CN117475314B - 一种地质灾害隐患立体识别方法、系统及介质 - Google Patents
一种地质灾害隐患立体识别方法、系统及介质 Download PDFInfo
- Publication number
- CN117475314B CN117475314B CN202311823522.7A CN202311823522A CN117475314B CN 117475314 B CN117475314 B CN 117475314B CN 202311823522 A CN202311823522 A CN 202311823522A CN 117475314 B CN117475314 B CN 117475314B
- Authority
- CN
- China
- Prior art keywords
- data
- hidden danger
- geological
- identification
- dimensional
- 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 64
- 238000012549 training Methods 0.000 claims description 38
- 230000003287 optical effect Effects 0.000 claims description 29
- 238000011161 development Methods 0.000 claims description 25
- 230000018109 developmental process Effects 0.000 claims description 25
- 238000009826 distribution Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000013527 convolutional neural network Methods 0.000 claims description 22
- 239000002689 soil Substances 0.000 claims description 21
- 230000003595 spectral effect Effects 0.000 claims description 17
- 238000012876 topography Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 11
- 239000011435 rock Substances 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 230000004927 fusion Effects 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000012952 Resampling Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 239000003673 groundwater Substances 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 238000001228 spectrum Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 238000013501 data transformation Methods 0.000 claims description 4
- 238000005305 interferometry Methods 0.000 claims description 4
- 230000001788 irregular Effects 0.000 claims description 4
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 238000009877 rendering Methods 0.000 claims description 3
- 238000012732 spatial analysis Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 2
- 238000011084 recovery Methods 0.000 claims description 2
- 238000002372 labelling Methods 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000000877 morphologic effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000009960 carding Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005755 formation reaction Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 241000197194 Bulla Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 208000002352 blister Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 241000411851 herbal medicine Species 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Remote Sensing (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Computer Graphics (AREA)
- Medical Informatics (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开一种地质灾害隐患立体识别方法、系统及介质,涉及地质灾害隐患识别领域,所述识别方法包括:对目标区域进行三维场景重建,确定三维地形数据;确定目标区域的区域特征信息;将三维地形数据输入地质灾害隐患识别模型后得到地质灾害隐患识别结果,将地质灾害隐患识别结果输入地质灾害隐患承灾体识别模型后得到地质灾害承灾体;根据地质灾害隐患识别结果和地质灾害承灾体确定隐患对应关系集合;基于三维地形数据,根据区域特征信息和隐患对应关系集和确定三维立体标识;根据三维立体标识对地灾隐患识别结果进行分析,确定目标区域当前的地灾隐患识别数据;本发明能够减少地质灾害隐患漏判、误判情况,提高地质灾害隐患识别准确率。
Description
技术领域
本发明涉及地质灾害隐患识别领域,特别是涉及一种地质灾害隐患立体识别方法、系统及介质。
背景技术
地质灾害会对人类生命和财产安全造成严重威胁,因此,准确识别和评估地质灾害隐患具有重要意义。传统的地质灾害隐患识别方法主要依赖人工判断,存在主观性强、准确性差的问题。
发明内容
本发明的目的是提供一种地质灾害隐患立体识别方法、系统及介质,能够减少地质灾害隐患漏判、误判情况,提高地质灾害隐患识别准确率。
为实现上述目的,本发明提供了如下方案:
一种地质灾害隐患立体识别方法,包括:
获取目标区域当前的遥感数据、地理信息数据、地质勘探数据;
根据所述遥感数据、所述地理信息数据和所述地质勘探数据对所述目标区域进行三维场景重建,确定三维地形数据;
