CN114743096A - 一种区域滑坡识别方法、装置及系统 - Google Patents

一种区域滑坡识别方法、装置及系统 Download PDF

Info

Publication number
CN114743096A
CN114743096A CN202210278491.0A CN202210278491A CN114743096A CN 114743096 A CN114743096 A CN 114743096A CN 202210278491 A CN202210278491 A CN 202210278491A CN 114743096 A CN114743096 A CN 114743096A
Authority
CN
China
Prior art keywords
landslide
identification
preset
model
data
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
Application number
CN202210278491.0A
Other languages
English (en)
Other versions
CN114743096B (zh
Inventor
周晓亭
谢涛锋
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.)
East China Institute of Technology
Original Assignee
East China Institute of Technology
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 East China Institute of Technology filed Critical East China Institute of Technology
Priority to CN202210278491.0A priority Critical patent/CN114743096B/zh
Publication of CN114743096A publication Critical patent/CN114743096A/zh
Application granted granted Critical
Publication of CN114743096B publication Critical patent/CN114743096B/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
    • 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
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种区域滑坡识别方法、装置及系统。该装置包括数据获取单元以及模型识别单元。该系统包括滑坡识别模块以及数据存储模块。通过将包括上采样部分、下采样部分以及跳跃连接部分，并采用预设的第一交叉熵函数作为损失函数的ENVINeT5网络作为预设的滑坡识别模型，对待识别区域的第一图像数据组对应的第一图像信息组进行识别，该方法、装置及系统提升了滑坡识别的识别精度；进一步地，该区域滑坡识别方法、装置及系统还基于多源遥感数据构建详细的滑坡识别特征数据集，通过随机化参数实验获得最优模型训练参数组以及对应的滑坡识别模型，从而进一步提升复杂背景下的滑坡识别的识别精度。

