CN113780174A - 结合随机森林算法的高植被台风暴雨型滑坡识别方法 - Google Patents
结合随机森林算法的高植被台风暴雨型滑坡识别方法 Download PDFInfo
- Publication number
- CN113780174A CN113780174A CN202111063777.9A CN202111063777A CN113780174A CN 113780174 A CN113780174 A CN 113780174A CN 202111063777 A CN202111063777 A CN 202111063777A CN 113780174 A CN113780174 A CN 113780174A
- Authority
- CN
- China
- Prior art keywords
- landslide
- data
- map
- random forest
- remote sensing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 78
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 46
- 238000011160 research Methods 0.000 claims abstract description 69
- 230000003287 optical effect Effects 0.000 claims abstract description 58
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000012360 testing method Methods 0.000 claims abstract description 17
- 238000005520 cutting process Methods 0.000 claims abstract description 16
- 238000010276 construction Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 24
- 238000012544 monitoring process Methods 0.000 claims description 18
- 238000007418 data mining Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000003066 decision tree Methods 0.000 claims description 11
- 238000007619 statistical method Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000011161 development Methods 0.000 claims description 8
- 238000013179 statistical model Methods 0.000 claims description 8
- 238000005192 partition Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012732 spatial analysis Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000005211 surface analysis Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
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
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- G06Q50/265—Personal security, identity or safety
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Security & Cryptography (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明提出一种结合随机森林算法的高植被台风暴雨型滑坡识别方法,通过获取研究区多时相高精度光学遥感数据、坡度图、地形起伏度图及NDVI数据;以光学遥感数据、坡度、地形起伏度和归一化植被指数构建分类特征集,选取合适的训练样本和测试样本;依托ENVI中的随机森林算法构建工具构建随机森林模型,设置相关参数进行模型训练与地物识别;获得研究区光学遥感影像、坡度、地形起伏度和归一化植被指数识别分类后栅格图像,以光学遥感图像识别出的滑坡矢量数据为底图,再分别以坡度图、地形起伏度图和归一化植被指数数据图提取出的滑坡矢量数据为掩膜执行裁剪操作,得到多源数据识别的高精度滑坡点位图。提升了滑坡遥感识别的精度,实现更高效地提取滑坡信息。
Description
技术领域
本发明属于遥感技术、机器学习和灾害防治工程等技术领域,尤其涉及一种结合随机森林算法的高植被台风暴雨型滑坡识别方法。
背景技术
高植被覆盖区在台风暴雨条件下同样易产生滑坡、泥石流等地质灾害,比如闽台两地滑坡灾害的地质载体多属于植被发育斜坡。距不完全统计,闽台两地超过80%以上的滑坡灾害发生在每年5-9月份的雨季,而台风诱发的暴雨型滑坡则占总滑坡灾害的90%以上,并表现为群发性、规模小、即雨即滑且爆发性强的特点。台风暴雨过后,滑坡多呈星点状点缀于高植被覆盖斜坡上。
台风暴雨型滑坡的频繁发生及其造成的危害早已引起世界政府部门、国际组织及工程界的高度重视,并相继开展了台风暴雨型滑坡的调查评价、监测预警与示范点建设以及防治应急等工作。但高植被覆盖区台风暴雨型滑坡是地质-植被-气象多要素共同作用的结果,其孕灾环境与成灾机制复杂,在监测预警、应急响应方面仍缺乏实用、先进的技术支撑。与此同时,在全球气候变暖的大背景下,台风频次和强度有增加增强趋势,可以预见,未来台风暴雨诱发的高植被覆盖区的滑坡灾害无论在数量和规模上都有扩大化的态势。如何合理高效的应对地质-植被-气象强耦合所触发的滑坡灾害已成为地灾防治科技人员面临的重大难题。
而治理与研究高植被覆盖区台风暴雨型滑坡的首要条件正是及时的发现滑坡,而目前遥感识别滑坡技术大部分仍依靠人机交互识别,即研究人员使用目视解译的方法进行灾害信息的提取工作,该方法需要研究人员拥有丰富的经验知识储备,依靠工作人员的专业知识对滑坡区域的地物信息,如形状、纹理、阴影、位置等进行系统的分析研究,结合周围地形以及灾害区域地质类型最终确定滑坡受灾区域。且存在面对大尺度区域时识别效率低,历时长,针对性不强,容易缺漏等诸多缺点。
