CN113343563A - 基于样本自动选择与地表形变速率的滑坡易发性评价方法 - Google Patents
基于样本自动选择与地表形变速率的滑坡易发性评价方法 Download PDFInfo
- Publication number
- CN113343563A CN113343563A CN202110585706.9A CN202110585706A CN113343563A CN 113343563 A CN113343563 A CN 113343563A CN 202110585706 A CN202110585706 A CN 202110585706A CN 113343563 A CN113343563 A CN 113343563A
- Authority
- CN
- China
- Prior art keywords
- landslide
- evaluation
- deformation rate
- sample
- evaluation unit
- 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.)
- Granted
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 202
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000010606 normalization Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000011160 research Methods 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000003287 optical effect Effects 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 108010014173 Factor X Proteins 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000013316 zoning Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 abstract description 3
- 238000007637 random forest analysis Methods 0.000 description 15
- 238000010801 machine learning Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 5
- 238000013210 evaluation model Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- HQHACWYQWDKBOZ-UHFFFAOYSA-N 1-nitroso-azacyclotridecane Chemical compound O=NN1CCCCCCCCCCCC1 HQHACWYQWDKBOZ-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Molecular Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Geometry (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明公开一种基于样本自动选择与地表形变速率的滑坡易发性评价方法，包括以下步骤：提取评价因子，获取地表形变速率；自动选取不同时期的滑坡样本与非滑坡样本；利用选取的滑坡样本，对评价因子进行归一化处理；利用滑坡样本与非滑坡样本，训练sDAE‑RF模型，获取滑坡易发性初始概率；利用地表形变速率，对滑坡易发性初始概率进行修正，得到滑坡易发性评价分区图。本发明利用反映滑坡运动状态的地表形变速率，使评价结果与区域滑坡实际分布情况更相符，提高了评价方法的准确性与实用性，为后续滑坡灾害风险管理提供准确的决策资料。
Description
技术领域
本发明属于滑坡灾害预测技术领域，具体涉及一种基于样本自动选择与地表形变速率的滑坡易发性评价方法。
背景技术
滑坡灾害是全球分布范围广、影响大、破坏严重的地质灾害之一。据不完全统计，我国已受到滑坡灾害威胁和可能受到滑坡威胁的地区约占全国陆地面积的1/5至1/4，因滑坡地质灾害造成的财产损失每年超过10亿元。因此，对滑坡灾害进行科学有效的风险管理至关重要。
滑坡灾害易发性评价是对滑坡灾害的时空分布和发生概率进行预测，可为滑坡灾害风险管理提供重要的决策依据。当前应用较多的易发性评价方法有两大类：第一类是基于知识驱动的评价方法，如层次分析法、专家打分法等经验模型；第二类基于数据驱动的评价方法，包括逻辑回归、信息量法、确定系数法等统计分析模型，及人工神经网络、支持向量机、随机森林等机器学习模型。与经验模型和统计分析模型相比，基于数据驱动的机器学习方法更能较好地分析评价因子和滑坡之间的非线性关系，且随着对地观测技术的飞速发展，地表观测的数据越来越丰富，使得基于数据驱动的机器学习模型已广泛应用到滑坡灾害易发性评价模型中。
基于长时间序列的SAR影像数据获取的地表形变速率可直接反应滑坡运动状态，有助于有效识别不稳定区域，对滑坡监测具有重要意义，但仅利用地表形变速率进行滑坡易发性评价，而忽略诱发滑坡灾害的地形、地貌、地质等内在因素，会使得评价结果易受地表形变误差影响。此外，目前基于数据驱动的机器学习评价模型中较少使用SAR影像数据，评价模型构建也仅考虑高程、坡度、坡向等地面静态因素，而忽略了地表形变速率等地表动态因素，致使评价方法精度不高，实用性不强，难以推广到其他区域。