Description

一种区域滑坡识别方法、装置及系统
技术领域
本发明涉及防灾减灾技术领域，涉及一种区域滑坡识别方法、装置及系统。
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。运动的岩(土)体称为变位体或滑移体，未移动的下伏岩(土)体称为滑床。
在现有技术中，遥感技术在滑坡调查监测中发挥了重要的作用，大大减低了滑坡调查监测的成本，尤其在山高坡陡，丛林茂密、人工监测难度大的山区有着不可替代的作用。基于人工智能技术，利用多源光学遥感和雷达信息，实现大范围、高精度的滑坡识别是目前滑坡灾害风险评价的主要研究方向之一。
但是，现有技术仍存在下述缺陷：(1)传统的野外滑坡调查方法和群测群防的灾害防治手段对滑坡监测和识别能力不足，(2)且现有地质灾害调查技术限制，地质灾害调查费时费力，导致研究区的历史滑坡编录成果存在时间和空间上的局限性。(3)在多植被覆盖的南方地区，滑坡遥感技术调查方法应用存在诸多难点，尤其是滑坡遥感特征与梯田相似，给基于遥感特征的滑坡识别带来了极大的挑战。
因此，当前需要一种区域滑坡识别方法、装置及系统，从而克服现有技术中存在的上述问题。
发明内容
针对现存的上述技术问题，本发明的目的在于提供一种区域滑坡识别方法、装置及系统，从而提升滑坡识别的识别精度。
本发明提供了一种区域滑坡识别方法，所述方法包括：获取待识别区域的第一图像数据组，并对所述第一图像数据组进行信息提取，从而获取第一图像信息组；将所述第一图像信息组输入预设的滑坡识别模型，从而获得所述待识别区域的识别结果；所述滑坡识别模型为ENVINeT5网络，所述ENVINeT5网络包括上采样部分、下采样部分以及跳跃连接部分，并采用预设的第一交叉熵函数作为损失函数。
在一个实施例中，在获取待识别区域的第一图像数据组，并对所述第一图像数据组进行信息提取，从而获取第一图像信息组之前，所述区域滑坡识别方法还包括：获取预设的第一编录数据以及第一遥感数据，并根据所述第一编录数据和所述第一遥感数据，创建滑坡样本数据组；根据所述滑坡样本数据组以及预设的滑坡识别指标，构建滑坡识别特征数据集；所述滑坡识别特征数据集包括多光谱影响特征、纹理特征、指数特征、地形特征以及形变特征；通过预设的随机化参数实验以及预设的精度评价方法，根据所述滑坡识别特征数据集以及预设的深度学习模型，获得最优模型训练参数组以及对应的滑坡识别模型。
在一个实施例中，将所述第一图像信息组输入预设的滑坡识别模型，从而获得所述待识别区域的识别结果，具体包括：根据预设的滑坡识别模型获取滑坡类激活栅格；将所述第一图像信息组输入滑坡类激活栅格，根据预设的激活概率阈值，识别第一图像数据组中对应的第一滑坡区域，并将第一滑坡区域作为识别结果输出。
在一个实施例中，通过预设的随机化参数实验以及预设的精度评价方法，根据所述滑坡识别特征数据集以及预设的深度学习模型，获得最优模型训练参数组以及对应的滑坡识别模型，具体包括：初始化预设的ENVINet5模型，并对所述ENVINet5模型进行设置，从而获得第一训练模型；根据所述滑坡识别特征数据集，对所述第一训练模型进行训练实验，从而获得多组训练参数组以及对应的评估数据组；根据所述评估数据组，筛选出模型精度最高时所对应的最优模型训练参数组以及对应的滑坡识别模型。
在一个实施例中，在将所述第一图像信息组输入预设的滑坡识别模型，从而获得所述待识别区域的识别结果之后，所述方法还包括：将所述识别结果发送给用户。
本发明还提供了一种区域滑坡识别装置，所述装置包括数据获取单元以及模型识别单元，其中，所述数据获取单元用于获取待识别区域的第一图像数据组，并对所述第一图像数据组进行信息提取，从而获取第一图像信息组；所述模型识别单元用于将所述第一图像信息组输入预设的滑坡识别模型，从而获得所述待识别区域的识别结果；所述滑坡识别模型为ENVINeT5网络，所述ENVINeT5网络包括上采样部分、下采样部分以及跳跃连接部分，并采用预设的第一交叉熵函数作为损失函数。
在一个实施例中，所述装置还包括模型训练单元，所述模型训练单元用于：获取预设的第一编录数据以及第一遥感数据，并根据所述第一编录数据和所述第一遥感数据，创建滑坡样本数据组；根据所述滑坡样本数据组以及预设的滑坡识别指标，构建滑坡识别特征数据集；所述滑坡识别特征数据集包括多光谱影响特征、纹理特征、指数特征、地形特征以及形变特征；通过预设的随机化参数实验以及预设的精度评价方法，根据所述滑坡识别特征数据集以及预设的深度学习模型，获得最优模型训练参数组以及对应的滑坡识别模型。
在一个实施例中，所述装置还包括结果发送单元，所述结果发送单元用于将所述识别结果发送给用户。
本发明还提供了一种区域滑坡识别系统，所述系统包括滑坡识别模块以及数据存储模块，所述滑坡识别模块与所述数据存储单元通信连接，所述数据存储模块用于存储所有数据，所述滑坡识别模块用于根据所述数据存储模块所存储的数据，执行如前所述的区域滑坡识别方法。
在一个实施例中，所述系统还包括用户交互模块，所述用户交互模块连接到所述滑坡识别模块，所述用户交互模块用于为用户和所述滑坡识别模块之间的交互提供硬件支持。
相比于现有技术，本发明实施例具有如下有益效果：
本发明提供了一种区域滑坡识别方法、装置及系统，通过将包括上采样部分、下采样部分以及跳跃连接部分，并采用预设的第一交叉熵函数作为损失函数的ENVINeT5网络作为预设的滑坡识别模型，对待识别区域的第一图像数据组对应的第一图像信息组进行识别，该方法、装置及系统提升了滑坡识别的识别精度。
进一步地，本发明提供的一种区域滑坡识别方法、装置及系统还基于多源遥感数据构建详细的滑坡识别特征数据集，通过随机化参数实验获得最优模型训练参数组以及对应的滑坡识别模型，从而进一步提升复杂背景下的滑坡识别的识别精度。
附图说明
下文将结合说明书附图对本发明进行进一步的描述说明，其中：
图1示出了根据本发明的一种区域滑坡识别方法的一个实施例的流程图；
图2示出了根据本发明的一种区域滑坡识别方法的另一实施例的流程图；