对所述遥感数据、所述地理信息数据和所述地质勘探数据进行筛选,确定所述目标区域的区域特征信息;所述区域特征信息,包括:地形发育程度数据、地质构造信息数据、水文特征数据、土壤数据和地质灾害隐患区域数据;所述区域特征信息的类型是根据隐患立体识别规则知识库对目标地区的历史地质灾害数据进行分析确定的;所述隐患立体识别规则知识库,包括:多个地质特征以及每个地质特征对应的识别方法和识别依据;所述地质特征包括:地形特征、色彩特征、形态特征、规模特征、几何特征、边界特征、表部特征、稳定性特征、形变面积、年平均形变速率区间、形变特征、光谱易发性特征和潜在威胁对象;
将所述三维地形数据输入地质灾害隐患识别模型,对所述目标地区的地质灾害隐患区域进行识别分析,确定地质灾害隐患识别结果;
将所述地质灾害隐患识别结果输入地质灾害隐患承灾体识别模型进行识别分析,确定地质灾害承灾体;
根据所述地质灾害隐患识别结果和所述地质灾害承灾体之间的空间分布,确定隐患对应关系集合;所述隐患对应关系集合,包括:所述地质灾害隐患识别结果中的地质灾害和相应的所述地质灾害承灾体中的承灾体的对应关系;
基于所述三维地形数据,根据所述区域特征信息和所述隐患对应关系集合,确定三维立体标识;
根据所述三维立体标识对所述地质灾害隐患识别结果进行分析,确定目标区域当前的地灾隐患识别数据;所述地灾隐患识别数据用于表征所述目标区域的地灾隐患的类型、分布范围和发育程度。
为实现上述目的,本发明还提供了其他方案:
一种地质灾害隐患立体识别系统,包括:
数据获取模块,用于获取目标区域当前的遥感数据、地理信息数据、地质勘探数据;
三维地形确定模块,用于根据所述遥感数据、所述地理信息数据和所述地质勘探数据对所述目标区域进行三维场景重建,确定三维地形数据;
区域特征确定模块,用于对所述遥感数据、所述地理信息数据和所述地质勘探数据进行筛选,确定所述目标区域的区域特征信息;所述区域特征信息,包括:地形发育程度数据、地质构造信息数据、水文特征数据、土壤数据和地质灾害隐患区域数据;所述区域特征信息的类型是根据隐患立体识别规则知识库对目标地区的历史地质灾害数据进行分析确定的;所述隐患立体识别规则知识库,包括:多个地质特征以及每个地质特征对应的识别方法和识别依据;所述地质特征包括:地形特征、色彩特征、形态特征、规模特征、几何特征、边界特征、表部特征、稳定性特征、形变面积、年平均形变速率区间、形变特征、光谱易发性特征和潜在威胁对象;
地质灾害隐患识别结果确定模块,用于将所述三维地形数据输入地质灾害隐患识别模型,对所述目标地区的地质灾害隐患区域进行识别分析,确定地质灾害隐患识别结果;
地质灾害承灾体确定模块,用于将所述地质灾害隐患识别结果输入地质灾害隐患承灾体识别模型进行识别分析,确定地质灾害承灾体;
地质灾害隐患对应关系集合确定模块,用于根据所述地质灾害隐患识别结果和所述地质灾害承灾体之间的空间分布,确定隐患对应关系集合;所述隐患对应关系集合,包括:所述地质灾害隐患识别结果中的地质灾害和相应的所述地质灾害承灾体中的承灾体的对应关系;
三维立体标识确定模块,用于基于所述三维地形数据,根据所述区域特征信息和所述隐患对应关系集合,确定三维立体标识;
地灾隐患识别数据确定模块,用于根据所述三维立体标识对所述地灾隐患识别结果进行分析,确定目标区域当前的地灾隐患识别数据;所述地灾隐患识别数据用于表征所述目标区域的地灾隐患的类型、分布范围和发育程度。
一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现所述的地质灾害隐患立体识别方法。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明实施例,通过结合遥感数据、地理信息数据和地质勘探数据,实现了对地质灾害隐患的立体识别和分析,所述立体识别方法充分利用多源数据和高新技术,能够减少地质灾害隐患漏判、误判情况,提高识别的准确性和效率,为地质灾害的监测、预警和防灾减灾提供了可靠的技术支持。
附图说明
图1为本发明实施例公开的一种地质灾害隐患立体识别方法流程图;
图2为本发明实施例公开的立体识别多维数据库的构建流程图;
图3为本发明实施例公开的地质灾害隐患三维场景重建流程图;
图4为本发明实施例公开的地质灾害隐患智能识别融合示意图;
图5为本发明实施例公开的人机协同验证与优化流程示意图;
图6为本发明实施例公开的InSAR形变区立体识别标识示意图;
图7为本发明实施例公开的滑坡立体识别标识示意图。
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做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。
本发明的目的是提供一种地质灾害隐患立体识别方法、系统及介质,通过利用多源数据和高新技术,能够减少地质灾害隐患漏判、误判情况,提高识别的准确性和效率。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明实施例公开一种地质灾害隐患立体识别方法。所述立体识别方法包括:
S1:获取目标区域当前的遥感数据、地理信息数据、地质勘探数据。
S2:根据所述遥感数据和所述地理信息数据对所述目标区域进行三维场景重建,确定三维地形数据。
S3:对所述遥感数据、所述地理信息数据和所述地质勘探数据进行筛选,确定所述目标区域的区域特征信息。
所述区域特征信息,包括:地形发育程度数据、地质构造信息数据、水文特征数据、土壤数据和地质灾害隐患区域数据。
所述区域特征信息的类型是根据隐患立体识别规则知识库对目标地区的历史地质灾害数据进行分析确定的。
所述隐患立体识别规则知识库,包括:多个地质特征以及每个地质特征对应的识别方法和识别依据;所述地质特征包括:地形特征、色彩特征、形态特征、规模特征、几何特征、边界特征、表部特征、稳定性特征、形变面积、年平均形变速率区间、形变特征、光谱易发性特征和潜在威胁对象。
S4:将所述三维地形数据输入地质灾害隐患识别模型,对所述目标地区的地质灾害隐患区域进行识别分析,确定地质灾害隐患识别结果。
S5:将所述地质灾害隐患识别结果输入地质灾害隐患承灾体识别模型进行识别分析,确定地质灾害承灾体。
S6:根据所述地质灾害隐患识别结果和所述地质灾害承灾体之间的空间分布,确定隐患对应关系集合。所述隐患对应关系集合,包括:所述地质灾害隐患识别结果中的地质灾害和相应的所述地质灾害承灾体中的承灾体的对应关系。
S7:基于所述三维地形数据,根据所述区域特征信息和所述隐患对应关系集合,确定三维立体标识。
S8:根据所述三维立体标识对所述地质灾害隐患识别结果进行分析,确定目标区域当前的地灾隐患识别数据。所述地灾隐患识别数据用于表征所述目标区域的地灾隐患的类型、分布范围和发育程度。
根据实施例公开的立体识别方法,接下来对地质灾害隐患立体识别过程中的各步骤进行详细解释。
参照图2,S1具体包括:S11:获取所述目标区域当前的初始遥感数据、初始地理信息数据和初始地质勘探数据。其中,获取的初始遥感数据为目标区域高分辨率遥感数据,包括卫星光学遥感图像、多光谱遥感图像、航空激光点云、雷达卫星影像等;获取的初始地理信息数据,包括数字高程模型(Digital Elevation Model,DEM)、地形图、土地利用数据等;获取的地质勘探数据,包括钻孔数据、岩石采样数据、文水数据等。
S12:根据傅立叶变换算法对所述初始遥感图像进行预处理,得到正射影像数据。
S13:根据统计滤波算法、特征匹配算法、高斯滤波算法和分割算法对所述初始地理信息数据进行预处理,得到通用点云数据。
S14:根据差分干涉测量短基线集时序分析技术对所述初始地质勘探数据进行预处理,得到形变序列数据。
