应用InSAR数据的混合深度学习的滑坡易发性评估方法及系统技术方案

本发明专利技术提供一种应用InSAR数据的混合深度学习的滑坡易发性评估方法及系统，基于InSAR位置提取滑坡诱发因子和滑坡与非滑坡二分类数据；基于共线性检验分析和信息增益分析滑坡诱发因子间的共线性关系以及滑坡诱发因子与滑坡易发性之间的重要关联程度；提出CNN

【技术实现步骤摘要】
应用InSAR数据的混合深度学习的滑坡易发性评估方法及系统


[0001]本专利技术涉及滑坡易发性评估领域，具体地说是一种应用InSAR数据的混合深度学习的滑坡易发性评估方法。

技术介绍

[0002]在滑坡易发性评估方法中，目前所采用的机器学习方法都是在已有的研究区域以及滑坡目录数据库基础上，利用研究区域内现有的滑坡点位置提取滑坡诱发因子，最后构建滑坡易发性模型。
[0003]这些用于滑坡易发性分析的机器学习模型存在一些局限性。一般都是将滑坡事件已发生的位置，记录为滑坡点，从而构建研究区域的滑坡目录数据库。在实际中，若研究区域的某些位置存在一定的形变，即地表具有不稳定性因素，这些区域位置在降雨或者人为活动的影响下，极易发生滑坡，这些位置点在滑坡易发性中尤其重要，即潜在的滑坡点，但不会被记录在滑坡目录数据库中。现有方法仅基于研究区域所记录的或已有的滑坡点位置提取滑坡诱发因子，并构建滑坡易发性模型。此方法不能全面准确地分析整个研究区域的滑坡易发性情况，可能会产生错误的滑坡易发性等级分类，易发生滑坡的区域可能被划分到非滑坡发生的范围区域内。
[0004]目前在基于滑坡位置提取的滑坡诱发因子特征数据中，没有考虑地面形变特征这个因素。地面形变是地面不稳定性的一种体现，在某斜坡上地面形变越大，此区域发生滑坡的可能性越大，即地面形变与滑坡的发生是存在极大的关联的。
[0005]目前混合机器学习方法比单个机器学习方法在滑坡易发性应用方面性能较好，但是滑坡易发性分析仍然是一个巨大的挑战，目前并没有统一的机器学习滑坡易发性分析方法，因此需要新的更加有效的混合机器学习方法分析滑坡的易发性。
[0006]相关术语：
[0007]InSAR(time series interferometric synthetic aperture radar)时序干涉合成孔径雷达
[0008]SBAS
‑
InSAR(Small Baseline Subsets
‑
Interferometric Synthetic Aperture Radar)小基线集技术
[0009]CNN(Convolutional Neural Network)卷积神经网络
[0010]RNN(Recurrent Neural Network)循环神经网络
[0011]LSTM(Long
‑
Short Term Memory)长短期记忆模型循环神经网络
[0012]GRU(Gate Recurrent Units)门控循环单元
[0013]SRU(simple recurrent units)单循环单元
[0014]SVM(support vector machine)支持向量机
[0015]RF(Random Forest)随机森林
[0016]LR(Logistic Regression)逻辑回归
[0017]ROC(Receiver Operating Characteristic)受试者工作特征曲线
[0018]AUC(area under the curve)ROC曲线下的面积
[0019]MCC(Matthews correlation coefficient)马修斯相关系数
[0020]ACC(Accuracy)精确度
[0021]KAPPA(kappa coefficient)kappa系数