图3示出了根据本发明的一种区域滑坡识别装置的一个实施例的结构图；
图4示出了根据本发明的一种区域滑坡识别系统的一个实施例的结构图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
具体实施例一
本发明实施例首先描述了一种区域滑坡识别方法。图1示出了根据本发明的一种区域滑坡识别方法的一个实施例的流程图。
如图1所示，该方法包括如下步骤：
S1:获取待识别区域的第一图像数据组，并对所述第一图像数据组进行信息提取，从而获取第一图像信息组。
S2:将所述第一图像信息组输入预设的滑坡识别模型，从而获得所述待识别区域的识别结果。
ENVINet5网络具有以下优点：(1)在上采样阶段添加了很多的特征通道，允许更多的原图像纹理的信息在高分辨率的图层(Layers)中进行传播，实现了网络对图像的多尺度特征识别，使用少量数据即可对ENVINet5进行训练并能够获得不错的效果；(2)ENVINet5网络结构具有有效性，在Encoder部分能够获取图像的细节信息和轮廓信息，并通过跳跃连接阶段将提取到的特征传递至Decoder部分，最后由Decoder部分结合多个尺度的特征进行特征恢复，这种结构使得每个像素都包含了原图的上下文信息，使其对小目标分割具有更佳的效果。
鉴于上述优点，本发明实施例采用的预设的滑坡识别模型为ENVINeT5网络，所述ENVINeT5网络包括上采样部分、下采样部分以及跳跃连接部分，并采用预设的第一交叉熵函数作为损失函数。
从ENVINet5网络架构可以看出，该网络结构主要分为三部分：下采样，上采样以及跳跃连接。网络的左边是压缩路径(Contracting path)，即编码器(Encoder)，通过卷积和下采样来降低图像尺寸，提取一些浅显的特征。右边部分是扩展路径(Expansive path)，即解码器(Decoder)，通过卷积和上采样来获取一些深层次的特征。对于压缩网络部分是一个卷积网络，每个部分包含两个重复的卷积层，卷积核的大小是3×3，没有填充(Pad)，使用损失函数为ReLU。这样的卷积方式保证获得结果都是基于没有缺失上下文特征得到的，因此每次经过卷积后，图像的大小会减小。每个部分之后采用一个最大池化层，核大小为2×2，步长为2，来完成下采样，每个下采样之后会将通道数加倍。而对于扩展网络部分，池化层被上采样层替换，上采样层采用卷积核大小为2×2，每个上采样之后通道数减半。中间通过跳跃连接的方式，将编码阶段获得的特征图层(Feature Map)同解码阶段获得的Feature Map结合(Concat)在一起，结合深层次和浅层次的特征，细化图像。由于左侧Contracting path和右侧Expansive path的Feature Map的尺寸不一样，U-Net是通过将压缩路径的FeatureMap裁剪到和扩展路径相同尺寸的Feature Map进行归一化的。在整个网络的最后一层，为了进行分类，卷积层使用的是“valid，padding＝0，stride＝1”的模式进行卷积，所以最终得到的输出图像要小于原始图像。
损失函数(Loss Function)是用来估量模型的预测值与真实值的不一致程度，它是一个非负实值函数，损失函数越小，模型的训练效果越好，鲁棒性越强。损失函数是神经网络在通过梯度下降等方法调整参数，使得训练结果不断逼近真实值时使用的函数。ENVINet5网络结构采用损失函数是基于像素的交叉熵函数：
E＝-∑xp(x)logq(x)；
式中，p(x)为实际概率，q(x)为期望输出概率。
在一个实施例中，本步骤具体包括：根据预设的滑坡识别模型获取滑坡类激活栅格；将所述第一图像信息组输入滑坡类激活栅格，根据预设的激活概率阈值，识别第一图像数据组中对应的第一滑坡区域，并将第一滑坡区域作为识别结果输出。
滑坡类激活栅格是灰度图像，是通过使用预设的滑坡识别模型对滑坡识别特征数据集进行分类，来查找其他图像中的类似特征从而获得的，滑坡类激活栅格表征属于感兴趣特征的像素的概率，即灰度图中栅格预测为滑坡类别的概率，值范围为0～1。但使用滑坡类激活栅格进行滑坡识别，创建滑坡识别结果矢量或栅格的工作量较大，因而通过指定显式阈值来确定每个栅格是否属于滑坡类，然后利用阈值划分后的栅格图进行滑坡识别验证。
在一个实施例中，为尽可能全面识别研究区的历史滑坡并扩充样本，将激活概率阈值设置为0.7。
本发明实施例描述了一种区域滑坡识别方法，通过将包括上采样部分、下采样部分以及跳跃连接部分，并采用预设的第一交叉熵函数作为损失函数的ENVINeT5网络作为预设的滑坡识别模型，对待识别区域的第一图像数据组对应的第一图像信息组进行识别，该方法提升了滑坡识别的识别精度。
具体实施例二
更进一步地，本发明实施例还描述了一种区域滑坡识别方法。图2示出了根据本发明的一种区域滑坡识别方法的另一实施例的流程图。
如图2所示，该方法包括如下步骤：
A1:获取预设的第一编录数据以及第一遥感数据，并根据所述第一编录数据和所述第一遥感数据，创建滑坡样本数据组。
具体地，本步骤包括：利用预设的第一编录数据以及预设的第一遥感数据绘制滑坡多边形，并将多边形转换成ROI感兴趣区，创建滑坡样本数据组。具体地，在Google Earth中细致勾画确定滑坡的位置和范围，获得滑坡多边形矢量。在ENVI 5.6中，利用“Vector toRoi”功能将滑坡多边形矢量转换成滑坡感兴趣区(ROI)，创建滑坡样本数据组；其中，部分滑坡由于发生年代久远，滑坡规模较小，后期人为活动和改造等作用下，这些滑坡在遥感影像上特征不明显。因此，将这些历史滑坡案例在训练样本中移除，并加入新识别到的典型滑坡区。
在一个实施例中，第一编录数据为滑坡编录数据，第一遥感数据为Google Earth遥感图像。
A2:根据所述滑坡样本数据组以及预设的滑坡识别指标，构建滑坡识别特征数据集。
在创建了滑坡样本数据组后，需要提取滑坡样本数据组的特征以用于训练模型，在实际应用中，提取滑坡样本数据组的多光谱影响特征、纹理特征、指数特征、地形特征以及形变特征。
