CN115049053B - 基于TabNet网络的黄土地区滑坡易发性评估方法 - Google Patents
基于TabNet网络的黄土地区滑坡易发性评估方法 Download PDFInfo
- Publication number
- CN115049053B CN115049053B CN202210696678.2A CN202210696678A CN115049053B CN 115049053 B CN115049053 B CN 115049053B CN 202210696678 A CN202210696678 A CN 202210696678A CN 115049053 B CN115049053 B CN 115049053B
- Authority
- CN
- China
- Prior art keywords
- landslide
- susceptibility
- landslide susceptibility
- data
- tabnet
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 45
- 238000007637 random forest analysis Methods 0.000 claims description 12
- 230000000694 effects Effects 0.000 claims description 5
- 239000002689 soil Substances 0.000 claims description 5
- 230000001939 inductive effect Effects 0.000 claims description 4
- 238000009877 rendering Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims 1
- 238000011084 recovery Methods 0.000 claims 1
- 238000011160 research Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000005192 partition Methods 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 abstract 1
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Remote Sensing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开基于TabNet网络的黄土地区滑坡易发性评估方法，以典型黄土地区东南部滑坡易发区——山西省昕水河流域为研究区，利用历史滑坡目录，综合遥感、地面调查、基础地理等多源异构时空大数据选取12个滑坡调节因子，基于大数据和深度学习技术，利用TabNet深度学习网络开展滑坡易发性评价与降雨下的滑坡易发性结果分析。并利用混肴矩阵、准确率、ROC曲线等评价指标验证其性能，结果表明TabNet算法精度最高达到95.57％，说明可以为滑坡易发性的空间预测和分区提供新的、有前景的方法。
Description
技术领域
本发明涉及遥感智能解译技术领域。具体地说是基于TabNet网络的黄土地区滑坡易发性评估方法。
背景技术
我国是世界上黄土沉积分布最广、厚度最大，延续时代最长的国家。黄土分布西起天山、东至渤海群岛，南北分布大致为北纬30-40度，覆盖面积约27万平方公里。其中以黄河中游地区的甘肃、陕西、山西最为发育，占据黄土分布面积的40％以上，并形成了著名的黄土高原。黄土高原由于地处构造活跃地带，长期以来地壳不断抬升，且在地震作用和季节性集中降雨等影响下形成了塬、梁、茆、黄土阶地及黄土盆地等特殊的地形、地貌和地质构造。黄土地区城市的发展，城镇化建设加剧、人口快速增长和人类工程频繁活动等均加快了黄土高原地貌构造的改变，使得黄土地区内滑坡及泥石流灾害成为区域内最频繁、破坏力极强的地质灾害。研究表明，来自滑坡的沉积物输送占黄河上中游及黄土高原的绝大比例，滑坡引起的水土流失超过总量的一半。因此，研究滑坡灾害的风险评价与保护治理对黄土地区而言十分重要，而滑坡易发性制图是灾害风险评价的首要环节，对灾后应急响应和灾后重建具有重要意义。
