【技術實現步驟摘要】
本專利技術涉及地質災害防治領域，尤其涉及一種基于卷積神經網絡的滑坡易發性預測方法及系統。
技術介紹
1、山體滑坡是最常見的自然災害之一，對生命和財產構成重大威脅，并產生廣泛的社會經濟后果。這場災難包括落石、塊狀滑坡和泥石流等，因其多樣化的表面機制而從其他自然現象中脫穎而出。山體滑坡的頻率、強度、類型和觸發變量(例如地質、地震、地形、降雨量)在不同地理區域之間存在顯著差異。識別和分析導致山體滑坡發生的眾多因素中，坡度和坡向等高程衍生特征，以及地形濕度指數(twi)和土地利用土地覆蓋(lulc)等變量已被廣泛研究并被認為是重要的條件因素。然而，氣候變化導致的快速經濟增長、城市化和異常天氣模式預計將成為未來滑坡發展的關鍵驅動因素。因此，在山體滑坡測.中必須考慮積極措施和其他因素，以應對這些挑戰并進行全面分析。
2、在過去的十年中，學者們強調滑坡易發性測繪(lsm)是有效災害管理的一個關鍵方面，旨在根據各種條件因素確定容易發生山體滑坡的區域。地理信息系統(gis)等方法包括層次分析過程(ahp)和/或頻率比模型(frm)等技術，以及熵指數(ioe)等統計方法，在將滑坡因素納入易發性地圖方面顯示出顯著的功效。但地球科學家越來越傾向于將機器學習(ml)模型與gis、遙感(rs)和人工智能(ai)相結合，以開創新的lsm方法。通過使用各種rs數據集融合gis和ml模型，可以顯著改善滑坡脆弱區的劃定，使用rs和gis信息集成探索了沙特阿拉伯lsm的ml模型的潛力。ml技術通常針對特定情況量身定制，適應各種誘發因素的復雜性，以提高易感
3、此外，深度學習(dl)/ai最近在lsm中得到廣泛采用，該技術巧妙地解決了lsm主題中存在的各種復雜性和挑戰，采用基于cnn的技術從高質量的光學衛星圖像中檢測山體滑坡。實驗結果表明，最佳滑坡檢測算法的f1得分為6.62％。例如在川藏地區應用了長短期記憶(lstm)、卷積神經網絡(cnn)和conv?se?lstm模型進行lsm，使用了15個影響.量。他們的研究結果顯示，所提出的conv?se?lstm模型表現出約0.8813的優異auc評分。使用cnn模型確定了31％的伊朗易感城市，auc得分為85％，而使用swin?transformer獲得了更高的97％auc得分，這些凸顯了基于cnn的技術在改善lsm方面的潛力。大多數研究人員將cnn?lstm模型用于lsm，因為它們能夠有效捕獲局部特征和順序模式。然而，這些模型可能需要復雜的順序模式或長期依賴.系的幫助，這可能會阻礙它們的性能，主要是在精確預測至關重要的情況下，標準dl模型通常對cnn?lstm的輸出層使用統一激活函數，此方法可能無法充分捕獲輸入數據與所需結果之間的復雜關系，尤其是在具有復雜模式和依賴關系的lsm中。雖然深度學習模型很靈活，但它們與rf等集成方法在lsm中的集成被忽視了，從而影響了滑坡易發性預測的準確性。
技術實現思路
1、有鑒于此，本專利技術提供了一種提升滑坡預測準確性預測、增強模型靈活性的基于卷積神經網絡的滑坡易發性預測方法及系統，來解決上述存在的技術問題，具體采用以下技術方案來實現。
2、第一方面，本專利技術提供了一種基于卷積神經網絡的滑坡易發性預測方法，包括以下步驟：