S15:将所述正射影像数据、所述通用点云数据和所述形变序列数据进行数据对齐和数据变换,得到空间分辨率一致的同类数据资源。
S16:根据带有PostGIS空间扩展的PostgreSQL关系型数据库存储所述同类数据资源,并将存储所述同类数据资源的PostgreSQL关系型数据库确定为立体识别多维数据库。
S17:从所述立体识别多维数据库中获取所述遥感数据、所述地理信息数据和所述地质勘探数据。
具体地,针对初始遥感数据,采用傅立叶变换算法进行噪声消除,采用直方图最小值去除算法进行辐射校正,采用FLASSH大气校正算法进行大气校正,采用仿射变换法算法进行空间配准等操作,得到正射影像数据。针对初始地理信息数据,采用统计滤波算法去除噪声点,采用地面控制点校正畸变,采用特征匹配算法进行点云配准,采用高斯滤波算法去除不需要的细节,采用RANSAC分割算法去除地面点,得到OBJ格式的通用点云数据。针对初始地质勘探数据,采用差分干涉测量短基线集时序分析技术生成多主影像的序列干涉图,经过空间滤波、相位解缠、噪声相位估计与去除等操作,得到形变序列数据。
结合图2,考虑到数据质量、时空特性、精度要求和计算资源等因素,将经过预处理,具有多来源、多尺度、多时相特征的多维数据资源(即正射影像数据、通用点云数据和形变序列数据)进行数据对齐、数据变换、存储管理、质量控制等环节完成数据资源融合,构建立体识别特征数据库。
数据对齐即将多维数据资源统一投影到CGCS2000(China Geodetic CoordinateSystem 2000,中国2000大地坐标系统)中。数据变换即通过数据插值、裁剪、重采样等方法,将同类数据资源调整到一致的空间分辨率通过建立带有PostGIS空间扩展的PostgreSQL关系型数据库实现数据资源的存储管理。检查数据准确性、一致性和完整性,达成对于数据的质量控制要求。
S2具体包括:S21:将所述地理信息数据输入不规则三角形格网模型,构建所述目标区域的地形轮廓。
S22:利用球面纹理坐标参数化算法,根据所述遥感数据在所述目标区域的地形轮廓进行纹理映射,确定三维地形数据。
结合图3,通过S2实现地质灾害隐患三维场景重建步骤如下:
地形建模:将地理信息数据转化为DEM数据,进而将转化得到的DEM数据转换到到需要的坐标系,应用TIN(Triangulated Irregular Network,不规则三角网路)模型构建地形轮廓。
其中TIN模型如下:
。
其中,式中,a、b、c为从原始空间数据中生成的三角形顶点,并且生成的三角形符合非重叠、非相交,能够覆盖整个原始数据的TIN模型建立要求;P表示插值点,P的选择需要考虑到数据的空间分布,以及插值结果的准确性和可靠性;、/>、/>分别表示对应的三角形顶点a、b、c的高程值;/>、/>、/>表示根据P到三角形顶点a、b、c的距离计算得到的权重,计算公式如下:
。
。
。
、/>、/>分别表示P到三角形顶点a、b、c的距离。
在构建过程中通过综合考虑DEM的分辨率、数据密度和地形特征的复杂性,来调整插值参数,以获得最真实地形效果;对生成的高程模型还要进行后处理,包括去除悬崖、平滑地表、填充洼地等操作,以确保地形模型的质量和可用性。
纹理映射:将遥感数据转换到和所述DEM数据相同的坐标系和投影,利用球面纹理坐标参数化算法计算出DEM数据的每个点的球面坐标,再计算球面点在遥感数据上的纹理坐标,最后根据对应关系将影像纹理应用到对应的DEM数据的各个点,从而实现在地表模型上创建了纹理映射。
球面纹理坐标参数化算法原理如下:
使用极角和方位角表示一个点在球面的位置,映射公式为:
。
。
其中,u表示U分量,通常与方位角有关,范围通常是[0,1];v表示V分量,通常与极角有关,范围通常是[0,1];phi表示点的方位角,theta表示点的极角,其中方位角表示从球心到点的矢量在球面上的投影与球面上的一个参考方向之间的夹角,极角表示从球心到点的矢量与球面北极点之间的夹角。
S3具体包括:S31:根据数字高程模型基于GIS软件的空间分析功能确定所述目标区域的地形发育程度数据。
S32:根据地质图层数据确定所述目标区域的地质构造信息数据。
S33:根据降雨量数据和地下水变化数据确定所述目标区域的水文特征数据。
S34:根据土壤调查数据确定所述目标区域的土壤数据;所述土壤数据包括:土壤类型地理空间分布特征数据和岩石力学测试数据。
S35:利用光学遥感数据,通过图像处理和分析技术,确定所述目标区域的地质灾害隐患区域数据。
S36:根据所述地形发育程度数据、所述地质构造信息数据、所述水文特征数据、所述土壤数据和所述地质灾害隐患区域数据确定所述目标区域的区域特征信息。
具体地,目标区域地质灾害隐患的的特征提取是通过隐患立体识别规则知识库对目标地区的历史地质灾害数据进行分析得到的区域特征类型,再根据所述地质勘探数据进行筛选,提取出能够反映地质灾害隐患程度和风险的特征信息。
利用数字高程模型基于GIS软件的空间分析功能分析地形坡度、坡向、地形湿润指数等,反映地形发育程度数据。
通过解析地质图层数据,提取区域内的断裂、错动、皱褶等地质构造信息数据。使用GIS工具和地质图层数据,查找断裂带的位置,并确定其走向和倾向,断裂通常表现为地质地图上的线性特征。通过比较相邻地层的位置和角度变化来检测错动带,错动通常表现为地质图上的偏移或错位。利用地质图中的地层数据,识别和描述地质皱褶的形状、大小和方向。
通过分析降雨量数据和地下水变化信息,提取关于地表水和地下水的水文特征数据。通过绘制时间序列图来观察降雨和地下水位的变化趋势,可确定是否存在季节性、年度周期性或趋势性的变化。
利用土壤调查数据分析数据基于GIS软件的分析功能获取土壤类型在地理空间上的分布特征,并收集岩石力学测试数据,获得目标地区的土壤数据。
利用高分辨率光学遥感数据,通过图像处理和分析技术,提取出地质灾害隐患区域的特征,确定地质灾害隐患区域数据。例如,通过滤波、边缘检测、纹理分析、对比度增强、模式识别、图像分割等方法,提取出地质灾害边界、裂隙、滑坡体等特征、承灾体范围等特征。利用合成孔径雷达(SAR)数据通过相位差分干涉法和振幅差分法检测地表形变。利用LiDAR数据展示植被等地表因素之外的实际地形情况。
目标区域地质灾害隐患的的特征提取过程中的隐患立体识别规则知识库,是为规范地质灾害隐患综合解译逻辑,提供的一种可依据遵循的识别方法。基于专家经验知识规则与多源遥感主要识别过程,通过联合立体识别特征数据库,构建隐患立体识别知识库,解译人员可在知识规则逻辑驱动下快速开展地灾隐患识别,实现从完全主观到半定量化的识别过程。见表1,本发明立体识别方法从光学遥感、雷达遥感、多光谱遥感三个维度以高精度实景三维场景承载对象,建立主要涵盖地形特征、色彩特征、形态特征、规模特征、几何特征、边界特征等13个识别特征方面的特征规则知识库。
表1 立体识别特征知识库
序号 | 识别特征 | 识别依据 | 识别方法 |
1 | 地形特征 | 数字高程模型 | 例如判断起始高程、终止高程、高差。 |
2 | 色彩特征 | 光学遥感图像 | 从色彩角度识别,例如解译区影像呈浅绿色、灰绿色、黄绿色、灰色。 |
3 | 形态特征 | 光学遥感图像 | 从纹理的连续性识别,例如长条状、舌状、簸箕状、圈椅状。 |
4 | 规模特征 | 光学遥感图像雷达卫星影像 | 根据面积划分,例如,巨型、大型、中型和小型。 |
5 | 几何特征 | 数字高程模型 | 滑坡:坡顶至坡底纵向长度,滑坡两侧边界横向宽度;崩塌:危岩体至崩塌堆积区高差,崩塌范围两侧宽度;泥石流:该泥石流流域长度,最宽处距离,流域纵降比(流域高程差/流域最长水系长度*1000‰)。 |
6 | 边界特征 | 光学遥感图像 | 滑坡:前缘隆起凸出、挤压河道、挤压公路;后缘局部下错(后壁明显、后部凹陷),侧缘边界清晰,具双沟同源现象。崩塌:崩塌源区(危岩)呈菱形、带状,位于陡崖处;泥石流:泥石流隐患点前缘堆积区是否位于河谷口,是否具扇形堆积物质,判断流通区物源是否丰富,判断流通区(沟道)堆积物质状态。 |
