CN110532974B - 基于深度学习的高分辨率遥感地质灾害信息自动提取方法 - Google Patents

基于深度学习的高分辨率遥感地质灾害信息自动提取方法 Download PDF

Info

Publication number
CN110532974B
CN110532974B CN201910825666.3A CN201910825666A CN110532974B CN 110532974 B CN110532974 B CN 110532974B CN 201910825666 A CN201910825666 A CN 201910825666A CN 110532974 B CN110532974 B CN 110532974B
Authority
CN
China
Prior art keywords
geological disaster
remote sensing
scale
feature
resolution remote
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910825666.3A
Other languages
English (en)
Other versions
CN110532974A (zh
Inventor
谭力
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN201910825666.3A priority Critical patent/CN110532974B/zh
Publication of CN110532974A publication Critical patent/CN110532974A/zh
Application granted granted Critical
Publication of CN110532974B publication Critical patent/CN110532974B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Alarm Systems (AREA)
  • Emergency Alarm Devices (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明公开了一种基于深度学习的高分辨率遥感地质灾害信息自动提取方法。本发明在统一时空基准表示理论基础上，得出基于深度学习技术的多层地质灾害信息自动提取模型，其中重点将采用深度神经网络模型，以地质灾害对象为单位设计定量化的特征参量，以多尺度描述方法建立地质灾害信息表达方法，以多尺度地质灾害特征空间为基准设计和研制深度神经网络模型，分层次地实现地质灾害信息的智能化提取。