3、獲取待測滑坡災害區域的地理空間數據，其中，地理空間數據包括山體滑坡清單和滑坡條件因子；
4、對地理空間數據進行滑坡易發性分析生成滑坡易發性地圖，其中，滑坡易發性分析包括根據滑坡清單和滑坡條件因子建立空間數據庫；
5、根據滑坡清單和滑坡條件因子建立空間數據庫，并使用多重共線性檢驗和relieff算法對滑坡條件因子進行分析將空間數據庫分為訓練樣本和測試樣本，其中，測試樣本使用遺傳算法ga優化隨機森林rf參數并訓練sa?cnn?lstm模型，將遺傳算法ga優化隨機森林rf參數對應的融合遺傳森林模型與sa?cnn?lstm型融合得到混合模型，滑坡易發性映射lsm使用基于測試樣本的指標進行評估；
6、基于混合模型獲得的滑坡易發性地圖和從預設谷歌地球引擎平臺gee中提取的建筑覆蓋區進行融合，以創建待測滑坡災害區域的山體滑坡脆弱性建筑地圖。
7、作為上述技術方案的優選，山體滑坡清單包括收集的歷史山體滑坡位置、多個用于制圖的山體滑坡多邊形和平均滑坡面積，滑坡條件因子包括地形、氣候、水文、土壤滲透性、地形分別、雷達特征和人為因素中的至少一種。
8、作為上述技術方案的優選，地形因子包括高程、剖面和平面曲率、坡度、坡向、地形崎嶇指數tri、地形位置指數tpi、地震深度、譜線密度和斷層距離，tpi表示從中心細胞到周圍細胞的表面積變化可使用表達式(1)計算，tpi的負值表示凹陷，正值表示高程；tri表示起伏表面特性可使用表達式(2)計算，tri反映了地表起伏，使用tri進行滑坡易發性分析；
9、
10、其中，e表示聚焦高程的中心像素。即ei是高程的相鄰像素；
11、氣候水文因子采用線密度工具和歐幾里得距離工具分別生成待測滑坡災害區域的排水密度圖、到流圖的距離。
12、作為上述技術方案的優選，滑坡條件因子還包括泥沙輸運指數sti和溪流功率指數spi，sti和spi分別表示泥沙輸運速率和溪流沉浸能力，sti通過斜坡的陡峭度、集水區的特定面積和水流輸送沉積物的能力來確定，其中，sti、spi可分別通過表達式(3)、表達式(4)計算；
13、地形水都指數twi表示地形表面的濕度可通過表達式(5)計算，用于繪制滑坡易發性的可靠參數，twi值高的地區對山體滑坡的易發性高，twi地圖是使用arcgis的空間分析工具生成；
14、
15、spi＝bs×tan(β)?(4)
16、
17、其中，bs表示集水區，β表示給定像素處的坡度角。
18、作為上述技術方案的優選，地形分布分析：ndvi影響土壤的堅固性和滲透性以控制山區滑坡的發生，ndvi值從0.002到0.55不等，使用sentinel2b衍生的紅色波段red和近紅色波段nir計算平均ndvi，具體由表達式(6)計算：
19、
20、雷達特征分析：合成孔徑雷達sar可提供不同偏振和微波通道、不同偏振和微波通道的信息，使用來自cpi?sentinel?1a?c-sar傳感器的vv和vh極化作為核心雷達特征；
21、偏振vv和vh使用snap工具進行輻射校正，將圖像像素數字轉換為σ°，σ°表示每db單位的sar反向散射強度的物理量，根據兩種極化可為滑坡提供支持信息以確定組合極化指本文檔來自技高網...