在过去的几十年里，滑坡易发性评价已引起世界范围内诸多研究人员的广泛关注。研究表明，滑坡易发性的评价具有两个假设：第一，过去发生过滑坡的地区将来仍然可能发生滑坡；第二，与过去发生过滑坡地区具有相同或类似地质环境条件的区域在将来也同样可能发生滑坡。近年来，滑坡易发性评价不仅采用了地理信息技术、遥感技术等传统手段，还应用了InSAR、无人机摄影测量等较为新型手段，有效提高了滑坡易发性评价的准确性。
当前针对不同的驱动模式，滑坡易发性评价方法大体分为两类：知识驱动型的经验模型与数据驱动型的统计模型。其中经验模型是一种知识驱动型研究方法，它依赖专家的知识积累和对于研究区滑坡灾害发生的地质环境条件背景的认知，进行人为的赋予指标因素权重，应用较为广泛，但缺点是具有较大的主观性，专家经验将直接决定预测的精度。常见的经验推理法有：层次分析法、专家系统法、模糊判别法。统计模型作为一种数据驱动型方法，它利用历史滑坡编录资料，建立滑坡与滑坡相关指标因素的映射关系，在一定程度上避免了人为影响，是目前区域滑坡易发性评价的主流研究方法。常见的统计分析方法主要有信息量法、支持向量机法、人工神经网络方法和深度学习方法等。深度学习由于其强大的学习能力和抽象能力被广泛应用于各个领域，它作为一种新的学习模型，在解决分类、回归、降维等问题方面非常有效。与机器学习和浅层神经网络相比，深度学习能够学习到更复杂、更高级的隐藏特征，为滑坡易发性评价的研究提供了新的思路和方法。
发明内容
为此，本发明所要解决的技术问题在于提供一种定量评估特定地区(典型黄土地区)降雨形成的缓慢型滑坡危险性等级的基于TabNet网络的黄土地区滑坡易发性评估方法。
为解决上述技术问题，本发明提供如下技术方案：
基于TabNet网络的黄土地区滑坡易发性评估方法，包括如下步骤：
(1)收集滑坡易发性历史点位数据，并标注滑坡样本，并以shp矢量文件格式存储，作为滑坡易发性训练样本数据；
(2)构建滑坡易发性相关因子数据集，并将滑坡易发性相关因子以tif栅格文件格式存储；
(3)采用方差膨胀因子VIF指标和随机森林方法分析滑坡易发性相关因子间的共线性和重要性关系；
(4)将步骤(1)中的滑坡易发性训练样本数据的矢量与步骤(2)中的滑坡易发性相关因子tif栅格数据叠加，提取滑坡易发性训练样本点位上的滑坡易发性相关因子数据作为训练样本；
(5)将训练样本输入TabNet深度学习网络，并以回归模式训练模型；
(6)提取待检测滑坡易发性区域的滑坡易发性相关因子数据；
(7)将待检测滑坡易发性区域的滑坡易发性相关因子数据输入训练好的TabNet模型中，每一个笛卡尔坐标位置将得到所对应的滑坡易发性评估得分；
(8)将每个滑坡易发性评估得分根据其笛卡尔坐标位置渲染成栅格，该栅格即为待评估地区的滑坡易发性结果。
上述基于TabNet网络的黄土地区滑坡易发性评估方法，在步骤(1)中，将历史灾情中发生过滑坡灾害的位置作为正样本，通过人工目视解译方式标注出部分不易发生滑坡灾害的位置作为负样本；正负样本点位以shp矢量文件格式存储，到此滑坡易发性训练样本数据制作完毕。
上述基于TabNet网络的黄土地区滑坡易发性评估方法，在步骤(2)中，通过ArcGIS软件对采集的多源大数据进行预处理，提取出基础地质、地形地貌、地表覆盖三种孕灾因素和降雨、人类活动两种诱灾因素共12个滑坡易发性相关因子，并对滑坡易发性相关因子与历史滑坡进行相关性统计分析，滑坡易发性相关因子以tif栅格文件格式存储；
多源大数据为基于PIE-Egine云服务基础设施的遥感数据、基础地理、基础、地面调查的多源异构时空得到的。
上述基于TabNet网络的黄土地区滑坡易发性评估方法，12个滑坡易发性相关因子分别为地质岩性、土壤类型、数字高程、坡度、坡向、地表曲率、地形地貌、土地覆盖类型，降雨量、归一化植被指数NDVI、垂直植被指数PVI和增强型植被指数EVI。
上述基于TabNet网络的黄土地区滑坡易发性评估方法，在步骤(3)中，采用方差膨胀系数VIF指标解决多重共线性问题：VIF值越接近于1，多重共线性越轻，反之越重；采用随机森林算法对参与分析的滑坡易发性相关因子进行重要性分析，剔除重要性低的冗余因子。
上述基于TabNet网络的黄土地区滑坡易发性评估方法，在步骤(4)中，将步骤(1)中的滑坡易发性训练样本数据的矢量与步骤(2)中的滑坡易发性相关因子tif栅格数据叠加，读取每一个滑坡易发性训练样本点位上的十二项因子的数值作为训练样本并以.csv表格文件格式存储；正样本的标注值为“1”，负样本的标注值为“0”。