7 | 表部特征 | 光学遥感图像航空激光点云土地利用数据 | 滑坡:坡表多开垦为耕地,整体呈黄褐色,有分散农户分布,坡体表面可见鼓丘,发育冲沟,分散农户分布,具备临空条件;崩塌:崩源区岩体破碎,斜坡表面可见XX处落石垮塌。泥石流:物源区可见多处松散堆积及小型滑坡。 |
8 | 稳定性特征 | 地质勘探数据 | 通过地质专业资料综合判断。 |
9 | 形变面积 | 雷达卫星影像 | 隐患区域面积(单位:万m2)。 |
10 | 年平均形变速率区间 | 雷达卫星影像 | 隐患区内形变速率区间(单位:mm/a)。 |
11 | 形变特征 | 雷达卫星影像 | 隐患区内累积形变量(单位:mm/a)。 |
12 | 光谱易发性特征 | 多光谱遥感图像 | 由机器学习算法,通过卷积神经网络,自动辨识地灾隐患易发区域。 |
13 | 潜在威胁对象 | 地形图土地利用数据 | 场镇、学校、聚居区、工矿、散户、铁路、高速公路、国道、省道、县道、水利和景区。 |
在S4中,所述地质灾害隐患识别模型是基于光谱数据、地形特征数据和降雨量特征数据,对深度卷积神经网络模型训练得到的。
所述深度卷积神经网络模型的训练过程,具体包括:
S41:根据实验区域的光谱信息和可见光纹理色彩信息确定光谱数据。
S42:基于数字高程模型,根据所述实验区域的地理因子确定地形特征数据。
S43:根据实验区域的气象网络数据确定降雨量特征数据。
S44:对所述光谱数据、所述地形特征数据和所述降雨量特征数据进行重采样和波段融合,确定样本图样数据集。
S45:根据所述样本图样数据集进行解译和标识,确定样本标签数据集。
S46:将所述样本图样数据集和所述样本标签数据集输入深度卷积神经网络模型进行训练,确定所述地质灾害隐患识别模型。
具体地,本发明立体识方法以多光谱遥感图像作为数据来源,基于三维重建结果和地质专家先验知识,采用机器学习、深度学习等算法,实现了对地质灾害隐患区域进行识别和分类。可以使用监督学习方法,通过训练样本进行模型训练,或者采用无监督学习方法进行聚类分析,实现地质灾害隐患的自动识别与分类。
首先建立覆盖大气、植被、土壤等光谱信息和可见光纹理色彩信息的光谱通道数据集D1,见表2,其中D1={B1,B2…B12}。
其次基于高精度数字高程模型,提取高程、坡度、坡向个典型地理因子,构建监测范围内高精度数据地形特征数据集D2,见表3,其中D2={B13,B14,B15}。
表2 光谱通道数据集构成
表3 地形特征数据集构成
然后获取气象网络大数据,提取气象站在D1时相下的降雨量信息,通过Kriging、IDW、Spline等方法进行插值,形成分辨率50米的降雨量特征数据集D3,见表4,其中D3={B16}。
表4 降雨量特征数据集构成
见表5,最后经过对多维数据集进行重采样、波段融合,像素位深归一化至8bit,分辨率统一重采样至10米,坐标系重投影到CGCG2000,得到适用于机器学习样本图像数据集D,其中D={D1,D2,D3},是D1、D2和D3的并集。
以数据集D为基础,由地质专家进行预先人工解译,将地质灾害易发区域进行标识,得到样本标签数据集L。
表5 机器学习样本图像数据集格式
将样本图像数据集D和样本标签数据集L作为输入,经过深度卷积神经网络训练,即可得到具备典型地质灾害隐患识别能力的CNN预训练模型-地质灾害隐患识别模型。通过预训练模型对监测范围进行大规模预测推理,提供了一套完整的机器智能隐患识别结果,该成果可以直接用于地质灾害隐患易发性评价和危险性评价。
在S5中,所述地质灾害隐患承灾体识别模型是基于承灾体样本数据,对深度卷积神经网络模型训练得到的。
所述深度卷积神经网络模型的训练过程,具体包括:
S51:根据卷积神经网络模型和分割模型提取实验区域的承灾体样本数据;所述承灾体样本数据,包括:建筑物、道路和桥梁。
S52:对所述承灾体样本数据进行标注,得到承灾体训练数据。
S53:根据所述承灾体样本数据的遥感特征,确定分类识别知识规则。
S54:将所述承灾体训练数据和所述分类识别知识规则输入深度卷积神经网络模型进行训练,确定所述地质灾害隐患承灾体识别模型。
地质灾害隐患承灾体识别内容包括承灾体分类样本数据集的建立、深度学习模型训练、承灾体识别分析、结果评估与优化。接下来对地质灾害隐患承灾体识别模型的构建过程做进一步的详细说明。
第一步,承灾体分类样本数据集的建立:采用深度学习方法的卷积神经网络模型和分割模型提取出具有代表性的地质灾害隐患承灾体的样本数据,例如居民建筑物、公共设施和道路桥梁等承灾体,对这些样本数据进行标注,使其成为有监督的训练样本。提取不同承灾体光学遥感影像选择包括光学遥感影像像素颜色、亮度、纹理等特征来识别承灾体,形成分类识别知识规则。
第二步,深度学习模型训练:利用标注好的样本数据训练模型。经过长周期优化训练,得到深度神经网络预训练模型,即地质灾害隐患承灾体识别模型。
第三步,承灾体识别分析:将地质灾害隐患承灾体识别模型应用于遥感影像数据,通过对滑坡、崩塌、泥石流、地面沉降、地面塌陷等隐患点和居民建筑物、公共设施、土地资源、道桥等不同承灾体进行分类和提取,实现隐患点与承灾体空间快速信息识别。
在通过S4确定地质灾害隐患识别结果,通过S5确定地质灾害承灾体后,S6中,已知根据S4得到的地质灾害隐患识别结果,可以判断目标区域的遥感影像中的像素是否属于某一类隐患,根据S5得到的地质灾害承灾体,可以判断像素是否属于承灾体,通过地质灾害隐患自动化坡向分析、空间相邻关系分析,进一步分析地质灾害隐患和承灾体识别结果的分布空间分布情况,建立识别结果与承灾体对应关系,如识别结果没有对应的承灾体,表示该识别结果不具有危险性。
S7具体包括:S71:将所述区域特征信息和所述隐患对应关系集合,输入WFS标准地图服务系统,得到第一地图数据。
S72:将LiDAR、光学与雷达数据、地质灾害隐患推测图斑进行坐标匹配,并输入WMTS标准地图服务系统,得到第二地图数据。
S73:基于所述三维地形数据,将所述第一地图数据和所述第二地图数据进行叠加渲染,根据地质灾害隐患场景确定三维立体标识。
遥感解译标志是指用于对遥感图像进行识别和解译的一系列判别特征要素。这些标志来源于不同的数据源,根据地表目标的特征形成,并构成解译判读的依据。
具体地,隐患特征三维立体表达步骤如下:
(1)以S3得到的区域特征信息和S6得到的隐患对应关系集合作为数据输入,按照WFS标准地图服务进行在线发布,得到C1。
(2)将LiDAR、光学与雷达数据、疑似地质灾害隐患图斑进行坐标匹配,同时按照WMTS标准地图服务进行在线发布,得到C2。
(3)在步骤3的三维场景中将C1和C2进行叠加渲染,根据地质灾害隐患的具体场景,按照滑坡、崩塌、泥石流、地面塌陷、地裂缝等类型进行三维立体标识的建立。
见表6,传统解译标志的建立主要依赖光学遥感图像,通过对地表目标在不同波段的光谱特征进行判读,形成解译标志库。这种单一的数据源及方法在一定时期发挥了重要作用,但随着对地观测技术的发展,其局限性也日益明显。仅从二维光学图像的色调、纹理等特征进行判别,难以全面反映目标的三维结构信息,对遮挡严重区域的识别效果欠佳,识别准确率有限。
表6 传统解译标志对照表
见表7,本申请立体识别方法中,基于LiDAR、光学与雷达数据融合得到的三维立体识别标志,具有以下特点:首先,三维立体标志提供了目标完整和逼真的三维空间信息,克服了传统二维图像解译常面临的遮挡问题,可实现对复杂地形条件下地表目标的全面观测,大大提升了识别和解译的准确性;其次,多源异构数据的有机融合,实现了对地表目标的全方位描述,各数据的优势能够互补,不同的信息来源可相互验证,进一步提升解译结果的精度和可靠性;再次,三维数据支持定量化分析手段,可以精确计算目标的三维坐标、高程、体积等参数,实现对隐患点立体尺寸的准确测量,达到传统二维信息难以企及的效果;最后,三维特征库的建立奠定了自动识别和智能分类的基础,可实现对复杂地形下隐患点的机器判读,大幅减少人工解译量,使解译工作实现智能化和信息化,符合技术发展的方向,将遥感解译能力提高一个大台阶。