在一个实施例中，本步骤具体包括：从所述第一遥感数据中，提取待识别区域的Sentinel-2遥感影像的多光谱影像、归一化植被指数和土壤亮度指数和影像纹理作为多光谱影响特征；通过灰度共生矩阵，从所述第一遥感数据中提取待识别区域的Sentinel-2遥感影像的均值、方差、同质性、对比度、相异性、熵、角二阶矩和相关性作为纹理特征；从所述第一遥感数据中，提取待识别区域的Sentinel-2遥感影像的归一化植被指数和土壤亮度指数作为指数特征；从所述第一遥感数据中，提取待识别区域的Sentinel-2遥感影像的坡度、坡向、曲率、地形粗糙指数和地形位置指数作为地形特征；从所述第一遥感数据中获取预设的差异波段的波段数据，根据预设的滑坡识别指标筛选出第一波段数据，并将所述第一波段数据作为形变特征；根据所述多光谱影响特征、纹理特征、指数特征、地形特征以及形变特征，构建所述待识别区域的构建滑坡识别特征数据集。
其中，由于光学影像对浅层不稳定，旋转和平移滑动的滑坡类型有较好的识别效果，小型滑坡占比较高，需要提高分辨率来匹配滑坡样本，为避免样本信息损失，实现精准识别，本发明实施例利用较高分辨率的Sentinel-2遥感影像提取用于滑坡识别的多光谱影像、归一化植被指数(Normalized Differential Vegetation Index,NDVI)和土壤亮度指数(Normalized Difference Soil Index,NDSI)和影像纹理等滑坡识别特征，以作为多光谱影响特征。在实际应用中，本发明实施例利用欧空局提供的开源大气校正插件Sen2Cor对Sentinel-2原始影像的Level-1C数据进行大气、地形和卷云校正，生成Level-2A数据，为方便进一步的处理研究，在SNAP软件中将影像重采样转换成ENVI格式数据，在ENVI 5.6中进行镶嵌和裁剪等数据预处理工作，最终获得研究区范围的Sentinel-2遥感影像，本发明实施例选取影像中蓝、绿、红、近红外、短波红外1和短波红外2的6个光谱波段。
受人类工程活动影响，滑坡的识别在形态与地貌部位上容易与人工梯田相混，在色调标示上容易与人工开挖的取土采石场相混。滑坡识别在考虑光谱特征和指数特征的基础上，还应充分考虑影像纹理特征。利用能够反应图像微观结构的影像纹理特征可以提升滑坡识别的准确性。应用主成分分析法(Principal Components Analysis，PCA)对蓝、绿、红、近红外、短波红外1和短波红外2的6个光谱波段进行主成分提取。在一个实施例中，经PCA分析后，第一主成分(PC band1)包含有74.43％的影像信息，为提高效率，防止信息交叉，节省计算空间，从PC band1中提取纹理特征。具体地，本发明实施例利用灰度共生矩阵(Grey Level Co-occurrence Matrix，GLCM)提取PC band1的影像纹理特征。GLCM是用两个位置像素的联合概率密度来定义的，它不仅反映亮度的分布特性，也反映具有同样亮度或接近亮度的像素之间的位置分布特性，是有关图像亮度变化的二阶统计特征，是定义一组纹理特征的基础。一幅图像的GLCM能反映出图像灰度关于方向、相邻间隔、变化幅度的综合信息。
在ENVI 5.6中实现GLCM影像纹理特征提取，统计像元的窗口大小的参数设置为5×5，移动步长设置为2和移动方向设置为2，灰度量化级设置为64。本次用于滑坡识别的纹理信息包括均值(Mean)、方差(Variance)、同质性(Homogeneity)、对比度(Contrast)、相异性(Dissimilarity)、熵(Entropy)、角二阶矩(Second Moment)和相关性(Correlation)8种纹理特征。
NDVI是遥感领域反应地表植被覆盖，生长状况的一个简单有效的度量参数。NDSI可以有效的反映地表的裸露情况，植被稀少的裸土具有较高的土壤亮度值。滑坡发生后会对地表植被和土壤造成一定程度的影响和破坏，滑坡发育区地表裸露，植被覆盖度低，在遥感影像上呈现出比较高的亮度，植被覆盖色调较浅，因此，本发明实施例在深度学习训练的特征提取中，加入NDVI和NDSI作为滑坡识别的指数特征，可以有效提高滑坡识别精度。
滑坡的发生与地形特征密切相关，加入地形信息辅助的滑坡识别，可以提供与光学影像互补的信息，减小与滑坡类似的色调和纹理特征区域的干扰，降低深度学习过程中滑坡的误判。在本发明实施例中，提取坡度(Slope)、坡向(Aspect)、曲率(Curvature)、地形粗糙指数(Terrain Ruggedness Index，TRI)和地形位置指数(Topographic PositionIndex，TPI)等地形特征。
在上述过程中，TRI是指中心点高程与周围高程的差的平均值，TPI是中心点高程值减去周围高程的平均值。TPI>0表示中心像元是位于凸面上的点，TPI<0表示中心像元是位于凹面上的点，TPI接近于0表示中心像元位于平地或斜坡上。
其中，不同地形特征的属性区间滑坡密度的分布。滑坡密度在100～300m高程区间值较高，随着高程的增加滑坡密度一直在较低的水平；滑坡密度在5-20°的坡度区间值较高；东南方向的滑坡密度值较其他方向高，但总体上滑坡密度值在坡向上差异较小；在-15～-2的曲率区间，滑坡密度高；TPI在4～34的属性区间，滑坡密度值最高，值为0.57；滑坡密度随着TRI的增加而呈降低趋势。
滑坡识别特征数据集包括多光谱影响特征、纹理特征、指数特征、地形特征以及形变特征。
在上述基础上，在南方多植被覆盖的山区，人工梯田的形态和地貌部位与滑坡相似。在多次实验研究中利用深度学习识别的滑坡和人工梯田极易混淆，导致识别精度低，增加后期处理的工作量。为减少深度学习过程中滑坡和人工梯田的误判，统计滑坡与人工梯田的主要差别特征波段，以构建最大化分离滑坡和人工梯田的滑坡识别指标(LandslideIdentification Index，LII)。
