高分辨率多光谱地震次生滑坡灾害遥感监测方法与系统技术方案

本发明专利技术公开了一种高分辨率多光谱地震次生滑坡灾害遥感监测方法与系统，涉及地质信息处理技术领域。具体步骤为：获取待检测区域的震前遥感影像和震后遥感影像；对所述震前遥感影像和所述震后遥感影像进行变换检测，得到震后变化区域和震后非变化区域；根据所述震后非变化区域以及预设的形变速率图得到预测形变区域；将所述震后变化区域与所述预测形变区域合并得到目标区域；实时获取所述目标区域的监测数据，将所述监测数据输入至滑坡灾害预测模型中，进行滑坡灾害预测。本发明专利技术确定了更加完整全面的滑坡检测目标区域，利用卷积神经网络来进行滑坡灾害易发性预测，可有效提高预测精度以及效率。度以及效率。度以及效率。

【技术实现步骤摘要】
高分辨率多光谱地震次生滑坡灾害遥感监测方法与系统


[0001]本专利技术涉及地质信息处理
，更具体的说是涉及一种高分辨率多光谱地震次生滑坡灾害遥感监测方法与系统。

技术介绍

[0002]滑坡作为一种主要的地质灾害，在世界范围内广泛分布，在中国分布更为广泛。因此，进行及时准确地滑坡检测是地质灾害预测中必不可少的。在现有技术中，采用图像变化检测虽然能够快速识别地表变化区域，但是仅能够识别已经发生滑坡的区域，对于可能发生的次生滑坡并不识别，滑坡早期识别还可以通过常规工程勘察实现，但是这种方法主要依赖于专业人员的经验，不仅耗时费力，覆盖面有限，还需要投入大量的人力资源；光学遥感解译技术识别滑坡，尽管其覆盖范围大，且可以通过人机交互进行识别滑坡；但是存在漏判、错判现象，自动化程度低。因此，对本领域技术人员来说，如何实现滑坡灾害精确预测是亟待解决的问题。