上述基于TabNet网络的黄土地区滑坡易发性评估方法，在步骤(5)中，模型拟合后，模型训练结束，保存训练模型权重文件。
上述基于TabNet网络的黄土地区滑坡易发性评估方法，在步骤(6)中；待检测滑坡易发性的区域以矢量.shp格式文件输入，查找出矢量范围在滑坡易发性相关因子栅格数据上所对应的位置以便提取滑坡易发性相关因子数据。
上述基于TabNet网络的黄土地区滑坡易发性评估方法，由于不同滑坡易发性相关因子栅格的空间分辨率不同，在提取滑坡易发性相关因子数值时以空间分辨率最低的滑坡易发性相关因子栅格为基准，提取该滑坡易发性相关因子栅格中每一个像元所对应的值以及像元所在的笛卡尔坐标；
通过低分辨率像元的笛卡尔坐标转换成地理坐标系，读取出每个低分辨率像元所对应的其他高空间分辨率的滑坡易发性相关因子栅格上的位置，从而提取出相同位置的滑坡易发性相关因子数值；每一个像元的笛卡尔坐标以及经过筛选出的滑坡易发性相关因子数值以行为单位记录写入成.csv表格数据。
本发明的技术方案取得了如下有益的技术效果：
本发明以典型黄土地区东南部滑坡易发区——山西汾河沿岸临汾中部地区为研究区，利用研究区1237个确定的历史滑坡时间编制滑坡清单图，综合遥感、基础地理、地面调查等多源异构时空大数据选取12个滑坡调节因子，基于大数据和TabNet深度学习技术，开展滑坡易发性评价制图与降雨下的滑坡易发性结果分析，利用均方误差、准确率、ROC曲线评价指标验证模型性能。结果表明TabNet算法精度达95.57％，且在高易发性区域滑坡发生频率较高，可以为滑坡易发性的空间预测和分区提供具有较好前景的方法；比较随机森林模型、CNN模型和TabNet模型的成功率分别为0.872、0.917和0.984，三种模型的预测成功率分别为0.696、0.752和0.787。
本发明主要用于滑坡灾害遥感监测和分析等方面。利用PIE-Egine云服务基础设施遥感大数据分析平台，基于人工智能和大数据挖掘的技术方法，结合滑坡发生机理过程和TabNet网络，进行典型黄土区域滑坡易发性制图和评价，实现大范围滑坡易发信息自动提取。
附图说明
图1本发明基于TabNet网络的黄土地区滑坡易发性评估方法的技术框架图；
图2滑坡易发性相关因子的共线性分析图；
图3滑坡易发性相关因子的重要性分析图；
图4a参与训练的数字高程因子的数据集；
图4b参与训练的土壤类型因子的数据集
图4c参与训练的地质岩性因子的数据集
图4d参与训练的坡向因子的数据集
图4e参与训练的地表曲率因子的数据集
图4f参与训练的土地覆盖类型因子的数据集
图4g参与训练的地形地貌因子的数据集
图4h参与训练的植被指数因子的数据集
图4i参与训练的降雨量因子的数据集。
图5基于TabNet模型的滑坡易发性制图；
图6随机森林算法、MLP、CNN和TabNet算法结果比较图；
图7随机森林算法、MLP、CNN和TabNet算法的ROC曲线比较图。
具体实施方式
本实施例以典型黄土地区东南部滑坡易发区(山西省昕水河流域)为研究区，具体基于大数据和TabNet深度学习网络的典型黄土地区滑坡易发性评估方法的技术框架图如图1所示。
1、收集滑坡易发性历史点位数据，并标注滑坡样本。
将历史灾情中发生过滑坡灾害的位置作为正样本，通过人工目视解译方式标注出部分不易发生滑坡灾害的位置作为负样本；正负样本点位以shp矢量文件格式存储，到此滑坡易发性训练样本数据制作完毕。
2、构建滑坡易发性相关因子数据集。
利用PIE-Egine云服务基础设施遥感大数据分析平台得到遥感数据，然后综合遥感数据、基础地理、地面调查等多源异构时空得到多源大数据。
通过ArcGIS软件对采集的多源大数据进行预处理，提取出基础地质、地形地貌、地表覆盖三种孕灾因素和降雨、人类活动两种诱灾因素共12个滑坡易发性相关因子，并对滑坡易发性相关因子与历史滑坡进行相关性统计分析，滑坡易发性相关因子以tif栅格文件格式存储。
12个滑坡易发性相关因子分别为：地质岩性、土壤类型、数字高程、坡度、坡向、地表曲率、地形地貌、土地覆盖类型，降雨量、归一化植被指数NDVI、垂直植被指数PVI和增强型植被指数EVI。
3、采用方差膨胀系数VIF指标和随机森林方法分析滑坡易发性相关因子间的共线性和重要性关系。以此建立准确有效的影响因子指标体系，提高监测能力。
