CN114049565A - 基于遥感影像和dem数据的地质灾害判识方法和装置 - Google Patents
基于遥感影像和dem数据的地质灾害判识方法和装置 Download PDFInfo
- Publication number
- CN114049565A CN114049565A CN202111313122.2A CN202111313122A CN114049565A CN 114049565 A CN114049565 A CN 114049565A CN 202111313122 A CN202111313122 A CN 202111313122A CN 114049565 A CN114049565 A CN 114049565A
- Authority
- CN
- China
- Prior art keywords
- disaster
- remote sensing
- area
- debris flow
- sensing 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 32
- 238000013136 deep learning model Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 abstract description 7
- 230000000007 visual effect Effects 0.000 abstract description 3
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种基于遥感影像和DEM数据的地质灾害判识方法和装置。其中方法包括:构建地质灾害遥感影像样本数据库;利用所述遥感影像样本数据库训练深度学习模型;利用训练好的深度学习模型,根据待检测区域的遥感影像,得到泥石流灾害区域和非泥石流灾害区域;利用DEM数据,对非泥石流灾害区域的每个灾害进行高度和坡度方面的量化统计;根据得到的统计数据,利用集成学习模型,得到崩塌区域和滑坡区域。因此,采用本发明提供的方案,实现了崩塌、滑坡、泥石流地质灾害的高效率、高精度、高稳健性的区分。解决了人工外业调查和目视解译的局限性,可应用于大范围地质灾害调查。
Description
技术领域
本发明涉及地质灾害监测技术领域,尤其涉及一种基于遥感影像和DEM数据的地质灾害判识方法和装置。
背景技术
常见的地质灾害包括崩塌、滑坡、泥石流,其具有分布范围广、突发性强、发生频度高、强度大、破坏性强等特点,会给公路、房屋等基础设施带来不可估量的损害,严重威胁人们生命和财产安全,制约国家社会经济的可持续发展。高效、精准地定位地质灾害区域,并识别地质灾害的类型,对于抢险救援、风险评估以及灾害预警等方面具有重要意义。
目前,地质灾害区域和类型的判识,主要采用实地踏勘的方式。不仅耗时费力、成本高,且难以满足大面积地质灾害动态调查的需要,尤其是难以获取发生在交通落后的高山峡谷、高海拔、高寒等地质环境复杂地区的地质灾害信息。高分辨率遥感技术的崛起与发展,为大范围地质灾害的调查提供了有效解决途径,基于遥感技术的地质灾害调查已经从实验阶段走向全面推广的实践适用阶段。然而,当前基于遥感的地质灾害判识方法仍以目视解译为主,这种方法费时费力、效率低、遥感数据的大量信息不能得到充分发掘和应用,且判识精度受到判读人员专业水平限制。
发明内容
为了解决现有技术中存在的问题,本发明提供了如下技术方案。
本发明一方面提供了一种基于遥感影像和DEM数据的地质灾害判识方法,包括:
构建地质灾害遥感影像样本数据库;
利用所述遥感影像样本数据库训练深度学习模型;
利用训练好的深度学习模型,根据待检测区域的遥感影像,得到泥石流灾害区域和非泥石流灾害区域;
利用DEM数据,对非泥石流灾害区域的每个灾害进行高度和坡度方面的量化统计;
根据得到的统计数据,利用集成学习模型,得到崩塌区域和滑坡区域。
优选地,所述构建地质灾害遥感影像样本数据库包括:
搜集待检测区域的历史灾害数据和同期遥感影像;
制作崩塌、滑坡、泥石流地质灾害遥感影像样本库。
优选地,所述制作崩塌、滑坡、泥石流地质灾害遥感影像样本库包括:
将遥感影像裁剪为影像切片,并选取包含崩塌、滑坡、泥石流的切片构成正样本集;
选取不包含崩塌、滑坡、泥石流的切片构成负样本集;
对于正样本集中的每张切片,在GIS软件中绘制崩塌、滑坡、泥石流地质灾害边界范围矢量;
根据绘制得到的地质灾害矢量边界生成对应切片的二值化栅格图像,其中灾害区域即正样本的值为1,非灾害区即负样本的值为0。