此外，滑坡样本的选择是影响基于机器学习的评价方法的效率与准确性的重要因素。但当前滑坡样本大多是基于历史数据与光学遥感影像解译得来，样本的选取依赖于人工经验，工作效率低。而且所获取滑坡样本的时期较为单一，多为近年来的新生滑坡，难以获取不稳定的潜在滑坡区域样本，致使后续的基于机器学习的评价方法较难完全反应区域的实际情况。
发明内容
本发明的目的就是为了解决上述背景技术存在的不足，提供一种基于样本自动选择与地表形变速率的滑坡易发性评价方法，有效提高了滑坡易发性的评价准确性。
本发明采用的技术方案是：一种基于样本自动选择与地表形变速率的滑坡易发性评价方法，其特征在于包括以下步骤：
S1，提取研究区中与滑坡灾害相关的评价因子以及每个评价单元的地表形变速率；
S2，根据地表形变速率对研究区进行分类并选取滑坡样本和非滑坡样本；
S3，对评价因子进行归一化处理；
S4，根据评价因子数量设计sDAE-RF模型，并利用滑坡样本和非滑坡样本对设计后的sDAE-RF模型进行训练；
S5，利用训练完成的sDAE-RF模型，输入每个评价单元对应窗口的归一化处理后的评价因子数据，得到各评价单元的滑坡易发性概率；
S6，分别对每个评价单元的地表形变速率进行归一化处理，分别利用每个评价单元的归一化后的地表形变速率构建邻域改正函数，并对对应的评价单元的滑坡易发性概率值进行修正，从而得到每个评价单元的优化后的滑坡易发性概率。
上述技术方案中，步骤S1具体包括以下步骤：
(1)利用光学遥感影像提取评价因子；
(2)利用DEM数据进行GIS空间分析提取评价因子；
(3)利用长时间序列的SAR影像数据，基于SABS-InSAR技术，获取形变点沿雷达视线方向的形变速率，然后利用DEM数据，转化为沿垂直方向的地表形变速率，并依据评价单元大小对形变点内插获得地表形变速率图，从而可以得到每个评价单元的地表形变速率。
上述技术方案中，步骤S2具体包括以下步骤：
将研究区分割成不同影像对象的集合；遍历各影像对象，统计各影像对象内所有评价单元的地表形变速率的平均值；按照平均值大小由低至高分为将影像对象标记为不同类型的形变区；从平均值较高的形变区中选取滑坡样本，并结合坡度、地表信息对所选择的样本进行筛选；从平均值较低形变区中选取非滑坡样本，并结合地表信息对样本进行筛选。
上述技术方案中，步骤S3具体包括以下步骤：
(1)对连续型的评价因子，根据设置的步长将该评价因子分为多个分级区间进行离散化处理；对于离散型的评价因子直接利用其原有的因子分级区间
(2)然后利用滑坡样本，计算各评价因子分级区间的滑坡比例、分级比例与滑坡信息量值，绘制对应的曲线分布图，从而获取因子最优分级区间，并依据最优分级区间的滑坡信息量对评价因子进行归一化处理。
上述技术方案中，步骤S4和S5具体包括以下步骤：
(1)以每个评价单元为中心，选取其对应窗口归一化后的评价因子数据作为sDAE模型的输入；将RF模型作为分类器，添加在sDAE模型的最上层，sDAE模型输出的降维特征数据作为RF模型的输入，得到sDAE-RF模型；
(2)从候选滑坡样本对象中随机选择样本对象，然后将样本对象中心位置的评价单元作为训练样本；提取训练样本窗口的归一化评价因子数据，作为sDAE模型的输入，然后利用贪心算法逐层无监督训练sDAE模型，直到达到最小重构误差，得到sDAE模型的初始参数；
(3)从候选滑坡样本对象与候选非滑坡样本对象中随机选择样本对象；然后将所选择样本对象中心位置的评价单元作为训练样本，然后依次提取训练样本的窗口的归一化评价因子数据，输入到sDAE-RF模型中，进行监督训练获得RF模型参数，并通过反向传播算法对sDAE模型初始参数进行反向微调，得到sDAE-RF模型；
(4)利用训练完成的sDAE-RF模型，输入每个评价单元的窗口的归一化评价因子数据，得到各评价单元的滑坡易发性初始概率。
上述技术方案中，评价因子对应分级区间的滑坡信息量Ii表达式如下：
其中，Spi和Rpi为评价因子分级区间i的滑坡比例与分级比例，Si和Ri为评价因子分级区间i的滑坡数目和总的评价单元数目，S为研究区滑坡数目，R为研究区的评价单元数目。所述评价因子的分级区间包括m个；i＝1,2,3…m。
上述技术方案中，假设评价因子X的分级区间数目为m，将评价因子各分级区间按照滑坡信息量从小到大排序，形成的序列中第n个区间的评价因子归一化值Yn为：
上述技术方案中，步骤S6中：
对地表形变速率进行归一化处理，表达式如下：
vi为第i个评价单元的地表形变速率值，v′i为第i个评价单元的地表形变速率归一化后的值，vmin与vmax分别为地表形变速率按大小排序后处于前1％位和处于后1％位的值，值大于vmax的归一化为1，值小于vmin的归一化为0。其中，i取整数。
上述技术方案中，步骤S6中：
基于地表形变速率图，统计各评价单元窗口内的形变速率值大于设定值的邻域评价单元个数N，则基于形变速率的邻域改正函数表示为：
上式中，k为评价单元的窗口大小，p0为任一个评价单元的滑坡易发性初始概率，v0为该评价单元对应的地表形变速率归一化后的值，ps为改正概率。
上述技术方案中，步骤S6中：
利用邻域改正函数，对各评价单元重新计算易发性概率，得到最终的易发性概率值，计算式为：
上式中，k为评价单元的窗口大小，p0为任一个评价单元的易发性初始概率，v0为该评价单元对应的地表形变速率归一化后的值，ps为改正概率。
上述技术方案中，还包括步骤S7：利用自然间断法依据易发性概率值大小，获得研究区域的滑坡易发性分区图。
