System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于冰川变化检测,具体为一种基于深度学习的灾害链识别方法及系统。
技术介绍
1、灾害链通常为高速远程崩塌—滑坡—碎屑流,运动形式宏观上表现为岩土块体或颗粒的集团式流动,具有规模大、速度快、滑程远、多态化、常转向、冲程多、冲击性和摧毁性等特征。
2、冰崩碎屑流是高寒山区斜坡上冰川在重力作用下,发生崩滑后,经势能转化动能、解体、铲刮下部松散物质一起运动而形成的一种高速远程且内部结构极为复杂的特殊流体,因此它同时具有冰崩和高速远程崩塌滑坡—碎屑流的特点,危害性极大,且往往引发一系列的严重的次生灾害。因此,对灾害链的识别、还原、防治和监测是一项重要且持久的过程。
3、但由于这些冰崩碎屑流多发生在高海拔偏远山区,常规调查手段难以开展工作,使用遥感手段对区域地质灾害进行调查与监测是十分必要的。近年来,合成孔径雷达(synthetic aperture radar,sar)由于成像范围大、不受天气影响、全天时、全天候工作等优势,在很多领域都发挥着重要作用。sar图像变化检测(change detection,cd)技术能够自动获取不同时间的地表地物及地面目标的变化情况,是一种重要的sar图像解译手段;变化检测在自然灾害监测、森林及矿产资源监测及利用、城市建设规划、军事国防等领域具有广泛的应用。但是在灾害链变化检测方面,仍旧是采用人工目视解译,检测精度较低,难以识别灾害链和难以还原灾害发生的过程。
技术实现思路
1、本申请的目的在于,提供一种基于深度学习的灾害链识
2、本专利技术的第一方面提供了一种基于深度学习的灾害链识别方法,包括:
3、对表征研究区域变化的sar强度图的像素进行预分类,得到变化类、不变类和不确定类;
4、利用所述变化类的像素和所述不变类的像素训练神经网络识别模型;
5、利用训练后的所述神经网络识别模型将所述不确定类的像素划分入对应的所述变化类和所述不变类;
6、根据更新后的变化类生成所述研究区域的变化图,所述变化图用于进行灾害链识别。
7、优选地,对表征研究区域变化的sar强度图的像素进行预分类,具体包括:
8、根据研究区域的前时相强度图和后时相强度图,确定表征研究区域变化的sar强度图;
9、利用模糊聚类算法对所述sar强度图的像素进行预分类。
10、优选地,利用模糊聚类算法对所述sar强度图的像素进行预分类,具体包括:
11、利用分层模糊c均值聚类算法对所述sar强度图的像素进行预分类。
12、优选地,根据研究区域的前时相强度图和后时相强度图,确定表征研究区域变化的sar强度图,具体包括:
13、根据所述后时相强度图与所述前时相强度图的比值的对数,确定表征研究区域变化的sar强度图。
14、优选地,利用所述变化类的像素和所述不变类的像素训练神经网络识别模型,具体包括:
15、将所述变化类的像素和所述不变类的像素记为真实样本;
16、利用所述真实样本生成虚拟样本;
17、利用所述真实样本和所述虚拟样本训练神经网络识别模型。
18、优选地,利用所述真实样本生成虚拟样本,具体包括:
19、根据所述变化类中两个像素的加权和生成变化类的虚拟样本;
20、根据所述不变类中两个像素的加权和生成不变类的虚拟样本。
21、优选地,所述神经网络识别模型为卷积小波神经网络识别模型。
22、本专利技术的第二方面提供了一种利用上述基于深度学习的灾害链识别方法的识别系统,包括预分类模块、模型训练模块、重分类模块和识别模块;
23、所述预分类模块用于对表征研究区域变化的sar强度图的像素进行预分类,得到变化类、不变类和不确定类;
24、所述模型训练模块用于利用所述变化类的像素和所述不变类的像素训练神经网络识别模型;
25、所述重分类模块用于利用训练后的所述神经网络识别模型将所述不确定类的像素划分入对应的所述变化类和所述不变类;
26、所述识别模块用于根据所述更新后的变化类生成所述研究区域的变化图,所述变化图用于进行灾害链识别。
27、本专利技术的基于深度学习的灾害链识别方法及系统,相较于现有技术,具有如下有益效果:
28、本专利技术基于深度学习的灾害链识别方法及系统,只需要给定两景及以上的sar强度图,即可对每两景之间的变化进行检测,得到时间上连续的变化检测结果,方法简单,且因其计算过程中需要提供的数据仅为时序sar强度图,相比于人工目视解译灾害变化方法时间耗费较长而言,可以极大地节省计算量和时间,而且提高了精度。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的灾害链识别方法,其特征在于,包括:
2.根据权利要求1所述的基于深度学习的灾害链识别方法,其特征在于,对表征研究区域变化的SAR强度图的像素进行预分类,具体包括:
3.根据权利要求2所述的基于深度学习的灾害链识别方法,其特征在于,利用模糊聚类算法对所述SAR强度图的像素进行预分类,具体包括:
4.根据权利要求2所述的基于深度学习的灾害链识别方法,其特征在于,根据研究区域的前时相强度图和后时相强度图,确定表征研究区域变化的SAR强度图,具体包括:
5.根据权利要求1所述的基于深度学习的灾害链识别方法,其特征在于,利用所述变化类的像素和所述不变类的像素训练神经网络识别模型,具体包括:
6.根据权利要求5所述的基于深度学习的灾害链识别方法,其特征在于,利用所述真实样本生成虚拟样本,具体包括:
7.根据权利要求1所述的基于深度学习的灾害链识别方法,其特征在于,所述神经网络识别模型为卷积小波神经网络识别模型。
8.一种利用权利要求1-7任一项所述的基于深度学习的灾害链识别方法的识别系统
...【技术特征摘要】
1.一种基于深度学习的灾害链识别方法,其特征在于,包括:
2.根据权利要求1所述的基于深度学习的灾害链识别方法,其特征在于,对表征研究区域变化的sar强度图的像素进行预分类,具体包括:
3.根据权利要求2所述的基于深度学习的灾害链识别方法,其特征在于,利用模糊聚类算法对所述sar强度图的像素进行预分类,具体包括:
4.根据权利要求2所述的基于深度学习的灾害链识别方法,其特征在于,根据研究区域的前时相强度图和后时相强度图,确定表征研究区域变化的sar强度图,具体包括:
5.根据权...
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。