一种滑坡隐患的识别方法、终端设备及介质技术

本申请适用于地质灾害识别技术领域，提供了一种滑坡隐患的识别方法、终端设备及介质，通过获取已识别区域的遥感图像，并对其进行通道叠加，得到多通道影像数据；从多通道影像数据中提取训练样本，得到训练样本集；提取滑坡隐患特征，得到多个候选特征因子，并确定训练样本集对应的最相关特征因子；构建初始滑坡隐患预测模型，并利用训练样本集对初始滑坡隐患预测模型进行训练，得到最终滑坡隐患预测模型；利用最终滑坡隐患预测模型对待识别区域对应的多通道影像数据进行预测，得到存在滑坡隐患的地表点位；基于滑坡隐患规则集，识别地表点位的滑坡隐患。本申请能提高滑坡隐患识别的准确性。准确性。准确性。

【技术实现步骤摘要】
一种滑坡隐患的识别方法、终端设备及介质


[0001]本申请属于地质灾害识别
，尤其涉及一种滑坡隐患的识别方法、终端设备及介质。

技术介绍

[0002]滑坡隐患识别是指在不同空间尺度下对滑坡隐患位置、范围、发生可能性的预测。滑坡具有高度隐蔽性、突然性和破坏性。针对滑坡隐患的类别确认，特别是大区域下滑坡隐患早期类别确认，对滑坡灾害风险评价、早期预警、机理探索等研究工作意义重大，是实现由“被动避灾救灾”为“主动防灾治灾”的有效途径。
[0003]现有滑坡隐患的识别方法可归纳为知识驱动和数据驱动两类。知识驱动方法旨在基于地质专家知识进行隐患类别确认，包括人工地面调查：通过专业人员实地调查识别隐患，准确率较高，但效率低下，且难以识别高位、隐蔽性隐患，导致识别不全。目视解译：通过专业人员的知识和经验在遥感影像上对斜坡进行目视判别，准确度较高，但非常依赖专业人员的经验，且十分费时费力。特征阈值：根据人工经验和数据特点设定一种或者多种分割阈值进行滑坡识别。由于识别标准为特定区域特定特征的阈值，因此适用范围较小。
[0004]数据驱动方法旨在以数据为基础，通过不同的数据处理算法分析数据之间的关联关系，进而生成经验模型实现滑坡隐患识别，包括机器学习：机器学习使用计算机算法通过从训练数据中学习来分析和预测信息。具体的，通过隐患识别样本进行学习以实现滑坡隐患识别，机器学习方法具有高效率及高精度的优点，但特征选择和超参数调试工作量较大。深度学习：深度学习本质是一种更深层次的机器学习方法，通过组合低层特征形成更加抽象的高层特征，可自动提取和选择特征进而实现隐患类型确认，适用于大场景的隐患确认，但是受限于滑坡隐患样本数量，容易导致模型过拟合问题。总体来看，知识驱动方法基于专家领域知识，可解释性强，但自动化程度不高。数据驱动方法以数据为驱动，具有高效率及高精度等特点，但是受样本数量和质量制约，存在过拟合、解释性差、可靠性低等问题。
[0005]综上分析，一方面，利用光学遥感、干涉雷达（InSAR）、物探等多种监测手段可实现大尺度、全周期滑坡隐患识别，但也存在容易出现漏判和误判。其中，漏判是指部分隐患没有被识别，误判是指将农田、裸地等其他非隐患地物识别为隐患。另一方面，基于知识驱动方法和基于数据驱动方法没有很好的融合，导致现有滑坡隐患识别的可解释性和精确性难以平衡。因此亟需一种能够准确的识别滑坡隐患的方法。