表7 三维立体标志对照表
S8中对地灾隐患识别结果进行分析具体包括:根据三维立体标识在三维场景中对目标区域地灾隐患识别结果进行统计分析。梳理地灾隐患的类型、分布范围、发育程度等,形成规范的识别结果数据集。
梳理地灾隐患类型,具体包括每种地灾隐患类型的数量、占比、数量占比最大的地灾隐患类型等;统计各个地灾隐患图斑的分布范围,具体包括面积计算,四至,高程等;统计各个地灾隐患的发育程度,包括弱发育、中等发育、强发育。
参照图4,地质灾害隐患遥感识别监测对监测的时效性和监测内容的完整性提出更高的要求,但传统遥感解译技术主要依赖人机交互目视解译,在处理时效、解译精度和数据价值挖掘方面存在不足。InSAR解译基于雷达相位变化,光学解译侧重于色彩纹理,AI机器智能识别基于光谱建模的数值运算,通过将三种解译方式融合应用,可以大幅提升地质灾害隐患识别准确率,以及提高地灾隐患识别结果的识别效率。
进一步地,在确定目标区域当前的地灾隐患识别数据之后,所述地质灾害隐患立体识别方法,还包括:
S81:根据三维地形数据对所述地灾隐患识别数据进行统计分析,确定识别结果数据集。
S82:根据所述识别结果数据集,筛选错识、漏识地灾隐患图斑,得到修正地灾隐患数据。
S83:将所述修正地灾隐患数据加入所述承灾体训练数据,得到修正后承灾体训练数据。
S84:将修正后承灾体训练数据输入深度卷积神经网络模型进行训练,确定修正后地质灾害隐患承灾体识别模型。
具体地,参照图5,在确定目标区域当前的地灾隐患识别数据之后,还需要修正错识和漏识的地灾隐患图斑。
若地灾隐患类型识别错误,如某些区域的坍塌和崩塌容易混淆,经过人工判读,则对其属性信息进行修改。若地灾隐患范围不符合实际情况,则通过作业终端动态解译插件,再次进行小范围动态识别;在此基础上,进行边界采集编辑,得到符合生产要求的解译结果。若识别结果有遗漏,则通过人工新增采集得到符合生产要求的解译结果。
在修正之后,整理错识和漏识图斑,将其纳入训练样本。将错误识别的地灾隐患图斑作为负类样本更新到S4深度卷积神经网络模型的训练过程中的样本标签数据集中。将遗漏识别的地灾隐患图斑作为正类样本更新到步骤S4深度卷积神经网络模型的训练过程中样本标签数据集中。
具备相关知识和经验的生产人员,直接基于计算机解译结果,对识别结果进行验证和优化,可以降低时间成本,提高工作效率。通过与系统交互,对识别结果进行验证和修正,以提高识别的准确性和可靠性,这种人机协同的方式能够充分利用专业知识,进一步优化识别结果。
为了使本发明公开的所述立体识别方法更为浅显易懂,本发明还提供了一下实施例:以某一试验区域的地质灾害隐患遥感识别监测为例,所述试验区域包括建筑物、道路、桥梁等多种人为建筑,还包括山体、丘陵、河流等多种自然地貌,本发明的实施步骤如下:
获取覆盖试验区域的光学遥感影像、多光谱遥感影像、航空激光点云数据、雷达卫星影像和数字高程模型数据等多源遥感影像;收集道路、房屋、水系以及包括市州、区县、乡镇和村级四级行政区划在内的基础地理信息数据;收集地层岩性、地质构造、土壤类型表征的地质勘探数据。将以上三类数据源的空间数学基础统一至国家2000大地坐标系,融合处理形成试验区域立体识别特征数据库。
进一步分析试验区域立体识别特征数据库承载的多源数据,从光学遥感、雷达遥感、多光谱遥感三个维度,建立涵盖地形特征、色彩特征、形态特征、规模特征、几何特征、边界特征、表部特征、稳定性特征、形变面积、年平局形变速率区间、形变特征、光谱易发性特征和潜在威胁对象等13个特征规则的试验区域立体识别规则知识库。
以浏览器为媒介,根据试验区域立体识别特征数据库重建试验区域的三维立体场景,搭建地质灾害隐患立体识别系统。各类数据服务包括地形高程服务、基础影像服务、InSAR干涉影像服务、LiDAR数据服务以及基础数据服务等,其中地形高程服务源于数字高程模型数据,表征地形高低起伏;基础影像服务源于高分辨光学遥感影像,表征光学区域形态;InSAR干涉影像服务源于不同InSAR技术处理成果干涉影像图,表征形变形态;LiDAR数据服务源于激光点云处理成果,表征植被等地表因素之外的实际地形情况;基础数据服务源于基础地理信息数据和地址勘探数据,表征区域基础地理情况和地层以及地质相关情况。
三维场景下需构建相应的三维立体识别标志,以期能基于专家经验知识更加准确高效地识别地质灾害隐患点。
参照图6,InSAR形变区立体识别标识以变形的空间分布和量值为主要依据,辅助高精度光学遥感影像进行遥感解译识别,主要体现在干涉形变图的图斑颜色、分布密度、位置等方面,并结合地形坡度、地貌形态等地理条件。
遥感影像解译标志主要通过识别目标物及其性质和相互关系的影像特征,如形状、大小、色调、阴影、纹理等。解译标志又可分为直接解译标志和间接解译标志,凡根据地物或自然现象本身所反映的影像特征可以直接判断目标物及其性质的标志称为直接解译标志,如形状、大小、色调等;凡是通过与某地物有内在关系的一些现象在影像上反映出来的特征,间接推断某一地物属性及自然现象的标志,称为间接解译标志,如地貌、水系、植物等。
参照图7,滑坡立体识别标识主要包括形态、色调、纹理等方面。滑坡在遥感判释时除了对滑坡体本身进行判释外,还要对地层岩性、地质构造、植被发育程度等周边地质环境进行判释。
崩塌立体识别标识主要包括崩塌下部堆积体和上部危岩体。
泥石流立体识别标识主要包括流域内松散物源分布情况和沟口是否有老的泥石流堆积物两方面。
分别从三个维度进行地质灾害隐患点的遥感识别监测。其中利用已训练好的地质灾害隐患立体识别模型,对提取到的特征进行分类和分析,识别地质灾害隐患区域,共识别出滑坡隐患点203处。采用Staking-InSAR 和SBAS-InSAR 技术手段得到InSAR干涉图,将InSAR干涉图基于InSAR立体识别标识进行图像分类识别出地质灾害隐患395处,其中滑坡375处、崩塌13处、泥石流7处。利用高分一号、高分二号、高分六号等优于2米分辨率卫星影像基于三维立体场景参考光学影像立体识别标识进行光学解译,共解译识别出地质灾害隐患226处,其中滑坡173处、崩塌41处、泥石流12处。
充分分析机器提取结果、InSAR处理结果和光学遥感特征,基于地质灾害隐患遥感立体识别系统,通过人机交互的方式,对识别结果进行验证和修正,根据地质学专业知识利用综合遥感手段共识别出地质灾害隐患621处,其中滑坡548处、崩塌54处、泥石流19处。
分析最终遥感识别监测结果,从灾害类型看,以滑坡数量最多。从InSAR探测、光学识别以及机器智能感知技术手段看,InSAR探测和机器智能感知在滑坡识别方面效果更好,崩塌和泥石流灾害则更多依赖光学影像。
基于本发明提供的方法,本发明还提供一种地质灾害隐患立体识别系统,包括:数据获取模块、三维地形确定模块、区域特征确定模块、地质灾害隐患识别结果确定模块、地质灾害承灾体确定模块、三维立体标识确定模块和地灾隐患识别数据确定模块。
所述数据获取模块用于获取目标区域当前的遥感数据、地理信息数据、地质勘探数据。
所述三维地形确定模块用于根据所述遥感数据和所述地理信息数据对所述目标区域进行三维场景重建,确定三维地形数据。
所述区域特征确定模块用于对所述遥感数据、所述地理信息数据和所述地质勘探数据进行筛选,确定目标区域的区域特征信息。
