本发明专利技术公开了遥感信息处理技术领域的一种基于多模态数据融合感知的山体滑坡检测方法，该方法使用级联多层感知机网络，旨在解决现有基于遥感数据的山体滑坡检测方法因观测数据种类有限、现有算法忽略了近邻栅格的结构信息，致使方法无法在非观测区域实现准确、快速预测的问题。所述方法包括如下步骤：基于ArcGIS软件对观测区域的多模态数据进行栅格化配准与拼接，得到观测区域的多模态数据的栅格属性图；构建并训练级联多层感知机网络：第一级网络基于多模态数据的栅格属性图，通过叠加多层感知机，实现了对多模态数据特征提取与特征集成，第二级网络基于第一级网络输出的集成特征，通过多层感知机，实现对观测区域是否发生山体滑坡的预测。发生山体滑坡的预测。发生山体滑坡的预测。
【技术实现步骤摘要】
基于多模态数据融合感知的山体滑坡检测方法及装置
[0001]本专利技术涉及一种基于多模态数据融合感知的山体滑坡检测方法及装置，属于多模态数据融合与地理信息处理
技术介绍
[0002]基于级联多层感知机与多模态数据融合的山体滑坡检测方法作为一种山体滑坡预测方法。该方法基于采集多模态遥感、遥测数据，实现快速、无接触的山体滑坡预测，节省了大量人力物力，具有重要的实际应用价值和理论研究意义，是目前地理信息处理
的研究热点。
[0003]目前，山体滑坡检测方法主要有两类：一是使用大范围的遥感数据、地质学、岩土学数据，结合机器学习、深度学习技术，实现对某大范围地区的滑坡概率预测。二是通过在目标地区设置地质学、力学传感器，然后根据地质学与力学先验知识精确计算某小范围地区的滑坡概率。针对现实中存在着的很多未被发现的潜在山体滑坡点，常用的检测策略是：第一步，使用第一类山体滑坡检测方法，进行大范围区域的山体滑坡检测，筛查出发生山体滑坡几率较大的高危区域；第二步，使用第二类山体滑坡检测方法，在高危区域设置若干传感器，实现精准预测。本专利技术属于上述山体滑坡检测方法的第一类，可用于上述检测策略中的第一步。
[0004]本专利技术所属的第一类山体滑坡检测方法常常选择用大量的地理数据堆叠进行综合判断，所用到的地理数据有：数字高程数据、地质数据、气象数据、已发生地灾数据。由于这些数据属于多模态数据，有利于更好地提取观测区域的特征，从而有助于进行更加精准的预测。但以上这些地理数据的获取方式都存在困难：数字高程数据由于保密原因常常无法获得高分辨率的数据源；地质数据需要研究人员专门进行实地测量，导致这类数据在非观测区域缺失；气象数据的采集过度依赖于监测站，而非观测区域的监测站数量可能不满足数据采集要求，导致这类数据在非观测区域常常缺失；已发生地灾数据基于研究人员对已发生山体滑坡处、已发生地震处、已发生泥石流处等地灾数据的统计，由于地灾可能发生在难以观测的地区，导致统计数据不够精确。综上所述，大部分非观测区域存在数据缺失或不准确的问题，导致已有的第一类山体滑坡检测方法在非观测区域基本无法使用。本专利技术所用数据的分辨率较低，所用数据对监测站、研究人员的依赖性较低，且数据分布范围更大，方法具有更好的可移植性。
[0005]本专利技术所属的第一类山体滑坡检测方法所用的预测模型有：机器学习模型、深度学习模型。常见的机器学习模型是聚类、决策树等，这类方法实现了较高精度的预测，模型自身占用内存较少，但这类方法常常基于大量地理数据，且模型参数过少，不利于数据分析。常见的深度学习方法有卷积神经网络、全连接层堆叠。基于卷积神经网络的方法利用了近邻栅格的相关性，实现了高精确度预测，但它存在参数过多的劣势。基于堆叠全连接层的方法参数较少，精确度高于机器学习模型，但它过度依赖数据的种类，而且没有利用近邻栅格的相关性。本专利技术使用级联的多层感知机作为预测模型，使用的数据种类较少，模型参数
数量较少，融入了近邻栅格的相关性，可以实现更精确的判断。
技术实现思路
[0006]本专利技术的目的在于克服现有技术中的不足，提供了基于多模态数据融合感知的山体滑坡检测方法，包括如下步骤：
[0007](1)分析筛选地理信息数据，根据相关性系数筛选出多模态数据，处理多模态数据得到多模态数据的栅格属性图；
[0008](2)基于多模态数据的栅格属性图建立第一级网络，训练第一级网络，得到多模态数据的特征，融合多模态数据的特征，得到集成特征，；
[0009](3)基于集成特征建立第二级网络，训练第二级网络，实现对观测区域是否发生山体滑坡的预测。
[0010]进一步的，所述步骤(1)具体是，计算地理信息数据之间的皮尔森相关性系数，基于该相关性系数，筛选出相关性系数较小的地理信息数据作为多模态数据，对多模态数据进行栅格化处理，得到多模态数据的栅格属性图。
[0011]进一步地，使用相关性分析筛选数据，包括：
