CN117709583A - 数据驱动的动态滑坡易发性评估及致灾因子变化推断方法 - Google Patents
数据驱动的动态滑坡易发性评估及致灾因子变化推断方法 Download PDFInfo
- Publication number
- CN117709583A CN117709583A CN202311699768.8A CN202311699768A CN117709583A CN 117709583 A CN117709583 A CN 117709583A CN 202311699768 A CN202311699768 A CN 202311699768A CN 117709583 A CN117709583 A CN 117709583A
- Authority
- CN
- China
- Prior art keywords
- landslide
- learning
- data
- insar
- susceptibility
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000008859 change Effects 0.000 title claims abstract description 19
- 238000011156 evaluation Methods 0.000 title claims description 6
- 238000005516 engineering process Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000012512 characterization method Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 238000006073 displacement reaction Methods 0.000 claims description 30
- 238000012545 processing Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 9
- 238000011835 investigation Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000012300 Sequence Analysis Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 abstract description 3
- 230000006978 adaptation Effects 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012038 vulnerability analysis Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/041—Abduction
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明涉及滑坡分析技术领域，具体涉及数据驱动的动态滑坡易发性评估及致灾因子变化推断方法，包括以下步骤：收集滑坡易发性相关数据，并针对小样本问题进行数据预处理与LSA元任务采样，并构建LSA元任务用于中间表征学习；利用元学习中间表征进行小样本学习，元学习出中间模型，学习出各年份LSA预测模型；利用SHAP算法对各LSA预测模型进行可解释性分析；学习出各年份LSA预测模型后，预测每一年的滑坡易发性图，完成动态滑坡易发性分析；利用InSAR技术对滑坡易发性评估结果进行增强和验证，本发明，通过采用元学习策略，即使基于快速适应策略，仅使用少量样本和梯度下降更新，年度滑坡易发性成图的表现也很好。
Description
技术领域
本发明涉及滑坡分析技术领域，尤其涉及数据驱动的动态滑坡易发性评估及致灾因子变化推断方法。
背景技术
在地质灾害监测和管理中，滑坡是一个重要的研究领域，滑坡作为一种重大的自然灾害，长久以来已经对人类的生活和经济活动产生了深远的影响，为了准确地预测和监测滑坡事件，研究者和工程师们持续地开展相关技术的研发和应用。
传统的滑坡监测主要依靠地面实地调查和高清晰度的遥感图像解释，这些方法虽然在某种程度上能够为滑坡风险评估提供有价值的信息，但在时空覆盖、实时性、和分辨率等方面仍然存在局限性，尤其是在那些访问困难或远程的地区，实地调查的频率和范围受到很大的限制，此外，由于气象条件、设备限制等因素，遥感技术在实时性和高分辨率数据提供方面也面临一定的挑战。