在高植被覆盖区,受一些因素的影响,滑坡与非滑坡的可分性较低,且目前遥感识别滑坡技术大部分仍依靠人机交互识别,即研究人员使用目视解译的方法进行灾害信息的提取工作,该方法需要研究人员拥有丰富的经验知识储备,依靠工作人员的专业知识对滑坡区域的地物信息,如形状、纹理、阴影、位置等进行系统的分析研究,结合周围地形以及灾害区域地质类型最终确定滑坡受灾区域。且存在面对大尺度区域时识别效率低,历时长,针对性不强,容易缺漏等诸多缺点。所以需要一种面对高植被覆盖区台风暴雨型滑坡的遥感高效识别方法。
作为新兴起的、高度灵活的一种机器学习算法,随机森林(Random Forest,RF)拥有广泛的应用前景。随机森林就是通过集成学习的思想将多棵树集成的一种算法,它的基本单元是决策树,而它的本质属于机器学习的一大分支—集成学习(Ensemble Learning)方法。从直观角度来解释,每棵决策树都是一个分类器,那么对于一个输入样本,N棵树会有N个分类结果。而随机森林集成了所有的分类投票结果,将投票次数最多的类别指定为最终的输出。
随机森林是一种很灵活实用的方法,具有如下几个特点:(1)在当前所有算法中,具有极好的准确率;(2)能够有效地运行在大数据集上;(3)能够处理具有高维特征的输入样本,而且不需要降维;(4)能够评估各个特征在分类问题上的重要性;(5)在生成过程中,能够获取到内部生成误差的一种无偏估计;(6)对于缺省值问题也能够获得很好得结果;实际上,随机森林的特点不只有这六点,它就相当于机器学习领域的Leatherman(多面手),可兼容多源数据的使用和调整。在估计推断映射方面具有极高的精度,以致不需要像SVM那样做很多参数的调试。
发明内容
介于现有技术存在的以下缺陷和不足:
(1)目前没有针对高植被覆盖区台风暴雨型滑坡的高效机器学习分类识别算法。
(2)目前针对高植被覆盖区台风暴雨型滑坡的识别精度较低,特别是大尺度和地形破碎区域。
(3)目前缺乏一种结合多时相多源数据的高植被覆盖区台风暴雨型滑坡识别方法。
(4)现有方法对于高植被覆盖区台风暴雨型滑坡的识别效率较低。
考虑到随机森林算法在图像分类上的应用是较为成熟的技术,通过研究高植被覆盖区台风暴雨型滑坡成因机制和特征获取滑坡分类特征变量,以特征变量建立随机森林分类模型,将随机森林算法与台风暴雨型滑坡特征结合起来实现对高植被覆盖区台风暴雨型滑坡的遥感高效识别。
本发明的目的在于提供一种结合随机森林算法的高植被台风暴雨型滑坡识别方法,其通过获取研究区多时相高精度光学遥感数据、坡度图、地形起伏度图及NDVI数据;以光学遥感数据、坡度、地形起伏度和归一化植被指数构建分类特征集,选取合适的训练样本和测试样本;依托ENVI中的随机森林算法构建工具构建随机森林模型,设置相关参数进行模型训练与地物识别;获得研究区光学遥感影像、坡度、地形起伏度和归一化植被指数识别分类后栅格图像,以光学遥感图像识别出的滑坡矢量数据为底图,再分别以坡度图、地形起伏度图和归一化植被指数数据图提取出的滑坡矢量数据为掩膜执行裁剪操作,得到多源数据识别的高精度滑坡点位图。本发明所述的技术方案,提升了滑坡遥感识别的精度,实现了更高效地提取滑坡信息。
本发明具体采用以下技术方案:
一种结合随机森林算法的高植被台风暴雨型滑坡识别方法,其特征在于:获取研究区台风暴雨预报-过境-离境全过程的多时相高精度光学遥感数据;获取研究区的数字高程模型 DEM数据,通过GIS平台计算出研究区的坡度图和地形起伏度图;获取研究区域归一化植被指数NDVI数据;根据所述光学遥感数据、坡度、地形起伏度和归一化植被指数构建分类特征集,并分别选取合适的训练样本和测试样本;依托ENVI中的随机森林算法构建工具构建随机森林模型;将分类特征集中的训练样本和对应的待分类图像,包括:研究区光学遥感影像、坡度图、地形起伏度图和归一化植被指数数据图,输入随机森林模型,设置相关参数进行模型训练与地物识别;获得研究区光学遥感影像、坡度、地形起伏度和归一化植被指数识别分类后栅格图像;依托GIS平台进行该四幅图像的滑坡数据提取;以光学遥感图像识别出的滑坡数据为底图,再分别以坡度图、地形起伏度图和归一化植被指数数据图提取出的滑坡数据为掩膜执行裁剪操作,得到多源数据识别的高精度滑坡点位图。
进一步地,识别区域通过以下步骤确定:
步骤S1:对气象信息和滑坡灾害信息进行数据挖掘,获得高植被覆盖区台风暴雨型滑坡发生与降雨量的关系,通过大数据统计模型对降雨与滑坡信息进行数据挖掘,得出滑坡发生的降雨阈值;
步骤S2:通过步骤S1获得的阈值缩小滑坡识别的区域范围。
进一步地,步骤S1具体为:收集和整理研究区气象监测信息,获取历年台风全路径的台风暴雨演变过程与完整的动态监测数据,获取台风过境后研究区的多时相气象数据与动态监测数据和研究区历史滑坡灾害的发生时间、位置、规模、变形演化时序特征的详查数据,基于统计学方法对气象信息和滑坡灾害信息进行数据挖掘,建立气象信息和滑坡灾害信息的大数据统计模型,依托GIS平台绘制基于台风暴雨路径的滑坡时空分布图,从而构建高植被覆盖区台风暴雨型滑坡易发性与降雨量的关系,并通过大数据统计模型对降雨与滑坡信息进行数据挖掘,得出滑坡发生的降雨阈值;
步骤S2具体为:依托GIS平台将研究区整体地块通过收集的台风暴雨预报-过境-离境全过程气象降雨数据分割成数个区域地块,将每个地块的实际降雨值与步骤S1得到的降雨阈值作对比,筛除实际降雨值小于降雨阈值的地块,保留实际降雨值大于降雨阈值的地块,从而实现缩小滑坡识别的区域范围。
进一步地,所述根据光学遥感数据、坡度、地形起伏度和归一化植被指数构建分类特征集的具体过程为:将台风暴雨型滑坡体在光学遥感影像上表现为特殊的高光图斑,作为分类特征以区别于其他地物;基于统计学方法对地质背景与已有滑坡灾害信息进行数据挖掘,总结地质背景与台风暴雨滑坡发育特征规律,得到高植被覆盖区台风暴雨型滑坡常发生的地形坡度,并将坡度作为分类特征区别于其他邻近地物;考虑台风暴雨型滑坡滑体上下落差规律基础上,将地形起伏度作为分类特征区别于其他邻近地物;通过现场植被特征调查,查明台风暴雨型滑坡易发区的植被覆盖度时空分布图,将其与滑坡点位图进行叠加分析,揭示出台风暴雨型滑坡体上植被情况为稀疏植被或近似裸土地表,并将光谱植被指数作为滑坡体的典型性分类特征。
进一步地,对特征变量分别选取合适的训练样本和测试样本的具体过程为:通过研究高植被覆盖区台风暴雨型滑坡的特征,从获取的高分辨率光学遥感影像中目视解译收集滑坡和其他类型地物的训练样本,按各地物间面积占比关系,收集得到最终训练样本集;测试样本通过GIS中的随机生成工具在高精度遥感影像上生成提取;训练样本集合测试样本集比例可以取2:1~3:2。
进一步地,所述依托ENVI中的随机森林算法构建工具构建随机森林模型的具体过程为:获取研究区多源原始数据并构建相应的特征变量集;通过研究高植被覆盖区台风暴雨型滑坡的成因机理及其特征,在多源原始数据的基础上选取训练样本构建随机森林模型训练集;于 ENVI中使用随机森林算法构建工具选择合适的算法参数构建随机森林模型,模型中主要参数有决策树数量N和生成决策树节点分裂时输入特征变量M两个参数;选定参数后将训练集与待分类图像输入模型进行分类运算;得到分类识别图像后与遥感影像进行对比进行分类精度评价与矫正;最终将矫正后的结果记录保存。