【技術保護點】
1.一種基于卷積神經網絡的滑坡易發性預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于卷積神經網絡的滑坡易發性預測方法，其特征在于，山體滑坡清單包括收集的歷史山體滑坡位置、多個用于制圖的山體滑坡多邊形和平均滑坡面積，滑坡條件因子包括地形、氣候、水文、土壤滲透性、地形分別、雷達特征和人為因素中的至少一種。
3.根據權利要求2所述的基于卷積神經網絡的滑坡易發性預測方法，其特征在于，地形因子包括高程、剖面和平面曲率、坡度、坡向、地形崎嶇指數TRI、地形位置指數TPI、地震深度、譜線密度和斷層距離，TPI表示從中心細胞到周圍細胞的表面積變化可使用表達式(1)計算，TPI的負值表示凹陷，正值表示高程；TRI表示起伏表面特性可使用表達式(2)計算，TRI反映了地表起伏，使用TRI進行滑坡易發性分析；
4.根據權利要求2所述的基于卷積神經網絡的滑坡易發性預測方法，其特征在于，滑坡條件因子還包括泥沙輸運指數STI和溪流功率指數SPI，STI和SPI分別表示泥沙輸運速率和溪流沉浸能力，STI通過斜坡的陡峭度、集水區的特定面積和水流輸送沉積物的能力
5.根據權利要求2所述的基于卷積神經網絡的滑坡易發性預測方法，其特征在于，地形分布分析：NDVI影響土壤的堅固性和滲透性以控制山區滑坡的發生，NDVI值從0.002到0.55不等，使用Sentinel?2B衍生的紅色波段RED和近紅色波段NIR計算平均NDVI，具體由表達式(6)計算：
6.根據權利要求1所述的基于卷積神經網絡的滑坡易發性預測方法，其特征在于，使用多重共線性檢驗和ReliefF算法對滑坡條件因子進行分析將空間數據庫分為訓練樣本和測試樣本，包括：
7.根據權利要求6所述的基于卷積神經網絡的滑坡易發性預測方法，其特征在于，還包括：
8.根據權利要求1所述的基于卷積神經網絡的滑坡易發性預測方法，其特征在于，基于混合模型獲得的滑坡易發性地圖和從預設谷歌地球引擎平臺GEE中提取的建筑覆蓋區進行融合，包括：
9.根據權利要求8所述的基于卷積神經網絡的滑坡易發性預測方法，其特征在于，在獲得單獨的預測后，從GARF模型中表示為yGA-RF、GARF模型和SAB?CNN?LSTM模型中創建兩種模型的集合以增強滑坡易發性的整體預測性能，采用加權平均集成算法的表達式為：
10.一種根據權利要求1-9任一項所述的基于卷積神經網絡的滑坡易發性預測方法的基于卷積神經網絡的滑坡易發性預測系統，其特征在于，包括：
...【技術特征摘要】
1.一種基于卷積神經網絡的滑坡易發性預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于卷積神經網絡的滑坡易發性預測方法，其特征在于，山體滑坡清單包括收集的歷史山體滑坡位置、多個用于制圖的山體滑坡多邊形和平均滑坡面積，滑坡條件因子包括地形、氣候、水文、土壤滲透性、地形分別、雷達特征和人為因素中的至少一種。
3.根據權利要求2所述的基于卷積神經網絡的滑坡易發性預測方法，其特征在于，地形因子包括高程、剖面和平面曲率、坡度、坡向、地形崎嶇指數tri、地形位置指數tpi、地震深度、譜線密度和斷層距離，tpi表示從中心細胞到周圍細胞的表面積變化可使用表達式(1)計算，tpi的負值表示凹陷，正值表示高程；tri表示起伏表面特性可使用表達式(2)計算，tri反映了地表起伏，使用tri進行滑坡易發性分析；
4.根據權利要求2所述的基于卷積神經網絡的滑坡易發性預測方法，其特征在于，滑坡條件因子還包括泥沙輸運指數sti和溪流功率指數spi，sti和spi分別表示泥沙輸運速率和溪流沉浸能力，sti通過斜坡的陡峭度、集水區的特定面積和水流輸送沉積物的能力來確定，其中，sti、spi可分別通過表達式(3)、表達式(4)計算；
5.根據權利要求2所述的基于卷積神經網絡的滑坡易...
【專利技術屬性】
技術研發人員：李虎雄，李思翰，李琪，吳宗大，
申請(專利權)人：紹興文理學院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。