差分合成孔径雷达干涉技术(InSAR)作为一种新兴的地面位移监测技术，在近年来受到了广泛关注。然而，该技术也受到了时间退耦、大气噪声等因素的干扰，导致高分辨率InSAR成果的获取存在一定的困难。
此外，即使有了地面位移数据，如何将这些数据与其他滑坡相关因素相结合，以建立一个全面、准确的滑坡易发性模型仍是一个待解决的问题，现有的滑坡易发性模型大多是基于地质、气象和土壤等静态因素，缺乏对动态因素如降雨和地面位移的考虑。
发明内容
基于上述目的，本发明提供了数据驱动的动态滑坡易发性评估及致灾因子变化推断方法。
数据驱动的动态滑坡易发性评估及致灾因子变化推断方法，包括以下步骤：
S1：收集滑坡易发性相关数据，并针对小样本问题进行数据预处理与LSA元任务采样，根据滑坡发生年份对样本进行划分，并构建LSA元任务用于中间表征学习；
S2：利用元学习中间表征进行小样本学习，元学习出中间模型，基于中间模型在滑坡样本稀缺年份对LSA(Landslide susceptibility assessment)元任务进行快速微调适应学习，学习出各年份LSA预测模型；
S3：利用SHAP算法对各LSA(Landslide susceptibility assessment)预测模型进行可解释性分析，确保评估结果具有科学合理性；
S4：学习出各年份LSA预测模型后，预测每一年的滑坡易发性图，完成动态滑坡易发性分析；
S5：利用InSAR技术对滑坡易发性评估结果进行增强和验证，包括InSAR结果处理、利用InSAR结果增强及其与滑坡易发性图的结合验证。
进一步的，所述滑坡易发性相关数据包括地形数据、水流强度指数与地形湿度指数、排水与集水区、地质数据、土地覆盖与土地利用、土地利用、归一化差异植被指数(NDVI)以及气象数据。
进一步的，所述S1中的构建LSA(Landslide susceptibility assessment)元任务具体包括：
对收集的数据进行预处理，缺失值被替换为均值，至少在一个相应维度上存在一个有效值，滑坡样本被标记为1，非滑坡样本被标记为0；
根据该标记的样本按照年份划分，构建对应的LSA元任务，将标记的样本划分为一个任务集合{T0，T1，...，T27}，其中每个年份对应一个任务集合。
进一步的，所述S2中的元学习出中间模型具体包括：
针对每个包含超过50个滑坡样本的LSA元任务，进行子任务划分，生成子任务池p{T}，以增强元学习并创建具有概括能力的中间模型；
对于每个子任务，定义Di为样本向量，Li为第i个任务的损失函数，随机选择与滑坡样本数量相等的非滑坡样本以保持滑坡和非滑坡样本的平衡，与滑坡样本一起组成元数据集D；
选择交叉熵作为损失函数Li，针对每个子任务，将其样本Di划分为支持集Si和查询集Qi，用于元学习的训练和测试，将子任务集{T1，T2，...，Tk，...}按照3:1的比例划分为元训练集Dtrain和元测试集Dtest；
采用多层感知机作为元学习策略，基于支持集Si进行训练，并在查询集Qi上进行测试，获取滑坡易发性分析任务的少样本迁移的通用中间模型。
进一步的，所述基于多层感知机的元学习策略通过内外两个计算循环来优化模型的性能，具体如下：
内循环：每个子任务根据其目标优化网络参数，公式为：
将初始化的网络参数θ0和支持集Si作为输入，通过计算Si的反向传播梯度gθ来更新模型参数，生成新的参数θi ′，其中，α是内环学习率，视为调节模型对每个子任务学习速度的因子，将α设置为可训练的参数；
外循环：优化内循环的优化指导，包括超参数的调整和多任务学习，外循环目标为最小化一组元任务的总损失，公式为：
其中，θi ′是通过输入查询集Qi到模型中计算得到的损失，该目标考虑每个子任务的权重wi，以确保模型能够从所有子任务中均匀地学习；
使用tk中存在的样本向量进行内循环的优化，并进行数次迭代，确保模型在每个子任务上得到充分训练；
基于多层感知机的模型将使用优化后的参数θ′i进行预测，得到LSA预测模型。
进一步的，所述S3具体包括：
SHAP为每个特征分配一个“贡献值”，该值表示该特征对预测的平均贡献，公式为：
为每个特征si计算了其SHAP值其中，n是输入特征的总数，S是所有输入特征的子集，vs(S)代表从特征子集S中得到的模型预测值，计算特征si对模型预测的平均贡献，考虑所有特征组合；
计算过程：为每个输入样本向量计算其所有滑坡特征的SHAP值，所有样本中与每个特征相关的SHAP值的绝对值被累加，并除以样本数，以获得每个特征的平均贡献，特征按其SHAP值均值从大到小重要性进行排序。
进一步的，所述S4具体包括：
将分辨率设定为高分辨率的10m x 10m的细致网格，捕捉地形变化和其他影响滑坡的因素，生成网格样本，使样本代表整个研究区域的所有特征和条件；
使用随机森林进行训练，通过结合多个决策树的预测结果提高预测准确性，利用训练好的模型，为每一年生成滑坡易发性图，该滑坡易发性图显示每个网格的滑坡风险，为决策者和相关方提供关于潜在危险区域的信息；