进一步地,以光学遥感影像识别出的滑坡数据为底图,再分别以坡度图、地形起伏度图和归一化植被指数数据图提取出的滑坡数据为掩膜执行裁剪操作,得到高精度多源数据识别滑坡点位图的具体步骤包括:步骤(1):使用ArcMap中的裁剪工具,选择光学遥感影像中滑坡提取矢量图层设置为底图,选择坡度图像中滑坡提取矢量图层设置为掩膜图层,执行裁剪操作,得到经过坡度筛选后的滑坡区划图;步骤(2):使用ArcMap中的裁剪工具,选择上一步筛选后的滑坡区划图设置为底图,选择地形起伏度图像中滑坡提取矢量图层设置为掩膜图层,执行裁剪操作,得到经过地形起伏度筛选后的滑坡区划图;步骤(3):使用ArcMap中的裁剪工具,选择上一步筛选后的滑坡区划图设置为底图,选择归一化植被指数图像中滑坡提取矢量图层设置为掩膜图层,执行裁剪操作,得到经过归一化植被指数筛选后的滑坡区划图;步骤(4):通过最终的滑坡区划图记录各个滑坡点的位置、范围,通过对比不同时相的滑坡区划图得到每个滑坡点的发生时间。
以及,一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如上所述的结合随机森林算法的高植被台风暴雨型滑坡识别方法的步骤。
以及,一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如上所述的结合随机森林算法的高植被台风暴雨型滑坡识别方法的步骤。
与现有技术相比,本发明及其优选方案具有以下优势:
(1)对高植被覆盖区台风暴雨型滑坡形成机理和特征研究,确立了滑坡典型性特征变量,通过多维多尺度滑坡特征对滑坡识别进行了细化。
(2)结合滑坡典型性特征变量建立随机森林模型进行图像分类,实现自动识别滑坡,提高了滑坡识别的效率。
(3)本发明方法通过随机森林模型结合多时相多源遥感数据,提升了台风暴雨型滑坡的识别精度。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明:
图1为本发明实施方式的随机森林分类模型建立方法的示意图;
图2为本发明实施方式的滑坡自动识别方法的总体流程示意图。
具体实施方式
为让本专利的特征和优点能更明显易懂,下文特举实施例,作详细说明如下:
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1、图2所示,本发明实施例提供的结合随机森林算法的高植被台风暴雨型滑坡识别方法,获取研究区台风暴雨预报-过境-离境全过程的多时相高精度光学遥感数据;获取研究区的数字高程模型(DEM)数据,通过GIS平台计算出研究区的坡度图和地形起伏度图;获取研究区域归一化植被指数(NDVI)数据;根据所述光学遥感数据、坡度、地形起伏度和归一化植被指数构建分类特征集,并分别选取合适的训练样本和测试样本;依托ENVI中的随机森林算法构建工具构建随机森林模型;将分类特征集中的训练样本和对应的待分类图像 (研究区光学遥感影像、坡度图、地形起伏度图和归一化植被指数数据图)输入随机森林模型,设置相关参数进行模型训练与地物识别;获得研究区光学遥感影像、坡度、地形起伏度和归一化植被指数识别分类后栅格图像;依托GIS平台进行该四幅图像的滑坡数据提取;以光学遥感图像识别出的滑坡数据为底图,再分别以坡度图、地形起伏度图和归一化植被指数数据图提取出的滑坡数据为掩膜执行裁剪操作,得到多源数据识别的高精度滑坡点位图。本发明所述的技术方案,实现了更加高效的提取高植被覆盖区台风暴雨型滑坡的位置、规模及发生时间,提升了滑坡遥感识别的精度。
其中,本实施例的识别区域通过以下步骤确定:
步骤S1:对气象信息和滑坡灾害信息进行数据挖掘,获得高植被覆盖区台风暴雨型滑坡发生与降雨量的关系,并得出一个降雨阈值;
步骤S2:通过步骤S1获得的阈值缩小滑坡识别的区域范围
具体地,本实施例系统收集和整理研究区气象监测信息,获取历年台风全路径的台风暴雨演变过程与完整的动态监测数据,获取台风过境后研究区的多时相气象数据与动态监测数据和研究区历史滑坡灾害的发生时间、位置、规模、变形演化时序特征等详查数据,基于统计学方法对气象信息和滑坡灾害信息进行数据挖掘,建立气象信息和滑坡灾害信息的大数据统计模型,依托GIS平台绘制基于台风暴雨路径的滑坡时空分布图,总结高植被覆盖区台风暴雨型滑坡易发性与降雨量的关系,从而得到导致滑坡发生的降雨阈值。
建立地质-植被-台风暴雨相互作用下植被发育斜坡水文动态响应机制,植被发育斜坡对台风暴雨的响应过程复杂,与其斜坡所处地质背景、植被特征以及气象条件密切相关,通过大数据模型研究地质-植被-台风暴雨相互作用下植被发育斜坡水文动态响应揭示了高植被覆盖区台风暴雨型滑坡的降雨诱滑机制并得出了一个合理的滑坡降雨阈值,依托GIS平台将研究区整体地块通过收集的台风暴雨预报-过境-离境全过程气象降雨数据分割成数个区域地块,将每个地块的实际降雨值与矫正得到的降雨阈值作对比,筛除实际降雨值小于降雨阈值的地块,保留实际降雨值大于降雨阈值的地块,从而实现缩小滑坡识别的区域范围。
根据光学遥感数据、坡度、地形起伏度和归一化植被指数构建分类特征集。通过对高植被覆盖区台风暴雨型滑坡形成机理与特征研究,可以得出台风暴雨型滑坡体在光学遥感影像上表现为特殊的高光图斑,可作为分类特征以区别于其他地物;基于统计学方法对地质背景与已有滑坡灾害信息进行数据挖掘,总结地质背景与台风暴雨滑坡发育特征规律,得到高植被覆盖区台风暴雨型滑坡常发生在坡度25°~50°的斜坡地形上,故将坡度作为分类特征区别于其他邻近地物;考虑台风暴雨型滑坡滑体上下落差规律基础上,将地形起伏度作为分类特征区别于其他邻近地物;通过现场植被特征调查,查明台风暴雨型滑坡易发区的植被覆盖度时空分布图,将其与滑坡点位图进行叠加分析,揭示出台风暴雨型滑坡体上植被情况为稀疏植被或近似裸土地表,光谱植被指数被广泛用于植被覆盖变化的监测,NDVI是应用最为广泛的光谱植被指数之一,可作为滑坡体的典型性分类特征。
对特征变量分别选取合适的训练样本和测试样本。通过研究高植被覆盖区台风暴雨型滑坡的特征,从获取的高分辨率光学遥感影像中目视解译收集滑坡和其他类型地物的训练样本,使用随机森林分类算法的分类结果的精度会随着训练样本数量的增加而呈上升趋势,为获得较好的分类结果,按各地物间面积占比关系,收集得到最终训练样本集。测试样本通过GIS 中的随机生成工具在高精度遥感影像上生成提取。训练样本集合测试样本集比例取2:1~3:2。
依托ENVI中的随机森林算法构建工具构建随机森林模型,具体包括:随机森林算法通过Bagging算法将多个CART决策树集成,根据所有决策树投票获得最终结果。基于随机森林模型的分类流程见图1所示。模型建立过程中包含获取研究区多源原始数据并构建相应的特征变量集;通过研究高植被覆盖区台风暴雨型滑坡的成因机理及其特征,在多源原始数据的基础上选取训练样本构建随机森林模型训练集;于ENVI中使用随机森林算法构建工具选择合适的算法参数构建随机森林模型,模型中主要参数有决策树数量(N)和生成决策树节点分裂时输入特征变量(M)两个参数,根据研究表明,决策树参数设置对分类精度影响不敏感,故本文选取参数默认值构建分类模型;选定参数后将训练集与待分类图像输入模型进行分类运算;得到分类识别图像后与遥感影像进行对比进行分类精度评价与矫正;最终将矫正后的结果记录保存。