技术实现思路

[0006]本申请提供了一种滑坡隐患的识别方法、终端设备及介质，可以解决目前滑坡隐患的识别准确率较低的问题。
[0007]第一方面，本申请提供了一种滑坡隐患的识别方法，包括：获取已识别区域的遥感图像，并对遥感图像进行通道叠加，得到已识别区域的多通道影像数据；
从多通道影像数据中提取训练样本，得到训练样本集；其中，训练样本表示不同通道的图像属性值排列成的序列，训练样本集包括多个滑坡隐患样本和多个非滑坡隐患样本；提取训练样本集的滑坡隐患特征，得到多个候选特征因子，并从多个候选特征因子中确定训练样本集对应的最相关特征因子；其中，特征因子表示产生滑坡隐患的影响因素，最相关特征因子表示重要程度最大的候选特征因子；构建初始滑坡隐患预测模型，并利用训练样本集对初始滑坡隐患预测模型进行训练，得到最终滑坡隐患预测模型；滑坡隐患预测模型包括分支一和分支二，分支一用于处理遥感图像，分支二用于处理最相关影响因子；利用最终滑坡隐患预测模型对待识别区域对应的多通道影像数据进行预测，得到待识别区域中存在滑坡隐患的地表点位。
[0008]基于预先构建的滑坡隐患规则集，识别地表点位的滑坡隐患；滑坡隐患为正在形变区、历史变形破坏区或者潜在不稳定斜坡。
[0009]可选的，滑坡隐患特征包括形态特征、形变特征、形势特征以及其他特征；其中，形势特征包括滑坡的致灾因子和滑坡的灾害范围。
[0010]可选的，从多个候选特征因子中确定训练样本集对应的最相关特征因子，包括：得到多个候选特征因子之间的相关程度系数；其中，表示第个候选特征因子与第个候选特征因子之间的相关程度系数，，，表示候选特征因子的总数量，表示方差，表示第个候选特征因子与第个候选特征因子之间的协方差；通过计算公式得到每个候选特征因子的方差膨胀系数；其中，表示第个候选特征因子的方差膨胀系数，表示除去的个其他候选特征因子进行线性回归时得到的确定性系数，方差膨胀系数用于度量每个候选特征因子内部的共线性程度；从多个候选特征因子中分别剔除相关程度系数大于预设相关程度阈值的候选特征因子和方差膨胀系数大于预设方差膨胀阈值的候选特征因子，得到多个相关特征因子。
[0011]可选的，从多个候选特征因子中确定训练样本集对应的最相关特征因子，还包括：通过计算公式
得到滑坡隐患特征对训练样本集的信息增益；其中，表示滑坡隐患特征对训练样本集的信息增益，为形态特征、形变特征、形势特征以及其他特征四者中的任一者，表示由滑坡隐患特征划分训练样本集后得到的子集合的个数，表示第个子集合中训练样本的数量，，表示训练样本集中训练样本的总数量，表示第个子集合的信息熵，表示第个子集合中相关特征因子的总类别数，表示第个相关特征因子的类别在第个子集合中出现的概率；将最大信息增益对应的滑坡隐患特征作为最相关滑坡隐患特征，并将最相关滑坡隐患特征对应的相关特征因子作为最相关特征因子。
[0012]可选的，分支一包括第一卷积层、第二卷积层以及第一池化层，分支二包括第三卷积层、第四卷积层以及第二池化层；其中，第一卷积层的输出端分别连接第二卷积层的输入端和第一池化层的输入端，第二卷积层输出经过卷积算子计算后的遥感图像对应的第一栅格矩阵，第一池化层输出经过感受野内最大值计算后的遥感图像对应的第二栅格矩阵，第三卷积层的输出端分别连接第四卷积层的输入端和第二池化层的输入端，第四卷积层输出经过卷积算子计算后的最相关影响因子对应的第三栅格矩阵，第二池化层输出经过感受野内最大值计算后的最相关影响因子对应的第四栅格矩阵。
[0013]可选的，滑坡隐患预测模型还包括第一处理单元、第二处理单元、通道重排模块、第三池化层、第四池化层、第五池化层、第三处理单元、第五卷积层、第六卷积层、第四处理单元以及CBAM模块；其中，第一处理单元的输入端分别连接分支一中第二卷积层的输出端和第一池化层的输出端，第一处理单元的输出端连接通道重排模块的输入端，第二处理单元的输入端分别连接分支二中第四卷积层的输出端和第二池化层的输出端，第二处理单元的输出端连接通道重排模块的输入端，通道重排模块的输出端分别连接第三池化层的输入端、第五池化层的输入端以及第五卷积层的输入端，第三池化