CN113688172B - 滑坡易发性评估模型训练方法、评估方法、装置及介质 - Google Patents

滑坡易发性评估模型训练方法、评估方法、装置及介质 Download PDF

Info

Publication number
CN113688172B
CN113688172B CN202111245548.9A CN202111245548A CN113688172B CN 113688172 B CN113688172 B CN 113688172B CN 202111245548 A CN202111245548 A CN 202111245548A CN 113688172 B CN113688172 B CN 113688172B
Authority
CN
China
Prior art keywords
landslide
data
grid unit
factor data
evaluation
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
CN202111245548.9A
Other languages
English (en)
Other versions
CN113688172A (zh
Inventor
宋维静
胡淇
王力哲
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN202111245548.9A priority Critical patent/CN113688172B/zh
Publication of CN113688172A publication Critical patent/CN113688172A/zh
Application granted granted Critical
Publication of CN113688172B publication Critical patent/CN113688172B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • 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
    • 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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明提供了一种滑坡易发性评估模型训练方法、评估方法、装置及介质，训练方法包括：获取指定区域中多个栅格单元的滑坡评价因子数据和滑坡分布数据；根据所述滑坡分布数据对各个所述栅格单元的所述滑坡评价因子数据进行标注，获得各个所述栅格单元的滑坡样本标注数据；对于每个所述栅格单元，将所述栅格单元的所述滑坡样本标注数据和相邻的栅格单元的所述滑坡样本标注数据相结合，生成与所述栅格单元对应的滑坡数据矩阵；构建卷积神经网络，采用所有所述滑坡数据矩阵组成的数据集训练所述卷积神经网络，获得滑坡易发性评估模型。本发明的技术方案能够提高滑坡易发性评估的全面性和准确性。

