【技術實現步驟摘要】
本申請涉及地質災害識別，特別是涉及一種基于多源數據和深度學習的地質災害自動識別方法。
技術介紹
1、隨著全球氣候變化和環境問題的日益嚴峻，中小尺度強對流天氣及其引發的地質災害(如山體滑坡、泥石流、地面塌陷等)不僅給人們的生命財產安全帶來巨大威脅，還對社會經濟造成嚴重影響。因此，地質災害的監測與預防已成為全球關注的熱點問題。
2、某地區山地丘陵眾多，地質活動頻繁，加之典型的亞熱帶季風氣候，夏季降雨集中，地表水分豐富，這些因素共同作用下極易誘發地質災害。特別是在夏季強對流天氣后，山體滑坡、泥石流等自然災害頻發。因此，開發一種高效、準確的地質災害自動識別方法顯得尤為重要。
3、傳統的地質災害監測方法主要依賴于現場調查和人工分析，這種方法不僅耗時耗力，而且難以實現對災害的實時、動態監測。現有的基于深度學習的地質災害識別方法大多是基于單一數據源的，由于單一數據源在地質災害監測中信息不全面的局限性，導致地質災害識別準確度不高。
4、unet++在遙感數據語義分割方面有應用，取得了一些成果，但是unet++還存在一些不足，例如：雖然unet++通過嵌套跳躍連接增強了特征融合，但在處理復雜場景時，還不足以充分捕捉不同尺度的特征，多尺度特征融合能力不足；unet++在特征提取方面主要依賴于卷積層，在處理某些復雜紋理和邊界時可能不足；另外unet++的復雜結構增加了計算復雜度和內存消耗，可能導致訓練和推理速度較慢。
技術實現思路
1、基于此，有必要針對上述技術問題，
2、種基于多源數據和深度學習的地質災害自動識別方法，所述方法包括：
3、獲取預設區域內的多源數據，所述多源數據包括：光學數據和多源遙感數據；
4、對所述多源數據進行預處理，將預處理后的多源數據進行融合，得到多波段影像；
5、根據所述多波段影像確定滑坡邊界，生成滑坡樣本；
6、采用所述滑坡樣本對改進的unet++語義分割模型進行訓練，得到訓練好的改進的unet++語義分割模型；所述改進的unet++語義分割模型的改進點在編碼器部分，采用基于visual?mamba結構的vss模塊替換第二層至第四層編碼模塊，在第四層編碼模塊后增加瓶頸層，所述瓶頸層由兩個vss模塊組成；
7、將獲取的待識別區域的多源數據進行預處理和數據融合后，輸入到訓練好的改進的unet++語義分割模型中，得到地址災害識別結果。
8、在其中一個實施例中，所述多源遙感數據包括植被覆蓋ndvi數據、降水數據、土地覆蓋類型數據、地質高程數據、坡度數據、坡向數據和地質巖性數據。
9、在其中一個實施例中，對所述多源數據進行預處理，將預處理后的多源數據進行融合，得到多波段影像，包括：
10、對所述光學數據進行輻射定標、大氣校正、配準、裁剪、全色多光譜融合，生成同時具有高空間分辨率和高光譜分辨率的融合圖像；
11、對植被覆蓋ndvi數據、降水數據、土地覆蓋類型數據、地質高程數據、坡度數據、坡向數據和地質巖性數據進行裁剪后，采用最近鄰內插法進行重采樣；其中得到的重采樣結果的分辨率與所述融合圖像的分辨率一致；
12、將所述融合圖像與得到的重采樣結果合成為包含所有多源數據的多波段影像。
13、在其中一個實施例中，根據所述多波段影像確定滑坡邊界，生成滑坡樣本，包括：
14、采用遙感影像解譯軟件對遙感影像進行目視解譯；根據滑坡在影像上的特征勾畫出滑坡的邊界；
15、將勾畫出的滑坡邊界由面要素轉化成柵格影像，得到包含滑坡樣本的滑坡影像；
16、將所述多波段影像和包含滑坡樣本的滑坡影像剪裁為預設大小的子影像；
17、將包含異常值的子影像的滑坡樣本剔除，同時刪除滑坡像素占比小于預設值的子影像，得到滑坡樣本庫。
18、在其中一個實施例中，所述滑坡樣本包括：訓練集和測試集；
19、采用所述滑坡樣本對改進的unet++語義分割模型進行訓練，得到訓練好的改進的unet++語義分割模型，包括：
