CN112364849A - 高位崩滑地质灾害智能识别方法 - Google Patents
高位崩滑地质灾害智能识别方法 Download PDFInfo
- Publication number
- CN112364849A CN112364849A CN202110039314.2A CN202110039314A CN112364849A CN 112364849 A CN112364849 A CN 112364849A CN 202110039314 A CN202110039314 A CN 202110039314A CN 112364849 A CN112364849 A CN 112364849A
- Authority
- CN
- China
- Prior art keywords
- geological disaster
- remote sensing
- landslide
- landslide geological
- image
- 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.)
- Pending
Links
Images
Classifications
-
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种高位崩滑地质灾害智能识别方法,其包括获取待识别区域的高分辨率光学遥感影像和时序INSAR形变监测数据;对获取的遥感影像和监测数据进行影像配准、图像分割及特征提取,形成崩滑地质灾害形态与形变数据集;将崩滑地质灾害形态与形变数据集输入已训练的极限学习机,获取初步识别的崩滑地质灾害点;采用基于地貌单元的山区崩滑地质灾害高位性质辨识方法对初步识别的崩滑地质灾害点进行地质灾害点高位性质的判识,获得初步识别的高位崩滑地质灾害点。
Description
技术领域
本发明涉及地质灾害监测,具体涉及高位崩滑地质灾害智能识别方法。
背景技术
高位地质灾害是指剪出口高于坡脚地面,滑坡体中心和剪出口位置高(一般高差大于100m,即认为属于高位剪出)、临空条件好,具有极大势能的地质灾害。高位地质灾害具有高差大、隐蔽性强等特征,一旦发生往往具有较强的撞击粉碎效应和动力侵蚀效应,破坏面积大,破坏性强,极易造成群死群伤及财产损失,危险程度极高。尤其是西南山区地形复杂,沟壑纵横,山峦叠起,是地质灾害的多发地,加上地势陡峭、植被覆盖茂密,高位崩滑地质灾害在地震、降雨等条件的触发下呈高发频发的趋势,严重威胁人民群众的生命财产安全。因此,开展高位地质灾害识别和排查,摸清地质灾害底数,具有重要的现实意义。
目前,崩塌、滑坡等地质灾害识别主要是通过现场调查和遥感解译等手段进行,对于重点区域可能会通过无人机航测和Lidar等先进技术进行小范围的详细调查。现场调查的方法是最传统的地质灾害调查方法,由专业地质人员根据野外地形、地貌、土体特征等,结合自身的识别经验和一定的判别依据,进行地质灾害识别。地质灾害遥感解译则是通过目视解译方法进行的,专业人员根据地质灾害在遥感影像上所呈现的光谱、纹理和形态特征,建立相应的解译标志,在此基础上对地质灾害进行识别。基于无人机航测和Lidar的地质灾害详细调查是在无人机航测和Lidar获取的精细二、三维数据上,对地质灾害特征的量测和识别,但因为成本的限制,一般仅用于小范围区域的地质灾害详查中。而高位崩滑地质灾害识别由于受地理环境的限制,人员往往难以到达现场,常用遥感解译的方法进行识别。
基于遥感解译的高位崩滑地质灾害识别方法,受地理环境的影响较小,减少了野外的工作量,但这种方法需要专业技术人员的丰富先验知识做铺垫,且人工目视解译需要耗费的时间较多,成本较高。
发明内容
针对现有技术中的上述不足,本发明提供的高位崩滑地质灾害智能识别方法降低高位滑坡识别对人工的依赖性。
为了达到上述发明目的,本发明采用的技术方案为:
提供一种高位崩滑地质灾害智能识别方法,其特征在于,包括:
S1、获取待识别区域的高分辨率光学遥感影像和时序INSAR形变监测数据;
S2、对获取的遥感影像和监测数据进行影像配准、图像分割及特征提取,形成崩滑地质灾害形态与形变数据集;
S3、将崩滑地质灾害形态与形变数据集输入已训练的极限学习机,获取初步识别的崩滑地质灾害点;
S4、采用基于地貌单元的山区崩滑地质灾害高位性质辨识方法对初步识别的崩滑地质灾害点进行地质灾害点高位性质的判识,获得初步识别的高位崩滑地质灾害点。
本发明的有益效果为:本方案在高位崩滑地质灾害识别时,基于高分辨率光学遥感和InSAR形变监测结果构建崩滑地质灾害形态与形变数据集,以模型识别算法为基础,结合基于地貌单元的山区崩滑地质灾害高位性质快速辨识方法,实现高位滑坡地质灾害的高效智能识别。
本方案进行高位崩滑地质灾害点识别时,能够对已经发生过明显变形破坏和正在变形的高位隐蔽性地质灾害进行较精度的识别,且在识别时不需要人工目视解译,也不需要依靠专业人员的经验,从而降低高位滑坡识别对人工的依赖性。