技术实现思路

[0022]针对目前滑坡易发性分析方法中所使用的滑坡点数据记录中没有涉及研究区域中潜在滑坡点的情况，同时目前的滑坡诱发因子特征中存在未能考虑地面形变不稳定性因素等问题，本专利技术提出了一种应用InSAR数据的混合深度学习的滑坡易发性分析方法及系统。本专利技术主要包括两个方面：(1)滑坡诱发因子的提取：基于地形、地貌和水文等多源数据，同时引入包含地面形变监测信息的InSAR数据，提取了基于InSAR位置且含有地面形变因素特征的滑坡诱发因子，解决目前基于滑坡位置提取的特征中没有考虑研究区域潜在滑坡点的问题，然后对这些因子进行多重共线性检验和重要性分析；(2)滑坡易发性模型的构建：提出混合深度学习网络CNN
‑
LSTM,CNN
‑
GRU和CNN
‑
SRU三种方法用于构建滑坡易发性模型。首先利用CNN网络获取经过多重共线性检验和重要性分析后的主要滑坡因子，以减少冗余的特征变量，建立输入训练集，然后构建RNN变体网络结构模型，定量预测滑坡的易发性，最后生成滑坡易发性等级图。
[0023]一种应用InSAR数据的混合深度学习的滑坡易发性评估方法，包括下列步骤：
[0024]步骤1：滑坡样本数据的准备与预处理；
[0025]步骤a1，基于InSAR点提取滑坡与非滑坡二分类数据；
[0026]步骤a2，滑坡诱发因子的选取；
[0027]步骤a3，根据是否引入InSAR形变特征，基于InSAR点和滑坡点构建4种滑坡样本数据；
[0028]步骤2，分析滑坡诱发因子与滑坡之间的关系；
[0029]步骤3：利用卷积神经网络CNN与RNN三种循环神经网络变体混合，即：CNN
‑
LSTM,CNN
‑
GRU,CNN
‑
SRU构建滑坡易发性模型，应用上述4种滑坡样本数据开展滑坡易发性评估工作；
[0030]在步骤a1中基于InSAR点提取滑坡与非滑坡二分类数据，具体实现包括如下子步骤：
[0031](a1
‑
1)利用SBAS
‑
InSAR技术获取InSAR地面监测形变数据(简称InSAR数据)，该InSAR数据包含了InSAR监测点位置以及形变速率等信息，同时获取了来源于全球滑坡数据网站(http://www.globallandcover.com/home.html)和中国科学院资源环境科学与数据中心(https://www.resdc.cn/)相应研究区域的滑坡点；
[0032](a1
‑
2)基于InSAR位置点与现有获取的滑坡点利用ArcGIS10.5软件生成具有滑坡分类属性(滑坡编码为1)的InSAR位置点；
[0033](a1
‑
3)为了平衡正样本和负样本的比例，结合滑坡点和InSAR数据点，利用ArcGIS10.5软件获取与滑坡点数据同等数量的基于InSAR位置的非滑坡分类数据，最终获取基于InSAR位置的滑坡与非滑坡的二分类数据(滑坡：1和非滑坡：0)；
[0034]上述应用InSAR数据的混合深度学习的滑坡易发性分析方法，在步骤a2中通过多种来源渠道获取了滑坡易发性相关的滑坡因子，包含地形、地质、地貌和水文等相关因素，其相关来源如下所述：
[0035]空间分辨率为30米的DEM数据来源于空间地理数据云(http://www.gsc本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种应用InSAR数据的混合深度学习的滑坡易发性评估方法，其特征在于，包括：获取基于InSAR位置的滑坡与非滑坡的二分类编码数据，其方法包括：获取地面监测形变InSAR数据，该InSAR数据包含了InSAR监测点位置以及形变速率信息，同时获取监测区域已知的滑坡点；基于InSAR位置点与滑坡点生成具有滑坡分类属性的InSAR位置点；结合滑坡点和InSAR数据点，获取与滑坡点数据同等数量的基于InSAR位置的非滑坡分类数据；获取4种滑坡样本数据，其方法包括：获取统一空间分辨率和空间坐标系的滑坡诱发因子，根据在滑坡诱发因子是否引入InSAR形变特征，基于含有滑坡二分类编码数据的InSAR位置点提取滑坡诱发因子属性，获取滑坡诱发因子中包含InSAR形变特征和没有InSAR形变特征的基于InSAR位置点的2种滑坡样本数据；获取滑坡诱发因子中包含InSAR形变特征和没有InSAR形变特征的基于滑坡点的2种滑坡样本数据，即最终获取4种滑坡样本数据；将4种滑坡样本数据输入到滑坡易发性模型获取滑坡易发性概率。2.根据权利要求1所述的应用InSAR数据的混合深度学习的滑坡易发性评估方法，其特征在于，滑坡诱发因子包括：地形、地质、地貌和水文因素。3.根据权利要求1所述的应用InSAR数据的混合深度学习的滑坡易发性评估方法，其特征在于，滑坡易发性模型包括通过卷积神将网络CNN与CNN
‑
LSTM、CNN
‑
GRU和CNN
‑
SRU三种深度学习神经网络。4.根据权利要求2所述的应用InSAR数据的混合深度学习的滑坡易发性评估方法，其特征在于，对于获取的滑坡诱发因子，利用多重共线性检验方法获取没有共线性关系的滑坡诱发因子，在没有共线性关系的滑坡诱发因子基础上，利用信息增益分析计算滑坡的重要性指数，排除重要性指数低的滑坡诱发因子，获取有序的重要性指数高的滑坡诱发因子。5.根据权利要求3所述的应用InSAR数据的混合深度学习的滑坡易发性评估方法，其特征在于，有序的重要性指数高的滑坡诱发因子采用降序排列，并经过CNN网络模型训练后，提取具有主要影响的滑坡诱发因子序列特征，作为CNN
‑
LSTM、CNN
‑
GRU和CNN
‑
SRU的RNNs循环层的输入数据，获取滑坡易发性概率。6.根据权利要求1所述的应用InSAR数据的混合深度学习的滑坡易发性评估方法，其特征在于，根据获取的滑坡易发性概率生成滑坡易发性等级图。7.一种应用InSAR数据的混合深度学习的滑坡易发性评估系统...

【专利技术属性】
技术研发人员：袁瑞，陈静，
申请(专利权)人：武汉大学，
类型：发明
国别省市：