将分类特征集中的训练样本集和对应的待分类图像(研究区光学遥感影像、坡度图、地形起伏度图和归一化植被指数数据图)输入随机森林模型,设置相关参数进行模型训练与地物识别,获得研究区光学遥感影像、坡度、地形起伏度和归一化植被指数识别分类后栅格图像的具体操作过程包括以下步骤:步骤(1)在ENVI中打开【Tool Box】>【Extensions】> 【Random Forest Classification】;步骤(2)在【Input Raster】中添加待分类影像,在【Input Train ROIs】中添加训练样本,在【Output Raster】中输入分类结果保存路径;步骤(3)其他参数设置为默认值。
依托GIS平台进行该四幅图像的滑坡数据提取,以光学遥感影像分类结果为例,其步骤包括:步骤(1)在ENVI软件中将随机森林算法分类后的结果保存为栅格文件;步骤(2)使用 ArcMap打开分类结果栅格文件并将其转为矢量文件;步骤(3)将滑坡区域与非滑坡区域分为两个集合;步骤(4)将滑坡区域提取并设为一个新图层。
以光学遥感影像识别出的滑坡数据为底图,再分别以坡度图、地形起伏度图和归一化植被指数数据图提取出的滑坡数据为掩膜执行裁剪操作,得到高精度多源数据识别滑坡点位图,其步骤包括:步骤(1)使用ArcMap中的裁剪工具,选择光学遥感影像中滑坡提取矢量图层设置为底图,选择坡度图像中滑坡提取矢量图层设置为掩膜图层,执行裁剪操作,得到经过坡度筛选后的滑坡区划图。步骤(2)使用ArcMap中的裁剪工具,选择上一步筛选后的滑坡区划图设置为底图,选择地形起伏度图像中滑坡提取矢量图层设置为掩膜图层,执行裁剪操作,得到经过地形起伏度筛选后的滑坡区划图。步骤(3)使用ArcMap中的裁剪工具,选择上一步筛选后的滑坡区划图设置为底图,选择归一化植被指数图像中滑坡提取矢量图层设置为掩膜图层,执行裁剪操作,得到经过归一化植被指数筛选后的滑坡区划图。步骤(4)通过最终的滑坡区划图记录各个滑坡点的位置、范围,通过对比不同时相的滑坡区划图可得到每个滑坡点的发生时间。
实施以上方案的一般性数学基础要求为:(1)平面坐标系采用2000国家大地坐标系;(2) 投影采用高斯-克吕格投影,按3°分带;(3)深度基准采用理论深度基准面;(4)高程基准采用1985国家高程基准;(5)计量单位要求为面积单位采用km2,保留4位小数;面积统计汇总单位采用km2,保留4位小数。
遥感数据要求为:(1)数据类型:卫星遥感光学影像数据或航空遥感影像数据;(2)时相:选取台风暴雨预报-过境-离境全过程的多时相的研究区遥感光学影像;(3)空间分辨率:卫星遥感影像数据空间分辨率应优于2m,和地物应优于1m,针对无法准确识别的生态系统,宜结合使用空间分辨率更高的航空遥感影像数据;(4)定位精度:影像定位中误差优于10米;(5)质量:区域云覆盖率不应大于5%,影像重叠度不小于5%,选用层次丰富、图像清晰的遥感影像;(6)格式:TIF格式。
获取研究区的高精度数字高程模型(DEM)数据要求为:(1)数据质量:应选择数据质量较好,能精确反应真实地面高程的DEM数据;(2)空间分辨率:所获取的DEM数据栅格大小值应尽量与遥感影像分辨率相同,或DEM数据栅格大小值为遥感影像分辨率的倍数值,倍数值最大不超过10。(3)定位精度:DEM数据坐标定位中误差优于10米;(4)格式:TIF 格式。
获取研究区的归一化植被指数(NDVI)数据要求为:(1)表达式:(2)数据质量:应选取经过遥感矫正,区域云覆盖率不应大于5%,影像重叠度不小于5%,选用层次丰富、图像清晰的近红外和红光谱遥感影像;(3)时相:选取时效性较高的研究区近红外和红光谱遥感影像;(4)定位精度:影像定位中误差优于10米;(5)空间分辨率:应与权利1所述遥感影像一致;(6)格式:TIF格式。
下面以福建省安溪县为例,对本发明专利作进一步的说明,但并不因此将本发明专利限制在所述的实施例范围之中。
本发明主要流程见图2所示,文字叙述如下:系统收集和整理研究区气象监测信息和研究区历史滑坡灾害的地理特征,基于统计学方法对气象信息和滑坡灾害信息进行数据挖掘,总结高植被覆盖区台风暴雨型滑坡发生与降雨量的关系,并得出导致滑坡发生的降雨阈值;通过阈值缩小滑坡识别的区域范围;获取研究区台风暴雨预报-过境-离境全过程的多时相高精度光学遥感数据;获取研究区的数字高程模型(DEM)数据,通过GIS平台计算出研究区的坡度图和地形起伏度图;获取研究区域归一化植被指数(NDVI)数据;根据所述光学遥感数据、坡度、地形起伏度和归一化植被指数构建分类特征集,并分别选取合适的训练样本和测试样本;依托ENVI中的随机森林算法构建工具构建随机森林模型;将分类特征集中的训练样本和对应的待分类图像输入随机森林模型,设置相关参数进行模型训练与地物识别;获得研究区光学遥感影像、坡度、地形起伏度和归一化植被指数识别分类后栅格图像;依托 GIS平台进行该四幅图像的滑坡数据提取;以光学遥感图像识别出的滑坡数据为底图,再分别以坡度图、地形起伏度图和归一化植被指数数据图提取出的滑坡数据为掩膜执行裁剪操作,得到多源数据识别的高精度滑坡点位图。本发明所述的技术方案,实现了更加高效的提取高植被覆盖区台风暴雨型滑坡的位置、规模及发生时间,提升了滑坡遥感识别的精度。
详细实施步骤如下:
1.系统收集和整理研究区气象监测信息和研究区历史滑坡灾害的地理特征,基于统计学方法对气象信息和滑坡灾害信息进行数据挖掘,总结高植被覆盖区台风暴雨型滑坡发生与降雨量的关系得到一个合适的降雨阈值,通过该降雨阈值缩小研究区域识别面积;
1.1系统收集和整理研究区气象监测信息,获取历年台风全路径的台风暴雨演变过程与完整的动态监测数据;
1.2获取台风过境后研究区的多时相气象数据与动态监测数据和研究区历史滑坡灾害的发生时间、位置、规模、变形演化时序特征等详查数据,;
1.3基于统计学方法对气象信息和滑坡灾害信息进行数据挖掘;
1.4建立气象信息和滑坡灾害信息的大数据统计模型;
1.5依托GIS平台绘制基于台风暴雨路径的滑坡时空分布图;
1.6总结高植被覆盖区台风暴雨型滑坡易发性与降雨量的关系得到一个合适的降雨阈值;
1.7通过降雨阈值缩小研究区域识别面积。
2.获取研究区台风暴雨预报-过境-离境全过程的多时相高精度光学遥感数据;
具体地,(1)数据类型:卫星遥感光学影像数据或航空遥感影像数据;(2)时相:选取台风暴雨预报-过境-离境全过程的多时相的研究区遥感光学影像;(3)空间分辨率:卫星遥感影像数据空间分辨率应优于2m,和地物应优于1m,针对无法准确识别的生态系统,宜结合使用空间分辨率更高的航空遥感影像数据;(4)定位精度:影像定位中误差优于10米;(5)质量:区域云覆盖率不应大于5%,影像重叠度不小于5%,选用层次丰富、图像清晰的遥感影像;(6)格式:TIF格式。