所述区域特征信息,包括:地形发育程度数据、地质构造信息数据、水文特征数据、土壤数据和地质灾害隐患区域数据;所述区域特征信息的类型是根据隐患立体识别规则知识库对目标地区的历史地质灾害数据进行分析确定的;所述隐患立体识别规则知识库,包括:多个地质特征以及每个地质特征对应的识别方法和识别依据;所述地质特征包括:地形特征、色彩特征、形态特征、规模特征、几何特征、边界特征、表部特征、稳定性特征、形变面积、年平均形变速率区间、形变特征、光谱易发性特征和潜在威胁对象。
所述地质灾害隐患识别结果确定模块,用于将所述三维地形数据输入地质灾害隐患识别模型,对所述目标地区的地质灾害隐患区域进行识别分析,确定地质灾害隐患识别结果。
所述地质灾害承灾体确定模块用于将所述地质灾害隐患识别结果输入地质灾害隐患承灾体识别模型进行识别分析,确定地质灾害承灾体。
所述地质灾害隐患对应关系集合确定模块用于根据所述地质灾害隐患识别结果和所述地质灾害承灾体之间的空间分布,确定隐患对应关系集合。所述隐患对应关系集合,包括:所述地质灾害隐患识别结果中的地质灾害和相应的所述地质灾害承灾体中的承灾体的对应关系。
所述三维立体标识确定模块用于基于所述三维地形数据,根据所述区域特征信息和所述隐患对应关系集合,确定三维立体标识。
所述地灾隐患识别数据确定模块用于根据所述三维立体标识对所述地灾隐患识别结果进行分析,确定目标区域当前的地灾隐患识别数据;所述地灾隐患识别数据用于表征所述目标区域的地灾隐患的类型、分布范围和发育程度。
进一步地,本发明还提供一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例所述的地质灾害隐患立体识别方法。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)读取,进而执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种地质灾害隐患立体识别方法,其特征在于,包括:
获取目标区域当前的遥感数据、地理信息数据和地质勘探数据;
根据所述遥感数据和所述地理信息数据对所述目标区域进行三维场景重建,确定三维地形数据;
对所述遥感数据、所述地理信息数据和所述地质勘探数据进行筛选,确定所述目标区域的区域特征信息;所述区域特征信息,包括:地形发育程度数据、地质构造信息数据、水文特征数据、土壤数据和地质灾害隐患区域数据;所述区域特征信息的类型是根据隐患立体识别规则知识库对目标地区的历史地质灾害数据进行分析确定的;所述隐患立体识别规则知识库,包括:多个地质特征以及每个地质特征对应的识别方法和识别依据;所述地质特征包括:地形特征、色彩特征、形态特征、规模特征、几何特征、边界特征、表部特征、稳定性特征、形变面积、年平均形变速率区间、形变特征、光谱易发性特征和潜在威胁对象;
将所述三维地形数据输入地质灾害隐患识别模型,对所述目标地区的地质灾害隐患区域进行识别分析,确定地质灾害隐患识别结果;
将所述地质灾害隐患识别结果输入地质灾害隐患承灾体识别模型进行识别分析,确定地质灾害承灾体;
根据所述地质灾害隐患识别结果和所述地质灾害承灾体之间的空间分布,确定隐患对应关系集合;所述隐患对应关系集合,包括:所述地质灾害隐患识别结果中的地质灾害和相应的所述地质灾害承灾体中的承灾体的对应关系;
基于所述三维地形数据,根据所述区域特征信息和所述隐患对应关系集合,确定三维立体标识;
根据所述三维立体标识对所述地质灾害隐患识别结果进行分析,确定目标区域当前的地灾隐患识别数据;所述地灾隐患识别数据用于表征所述目标区域的地灾隐患的类型、分布范围和发育程度。
2.根据权利要求1所述的地质灾害隐患立体识别方法,其特征在于,所述地质灾害隐患识别模型是基于光谱数据、地形特征数据和降雨量特征数据,对深度卷积神经网络模型训练得到的;
所述深度卷积神经网络模型的训练过程,具体包括:
根据实验区域的光谱信息和可见光纹理色彩信息确定光谱数据;
基于数字高程模型,根据所述实验区域的地理因子确定地形特征数据;
根据实验区域的气象网络数据确定降雨量特征数据;
对所述光谱数据、所述地形特征数据和所述降雨量特征数据进行重采样和波段融合,确定样本图样数据集;
根据所述样本图样数据集进行解译和标识,确定样本标签数据集;
将所述样本图样数据集和所述样本标签数据集输入深度卷积神经网络模型进行训练,确定所述地质灾害隐患识别模型。
3.根据权利要求1所述的地质灾害隐患立体识别方法,其特征在于,所述地质灾害隐患承灾体识别模型是基于承灾体样本数据,对深度卷积神经网络模型训练得到的;
所述深度卷积神经网络模型的训练过程,具体包括:
根据卷积神经网络模型和分割模型提取实验区域的承灾体样本数据;所述承灾体样本数据,包括:建筑物、道路和桥梁;
对所述承灾体样本数据进行标注,得到承灾体训练数据;
根据所述承灾体样本数据的遥感特征,确定分类识别知识规则;
将所述承灾体训练数据和所述分类识别知识规则输入深度卷积神经网络模型进行训练,确定所述地质灾害隐患承灾体识别模型。
4.根据权利要求1所述的地质灾害隐患立体识别方法,其特征在于,在确定目标区域当前的地灾隐患识别数据之后,还包括:
根据三维地形数据对所述地灾隐患识别数据进行统计分析,确定识别结果数据集;
根据所述识别结果数据集,筛选错识和/或漏识地灾隐患图斑,得到修正地灾隐患数据;
将所述修正地灾隐患数据加入所述承灾体训练数据,得到修正后承灾体训练数据;
将修正后承灾体训练数据输入深度卷积神经网络模型进行训练,确定修正后地质灾害隐患承灾体识别模型。
5.根据权利要求1所述的地质灾害隐患立体识别方法,其特征在于,获取目标区域当前的遥感数据、地理信息数据和地质勘探数据,具体包括:
获取所述目标区域当前的初始遥感数据、初始地理信息数据和初始地质勘探数据;
根据傅立叶变换算法对所述初始遥感数据进行预处理,得到正射影像数据;
根据统计滤波算法、特征匹配算法、高斯滤波算法和分割算法对所述初始地理信息数据进行预处理,得到通用点云数据;
根据差分干涉测量短基线集时序分析技术对所述初始地质勘探数据进行预处理,得到形变序列数据;
将所述正射影像数据、所述通用点云数据和所述形变序列数据进行数据对齐和数据变换,得到空间分辨率一致的同类数据资源;
根据带有PostGIS空间扩展的PostgreSQL关系型数据库存储所述同类数据资源,并将存储所述同类数据资源的PostgreSQL关系型数据库确定为立体识别多维数据库;
从所述立体识别多维数据库中获取所述遥感数据、所述地理信息数据和所述地质勘探数据。
6.根据权利要求1所述的地质灾害隐患立体识别方法,其特征在于,根据所述遥感数据和所述地理信息数据对所述目标区域进行三维场景重建,确定三维地形数据,具体包括:
将所述地理信息数据输入不规则三角形格网模型,构建所述目标区域的地形轮廓;
利用球面纹理坐标参数化算法,根据所述遥感数据在所述目标区域的地形轮廓进行纹理映射,确定三维地形数据。
7.根据权利要求1所述的地质灾害隐患立体识别方法,其特征在于,对所述遥感数据、所述地理信息数据和所述地质勘探数据进行筛选,确定目标区域的区域特征信息,具体包括:
根据数字高程模型基于GIS软件的空间分析功能确定所述目标区域的地形发育程度数据;
根据地质图层数据确定所述目标区域的地质构造信息数据;
根据降雨量数据和地下水变化数据确定所述目标区域的水文特征数据;
根据土壤调查数据确定所述目标区域的土壤数据;所述土壤数据包括:土壤类型地理空间分布特征数据和岩石力学测试数据;
利用光学遥感数据,通过图像处理和分析技术,确定所述目标区域的地质灾害隐患区域数据;
根据所述地形发育程度数据、所述地质构造信息数据、所述水文特征数据、所述土壤数据和所述地质灾害隐患区域数据确定所述目标区域的区域特征信息。
8.根据权利要求1所述的地质灾害隐患立体识别方法,其特征在于,所述基于所述三维地形数据,根据所述区域特征信息和所述隐患对应关系集合,确定三维立体标识,具体包括:
将所述区域特征信息和所述隐患对应关系集合,输入WFS标准地图服务系统,得到第一地图数据;
