利用中分辨多源遥感数据进行滑坡检测的语义分割方法技术

本发明专利技术提供一种利用中分辨多源遥感数据进行滑坡检测的语义分割方法，主要包括5个步骤：数据选择与下载、数据预处理、模型构建、模型训练、结果评估。本发明专利技术面向中分辨率多源遥感数据，提出新的双编码器、带自注意力机制的语义分割网络，实现多模态数据的特征表达与层次融合，进一步提高滑坡检测精度，为大空间尺度的滑坡检测提供技术参考。度的滑坡检测提供技术参考。度的滑坡检测提供技术参考。

【技术实现步骤摘要】
利用中分辨多源遥感数据进行滑坡检测的语义分割方法


[0001]本专利技术提供一种利用中分辨多源遥感数据进行滑坡检测的语义分割方法，属于自然灾害信息分析


技术介绍

[0002]滑坡是一种全球普遍存在的自然灾害，是指岩土体在重力作用下沿着层面发生滑移的地质现象。诱发滑坡的因素有很多，如地震、火山喷发、强降雨、气候变化等自然因素，以及道路建设、居民地扩张、植被砍伐、地下水开采等人为活动因素。传统的基于野外调研的滑坡检测方法通常耗时长、耗费多，且受到灾后交通不便的影响以及考虑到调研人员的人身安全等因素，通常难以对区域内的滑坡实现连续的完整提取与制图。因此，基于遥感技术进行滑坡检测研究成为相关领域的主要研究手段。
[0003]Libo Cheng等人修改目标检测网络YOLOv4，在网络中加入注意力机制，提出新的YOLO
‑
SA网络开展滑坡检测，该方法出自期刊论文：Cheng L,Li J,Duan P,et al.A small attentional YOLO model for landslide detection from satellite remote sensing images[J].Landslides,2021,18(8):2751
‑
2765.该方法存在的缺点为：
[0004](1)该方法最终以矩形框标注出滑坡在影像块上位置和大致范围，没有提取精确的滑坡边界，在实际业务中应用有限；
[0005](2)该方法面向高空间分辨率遥感影像，受高空间分辨率遥感影像收费存取、覆盖范围有限、影像幅宽小的影响，该方法难以推广到大空间尺度的业务中。
[0006]Ji Shunping等人在卷积神经网络模型中引入注意力机制，对遥感影像中的滑坡场景与非滑坡场景进行判别，该方法出自期刊论文：Ji,Shunping,et al."Landslide detection from an open satellite imagery and digital elevation model dataset using attention boosted convolutional neural networks."Landslides 17.6(2020):1337
‑
1352.该方法存在的缺点有：
[0007](1)该方法对于一张遥感影像赋予一个语义标签，只对潜在的滑坡进行可视化标识，并没有对影像中的像元或目标进行分类，因此无法确定滑坡的详细边界；
[0008](2)人工定义阈值判断遥感影像属于滑坡和非滑坡类别，阈值的选择会影响分类的准确性；
[0009](3)对于多模态缺少可靠的数据融合策略。光学波段与DEM数据具有不同的数据意义，前者表示反射率，后者蕴含地形信息。该方法只在数据层面对其进行波段拼接，没有在更高层面，如特征层面或决策层面的融合。
[0010](4)该方法面向高空间分辨率遥感影像，受高空间分辨率遥感影像收费存取、覆盖范围有限、影像幅宽小的影响，该方法难以推广到大空间尺度的业务中。
[0011]L.Bragagnolo等人在Landsat 8影像上利用U
‑
Net模型实现滑坡检测，该方法出自期刊论文Bragagnolo,L.,et al."Convolutional neural networks applied to semantic segmentation of landslide scars."Catena 201(2021):105189.。该方法存在
的缺点有：
[0012](1)对多波段的中分辨率遥感影像人为地选择三个波段作为模型的输入数据，忽略了其他波段对于滑坡检测的可能贡献；
[0013](2)模型提取精度较低。

