一种基于遥感数据的滑坡清查图生成方法技术

本发明专利技术涉及一种基于遥感数据的滑坡清查图生成方法，步骤如下：S1获得已发生滑坡的遥感数据并为深度学习模型进行输入数据集的处理和准备；S2构建LanDCNN模型，该模型由编码器和解码器组成，编码器为50个卷积层组成的ResNet

【技术实现步骤摘要】
一种基于遥感数据的滑坡清查图生成方法


[0001]本专利技术涉及滑坡灾害评估领域，具体涉及一种基于遥感数据的滑坡清查图生成方法。

技术介绍

[0002]在我国中西部地区，遍布着大量山地及丘陵地形，在这种地形情况下往往存在着相当数量的天然边坡和人为作用下产生的人工边坡。在雨水、地震等作用下，坡体内土的剪切应力增长或土体抗剪强度降低，出现滑动破坏区域，这些滑动破坏区域不断增长贯通就会导致滑坡灾害的发生，严重威胁着人们的生产生活安全，造成大量经济损失。
[0003]在滑坡发生后，完成滑坡体的滑坡清查对评估滑坡的敏感性、危险性和再次滑坡的风险，及对未来滑坡的后续处理非常重要。滑坡清查图(LIM)是已发生滑坡的滑坡体相关信息的核心数据之一，可以描述滑坡的空间分布，还能够附加特定位置的信息，如滑坡几何特征、地质特征等。准确的滑坡清查图可以评估滑坡类型及其触发因素，那么系统有效的LIM编制方法对滑坡发生后的评估分析和滑坡灾害防止具有重要意义。随着科学技术的不断发展，遥感等高新技术也在不断用于滑坡灾害评估之中，而手动注释滑坡越来越难以满足需要，结合遥感数据的快速化、智能化的LIM生成方法逐渐的出现在了滑坡灾害领域中。