为了去除不同识别特征的单位限制，方便不同量级特征的比较，对所有特征波段进行归一化处理。归一化处理的公式如下：
Figure BDA0003557029820000111
上式中x*为归一化后的特征值，xmax为特征的最大值，xmin为特征的最小值。在特征因子归一化后，特征因子值转换成取值区间为[0,1]的无量纲值。
将所有波段数据进行归一化处理后，利用ENVI5.6中的ROI统计分析工具对典型滑坡区与人工梯田区域的所有归一化特征进行统计分析。滑坡与梯田的多光谱波段差异主要在近红外波段和两个短红外波段，这三个光谱波段对滑坡和人工梯田有一定区分能力，梯田的归一化的这三个光谱波段的光谱特征的平均值较高。滑坡与梯田的归一化NDVI和NDSI指数特征的平均值相差不大，梯田略高于滑坡，二者在指数特征上较难区分。这是由于南方地区高植被覆盖，使得滑坡和人工梯田在NDVI和NDSI指数特征上的差异不明显。滑坡与梯田在高程、坡度和坡向的地形特征上也有一定不同，梯田区域的高程归一化值的平均值略高于滑坡区，由于滑坡大部分是由于当地居民依山建造房屋切坡产生凌空面，在降雨的诱发作用下发生的，房屋一般建在坡脚，因此高程较低。梯田坡度归一化值低于滑坡，多数梯田坡度较缓。滑坡和梯田在纹理特征上有较大的区分，统计结果显示二者在归一化纹理特征的平均值区别主要体现在Entropy和Second Moment两个特征。滑坡区的归一化SecondMoment特征平均值小于人工梯田，而归一化Entropy特征平均值大于梯田。Entropy表示纹理的非均匀程度或复杂程度，值越高表示非均匀程度或复杂程度越大；Second Moment是图像灰度整体及局部分布均匀程度的体现，其值越大，整体及局部均匀程度越高。滑坡和梯田的表现出以上纹理特征主要原因是滑坡发生后使得地表碎石堆积，滑坡后壁呈现不规则的各种形状，影像纹理不均匀性增大，而人工梯田在整体和局部范围呈现均匀有规律分布，因此，主要在图像灰度的均匀程度上区分二者。
在上述过程的基础上，选择能够区分滑坡与梯田的Entropy和Second Moment纹理特征构建滑坡识别指标。进一步将典型滑坡与梯田的归一化Entropy和Second Moment纹理特征统计分析，其中，滑坡归一化Entropy特征取值范围为0.5～0.8，梯田的归一化Entropy值取值范围为0.3～0.7；滑坡的归一化Second Moment特征取值范围为0.1～0.3，梯田的归一化Second Moment特征取值范围为0.1～0.5。由以上滑坡和梯田间的纹理差异分析可知，滑坡区的归一化Entropy和Second Moment特征值范围较小，而梯田的归一化Entropy和Second Moment特征值表现出较大的波动，与滑坡的特征取值范围有较多重叠部分，因而在深度学习识别过程中会产生较多误判。对此，本发明实施例将Entropy和Second Moment做归一化计算处理，扩展滑坡与人工梯田间的纹理特征差异构建LII。
以GLCM的纹理特征为基础，使用能够区分滑坡和梯田的Entropy和Second Moment纹理指标构建的LII公式如下：
Figure BDA0003557029820000121
由于多光谱影像特征、指数特征、纹理特征、地形特征和滑坡识别特征包含3个不同的空间分辨率，因此所有数据均重采样至10m分辨率，并将所有特征因子图层叠加构建用于识别滑坡的特征数据集(在本发明实施例中共23个波段)。将滑坡识别指标加入滑坡识别特征数据集，可以为区分滑坡和梯田提供依据，解决了深度学习滑坡识别过程中，滑坡和梯田难区分问题，从而提高深度学习滑坡提取的精度，同时为基于遥感信息识别滑坡的研究提供方法和技术参考。
A3:通过预设的随机化参数实验以及预设的精度评价方法，根据所述滑坡识别特征数据集以及预设的深度学习模型，获得最优模型训练参数组以及对应的滑坡识别模型。
由于滑坡的识别较特定的地物识别有较大的区别，滑坡类型较多，尤其对于植被覆盖较高地区，滑坡边界模糊，形态不一，因此，深度学习参数设置尤其是Solid Distance、Blur Distance、Loss Weight和Class Weight等参数，对深度学习滑坡识别精度有较大影响；对此，本发明实施例使用ENVI深度学习模块的Deep Learning Guide Map中参数随机化方法，通过运行不同的随机参数组来获得模型最佳的训练参数。
在一个实施例中，本步骤包括：初始化预设的ENVINet5模型，并对所述ENVINet5模型进行设置，从而获得第一训练模型；根据所述滑坡识别特征数据集，对所述第一训练模型进行训练实验，从而获得多组训练参数组以及对应的评估数据组；根据所述评估数据组，筛选出模型精度最高时所对应的最优模型训练参数组以及对应的滑坡识别模型。
A4:获取待识别区域的第一图像数据组，并对所述第一图像数据组进行信息提取，从而获取第一图像信息组。
A5:将所述第一图像信息组输入预设的滑坡识别模型，从而获得所述待识别区域的识别结果。
ENVINet5网络具有以下优点：(1)在上采样阶段添加了很多的特征通道，允许更多的原图像纹理的信息在高分辨率的图层(Layers)中进行传播，实现了网络对图像的多尺度特征识别，使用少量数据即可对ENVINet5进行训练并能够获得不错的效果；(2)ENVINet5网络结构具有有效性，在Encoder部分能够获取图像的细节信息和轮廓信息，并通过跳跃连接阶段将提取到的特征传递至Decoder部分，最后由Decoder部分结合多个尺度的特征进行特征恢复，这种结构使得每个像素都包含了原图的上下文信息，使其对小目标分割具有更佳的效果。
鉴于上述优点，本发明实施例采用的预设的滑坡识别模型为ENVINeT5网络，所述ENVINeT5网络包括上采样部分、下采样部分以及跳跃连接部分，并采用预设的第一交叉熵函数作为损失函数。