Description

滑坡易发性评估模型训练方法、评估方法、装置及介质
技术领域
本发明涉及地质灾害评估技术领域，具体而言，涉及一种滑坡易发性评估模型训练方法、评估方法、装置及介质。
背景技术
滑坡是指斜坡上的土体或者岩体，受河流冲刷、地下水活动、雨水浸泡、地震及人工切坡等因素影响，在重力作用下，沿着一定的软弱面或者软弱带，整体地或者分散地顺坡向下滑动的自然现象。发生滑坡时会摧毁农田、道路和房屋等，会对人民生命财产造成巨大损失，为了及早发现、及时处理，常对山体等的滑坡易发性进行评估。
目前，在对一个区域进行滑坡灾害的易发性评估时，常采集各个监测点的监测数据，将各个监测点的监测数据分别输入到机器学习模型中，评估滑坡易发性。但是，由于滑坡往往是整体的局部山体向下滑动，现有技术中将各个监测点看作为独立的点，未考虑各个监测点之间的联系，对滑坡易发性的评估不够全面，评估准确性不高。
发明内容
本发明解决的问题是如何提高滑坡易发性评估的全面性和准确性。
为解决上述问题，本发明提供一种滑坡易发性评估模型训练方法、评估方法、装置及介质。
第一方面，本发明提供了一种滑坡易发性评估模型训练方法，包括：
获取指定区域中多个栅格单元的滑坡评价因子数据和滑坡分布数据；
根据所述滑坡分布数据对各个所述栅格单元的所述滑坡评价因子数据进行标注，获得各个所述栅格单元的滑坡样本标注数据；
对于每个所述栅格单元，将所述栅格单元的所述滑坡样本标注数据和相邻的栅格单元的所述滑坡样本标注数据相结合，生成与所述栅格单元对应的滑坡数据矩阵；
构建卷积神经网络，采用所有所述滑坡数据矩阵组成的数据集训练所述卷积神经网络，获得滑坡易发性评估模型。
可选地，所述获取指定区域中多个栅格单元的滑坡评价因子数据包括：
获取所述指定区域的地质数据，在所述地质数据中提取出滑坡评价因子初始数据；
对所述滑坡评价因子初始数据进行归一化处理和评价因子选择，获得所述滑坡评价因子数据。
可选地，所述采用所有所述滑坡数据矩阵组成的数据集训练所述卷积神经网络包括：
将所述数据集划分为训练集和测试集；
采用所述训练集训练所述卷积神经网络，并采用测试集对所述卷积神经网络的精度进行测试，迭代训练所述卷积神经网络直至所述卷积神经网络的精度达到预设阈值，获得所述滑坡易发性评估模型。
可选地，还包括：
将所述指定区域划分多个尺寸相同的网格，其中每个网格对应的区域为一个所述栅格单元。
可选地，所述滑坡评价因子数据包括地形地貌因子数据、水文因子数据、地质因子数据、人类工程活动数据、植被归一化指数和降雨因子数据中的至少一种。
第二方面，本发明提供了一种滑坡易发性评估方法，包括：
获取指定区域中待评估栅格单元的滑坡评价因子数据和所述待评估栅格单元的相邻的栅格单元的滑坡评价因子数据；
将所述待评估栅格单元的滑坡评价因子数据与所述相邻的栅格单元的滑坡评价因子数据组合成滑坡数据矩阵；
将所述滑坡数据矩阵输入训练好的滑坡易发性评估模型，输出所述待评估栅格单元内发生滑坡的概率，所述发生滑坡的概率为所述待评估栅格单元的滑坡易发性；
其中，所述训练好的滑坡易发性评估模型采用如上所述的滑坡易发性评估模型训练方法训练得到。
第三方面，本发明提供了一种滑坡易发性评估模型训练装置，包括：
第一获取模块，用于获取指定区域中多个栅格单元的滑坡评价因子数据和滑坡分布数据；
标注模块，用于根据所述滑坡分布数据对各个所述栅格单元的所述滑坡评价因子数据进行标注，获得各个所述栅格单元的滑坡样本标注数据；
第一处理模块，用于对于每个所述栅格单元，将所述栅格单元的所述滑坡样本标注数据和相邻的栅格单元的所述滑坡样本标注数据相结合，生成与所述栅格单元对应的滑坡数据矩阵；
训练模块，用于构建卷积神经网络，采用所有所述滑坡数据矩阵组成的数据集训练所述卷积神经网络，获得滑坡易发性评估模型。
第四方面，本发明提供了一种滑坡易发性评估装置，包括：
第二获取模块，用于获取指定区域中待评估栅格单元的滑坡评价因子数据和所述待评估栅格单元的相邻的栅格单元的滑坡评价因子数据；