Description

基于深度学习的高分辨率遥感地质灾害信息自动提取方法
技术领域
本发明涉及地质灾害识别技术领域，具体涉及一种基于深度学习的高分辨率遥感地质灾害信息自动提取方法。
背景技术
四川省地质环境条件复杂，气候多变，是全国地质灾害严重省份之一，并具有点多、面广、规模大、成灾快、暴发频率高、延续时间长的特点。“5·12”汶川地震后，四川省广大山区特别是地震灾区地质环境条件急剧恶化，加之近年来局地强降雨和各类极端气候频繁出现，以及该区域近年来受人类工程活动的影响，地质灾害呈高发势态。截止到2017年，四川全省共发生地质灾害灾(险)5397起。包括滑坡3130处、崩塌1507处、泥石流699处、其他61处。查明地质灾害隐患点41386处，威胁162.54万人和807.04亿财产安全。
地质灾害具有突发性强，破坏范围大，预报和防御难度大等特点，而人工现场勘查获取有关地质灾害的灾情信息，需要耗费大量的人力、物力，速度慢，周期长，无法满足地质灾害应急救援的要求。随着遥感技术的快速发展，遥感以其方便、快速、宏观、动态等特点，遥感技术逐渐成为快速获取灾情信息、进行地质灾害信息提取、灾后应急和快速评估的有效手段，在地质灾害应急和抢险救灾工作中发挥了越来越重要的作用。
近十年来，全球成功发射了数十颗高分辨率遥感卫星。卫星遥感呈现“三高”(高空间分辨率、高光谱分辨率、高时间分辨率)和“三多”(多平台、多传感器、多角度)的发展趋势。随着高分辨率遥感卫星的成功问世以及航空摄影遥感和无人机遥感的发展，高分辨率遥感影像得到了越来越广泛的应用。
在利用高分辨率遥感影像进行地质灾害灾情获取和灾后应急救援的过程中，遥感地质灾害信息提取技术是准确获取灾情的关键。以往的遥感地质灾害信息提取多以人工目视判读为主，速度慢、效率低，通常依赖于专家的判读经验，只能定性地获取灾情信息，不能满足地质灾害应急的时效性要求。随着计算机图像处理、模式识别和图像分类等技术特别是人工智能技术的发展，遥感地质灾害信息提取已经逐渐向计算机自动、半自动信息提取转变，遥感地质灾害信息提取结果也逐渐趋于定量化，为灾后应急响应和灾情的快速评估提供了依据。
由于地质灾害遥感影像有其自身的特点，有必要研究遥感影像上滑坡、泥石流、崩塌、堰塞湖等不同类型地质灾害的特征，建立地质灾害特征空间。同时，高分辨率遥感影像在地质灾害灾情获取和监测等方面的应用越来越多，以往针对中低分辨率遥感影像的信息提取方法已经不能够满足信息提取精度的要求，遥感地质灾害信息自动提取方法应该适应高分辨率遥感影像的特点，充分挖掘影像的各种特征，综合运用遥感影像分析、深度学习和遥感影像分类等技术，建立基于多尺度地质灾害特征信息的遥感地质灾害信息自动提取方法和处理流程，从而满足地质灾害应急与地质灾害快速评估的要求。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于深度学习的高分辨率遥感地质灾害信息自动提取方法解决了地质灾害信息精度不高的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种基于深度学习的高分辨率遥感地质灾害信息自动提取方法，包括以下步骤：
S1、利用高分辨率遥感影像建立地质灾害特征空间；
S2、根据地质灾害特征空间得到地质灾害特征信息的多尺度表达；
S3、根据地质灾害特征空间和地质灾害特征信息的多尺度表达，建立基于多尺度特征的深度神经网络模型；
S4、通过深度神经网络模型自动提取地质灾害信息。
进一步地：所述步骤S1的具体步骤为：
S11、结合数字高程模型数据，采用影像变化检测技术和面向对象影像分析技术提取高分辨率遥感影像上的典型地质灾害特征和围绕地质灾害点附近的人工地物特征以及背景地物特征；
S12、分析典型地质灾害特征、人工地物特征和背景地物特征，结合地质灾害知识库生成地质灾害特征参量和地质灾害关联参量；
S13、通过地质灾害特征参量和地质灾害关联参量建立地质灾害特征空间。
进一步地：所述地质灾害特征参量包括植被指数、光谱反射率、坡度指数、形状指数、灰度共生矩阵和空间相关系数。
进一步地：所述步骤S2的具体步骤为：
S21、在地质灾害特征空间对遥感影像的地质灾害特征进行尺度转换；
S22、建立地质灾害特征的异质性和同质性评估体系；
S23、通过异质性和同质性评估体系对尺度转换后的地质灾害的异质性和同质性进行评估，为地质灾害对象建立全局特征、局部特征和关联特征的多尺度表达。
进一步地：所述步骤S23中异质性和同质性评估包括光谱异质性和同质性评估、光滑度异质性和同质性评估以及紧质度异质性和同质性评估。
进一步地：所述步骤S3中深度神经网络模型的建立方法为：
通过分析地质灾害特征空间与深度神经网络模型特征抽取的适应性与匹配性问题，和地质灾害信息的多尺度标度与神经网络模型特征抽象化过程的对应关系，基于特征抽取的影响因素建立基于多尺度特征的深度神经网络模型。
进一步地：所述特征抽取的影响因素包括输入窗口尺度、卷积核大小、网络深度、池化方法、特征图传递方式和全连接方式。
本发明的有益效果为：本发明在统一时空基准表示理论基础上，得出基于深度学习技术的多层地质灾害信息自动提取模型，其中重点将采用深度神经网络模型，以地质灾害对象为单位设计定量化的特征参量，以多尺度描述方法建立地质灾害信息表达方法，以多尺度地质灾害特征空间为基准设计和研制深度神经网络模型，分层次地实现地质灾害信息的智能化提取。
附图说明
图1为本发明流程图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种基于深度学习的高分辨率遥感地质灾害信息自动提取方法，包括以下步骤：
S1、利用高分辨率遥感影像建立地质灾害特征空间；具体步骤为：
S11、结合数字高程模型数据，采用影像变化检测技术和面向对象影像分析技术提取高分辨率遥感影像上的典型地质灾害特征和围绕地质灾害点附近的人工地物特征以及背景地物特征；
S12、分析典型地质灾害特征、人工地物特征和背景地物特征，结合地质灾害知识库生成地质灾害特征参量和地质灾害关联参量；
S13、通过地质灾害特征参量和地质灾害关联参量建立地质灾害特征空间。
地质灾害特征参量包括植被指数、光谱反射率、坡度指数、形状指数、灰度共生矩阵和空间相关系数。
利用遥感影像变化检测、遥感影像分析与分类方法，对不同时相和不同分辨率的高分辨率遥感影像上滑坡、崩塌、泥石流、堰塞湖等地质灾害的影像特征进行研究，分析不同类型地质灾害在光谱、形状、纹理三个方面的差异，通过植被指数、光谱反射率、坡度指数、形状指数、灰度共生矩阵、空间相关系数等参量建立地质灾害特征空间，为多维特征的机器训练与学习提供支撑，解决地质灾害遥感影像特征的抽象化表达问题，实现不同类型的地质灾害在高分辨率遥感影像上的定量特征表达。
S2、根据地质灾害特征空间得到地质灾害特征信息的多尺度表达；具体步骤为：
S21、在地质灾害特征空间对遥感影像的地质灾害特征进行尺度转换；
S22、建立地质灾害特征的异质性和同质性评估体系；
S23、通过异质性和同质性评估体系对尺度转换后的地质灾害的异质性和同质性进行评估，为地质灾害对象建立全局特征、局部特征和关联特征的多尺度表达。
异质性和同质性评估包括光谱异质性和同质性评估、光滑度异质性和同质性评估以及紧质度异质性和同质性评估。
针对地质灾害特征信息在不同的尺度上(时间或空间跨度)上有着不同表现的特性，在给定分辨率的遥感影像上研究地质灾害特征信息在不同尺度上的转换方法，通过不同尺度转换将地质灾害的影像特征在不同尺度上呈现，客服单幅遥感影像下单一尺度目标识别的局限性。同时，研究单一地质灾害对象在光谱异质性、光滑度异质性和紧质度异质性三个参量方面的特点，定量评估地质灾害对象在不同尺度下的平均异质性，为单一地质灾害对象构建具有层次结构和上下文信息的多尺度表达方式，充分利用高分辨率遥感影像数据信息丰富、对地物表达兼顾宏观和微观的特点，在分割尺度和分类精度之间寻找到平衡点。
S3、根据地质灾害特征空间和地质灾害特征信息的多尺度表达，建立基于多尺度特征的深度神经网络模型；
深度神经网络模型的建立方法为：
通过分析地质灾害特征空间与深度神经网络模型特征抽取的适应性与匹配性问题，和地质灾害信息的多尺度标度与神经网络模型特征抽象化过程的对应关系，基于特征抽取的影响因素建立基于多尺度特征的深度神经网络模型。
特征抽取的影响因素包括输入窗口尺度、卷积核大小、网络深度、池化方法、特征图传递方式和全连接方式。
S4、通过深度神经网络模型自动提取地质灾害信息。
针对多尺度地质灾害特征空间对地质灾害信息的抽象化表达，从输入窗口尺度、卷积核大小、池化方法、网络深度、特征图传递方式、全连接方式六个方面进行多层深度神经网络模型的设计和研制，模拟视觉感知实现对地质灾害信息的分层次提取。重点研究地质灾害特征空间建立与深度神经网络模型特征抽取的适应性与匹配性问题和地质灾害信息的多尺度表达与深度神经网络模型特征抽象化过程的对应关系，定量化研究地质灾害信息的特征选择和尺度变化对深度神经网络模型在计算复杂度和时间复杂度的影响以及深度神经网络的结构设计和超优参数选择对地质灾害信息抽象化提取和分类识别的影响。