从ENVINet5网络架构可以看出，该网络结构主要分为三部分：下采样，上采样以及跳跃连接。网络的左边是压缩路径(Contracting path)，即编码器(Encoder)，通过卷积和下采样来降低图像尺寸，提取一些浅显的特征。右边部分是扩展路径(Expansive path)，即解码器(Decoder)，通过卷积和上采样来获取一些深层次的特征。对于压缩网络部分是一个卷积网络，每个部分包含两个重复的卷积层，卷积核的大小是3×3，没有填充(Pad)，使用损失函数为ReLU。这样的卷积方式保证获得结果都是基于没有缺失上下文特征得到的，因此每次经过卷积后，图像的大小会减小。每个部分之后采用一个最大池化层，核大小为2×2，步长为2，来完成下采样，每个下采样之后会将通道数加倍。而对于扩展网络部分，池化层被上采样层替换，上采样层采用卷积核大小为2×2，每个上采样之后通道数减半。中间通过跳跃连接的方式，将编码阶段获得的特征图层(Feature Map)同解码阶段获得的Feature Map结合(Concat)在一起，结合深层次和浅层次的特征，细化图像。由于左侧Contracting path和右侧Expansive path的Feature Map的尺寸不一样，U-Net是通过将压缩路径的FeatureMap裁剪到和扩展路径相同尺寸的Feature Map进行归一化的。在整个网络的最后一层，为了进行分类，卷积层使用的是“valid，padding＝0，stride＝1”的模式进行卷积，所以最终得到的输出图像要小于原始图像。
损失函数(Loss Function)是用来估量模型的预测值与真实值的不一致程度，它是一个非负实值函数，损失函数越小，模型的训练效果越好，鲁棒性越强。损失函数是神经网络在通过梯度下降等方法调整参数，使得训练结果不断逼近真实值时使用的函数。ENVINet5网络结构采用损失函数是基于像素的交叉熵函数：
E＝-∑xp(x)logq(x)；
式中，p(x)为实际概率，q(x)为期望输出概率。
在一个实施例中，本步骤具体包括：根据预设的滑坡识别模型获取滑坡类激活栅格；将所述第一图像信息组输入滑坡类激活栅格，根据预设的激活概率阈值，识别第一图像数据组中对应的第一滑坡区域，并将第一滑坡区域作为识别结果输出。
滑坡类激活栅格是灰度图像，是通过使用预设的滑坡识别模型对滑坡识别特征数据集进行分类，来查找其他图像中的类似特征从而获得的，滑坡类激活栅格表征属于感兴趣特征的像素的概率，即灰度图中栅格预测为滑坡类别的概率，值范围为0～1。但使用滑坡类激活栅格进行滑坡识别，创建滑坡识别结果矢量或栅格的工作量较大，因而通过指定显式阈值来确定每个栅格是否属于滑坡类，然后利用阈值划分后的栅格图进行滑坡识别验证。
在一个实施例中，为尽可能全面识别研究区的历史滑坡并扩充样本，将激活概率阈值设置为0.7。
A6：将所述识别结果发送给用户。
在获取识别结果后，为了提升与用户的交互性以及结果的直观性，本发明实施例还将识别结果发送给用户。在一个实施例中，发送识别结果的形式包括向用户显示识别结果、向用户事先登记过的用户终端发送结果信息以及二者的结合。其中，结果信息包括识别结果，结果信息的形式包括：文字信息、表格信息、图像信息、图标信息、声音信息、视频信息以及前述一种或多种的组合。
本发明实施例描述了一种区域滑坡识别方法，通过将包括上采样部分、下采样部分以及跳跃连接部分，并采用预设的第一交叉熵函数作为损失函数的ENVINeT5网络作为预设的滑坡识别模型，对待识别区域的第一图像数据组对应的第一图像信息组进行识别，该方法、装置及系统提升了滑坡识别的识别精度；进一步地，本发明实施例描述的一种区域滑坡识别方法还基于多源遥感数据构建详细的滑坡识别特征数据集，通过随机化参数实验获得最优模型训练参数组以及对应的滑坡识别模型，从而进一步提升复杂背景下的滑坡识别的识别精度。
具体实施例三
除上述方法外，本发明实施例还描述了一种区域滑坡识别装置。图3示出了根据本发明的一种区域滑坡识别装置的一个实施例的结构图。
如图3所示，该装置包括数据获取单元11以及模型识别单元12，其中，数据获取单元11用于获取待识别区域的第一图像数据组，并对所述第一图像数据组进行信息提取，从而获取第一图像信息组。模型识别单元12用于将所述第一图像信息组输入预设的滑坡识别模型，从而获得所述待识别区域的识别结果。
所述滑坡识别模型为ENVINeT5网络，所述ENVINeT5网络包括上采样部分、下采样部分以及跳跃连接部分，并采用预设的第一交叉熵函数作为损失函数。
在一个实施例中，所述装置还包括模型训练单元，所述模型训练单元用于：获取预设的第一编录数据以及第一遥感数据，并根据所述第一编录数据和所述第一遥感数据，创建滑坡样本数据组；根据所述滑坡样本数据组以及预设的滑坡识别指标，构建滑坡识别特征数据集；所述滑坡识别特征数据集包括多光谱影响特征、纹理特征、指数特征、地形特征以及形变特征；通过预设的随机化参数实验以及预设的精度评价方法，根据所述滑坡识别特征数据集以及预设的深度学习模型，获得最优模型训练参数组以及对应的滑坡识别模型。
在一个实施例中，所述装置还包括结果发送单元，所述结果发送单元用于将所述识别结果发送给用户。
本发明实施例描述了一种区域滑坡识别装置，通过将包括上采样部分、下采样部分以及跳跃连接部分，并采用预设的第一交叉熵函数作为损失函数的ENVINeT5网络作为预设的滑坡识别模型，对待识别区域的第一图像数据组对应的第一图像信息组进行识别，该装置提升了滑坡识别的识别精度；进一步地，本发明实施例描述的一种区域滑坡识别装置还基于多源遥感数据构建详细的滑坡识别特征数据集，通过随机化参数实验获得最优模型训练参数组以及对应的滑坡识别模型，从而进一步提升复杂背景下的滑坡识别的识别精度。
具体实施例四
除上述方法和装置外，本发明还描述了一种区域滑坡识别系统。图4示出了根据本发明的一种区域滑坡识别系统的一个实施例的结构图。
如图4所示，该系统包括滑坡识别模块1以及数据存储模块2，所述滑坡识别模块1与所述数据存储单元2通信连接，所述数据存储模块2存储所有数据，所述滑坡识别模块1用于根据所述数据存储模块2所存储的数据，执行如前所述的区域滑坡识别方法。
