基于深度学习与空间数据查询的地质灾害监测方法及系统技术方案

本发明专利技术涉及基于深度学习与空间数据查询的地质灾害监测方法及系统，其检测方法包括基于孪生神经网络构建地质灾害定位评级模型；获取受灾区域的灾前遥感图像数据；基于物化视图查询方法

【技术实现步骤摘要】
基于深度学习与空间数据查询的地质灾害监测方法及系统


[0001]本专利技术涉及深度学习
、
空间数据库优化查询领域，具体涉及一种基于深度学习与空间数据查询的地质灾害监测方法及系统
。

技术介绍

[0002]遥感数据是用遥感器探测来自地表的电磁波，通过采样及量化后获得的数字化数据
。
分析遥感数据能够掌握国土资源利用和土地覆盖类型，是地理国情普查与监测的重要内容
。
通过高效获取准确
、
客观的土地利用情况，监测国土变化情况，能够及时掌握灾害体变形动态，分析其稳定性，超前做出预测预报，防止灾难发生
。
特别是在地质灾害监测领域发挥了很大的作用，面对滑坡
、
泥石流来袭时，通过系统对监测数据和历史数据的进行分析比对，得出预警信息，提供决策依据，保障民众生命财产安全，减少造成的人员伤亡以及资产损失
。
[0003]当前在该领域解决地质监测问题的传统方法主要是有两种：
(1)
基于人工实地调研与勘察，虽然这种方式能够较易获取调查地区的实际准确数据信息，但耗费大量的人力
、
物力，实时性低，危险系数相当高
。(2)
基于无人机遥感图像勘察，有着耗时久，投入资金多，存在危险性等种种弊端
。
在这种困境下，基于遥感数据依托深度学习方法的地质灾害监测系统具有实时性高，精确度高，信息量大的优点，成为了新的勘察方法
。
人工智能与深度学习技术有着高精确识别的优势，对比以往常规的检测方法，有着提高检测识别率及攻克以往的研究难点优势
。
然而，当前大部分神经网络存在模型内存开销过大
、
运行时间过长
、
能量损耗过大
、
查询时间长等缺点
。

技术实现思路

[0004]为了解决现有地质监测技术中，利用神经网络模型内进行地质检测过程中存开销过大
、
运行时间过长
、
能量损耗过大
、
查询时间长等技术问题，本专利技术提供一种基于深度学习与空间数据查询的地质灾害监测方法及系统
。
[0005]本专利技术解决上述技术问题的技术方案如下：
[0006]基于深度学习与空间数据查询的地质灾害监测方法，包括如下步骤：
[0007]基于孪生神经网络构建地质灾害定位评级模型；
[0008]获取受灾区域的灾前遥感图像数据；
[0009]基于物化视图查询方法
、TBDR
‑
Tree
索引方法以及图形轮廓分割方法从空间数据库中获取受灾区域的灾后遥感图像数据；
[0010]通过将所述灾前遥感图像数据以及所述灾后遥感图像数据输入所述地质灾害定位评级模型，以识别所述受灾区域的位置和受灾等级，对应得到受灾位置信息和受灾等级信息；
[0011]输出所述受灾位置信息以及所述受灾等级信息
。
[0012]本专利技术的有益效果是：通过采用
TBDR
‑
Tree
索引结构算法
、
物化视图和轨迹分割的
时空查询算法，大大优化了查询时间，减轻了内存开销，运行时间缩短
。
同时对卷积神经网络的压缩和加速的研究从软件算法层面开展，拟采用知识蒸馏方法，通过时空数据优化技术，挖掘遥感数据的深层意义，设计与开发面向地质灾害监测的轻量化的遥感图像灾情检测深度学习模型，实现了高效精确的面向遥感图像的灾情检测
、
灾区识别
、
受灾等级划分的功能
。
[0013]在上述技术方案的基础上，本专利技术还可以做如下改进
。
[0014]进一步，基于孪生神经网络构建地质灾害定位评级模型，包括如下步骤：
[0015]获取受灾前的多个历史灾前遥感图像数据，并将多个所述历史灾前遥感图像数据整合成数据集得到骨干训练数据集；
[0016]基于深度学习中的图像分割方法建立骨干网络模型；
[0017]利用所述骨干训练数据集训练所述骨干网络模型，得到受灾位置识别模型；
[0018]构建与所述骨干网络模型共享模型权重的孪生网络，并将所述受灾位置识别模型的编码器迁移为所述孪生网络的编码器；
[0019]获取多个与所述历史灾前遥感图像数据对应的受灾后的历史灾后遥感图像数据，并将多个所述历史灾前遥感图像数据整合成数据集得到孪生训练数据集；
[0020]利用所述骨干训练数据集以及所述孪生训练数据集训练所述孪生网络，得到受灾程度判定模型；
[0021]将所述受灾位置识别模型与所述受灾程度判定模型进行模型集成，得到原始训练模型；
[0022]基于知识蒸馏的迁移学习方法构建学生模型；
[0023]将所述原始训练模型作为教师模型迁移至所述学生模型上，得到所述地质灾害定位评级模型
。
[0024]进一步，所述骨干网络模型包括编码器以及解码器；所述编码器为移动翻转瓶颈卷积模块，所述移动翻转瓶颈卷积模块的倒残差激活函数为
Swi sh
激活函数；所述移动翻转瓶颈卷积模块包括第一逐点卷积层
、
深度卷积层
、
注意力机制层以及第二逐点卷积层
。
[0025]进一步，所述受灾等级信息包括四个不同等级的受灾程度信息；所述质灾害定位评级模型的输出通道为五个，其中一个输出通道输出所述受灾位置信息，剩余的四个输出通道输出分别表示四个不同等级的所述受灾程度信息
。
[0026]进一步，基于物化视图查询方法
、TBDR
‑
Tree
索引方法以及图形轮廓分割方法从空间数据库中获取受灾区域的灾后遥感图像数据，包括如下步骤：
[0027]基于物化视图查询方法构建所述空间数据库；
[0028]基于图形轮廓分割方法将卫星遥感图像数据分割成多个图像数据碎片后存储于所述空间数据库中；
[0029]通过预设数据更新计算方法动态更新所述空间数据库中受灾后的所述卫星遥感图像数据；
[0030]基于
TBDR
‑
Tree
索引方法从所述空间数据库中查询受灾后的多个所述图像数据碎片，并将受灾后多个所述图像数据碎片拼接成遥感图像得到所述灾后遥感图像数据
。
[0031]进一步，通过预设数据更新计算方法动态更新所述空间数据库中受灾后的所述卫星遥感图像数据，包括如下步骤：
[0032]采集实时卫星遥感图像数据；
[0033]判断所述实时卫星遥感图像数据与所述空间数据库中受灾后的所述卫星遥感图像数据是否相交；
[0034]若是，则不更新所述空间数据库；
[0035]若否，则更新所述空间数据库
。
[0036]进一步，基于
TBDR...