技术实现思路

[0003]有鉴于此，本专利技术提供了一种高分辨率多光谱地震次生滑坡灾害遥感监测方法与系统，以解决
技术介绍
中提出的问题。
[0004]为了实现上述目的，本专利技术采用如下技术方案：一种高分辨率多光谱地震次生滑坡灾害遥感监测方法，具体步骤包括如下：
[0005]获取待检测区域的震前遥感影像和震后遥感影像；
[0006]对所述震前遥感影像和所述震后遥感影像进行变换检测，得到震后变化区域和震后非变化区域；
[0007]根据所述震后非变化区域以及预设的形变速率图得到预测形变区域；
[0008]将所述震后变化区域与所述预测形变区域合并得到目标区域；
[0009]实时获取所述目标区域的监测数据，将所述监测数据输入至滑坡灾害预测模型中，进行滑坡灾害预测。
[0010]可选的，所述监测数据包括地震烈度数据、坡向数据、高程数据、地质数据、降雨数据、土地利用数据、地表覆盖数据、道路数据和河流数据。
[0011]可选的，构建所述滑坡灾害预测模型的步骤为：
[0012]采集目标区域的历史监测数据，对所述历史监测数据进行量化处理分为训练集和测试集；
[0013]构建卷积神经网络模型；
[0014]将所述训练集的多个影响因子层数据输入所述卷积神经网络模型的不同通道，通过多通道加权卷积模块对不同通道加权卷积后提取的特征加权融合，再通过Softmax层对整合特征图进行概率回归处理，对所述卷积神经网络模型进行训练，得到所述滑坡灾害预测模型。
[0015]可选的，还包括判断所述预测形变区域的可信性，当所述预测形变区域可信时，确定所述预测形变区域所处的形变阶段，步骤为：
[0016]计算所述预测形变区域的相干系数均值；
[0017]将所述相干系数均值分别与相干系数阈值和参考域集合中各个元素的相干系数均值进行比对，得到所述预测形变区域的可信性。
[0018]可选的，还包括对所述震前遥感影像和所述震后遥感影像进行预处理，得到两幅基准图像，对两幅基准图像进行变换检测，得到震后变化区域和震后非变化区域；所述预处理包括对所述震前遥感影像和所述震后遥感影像分别进行辐射校正、滤波、几何校正和配准。
[0019]可选的，还包括对滑坡灾害预测结果进行分级，根据分级结果进行不同程度的预警。
[0020]另一方面，提供一种高分辨率多光谱地震次生滑坡灾害遥感监测系统，包括图像获取模块、变换检测模块、预测形变模块、区域确定模块、滑坡预测模块；其中，
[0021]所述图像获取模块，用于获取待检测区域的震前遥感影像和震后遥感影像；
[0022]所述变换检测模块，用于对所述震前遥感影像和所述震后遥感影像进行变换检测，得到震后变化区域和震后非变化区域；
[0023]所述预测形变模块，用于根据所述震后非变化区域以及预设的形变速率图得到预测形变区域；
[0024]所述区域确定模块，用于将所述震后变化区域与所述预测形变区域合并得到目标区域；
[0025]所述滑坡预测模块，用于实时获取所述目标区域的监测数据，将所述监测数据输入至滑坡灾害预测模型中，进行滑坡灾害预测。
[0026]可选的，还包括图像预处理模块，用于对所述图像获取模块的图像进行预处理。
[0027]可选的，还包括可信性测试模块，用于判断所述预测形变区域的可信性。
[0028]经由上述的技术方案可知，与现有技术相比，本专利技术公开提供了一种高分辨率多光谱地震次生滑坡灾害遥感监测方法与系统，具有以下有益的技术效果：确定了更加完整全面的滑坡检测目标区域，利用卷积神经网络来进行滑坡灾害易发性预测，可有效提高预测精度以及效率，自动化程度高且精度可靠，进行滑坡灾害预测后进行分级操作并根据分级情况进行不同程度的预警，更能够为震后应急救援、土地利用规划等提供参考。
附图说明
[0029]为了更清楚地说明本专利技术实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，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，还可以根据提供的附图获得其他的附图。
[0030]图1为本专利技术的方法流程图；
[0031]图2为本专利技术的构建滑坡灾害预测模型方法流程图；
[0032]图3为本专利技术的判断预测形变区域的可信性
[0033]图4为本专利技术的系统结构图。
具体实施方式
[0034]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0035]本专利技术实施例公开了一种高分辨率多光谱地震次生滑坡灾害遥感监测方法，如图1所示，具体步骤包括如下：
[0036]S1、获取待检测区域的震前遥感影像和震后遥感影像；
[0037]S2、对震前遥感影像和震后遥感影像进行变换检测，得到震后变化区域和震后非变化区域；
[0038]S3、根据震后非变化区域以及预设的形变速率图得到预测形变区域；
[0039]S4、将震后变化区域与预测形变区域合并得到目标区域；
[0040]S5、实时获取目标区域的监测数据，将监测数据输入至滑坡灾害预测模型中，进行滑坡灾害预测。
[0041]为了提升滑坡检测的准确性，除了关注在变化检测中发生了明显地表变化的震后变化区域的影像以外，还应注意到可能发生次生灾害的震后非变化区域。在本实施例中，根据震后非变化区域的影像以及待检测区域的预设形变速率图，从震后非变化区域中提取预测形变区域，其中，预测形变区域即为震后非变化区域中预测的可能发生次生灾害的区域。
[0042]进一步的，监测数据包括地震烈度数据、坡向数据、高程数据、地质数据、降雨数据、土地利用数据、地表覆盖数据、道路数据和河流数据。
[0043]发生滑坡时，后壁本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种高分辨率多光谱地震次生滑坡灾害遥感监测方法，其特征在于，具体步骤包括如下：获取待检测区域的震前遥感影像和震后遥感影像；对所述震前遥感影像和所述震后遥感影像进行变换检测，得到震后变化区域和震后非变化区域；根据所述震后非变化区域以及预设的形变速率图得到预测形变区域；将所述震后变化区域与所述预测形变区域合并得到目标区域；实时获取所述目标区域的监测数据，将所述监测数据输入至滑坡灾害预测模型中，进行滑坡灾害预测。2.根据权利要求1所述的一种高分辨率多光谱地震次生滑坡灾害遥感监测方法，其特征在于，所述监测数据包括地震烈度数据、坡向数据、高程数据、地质数据、降雨数据、土地利用数据、地表覆盖数据、道路数据和河流数据。3.根据权利要求1所述的一种高分辨率多光谱地震次生滑坡灾害遥感监测方法，其特征在于，构建所述滑坡灾害预测模型的步骤为：采集目标区域的历史监测数据，对所述历史监测数据进行量化处理分为训练集和测试集；构建卷积神经网络模型；将所述训练集的多个影响因子层数据输入所述卷积神经网络模型的不同通道，通过多通道加权卷积模块对不同通道加权卷积后提取的特征加权融合，再通过Softmax层对整合特征图进行概率回归处理，对所述卷积神经网络模型进行训练，得到所述滑坡灾害预测模型。4.根据权利要求1所述的一种高分辨率多光谱地震次生滑坡灾害遥感监测方法，其特征在于，还包括判断所述预测形变区域的可信性，当所述预测形变区域可信时，确定所述预测形变区域所处的形变阶段，步骤为：计算所述预测形变区域的相干系数均值；将所述相干系数均值分别与相干系数阈值和参考域集合中各个元素的相干系数均值进行比对，得...

【专利技术属性】
技术研发人员：黄成，杨迎冬，晏祥省，
申请(专利权)人：云南省地质环境监测院云南省环境地质研究院，
类型：发明
国别省市：