共线性分析：自变量的多重共线性问题是多元线性回归分析中最常见的问题之一。它是指一个解释变量的变化引起另一个解释变量的变化。按照假设，模型中各变量应各自独立。如果各自变量线性关系较强，则其中某个自变量变化时会引起其他相关变量的变化，导致无法探索到自变量与因变量之间的真实关系。因此采用方差膨胀系数VIF指标解决多重共线性问题：VIF值越接近于1，多重共线性越轻，反之越重。
重要性分析：由于评价因子之间可能存在的冗余信息会影响评价精度，因此为实现滑坡易发性的支撑工作，提高其精度，采用随机森林算法对参与易发性分析的因子进行重要性分析，剔除重要性低的冗余因子。
图2所示的滑坡易发性相关因子的共线性分析图；
图3为滑坡易发性相关因子的重要性分析图。
4、将滑坡易发性训练样本数据的矢量与滑坡易发性相关因子tif栅格数据叠加，提取滑坡易发性训练样本点位上的滑坡易发性相关因子数据作为训练样本。
读取每一个滑坡易发性训练样本点位上的十二项滑坡易发性相关因子的数值作为训练样本并以.csv表格文件格式存储；正样本的标注值为“1”，负样本的标注值为“0”。
5、将训练样本输入TabNet深度学习网络，并以回归模式训练模型。模型拟合后，模型训练结束，保存训练模型权重文件。
6、提取待检测滑坡易发性区域的滑坡易发性相关因子数据。
待检测滑坡易发性的区域以矢量.shp格式文件输入，查找出矢量范围在滑坡易发性相关因子栅格数据上所对应的位置以便提取滑坡易发性相关因子数据。
由于不同滑坡易发性相关因子栅格的空间分辨率不同，在提取滑坡易发性相关因子数值时以空间分辨率最低的滑坡易发性相关因子栅格为基准，提取该滑坡易发性相关因子栅格中每一个像元所对应的值以及像元所在的笛卡尔坐标；
通过低分辨率像元的笛卡尔坐标转换成地理坐标系，读取出每个低分辨率像元所对应的其他高空间分辨率的滑坡易发性相关因子栅格上的位置，从而提取出相同位置的滑坡易发性相关因子数值；每一个像元的笛卡尔坐标以及其经过筛选出的九项滑坡易发性相关因子数值以行为单位记录写入成.csv表格数据。
如图4a-图4i所示的参与训练的滑坡易发性因子数据集。
7、将待检测滑坡易发性区域的滑坡易发性相关因子数据输入训练好的TabNet模型中，每一个笛卡尔坐标位置将得到所对应的滑坡易发性评估得分。
8、将每个滑坡易发性评估得分根据其笛卡尔坐标位置渲染成栅格，该栅格即为待评估地区的滑坡易发性结果。
如图5所示山西汾河沿岸临汾中部地区，极高易发区占总面积的12.97％，高易发区占21.85％，中易发区占23.61％，低易发区占19.34％，极低易发区占22.23％。
同时为了更好的说明TabNet算法的准确率，基于已构建的指标体系，分别采用随机森林算法、MLP、CNN和本发明TabNet算法用于滑坡易发性评价进行比较，四种模型精度指标得分见图6，图7。
结果表明TabNet算法精度达95.57％，且在高易发性区域滑坡发生频率较高，可以为滑坡易发性的空间预测和分区提供具有较好前景的方法。
在图7的ROC曲线中，利用TabNet算法的ACU值达到0.987，相比于其他算法，具有更高的准确性。
另外还比较了随机森林模型、CNN模型和TabNet模型的成功率和预测成功率。随机森林模型、CNN模型和TabNet模型的成功率分别为0.872、0.917和0.984，三种模型的预测成功率分别为0.696、0.752和0.787。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本专利申请权利要求的保护范围之中。
Claims (9)
1.基于TabNet网络的黄土地区滑坡易发性评估方法，其特征在于，包括如下步骤：
(1)收集滑坡易发性历史点位数据，并标注滑坡样本，并以shp矢量文件格式存储，作为滑坡易发性训练样本数据；
(2)构建滑坡易发性相关因子数据集，并将滑坡易发性相关因子以tif栅格文件格式存储；
(3)采用方差膨胀系数VIF指标和随机森林方法分析滑坡易发性相关因子间的共线性和重要性关系；
(4)将步骤(1)中的滑坡易发性训练样本数据的矢量与步骤(2)中的滑坡易发性相关因子tif栅格数据叠加，提取滑坡易发性训练样本点位上的滑坡易发性相关因子数据作为训练样本；
(5)将训练样本输入TabNet深度学习网络，并以回归模式训练模型；
(6)提取待检测滑坡易发性区域的滑坡易发性相关因子数据；
(7)将待检测滑坡易发性区域的滑坡易发性相关因子数据输入训练好的TabNet模型中，每一个笛卡尔坐标位置将得到所对应的滑坡易发性评估得分；
