一种基于Transformer模型进行滑坡易发性评价的方法技术

一种基于Transformer模型进行滑坡易发性评价的方法，本发明专利技术利用Transformer模型建立模型对滑坡进行滑坡易发性评价，并制作滑坡敏感性图。以2008年汶川地震的受灾区为研究区，选取18个滑坡影响因子，利用基于Transformer深度学习网络开展滑坡易发性评价。并利用准确率、均方根误差以及ROC曲线等评价指标验证其性能，结果表明基于Transformer模型的算法精度最高达到88.53％，说明基于Transformer模型的滑坡易发性评价模型有着较好的应用前景。的滑坡易发性评价模型有着较好的应用前景。的滑坡易发性评价模型有着较好的应用前景。

【技术实现步骤摘要】
一种基于Transformer模型进行滑坡易发性评价的方法


[0001]本专利技术涉及地质灾害评价
，尤其是涉及一种基于Transformer模型进行滑坡易发性评价的方法。

技术介绍

[0002]滑坡是一种很常见的地质灾害类型，根据2021年《全国地质灾害通报》表明，全国共发生地质灾害4772起，其中滑坡2335起，滑坡发生比例占比接近50％，造成了大量的社会经济损失与人员伤亡。因此，科学、准确的地进行滑坡易发性评价是减灾防灾工作的基础。
[0003]滑坡易发性评价质量主要取决于模型的拟合性与评价数据的质量好坏。许多研究学者利用机器学习方法进行滑坡易发性评价，包括逻辑回归(LR)、径向基函数(RBF)、人工神经网络(ANN)、随机森林(RF)和支持向量机(SVM)等方法。这些方法都取得了不错的成果，但是机器学习方法直接对输入数据进行分类，无法从这些数据中发现更多具有代表性的特征来进一步提高分类精度。
[0004]为了解决这个问题，深度学习方法受到了许多研究学者的关注。近几年，Transformer在自然语言处理(NLP)领域大放光彩，Transformer一经推出就引发NLP领域的变革，在之后的研究中很多都采用了Transformer。同样，Transformer也在计算机视觉领域取得了巨大的成就，基于Transformer的网络已经在许多数据集上取得了比之前网络更好的性能。同时，近些年来，地质灾害数据的质量和数量都有很大提高，这些数据具有多源性、时空性和非线性等特点，因此，如何准确、可靠的处理海量灾害数据显得尤为重要。Transformer由于其自身的特性，能够很好适应复杂数据，使数据在模式上的对齐表示更加优秀，更好的获取数据的特征。对于滑坡灾害来说，其成因机理复杂、影响因素众多，深度学习模型在理论上能够更好地模拟滑坡灾害的形成并准确预测潜在的滑坡。因此，基于Transformer的深度学习在滑坡易发性分析方法具有广阔的应用前景。
[0005]尽管Transformer的应用十分广泛，但是该应用在滑坡易发性评价上的研究较少。鉴于此，本专利技术提出了一个基于Transformer的滑坡易发性评价模型，以汶川地震的受灾区为研究区域进行实验，以探索其在滑坡易发性评价方面的应用。