本方案与现有技术方案相比，具有以下优点：①训练样本自动选择，减少人工干预，提高了滑坡易发性评价的工作效率；②利用地表形变速率快速获取潜在不稳定滑坡、新生滑坡、不稳定古滑坡等不同时期的滑坡样本，使得训练得到机器学习模型的准确性与可靠性更高。③利用反应滑坡运动状态的地表形变速率对易发性初始概率改正，可使评价结果与区域滑坡实际分布情况更相符，提高了评价结果的准确性，实用性更强。
附图说明
图1是基于样本自动选择及地表形变速率的滑坡易发性评价的流程图。
图2是sDAE-RF模型结构及训练流程示意图。
图3是具体实施例中研究区滑坡易发性评价分区图
图4是历史滑坡区与具体实施例的易发性评价分区对比图
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明，便于清楚地了解本发明，但它们不对本发明构成限定。
本发明提供了一种基于样本自动选择和地表形变速率的滑坡易发性评价方法，如图1所示，它包含以下步骤：
第一步，滑坡易发性评价因子与地表形变速率提取
本实施例采用30m×30m的栅格单元作为滑坡易发性评价单元。下文所述评价单元是指滑坡易发性概率计算的单元。评价因子是指与滑坡相关的一些特征集，为sDAE-RF模型的输入，用于评价滑坡易发性。
基于此利用光学遥感影像与DEM数据，提取NDVI、坡度、坡向、地表曲率等24种与滑坡灾害相关的因子；基于长时间序列的SAR影像，利用SABS-InSAR技术提取地表形变速率。评价因子与地表形变速率是滑坡易发性评价的基础，具体步骤如下：
(1)利用光学遥感影像，提取10种评价因子，包括直接提取的地表覆盖类型、植被覆盖率、归一化植被指数NDVI、归一化水体指数NDMI、归一化湿度指数NDMI、比值植被指数RVI、归一化建筑指数NDBI，及根据地表覆盖类型计算得到的与河流的距离、与道路的距离、与建筑区的距离。
(2)利用DEM数据，进行GIS空间分析提取14种评价因子，包括高程、坡度、坡向、坡长、平面曲率、坡向曲率、地形起伏度、地表复杂度指数、地形耐用指数TPI、地形位置指数TPI、地形湿度指数TWI、粗糙度、斜坡类型、与沟谷的距离。
(3)利用长时间序列的SAR影像数据，基于SABS-InSAR技术，获取形变点沿雷达视线方向的形变速率，然后利用DEM数据，转化为沿垂直方向的地表形变速率，并依据评价单元大小对形变点内插获得地表形变速率图。地表形变速率图是后续滑坡样本的选择和初始易发性概率修正的基础。内插是GIS领域基本的技术手段，通过内插，依据设置的评价单元大小，可以将离散点的形变速率，转化为栅格的形变速率图，从而可以得到每个评价单元的形变速率。
第二步，滑坡样本与非滑坡样本的自动选择
滑坡样本的选择是基于机器学习的易发性评价方法的关键，利用地表形变速率可获取潜在不稳定滑坡区域、新生滑坡区域及不稳定古滑坡等不同时期的滑坡样本，样本自动选择的具体步骤如下：
(1)基于光学遥感影像，利用经典的多尺度分形网络演化影像分割算法，依据影像及区域的情况，选择合适的分割尺度，将区域分割成不同影像对象的集合。
(2)依次遍历各影像对象，依据地表形变速率图，统计各影像对象内所有评价单元的地表形变速率的平均值，按照低形变区(0～10mm/a)、中形变区(10～25mm/a)、高形变区(25～35mm/a)和极高形变区(＞35mm/a)，将影像对象标记为不同类型的形变区。
(3)在极高形变区和高形变区中，遍历各影像对象，若影像对象所对应的坡度>10°、NDVI<0.2、RVI<1.65，且影像对象不位于建筑区、道路，则将影像对象标记为候选滑坡样本对象；遍历结束后，从候选滑坡样本对象中，随机选取一定数目的样本对象，将各样本对象中心位置的评价单元作为后续滑坡训练样本。
(4)在低形变区和中形变区中，遍历各影像对象，若影像对象不位于水体、建筑区、道路，则将影像对象标记为候选非滑坡样本对象；遍历结束后，从候选样本对象中，随机选取同样数目的对象，将各样本对象中心位置的评价单元作为后续非滑坡训练样本。
评价单元中的信息包括：对应评价单元的评价因子及形变速率值。样本对象是多个评价单元的集合，使用中是提取样本对象中心位置的评价单元作为训练样本
第三步，评价因子归一化处理
机器学习算法对[0-1]区间的数据更为敏感，因此需要对评价因子进行归一化，以消除各因子的数据范围及量纲不同所造成的影响。评价因子归一化的具体步骤如下：
(1)若评价因子为连续型，则以较小步长，将该因子分为多个分级区间，使连续型评价因子离散化。若评价因子为离散型，直接利用原有的评价因子分级区间。
(2)利用所有候选滑坡样本对象，计算统计各评价因子分级区间内的滑坡比例SiS与分级比例RiR，并计算出评价因子对应分级区间的滑坡信息量Ii表达式如下：
其中，Spi和Rpi为因子分级区间i的滑坡比例与分级比例，Si和Ri为因子分级区间i的滑坡数目和总的评价单元数目，S为研究区滑坡数目，R为研究区的评价单元数目。
(3)若评价因子为连续型，绘制离散化后的滑坡比例、分级比例及滑坡信息量随因子分级区间变化的分布曲线；以滑坡比例和分级比例分布曲线为参考，将滑坡信息量分布曲线的拐点作为临界值，将信息量值接近的分级区间合并为同一区间，并重新计算合并后的分级区间信息量。若评价因子为离散型，则原始因子分级区间不合并，直接利用公式(1)计算分级区间信息量。
(4)信息量的值越大，表明因子处于该分级区间对滑坡发育的影响越大，据此对评价因子进行归一化处理。假设评价因子X的分级区间数目为m，则按照滑坡信息量的大小从小到大对评价因子各分级区间进行排序，则序列中第n个区间的评价因子归一化值Yn为：
归一化的结果是将所有的评价因子的数据统一到[0,1]区间内。后续归一化的评价因子作为滑坡易发性评价模型的数据源，作为sADE-RF模型的输入。