(8)将每个滑坡易发性评估得分根据其笛卡尔坐标位置渲染成栅格，该栅格即为待评估地区的滑坡易发性结果。
2.根据权利要求1所述的基于TabNet网络的黄土地区滑坡易发性评估方法，其特征在于，在步骤(1)中，将历史灾情中发生过滑坡灾害的位置作为正样本，通过人工目视解译方式标注出部分不易发生滑坡灾害的位置作为负样本；正负样本点位以shp矢量文件格式存储，到此滑坡易发性训练样本数据制作完毕。
3.根据权利要求1所述的基于TabNet网络的黄土地区滑坡易发性评估方法，其特征在于，在步骤(2)中，通过ArcGIS软件对采集的多源大数据进行预处理，提取出基础地质、地形地貌、地表覆盖三种孕灾因素和降雨、人类活动两种诱灾因素共12个滑坡易发性相关因子，并对滑坡易发性相关因子与历史滑坡进行相关性统计分析，滑坡易发性相关因子以tif栅格文件格式存储；
多源大数据为基于PIE-Egine云服务基础设施的遥感数据、基础地理、基础、地面调查的多源异构时空得到的。
4.根据权利要求3所述的基于TabNet网络的黄土地区滑坡易发性评估方法，其特征在于，12个滑坡易发性相关因子分别为地质岩性、土壤类型、数字高程、坡度、坡向、地表曲率、地形地貌、土地覆盖类型，降雨量、归一化植被指数NDVI、垂直植被指数PVI和增强型植被指数EVI。
5.根据权利要求3所述的基于TabNet网络的黄土地区滑坡易发性评估方法，其特征在于，在步骤(3)中，采用方差膨胀系数VIF指标解决多重共线性问题：VIF值越接近于1，多重共线性越轻，反之越重；采用随机森林算法对参与分析的滑坡易发性相关因子进行重要性分析，剔除重要性低的冗余因子。
6.根据权利要求2所述的基于TabNet网络的黄土地区滑坡易发性评估方法，其特征在于，在步骤(4)中，将步骤(1)中的滑坡易发性训练样本数据的矢量与步骤(2)中的滑坡易发性相关因子tif栅格数据叠加，读取每一个滑坡易发性训练样本点位上的十二项因子的数值作为训练样本并以.csv表格文件格式存储；正样本的标注值为“1”，负样本的标注值为“0”。
7.根据权利要求1所述的基于TabNet网络的黄土地区滑坡易发性评估方法，其特征在于，在步骤(5)中，模型拟合后，模型训练结束，保存训练模型权重文件。
8.根据权利要求1所述的基于TabNet网络的黄土地区滑坡易发性评估方法，其特征在于，在步骤(6)中；待检测滑坡易发性的区域以矢量.shp格式文件输入，查找出矢量范围在滑坡易发性相关因子栅格数据上所对应的位置以便提取滑坡易发性相关因子数据。
9.根据权利要求8所述的基于TabNet网络的黄土地区滑坡易发性评估方法，其特征在于，由于不同滑坡易发性相关因子栅格的空间分辨率不同，在提取滑坡易发性相关因子数值时以空间分辨率最低的滑坡易发性相关因子栅格为基准，提取该滑坡易发性相关因子栅格中每一个像元所对应的值以及像元所在的笛卡尔坐标；
通过低分辨率像元的笛卡尔坐标转换成地理坐标系，读取出每个低分辨率像元所对应的其他高空间分辨率的滑坡易发性相关因子栅格上的位置，从而提取出相同位置的滑坡易发性相关因子数值；每一个像元的笛卡尔坐标以及经过筛选出的滑坡易发性相关因子数值以行为单位记录写入成.csv表格数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210696678.2A CN115049053B (zh) | 2022-06-20 | 2022-06-20 | 基于TabNet网络的黄土地区滑坡易发性评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210696678.2A CN115049053B (zh) | 2022-06-20 | 2022-06-20 | 基于TabNet网络的黄土地区滑坡易发性评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115049053A CN115049053A (zh) | 2022-09-13 |
| CN115049053B true CN115049053B (zh) | 2023-03-24 |
Family
ID=83163222