优选地,所述构建地质灾害遥感影像样本数据库后,还包括步骤:对样本库进行数据增强。
优选地,所述利用所述遥感影像样本数据库训练深度学习模型包括:
将样本分成崩塌滑坡、泥石流、负样本三个类别;
将样本库随机分为训练数据集和测试数据集;
利用训练数据集对深度学习模型进行训练;
利用测试数据集检验模型的预测效果。
优选地,所述利用DEM数据,对非泥石流灾害区域的每个灾害进行高度和坡度方面的量化统计包括:
基于DEM数据,利用GIS软件计算非泥石流灾害区域的坡度;
对每个灾害进行周长、面积、最小外接矩形长、最小外接矩形宽的统计;
利用DEM数据,对每个灾害进行最大高程、最小高程、高差、高度平均值、高度中位数、高度标准差的统计;
利用计算得到的坡度数据,对每个灾害进行最大坡度、最小坡度、坡度差、坡度平均值、坡度中位数、坡度标准差、坡度10分位内平均、坡度20分位内平均、坡度30分位内平均、坡度40分位内平均、坡度50分位内平均、坡度60分位内平均、坡度70分位内平均、坡度80分位内平均、坡度90分位内平均、坡度100分位内平均的统计。
优选地,所述集成学习模型按照如下方法获得:
在python环境中借助sklearn机器学习库,选择多层感知机、随机森林和XGBoost三种分类器,通过软投票的方法集成得到。
本发明第二方面提供了一种基于遥感影像和DEM数据的地质灾害判识装置,包括:
样本数据库构建模块,用于构建地质灾害遥感影像样本数据库;
深度学习模型训练模块,用于利用所述遥感影像样本数据库训练深度学习模型;
泥石流灾害识别模块,用于利用训练好的深度学习模型,根据待检测区域的遥感影像,得到泥石流灾害区域和非泥石流灾害区域;
量化统计模块,用于利用DEM数据,对非泥石流灾害区域进行高度和坡度方面的量化统计;
崩塌滑坡灾害识别模块,用于根据得到的统计数据,利用集成学习模型,得到崩塌区域和滑坡区域。
本发明第三方面提供了一种存储器,存储有多条指令,所述指令用于实现上述地质灾害判识方法。
本发明第四方面提供了一种电子设备,包括处理器和与所述处理器连接的存储器,所述存储器存储有多条指令,所述指令可被所述处理器加载并执行,以使所述处理器能够执行上述地质灾害判识方法。
本发明的有益效果是:本发明提供了一种基于遥感影像和DEM数据的地质灾害判识方法和装置。通过利用泥石流与崩塌滑坡地质灾害遥感影像的差异,首先利用深度学习模型识别出泥石流地质灾害;再基于DEM数据对非泥石流区域进行量化统计,利用集成学习模型,识别出崩塌区域和滑坡区域。因此,本发明中,根据崩塌、滑坡、泥石流不同类型地质灾害在遥感影像和DEM数据中的差异,利用基于遥感影像的深度学习分类方法和基于DEM特征描述子的集成学习分类方法构建混合分类器,实现了崩塌、滑坡、泥石流地质灾害的高效率、高精度、高稳健性的区分。解决了人工外业调查和目视解译的局限性,可应用于大范围地质灾害调查。
附图说明
图1为本发明所述基于遥感影像和DEM数据的地质灾害判识方法流程示意图;
图2为本发明所述崩塌滑坡泥石流自动分类判识结果示意图;
图3为本发明所述基于遥感影像和DEM数据的地质灾害判识装置逻辑图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案做详细的说明。
本发明提供的方法可以在如下的终端环境中实施,该终端可以包括一个或多个如下部件:处理器、存储器和显示屏。其中,存储器中存储有至少一条指令,所述指令由处理器加载并执行以实现下述实施例所述的方法。
处理器可以包括一个或者多个处理核心。处理器利用各种接口和线路连接整个终端内的各个部分,通过运行或执行存储在存储器内的指令、程序、代码集或指令集,以及调用存储在存储器内的数据,执行终端的各种功能和处理数据。
存储器可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory,ROM)。存储器可用于存储指令、程序、代码、代码集或指令。
显示屏用于显示各个应用程序的用户界面。
除此之外,本领域技术人员可以理解,上述终端的结构并不构成对终端的限定,终端可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。比如,终端中还包括射频电路、输入单元、传感器、音频电路、电源等部件,在此不再赘述。
实施例一
如图1所示,本发明实施例提供了一种基于遥感影像和DEM数据的地质灾害判识方法,包括:
S101,构建地质灾害遥感影像样本数据库;
S102,利用所述遥感影像样本数据库训练深度学习模型;