在一个实施例中，所述系统还包括用户交互模块，所述用户交互模块连接到所述滑坡识别模块，所述用户交互模块用于为用户和所述滑坡识别模块之间的交互提供硬件支持。
在一个实施例中，用户交互模块包括触摸/不可触摸键盘、输入键盘、指示灯、麦克风、扬声器以及前述一种或多种的组合。
本发明实施例描述了一种区域滑坡识别系统，通过将包括上采样部分、下采样部分以及跳跃连接部分，并采用预设的第一交叉熵函数作为损失函数的ENVINeT5网络作为预设的滑坡识别模型，对待识别区域的第一图像数据组对应的第一图像信息组进行识别，该系统提升了滑坡识别的识别精度；进一步地，本发明实施例描述的一种区域滑坡识别系统还基于多源遥感数据构建详细的滑坡识别特征数据集，通过随机化参数实验获得最优模型训练参数组以及对应的滑坡识别模型，从而进一步提升复杂背景下的滑坡识别的识别精度。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种区域滑坡识别方法，其特征在于，所述方法包括：
获取待识别区域的第一图像数据组，并对所述第一图像数据组进行信息提取，从而获取第一图像信息组；
将所述第一图像信息组输入预设的滑坡识别模型，从而获得所述待识别区域的识别结果；所述滑坡识别模型为ENVINeT5网络，所述ENVINeT5网络包括上采样部分、下采样部分以及跳跃连接部分，并采用预设的第一交叉熵函数作为损失函数。
2.根据权利要求1所述的区域滑坡识别方法，其特征在于，在获取待识别区域的第一图像数据组，并对所述第一图像数据组进行信息提取，从而获取第一图像信息组之前，所述区域滑坡识别方法还包括：
获取预设的第一编录数据以及第一遥感数据，并根据所述第一编录数据和所述第一遥感数据，创建滑坡样本数据组；
根据所述滑坡样本数据组以及预设的滑坡识别指标，构建滑坡识别特征数据集；所述滑坡识别特征数据集包括多光谱影响特征、纹理特征、指数特征、地形特征以及形变特征；
通过预设的随机化参数实验以及预设的精度评价方法，根据所述滑坡识别特征数据集以及预设的深度学习模型，获得最优模型训练参数组以及对应的滑坡识别模型。
3.根据权利要求2所述的区域滑坡识别方法，其特征在于，将所述第一图像信息组输入预设的滑坡识别模型，从而获得所述待识别区域的识别结果，具体包括：
根据预设的滑坡识别模型获取滑坡类激活栅格；
将所述第一图像信息组输入滑坡类激活栅格，根据预设的激活概率阈值，识别第一图像数据组中对应的第一滑坡区域，并将第一滑坡区域作为识别结果输出。
4.根据权利要求3所述的区域滑坡识别方法，其特征在于，通过预设的随机化参数实验以及预设的精度评价方法，根据所述滑坡识别特征数据集以及预设的深度学习模型，获得最优模型训练参数组以及对应的滑坡识别模型，具体包括：
初始化预设的ENVINet5模型，并对所述ENVINet5模型进行设置，从而获得第一训练模型；
根据所述滑坡识别特征数据集，对所述第一训练模型进行训练实验，从而获得多组训练参数组以及对应的评估数据组；
根据所述评估数据组，筛选出模型精度最高时所对应的最优模型训练参数组以及对应的滑坡识别模型。
5.根据权利要求4所述的区域滑坡识别方法，其特征在于，在将所述第一图像信息组输入预设的滑坡识别模型，从而获得所述待识别区域的识别结果之后，所述方法还包括：
将所述识别结果发送给用户。
6.一种区域滑坡识别装置，其特征在于，所述装置包括数据获取单元以及模型识别单元，其中，
所述数据获取单元用于获取待识别区域的第一图像数据组，并对所述第一图像数据组进行信息提取，从而获取第一图像信息组；
所述模型识别单元用于将所述第一图像信息组输入预设的滑坡识别模型，从而获得所述待识别区域的识别结果；所述滑坡识别模型为ENVINeT5网络，所述ENVINeT5网络包括上采样部分、下采样部分以及跳跃连接部分，并采用预设的第一交叉熵函数作为损失函数。
7.根据权利要求6所述的区域滑坡识别装置，其特征在于，所述装置还包括模型训练单元，所述模型训练单元用于：
获取预设的第一编录数据以及第一遥感数据，并根据所述第一编录数据和所述第一遥感数据，创建滑坡样本数据组；
根据所述滑坡样本数据组以及预设的滑坡识别指标，构建滑坡识别特征数据集；所述滑坡识别特征数据集包括多光谱影响特征、纹理特征、指数特征、地形特征以及形变特征；
通过预设的随机化参数实验以及预设的精度评价方法，根据所述滑坡识别特征数据集以及预设的深度学习模型，获得最优模型训练参数组以及对应的滑坡识别模型。
8.根据权利要求7所述的区域滑坡识别装置，其特征在于，所述装置还包括结果发送单元，所述结果发送单元用于将所述识别结果发送给用户。
9.一种区域滑坡识别系统，其特征在于，所述系统包括滑坡识别模块以及数据存储模块，所述滑坡识别模块与所述数据存储单元通信连接，所述数据存储模块用于存储所有数据，所述滑坡识别模块用于根据所述数据存储模块所存储的数据，执行如权利要求1-5任一项所述的区域滑坡识别方法。
10.根据权利要求9所述的区域滑坡识别系统，其特征在于，所述系统还包括用户交互模块，所述用户交互模块连接到所述滑坡识别模块，所述用户交互模块用于为用户和所述滑坡识别模块之间的交互提供硬件支持。
CN202210278491.0A 2022-03-21 2022-03-21 一种区域滑坡识别方法、装置及系统 Active CN114743096B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210278491.0A CN114743096B (zh) 2022-03-21 2022-03-21 一种区域滑坡识别方法、装置及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210278491.0A CN114743096B (zh) 2022-03-21 2022-03-21 一种区域滑坡识别方法、装置及系统