3.获取研究区的高精度数字高程模型(DEM)数据。
具体地,(1)数据质量:应选择数据质量较好,能精确反应真实地面高程的DEM数据;(2) 空间分辨率:所获取的DEM数据栅格大小值应尽量与遥感影像分辨率相同,或DEM数据栅格大小值为遥感影像分辨率的倍数值,倍数值最大不超过10。(3)定位精度:DEM数据坐标定位中误差优于10米;(4)格式:TIF格式。
4.通过GIS平台计算出研究区的坡度图。
4.1通过商用软件ArcGIS将DEM数据打开,对DEM数据进行地理配准;
4.2使用ArcGIS工具箱中的【Spatial Analyst工具】>【表面分析】>【坡度】;
4.3将研究区的DEM数据设为输入栅格,并设置一输出栅格;
4.4【坡度】选项中输出测量单位选择‘DEGREE’,Z因子选择‘1’;
4.5运行工具,得到研究区的坡度栅格数据。
5.通过GIS平台计算出研究区的地形起伏度图。
5.1通过商用软件ArcGIS打开研究区DEM数据;
5.2使用ArcGIS工具箱中的【Spatial Analyst工具】>【邻域分析】>【焦点统计】;
5.3将研究区的DEM数据设为输入栅格,并设置一输出栅格;
5.4【邻域分析】选项中指定用于计算统计数据的每个像元周围的区域形状选择‘矩形’,大小选择‘高度:11,宽度:11’,单位选择为‘像元’,统计类型选择‘RANGE’(计算邻域内最大值和最小值之差);
5.5运行工具,得到研究区的地形起伏度栅格数据。
6.获取研究区的归一化植被指数(NDVI)数据。
其特征包括:(1)表达式:(2)数据质量:应选取经过遥感矫正,区域云覆盖率不应大于5%,影像重叠度不小于5%,选用层次丰富、图像清晰的近红外和红光谱遥感影像;(3)时相:选取时效性较高的研究区近红外和红光谱遥感影像;(4)定位精度:影像定位中误差优于10米;(5)空间分辨率:应与权利1所述遥感影像一致;(6)格式: TIF格式。
7.根据权利要求1所述的根据所述光学遥感数据、坡度、地形起伏度和归一化植被指数构建分类特征集。
7.1台风暴雨型滑坡体在光学遥感影像上表现为特殊的高光图斑,可作为分类特征以区别于其他地物;
7.2基于统计学方法对地质背景与已有滑坡灾害信息进行数据挖掘,总结地质背景与台风暴雨滑坡发育特征规律,得到高植被覆盖区台风暴雨型滑坡常发生在坡度25°~50°的斜坡地形上,故将坡度作为分类特征区别于其他邻近地物;
7.3考虑台风暴雨型滑坡滑体上下落差规律基础上,将地形起伏度作为分类特征区别于其他邻近地物;
7.4通过现场植被特征调查,查明台风暴雨型滑坡易发区的植被覆盖度时空分布图,将其与滑坡点位图进行叠加分析,揭示出台风暴雨型滑坡体上植被情况为稀疏植被或近似裸土地表,光谱植被指数被广泛用于植被覆盖变化的监测,NDVI是应用最为广泛的光谱植被指数之一,可作为滑坡体的典型性分类特征;
8.选取合适的训练样本和测试样本。
8.1通过研究高植被覆盖区台风暴雨型滑坡的特征,从获取的高分辨率光学遥感影像中目视解译收集滑坡和其他类型地物的训练样本,使用随机森林分类算法的分类结果的精度会随着训练样本数量的增加而呈上升趋势,为获得较好的分类结果,按各地物间面积占比关系,收集得到最终训练样本集。
8.2测试样本通过GIS中的随机生成工具在高精度遥感影像上生成提取。训练样本集合测试样本集比例取2:1~3:2。
9.依托ENVI中的随机森林算法构建工具构建随机森林模型;将分类特征集中的训练样本和对应的待分类图像输入随机森林模型,设置相关参数进行模型训练与地物识别;获得研究区光学遥感影像、坡度、地形起伏度和归一化植被指数识别分类后栅格图像。
9.1在ENVI中打开【Tool Box】>【Extensions】>【Random ForestClassification】;
9.2在【Input Raster】中添加待分类影像,在【Input Train ROIs】中添加训练样本,在【Output Raster】中输入分类结果保存路径;
9.3他参数设置为默认值,点击【OK】,运行随机森林分类工具。
10.依托GIS平台进行该四幅图像的滑坡数据提取,以光学遥感影像分类结果为例。
10.1在ENVI【Available Bands List】中右击选取随机森林模型分类后的结果,点击【Edit Header】,打开头文件,在【File Type】下拉菜单中选择【TIFF】,点击【OK】;
10.2在ENVI主菜单点击【File】>【Save File As】>【TIFF/GeoTIFF】,在弹出的对话框中选择随机森林模型分类后的结果,点击【OK】,在接下来的窗口中设置输出路径及文件名,点击【OK】;
10.3打开ArcMap,在【ArcToolbox】中点击【Conversion Tools】>【From Raster】>【Raster to Polygon】,在【Raster to Polygon】对话框中选择转为TIFF格式后的分类结果,设置输出路径及文件名,点击【OK】,将分类结构由栅格数据转为矢量数据并创建为一个新图层;
10.4将滑坡区域在图像上高亮显示。在【Layer】数据框中右击上一步得到的新图层,点击【Open Attribute Table】>【Select by Attributes】,在【Select by Attributes】对话框中双击【GRIDCODE】,再点击【Get Unique Values】,选择值1(1代表滑坡区域),点击【Apply】;
10.5将高亮的区域生成新的图层,点击【Selection】>【Create Layer FromSelected Features】,生成新的图层,修改图层的颜色,凸显出滑坡区域;其他三幅图像的滑坡数据提取方法同上。
11.以光学遥感影像识别出的滑坡数据为底图,再分别以坡度图、地形起伏度图和归一化植被指数数据图提取出的滑坡数据为掩膜执行裁剪操作,得到高精度多源数据识别滑坡点位图。
11.1在【ArcToolbox】中点击【Analysis Tools】>【Extract】>【Clip】,在【Clip】对话框中,【Input Features】选择光学遥感影像中滑坡提取矢量图层,【Clip Features】选择坡度图像中滑坡提取矢量图层,设置输出路径及文件名,点击【OK】;
11.2【ArcToolbox】中点击【Analysis Tools】>【Extract】>【Clip】,在【Clip】对话框中,【Input Features】选择上一步裁剪后的矢量图层,【Clip Features】选择地形起伏度图像中滑坡提取矢量图层,设置输出路径及文件名,点击【OK】;13.3【ArcToolbox】中点击【Analysis Tools】>【Extract】>【Clip】,在【Clip】对话框中,【Input Features】选择上一步裁剪后的矢量图层,【Clip Features】选择归一化植被指数图像中滑坡提取矢量图层,设置输出路径及文件名,点击【OK】,输出最终的高精度多源数据识别滑坡位置与规模图。