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210696678.2A Active CN115049053B (zh) | 2022-06-20 | 2022-06-20 | 基于TabNet网络的黄土地区滑坡易发性评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115049053B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN116881652B (zh) * | 2023-06-26 | 2024-04-05 | 成都理工大学 | 基于优选负样本和随机森林模型的滑坡易发性评价方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919901A (zh) * | 2018-07-25 | 2019-06-21 | 江南大学 | 一种基于集成学习与随机森林的图像质量评价方法 |
| CN111310898A (zh) * | 2020-02-14 | 2020-06-19 | 中国地质大学（武汉） | 一种基于rnn的滑坡灾害易发性预测方法 |
| CN112653991A (zh) * | 2020-12-23 | 2021-04-13 | 北京工业大学 | 一种基于深度学习的TebNet神经网络模型的WLAN室内定位方法 |
| 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 |
| CN113642849A (zh) * | 2021-07-19 | 2021-11-12 | 北京师范大学 | 考虑空间分布特征的地质灾害危险性综合评价方法及装置 |
| CN114021789A (zh) * | 2021-10-26 | 2022-02-08 | 北京工业大学 | 一种基于特征工程与TabNet网络的降雨预测方法 |
| CN114186413A (zh) * | 2021-12-10 | 2022-03-15 | 中国地质科学院探矿工艺研究所 | 一种基于地表形变和孕灾环境条件的滑坡易发性评价方法 |
| CN114595629A (zh) * | 2022-03-01 | 2022-06-07 | 合肥工业大学 | 基于gbdt-lr和信息量模型的滑坡易发性评价方法 |
-
2022
- 2022-06-20 CN CN202210696678.2A patent/CN115049053B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919901A (zh) * | 2018-07-25 | 2019-06-21 | 江南大学 | 一种基于集成学习与随机森林的图像质量评价方法 |
| CN111310898A (zh) * | 2020-02-14 | 2020-06-19 | 中国地质大学（武汉） | 一种基于rnn的滑坡灾害易发性预测方法 |
| CN112653991A (zh) * | 2020-12-23 | 2021-04-13 | 北京工业大学 | 一种基于深度学习的TebNet神经网络模型的WLAN室内定位方法 |
| 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 |
| CN113642849A (zh) * | 2021-07-19 | 2021-11-12 | 北京师范大学 | 考虑空间分布特征的地质灾害危险性综合评价方法及装置 |
| CN114021789A (zh) * | 2021-10-26 | 2022-02-08 | 北京工业大学 | 一种基于特征工程与TabNet网络的降雨预测方法 |
| CN114186413A (zh) * | 2021-12-10 | 2022-03-15 | 中国地质科学院探矿工艺研究所 | 一种基于地表形变和孕灾环境条件的滑坡易发性评价方法 |
| CN114595629A (zh) * | 2022-03-01 | 2022-06-07 | 合肥工业大学 | 基于gbdt-lr和信息量模型的滑坡易发性评价方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115049053A (zh) | 2022-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115049053B (zh) | 基于TabNet网络的黄土地区滑坡易发性评估方法 | |