第四步，基于sDAE-RF模型的滑坡易发性初始概率计算
栈式去噪自编码器(stacked denoised autoencoder,sDAE)是一种由多层去噪自动编码器组成的无监督神经网络，主要用于对数据降维特征提取。随机森林(RondomForest,RF)模型广泛应用于数据分类、预测等邻域，具有人工干预少、运算速度快等优点。为此，本发明利用sDAE模型对高维评价因子进行降维处理，然后降维后的数据作为随机森林(Rondom Forest,RF)模型的输入，构建基于sDAE与RF的耦合模型，并将其用于滑坡易发性概率的计算。构建的sDAE-RF模型输入对应评价单元窗口内的归一化后的评价因子，作为sDAE-RF模型的输入，型sDAE-RF模的输出层为0-1的概率值，该输出层即为滑坡易发性初始概率值。
如图2所示，具体步骤如下：
(1)sDAE-RF模型结构设计：评价因子有24种，以每个评价单元为中心，选取3×3的窗口数据作为输入，则模型输入的特征维数为216(24×3×3)，因此将sDAE的网络结构设计为216-113-56-28-14，输出为14维降维特征数据。将RF模型作为分类器，添加在sDAE模型的最上层，则RF模型输入为14维特征数据，RF模型的决策树个数设置为140。这个网络结构是依据输入的特征维数依据经验得到的，网络结构的设计没有固定的数学关系，一般每层神经元个数会设置为上一层的1/2左右，实际中，会设置不同网络层数及神经元个数进行训练，从而选择最优的模型结构。RF模型决策个数一般设置为输入特征维数的10倍，实际工作中，会设置不同的决策个数进行训练，选择最优的决策树个数。
(2)sDAE模型的预训练：从候选滑坡样本对象中随机选择70％的样本对象，然后将样本对象中心位置的评价单元作为训练样本，提取训练样本3×3窗口的数据，作为sDAE模型的输入，然后利用贪心算法逐层无监督训练sDAE模型，直到达到最小重构误差，得到sDAE模型的初始参数。
(3)sDAE-RF模型的训练：从候选滑坡样本对象与候选非滑坡样本对象中随机选择样本对象，二者比例保持1:1，其中滑坡样本对象比例不低于候选滑坡样本对象数目的50％；然后将所选择样本对象中心位置的评价单元作为训练样本，然后依次提取训练样本的3×3窗口数据，输入到sDAE-RF模型中，进行监督训练获得RF模型参数，并通过反向传播算法对sDAE模型参数进行反向微调，得到训练后的DAE-RF模型。
(4)滑坡易发性初始概率计算：利用训练完成的sDAE-RF模型，输入每个评价单元的216维数据，得到各评价单元的滑坡易发性初始概率。
第五步，结合地表形变速率的滑坡易发性概率修正
上述滑坡易发性初始概率是基于地面相关静态参数如高程、坡度、坡向等计算得到，而地表形变速率反应了地表动态变形，可直接反应滑坡的运动状态，因此利用地表形变速率对滑坡易发性初始概率进行修正，可提高易发性评价的准确性。结合地表形变速率的滑坡易发性概率计算的具体步骤如下所示：
(1)对各评价单元的地表形变速率进行归一化处理，表达式如下：
上式中，vi为第i个评价单元的形变速率值，v′i为第i个评价单元的归一化后的值，vmin与vmax分别为形变速率按大小排序后处于前1％位和处于后1％位的值，值大于vmax的归一化为1，值小于vmin的归一化为0。
(2)基于地表形变速率图，统计各评价单元3×3窗口内的形变速率值大于25mm/a的邻域评价单元个数N，则基于形变速率的邻域改正函数可表示为：
上式中，p0为评价单元的易发性初始概率，v0为评价单元对应的地表形变速率归一化后的值，ps为改正概率。
(3)利用上述邻域改正函数，对各评价单元重新计算易发性概率，得到最终的易发性概率值，计算式为：
(4)利用上式获取各评价单元改正后的易发性概率值，然后利用自然间断法将研究区分为5个易发性区间：极高易发性、高易发性、中等易发性、低易发性、极低易发性，从而获得研究区的易发性分区图。
本具体实施例选择的研究区整体位于黄河沿岸，交通条件极差，峡谷两岸冲沟发育，植被覆盖稀少，区域内不良地质体发育，地形地貌十分复杂。
利用高分辨率QuickBird影像、Sentinel-1A 升轨SAR影像、ALOS World 3D数据为数据源。然后采用本发明的滑坡易发性评价方法，对研究区进行滑坡易发性评价，评价结果如图3所示。
经统计，图3所示滑坡易发性评价分区图中，极高易发性、高易发性、中等易发性、低易发性及及极低易发性区域的面积占比分别为1.16％、2.95％、11.60％、15.92％及68.37％，其中研究区内具有一定滑坡风险性的区域面积占比达到15.7％，表明研究区内大片区域受到滑坡的潜在威胁。为进一步验证本发明方法的有效性，利用研究区内的历史滑坡区来评价易发性分区结果的有效性，图4为历史滑坡区与易发性评价分区对比图。
因历史滑坡区是根据0.61米分辨率的QuickBird高分辨率影像解译而来，而易发性分区图的评价单元为30m×30m，为此只对比分析历史大型滑坡区域。经统计，基于历史滑坡区中共有25个大型滑坡区。依据图3可知，其中有10个大型滑坡区内含有极高易发性与高易发性区域，9个滑坡区域内含有中等易发性区域，仅6个滑坡区基本位于低易发性和极低易发性区域。历史滑坡区中有19个大型滑坡区位于具有易发性风险的区域，与滑坡易发性评价分区图一致，表明滑坡易发性评价分区结果与区域滑坡实际分布情况相符，进一步验证了本发明评价方法的有效性。
本具体实施例表明本发明提出的滑坡易发性评价方法可快速准确的获取滑坡易发性评价分区图，为后续滑坡灾害风险管理提供准确的决策资料。
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