Claims (6)

1.一种基于深度学习的高分辨率遥感地质灾害信息自动提取方法，其特征在于，包括以下步骤：
S1、利用高分辨率遥感影像建立地质灾害特征空间；
S2、根据地质灾害特征空间得到地质灾害特征信息的多尺度表达；
S3、根据地质灾害特征空间和地质灾害特征信息的多尺度表达，建立基于多尺度特征的深度神经网络模型；
S4、通过深度神经网络模型自动提取地质灾害信息；
所述步骤S2的具体步骤为：
S21、在地质灾害特征空间对遥感影像的地质灾害特征进行尺度转换；
S22、建立地质灾害特征的异质性和同质性评估体系；
S23、通过异质性和同质性评估体系对尺度转换后的地质灾害的异质性和同质性进行评估，为地质灾害对象建立全局特征、局部特征和关联特征的多尺度表达。
2.根据权利要求1所述的基于深度学习的高分辨率遥感地质灾害信息自动提取方法，其特征在于，所述步骤S1的具体步骤为：
S11、结合数字高程模型数据，采用影像变化检测技术和面向对象影像分析技术提取高分辨率遥感影像上的典型地质灾害特征和围绕地质灾害点附近的人工地物特征以及背景地物特征；
S12、分析典型地质灾害特征、人工地物特征和背景地物特征，结合地质灾害知识库生成地质灾害特征参量和地质灾害关联参量；
S13、通过地质灾害特征参量和地质灾害关联参量建立地质灾害特征空间。
3.根据权利要求2所述的基于深度学习的高分辨率遥感地质灾害信息自动提取方法，其特征在于，所述地质灾害特征参量包括植被指数、光谱反射率、坡度指数、形状指数、灰度共生矩阵和空间相关系数。
4.根据权利要求1所述的基于深度学习的高分辨率遥感地质灾害信息自动提取方法，其特征在于，所述步骤S23中异质性和同质性评估包括光谱异质性和同质性评估、光滑度异质性和同质性评估以及紧质度异质性和同质性评估。
5.根据权利要求1所述的基于深度学习的高分辨率遥感地质灾害信息自动提取方法，其特征在于，所述步骤S3中深度神经网络模型的建立方法为：
通过分析地质灾害特征空间与深度神经网络模型特征抽取的适应性与匹配性问题，和地质灾害信息的多尺度标度与神经网络模型特征抽象化过程的对应关系，基于特征抽取的影响因素建立基于多尺度特征的深度神经网络模型。
6.根据权利要求5所述的基于深度学习的高分辨率遥感地质灾害信息自动提取方法，其特征在于，所述特征抽取的影响因素包括输入窗口尺度、卷积核大小、网络深度、池化方法、特征图传递方式和全连接方式。
CN201910825666.3A 2019-09-03 2019-09-03 基于深度学习的高分辨率遥感地质灾害信息自动提取方法 Active CN110532974B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910825666.3A CN110532974B (zh) 2019-09-03 2019-09-03 基于深度学习的高分辨率遥感地质灾害信息自动提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910825666.3A CN110532974B (zh) 2019-09-03 2019-09-03 基于深度学习的高分辨率遥感地质灾害信息自动提取方法