S103,利用训练好的深度学习模型,根据待检测区域的遥感影像,得到泥石流灾害区域和非泥石流灾害区域;
S104,利用DEM数据,对非泥石流灾害区域的每个灾害进行高度和坡度方面的量化统计;
S105,根据得到的统计数据,利用集成学习模型,得到崩塌区域和滑坡区域。
执行步骤S101,具体可以包括:
搜集待检测区域的历史灾害数据和同期遥感影像;
制作崩塌、滑坡、泥石流地质灾害遥感影像样本库。
其中,可以将遥感影像裁剪为影像切片,并选取包含崩塌、滑坡、泥石流的切片构成正样本集;
选取不包含崩塌、滑坡、泥石流的切片构成负样本集;
对于正样本集中的每张切片,在GIS软件中绘制崩塌、滑坡、泥石流地质灾害边界范围矢量;
根据绘制得到的地质灾害矢量边界生成对应切片的二值化栅格图像,其中灾害区域即正样本的值为1,非灾害区即负样本的值为0。
其中,本发明中采用的遥感影像为高分辨率遥感影像。在制作样本库的过程中,可以将遥感影像裁剪为1024×1024像素的影像切片。
在本发明的一个优选实施例中,所述构建地质灾害遥感影像样本数据库后,还可以包括步骤:对样本库进行数据增强。具体的,可以通过对遥感影像进行空间中的随机旋转、随机缩放、随机裁切、随机加入噪声等方式,实现样本库数据的增强。
执行步骤S102,利用所述遥感影像样本数据库训练深度学习模型,可以包括:
将样本分成崩塌滑坡、泥石流、负样本三个类别;
将样本库随机分为训练数据集和测试数据集;
利用训练数据集对深度学习模型进行训练;
利用测试数据集检验模型的预测效果。
其中,在实际操作中,可以采用五折交叉验证法,将样本库数据按照4:1的比例随机分为训练数据集和测试数据集;然后,利用训练数据集对深度学习模型进行训练。其中,深度学习模型可以采用深度残差学习网络(ResNet50),基于python环境和TensorFlow开源框架,通过设置训练的历元数、训练每批次的图像数量、每个历元训练完后验证的图像数量、输入网络中的图像的宽高等一系列参数进行模型训练,直到训练的历元数为设置数值,完成模型训练。最后,利用测试数据集检验模型的预测效果。其中,可以采用召回率(recall)、精确率(precision)、准确率(accuracy)、F1分数和覆盖范围(IoU)等指标进行精度分析。
其中TP、FP、FN以及N分别表示将不良地质预测为不良地质的数目、将非不良地质预测为不良地质的数目、将不良地质预测为非不良地质的数目以及总的样本数目。
执行步骤S103,针对待检测区域,根据遥感影像中泥石流灾害与其他两类灾害(崩塌和滑坡)的较大差异,基于高分辨率遥感影像,利用训练好的深度学习模型进行泥石流的检测与识别,形成泥石流灾害和非泥石流的识别结果。
执行步骤S104,利用DEM数据,对非泥石流灾害区域的每个灾害进行高度和坡度方面的量化统计,具体可以包括:
基于DEM数据,利用GIS软件计算非泥石流灾害区域的坡度;
对每个灾害进行周长、面积、最小外接矩形长、最小外接矩形宽的统计;
利用DEM数据,对每个灾害进行最大高程、最小高程、高差、高度平均值、高度中位数、高度标准差的统计;
利用计算得到的坡度数据,对每个灾害进行最大坡度、最小坡度、坡度差、坡度平均值、坡度中位数、坡度标准差、坡度10分位内平均、坡度20分位内平均、坡度30分位内平均、坡度40分位内平均、坡度50分位内平均、坡度60分位内平均、坡度70分位内平均、坡度80分位内平均、坡度90分位内平均、坡度100分位内平均的统计。
执行步骤S105,根据得到的统计数据,利用集成学习模型,得到崩塌区域和滑坡区域,具体可以包括:
在python环境中借助sklearn机器学习库,选择多层感知机、随机森林和XGBoost三种分类器,通过软投票的方法集成得到集成学习模型;
将步骤S104中得到的量化统计数据输入至集成学习模型中,输出崩塌、滑坡的分类识别结果。
采用本发明实施例提供的方法,基于遥感影像和DEM数据,通过利用深度学习模型与集成学习模型相结合,实现了崩塌滑坡泥石流的快速、准确检测与识别。具体的,如图2所示,为采用本发明提供的方法对某区域中崩塌滑坡泥石流灾害的识别结果。从图2中可以看出,采用本发明的方法可以实现崩塌滑坡泥石流的快速、准确检测与识别。
实施例二
如图3所示,本发明还提供了一种基于遥感影像和DEM数据的地质灾害判识装置,包括:
样本数据库构建模块301,用于构建地质灾害遥感影像样本数据库;
深度学习模型训练模块302,用于利用所述遥感影像样本数据库训练深度学习模型;
泥石流灾害识别模块303,用于利用训练好的深度学习模型,根据待检测区域的遥感影像,得到泥石流灾害区域和非泥石流灾害区域;
