一种滑坡隐患识别方法、系统、介质及设备技术方案

本发明专利技术提供了一种滑坡隐患识别方法，涉及滑坡灾害隐患识别技术领域，包括：获取目标区域的多源图像数据，多源图像数据包括光学遥感影像、SAR影像、DEM数据、归一化植被指数以及地表覆盖类型；对多源图像数据进行通道叠加处理，得到多通道影像；将所述多通道影像分割为多个子图像，并将多个子图像逐个输入滑坡隐患预测模型中进行滑坡预测，得到每个子图像所对应的子区域存在滑坡隐患的概率；识别出概率大于预设概率阈值的子图像，该子图像所对应的子区域为目标区域中存在滑坡隐患的区域；识别出概率大于预设概率阈值的子图像，该子图像为目标区域存在滑坡隐患的区域；解决了现有技术滑坡隐患识别结果精准度不高的问题。坡隐患识别结果精准度不高的问题。坡隐患识别结果精准度不高的问题。

【技术实现步骤摘要】
一种滑坡隐患识别方法、系统、介质及设备


[0001]本专利技术涉及滑坡灾害隐患识别
，特别涉及一种滑坡隐患识别方法、系统、介质及设备。

技术介绍

[0002]滑坡是指斜坡上的岩土体受河流侵蚀、地下水活动、降雨、地震及人工切坡等诱发因素影响，在重力作用下顺坡向下滑动的地质灾害。滑坡在全国所有地质灾害中的占比达到60％以上，且据统计，重大地质灾害事件有近80％不在已知隐患点内。因此，全面、大范围、高效的滑坡隐患识别是滑坡灾害防治的急迫需求木有重要实际意义。
[0003]传统的人工实地排查滑坡灾害隐患效率低，成本高，十分耗费人力物力。近年来，随着计算机技术的发展，深度学习方法在滑坡识别领域得到广泛关注，能够有效提取深层次特征，提高滑坡识别的精度。基于空间自相关假设，滑坡的发生与周围环境密切相关，传统机器学习方法只能表达数据间的线性关系，且难以顾及滑坡点周围环境信息；基于滑坡隐患预测模型的方法可以顾及滑坡的上下文环境信息，具有更强的特征提取能力，能够表达滑坡信息间复杂的非线性关系。目前深度学习方法已在滑坡识别中有一定应用，在数据层面的滑坡本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种滑坡隐患识别方法，其特征在于，包括：步骤1，获取目标区域的多源图像数据，所述多源图像数据包括光学遥感影像、SAR影像、DEM数据、归一化植被指数以及地表覆盖类型；步骤2，对所述多源图像数据进行通道叠加处理，得到多通道影像；步骤3，将所述多通道影像分割为多个子图像，并将多个所述子图像逐个输入滑坡隐患预测模型中进行滑坡预测，得到每个子图像所对应的子区域存在滑坡隐患的概率；所述子区域为所述目标区域的一部分；步骤4，识别出所述概率大于预设概率阈值的子图像，该子图像所对应的子区域为所述目标区域中存在滑坡隐患的区域；所述滑坡隐患预测模型包括：第一卷积层、第二卷积层、第三卷积层、通道注意力模块、第一池化层、第二池化层、Dropout层、全连接层和softmax层；所述第一卷积层的输出端与所述通道注意力模块的输入端连接，所述通道注意力模块的输出端与所述第一池化层的输入端，所述第一池化层的输出端与所述第二卷积层的输入端连接，所述第二卷积层的输出端与所述第二池化层的输入端连接，所述第二池化层的输出端与所述第三卷积层的输入端连接，所述第三卷积层的输出端与所述Dropout层的输入端连接，所述Dropout层的输出端与所述全连接层的输入端连接，所述全连接层的输出端与所述softmax的输入端连接。2.根据权利要求1所述的滑坡隐患识别方法，其特征在于，通过滑窗预测的方式逐个将所述子图像输入所述滑坡隐患预测模型中进行滑坡预测。3.根据权利要求1所述的滑坡隐患识别方法，其特征在于，逐个将所述子图像输入至所述第一卷积层进行卷积处理后，经过依次连接的所述通道注意力模块、所述第一池化层、所述第二卷积层、所述第二池化层、所述第三卷积层、所述Dropout层、所述全连接层和所述softmax层进行滑坡预测，计算每个子图像所对应的子区域存在滑坡隐患的概率。4.根据权利要求3所述的滑坡隐患识别方法，其特征在于，所述通道注意力模块包括：依次连接的全局平均池化层、第四卷积层、第五卷积层；针对多个所述子图像中的每一个子图像，将经过所述第一卷积层后的所述子图像输入所述全局平均池...

【专利技术属性】
技术研发人员：黄成，兰青，魏汝兰，梁哲恒，杨迎冬，陈杰，邓敏，晏祥省，庞亚菲，梅小明，
申请(专利权)人：广东南方数码科技股份有限公司中南大学，
类型：发明
国别省市：