第二处理模块，用于将所述待评估栅格单元的滑坡评价因子数据与所述相邻的栅格单元的滑坡评价因子数据组合成滑坡数据矩阵；
评估模块，用于将所述滑坡数据矩阵输入训练好的滑坡易发性评估模型，输出所述待评估栅格单元内发生滑坡的概率，所述发生滑坡的概率为所述待评估栅格单元的滑坡易发性；
其中，所述训练好的滑坡易发性评估模型采用如权利要求1至5任一项所述的滑坡易发性评估模型训练方法训练得到。
第五方面，本发明提供了一种电子设备，包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现如上所述的滑坡易发性评估模型训练方法或如上所述的滑坡易发性评估方法。
第六方面，本发明提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的滑坡易发性评估模型训练方法或如上所述的滑坡易发性评估方法。
本发明的滑坡易发性评估模型训练方法、评估方法、装置及介质有益效果是：可预先将指定区域划分为多个栅格单元，获取各个栅格单元的可能影响滑坡的滑坡因子数据，并获取各个栅格单元的滑坡分布数据，滑坡分布数据可包括对应的栅格单元是否发生过滑坡等信息，通过滑坡分布数据对各个栅格单元的滑坡评价因子数据进行标注，获得带标签的滑坡样本标注数据。对于任一栅格单元，将该栅格单元的滑坡样本标注数据与相邻栅格单元的滑坡样本标注数据组合成滑坡数据矩阵，滑坡数据矩阵中包括各个相邻栅格单元的滑坡样本标注数据，可将所有滑坡数据矩阵组成的数据集划分为训练集和测试集，用以训练和测试卷积神经网络，获得滑坡易发性评估模型。本发明的技术方案中，将相邻栅格单元的滑坡样本标注数据组合成滑坡数据矩阵，作为卷积神经网络的输入，可通过卷积神经网络充分挖掘相邻栅格单元之间的空间相关性，使得训练得到的滑坡易发性评估模型用于预测指定区域内的滑坡易发性时，能够考虑相邻栅格单元之间的空间相关性，提高了滑坡易发性评估的全面性和准确性。
附图说明
图1为本发明实施例的一种滑坡易发性评估模型训练方法的流程示意图；
图2为本发明实施例的滑坡评价因子数据获取过程示意图；
图3为本发明实施例的单栅格单元数据输入卷积神经网络和多栅格单元数据输入卷积神经网络的对比示意图；
图4为本发明另一实施例的一种滑坡易发性评估方法的流程示意图；
图5为本发明又一实施例的一种滑坡易发性评估模型训练装置的结构示意图；
图6为本发明又一实施例的一种滑坡易发性评估装置的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
如图1所示，本发明实施例提供的一种滑坡易发性评估模型训练方法，包括：
步骤S110，获取指定区域中多个栅格单元的滑坡评价因子数据和滑坡分布数据。
具体地，滑坡评价因子数据可包括多个维度的能反映滑坡情况的关联数据，滑坡分布数据可包括各个栅格单元是否发生过滑坡等情况，可通过获取滑坡历史数据进行分析，或到现场进行调查，或对拍摄的遥感图像进行解译等方式获得。
步骤S120，根据所述滑坡分布数据对各个所述栅格单元的所述滑坡评价因子数据进行标注，获得各个所述栅格单元的滑坡样本标注数据。
具体地，以各个栅格单元的滑坡评价因子数据为样本数据，各个栅格单元对应的区域是否发生过滑坡作为标签，通过数据标注，获得各个栅格的那元的滑坡样本标注数据。
步骤S130，对于每个所述栅格单元，将所述栅格单元的所述滑坡样本标注数据和相邻的栅格单元的所述滑坡样本标注数据相结合，生成与所述栅格单元对应的滑坡数据矩阵。
具体地，如图3所示，对于标定区域中间的一个栅格单元，其具有8个相邻的栅格单元，保留每个栅格单元的滑坡样本标注数据，将该栅格单元和相邻的8个栅格单元的滑坡样本标注数据组合成一个3*3*n的滑坡数据矩阵，其中n为滑坡评价因子的数量，相较于将多个栅格单元的特征值融合为1*1*n的矩阵，或分别采用各个单栅格单元的数据作为模型输入，保留了栅格单元与相邻栅格单元质检的空间相关性。另外，对于标定区域边缘的栅格单元，会存在部分相邻栅格单元不再标定区域内的情况，可单独获取边缘栅格单元各个相邻栅格单元的滑坡样本标注数据。