本实施例提供的以上系统及方法可以代码化的形式存储在计算机可读取存储介质中,并以计算机程序的方式进行实现,并通过计算机硬件输入计算所需的基本参数信息,并输出计算结果。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和 /或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和 /或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
本专利不局限于上述最佳实施方式,任何人在本专利的启示下都可以得出其它各种形式的结合随机森林算法的高植被台风暴雨型滑坡识别方法,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本专利的涵盖范围。
Claims (9)
1.一种结合随机森林算法的高植被台风暴雨型滑坡识别方法,其特征在于:获取研究区台风暴雨预报-过境-离境全过程的多时相高精度光学遥感数据;获取研究区的数字高程模型DEM数据,通过GIS平台计算出研究区的坡度图和地形起伏度图;获取研究区域归一化植被指数NDVI数据;根据所述光学遥感数据、坡度、地形起伏度和归一化植被指数构建分类特征集,并分别选取合适的训练样本和测试样本;依托ENVI中的随机森林算法构建工具构建随机森林模型;将分类特征集中的训练样本和对应的待分类图像,包括:研究区光学遥感影像、坡度图、地形起伏度图和归一化植被指数数据图,输入随机森林模型,设置相关参数进行模型训练与地物识别;获得研究区光学遥感影像、坡度、地形起伏度和归一化植被指数识别分类后栅格图像;依托GIS平台进行该四幅图像的滑坡数据提取;以光学遥感图像识别出的滑坡数据为底图,再分别以坡度图、地形起伏度图和归一化植被指数数据图提取出的滑坡数据为掩膜执行裁剪操作,得到多源数据识别的高精度滑坡点位图。
2.根据权利要求1所述的结合随机森林算法的高植被台风暴雨型滑坡识别方法,其特征在于:识别区域通过以下步骤确定:
步骤S1:对气象信息和滑坡灾害信息进行数据挖掘,获得高植被覆盖区台风暴雨型滑坡发生与降雨量的关系,通过大数据统计模型对降雨与滑坡信息进行数据挖掘,得出滑坡发生的降雨阈值;
步骤S2:通过步骤S1获得的阈值缩小滑坡识别的区域范围。
3.根据权利要求2所述的结合随机森林算法的高植被台风暴雨型滑坡识别方法,其特征在于:步骤S1具体为:收集和整理研究区气象监测信息,获取历年台风全路径的台风暴雨演变过程与完整的动态监测数据,获取台风过境后研究区的多时相气象数据与动态监测数据和研究区历史滑坡灾害的发生时间、位置、规模、变形演化时序特征的详查数据,基于统计学方法对气象信息和滑坡灾害信息进行数据挖掘,建立气象信息和滑坡灾害信息的大数据统计模型,依托GIS平台绘制基于台风暴雨路径的滑坡时空分布图,从而构建高植被覆盖区台风暴雨型滑坡易发性与降雨量的关系,并通过大数据统计模型对降雨与滑坡信息进行数据挖掘,得出滑坡发生的降雨阈值;
步骤S2具体为:依托GIS平台将研究区整体地块通过收集的台风暴雨预报-过境-离境全过程气象降雨数据分割成数个区域地块,将每个地块的实际降雨值与步骤S1得到的降雨阈值作对比,筛除实际降雨值小于降雨阈值的地块,保留实际降雨值大于降雨阈值的地块,从而实现缩小滑坡识别的区域范围。
4.根据权利要求1所述的结合随机森林算法的高植被台风暴雨型滑坡识别方法,其特征在于:所述根据光学遥感数据、坡度、地形起伏度和归一化植被指数构建分类特征集的具体过程为:台风暴雨型滑坡体在光学遥感影像上表现为特殊的高光图斑,作为分类特征以区别于其他地物;基于统计学方法对地质背景与已有滑坡灾害信息进行数据挖掘,总结地质背景与台风暴雨滑坡发育特征规律,得到高植被覆盖区台风暴雨型滑坡常发生的地形坡度,并将坡度作为分类特征区别于其他邻近地物;考虑台风暴雨型滑坡滑体上下落差规律基础上,将地形起伏度作为分类特征区别于其他邻近地物;通过现场植被特征调查,查明台风暴雨型滑坡易发区的植被覆盖度时空分布图,将其与滑坡点位图进行叠加分析,揭示出台风暴雨型滑坡体上植被情况为稀疏植被或近似裸土地表,并将归一化植被指数作为滑坡体的典型性分类特征。
5.根据权利要求1所述的结合随机森林算法的高植被台风暴雨型滑坡识别方法,其特征在于:对特征变量分别选取合适的训练样本和测试样本的具体过程为:通过研究高植被覆盖区台风暴雨型滑坡的特征,从获取的高分辨率光学遥感影像中目视解译收集滑坡和其他类型地物的训练样本,按各地物间面积占比关系,收集得到最终训练样本集;测试样本通过GIS中的随机生成工具在高精度遥感影像上生成提取。
6.根据权利要求1所述的结合随机森林算法的高植被台风暴雨型滑坡识别方法,其特征在于:所述依托ENVI中的随机森林算法构建工具构建随机森林模型的具体过程为:获取研究区多源原始数据并构建相应的特征变量集;通过研究高植被覆盖区台风暴雨型滑坡的成因机理及其特征,在多源原始数据的基础上选取训练样本构建随机森林模型训练集;于ENVI中使用随机森林算法构建工具选择合适的算法参数构建随机森林模型,模型中主要参数有决策树数量N和生成决策树节点分裂时输入特征变量M两个参数;选定参数后将训练集与待分类图像输入模型进行分类运算;得到分类识别图像后与遥感影像进行对比进行分类精度评价与矫正;最终将矫正后的结果记录保存。
7.根据权利要求1所述的结合随机森林算法的高植被台风暴雨型滑坡识别方法,其特征在于:以光学遥感影像识别出的滑坡数据为底图,再分别以坡度图、地形起伏度图和归一化植被指数数据图提取出的滑坡数据为掩膜执行裁剪操作,得到高精度多源数据识别滑坡点位图的具体步骤包括:步骤(1):使用ArcMap中的裁剪工具,选择光学遥感影像中滑坡提取矢量图层设置为底图,选择坡度图像中滑坡提取矢量图层设置为掩膜图层,执行裁剪操作,得到经过坡度筛选后的滑坡区划图;步骤(2):使用ArcMap中的裁剪工具,选择上一步筛选后的滑坡区划图设置为底图,选择地形起伏度图像中滑坡提取矢量图层设置为掩膜图层,执行裁剪操作,得到经过地形起伏度筛选后的滑坡区划图;步骤(3):使用ArcMap中的裁剪工具,选择上一步筛选后的滑坡区划图设置为底图,选择归一化植被指数图像中滑坡提取矢量图层设置为掩膜图层,执行裁剪操作,得到经过归一化植被指数筛选后的滑坡区划图;步骤(4):通过最终的滑坡区划图记录各个滑坡点的位置、范围,通过对比不同时相的滑坡区划图得到每个滑坡点的发生时间。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-7其中任一所述的结合随机森林算法的高植被台风暴雨型滑坡识别方法的步骤。