Publications (2)

Publication Number Publication Date
CN114743096A true CN114743096A (zh) 2022-07-12
CN114743096B CN114743096B (zh) 2023-04-18

Family

ID=82277771

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210278491.0A Active CN114743096B (zh) 2022-03-21 2022-03-21 一种区域滑坡识别方法、装置及系统

Country Status (1)

Country Link
CN (1) CN114743096B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115952410A (zh) * 2023-03-13 2023-04-11 中国地震局地球物理研究所 一种基于深度学习的滑坡灾害检测系统
CN116030353A (zh) * 2023-03-29 2023-04-28 成都大学 一种基于卷积神经网络的滑坡灾害自动识别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110060273A (zh) * 2019-04-16 2019-07-26 湖北省水利水电科学研究院 基于深度神经网络的遥感影像滑坡测图方法
CN111223183A (zh) * 2019-11-14 2020-06-02 中国地质环境监测院 一种基于深度神经网络的滑坡地形检测方法
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
CN112580510A (zh) * 2020-12-18 2021-03-30 广州市城市规划设计所 可渗透地面面积率的估算方法、装置、设备及存储介质
CN112580511A (zh) * 2020-12-18 2021-03-30 广州市城市规划设计所 道路面积率的估算方法、装置、设备及存储介质
CN113780175A (zh) * 2021-09-10 2021-12-10 福州大学 高植被覆盖区台风暴雨型滑坡的遥感识别方法
CN113780174A (zh) * 2021-09-10 2021-12-10 福州大学 结合随机森林算法的高植被台风暴雨型滑坡识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110060273A (zh) * 2019-04-16 2019-07-26 湖北省水利水电科学研究院 基于深度神经网络的遥感影像滑坡测图方法
CN111223183A (zh) * 2019-11-14 2020-06-02 中国地质环境监测院 一种基于深度神经网络的滑坡地形检测方法
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
CN112580510A (zh) * 2020-12-18 2021-03-30 广州市城市规划设计所 可渗透地面面积率的估算方法、装置、设备及存储介质
CN112580511A (zh) * 2020-12-18 2021-03-30 广州市城市规划设计所 道路面积率的估算方法、装置、设备及存储介质
CN113780175A (zh) * 2021-09-10 2021-12-10 福州大学 高植被覆盖区台风暴雨型滑坡的遥感识别方法
CN113780174A (zh) * 2021-09-10 2021-12-10 福州大学 结合随机森林算法的高植被台风暴雨型滑坡识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
崔珂玮 等: "基于ENVI深度学习模型的卫星影像识别方法研究", 《现代信息科技》 *
郑磊 等: "基于ENVINet5 的高分辨率遥感影像稀疏塑料大棚提取研究", 《遥感技术与应用》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115952410A (zh) * 2023-03-13 2023-04-11 中国地震局地球物理研究所 一种基于深度学习的滑坡灾害检测系统
CN116030353A (zh) * 2023-03-29 2023-04-28 成都大学 一种基于卷积神经网络的滑坡灾害自动识别方法
CN116030353B (zh) * 2023-03-29 2023-05-30 成都大学 一种基于卷积神经网络的滑坡灾害自动识别方法

Also Published As

Publication number Publication date
CN114743096B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN114743096B (zh) 一种区域滑坡识别方法、装置及系统
Lu et al. Land cover classification in a complex urban-rural landscape with QuickBird imagery
CN113887515A (zh) 一种基于卷积神经网络的遥感滑坡识别方法及系统
CN102800074B (zh) 基于轮廓波变换的sar图像变化检测差异图生成方法
Myint A robust texture analysis and classification approach for urban land‐use and land‐cover feature discrimination
CN112633140B (zh) 多光谱遥感图像城中村多类别建筑物语义分割方法及系统
CN112712535A (zh) 基于模拟困难样本的Mask-RCNN滑坡分割方法
Touati et al. A reliable mixed-norm-based multiresolution change detector in heterogeneous remote sensing images
CN113312993B (zh) 一种基于PSPNet的遥感数据土地覆盖分类方法
Xie et al. Object-based target search using remotely sensed data: A case study in detecting invasive exotic Australian Pine in south Florida
CN113988147B (zh) 基于图网络的遥感图像场景多标签分类方法及装置、多标签检索方法及装置
CN114494851A (zh) 一种基于多时相遥感影像差异信息的滑坡提取方法
Li et al. Integrating multiple textural features for remote sensing image change detection
Chepkochei Object-oriented image classification of individual trees using Erdas Imagine objective: case study of Wanjohi area, Lake Naivasha Basin, Kenya
CN111666813A (zh) 一种基于非局部信息的三维卷积神经网络的皮下汗腺提取方法
Myint et al. An evaluation of four different wavelet decomposition procedures for spatial feature discrimination in urban areas
CN115527027A (zh) 一种基于多特征融合机制的遥感影像地物分割方法
CN117351360A (zh) 一种基于注意力机制改进的遥感图像道路提取方法
CN117893744A (zh) 基于改进边界引导上下文聚合网络的遥感图像分割方法
CN113128523B (zh) 一种基于时间序列遥感影像自动提取珊瑚礁的方法
CN114118231B (zh) 多源遥感浅覆盖区地层岩性分类特征空间构建方法、岩性分类方法及系统
Myint Multi-resolution decomposition in relation to characteristic scales and local window sizes using an operational wavelet algorithm
JP4285644B2 (ja) オブジェクト識別方法および装置ならびにプログラム
CN110910496B (zh) 基于大数据和ai的vr自然环境自动构成方法
Myint Urban mapping with geospatial algorithms

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