将LiDAR、光学与雷达数据和/或地质灾害隐患推测图斑进行坐标匹配,并输入WMTS标准地图服务系统,得到第二地图数据;
基于所述三维地形数据,将所述第一地图数据和所述第二地图数据进行叠加渲染,根据地质灾害隐患场景确定三维立体标识。
9.一种地质灾害隐患立体识别系统,其特征在于,包括:
数据获取模块,用于获取目标区域当前的遥感数据、地理信息数据和地质勘探数据;
三维地形确定模块,用于根据所述遥感数据和所述地理信息数据对所述目标区域进行三维场景重建,确定三维地形数据;
区域特征确定模块,用于对所述遥感数据、所述地理信息数据和所述地质勘探数据进行筛选,确定所述目标区域的区域特征信息;所述区域特征信息,包括:地形发育程度数据、地质构造信息数据、水文特征数据、土壤数据和地质灾害隐患区域数据;所述区域特征信息的类型是根据隐患立体识别规则知识库对目标地区的历史地质灾害数据进行分析确定的;所述隐患立体识别规则知识库,包括:多个地质特征以及每个地质特征对应的识别方法和识别依据;所述地质特征包括:地形特征、色彩特征、形态特征、规模特征、几何特征、边界特征、表部特征、稳定性特征、形变面积、年平均形变速率区间、形变特征、光谱易发性特征和潜在威胁对象;
地质灾害隐患识别结果确定模块,用于将所述三维地形数据输入地质灾害隐患识别模型,对所述目标地区的地质灾害隐患区域进行识别分析,确定地质灾害隐患识别结果;
地质灾害承灾体确定模块,用于将所述地质灾害隐患识别结果输入地质灾害隐患承灾体识别模型进行识别分析,确定地质灾害承灾体;
地质灾害隐患对应关系集合确定模块,用于根据所述地质灾害隐患识别结果和所述地质灾害承灾体之间的空间分布,确定隐患对应关系集合;所述隐患对应关系集合,包括:所述地质灾害隐患识别结果中的地质灾害和相应的所述地质灾害承灾体中的承灾体的对应关系;
三维立体标识确定模块,用于基于所述三维地形数据,根据所述区域特征信息和所述隐患对应关系集合,确定三维立体标识;
地灾隐患识别数据确定模块,用于根据所述三维立体标识对所述地灾隐患识别结果进行分析,确定目标区域当前的地灾隐患识别数据;所述地灾隐患识别数据用于表征所述目标区域的地灾隐患的类型、分布范围和发育程度。
10.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的地质灾害隐患立体识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311823522.7A CN117475314B (zh) | 2023-12-28 | 2023-12-28 | 一种地质灾害隐患立体识别方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311823522.7A CN117475314B (zh) | 2023-12-28 | 2023-12-28 | 一种地质灾害隐患立体识别方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117475314A CN117475314A (zh) | 2024-01-30 |
CN117475314B true CN117475314B (zh) | 2024-03-12 |
Family
ID=89633329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311823522.7A Active CN117475314B (zh) | 2023-12-28 | 2023-12-28 | 一种地质灾害隐患立体识别方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117475314B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118095866A (zh) * | 2024-04-23 | 2024-05-28 | 四川省华地建设工程有限责任公司 | 基于人工智能的承灾体崩塌风险评估方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111142119A (zh) * | 2020-01-10 | 2020-05-12 | 中国地质大学(北京) | 一种基于多源遥感数据的矿山地质灾害动态识别与监测方法 |
CN111340012A (zh) * | 2020-05-19 | 2020-06-26 | 北京数字绿土科技有限公司 | 一种地质灾害解译方法、装置、终端设备 |
CN111429698A (zh) * | 2020-03-24 | 2020-07-17 | 东华理工大学 | 一种地质灾害预警系统 |
CN113378396A (zh) * | 2021-06-22 | 2021-09-10 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种小流域地质灾害隐患点早期识别的方法 |
CN113487251A (zh) * | 2021-09-07 | 2021-10-08 | 成都国星宇航科技有限公司 | 基于一键式遥感的自然灾害预警与应急响应方法与系统 |
CN116580532A (zh) * | 2023-04-20 | 2023-08-11 | 西藏大学 | 一种基于雷达遥感技术的地质灾害预警系统 |
CN116843850A (zh) * | 2023-07-24 | 2023-10-03 | 保利长大工程有限公司 | 应急地形数据获取方法、系统及计算机可读存储介质 |
CN116994156A (zh) * | 2023-09-27 | 2023-11-03 | 自然资源部第三地理信息制图院 | 一种滑坡隐患综合遥感识别方法、系统、设备及介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111080794B (zh) * | 2019-12-10 | 2022-04-05 | 华南农业大学 | 一种耕地现场边云协同的三维重建方法 |
CN113326756B (zh) * | 2021-05-25 | 2023-05-16 | 中国地质调查局武汉地质调查中心 | 一种基于岩体劣化特征的库岸潜在滑坡隐患识别方法 |
-
2023
- 2023-12-28 CN CN202311823522.7A patent/CN117475314B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111142119A (zh) * | 2020-01-10 | 2020-05-12 | 中国地质大学(北京) | 一种基于多源遥感数据的矿山地质灾害动态识别与监测方法 |
CN111429698A (zh) * | 2020-03-24 | 2020-07-17 | 东华理工大学 | 一种地质灾害预警系统 |
CN111340012A (zh) * | 2020-05-19 | 2020-06-26 | 北京数字绿土科技有限公司 | 一种地质灾害解译方法、装置、终端设备 |
CN113378396A (zh) * | 2021-06-22 | 2021-09-10 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种小流域地质灾害隐患点早期识别的方法 |
CN113487251A (zh) * | 2021-09-07 | 2021-10-08 | 成都国星宇航科技有限公司 | 基于一键式遥感的自然灾害预警与应急响应方法与系统 |