| CN111666918B (zh) | 一种基于多因素的海岸线变化识别方法 | |
| Li et al. | GIS‐Based Landslide Susceptibility Mapping Using Information, Frequency Ratio, and Artificial Neural Network Methods in Qinghai Province, Northwestern China | |
| KR100982447B1 (ko) | 지공간 상관관계 통합기법을 이용한 산사태 발생 예측시스템 및 이를 이용한 산사태 발생 예측방법 | |
| CN113096005B (zh) | 一种监测山体现今抬升速度的雷达时序差分干涉测量方法 | |
| CN114201922A (zh) | 基于InSAR技术的动态滑坡敏感性预测方法及系统 | |
| 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 | |
| CN113971769B (zh) | 基于多源大数据的海岸带地域功能长时序识别方法 | |
| CN109872041A (zh) | 一种基于地质资源环境的评价指标筛选方法 | |
| CN117974401A (zh) | 基于多源数据和模型集成的生态修复区域智能识别方法 | |
| CN118314491B (zh) | 一种基于无人机测绘的海滩侵蚀检测和定量计算方法 | |
| CN115859094A (zh) | 耦合卷积和熵重要性图神经网络的同震滑坡自动识别方法 | |
| CN117556197A (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
| CN116205136A (zh) | 基于径流滞后信息的大尺度流域深度学习洪水预报方法 | |
| CN113191642B (zh) | 一种基于最优组合策略的区域滑坡敏感性分析方法 | |
| Guerrero-Rodriguez et al. | Improving landslide prediction by computer vision and deep learning | |
| CN110362867B (zh) | 基于多元影响因子的地面沉降分区方法 | |
| CN115293262B (zh) | 一种岸线功能与结构长时序检测方法 | |
| CN111275072A (zh) | 一种基于聚类采样的山区土壤厚度预测方法 | |
| Subhashini et al. | Artificial intelligence–based intelligent geospatial analysis in disaster management | |
| Jin et al. | Advanced risk assessment framework for land subsidence impacts on transmission towers in salt lake region | |
| Kinworthy | New Mexico rock glacier inventory: analysis of geomorphology and paleogeography | |
| CN113807409B (zh) | 一种基于判别分析的海岸带分类方法 | |
| Ibitoye et al. | A Geoinformation-Based Analysis of Site Suitability for Dams in a Rain-Fed Agricultural System in Nasarawa State, Nigeria | |
| Zhu et al. | A Method for Graded Prevention and Control of Geological Disasters in the Longdong Xifeng District based on Weight Vector Analysis |
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 |