【技术保护点】

【技术特征摘要】
1.
基于深度学习与空间数据查询的地质灾害监测方法，其特征在于，包括如下步骤：基于孪生神经网络构建地质灾害定位评级模型；获取受灾区域的灾前遥感图像数据；基于物化视图查询方法
、TBDR
‑
Tree
索引方法以及图形轮廓分割方法从空间数据库中获取受灾区域的灾后遥感图像数据；通过将所述灾前遥感图像数据以及所述灾后遥感图像数据输入所述地质灾害定位评级模型，以识别所述受灾区域的位置和受灾等级，对应得到受灾位置信息和受灾等级信息；输出所述受灾位置信息以及所述受灾等级信息
。2.
根据权利要求1所述的基于深度学习与空间数据查询的地质灾害监测方法，其特征在于，基于孪生神经网络构建地质灾害定位评级模型，包括如下步骤：获取受灾前的多个历史灾前遥感图像数据，并将多个所述历史灾前遥感图像数据整合成数据集得到骨干训练数据集；基于深度学习中的图像分割方法建立骨干网络模型；利用所述骨干训练数据集训练所述骨干网络模型，得到受灾位置识别模型；构建与所述骨干网络模型共享模型权重的孪生网络，并将所述受灾位置识别模型的编码器迁移为所述孪生网络的编码器；获取多个与所述历史灾前遥感图像数据对应的受灾后的历史灾后遥感图像数据，并将多个所述历史灾前遥感图像数据整合成数据集得到孪生训练数据集；利用所述骨干训练数据集以及所述孪生训练数据集训练所述孪生网络，得到受灾程度判定模型；将所述受灾位置识别模型与所述受灾程度判定模型进行模型集成，得到原始训练模型；基于知识蒸馏的迁移学习方法构建学生模型；将所述原始训练模型作为教师模型迁移至所述学生模型上，得到所述地质灾害定位评级模型
。3.
根据权利要求2所述的基于深度学习与空间数据查询的地质灾害监测方法，其特征在于，所述骨干网络模型包括编码器以及解码器；所述编码器为移动翻转瓶颈卷积模块，所述移动翻转瓶颈卷积模块的倒残差激活函数为
Swish
激活函数；所述移动翻转瓶颈卷积模块包括第一逐点卷积层
、
深度卷积层
、
注意力机制层以及第二逐点卷积层
。4.
根据权利要求2所述的基于深度学习与空间数据查询的地质灾害监测方法，其特征在于，所述受灾等级信息包括四个不同等级的受灾程度信息；所述质灾害定位评级模型的输出通道为五个，其中一个输出通道输出所述受灾位置信息，剩余的四个输出通道输出分别表示四个不同等级的所述受灾程度信息
。5.
根据权利要求1所述的基于深度学习与空间数据查询的地质灾害监测方法，其特征在于，基于物化视图查询方法
、TBDR
‑
Tree
索引方法以及图形轮廓分割方法从空间数据库中获取受灾区域的灾后遥感图像数据，包括如下步骤：基于物化视图查询方法构建所述空间数据库；基于图形轮廓分割方法将卫星遥感图像数据分割成多个图像数据碎片后存储于所述空间数据库中；
通过预设数据更新计算方法动态更新所述空间数据库中受灾后的所述卫星遥感图像数据；基于
TBDR
‑
Tree<...

【专利技术属性】
技术研发人员：丁伟，张玮，张晓函，史惠玲，郝昊，谭立状，王小龙，
申请(专利权)人：山东省计算中心国家超级计算济南中心，
类型：发明
国别省市：