Claims (11)
1.一种基于样本自动选择与地表形变速率的滑坡易发性评价方法，其特征在于包括以下步骤：
S1，提取研究区中与滑坡灾害相关的评价因子以及每个评价单元的地表形变速率；
S2，根据地表形变速率对研究区进行分类并选取滑坡样本和非滑坡样本；
S3，对评价因子进行归一化处理；
S4，根据评价因子数量设计sDAE-RF模型，并利用滑坡样本和非滑坡样本对设计后的sDAE-RF模型进行训练；
S5，利用训练完成的sDAE-RF模型，输入每个评价单元对应窗口的归一化处理后的评价因子数据，得到各评价单元的滑坡易发性概率；
S6，分别对每个评价单元的地表形变速率进行归一化处理，分别利用每个评价单元的归一化后的地表形变速率构建邻域改正函数，并对对应的评价单元的滑坡易发性概率值进行修正，从而得到每个评价单元的优化后的滑坡易发性概率。
2.根据权利要求1所述的一种基于样本自动选择与地表形变速率的滑坡易发性评价方法，其特征在于：步骤S1具体包括以下步骤：
利用光学遥感影像提取评价因子；
利用DEM数据进行GIS空间分析提取评价因子；
利用长时间序列的SAR影像数据，基于SABS-InSAR技术，获取形变点沿雷达视线方向的形变速率，然后利用DEM数据，转化为沿垂直方向的地表形变速率，并依据评价单元大小对形变点内插获得地表形变速率图，从而可以得到每个评价单元的地表形变速率。
3.根据权利要求1所述的一种基于样本自动选择与地表形变速率的滑坡易发性评价方法，其特征在于：步骤S2具体包括以下步骤：
将研究区分割成不同影像对象的集合；遍历各影像对象，统计各影像对象内所有评价单元的地表形变速率的平均值；按照平均值大小由低至高分为将影像对象标记为不同类型的形变区；从平均值较高的形变区中选取滑坡样本，并结合坡度、地表信息对所选择的样本进行筛选；从平均值较低形变区中选取非滑坡样本，并结合地表信息对样本进行筛选。
4.根据权利要求1所述的一种基于样本自动选择与地表形变速率的滑坡易发性评价方法，其特征在于：步骤S3具体包括以下步骤：
对连续型的评价因子，根据设置的步长将该评价因子分为多个分级区间进行离散化处理；对于离散型的评价因子直接利用其原有的因子分级区间
然后利用滑坡样本，计算各评价因子分级区间的滑坡比例、分级比例与滑坡信息量值，绘制对应的曲线分布图，从而获取因子最优分级区间，并依据最优分级区间的滑坡信息量对评价因子进行归一化处理。
5.根据权利要求1所述的一种基于样本自动选择与地表形变速率的滑坡易发性评价方法，其特征在于：步骤S4和S5具体包括以下步骤：
(1)以每个评价单元为中心，选取其对应窗口归一化后的评价因子数据作为sDAE模型的输入；将RF模型作为分类器，添加在sDAE模型的最上层，sDAE模型输出的降维特征数据作为RF模型的输入，得到sDAE-RF模型；
(2)从候选滑坡样本对象中随机选择样本对象，然后将样本对象中心位置的评价单元作为训练样本；提取训练样本窗口的归一化评价因子数据，作为sDAE模型的输入，然后利用贪心算法逐层无监督训练sDAE模型，直到达到最小重构误差，得到sDAE模型的初始参数；
(3)从候选滑坡样本对象与候选非滑坡样本对象中随机选择样本对象；然后将所选择样本对象中心位置的评价单元作为训练样本，然后依次提取训练样本的窗口的归一化评价因子数据，输入到sDAE-RF模型中，进行监督训练获得RF模型参数，并通过反向传播算法对sDAE模型初始参数进行反向微调，得到训练后的sDAE-RF模型；
(4)利用训练完成的sDAE-RF模型，输入每个评价单元对应窗口的归一化评价因子数据，得到各评价单元的滑坡易发性初始概率。
6.根据权利要求4所述的一种基于样本自动选择与地表形变速率的滑坡易发性评价方法，其特征在于：评价因子对应分级区间的滑坡信息量Ii表达式如下：
其中，Spi和Rpi为评价因子分级区间i的滑坡比例与分级比例，Si和Ri为评价因子分级区间i的滑坡数目和总的评价单元数目，S为研究区滑坡数目，R为研究区的评价单元数目。
7.根据权利要求4所述的一种基于样本自动选择与地表形变速率的滑坡易发性评价方法，其特征在于：
假设评价因子X的分级区间数目为m，将评价因子各分级区间按照滑坡信息量从小到大排序，形成的序列中第n个区间的评价因子归一化值Yn为：
8.根据权利要求1所述的一种基于样本自动选择与地表形变速率的滑坡易发性评价方法，其特征在于：步骤S6中：
对地表形变速率进行归一化处理，表达式如下：
vi为第i个评价单元的地表形变速率值，v′i为第i个评价单元的地表形变速率归一化后的值，vmin与vmax分别为地表形变速率按大小排序后处于前1％位和处于后1％位的值，值大于vmax的归一化为1，值小于vmin的归一化为0。
9.根据权利要求2所述的一种基于样本自动选择与地表形变速率的滑坡易发性评价方法，其特征在于：步骤S6中：
基于地表形变速率图，统计各评价单元窗口内的形变速率值大于设定值的邻域评价单元个数N，则基于形变速率的邻域改正函数表示为：
上式中，k为评价单元的窗口大小，p0为任一个评价单元的滑坡易发性初始概率，v0为该评价单元对应的地表形变速率归一化后的值，ps为改正概率。
10.根据权利要求9所述的一种基于样本自动选择与地表形变速率的滑坡易发性评价方法，其特征在于：步骤S6中：
利用邻域改正函数，对各评价单元重新计算易发性概率，得到最终的易发性概率值，计算式为：
上式中，k为评价单元的窗口大小，p0为任一个评价单元的易发性初始概率，v0为该评价单元对应的地表形变速率归一化后的值，ps为改正概率。