CN116580532A (zh) * | 2023-04-20 | 2023-08-11 | 西藏大学 | 一种基于雷达遥感技术的地质灾害预警系统 |
CN116843850A (zh) * | 2023-07-24 | 2023-10-03 | 保利长大工程有限公司 | 应急地形数据获取方法、系统及计算机可读存储介质 |
CN116994156A (zh) * | 2023-09-27 | 2023-11-03 | 自然资源部第三地理信息制图院 | 一种滑坡隐患综合遥感识别方法、系统、设备及介质 |
Non-Patent Citations (1)
Title |
---|
联合无人机光学与机载LiDAR在高位滑坡要素识别中的应用:以川西汶川龙溪沟滑坡为例;王德富 等;《现代地质》;20230818;14 * |
Also Published As
Publication number | Publication date |
---|---|
CN117475314A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Trier et al. | Automatic detection of mound structures in airborne laser scanning data | |
Aksoy et al. | Landslide identification and classification by object-based image analysis and fuzzy logic: An example from the Azdavay region (Kastamonu, Turkey) | |
Whiteside et al. | Comparing object-based and pixel-based classifications for mapping savannas | |
Ramiya et al. | Segmentation based building detection approach from LiDAR point cloud | |
CN107067405B (zh) | 基于尺度优选的遥感影像分割方法 | |
CN117475314B (zh) | 一种地质灾害隐患立体识别方法、系统及介质 | |
Wang et al. | Construction and optimization method of the open-pit mine DEM based on the oblique photogrammetry generated DSM | |
Wang et al. | A Quantitative Study of Gully Erosion Based on Object‐Oriented Analysis Techniques: A Case Study in Beiyanzikou Catchment of Qixia, Shandong, China | |
Peeters et al. | Automated recognition of urban objects for morphological urban analysis | |
Salati et al. | Lithological mapping and fuzzy set theory: Automated extraction of lithological boundary from ASTER imagery by template matching and spatial accuracy assessment | |
Fekete et al. | Tree segmentation and change detection of large urban areas based on airborne LiDAR | |
Wu et al. | Automatic building rooftop extraction using a digital surface model derived from aerial stereo images | |
Hardin et al. | GIS-based analysis of coastal Lidar time-series | |
CN117409168A (zh) | 实时动态渲染的洪水预报及洪灾模拟方法和系统 | |
Eken et al. | An automated technique to determine spatio-temporal changes in satellite island images with vectorization and spatial queries | |
Meyer-Heß | Identification of archaeologically relevant areas using open geodata | |
Nelson et al. | Spatial statistical techniques for aggregating point objects extracted from high spatial resolution remotely sensed imagery | |
Magee | Segmentation, object-oriented applications for remote sensing land cover and land use classification | |
Brigante et al. | USE OF MULTISPECTRAL SENSORS WITH HIGH SPATIAL RESOLUTION FOR TERRITORIAL AND ENVIRONMENTAL ANALYSIS. | |
Miandad et al. | Landslide mapping using multiscale LiDAR digital elevation models | |
Forghani et al. | Extracting terrain categories from multi-source satellite imagery | |
Launspach | Automated sinkhole extraction and morphological analysis in northeast Iowa using high-resolution LiDAR data | |
Forghani et al. | Object-based classification of multi-sensor optical imagery to generate terrain surface roughness information for input to wind risk simulation | |
Turner et al. | Towards an operational lidar resource inventory process in Australian softwood plantations | |
de Castro Tayer et al. | Assessment of a semi-automatic spatial analysis method to identify and map sinkholes in the Carste Lagoa Santa environmental protection unit, Brazil |
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 |