对于预测出的滑坡易发性图，分析滑坡原因的变化，通过对比不同年份的地图、考察关键特征的变化或使用SHAP算法来揭示每个特征的重要性。
进一步的，所述InSAR结果处理包括：
原始数据处理：从数据源获取InSAR原始数据，包括至少两次的InSAR图像，用于计算地面位移；
差分干涉处理：将两次InSAR图像进行差分处理，生成干涉图揭示地表位移，进行相位去除和拆包，得到连续的地面位移信息，使用处理后的干涉结果，生成地面位移地图。
进一步的，所述InSAR结果增强具体包括：
使用滤波方法去除图像中的噪声，基于多时间序列分析，利用多时次的InSAR数据，分析地面位移的时间序列变化，揭示滑坡的动态过程。
所述验证滑坡易发性图(LSM)具体包括：
将InSAR技术得到的位移地图与滑坡易发性图进行对比，查看两者的一致性，计算InSAR位移地图与滑坡易发性图之间的相似度或差异，包括相关性系数、均方误差，
选择关键区域，进行实地考察，验证InSAR和LSM的准确性，根据InSAR技术的验证结果，对滑坡易发性图进行修正和更新。
本发明的有益效果：
本发明，通过采用元学习策略，即使基于快速适应策略，仅使用少量样本和梯度下降更新，年度滑坡易发性成图的表现也很好，逐年模型解释有助于识别滑坡致灾因子并推断致灾因素变化规律
本发明，交叉验证了MT-InSAR-导出的变形速度地图和数据驱动的模型导出的LSM，增强了所提议的方法的有效性，在统计性能方面，与SVM、MLP和RF-based方法相比，所提议的方法的整体准确性得到提高，这一改进显然是因为大多数机器学习算法在拟合大的样本大小时表现相似。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的评估推断方法示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，对本发明进一步详细说明。
需要说明的是，除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
如图1所示，数据驱动的动态滑坡易发性评估及致灾因子变化推断方法，包括以下步骤：
S1：根据遥感图像、地形数据、土壤特性、气象数据和地下水位数据，收集滑坡易发性相关数据，并针对小样本问题进行数据预处理与LSA(滑坡易发性评估)元任务采样，根据滑坡发生年份对样本进行划分，并构建LSA(滑坡易发性评估)元任务(一个年份LSA任务代表一个元任务)用于中间表征学习；
S2：利用元学习中间表征进行小样本学习，元学习出中间模型，基于中间模型在滑坡样本稀缺年份对LSA(滑坡易发性评估)元任务进行快速微调适应学习，学习出各年份LSA(滑坡易发性评估)预测模型；
S3：利用SHAP算法对各LSA预测模型进行可解释性分析，确保评估结果具有科学合理性；
S4：学习出各年份LSA预测模型后，预测每一年的滑坡易发性图，完成动态滑坡易发性分析；
S5：利用InSAR技术对滑坡易发性评估结果进行增强和验证，包括InSAR结果处理、利用InSAR结果增强及其与滑坡易发性图的结合验证。
滑坡易发性相关数据包括地形数据、水流强度指数与地形湿度指数、排水与集水区、地质数据、土地覆盖与土地利用、土地利用、归一化差异植被指数(NDVI)以及气象数据。
S1中的构建LSA元任务具体包括：
对收集的数据进行预处理，缺失值被替换为均值，至少在一个相应维度上存在一个有效值，滑坡样本被标记为1，非滑坡样本被标记为0；
根据该标记的样本按照年份划分，构建对应的LSA元任务，将标记的样本划分为一个任务集合{T0，T1，...，T27}，其中每个年份对应一个任务集合。
S2中的元学习出中间模型具体包括：
针对每个包含超过50个滑坡样本的LSA元任务，进行子任务划分，生成子任务池p{T}，以增强元学习并创建具有概括能力的中间模型；
对于每个子任务，定义Di为样本向量，Li为第i个任务的损失函数，随机选择与滑坡样本数量相等的非滑坡样本以保持滑坡和非滑坡样本的平衡，与滑坡样本一起组成元数据集D；
选择交叉熵作为损失函数Li，针对每个子任务，将其样本Di划分为支持集Si和查询集Qi，用于元学习的训练和测试，将子任务集{T1，T2，...，Tk，...}按照3:1的比例划分为元训练集Dtrain和元测试集Dtest；
采用多层感知机(MLP)作为元学习策略，基于支持集Si进行训练，并在查询集Qi上进行测试，获取滑坡易发性分析任务的少样本迁移的通用中间模型；
该方法通过结合元学习策略和多层感知机(MLP)策略，，有效地对小样本数据进行滑坡易发性分析，实现了对滑坡风险的高效预测。
基于多层感知机的元学习策略通过内外两个计算循环来优化模型的性能，具体如下：
内循环：每个子任务根据其目标优化网络参数，公式为：