本可选的实施例中，以单个栅格单元为中心，相邻栅格单元为辅助，将栅格单元和相邻栅格单元的滑坡样本标注数据组成3*3*n的模型输入，充分考虑了单个栅格单元与相邻栅格单元之间的空间相关性，提高了滑坡评估的全面性和准确性。
步骤S140，构建卷积神经网络，采用所有所述滑坡数据矩阵组成的数据集训练所述卷积神经网络，获得滑坡易发性评估模型。
具体地，一个区域的滑坡易发性就是该区域发生滑坡的概率，训练生成的滑坡易发性评估模型能用于充分挖掘栅格单元与相邻栅格单元之间的空间相关性信息，以提高指定区域内滑坡预测的精度。
本实施例中，可预先将指定区域划分为多个栅格单元，获取各个栅格单元的可能影响滑坡的滑坡因子数据，并获取各个栅格单元的滑坡分布数据，滑坡分布数据可包括对应的栅格单元是否发生过滑坡等信息，通过滑坡分布数据对各个栅格单元的滑坡评价因子数据进行标注，获得带标签的滑坡样本标注数据。对于任一栅格单元，将该栅格单元的滑坡样本标注数据与相邻栅格单元的滑坡样本标注数据组合成滑坡数据矩阵，滑坡数据矩阵中包括各个相邻栅格单元的滑坡样本标注数据，可将所有滑坡数据矩阵组成的数据集划分为训练集和测试集，用以训练和测试卷积神经网络，获得滑坡易发性评估模型。本发明的技术方案中，将相邻栅格单元的滑坡样本标注数据组合成滑坡数据矩阵，作为卷积神经网络的输入，可通过卷积神经网络充分挖掘相邻栅格单元之间的空间相关性，使得训练得到的滑坡易发性评估模型用于预测指定区域内的滑坡易发性时，能够考虑相邻栅格单元之间的空间相关性，提高了滑坡易发性评估的全面性和准确性。
可选地，如图2所示，所述获取指定区域中多个栅格单元的滑坡评价因子数据包括：
获取所述指定区域的地质数据，在所述地质数据中提取出滑坡评价因子初始数据。
对所述滑坡评价因子初始数据进行归一化处理和评价因子选择，获得所述滑坡评价因子数据。
可选地，所述滑坡评价因子数据包括地形地貌因子数据、水文因子数据、地质因子数据、人类工程活动数据、植被归一化指数和降雨因子数据中的至少一种。
具体地，地质数据可包括指定区域的DEM（Digital Elevation Model，数字高程模型）数据，Landsat卫星波段数据，遥感图像和降水数据等，可以采用ArcGIS软件或ENVI软件等从地质数据中提取出用于评估滑坡的滑坡评价因子初始数据，例如：从DEM数据中提取出地形地貌因子数据、水文因子数据，从地质图中提取出地质因子数据，从遥感图像中提取出人类工程活动数据，即土地利用分类数据，从Landsat卫星波段数据中提取出植被归一化指数，从降水数据中提取出降雨因子数据。
本可选的实施例中，由于不同的滑坡评价因子数据的数据格式各不相同，因此为了便于对滑坡评价因子数据进行统一处理，可先对滑坡评价因子数据进行归一化处理。同时，滑坡评价因子众多，可能包括了不需要的评价因子，因此可根据指定区域的具体情况进行评价因子选择，获得滑坡评价因子数据。
可选地，所述采用所有所述滑坡数据矩阵组成的数据集训练所述卷积神经网络包括：
将所述数据集划分为训练集和测试集；
采用所述训练集训练所述卷积神经网络，并采用测试集对所述卷积神经网络的精度进行测试，迭代训练所述卷积神经网络直至所述卷积神经网络的精度达到预设阈值，获得所述滑坡易发性评估模型。
具体地，卷积神经网络可采用2-D CNN网络或BP网络等，在采用测试集测试卷积神经网络的精度时，还可设置以对照组，对照组可采用1-D CNN模型，模型输入可采用单个栅格点的滑坡样本标注数据，本方案采用多个栅格点的滑坡数据矩阵作为输入，对比两组方案的精度，选择精度最高的卷积神经网络，确定各个评价因子的权重，精度最高的卷积神经网络就是滑坡易发性评估模型。可将数据集中的70%的滑坡数据矩阵划分为训练集，30%的滑坡数据矩阵划分为测试集，通过训练卷积神经网络，在输入与输出之间建立非线性的等式关系，损失函数可采用交叉熵损失函数：CrossEntropyLoss。该损失函数结合了nn.LogSoftmax()和nn.NLLLoss()两个函数，在分类训练实验中常常伴有良好的效果。
