先后经历了目视解译、基于像元的提取方法、面向对象的提取方法以及基于深度学习的提取方法四个阶段。目视解译的准确性一般比较高，但是比较依赖专家的知识和经验，且主观性强，费时费力，难以满足大范围的遥感影像快速解译滑坡的需求。基于像元的滑坡提取方法是以像元为分析单元，基于某些算法模型，从遥感影像中自动地提取出滑坡，速度快，也能保证一定的精度，但是基于像元的滑坡提取方法只能在同一分辨率基础上处理所有地物信息，而且不能充本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的遥感滑坡识别方法，其特征在于，包括：获取待检测地区的遥感影像和DEM数据；根据所述遥感影像和所述DEM数据利用训练好的卷积神经网络得到每张图像的预测类别及概率；所述预测类别为每张图像是否存在滑坡；所述概率为每张图像所在区域存在滑坡的概率；所述训练好的卷积神经网络包括依次连接的输入层、卷积池化模块和全连接层；所述卷积池化模块包括三组卷积层和与所述卷积层连接的池化层；根据每张所述图像的预测类别及概率确定滑坡重点区。2.根据权利要求1所述的基于卷积神经网络的遥感滑坡识别方法，其特征在于，在所述获取待检测地区的遥感影像和DEM数据之后，包括：对所述DEM数据进行重采样，得到重采样后的DEM数据；分别对所述遥感影像和所述重采样后的DEM数据进行裁剪，得到遥感影像样本和DEM数据样本；对所述遥感影像样本和所述DEM数据样本进行通道融合处理，得到通道融合数据。3.根据权利要求2所述的基于卷积神经网络的遥感滑坡识别方法，其特征在于，所述卷积神经网络的训练过程具体包括：以待训练的通道融合数据为输入，以待训练的每张图像的预测类别及概率为输出，以为损失函数，对卷积神经网络进行训练，得到训练好的卷积神经网络；其中，E为损失函数，y
i
为类别i的真实标签，p
i
为第i类的概率，N为样本总数，k为类别数。4.根据权利要求1所述的基于卷积神经网络的遥感滑坡识别方法，其特征在于，所述根据每张所述图像的预测类别及概率确定滑坡重点区，具体包括：获取存在滑坡的图像及所述存在滑坡的图像的概率；判断所述概率是否大于设定概率阈值，得到第一判断结果；若所述第一判断结果表示所述概率大于设定概率阈值，则确定所述概率对应的存在滑坡的图像所在区域为滑坡重点区；若所述第一判断结果表示所述概率小于或者等于设定概率阈值，则确定所述概率对应的存在滑坡的图像所在区域为非滑坡重点区。5.一种基于卷积神经网络的遥感滑坡识别系统，其特征在于，包括：...

【专利技术属性】
技术研发人员：杨昭颖，韩灵怡，郑向向，李文吉，冯磊，王轶，
申请(专利权)人：中国自然资源航空物探遥感中心，
类型：发明
国别省市：