附图说明
图1为高位崩滑地质灾害智能识别方法的流程图。
图2为地质灾害样本分布图。
图3为试验区域数据源示意图(左图为高分辨率光学遥感影像,右图INSAR形变监测速率图)。
图4为试验区域特征数据示意图(左图为边界分割图,右图为NDVI特征因子提取图)。
图5为试验区域高位地质灾害识别结果(左图为边界分割图,右图为提取出灾害边界信息后的提取图)。
图6为水城县高位隐蔽性地质灾害智能识别图。
图7为水城县全域地质灾害点分布图。
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。
参考图1,图1示出了高位崩滑地质灾害智能识别方法,该方法S包括步骤S1至步骤S4。
在步骤S1中,获取待识别区域的高分辨率光学遥感影像和时序INSAR形变监测数据;其中,高分辨光学遥感影像主要反映地质灾害的形态特征,INSAR形变监测数据则揭示地质灾害的形变状况。
在步骤S2中,对获取的遥感影像和监测数据进行影像配准、图像分割及特征提取,形成崩滑地质灾害形态与形变数据集。
在本发明的一个实施例中,步骤S2进一步包括:
S21、对高分辨率光学遥感影像进行预处理形成包含n个波段的高分辨率遥感影像;
其中预处理包括依次对高分辨率光学遥感影像进行正射校正、辐射定标、大气校正、多光谱与全色融合及裁剪处理。
S22、对时序INSAR形变监测数据和高分辨率遥感影像进行配准,之后将时序INSAR形变监测数据的空间分辨率重采样至与高分辨率遥感影像一致;
S23、采用多尺度分割方法对高分辨率遥感影像和重采样后的时序INSAR形变监测数据进行分割;
S24、利用高分辨率遥感影像进行归一化植被指数计算,获取NDVI影像;
S25、以分割对象为基本处理单元,提取高分辨率光学遥感各波段影像、形变速率图和NDVI影像的均值,形成n+2个特征影像,叠加形成崩滑地质灾害形态与形变数据集。
在步骤S3中,将崩滑地质灾害形态与形变数据集输入已训练的极限学习机,获取初步识别的崩滑地质灾害点;
实施时,本方案优选对极限学习机进行训练的方法包括:
获取历史地质灾害的高分辨率光学遥感影像和基于高分辨率SAR数据的时序INSAR形变监测数据;
通过融合高分辨率光学遥感影像和时序INSAR形变监测结果,开展预设区域的崩滑地质灾害识别;
对崩滑地质灾害识别结果进行现场核查,将核查通过的崩滑地质灾害作为崩滑地质灾害识别样本数据库;
采用崩滑地质灾害识别样本数据库对极限学习机算法进行训练,得到已训练的极限学习机。
在步骤S4中,采用基于地貌单元的山区崩滑地质灾害高位性质辨识方法(该方法参考专利CN201811276014.0)对初步识别的崩滑地质灾害点进行地质灾害点高位性质的判识,获得初步识别的高位崩滑地质灾害点。
下面结合具体案例对本方案的有效性进行说明:
(一)样本库构建
高位隐蔽性地质灾害样本库是智能识别的关键,样本库的丰富程度直接决定了智能识别方法的精度。本实例中高位隐蔽性地质灾害样本库是基于目视解译和经过现场验证的地质灾害点建立组成,样本点的分布情况如图2所示。
(二)崩滑地质灾害点智能识别
以贵州省海量地质灾害点样本库为基础,通过融合高分辨率光学遥感和INSAR形变监测结果构建形态特征数据与形变特征数据集,以极限学习机(ELM)为模式识别模型,开展地质灾害的智能识别,提取高位隐蔽性地质灾害点。
以六盘水市水城县的某区域为例,开展高位地质灾害点的智能识别实验分析,通过融合高分辨率光学遥感和INSAR形变监测结果构建形态和形变特征如图3和图4所示。
从图3和图4可以看出,已经发生明显变形破坏的地质灾害点在高分遥感影像上,具有清晰的灾害边界,且其光谱特征与周边地物差异较大,而正在发生形变的地质灾害体能够在INSAR形变监测结果中凸显出来,这为此类地质灾害的智能识别奠定了基础。
图5为实验区高位地质灾害的智能识别的结果,从图5可以看出本方案的方法能够根据地质灾害的形态和形变特征,有效提取出灾害的边界信息。
以六盘水市水城县为例,利用极限学习机算法智能学习高位隐蔽性地质灾害的形态和形变特征信息,并建立相应的识别模型,对水城县全域进行高位隐蔽性地质灾害的识别和提取,获得水城县高位隐蔽性地质灾害点分布图,如图6所示。
通过高位隐蔽性地质灾害智能识别,共提取高位地质灾害隐患点109处,呈条团状聚集,主要分布于水城县西北部的化乐镇、比德镇和北部的阿戛镇、玉舍镇、勺米镇及西南部的顺场苗族彝族布依族乡、野钟苗族彝族布依族乡、鸡场镇与都格镇。
从水城县高位隐蔽性地质灾害在数字高程模型上的分布情况可以得知,水城县高位隐蔽性地质灾害隐患点多依地势沿沟谷呈条带状分布,充分显示了地形地貌对高位地质灾害的主导作用。
(三)高位隐蔽性地质灾害智能识别精度评价
为了对本方案提供的方法进行精度评价,本实例采用现场实地调查的方法对六盘水市水城县全域开展地质灾害隐患排查(高位与非高位点),核实智能高位地质灾害点的正确性。