可选地，还包括：
将所述指定区域划分多个尺寸相同的网格，其中每个网格对应的区域为一个所述栅格单元。
具体地，可通过对指定区域的遥感图像进行网格划分，获得多个栅格单元，每个栅格单元对应的区域大小与遥感图像的分辨率正相关，每个栅格单元对应的区域用于该地形范围内的不同特征值，即不同的滑坡评价因子数据，为可能影响滑坡发生的因素值。
如图4所示，本发明实施例提供的一种滑坡易发性评估方法，包括：
步骤S210，获取指定区域中待评估栅格单元的滑坡评价因子数据和所述待评估栅格单元的相邻的栅格单元的滑坡评价因子数据；
步骤S220，将所述待评估栅格单元的滑坡评价因子数据与所述相邻的栅格单元的滑坡评价因子数据组合成滑坡数据矩阵；
步骤S230，将所述滑坡数据矩阵输入训练好的滑坡易发性评估模型，输出所述待评估栅格单元内发生滑坡的概率，所述发生滑坡的概率为所述待评估栅格单元的滑坡易发性；
其中，所述训练好的滑坡易发性评估模型采用如上所述的滑坡易发性评估模型训练方法训练得到。
本实施例中，将待评估栅格单元的滑坡评价因子数据和相邻的栅格单元的滑坡评价因子数据组合成滑坡数据矩阵，作为滑坡易发性评估模型的输入，通过训练好的滑坡易发性评估模型对滑坡数据矩阵进行处理，充分挖掘待评估栅格单元与相邻栅格单元之间的空间相关性信息，最终输出待评估栅格单元发生滑坡的概率，确定待评估栅格单元的滑坡易发性。充分考虑了相邻栅格之间的空间相关性，提高了滑坡易发性评估的完整性和准确性。
如图5所示，本发明另一实施例提供的一种滑坡易发性评估模型训练装置，包括：
第一获取模块，用于获取指定区域中多个栅格单元的滑坡评价因子数据和滑坡分布数据；
标注模块，用于根据所述滑坡分布数据对各个所述栅格单元的所述滑坡评价因子数据进行标注，获得各个所述栅格单元的滑坡样本标注数据；
第一处理模块，用于对于每个所述栅格单元，将所述栅格单元的所述滑坡样本标注数据和相邻的栅格单元的所述滑坡样本标注数据相结合，生成与所述栅格单元对应的滑坡数据矩阵；
训练模块，用于构建卷积神经网络，采用所有所述滑坡数据矩阵组成的数据集训练所述卷积神经网络，获得滑坡易发性评估模型。
如图6所示，本发明又一实施例提供的一种滑坡易发性评估装置，包括：
第二获取模块，用于获取指定区域中待评估栅格单元的滑坡评价因子数据和所述待评估栅格单元的相邻的栅格单元的滑坡评价因子数据；
第二处理模块，用于将所述待评估栅格单元的滑坡评价因子数据与所述相邻的栅格单元的滑坡评价因子数据组合成滑坡数据矩阵；
评估模块，用于将所述滑坡数据矩阵输入训练好的滑坡易发性评估模型，输出所述待评估栅格单元内发生滑坡的概率，所述发生滑坡的概率为所述待评估栅格单元的滑坡易发性；
其中，所述训练好的滑坡易发性评估模型采用如上所述的滑坡易发性评估模型训练方法训练得到。
本发明又一实施例提供的一种电子设备包括存储器和处理器；所述存储器，用于存储计算机程序；所述处理器，用于当执行所述计算机程序时，实现如上所述的滑坡易发性评估模型训练方法或如上所述的滑坡易发性评估方法。该电子设备可为计算机和服务器等。
本发明又一实施例提供的一种计算机可读存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上所述的滑坡易发性评估模型训练方法或如上所述的滑坡易发性评估方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。在本申请中，所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
虽然本发明公开披露如上，但本发明公开的保护范围并非仅限于此。本领域技术人员在不脱离本发明公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。