9.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1-7其中任一所述的结合随机森林算法的高植被台风暴雨型滑坡识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111063777.9A CN113780174B (zh) | 2021-09-10 | 2021-09-10 | 结合随机森林算法的高植被台风暴雨型滑坡识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111063777.9A CN113780174B (zh) | 2021-09-10 | 2021-09-10 | 结合随机森林算法的高植被台风暴雨型滑坡识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113780174A true CN113780174A (zh) | 2021-12-10 |
CN113780174B CN113780174B (zh) | 2023-09-15 |
Family
ID=78842619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111063777.9A Active CN113780174B (zh) | 2021-09-10 | 2021-09-10 | 结合随机森林算法的高植被台风暴雨型滑坡识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113780174B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114283286A (zh) * | 2021-12-30 | 2022-04-05 | 北京航天泰坦科技股份有限公司 | 遥感图像分割方法、装置和电子设备 |
CN114494198A (zh) * | 2022-01-26 | 2022-05-13 | 自然资源部第一航测遥感院(陕西省第五测绘工程院) | 一种综合多源信息的玉米干旱损害范围提取方法 |
CN114545410A (zh) * | 2022-02-21 | 2022-05-27 | 中国农业大学 | 基于合成孔径雷达双极化数据相干性的作物倒伏监测方法 |
CN114596495A (zh) * | 2022-03-17 | 2022-06-07 | 湖南科技大学 | 一种基于Sentinel-2A遥感影像溜砂坡判识与自动提取方法 |
CN114743096A (zh) * | 2022-03-21 | 2022-07-12 | 东华理工大学 | 一种区域滑坡识别方法、装置及系统 |
CN115578760A (zh) * | 2022-11-15 | 2023-01-06 | 山东圣点世纪科技有限公司 | 一种基于地形起伏度静脉识别的控制系统及控制方法 |
CN117371660A (zh) * | 2023-10-23 | 2024-01-09 | 北京大学深圳研究生院 | 顾及植被生长节律的台风对植被碳吸收影响的评估方法 |
CN117540830A (zh) * | 2024-01-05 | 2024-02-09 | 中国地质科学院探矿工艺研究所 | 基于断层分布指数的泥石流易发性预测方法、装置及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020063461A1 (zh) * | 2018-09-30 | 2020-04-02 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
CN111563619A (zh) * | 2020-04-28 | 2020-08-21 | 杭州湖玛科技有限公司 | 一种导致流域滑坡风险的降雨阈值分析方法 |
CN111858803A (zh) * | 2020-07-06 | 2020-10-30 | 东华理工大学 | 一种滑坡地灾风险区划图生成方法 |
CN112735097A (zh) * | 2020-12-29 | 2021-04-30 | 中国地质环境监测院 | 一种区域滑坡预警方法及系统 |
CN112966722A (zh) * | 2021-02-07 | 2021-06-15 | 南昌大学 | 基于半监督随机森林模型的区域滑坡易发性预测方法 |
-
2021
- 2021-09-10 CN CN202111063777.9A patent/CN113780174B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020063461A1 (zh) * | 2018-09-30 | 2020-04-02 | 广州地理研究所 | 基于随机森林分类算法的城市范围提取方法、装置及电子设备 |
CN111563619A (zh) * | 2020-04-28 | 2020-08-21 | 杭州湖玛科技有限公司 | 一种导致流域滑坡风险的降雨阈值分析方法 |
CN111858803A (zh) * | 2020-07-06 | 2020-10-30 | 东华理工大学 | 一种滑坡地灾风险区划图生成方法 |
CN112735097A (zh) * | 2020-12-29 | 2021-04-30 | 中国地质环境监测院 | 一种区域滑坡预警方法及系统 |
CN112966722A (zh) * | 2021-02-07 | 2021-06-15 | 南昌大学 | 基于半监督随机森林模型的区域滑坡易发性预测方法 |
Non-Patent Citations (1)
Title |
---|
沈佳: "台风暴雨型土质滑坡演化过程研究", 《工程地质学报》, pages 1 - 10 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114283286A (zh) * | 2021-12-30 | 2022-04-05 | 北京航天泰坦科技股份有限公司 | 遥感图像分割方法、装置和电子设备 |
CN114494198A (zh) * | 2022-01-26 | 2022-05-13 | 自然资源部第一航测遥感院(陕西省第五测绘工程院) | 一种综合多源信息的玉米干旱损害范围提取方法 |
CN114545410A (zh) * | 2022-02-21 | 2022-05-27 | 中国农业大学 | 基于合成孔径雷达双极化数据相干性的作物倒伏监测方法 |
CN114545410B (zh) * | 2022-02-21 | 2024-04-19 | 中国农业大学 | 基于合成孔径雷达双极化数据相干性的作物倒伏监测方法 |
CN114596495A (zh) * | 2022-03-17 | 2022-06-07 | 湖南科技大学 | 一种基于Sentinel-2A遥感影像溜砂坡判识与自动提取方法 |
CN114743096A (zh) * | 2022-03-21 | 2022-07-12 | 东华理工大学 | 一种区域滑坡识别方法、装置及系统 |