[0012]分析因素相关性，排除相关性大于阈值的因素；
[0013]进一步地，相关性阈值常常设为0.1
‑
0.2。
[0014]进一步的，所述地理信息数据包括坡度、坡向、曲率、与公路距离、与水网距离、与居民点距离、与山峰距离、NDVI指数、土壤成分。
[0015]进一步的，所述多模态数据包括与居民点距离、与水网距离、与山峰距离、坡度、坡向、NDVI、曲率、土壤成分。
[0016]进一步地，对多模态数据进行数据处理，包括：
[0017]分析数字高程数据，得出坡度、坡向、曲率栅格；
[0018]分析水网、居民点、公路、山峰数据，得出与水网距离、与居民点距离、与公路距离、与山峰距离栅格；
[0019]分析NDVI、土壤成分数据，将其按其他因素的栅格格式进行栅格化。
[0020]进一步的，所述对多模态数据进行栅格化处理利用ArcGIS软件。
[0021]进一步的，所述步骤(2)具体是，基于多模态数据的栅格属性图建立第一级网络，第一级网络是由具有不同参数和网络结构的多层感知机组成的，每个多层感知机只对其对应的一种多模态数据进行特征提取，使用训练后的第一级网络处理多模态数据，依次拼接每个多层感知机提取到的特征，得到集成特征。
[0022]进一步的，组成第一级网络的多层感知机的网络结构有两种，分别是六层型和七层型。
[0023]进一步的，第一级网络是由8个具有不同参数和网络结构的多层感知机组成的，六层型多层感知机针对与居民点距离、与水网距离、与山峰距离、坡度、坡向、NDVI这6种数据；七层型多层感知机针对曲率、土壤成分这2种数据。
[0024]进一步的，所述步骤(3)具体是，基于集成特征建立第二级网络，第二级网络是由1个多层感知机组成，使用训练后的第二级网络处理集成特征，得到对观测区域是否发生山体滑坡的判断。
[0025]进一步地，构建第一级、第二级网络，包括：
[0026]第一级网络的多层感知机的结构有两种，分别是6层型(6个神经元层包含的神经元个数依次为9、7、5、3、2、1)、7层型(首先是LayerNorm层，之后有6个神经元层，包含的神经元个数依次为9、7、5、3、2、1)，针对与居民点距离、与水网距离、与山峰距离、坡度、坡向、NDVI这6种数据使用6层型网络，针对曲率、土壤成分数据这2种数据使用7层型网络；第二级网络由1个多层感知机构成，其结构为6个神经元层，神经元个数依次为16、12、8、6、4、1。
[0027]进一步地，训练第一级、第二级网络，包括：
[0028]均使用Adam优化器，均使用交叉熵损失函数，初始学习率均设置为0.01，每经过50次迭代，学习率均降为原先的0.2倍，batch大小均为16，第一级网络迭代训练300次，第二级网络迭代训练200次。
[0029]第一级网络中，对各模态数据单独设置合适的网络模型，单独训练，迭代训练得到各因素的最佳预测网络。之后保存各网络的最后一个隐层本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.基于多模态数据融合感知的山体滑坡检测方法，其特征在于，包括以下步骤:(1)分析筛选地理信息数据，根据相关性系数筛选出多模态数据，处理多模态数据得到多模态数据的栅格属性图；(2)基于多模态数据的栅格属性图建立第一级网络，训练第一级网络，得到多模态数据的特征，融合多模态数据的特征，得到集成特征，；(3)基于集成特征建立第二级网络，训练第二级网络，实现对观测区域是否发生山体滑坡的预测。2.根据权利要求1所述的基于多模态数据融合感知的山体滑坡检测方法，其特征在于，所述步骤(1)具体是，计算地理信息数据之间的皮尔森相关性系数，基于该相关性系数，筛选出相关性系数较小的地理信息数据作为多模态数据，对多模态数据进行栅格化处理，得到多模态数据的栅格属性图。3.根据权利要求1所述的基于多模态数据融合感知的山体滑坡检测方法，其特征在于，所述地理信息数据包括坡度、坡向、曲率、与公路距离、与水网距离、与居民点距离、与山峰距离、NDVI指数、土壤成分。4.根据权利要求1所述的基于多模态数据融合感知的山体滑坡检测方法，其特征在于，所述多模态数据包括与居民点距离、与水网距离、与山峰距离、坡度、坡向、NDVI、曲率、土壤成分。5.根据权利要求2所述的基于多模态数据融合感知的山体滑坡检测方法，其特征在于，所述对多模态数据进行栅格化处理利用ArcGIS软件。6.根据权利要求1所述的基于多模态数据融合感知的山体滑坡检测方...
【专利技术属性】
技术研发人员：李垠恒，李敏，李波，陶石磊，
申请(专利权)人：河海大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。