Claims (9)

1.一种滑坡易发性评估模型训练方法，其特征在于，包括：
获取指定区域中多个栅格单元的滑坡评价因子数据和滑坡分布数据；
根据所述滑坡分布数据对各个所述栅格单元的所述滑坡评价因子数据进行标注，获得各个所述栅格单元的滑坡样本标注数据；
对于每个所述栅格单元，将所述栅格单元的所述滑坡样本标注数据和相邻的栅格单元的所述滑坡样本标注数据相结合，生成与所述栅格单元对应的滑坡数据矩阵，包括：将所述栅格单元和相邻的8个栅格单元的滑坡样本标注数据组合成一个3*3*n的所述滑坡数据矩阵，其中，n为所述滑坡评价因子数据的数量；所述滑坡评价因子数据包括地形地貌因子数据、水文因子数据、地质因子数据、人类工程活动数据、植被归一化指数和降雨因子数据中的至少一种；
构建卷积神经网络，采用所有所述滑坡数据矩阵组成的数据集训练所述卷积神经网络，获得滑坡易发性评估模型。
2.根据权利要求1所述的滑坡易发性评估模型训练方法，其特征在于，所述获取指定区域中多个栅格单元的滑坡评价因子数据包括：
获取所述指定区域的地质数据，在所述地质数据中提取出滑坡评价因子初始数据；
对所述滑坡评价因子初始数据进行归一化处理和评价因子选择，获得所述滑坡评价因子数据。
3.根据权利要求2所述的滑坡易发性评估模型训练方法，其特征在于，所述采用所有所述滑坡数据矩阵组成的数据集训练所述卷积神经网络包括：
将所述数据集划分为训练集和测试集；
采用所述训练集训练所述卷积神经网络，并采用测试集对所述卷积神经网络的精度进行测试，迭代训练所述卷积神经网络直至所述卷积神经网络的精度达到预设阈值，获得所述滑坡易发性评估模型。
4.根据权利要求1至3任一项所述的滑坡易发性评估模型训练方法，其特征在于，还包括：
将所述指定区域划分多个尺寸相同的网格，其中每个网格对应的区域为一个所述栅格单元。
5.一种滑坡易发性评估方法，其特征在于，包括：
获取指定区域中待评估栅格单元的滑坡评价因子数据和所述待评估栅格单元的相邻的栅格单元的滑坡评价因子数据；
将所述待评估栅格单元的滑坡评价因子数据与所述相邻的栅格单元的滑坡评价因子数据组合成滑坡数据矩阵；
将所述滑坡数据矩阵输入训练好的滑坡易发性评估模型，输出所述待评估栅格单元内发生滑坡的概率，所述发生滑坡的概率为所述待评估栅格单元的滑坡易发性，包括：将所述栅格单元和相邻的8个栅格单元的滑坡样本标注数据组合成一个3*3*n的所述滑坡数据矩阵，其中，n为所述滑坡评价因子数据的数量；所述滑坡评价因子数据包括地形地貌因子数据、水文因子数据、地质因子数据、人类工程活动数据、植被归一化指数和降雨因子数据中的至少一种；
其中，所述训练好的滑坡易发性评估模型采用如权利要求1至4任一项所述的滑坡易发性评估模型训练方法训练得到。
6.一种滑坡易发性评估模型训练装置，其特征在于，包括：
第一获取模块，用于获取指定区域中多个栅格单元的滑坡评价因子数据和滑坡分布数据；
标注模块，用于根据所述滑坡分布数据对各个所述栅格单元的所述滑坡评价因子数据进行标注，获得各个所述栅格单元的滑坡样本标注数据，包括：将所述栅格单元和相邻的8个栅格单元的滑坡样本标注数据组合成一个3*3*n的滑坡数据矩阵，其中，n为所述滑坡评价因子数据的数量；所述滑坡评价因子数据包括地形地貌因子数据、水文因子数据、地质因子数据、人类工程活动数据、植被归一化指数和降雨因子数据中的至少一种；
第一处理模块，用于对于每个所述栅格单元，将所述栅格单元的所述滑坡样本标注数据和相邻的栅格单元的所述滑坡样本标注数据相结合，生成与所述栅格单元对应的滑坡数据矩阵；
训练模块，用于构建卷积神经网络，采用所有所述滑坡数据矩阵组成的数据集训练所述卷积神经网络，获得滑坡易发性评估模型。
7.一种滑坡易发性评估装置，其特征在于，包括：
第二获取模块，用于获取指定区域中待评估栅格单元的滑坡评价因子数据和所述待评估栅格单元的相邻的栅格单元的滑坡评价因子数据；
第二处理模块，用于将所述待评估栅格单元的滑坡评价因子数据与所述相邻的栅格单元的滑坡评价因子数据组合成滑坡数据矩阵，包括：将所述栅格单元和相邻的8个栅格单元的滑坡样本标注数据组合成一个3*3*n的所述滑坡数据矩阵，其中，n为所述滑坡评价因子数据的数量；
评估模块，用于将所述滑坡数据矩阵输入训练好的滑坡易发性评估模型，输出所述待评估栅格单元内发生滑坡的概率，所述发生滑坡的概率为所述待评估栅格单元的滑坡易发性；所述滑坡评价因子数据包括地形地貌因子数据、水文因子数据、地质因子数据、人类工程活动数据、植被归一化指数和降雨因子数据中的至少一种；
其中，所述训练好的滑坡易发性评估模型采用如权利要求1至4任一项所述的滑坡易发性评估模型训练方法训练得到。
8.一种电子设备，其特征在于，包括存储器和处理器；
所述存储器，用于存储计算机程序；
所述处理器，用于当执行所述计算机程序时，实现如权利要求1至4任一项所述的滑坡易发性评估模型训练方法或如权利要求5所述的滑坡易发性评估方法。
9.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1至4任一项所述的滑坡易发性评估模型训练方法或如权利要求5所述的滑坡易发性评估方法。
CN202111245548.9A 2021-10-26 2021-10-26 滑坡易发性评估模型训练方法、评估方法、装置及介质 Active CN113688172B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111245548.9A CN113688172B (zh) 2021-10-26 2021-10-26 滑坡易发性评估模型训练方法、评估方法、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111245548.9A CN113688172B (zh) 2021-10-26 2021-10-26 滑坡易发性评估模型训练方法、评估方法、装置及介质