20、將測試集中的樣本輸入到改進的unet++語義分割模型的編碼器中，在第一階段通過兩個3×3卷積模塊對輸入的樣本進行特征提取，得到第一中間特征，在第二階段，通過下采樣和三個3×3卷積模塊對所述第一中間特征進行特征提取，得到第二中間特征；在第三階段中，將第二中間特征經過分開劃分后采用線性潛入層進行處理，將處理的結果經過兩個連續的vss塊進行特征學習，得到第三中間特征；在第四階段，將第三中間特征經過分塊合并層處理后經過兩個連續的vss塊進行特征學習，得到第四中間特征；在第五階段，將所述第四中間特征經過分塊合并層處理后經過兩個連續的vss塊進行特征學習，然后將得到特征經過瓶頸層進行處理，得到第五中間特征；
21、將所述第一中間特征、所述第二中間特征、所述第三中間特征、所述第四中間特征以及所述第五中間特征輸入到改進的unet++語義分割模型的解碼器中，采用基于密集跳躍連接結構的嵌套解碼器恢復各階段特征的分辨率，最后，對各階段的特征進行加權融合，得到地質災害識別預測結果；
22、根據所述地質災害識別預測結果和所述訓練集，采用adam優化器進行網絡參數更新和優化，得到訓練過的改進的unet++語義分割模型；
23、采用測試集對驗證過的改進的unet++語義分割模型進行測試，根據測試結果計算模型識別的精度指標；
24、更換不同的波段組合進行訓練，計算不同波段組合的精度指標，測試影響因素和不同波段組合的效果；
25、測試改進的unet++語義分割模型對不同地區及多源數據的泛化性，得到訓練好的改進的unet++語義分割模型。
26、在其中一個實施例中，更換不同的波段組合進行訓練，計算不同波段組合的精度指標，測試影響因素和不同波段組合的效果，包括：
27、準備不同的波段組合數據集，使用每一種波段組合對改進的unet++語義分割模型進行訓練，評估訓練后的模型在測試集上的性能，計算并比較不同波段組合的精度指標，評估不同波段組合對模型性能的影響，根據得到的評估結果，選擇最優的波段組合用于后續的模型訓練和地質災害識別任務。
28、上述基于多源數據和深度學習的地質災害自動識別方法，所述方法基于多源遙感數據和深度學習技術，能夠充分利用各種遙感數據源，結合先進的深度學習算法，實現對地質災害的精準、高效識別。改進的unet++語義分割模型將unet++與visual?mamba的能力協同用于圖像分割的新架構，采用多源數據訓練后的改進的unet++語義分割模實現大范圍滑坡的快速精確識別；通過整合多源遙感信息，不僅克服了單一數據源的信息局限性，還提高了地質災害識別的準確性和效率，為地質災害預防和應急響應提供了有力的技術支撐。
本文檔來自技高網...【技術保護點】
1.一種基于多源數據和深度學習的地質災害自動識別方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述多源遙感數據包括植被覆蓋NDVI數據、降水數據、土地覆蓋類型數據、地質高程數據、坡度數據、坡向數據和地質巖性數據。
3.根據權利要求1所述的方法，其特征在于，對所述多源數據進行預處理，將預處理后的多源數據進行融合，得到多波段影像，包括：
4.根據權利要求1所述的方法，其特征在于，根據所述多波段影像確定滑坡邊界，生成滑坡樣本，包括：
5.根據權利要求1所述的方法，其特征在于，所述滑坡樣本包括：訓練集和測試集；
6.根據權利要求5所述的方法，其特征在于，更換不同的波段組合進行訓練，計算不同波段組合的精度指標，測試影響因素和不同波段組合的效果，包括：
【技術特征摘要】
1.一種基于多源數據和深度學習的地質災害自動識別方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述多源遙感數據包括植被覆蓋ndvi數據、降水數據、土地覆蓋類型數據、地質高程數據、坡度數據、坡向數據和地質巖性數據。
3.根據權利要求1所述的方法，其特征在于，對所述多源數據進行預處理，將預處理后的多源數據進行融合，得到...
【專利技術屬性】
技術研發人員：李冬冬，簡濠駿，文貢堅，隋兵，
申請(專利權)人：中國人民解放軍國防科技大學，
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。