量化统计模块304,用于利用DEM数据,对非泥石流灾害区域进行高度和坡度方面的量化统计;
崩塌滑坡灾害识别模块305,用于根据得到的统计数据,利用集成学习模型,得到崩塌区域和滑坡区域。
其中,所述样本数据库构建模块具体的用于:
搜集待检测区域的历史灾害数据和同期遥感影像;
制作崩塌、滑坡、泥石流地质灾害遥感影像样本库。
进一步地,所述制作崩塌、滑坡、泥石流地质灾害遥感影像样本库包括:
将遥感影像裁剪为影像切片,并选取包含崩塌、滑坡、泥石流的切片构成正样本集;
选取不包含崩塌、滑坡、泥石流的切片构成负样本集;
对于正样本集中的每张切片,在GIS软件中绘制崩塌、滑坡、泥石流地质灾害边界范围矢量;
根据绘制得到的地质灾害矢量边界生成对应切片的二值化栅格图像,其中灾害区域即正样本的值为1,非灾害区即负样本的值为0。
在本法的一个优选实施例中,所述装置还包括增强模块,用于对样本库进行数据增强。
所述深度学习模型训练模块具体的用于:
将样本分成崩塌滑坡、泥石流、负样本三个类别;
将样本库随机分为训练数据集和测试数据集;
利用训练数据集对深度学习模型进行训练;
利用测试数据集检验模型的预测效果。
所述量化统计模块具体的用于:
基于DEM数据,利用GIS软件计算非泥石流灾害区域的坡度;
对每个灾害进行周长、面积、最小外接矩形长、最小外接矩形宽的统计;
利用DEM数据,对每个灾害进行最大高程、最小高程、高差、高度平均值、高度中位数、高度标准差的统计;
利用计算得到的坡度数据,对每个灾害进行最大坡度、最小坡度、坡度差、坡度平均值、坡度中位数、坡度标准差、坡度10分位内平均、坡度20分位内平均、坡度30分位内平均、坡度40分位内平均、坡度50分位内平均、坡度60分位内平均、坡度70分位内平均、坡度80分位内平均、坡度90分位内平均、坡度100分位内平均的统计。
在所述崩塌滑坡灾害识别模块中,所述集成学习模型按照如下方法获得:
在python环境中借助sklearn机器学习库,选择多层感知机、随机森林和XGBoost三种分类器,通过软投票的方法集成得到。
该装置可通过上述实施例一提供的基于遥感影像和DEM数据的地质灾害判识方法实现,具体的实现方法可参见实施例一中的描述,在此不再赘述。
本发明还提供了一种存储器,存储有多条指令,所述指令用于实现如实施例一所述的基于遥感影像和DEM数据的地质灾害判识方法。
本发明还提供了一种电子设备,包括处理器和与所述处理器连接的存储器,所述存储器存储有多条指令,所述指令可被所述处理器加载并执行,以使所述处理器能够执行如实施例一所述的基于遥感影像和DEM数据的地质灾害判识方法。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于遥感影像和DEM数据的地质灾害判识方法,其特征在于,包括:
构建地质灾害遥感影像样本数据库;
利用所述遥感影像样本数据库训练深度学习模型;
利用训练好的深度学习模型,根据待检测区域的遥感影像,得到泥石流灾害区域和非泥石流灾害区域;
利用DEM数据,对非泥石流灾害区域的每个灾害进行高度和坡度方面的量化统计;
根据得到的统计数据,利用集成学习模型,得到崩塌区域和滑坡区域。
2.如权利要求1所述的基于遥感影像和DEM数据的地质灾害判识方法,其特征在于,所述构建地质灾害遥感影像样本数据库包括:
搜集待检测区域的历史灾害数据和同期遥感影像;
制作崩塌、滑坡、泥石流地质灾害遥感影像样本库。
3.如权利要求2所述的基于遥感影像和DEM数据的地质灾害判识方法,其特征在于,所述制作崩塌、滑坡、泥石流地质灾害遥感影像样本库包括:
将遥感影像裁剪为影像切片,并选取包含崩塌、滑坡、泥石流的切片构成正样本集;
选取不包含崩塌、滑坡、泥石流的切片构成负样本集;
对于正样本集中的每张切片,在GIS软件中绘制崩塌、滑坡、泥石流地质灾害边界范围矢量;
根据绘制得到的地质灾害矢量边界生成对应切片的二值化栅格图像,其中灾害区域即正样本的值为1,非灾害区即负样本的值为0。
4.如权利要求1所述的基于遥感影像和DEM数据的地质灾害判识方法,其特征在于,所述构建地质灾害遥感影像样本数据库后,还包括步骤:对样本库进行数据增强。
5.如权利要求1所述的基于遥感影像和DEM数据的地质灾害判识方法,其特征在于,所述利用所述遥感影像样本数据库训练深度学习模型包括:
将样本分成崩塌滑坡、泥石流、负样本三个类别;
将样本库随机分为训练数据集和测试数据集;
利用训练数据集对深度学习模型进行训练;
利用测试数据集检验模型的预测效果。
6.如权利要求1所述的基于遥感影像和DEM数据的地质灾害判识方法,其特征在于,所述利用DEM数据,对非泥石流灾害区域的每个灾害进行高度和坡度方面的量化统计包括:
基于DEM数据,利用GIS软件计算非泥石流灾害区域的坡度;
对每个灾害进行周长、面积、最小外接矩形长、最小外接矩形宽的统计;
利用DEM数据,对每个灾害进行最大高程、最小高程、高差、高度平均值、高度中位数、高度标准差的统计;
利用计算得到的坡度数据,对每个灾害进行最大坡度、最小坡度、坡度差、坡度平均值、坡度中位数、坡度标准差、坡度10分位内平均、坡度20分位内平均、坡度30分位内平均、坡度40分位内平均、坡度50分位内平均、坡度60分位内平均、坡度70分位内平均、坡度80分位内平均、坡度90分位内平均、坡度100分位内平均的统计。
7.如权利要求1所述的基于遥感影像和DEM数据的地质灾害判识方法,其特征在于,所述集成学习模型按照如下方法获得:
在python环境中借助sklearn机器学习库,选择多层感知机、随机森林和XGBoost三种分类器,通过软投票的方法集成得到。
8.一种基于遥感影像和DEM数据的地质灾害判识装置,其特征在于,包括:
样本数据库构建模块,用于构建地质灾害遥感影像样本数据库;
深度学习模型训练模块,用于利用所述遥感影像样本数据库训练深度学习模型;
泥石流灾害识别模块,用于利用训练好的深度学习模型,根据待检测区域的遥感影像,得到泥石流灾害区域和非泥石流灾害区域;
量化统计模块,用于利用DEM数据,对非泥石流灾害区域进行高度和坡度方面的量化统计;
崩塌滑坡灾害识别模块,用于根据得到的统计数据,利用集成学习模型,得到崩塌区域和滑坡区域。
9.一种存储器,其特征在于,存储有多条指令,所述指令用于实现如权利要求1-7任一项所述的方法。
10.一种电子设备,其特征在于,包括处理器和与所述处理器连接的存储器,所述存储器存储有多条指令,所述指令可被所述处理器加载并执行,以使所述处理器能够执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111313122.2A CN114049565B (zh) | 2021-11-08 | 2021-11-08 | 基于遥感影像和dem数据的地质灾害判识方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111313122.2A CN114049565B (zh) | 2021-11-08 | 2021-11-08 | 基于遥感影像和dem数据的地质灾害判识方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114049565A true CN114049565A (zh) | 2022-02-15 |
CN114049565B CN114049565B (zh) | 2022-08-23 |
Family
ID=80207441
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111313122.2A Active CN114049565B (zh) | 2021-11-08 | 2021-11-08 | 基于遥感影像和dem数据的地质灾害判识方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114049565B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114882366A (zh) * | 2022-05-26 | 2022-08-09 | 广州市城市规划勘测设计研究院 | 一种三维场景灾变监控预警方法 |
CN114881454A (zh) * | 2022-05-05 | 2022-08-09 | 中咨数据有限公司 | 山体滑坡与崩塌灾害分类方法与电子设备 |
CN114881457A (zh) * | 2022-05-05 | 2022-08-09 | 中咨数据有限公司 | 基于决策树的山体滑坡与崩塌灾害分类方法与电子设备 |
CN114913424A (zh) * | 2022-05-27 | 2022-08-16 | 长江水利委员会长江科学院 | 一种基于改进的U-net模型的崩岗提取方法及系统 |
CN115115949A (zh) * | 2022-08-25 | 2022-09-27 | 成都国星宇航科技股份有限公司 | 一种基于遥感数据的泥石流识别方法及装置 |