通过调查核实,水城县全域地质灾害点分布如图7所示,水城县共调查发现地质灾害点288个,分布在水城县25个乡镇内,其中高位隐蔽性地质灾害点数量为130个,非高位隐蔽性地质灾害点数量为158个。
通过对比实地调查的高位隐蔽性地质灾害点和本方案方法获得的高位隐蔽性地质灾害点,统计分析结果如表1所示。
表1 高位隐蔽性地质灾害智能识别精度分析表
通过对比分析可知,本方案的方法正确率高达80.76%,而错误识别率为3.07%,遗漏识别率为16.15%。
对错误识别的地质灾害点进行分析发现,被错误识别的高位地质灾害点大多为正在开采过程中的采石场等矿山,而遗漏识别的高位隐蔽性地质灾害点大部分处于稳定期,未发生明显形变,表面破坏程度较小。
综上所述,对于已经发生过明显变形破坏和正在变形的高位隐蔽性地质灾害,本方案的识别方法能够有效的识别和提取。
Claims (4)
1.高位崩滑地质灾害智能识别方法,其特征在于,包括:
S1、获取待识别区域的高分辨率光学遥感影像和时序INSAR形变监测数据;
S2、对获取的遥感影像和监测数据进行影像配准、图像分割及特征提取,形成崩滑地质灾害形态与形变数据集;
S3、将崩滑地质灾害形态与形变数据集输入已训练的极限学习机,获取初步识别的崩滑地质灾害点;
S4、采用基于地貌单元的山区崩滑地质灾害高位性质辨识方法对初步识别的崩滑地质灾害点进行地质灾害点高位性质的判识,获得初步识别的高位崩滑地质灾害点。
2.根据权利要求1所述的高位崩滑地质灾害智能识别方法,其特征在于,所述步骤S2进一步包括:
S21、对高分辨率光学遥感影像进行预处理形成包含n个波段的高分辨率遥感影像;
S22、对时序INSAR形变监测数据和高分辨率遥感影像进行配准,之后将时序INSAR形变监测数据的空间分辨率重采样至与高分辨率遥感影像一致;
S23、采用多尺度分割方法对高分辨率遥感影像和重采样后的时序INSAR形变监测数据进行分割;
S24、利用高分辨率遥感影像进行归一化植被指数计算,获取NDVI影像;
S25、以分割对象为基本处理单元,提取高分辨率光学遥感各波段影像、形变速率图和NDVI影像的均值,形成n+2个特征影像,叠加形成崩滑地质灾害形态与形变数据集。
3.根据权利要求2所述的高位崩滑地质灾害智能识别方法,其特征在于,所述步骤S21中的预处理包括依次对高分辨率光学遥感影像进行正射校正、辐射定标、大气校正、多光谱与全色融合及裁剪处理。
4.根据权利要求1-3任一所述的高位崩滑地质灾害智能识别方法,其特征在于,对极限学习机进行训练的方法包括:
获取历史地质灾害的高分辨率光学遥感影像和基于高分辨率SAR数据的时序INSAR形变监测数据;
通过融合高分辨率光学遥感影像和时序INSAR形变监测结果,开展预设区域的崩滑地质灾害识别;
对崩滑地质灾害识别结果进行现场核查,将核查通过的崩滑地质灾害作为崩滑地质灾害识别样本数据库;
采用崩滑地质灾害识别样本数据库对极限学习机算法进行训练,得到已训练的极限学习机。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110039314.2A CN112364849A (zh) | 2021-01-13 | 2021-01-13 | 高位崩滑地质灾害智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110039314.2A CN112364849A (zh) | 2021-01-13 | 2021-01-13 | 高位崩滑地质灾害智能识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112364849A true CN112364849A (zh) | 2021-02-12 |
Family
ID=74534820
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110039314.2A Pending CN112364849A (zh) | 2021-01-13 | 2021-01-13 | 高位崩滑地质灾害智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112364849A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918449A (zh) * | 2019-03-16 | 2019-06-21 | 中国农业科学院农业资源与农业区划研究所 | 一种基于物联网的农业灾害信息遥感提取方法及系统 |
CN114821376A (zh) * | 2022-06-27 | 2022-07-29 | 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 |