Publications (2)

Publication Number Publication Date
CN113688172A CN113688172A (zh) 2021-11-23
CN113688172B true CN113688172B (zh) 2022-04-08

Family

ID=78587972

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111245548.9A Active CN113688172B (zh) 2021-10-26 2021-10-26 滑坡易发性评估模型训练方法、评估方法、装置及介质

Country Status (1)

Country Link
CN (1) CN113688172B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115330346B (zh) * 2022-08-17 2023-05-23 中国地质环境监测院(自然资源部地质灾害技术指导中心) 基于能力评价的滑坡众包标注结果评估及任务分配方法
CN115661681B (zh) * 2022-11-17 2023-05-30 中国科学院空天信息创新研究院 一种基于深度学习的滑坡灾害自动识别方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020000390A1 (en) * 2018-06-29 2020-01-02 Baidu.Com Times Technology (Beijing) Co., Ltd. Systems and methods for depth estimation via affinity learned with convolutional spatial propagation networks
US11971373B2 (en) * 2019-11-22 2024-04-30 Muon Vision Inc. Systems and methods for monitoring slope stability
CN111310623B (zh) * 2020-02-03 2023-04-07 中国地质大学（武汉） 基于遥感数据与机器学习对泥石流敏感性地图分析的方法
CN112465199B (zh) * 2020-11-18 2024-03-12 南京航空航天大学 空域态势评估系统

Also Published As

Publication number Publication date
CN113688172A (zh) 2021-11-23

Similar Documents

Publication Publication Date Title
Amato et al. Accounting for covariate distributions in slope-unit-based landslide susceptibility models. A case study in the alpine environment
Koch et al. Revealing areas of high nature conservation importance in a seasonally dry tropical forest in Brazil: Combination of modelled plant diversity hot spots and threat patterns
Pradhan et al. Landslide susceptibility assessment and factor effect analysis: backpropagation artificial neural networks and their comparison with frequency ratio and bivariate logistic regression modelling
CN113688172B (zh) 滑坡易发性评估模型训练方法、评估方法、装置及介质
Balázs et al. Extracting water-related features using reflectance data and principal component analysis of Landsat images
CN112200358B (zh) 一种滑坡等级预测方法、装置、设备和存储介质
CN111144651A (zh) 一种地质灾害的预测方法、装置及设备
Serinaldi et al. Irreversibility and complex network behavior of stream flow fluctuations
Dewitte et al. Combining spatial data in landslide reactivation susceptibility mapping: a likelihood ratio-based approach in W Belgium
CN115688404B (zh) 基于svm-rf模型的降雨型滑坡预警方法
US11676375B2 (en) System and process for integrative computational soil 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
Sahin Implementation of free and open-source semi-automatic feature engineering tool in landslide susceptibility mapping using the machine-learning algorithms RF, SVM, and XGBoost
Mutascio et al. Modeling relative habitat suitability of southern Florida for invasive Burmese pythons (Python molurus bivittatus)
KR20200052398A (ko) 머신 러닝 기법을 이용한 산사태 취약성 지도 작성 방법 및 장치
CN115631162A (zh) 一种滑坡隐患识别方法、系统、介质及设备
Liu et al. Landscape pattern and ecological security assessment and prediction using remote sensing approach
CN113487105A (zh) 一种滑坡地质灾害的空间预测方法、装置和计算机设备
Olivier et al. GIS-based application of resource selection functions to the prediction of snow petrel distribution and abundance in East Antarctica: comparing models at multiple scales
Cui et al. Decision fusion of textural features derived from polarimetric data for levee assessment
Kamer et al. Fault Network Reconstruction using Agglomerative Clustering: Applications to South Californian Seismicity
Weidner et al. An algorithm for measuring landslide deformation in terrestrial lidar point clouds using trees
CN116561536B (zh) 一种滑坡隐患的识别方法、终端设备及介质
CN112240869A (zh) 一种基于高分遥感影像的草原地块信息提取方法
Pavel et al. Replication of a terrain stability mapping using an artificial neural network

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