Publications (2)

Publication Number Publication Date
CN110532974A CN110532974A (zh) 2019-12-03
CN110532974B true CN110532974B (zh) 2021-10-22

Family

ID=68666411

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910825666.3A Active CN110532974B (zh) 2019-09-03 2019-09-03 基于深度学习的高分辨率遥感地质灾害信息自动提取方法

Country Status (1)

Country Link
CN (1) CN110532974B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111985355B (zh) * 2020-08-01 2022-09-27 桂林理工大学 基于深度学习和云计算的遥感建筑物震害评估方法和系统
CN114821376B (zh) * 2022-06-27 2022-09-20 中咨数据有限公司 一种基于深度学习的无人机影像地质灾害自动提取方法
GB2621645A (en) * 2022-06-27 2024-02-21 Checc Data Co Ltd Deep learning based method for automatic geological disaster extraction from unmanned aerial vehicle image

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109448016A (zh) * 2018-11-02 2019-03-08 三亚中科遥感研究所 一种基于面向对象及其隶属规则的遥感影像海岸线提取方法
CN109993753A (zh) * 2019-03-15 2019-07-09 北京大学 遥感影像中城市功能区的分割方法及装置
CN110176005A (zh) * 2019-05-16 2019-08-27 西安电子科技大学 基于归一化指数和多尺度模型的遥感图像分割方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109448016A (zh) * 2018-11-02 2019-03-08 三亚中科遥感研究所 一种基于面向对象及其隶属规则的遥感影像海岸线提取方法
CN109993753A (zh) * 2019-03-15 2019-07-09 北京大学 遥感影像中城市功能区的分割方法及装置
CN110176005A (zh) * 2019-05-16 2019-08-27 西安电子科技大学 基于归一化指数和多尺度模型的遥感图像分割方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
露天矿地质环境解译标志体系和信息提取方法的研究及示范应用;张凯翔;《中国优秀博硕士学位论文全文数据库(博士) 基础科学辑》;20180715;第40-51页 *

Also Published As

Publication number Publication date
CN110532974A (zh) 2019-12-03

Similar Documents

Publication Publication Date Title
Ma et al. Deep learning for geological hazards analysis: Data, models, applications, and opportunities
CN110929607B (zh) 一种城市建筑物施工进度的遥感识别方法和系统
CN110532974B (zh) 基于深度学习的高分辨率遥感地质灾害信息自动提取方法
CN112668494A (zh) 基于多尺度特征提取的小样本变化检测方法
CN110826428A (zh) 一种高速的sar图像中船只检测方法
CN113191374B (zh) 基于金字塔注意力网络的PolSAR图像山脊线提取方法
CN107944353B (zh) 基于轮廓波bspp网络的sar图像变化检测方法
CN113283356B (zh) 多级注意力尺度感知人群计数方法
CN105989336A (zh) 基于带权重的解卷积深度网络学习的场景识别方法
CN113610070A (zh) 一种基于多源数据融合的滑坡灾害识别方法
CN111539314A (zh) 面向云雾遮挡的海面目标显著性检测方法
CN112163496A (zh) 一种基于语义分割的嵌入式终端水库水位预警方法
CN114494851A (zh) 一种基于多时相遥感影像差异信息的滑坡提取方法
Akshay et al. Satellite image classification for detecting unused landscape using CNN
CN114417693A (zh) 一种基于深度学习的海洋三维温度场反演方法
CN116561536B (zh) 一种滑坡隐患的识别方法、终端设备及介质
CN116091492B (zh) 一种图像变化像素级检测方法与系统
CN113158770A (zh) 一种改进的全卷积孪生神经网络的矿区变化检测方法
CN115497006B (zh) 基于动态混合策略的城区遥感图像变化深度监测方法及系统
CN115331096B (zh) 一种采矿沉陷区域识别方法、系统、存储介质和电子设备
Chang et al. Landslide features interpreted by neural network method using a high-resolution satellite image and digital topographic data
Wu et al. Coarse-graining research of the thermal infrared anomalies before earthquakes in the Sichuan area on Google Earth engine
Choi et al. Fit-for-Purpose Approach for the Detection and Analysis of Earthquake Surface Ruptures Using Satellite Images
Dubois et al. Automated building damage classification for the case of the 2010 Haiti earthquake
Zhu et al. Research on geological hazard identification based on deep learning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant