滑坡易发性评估方法、装置、电子设备、存储介质及产品制造方法及图纸

本发明专利技术提供一种滑坡易发性评估方法、装置、电子设备、存储介质及产品，方法包括：获取待测遥感影像；将所述待测遥感影像输入滑坡易发性评估模型，获得所述滑坡易发性评估模型输出的所述待测遥感影像的滑坡易发性评分；其中，所述滑坡易发性评估模型是基于滑坡样本集和所述滑坡样本集上标注的滑坡易发性影响因子训练得到的，所述滑坡样本集是基于滑坡的高斯热力图得到的。通过滑坡的高斯热力图增加了平滑样本，以优化样本的分布，进一步提升了评估模型的性能和效率，获得更为准确的预测结果。果。果。

【技术实现步骤摘要】
滑坡易发性评估方法、装置、电子设备、存储介质及产品


[0001]本专利技术涉及滑坡遥感识别
，尤其涉及一种滑坡易发性评估方法、装置、电子设备、存储介质及产品。

技术介绍

[0002]滑坡是由人为因素和自然因素引起的世界上最具破坏性的自然灾害之一。而地震作为山体滑坡的触发因素之一，由于山区特殊的地貌环境容易造成数千起山体滑坡。高空间分辨率遥感影像和无人机已被广泛应用于滑坡调查和识别。然而，仅凭影像波段信息很难预测未来发生滑坡的概率。因此，滑坡易发性制图对于震后应急响应、防灾减灾具有重要意义。
[0003]滑坡易发性是基于地形、地质、水文等因素对指定地点发生滑坡可能性的预测。一些方法已被应用到滑坡易发性制图中，并经过测试证明是可用的和有效的，包括地貌制图、基于物理的模型、启发式地形和易发性区划，以及机器学习方法。传统的机器学习方法由于是浅层结构，无法学习更有代表性的深层特征。深度学习，特别是卷积神经网络，具有深度网络结构和强大的特征学习能力，在滑坡易发性制图领域的应用越来越多。
[0004]基于卷积神经网络的滑坡样本构建方法中，以滑坡为代表的正样本被标记为“1”，而以非滑坡为代表的负样本被标记为“0”。其中，正样本往往真实可靠的，而负样本的选择往往是主观的或根据一定的规则选择的。由于单纯依靠正、负样本参与卷积神经网络模型的训练，往往导致结果趋近于易发性指数的最大值和最小值。同时，现有研究主要通过简化网络结构和减少迭代次数来解决过拟合问题。这些策略可能会导致模型无法学习丰富的特征，从而影响模型性能。因此，现有方法存在无法平衡模型性能和单一样本训练导致的过拟合的风险。

技术实现思路

[0005]本专利技术提供一种滑坡易发性评估方法、装置、电子设备、存储介质及产品，用以解决现有技术中评价模型的缺陷，实现对滑坡易发性的精准评估。
[0006]本专利技术提供一种滑坡易发性评估方法，包括：
[0007]获取待测遥感影像；
[0008]将所述待测遥感影像输入滑坡易发性评估模型，获得所述滑坡易发性评估模型输出的所述待测遥感影像的滑坡易发性评分；
[0009]其中，所述滑坡易发性评估模型是基于滑坡样本集和所述滑坡样本集上标注的滑坡易发性影响因子训练得到的，所述滑坡样本集是基于滑坡的高斯热力图得到的。
[0010]根据本专利技术提供的一种滑坡易发性评估方法，基于所述滑坡的高斯热力图得到所述滑坡样本集，包括：
[0011]获取所述滑坡遥感影像并提取滑坡的中心点；
[0012]采用二维高斯核函数逐中心点生成所述滑坡的高斯热力图；
[0013]根据所述滑坡的高斯热力图获取不同滑坡易发性对应的坐标点；
[0014]随机抽取所述不同滑坡易发性对应的坐标点获得滑坡样本集。
[0015]根据本专利技术提供的一种滑坡易发性评估方法，所述随机抽取所述不同滑坡易发性对应的坐标点获得滑坡样本集，包括：
[0016]从每种滑坡易发性区间中随机抽取对应的坐标点获得滑坡样本集，所述不同滑坡易发性区间包括滑坡易发性从0到1之间等间隔的五种区间。
[0017]根据本专利技术提供的一种滑坡易发性评估方法，所述采用二维高斯核函数逐中心点生成所述滑坡的高斯热力图，包括：
[0018]对于单个滑坡中心点，采用二维高斯核函数逐中心点生成半径为R的圆后获得所述滑坡的高斯热力图；
[0019]对于多个滑坡中心点，采用二维高斯核函数逐中心点生成半径为R的圆，对不同滑坡中心点的重叠区域进行消除后，获得所述滑坡的高斯热力图；
[0020]其中，所述中心点的滑坡易发性为1，圆的边界的滑坡易发性值为0.1，所述边界外滑坡易发性为0。
[0021]根据本专利技术提供的一种滑坡易发性评估方法，所述滑坡样本集上标注的滑坡易发性影响因子的种类包括：坡度、曲率、坡向、坡位、距水系距离、距道路距离、岩性、NDVI和土地利用率。
[0022]根据本专利技术提供的一种滑坡易发性评估方法，所述滑坡易发性评估模型包括依次连接的卷积层、scSE模块、最大池化层、dropout层、Flatten层和全连接层。
[0023]本专利技术还提供一种滑坡易发性评估装置，包括：
[0024]采集模块，用于获取待测遥感影像；
[0025]评估模块，用于将所述待测遥感影像输入滑坡易发性评估模型，获得所述滑坡易发性评估模型输出的所述待测遥感影像的滑坡易发性评分；
[0026]其中，所述滑坡易发性评估模型是基于滑坡样本集和所述滑坡样本集上标注的滑坡易发性影响因子训练得到的，所述滑坡样本集是基于滑坡的高斯热力图得到的。
[0027]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述滑坡易发性评估方法的步骤。
[0028]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述滑坡易发性评估方法的步骤。
[0029]本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述滑坡易发性评估方法的步骤。
[0030]本专利技术提供的一种滑坡易发性评估方法、装置、电子设备、存储介质及产品，通过滑坡的高斯热力图增加了平滑样本，以优化样本的分布。这一策略考虑到了丰富的环境信息，以及未来由于灾害在周围环境中发生滑坡的可能性，进一步提升了评估模型的性能和效率，获得更为准确的预测结果。
附图说明
[0031]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术
描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0032]图1是本专利技术实施例提供的滑坡易发性评估方法的流程示意图；
[0033]图2是本专利技术实施例提供的滑坡高斯热力图生成流程示意图；
[0034]图3是本专利技术实施例提供的生成单个和多个滑坡高斯热力图流程示意图；
[0035]图4是本专利技术实施例提供的滑坡易发性评估模型结构示意图；
[0036]图5是本专利技术实施例提供的多模型PR曲线对比图；
[0037]图6(a)是本专利技术实施例提供的基于CNN的滑坡易发性制图结果；
[0038]图6(b)是本专利技术实施例提供的基于滑坡易发性评估模型的滑坡易发性制图结果；
[0039]图7(a)是本专利技术实施例提供的基于CNN的易发性指数频数直方图；
[0040]图7(b)是本专利技术实施例提供的基于滑坡易发性评估模型的易发性指数频数直方图；
[0041]图8是本专利技术实施例提供的滑坡易发性评估装置的结构示意图；
[0042]图9是本专利技术实施例提供的电子设备的结构示意图。
具体实施方式
[0043]为使本专利技术的目的、技术本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种滑坡易发性评估方法，其特征在于，包括：获取待测遥感影像；将所述待测遥感影像输入滑坡易发性评估模型，获得所述滑坡易发性评估模型输出的所述待测遥感影像的滑坡易发性评分；其中，所述滑坡易发性评估模型是基于滑坡样本集和所述滑坡样本集上标注的滑坡易发性影响因子训练得到的，所述滑坡样本集是基于滑坡的高斯热力图得到的。2.根据权利要求1所述的滑坡易发性评估方法，其特征在于，基于所述滑坡的高斯热力图得到所述滑坡样本集，包括：获取所述滑坡遥感影像并提取滑坡的中心点；采用二维高斯核函数逐中心点生成所述滑坡的高斯热力图；根据所述滑坡的高斯热力图获取不同滑坡易发性对应的坐标点；随机抽取所述不同滑坡易发性对应的坐标点获得滑坡样本集。3.根据权利要求2所述的滑坡易发性评估方法，其特征在于，所述随机抽取所述不同滑坡易发性对应的坐标点获得滑坡样本集，包括：从每种滑坡易发性区间中随机抽取对应的坐标点获得滑坡样本集，所述不同滑坡易发性区间包括滑坡易发性从0到1之间等间隔的五种区间。4.根据权利要求2所述的滑坡易发性评估方法，其特征在于，所述采用二维高斯核函数逐中心点生成所述滑坡的高斯热力图，包括：对于单个滑坡中心点，采用二维高斯核函数逐中心点生成半径为R的圆后获得所述滑坡的高斯热力图；对于多个滑坡中心点，采用二维高斯核函数逐中心点生成半径为R的圆，对不同滑坡中心点的重叠区域进行消除后，获得所述滑坡的高斯热力图；其中，所述中心点的滑坡易发性为1，圆的边界的...

【专利技术属性】
技术研发人员：王福涛，周艺，王世新，熊义兵，王丽涛，刘文亮，朱金峰，杜聪，赵清，侯艳芳，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：