CN117216641A (zh) * | 2023-09-20 | 2023-12-12 | 四川省公路规划勘察设计研究院有限公司 | 一种高位崩滑地质灾害智能识别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109406755A (zh) * | 2018-10-30 | 2019-03-01 | 四川安信科创科技有限公司 | 一种基于地貌单元的山区崩滑地质灾害高位性质辨识方法 |
CN109613513A (zh) * | 2018-12-20 | 2019-04-12 | 长安大学 | 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法 |
CN110031842A (zh) * | 2019-04-30 | 2019-07-19 | 云南财经大学 | 一种基于InSAR的滑坡灾害应急监测排查方法 |
-
2021
- 2021-01-13 CN CN202110039314.2A patent/CN112364849A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109406755A (zh) * | 2018-10-30 | 2019-03-01 | 四川安信科创科技有限公司 | 一种基于地貌单元的山区崩滑地质灾害高位性质辨识方法 |
CN109613513A (zh) * | 2018-12-20 | 2019-04-12 | 长安大学 | 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法 |
CN110031842A (zh) * | 2019-04-30 | 2019-07-19 | 云南财经大学 | 一种基于InSAR的滑坡灾害应急监测排查方法 |
Non-Patent Citations (3)
Title |
---|
唐尧等: "基于遥感回溯与InSAR技术的滑坡灾情及形变监测分析", 《国土资源信息化》 * |
杨文涛等: "利用NDVI时间序列识别汶川地震滑坡的分布", 《遥感信息》 * |
贾永红等: "改进的BP神经网络法及其在多源遥感信息融合目标识别中的应用", 《第十一届全国遥感技术学术交流会论文集》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109918449A (zh) * | 2019-03-16 | 2019-06-21 | 中国农业科学院农业资源与农业区划研究所 | 一种基于物联网的农业灾害信息遥感提取方法及系统 |
CN109918449B (zh) * | 2019-03-16 | 2021-04-06 | 中国农业科学院农业资源与农业区划研究所 | 一种基于物联网的农业灾害信息遥感提取方法及系统 |
CN114821376A (zh) * | 2022-06-27 | 2022-07-29 | 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 |
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 |
CN117216641A (zh) * | 2023-09-20 | 2023-12-12 | 四川省公路规划勘察设计研究院有限公司 | 一种高位崩滑地质灾害智能识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112364849A (zh) | 高位崩滑地质灾害智能识别方法 | |
Zhang et al. | Automatic construction of building footprints from airborne LIDAR data | |
Monnier et al. | Trees detection from laser point clouds acquired in dense urban areas by a mobile mapping system | |
Trier et al. | Automatic detection of circular structures in high‐resolution satellite images of agricultural land | |
CN113033670A (zh) | 一种基于Sentinel-2A/B数据的水稻种植面积提取方法 | |
CN112712535A (zh) | 基于模拟困难样本的Mask-RCNN滑坡分割方法 | |
Turker et al. | SPOT HRV data analysis for detecting earthquake-induced changes in Izmit, Turkey | |