层的输出端连接第四处理单元的输入端，第四池化层的输入端连接第三处理单元的输出端，第四池化层的输出端连接第四处理单元的输入端；第五池化层的输出端连接第三处理单元的输入端，第五卷积层的输出端连接第三处理单元的输入端，第三处理单元的输出端连接第五池化层的输入端，第六卷积层的输出端连接第四处理单元的输入端，CBAM模块的输入端连接第四处理单元的输出端，CBAM模块输出滑本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种滑坡隐患的识别方法，其特征在于，包括：获取已识别区域的遥感图像，并对所述遥感图像进行通道叠加，得到所述已识别区域的多通道影像数据；从所述多通道影像数据中提取训练样本，得到训练样本集；其中，所述训练样本表示不同通道的图像属性值排列成的序列，所述训练样本集包括多个滑坡隐患样本和多个非滑坡隐患样本；提取所述训练样本集的滑坡隐患特征，得到多个候选特征因子，并从所述多个候选特征因子中确定所述训练样本集对应的最相关特征因子；其中，所述特征因子表示产生滑坡隐患的影响因素，所述最相关特征因子表示重要程度最大的候选特征因子；构建初始滑坡隐患预测模型，并利用所述训练样本集对所述初始滑坡隐患预测模型进行训练，得到最终滑坡隐患预测模型；所述滑坡隐患预测模型包括分支一和分支二，所述分支一用于处理所述遥感图像，所述分支二用于处理所述最相关影响因子；利用所述最终滑坡隐患预测模型对待识别区域对应的多通道影像数据进行预测，得到所述待识别区域中存在滑坡隐患的地表点位；基于预先构建的滑坡隐患规则集，识别所述地表点位的滑坡隐患；所述滑坡隐患为正在形变区、历史变形破坏区或者潜在不稳定斜坡。2.根据权利要求1所述的识别方法，其特征在于，所述滑坡隐患特征包括形态特征、形变特征、形势特征以及其他特征；其中，所述形势特征包括滑坡的致灾因子和滑坡的灾害范围。3.根据权利要求2所述的识别方法，其特征在于，所述从所述多个候选特征因子中识别所述训练样本集对应的最相关特征因子，包括：通过计算公式得到所述多个候选特征因子之间的相关程度系数；其中，表示第个候选特征因子与第个候选特征因子之间的相关程度系数，，，表示候选特征因子的总数量，表示方差，表示第个候选特征因子与第个候选特征因子之间的协方差；通过计算公式得到每个候选特征因子的方差膨胀系数；其中，表示第个候选特征因子
的方差膨胀系数，表示除去的个其他候选特征因子进行线性回归时得到的确定性系数，所述方差膨胀系数用于度量每个候选特征因子内部的共线性程度；从所述多个候选特征因子中分别剔除相关程度系数大于预设相关程度阈值的候选特征因子和方差膨胀系数大于预设方差膨胀阈值的候选特征因子，得到多个相关特征因子。4.根据权利要求3所述的识别方法，其特征在于，所述从所述多个候选特征因子中确定所述训练样本集对应的最相关特征因子，还包括：通过计算公式通过计算公式得到滑坡隐患特征对训练样本集的信息增益；其中，表示滑坡隐患特征对训练样本集的信息增益，为形态特征、形变特征、形势特征以及其他特征四者中的任一者，表示由滑坡隐患特征划分训练样本集后得到的子集合的个数，表示第个子集合中训练样本的数量，，表示训练样本集中训练样本的总数量，表示第个子集合的信息熵，表示第个子集合中相关特征因子的总类别数，表示第个相关特征因子的类别在第个子集合中出现的概率；将最大信息增益对应的滑坡隐患特征作为最相关滑坡隐患特征，并将所述最相关滑坡隐患特征对应的相关特征因子作为所述最相关特征因子。5.根据权利要求1所述的识别方法，其特征在于，所述分支一包括第一卷积层、第二卷积层以及第一池化层，所述分支二包括第三卷积层、第四卷积层以及第二池化层；其中，所述第一卷积层的输出端分别连接所述第二卷积层的输入端和所述第一池化层的输入端，所述第二卷积层输出经过卷积算子计算后的遥感图像对应的第一栅格矩阵，所述第一池化层输出经过感受野内最大值计算后的遥感图像对应的第二栅格矩阵，所述第三卷积层的输出端...

【专利技术属性】
技术研发人员：刘青豪，唐建波，徐倩，杨学习，梅小明，
申请(专利权)人：中南大学，
类型：发明
国别省市：