技术实现思路

[0004]针对现在滑坡灾害评估领域内对快速化和智能化的滑坡清查图生成方法的需求，本专利技术的目的在于提供一种基于遥感数据的滑坡清查图生成方法。
[0005]为实现上述目的，本专利技术采用以下技术方案：一种基于遥感数据的滑坡清查图生成方法，包括以下步骤：
[0006]S1：获得已发生滑坡的遥感数据并进行数据集的处理和准备，具体包括双时像RGB航空图像和数字地面模型(DTM)；
[0007]S101：对已发生的滑坡区域的遥感工作完成后，获得包括全部滑坡区域的双时像RGB航空图像及其数字地面模型(DTM)；
[0008]S102：组织专家根据目视解释利用多边形图为已发生的滑坡注解，作为基本事实及后续输入LanDCNN模型的标签；
[0009]S103：使用ArcGIS将所有输入数据和标签格栅化为分辨率0.5mm的像素化图形，把标签中属于滑坡类型的像素赋值为1，非滑坡类型的剩余像素赋值为0；
[0010]S104：将占整个滑坡面积60％的输入数据作为训练数据集，将占整个滑坡面积20％的输入数据作为验证数据集，占整个滑坡面积20％的输入数据作为测试数据集；
[0011]S2：构建一种深度卷积神经网络学习模型—LanDCNN模型；
[0012]S3：输入训练数据集，对LanDCNN模型进行监督训练，每次训练迭代向模型提供16个大小为512
×
512
×
8的格栅，当选择的格栅训练后的面积大于等于训练数据集的总面积时，认为完成了一个训练周期；
[0013]S301：一次训练开始时，把占6个通道的双时像RGB航空图像、占1个通道的数字地面模型和占1个通道的注释标签堆叠形成8个通道的阵列；
[0014]S302：对每个通道计算其平均值和标准差，在每次迭代过程中采用小批量训练策略，将一小部分训练数据作为输入，实现快速收敛；
[0015]S303：从堆叠阵列中随机选取大小为D
×
D
×
8的格栅，D为从训练数据集中裁剪的格栅单元实际采样值；
[0016]D＝int(512
×
σ
s
),
[0017]其中σ
s
为比例因子，从平均值为1.0且标准差为0.1的正态分布中采样获得；
[0018]将滑坡发生前后的航空进行光谱变换，改变航空图像的空间和光谱特征，实现对航空图像和DTM的数据增强；
[0019]S304：数据增强后，使用先前计算获得的平均值和标准差对由双时像RGB航空图像和DTM组成的增强格栅归一化；
[0020]S305：采用Dice损失函数和Adam优化算法，优化LanDCNN模型的参数，完成本次训练周期对LanDCNN模型的训练，获得滑坡清查图，Dice损失函数如下：
[0021][0022]其中，i和j分别表示输出中每个像素的行号和列号；h和w分别表示输出的高度和宽度，即h和w＝512；p
i，j
是输出行和列的像素值，限制在0到1之间；g
i,j
是标签的行和列的像素值，可以是0(对应于非滑坡区域)，也可以是1(对应于滑坡区域)；∈是用于数值稳定性的常量，值为10
‑5；
[0023]S4：输入验证数据集和测试数据集，对LanDCNN模型进行验证与测试；
[0024]S401:每隔5个训练周期进行对LanDCNN模型的验证与测试，从数据集中有序选择格栅，对每个格栅执行验证测试，对LanDCNN模型的验证与测试步骤和训练步骤相同，但是不进行数据扩充和参数优化；
[0025]S402：将LanDCNN模型中生成的滑坡预测图像与注释标签之间的交集和并集的比值作为验证与测试指标，当该指标连续在4个验证与测试步骤中不在提高，停止对LanDCNN模型的训练，将输出的滑坡清查图作为最终生成的滑坡清查图。
[0026]作为上述技术方案的核心，构建的LanDCNN学习模型由编码器和解码器组成，编码器为50个卷积层组成的ResNet
‑
50架构，解码器为U
‑
net架构。
[0027]相比于现有技术，本专利技术具有以下优点：
[0028]本专利技术申请提出的基于深卷积神经网络(DCNN)生成滑坡清查图的方法自动化程度高，不需要繁琐的多阶段中间算法，包括图像的预处理和后处理，以及特征提取和选择。一旦模型训练完成，就可以使用所建立模型相同的优化加权参数来识别和预测滑坡，而不需要任何主观的人为干预。本申请方法可以在短时间内快速处理来自不同类型测量的不断增长的数据集，比手动注释滑坡要速度更快，效率更高；本专利技术建立的新的DCNN模型LanDCNN，利用双时相RGB航空影像和数字地形模型(DTM)组成的多重输入对滑坡进行语义分割。在LanDCNN模型中，采用的编码器和解码器完成了在网络深度和信息传播方面的改进，在不使用过多参数的情况下，在精度和计算需求之间进行了合适取舍。用双时相航空影
像和数字地面模型相结合训练的LanDCNN模型生成了相当平滑的滑坡清查图。
[0029]说明书附图
[0030]图1为本专利技术具体实施例的流程示意图。
具体实施方式
[0031]下面结合附图图1对本专利技术做进一步的详细说明。
[0032]本专利技术中S1表示步骤1，S101表示S1中的01步骤，S102表示S1中的02步骤，以此类推。
[0033]一种基于遥感数据的滑坡清查图生成方法，包括以下步骤：
[0034]S1：获得已发生滑坡的遥感数据并进行数据集的处理和准备，具体包括双时像RGB航空图像和数字地面模型(DTM)；
[0035]S101：对已发生本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于遥感数据的滑坡清查图生成方法，其特征在于：包括以下步骤：S1：获得已发生滑坡的遥感数据并进行数据集的处理和准备，包括双时像RGB航空图像和数字地面模型；S2：构建深度卷积神经网络学习模型—LanDCNN模型，所述LanDCNN模型由编码器和解码器组成，编码器为50个卷积层组成的ResNet
‑
50架构，解码器为U
‑
net架构；S3：输入训练数据集，对LanDCNN模型进行监督训练，每次训练迭代向模型提供16个大小为512
×
512
×
8的格栅，当选择的格栅训练后的面积大于等于训练数据集的总面积时，完成一个训练周期；S4：输入验证数据集和测试数据集，对LanDCNN模型进行验证与测试；S401:每隔N个训练周期对LanDCNN模型进行验证与测试，从数据集中有序选择格栅，对每个格栅执行验证测试，对LanDCNN模型的验证与测试步骤与训练步骤S3相同，但不进行数据扩充和参数优化；S402：将LanDCNN模型中生成的滑坡预测图像与注释标签之间的交集和并集的比值作为验证与测试指标，当该指标连续在4个验证与测试步骤中不再提高，停止对LanDCNN模型的训练，将输出的滑坡清查图作为最终生成的滑坡清查图。2.一种基于遥感数据的滑坡清查图生成方法，其特征在于：步骤S1具体包括，S101：对已发生的滑坡区域的遥感工作完成后，获得包括全部滑坡区域的双时像RGB航空图像及其数字地面模型；S102：人工为已发生的滑坡注解，作为基本事实及后续输入LanDCNN模型的标签；S103：使用ArcGIS将所有输入数据和标签格栅化为像素化图形，把标签中属于滑坡类型的像素赋值为1，非滑坡类型的剩余像素赋值为0；S104：将占整个滑坡面积60％的输入数据作为训练数据集，将占整个滑坡面积20％的输入数据作为验证数据集，占整...

【专利技术属性】
技术研发人员：陈立川，梁丹，杨海清，宋康磊，廖蔚茗，陈正华，梁振兴，任世聪，廖敏言，
申请(专利权)人：重庆华地资环科技有限公司重庆大学，
类型：发明
国别省市：