11.根据权利要求1所述的一种基于样本自动选择与地表形变速率的滑坡易发性评价方法，其特征在于还包括步骤S7：利用自然间断法依据易发性概率值大小，获得研究区域的滑坡易发性分区图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110585706.9A CN113343563B (zh) | 2021-05-27 | 2021-05-27 | 基于样本自动选择与地表形变速率的滑坡易发性评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110585706.9A CN113343563B (zh) | 2021-05-27 | 2021-05-27 | 基于样本自动选择与地表形变速率的滑坡易发性评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113343563A true CN113343563A (zh) | 2021-09-03 |
| CN113343563B CN113343563B (zh) | 2022-05-03 |
Family
ID=77471819
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110585706.9A Active CN113343563B (zh) | 2021-05-27 | 2021-05-27 | 基于样本自动选择与地表形变速率的滑坡易发性评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113343563B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113887515A (zh) * | 2021-10-28 | 2022-01-04 | 中国自然资源航空物探遥感中心 | 一种基于卷积神经网络的遥感滑坡识别方法及系统 |
| CN114036841A (zh) * | 2021-11-10 | 2022-02-11 | 云南大学 | 基于半监督支持向量机模型的滑坡易发性预测方法及系统 |
| CN114297454A (zh) * | 2021-12-30 | 2022-04-08 | 医渡云（北京）技术有限公司 | 特征的离散化方法、装置、电子设备及计算机可读介质 |
| CN115169499A (zh) * | 2022-08-03 | 2022-10-11 | 中国电子科技集团公司信息科学研究院 | 资产数据降维方法、装置、电子设备和计算机存储介质 |
| CN115345511A (zh) * | 2022-08-29 | 2022-11-15 | 中咨数据有限公司 | 一种公路走廊滑坡危险性动态评价方法、评价系统及设备 |
| CN116243269A (zh) * | 2023-05-06 | 2023-06-09 | 南京航天宏图信息技术有限公司 | 一种基于Insar数据的震后滑坡灾害监测方法和装置 |
| CN118410534A (zh) * | 2024-05-14 | 2024-07-30 | 长江大学武汉校区 | 一种基于负样本优化选取策略的滑坡易发性评价方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358327A (zh) * | 2017-07-21 | 2017-11-17 | 重庆大学 | 基于无人机遥感影像的滑坡易发性评定方法 |
| CN109165424A (zh) * | 2018-08-03 | 2019-01-08 | 四川理工学院 | 一种基于国产gf-1卫星数据的滑坡易发性评估方法 |
| CN110929939A (zh) * | 2019-11-26 | 2020-03-27 | 电子科技大学 | 一种基于聚类-信息量耦合模型下的滑坡灾害易发性空间预测方法 |
| CN111310898A (zh) * | 2020-02-14 | 2020-06-19 | 中国地质大学（武汉） | 一种基于rnn的滑坡灾害易发性预测方法 |
| CN111539450A (zh) * | 2020-03-24 | 2020-08-14 | 中南大学 | 地震区滑坡易发性评价方法 |
| CN111667187A (zh) * | 2020-06-10 | 2020-09-15 | 中交第二公路勘察设计研究院有限公司 | 基于多源遥感数据的公路滑坡危险性评价方法 |
| CN111709609A (zh) * | 2020-05-21 | 2020-09-25 | 成都正和德能风险管理咨询有限公司 | 一种地质灾害易发性评价方法 |
| CN111898315A (zh) * | 2020-07-27 | 2020-11-06 | 中国科学院空天信息创新研究院 | 基于分形—机器学习混合模型的滑坡易发性评估方法 |
| CN112097733A (zh) * | 2020-07-28 | 2020-12-18 | 兰州交通大学 | InSAR技术与地理探测器结合的地表形变监测方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107092798A (zh) * | 2017-04-28 | 2017-08-25 | 成都理工大学 | 滑坡预测模型的稳定性评价方法及装置 |
| CN107577913A (zh) * | 2017-08-31 | 2018-01-12 | 成都九十度工业产品设计有限公司 | 一种区域滑坡灾害易发性评估装置 |
| CN110569554B (zh) * | 2019-08-13 | 2020-11-10 | 成都垣景科技有限公司 | 一种基于空间逻辑回归与地理探测器的滑坡易发性评价方法 |