技术实现思路

[0014]针对上述技术问题，本专利技术提供一种利用中分辨多源遥感数据进行滑坡检测的语义分割方法，要解决的技术问题：
[0015](1)实现准确的、逐像元的滑坡检测，提取结果是对滑坡位置、范围、边界的准确刻画；
[0016](2)滑坡检测过程中不使用任何高分辨率遥感影像，只利用公开获取的中分辨率遥感数据；
[0017](3)滑坡检测过程中不需要人为定义任何分类阈值，实现端对端、全自动化的滑坡检测；
[0018](4)针对多源遥感数据(光学波段和DEM数据)，采用特征层面的深度融合策略以提高模型对不同模态数据的特征学习与表达能力。
[0019](5)针对遥感影像场景复杂、细节丰富的特点，对影像中的目标信息给予更多关注，并抑制对背景信息的关注，优化深度学习模型，提高滑坡检测精度。
[0020]本专利技术的具体技术方案：
[0021]利用中分辨多源遥感数据进行滑坡检测的语义分割方法，主要包括5个步骤：数据选择与下载、数据预处理、模型构建、模型训练、结果评估。
[0022](1)数据下载与标签生成。
[0023]本专利技术收集了哨兵
‑
2影像和NASA数字高程模型NASADEM数据用于滑坡检测。
[0024]首先通过谷歌地球引擎检索出研究区域的所有哨兵
‑
2影像，过滤掉云量高的影像，然后以最小值生成研究区的合成图像；借助谷歌地球，通过人工解译得到研究区的滑坡标签，以此构建滑坡标签数据库。最后产生的滑坡标签是二进制数据，其中"0"表示背景，"1"表示滑坡。
[0025](2)数据预处理
[0026]使用的数据一共有15个波段，其中第1至第12个波段为哨兵
‑
2影像的第1至第12波段，第13波段为坡度，第14波段为高程，第15波段为坡向。其中坡度和坡向是基于NASADEM数据计算而来。
[0027]对源数据进行了重投影、图像归一化和影像块生成预处理。获得的哨兵
‑
2影像、NASADEM数据和滑坡标签由WGS 84/Pseudo
‑
Mercator(ESPG：3857)重投影，并以10米分辨率重采样。
[0028]对图像进行了归一化处理。具体而言，计算各通道数据的平均值，由此生成一组平均值向量，每个像元的特征向量与该平均值向量逐像素相除即可完成归一化处理。对于影像块生成，本专利技术使用了一个大小为128
×
128像素、跨度为128像素的滑动窗口来扫描和裁剪归一化的图像。此外，标签块的生成也是通过扫描和裁剪地表真实滑坡标签获得的。
[0029](3)模型构建
[0030]采用端对端的滑坡检测网络，该网络架构包括编码路径和解码路径两个部分。以下为这两个部分的详细描述：
[0031]①
编码路径与特征融合
[0032]包括两组编码器，其中，主编码器包括4个编码块，第1个编码块中有两个卷积层，其后3个编码块中各有1个池化层和2个卷积层；伴随编码器包括3个编码块，第1和第2个编码块中有2个卷积层和1个池化层，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.利用中分辨多源遥感数据进行滑坡检测的语义分割方法，其特征在于，包括5个步骤：数据选择与下载、数据预处理、模型构建、模型训练、结果评估；具体为：(1)数据下载与标签生成；通过谷歌地球引擎检索出研究区域的所有哨兵
‑
2影像，过滤掉云量高的影像，然后以最小值生成研究区的合成图像；借助谷歌地球，通过人工解译得到研究区的滑坡标签，以此构建滑坡标签数据库；最后产生的滑坡标签是二进制数据，其中"0"表示背景，"1"表示滑坡；(2)数据预处理使用的数据一共有15个波段，其中第1至第12个波段为哨兵
‑
2影像的第1至第12波段，第13波段为坡度，第14波段为高程，第15波段为坡向；其中坡度和坡向是基于NASADEM数据计算而来；对源数据进行了重投影、图像归一化和影像块生成预处理；获得的哨兵
‑
2影像、NASADEM数据和滑坡标签由WGS 84/Pseudo
‑
Mercator重投影，并以10米分辨率重采样；(3)模型构建采用端对端的滑坡检测网络，该网络架构包括编码路径和解码路径两个部分；(4)模型训练通过最小化损失函数来实现模型参数的逐步优化；损失函数L集成了加权交叉熵损失函数L
WCE
和Dice损失函数L
Dice
；(5)模型评估采用4个指标以评价分类效果，即准确率precision、召回率recall、总体精度OA和F1分数。2.根据权利要求1所述的利用中分辨多源遥感数据进行滑坡检测的语义分割方法，其特征在于，步骤(2)数据预处理中，对图像进行了归一化处理为，计算各通道数据的平均值，由此生成一组平均值向量，每个像元的特征向量与该平均值向量逐像素相除即可完成归一化处理。3.根据权利要求1所述的利用中分辨多源遥感数据进行滑坡检测的语义分割方法，其特征在于，步骤(2)数据预处理中，对于影像块生成，使用大小为128
×
128像素、跨度为128像素的滑动窗口来扫描和裁剪归一化的图像。4.根据权利要求1所述的利用中分辨多源遥感数据进行滑坡检测的语义分割方法，其特征在于，步骤(2)数据预处理中，标签块的生成也是通过扫描和裁剪地表真实滑坡标签获得的。5.根据权利要求1所述的利用中分辨多源遥感数据进行滑坡检测的语义分割方法，其特征在于，步骤(3)中，编码路径部分，具体为：包括两组编码器，其中，主编码器包括4个编码块，第1个编码块中有两个卷积层，其后3个编码块中各有1个池化层和2个卷积层；伴随编码器包括3个编码块，第1和第2个编码块中有2个卷积层和1个池化层，第3个编码块有2个卷积层...

【专利技术属性】
技术研发人员：鲁维，胡云锋，
申请(专利权)人：中国科学院地理科学与资源研究所，
类型：发明
国别省市：