CN115578760A (zh) * | 2022-11-15 | 2023-01-06 | 山东圣点世纪科技有限公司 | 一种基于地形起伏度静脉识别的控制系统及控制方法 |
CN117371660A (zh) * | 2023-10-23 | 2024-01-09 | 北京大学深圳研究生院 | 顾及植被生长节律的台风对植被碳吸收影响的评估方法 |
CN117371660B (zh) * | 2023-10-23 | 2024-05-17 | 北京大学深圳研究生院 | 顾及植被生长节律的台风对植被碳吸收影响的评估方法 |
CN117540830A (zh) * | 2024-01-05 | 2024-02-09 | 中国地质科学院探矿工艺研究所 | 基于断层分布指数的泥石流易发性预测方法、装置及介质 |
CN117540830B (zh) * | 2024-01-05 | 2024-04-12 | 中国地质科学院探矿工艺研究所 | 基于断层分布指数的泥石流易发性预测方法、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113780174B (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113780174B (zh) | 结合随机森林算法的高植被台风暴雨型滑坡识别方法 | |
Goldblatt et al. | Utilizing publicly available satellite data for urban research: Mapping built-up land cover and land use in Ho Chi Minh City, Vietnam | |
Skidmore | Terrain position as mapped from a gridded digital elevation model | |
Ramiya et al. | Segmentation based building detection approach from LiDAR point cloud | |
CN102521624B (zh) | 一种土地利用类型分类的方法和系统 | |
Zeybek | Classification of UAV point clouds by random forest machine learning algorithm | |
Su et al. | A new hierarchical moving curve-fitting algorithm for filtering lidar data for automatic DTM generation | |
CN113780175B (zh) | 高植被覆盖区台风暴雨型滑坡的遥感识别方法 | |
Hardin et al. | GIS-based analysis of coastal Lidar time-series | |
CN115439753A (zh) | 一种基于dem的陡峭河岸识别方法及系统 | |
Albrecht et al. | Autogeolabel: Automated label generation for geospatial machine learning | |
CN117409168B (zh) | 实时动态渲染的洪水预报及洪灾模拟方法和系统 | |
Krooks et al. | WebGL visualisation of 3D environmental models based on finnish open geospatial data sets | |
Prerna et al. | Evaluation of LiDAR and image segmentation based classification techniques for automatic building footprint extraction for a segment of Atlantic County, New Jersey | |
Zhou et al. | Shadow pattern-enhanced building height extraction using very-high-resolution image | |
Alvarez et al. | Multitemporal land-cover classification of Mexico using Landsat MSS imagery | |
Mellor et al. | Forest classification using random forests with multisource remote sensing and ancillary GIS data | |
Kumar et al. | Constrained linear spectral unmixing technique for regional land cover mapping using MODIS data | |
CN111444824A (zh) | 一种基于无人机技术的植被空间分布格局调查方法及植被分类方法 | |
Gaikwad et al. | DESIGN AND IMPLEMENTATION OF A WEB-GIS PLATFORM FOR MONITORING OF VEGETATION STATUS. | |
Awuah | Effects of spatial resolution, land-cover heterogeneity and different classification methods on accuracy of land-cover mapping | |
De Los Santos et al. | Gis-Based Rapid Earthquake Exposure and Vulnerability Mapping Using Lidar Dem and Machine Learning Algorithms: Case of Porac, Pampanga | |
CN117541940B (zh) | 基于遥感数据的土地利用分类方法及系统 | |
Ali-Sisto et al. | Comparison of 3D point clouds from aerial stereo images and lidar for forest change detection | |
Pendyala et al. | Comparative Study of Automatic Urban Building Extraction Methods from Remote Sensing Data |
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 |