CN115471980A (zh) * | 2022-08-16 | 2022-12-13 | 智洋创新科技股份有限公司 | 泥石流灾害预警方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530516A (zh) * | 2013-10-14 | 2014-01-22 | 成都理工大学 | 一种强震区泥石流隐患点快速识别方法 |
CN106226779A (zh) * | 2016-07-11 | 2016-12-14 | 铁道第三勘察设计院集团有限公司 | 基于遥感技术的易发滑坡预测方法 |
CN106845498A (zh) * | 2017-01-19 | 2017-06-13 | 南京理工大学 | 结合高程的单幅山脉遥感图像滑坡泥石流检测方法 |
CN107655457A (zh) * | 2016-12-23 | 2018-02-02 | 航天星图科技(北京)有限公司 | 一种基于遥感卫星图像的泥石流地质灾害识别方法 |
CN111504392A (zh) * | 2020-06-10 | 2020-08-07 | 中国地质调查局水文地质环境地质调查中心 | 一种滑坡多要素三维空间监测系统及方法 |
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 |
CN112734616A (zh) * | 2021-01-11 | 2021-04-30 | 云南省测绘资料档案馆(云南省基础地理信息中心) | 一种滑坡敏感性分析方法及装置 |
-
2021
- 2021-11-08 CN CN202111313122.2A patent/CN114049565B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103530516A (zh) * | 2013-10-14 | 2014-01-22 | 成都理工大学 | 一种强震区泥石流隐患点快速识别方法 |
CN106226779A (zh) * | 2016-07-11 | 2016-12-14 | 铁道第三勘察设计院集团有限公司 | 基于遥感技术的易发滑坡预测方法 |
CN107655457A (zh) * | 2016-12-23 | 2018-02-02 | 航天星图科技(北京)有限公司 | 一种基于遥感卫星图像的泥石流地质灾害识别方法 |
CN106845498A (zh) * | 2017-01-19 | 2017-06-13 | 南京理工大学 | 结合高程的单幅山脉遥感图像滑坡泥石流检测方法 |
CN111504392A (zh) * | 2020-06-10 | 2020-08-07 | 中国地质调查局水文地质环境地质调查中心 | 一种滑坡多要素三维空间监测系统及方法 |
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 |
CN112734616A (zh) * | 2021-01-11 | 2021-04-30 | 云南省测绘资料档案馆(云南省基础地理信息中心) | 一种滑坡敏感性分析方法及装置 |
Non-Patent Citations (3)
Title |
---|
张宁 等: "基于集成学习约束能量最小化的高光谱目标检测算法研究", 《上海航天》 * |
张宁 等: "基于集成学习约束能量最小化的高光谱目标检测算法研究", 《上海航天》, vol. 35, no. 1, 31 December 2018 (2018-12-31), pages 23 - 29 * |
苏刚 等: ""基于Stacking集成学习的泥石流易发性评价:以四川省雅江县为例"", 《世界地质》, vol. 40, no. 1, 28 February 2021 (2021-02-28), pages 175 - 184 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114881454A (zh) * | 2022-05-05 | 2022-08-09 | 中咨数据有限公司 | 山体滑坡与崩塌灾害分类方法与电子设备 |
CN114881457A (zh) * | 2022-05-05 | 2022-08-09 | 中咨数据有限公司 | 基于决策树的山体滑坡与崩塌灾害分类方法与电子设备 |
CN114881457B (zh) * | 2022-05-05 | 2023-08-25 | 中咨数据有限公司 | 基于决策树的山体滑坡与崩塌灾害分类方法与电子设备 |