技术实现思路

[0006]针对现有技术存在的问题，本专利技术提供的一种基于Transformer模型进行滑坡易发性评价的方法，探索其在滑坡易发性评价方面的应用。
[0007]本专利技术采用以下技术方案：一种基于Transformer模型进行滑坡易发性评价的方法，其特征在于，包括以下步骤：步骤S1、获取研究区的滑坡历史清单，将所述滑坡历史清单导入到ArcGIS软件中进行处理，形成滑坡空间数据集；步骤S2、获取研究区域的滑坡影响因子数据，将所述滑坡影响因子数据导入到
ArcGIS软件中进行处理，将所有的滑坡影响因子数据进行处理，将处理后的滑坡影响因子数据采样到相同的分辨率大小，并对连续性的滑坡影响因子进行处理成离散型因子，最后导出备用。步骤S3、将所述步骤S2中的滑坡影响因子数据进行共线性分析，剔除线性程度较高的因子，确定最终用于滑坡易发性评价的滑坡影响因子数据；步骤S4、将所述步骤S1的滑坡空间数据集与所述步骤S3中筛选后的滑坡影响因子数据在ArcGIS软件中进行处理，将滑坡空间数据位置的相关滑坡影响因子数据进行提取，导出后作为网络的训练数据集；步骤S5、构建基于Transformer模型的滑坡易发性评价模型；步骤S6、将所述步骤S4中提取的训练数据集输入到所述步骤S5中构建的滑坡易发性评价模型型中进行训练；步骤S7、将所述步骤S6中训练好的滑坡易发性评价模型对研究区其他地区进行滑坡易发性预测，每个研究区域中都会得到一个滑坡易发性指数，所述滑坡易发性指数在0
‑
1之间；步骤S8、将研究区的所有滑坡易发性指数导入在ArcGIS软件中生成研究区的滑坡敏感性图。
[0008]所述步骤S1中，将发生滑坡的位置作为模型训练的正样本，将未发生滑坡的区域随机选择与正样本数量相同的负样本。
[0009]所述步骤S2中的滑坡影响因子数据包括距断层距离、岩性、坡度、地貌类型、距河流距离、距道路距离、土地利用类型、坡向、高程、平面曲率、剖面曲率、降雨量、植被归一化指数(Normalized Difference Vegetation Index,NDVI)、地形湿度指数(Topographic Wetness Index，TWI)和径流强度指数(Stream Power Index，SPI)。
[0010]所述步骤S3中，采用方差膨胀系数VIF指标解决多重共线性问题：VIF值越接近于1，多重共线性越轻，反之越重；采用方差膨胀因子(VIF)和容忍度(TOL)来检验滑坡影响因子的多重共线性，VIF的值小于10，TOL的值大于0.1，表明这些变量是相互独立的，将相关性较大的因子剔除。
[0011]所述步骤S4中，将训练样本按照7：3的比例分为训练集和验证集，采用准确率、均方根误差以及ROC曲线评价指标验证其性能。
[0012]所述步骤S5中，使用8块Transformer模块进行构建滑坡易发性评价模型。
[0013]所述步骤S6中，通过加入Dropout层进行防止模型过拟合。
[0014]本专利技术具有以下有益效果：利用Transformer模型进行滑坡易发性评价有着较好的精度，其ACC、AUC、MAE、RSME比CNN
‑
1D模型高5.73％、4.8％、0.0893、0.0621。基于Transformer的滑坡易发性评价模型预测结果中极高易发区中滑坡点占比为73.84％，高于CNN
‑
1D模型的56.39％，更加符合研究区域的滑坡的空间分布。研究说明Transformer模型在滑坡易发性评价上有着较好的应用潜力。
附图说明
[0015]图1是本专利技术的流程图；图2是本专利技术的基于Transformer网络模型图；
图3是本专利技术中的研究区地理位置及滑坡分布；图4是本专利技术中的基于Transformer模型的滑坡易发性评价方法ROC曲线；图5是本专利技术中的不同方法的易发性分区对比图。
具体实施方式
[0016]下面将结合实施例对本专利技术的实施方案进行详细描述，但是本领域的技术人员将会理解，下列实施例仅用于说明本专利技术，而不应视为限制本专利技术的范围。
[0017]下面结合附图对本专利技术的实施方式进行详细说明。
[0018]参考图1，本专利技术的一种基于边缘引导的注意神经网络自动识别的方法，包括以下步骤：步骤S1、获取研究区的滑坡历史清单，将其导入到ArcGIS软件中进行处理，形成滑坡空间数据集。
[0019]步骤S2、获取研究区域的滑坡影响因子数据，将滑坡影响因子数据导入到ArcGIS软件中进行处理，将所有的滑坡影响因子数据进行处理，将滑坡影响因子数据采样到相同的分辨率大小，并对连续性滑坡影响因子进行处理成离散型因子本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Transformer模型进行滑坡易发性评价的方法，其特征在于，包括以下步骤：步骤S1、获取研究区的滑坡历史清单，将所述滑坡历史清单导入到ArcGIS软件中进行处理，形成滑坡空间数据集；步骤S2、获取研究区域的滑坡影响因子数据，将所述滑坡影响因子数据导入到ArcGIS软件中进行处理，将所有的滑坡影响因子数据进行处理，将处理后的所述滑坡影响因子数据采样到相同的分辨率大小，并对连续性的滑坡影响因子进行处理成离散型因子，最后导出备用；步骤S3、将所述步骤S2中的滑坡影响因子数据进行共线性分析，剔除线性程度较高的因子，确定最终用于滑坡易发性评价的滑坡影响因子数据；步骤S4、将所述步骤S1的滑坡空间数据集与步骤S3中筛选后的滑坡影响因子数据在ArcGIS软件中进行处理，将滑坡空间数据位置的相关滑坡影响因子数据进行提取，导出后作为网络的训练数据集；步骤S5、构建基于Transformer模型的滑坡易发性评价模型；步骤S6、将所述步骤S4中提取的训练数据集输入到步骤S5中构建的滑坡易发性评价模型型中进行训练；步骤S7、将所述步骤S6中训练好的滑坡易发性评价模型对研究区其他地区进行滑坡易发性预测，每个研究区域中都得到一个滑坡易发性指数，所述滑坡易发性指数在0
‑
1之间；步骤S8、将研究区的所有滑坡易发性指数导入在ArcGIS软件中生成研究区的滑坡敏感性图。2.根据权利要求1中所述的基于Transformer模型进行滑坡易发性评价的方法，其特征在于，所述步骤S1中，将发生滑坡的位置作为模型训练的正样本，将未发生滑坡的区域随机选择与正样本数量相同的负样本。3.根据权...

【专利技术属性】
技术研发人员：崔剑，张古彬，刘晓静，马涛峰，郭恒亮，刘帮，魏海涛，赵珊，乔宝晋，张杜鹃，
申请(专利权)人：郑州大学，
类型：发明
国别省市：