| CN111046517A (zh) * | 2019-08-13 | 2020-04-21 | 成都垣景科技有限公司 | 一种基于层次贝叶斯方法的局部尺度滑坡易发性预测方法 |
| CN111797571B (zh) * | 2020-07-02 | 2024-05-28 | 杭州鲁尔物联科技有限公司 | 滑坡易发性评价方法、装置、设备和存储介质 |
| CN111968019A (zh) * | 2020-07-31 | 2020-11-20 | 中国地质大学（武汉） | 一种基于cnn与rnn集成的滑坡灾害易发性预测方法 |
| CN112700104B (zh) * | 2020-12-25 | 2022-09-09 | 中南大学 | 一种基于多模态分类的震区滑坡易发性评价方法 |
-
2021
- 2021-05-27 CN CN202110585706.9A patent/CN113343563B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107358327A (zh) * | 2017-07-21 | 2017-11-17 | 重庆大学 | 基于无人机遥感影像的滑坡易发性评定方法 |
| CN109165424A (zh) * | 2018-08-03 | 2019-01-08 | 四川理工学院 | 一种基于国产gf-1卫星数据的滑坡易发性评估方法 |
| CN110929939A (zh) * | 2019-11-26 | 2020-03-27 | 电子科技大学 | 一种基于聚类-信息量耦合模型下的滑坡灾害易发性空间预测方法 |
| CN111310898A (zh) * | 2020-02-14 | 2020-06-19 | 中国地质大学（武汉） | 一种基于rnn的滑坡灾害易发性预测方法 |
| CN111539450A (zh) * | 2020-03-24 | 2020-08-14 | 中南大学 | 地震区滑坡易发性评价方法 |
| CN111709609A (zh) * | 2020-05-21 | 2020-09-25 | 成都正和德能风险管理咨询有限公司 | 一种地质灾害易发性评价方法 |
| CN111667187A (zh) * | 2020-06-10 | 2020-09-15 | 中交第二公路勘察设计研究院有限公司 | 基于多源遥感数据的公路滑坡危险性评价方法 |
| CN111898315A (zh) * | 2020-07-27 | 2020-11-06 | 中国科学院空天信息创新研究院 | 基于分形—机器学习混合模型的滑坡易发性评估方法 |
| CN112097733A (zh) * | 2020-07-28 | 2020-12-18 | 兰州交通大学 | InSAR技术与地理探测器结合的地表形变监测方法 |
Non-Patent Citations (9)
| Title |
|---|
| 乔德京等: "加权确定性系数模型的滑坡易发性评价", 《西安科技大学学报》 * |
| 于宪煜等: "基于RS-SVM模型的滑坡易发性评价因子选择方法研究", 《地理与地理信息科学》 * |
| 张志沛等: "基于加权信息量模型的滑坡灾害易发性评价――以灞桥区为例", 《科学技术与工程》 * |
| 张玘恺等: "九寨沟县滑坡灾害易发性快速评估模型对比研究", 《岩石力学与工程学报》 * |
| 朱庆等: "重大滑坡隐患分析方法综述", 《测绘学报》 * |
| 杨盼盼等: "基于加权信息量模型的临潼区滑坡易发性评价", 《长江科学院院报》 * |
| 王念秦等: "基于SVM-LR模型的滑坡易发性评价――以临潼区为例", 《科学技术与工程》 * |
| 谈树成等: "基于GIS和信息量-快速聚类模型的滑坡易发性研究――以云南省福贡县为例", 《云南大学学报(自然科学版)》 * |
| 陈飞等: "基于信息量与神经网络模型的滑坡易发性评价", 《岩石力学与工程学报》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113887515A (zh) * | 2021-10-28 | 2022-01-04 | 中国自然资源航空物探遥感中心 | 一种基于卷积神经网络的遥感滑坡识别方法及系统 |
| CN114036841A (zh) * | 2021-11-10 | 2022-02-11 | 云南大学 | 基于半监督支持向量机模型的滑坡易发性预测方法及系统 |
| CN114297454A (zh) * | 2021-12-30 | 2022-04-08 | 医渡云（北京）技术有限公司 | 特征的离散化方法、装置、电子设备及计算机可读介质 |
| CN114297454B (zh) * | 2021-12-30 | 2023-01-03 | 医渡云（北京）技术有限公司 | 特征的离散化方法、装置、电子设备及计算机可读介质 |
| CN115169499A (zh) * | 2022-08-03 | 2022-10-11 | 中国电子科技集团公司信息科学研究院 | 资产数据降维方法、装置、电子设备和计算机存储介质 |
| CN115169499B (zh) * | 2022-08-03 | 2024-04-05 | 中国电子科技集团公司信息科学研究院 | 资产数据降维方法、装置、电子设备和计算机存储介质 |
| CN115345511A (zh) * | 2022-08-29 | 2022-11-15 | 中咨数据有限公司 | 一种公路走廊滑坡危险性动态评价方法、评价系统及设备 |