WO2023193824A1 (zh) * | 2022-05-05 | 2023-10-12 | 中咨数据有限公司 | 基于决策树的山体滑坡与崩塌灾害分类方法与电子设备 |
WO2023193823A1 (zh) * | 2022-05-05 | 2023-10-12 | 中咨数据有限公司 | 山体滑坡与崩塌灾害分类方法与电子设备 |
CN114882366A (zh) * | 2022-05-26 | 2022-08-09 | 广州市城市规划勘测设计研究院 | 一种三维场景灾变监控预警方法 |
CN114913424A (zh) * | 2022-05-27 | 2022-08-16 | 长江水利委员会长江科学院 | 一种基于改进的U-net模型的崩岗提取方法及系统 |
CN115471980A (zh) * | 2022-08-16 | 2022-12-13 | 智洋创新科技股份有限公司 | 泥石流灾害预警方法 |
CN115471980B (zh) * | 2022-08-16 | 2024-03-22 | 智洋创新科技股份有限公司 | 泥石流灾害预警方法 |
CN115115949A (zh) * | 2022-08-25 | 2022-09-27 | 成都国星宇航科技股份有限公司 | 一种基于遥感数据的泥石流识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114049565B (zh) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114049565B (zh) | 基于遥感影像和dem数据的地质灾害判识方法和装置 | |
CN103528617B (zh) | 一种座舱仪表自动识别和检测方法及装置 | |
CN104697938B (zh) | 一种试纸读取方法及使用该方法进行验孕和排卵的测试方法 | |
CN111766253A (zh) | 锡膏印刷品质检测方法、数据处理装置及计算机存储介质 | |
US11783474B1 (en) | Defective picture generation method and apparatus applied to industrial quality inspection | |
CN108711148A (zh) | 一种基于深度学习的轮胎缺陷智能检测方法 | |
CN114881989A (zh) | 基于小样本目标对象缺陷检测的方法、装置、电子设备 | |
CN114463637A (zh) | 一种基于深度学习的冬小麦遥感识别分析方法和系统 | |
CN112419268A (zh) | 一种输电线路图像缺陷检测方法、装置、设备及介质 | |
CN111815576B (zh) | 金属部件腐蚀状况检测方法、装置、设备和存储介质 | |
CN111179340A (zh) | 一种物体的定位方法、装置及计算机系统 | |
CN112683169A (zh) | 物体尺寸测量方法、装置、设备及存储介质 | |
CN114565057B (zh) | 一种基于机器学习的均压场识别方法、装置、存储介质及终端 | |
CN116824335A (zh) | 一种基于YOLOv5改进算法的火灾预警方法及系统 | |
CN114332473A (zh) | 目标检测方法、装置、计算机设备、存储介质及程序产品 | |
CN112529836A (zh) | 高压线路缺陷检测方法、装置、存储介质及电子设备 | |
CN117422695A (zh) | 一种基于CR-Deeplab的异常检测方法 | |
CN111582012A (zh) | 一种检测小目标船只方法及装置 | |
CN114240928B (zh) | 板卡质量的分区检测方法、装置、设备及可读存储介质 | |
CN111667450A (zh) | 一种船只数量统计方法、装置及电子设备 | |
CN115273009A (zh) | 基于深度学习的道路裂纹检测方法及系统 | |
CN114493291A (zh) | 一种高填方质量智能检测方法及系统 | |
CN114359250A (zh) | 确定晶圆缺陷形状的方法、装置、电子设备和存储介质 | |
CN115393838A (zh) | 指针式仪表读数识别方法、装置、电子设备及存储介质 | |
CN115801845B (zh) | 基于边缘计算的工业互联网数据采集方法及相关设备 |
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 |