Fagbohun et al. | Litho-structural analysis of eastern part of Ilesha schist belt, Southwestern Nigeria | |
CN117475314B (zh) | 一种地质灾害隐患立体识别方法、系统及介质 | |
CN114596489A (zh) | 一种高精度人类居住指数的多源遥感城市建成区提取方法 | |
Peng et al. | Building change detection by combining lidar data and ortho image | |
Olujide et al. | Geospatial analysis of land use and land cover dynamics in Akure, Nigeria | |
Parape et al. | Optimization of structure elements for morphological hit-or-miss transform for building extraction from VHR airborne imagery in natural hazard areas | |
Cal | High-resolution object-based building extraction using PCA of LiDAR nDSM and aerial photos | |
Liu et al. | The geomorphometry of rainfall-induced landslides in taiwan obtained by airborne lidar and digital photography | |
Bonini et al. | Semiautomatic inventory and geomorphological characterization of mass movements using high-resolution images and open-source software in the Ribeira de Iguape Valley, Brazil | |
Chen et al. | Object-based random forest classification of land cover from remotely sensed imagery for industrial and mining reclamation | |
White et al. | Automated Land Cover Change Detection through Rapid UAS Updates of Digital Surface Models | |
Kageyama et al. | Analysis of the segments extracted by automated lineament detection | |
Chen et al. | Impact analysis of different spatial resolution DEM on object-oriented landslide extraction from high resolution remote sensing images | |
Koc et al. | Automatic building detection from high resolution satellite images | |
Kanjir et al. | Using VHR satellite imagery to estimate populations in informal settlements | |
Zhang et al. | Change detection in urban area based on stereo image pairs from different duration | |
Dohnal et al. | Automated Determination of Relative Height of Terrain Steps Using Geoprocessing Model | |
Baillard | Production of DSM/DTM in urban areas: role and influence of 3D vectors |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210212 |
|
RJ01 | Rejection of invention patent application after publication |