| CN116243269A (zh) * | 2023-05-06 | 2023-06-09 | 南京航天宏图信息技术有限公司 | 一种基于Insar数据的震后滑坡灾害监测方法和装置 |
| CN118410534A (zh) * | 2024-05-14 | 2024-07-30 | 长江大学武汉校区 | 一种基于负样本优化选取策略的滑坡易发性评价方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113343563B (zh) | 2022-05-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113343563B (zh) | 基于样本自动选择与地表形变速率的滑坡易发性评价方法 | |
| Wang et al. | Comparison of convolutional neural networks for landslide susceptibility mapping in Yanshan County, China | |
| Can et al. | Landslide susceptibility mapping at Ovacık-Karabük (Turkey) using different artificial neural network models: comparison of training algorithms | |
| Nhat-Duc et al. | Automatic recognition of asphalt pavement cracks using metaheuristic optimized edge detection algorithms and convolution neural network | |
| CN111815037B (zh) | 一种基于注意力机制的可解释性短临极端降雨预测方法 | |
| CN112200358B (zh) | 一种滑坡等级预测方法、装置、设备和存储介质 | |
| Yao et al. | Application of a two-step sampling strategy based on deep neural network for landslide susceptibility mapping | |
| CN114036841A (zh) | 基于半监督支持向量机模型的滑坡易发性预测方法及系统 | |
| CN112200362B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
| Fanos et al. | A spatial ensemble model for rockfall source identification from high resolution LiDAR data and GIS | |
| CN114186641B (zh) | 一种基于深度学习的滑坡易发性评价方法 | |
| CN113487105B (zh) | 一种滑坡地质灾害的空间预测方法、装置和计算机设备 | |
| CN111784017A (zh) | 一种基于路况因素回归分析的公路交通事故数量预测方法 | |
| CN113971764B (zh) | 一种基于改进YOLOv3的遥感图像小目标检测方法 | |
| CN115223063A (zh) | 基于深度学习的无人机遥感小麦新品种倒伏面积提取方法及系统 | |
| CN117494034A (zh) | 基于交通拥堵指数和多源数据融合的空气质量预测方法 | |
| CN112200356B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
| KR20200052398A (ko) | 머신 러닝 기법을 이용한 산사태 취약성 지도 작성 방법 및 장치 | |
| CN114298436A (zh) | 一种基于Bagging策略的滑坡易发性评价方法 | |
| Zhao et al. | Mapping landslide sensitivity based on machine learning: A case study in Ankang City, Shaanxi Province, China | |
| CN115482138A (zh) | 基于特征筛选与差分进化算法优化的滑坡危险性评估方法 | |
| CN118247662A (zh) | 一种用于矿山开采的环境检测方法 | |
| Dahim et al. | Enhancing landslide management with hyper-tuned machine learning and deep learning models: Predicting susceptibility and analyzing sensitivity and uncertainty | |
| Liu et al. | A comparative evaluation of machine learning algorithms and an improved optimal model for landslide susceptibility: a case study | |
| CN113591608A (zh) | 一种基于深度学习的高分辨率遥感影像不透水面提取方法 |
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 |