将初始化的网络参数θ0和支持集Si作为输入，通过计算Si的反向传播梯度gθ来更新模型参数，生成新的参数θi ′，其中，α是内环学习率，视为调节模型对每个子任务学习速度的因子，将α设置为可训练的参数；
外循环：优化内循环的优化指导，包括超参数的调整和多任务学习，外循环目标为最小化一组元任务的总损失，公式为：
其中，θi ′是通过输入查询集Qi到模型中计算得到的损失，该目标考虑每个子任务的权重wi，以确保模型能够从所有子任务中均匀地学习；
使用tk中存在的样本向量进行内循环的优化，并进行数次迭代，确保模型在每个子任务上得到充分训练；
基于多层感知机的模型将使用优化后的参数θi ′进行预测，得到LSA预测模型。
S3具体包括：
SHAP(Shapley值)为每个特征分配一个“贡献值”，该值表示该特征对预测的平均贡献，公式为：
为每个特征si计算了其SHAP值其中，n是输入特征的总数，S是所有输入特征的子集，vs(S)代表从特征子集S中得到的模型预测值，计算特征si对模型预测的平均贡献，考虑所有特征组合；
计算过程：为每个输入样本向量计算其所有滑坡特征的SHAP值，所有样本中与每个特征相关的SHAP值的绝对值被累加，并除以样本数，以获得每个特征的平均贡献，特征按其SHAP值均值从大到小重要性进行排序；
总之，通过SHAP算法，本研究为滑坡易发性分析提供了一种强大的可解释性工具，使得研究者不仅能够更好地理解模型的工作机制，还能够提高模型预测的准确性和可靠性。
S4具体包括：
将分辨率设定为高分辨率的10m x 10m的细致网格，捕捉地形变化和其他影响滑坡的因素，生成网格样本，使样本代表整个研究区域的所有特征和条件；
使用随机森林进行训练，通过结合多个决策树的预测结果提高预测准确性，利用训练好的模型，为每一年生成滑坡易发性图，该滑坡易发性图显示每个网格的滑坡风险，为决策者和相关方提供关于潜在危险区域的信息；
对于预测出的滑坡易发性图，分析滑坡原因的变化，通过对比不同年份的地图、考察关键特征的变化或使用SHAP算法来揭示每个特征的重要性。
InSAR结果处理包括：
原始数据处理：从数据源获取InSAR原始数据，包括至少两次的InSAR图像，用于计算地面位移；
差分干涉处理：将两次InSAR图像进行差分处理，生成干涉图揭示地表位移，进行相位去除和拆包，得到连续的地面位移信息，使用处理后的干涉结果，生成地面位移地图。
具体为：
持续散射器(PS)和分布散射器(DS)检测：
双向网络强迫目标估计器：通过结合双向网络和强迫目标估计器，有效检测持续散射器。这一策略能够辨别那些表现出稳定反射特性的地面目标，例如建筑物或岩石表面。
大气屏幕的消除：由于大气效应对高分辨率的InSAR成果影响较大，因此需要进行大气屏幕的修正。
SAR成像信号模型：使用公式y＝Aγ描述微分干涉图的复数值与地面位移之间的关系。其中，A是导向矢量，γ是地面的反射率。
波束成形技术和稳健的M估计器：结合使用这两种技术，可以更准确地估计导向矢量Ah和Av，代表地面的高度和形变速度。
网络调整集成：在对各个PS点进行初步估计后，这些估计值需要通过网络调整进行集成，从而得到整个研究区域的统一估计结果。
M估计器和脊估计器的应用：这两种估计器可以增强InSAR数据的鲁棒性，特别是在面对大噪声的图像数据时。这些估计器可以在整个处理流程中多次应用，以确保结果的准确性和鲁棒性。
快速自适应光滑方法(FASM)和复共方差矩阵(CCM)的应用：为了检测具有相似移动特性的均质像素，首先使用FASM来识别统计上均匀的像素，然后计算CCM。这个步骤是为了确保所选择的PS点是具有相似移动特性的。
相位优化问题的鲁棒性和健壮性改进：考虑到CCM的不精确性，需要对相位优化问题的鲁棒性和健壮性进行改进，为高相干相位和演化矩阵分配一个更大的权重。
InSAR结果增强具体包括：
使用滤波方法去除图像中的噪声，基于多时间序列分析，利用多时次的InSAR数据，分析地面位移的时间序列变化，揭示滑坡的动态过程；
具体的，
滑坡易发性调整：为了提高滑坡易发性地图的精度，可以将其与InSAR技术结合起来，以准确地确定斜坡上的地面移动，对Lantau岛的斜坡进行InSAR检测，可以有效地确定哪些斜坡正在发生慢速移动；
斜坡方向筛选：Lantau岛的初始滑坡易发性地图(LSM)经过筛选，去除了面向南方或北方的斜坡，因为这些斜坡对于东方或西方的位移更为敏感，从而有可能导致对滑坡风险的误判；
斜坡角度筛选：对LSM进行进一步筛选，排除了那些坡度较小的斜坡，这些斜坡可能不容易发生滑坡；
变形速度分类：根据InSAR测量点的变形速度，将它们分为五个级别，其中级别4表示移动速度最快，级别0表示没有明显的移动；
插值技术：使用最近邻插值方法将这五个级别分配给LSM中的每个点，这种方法可以为LSM提供更细节的信息；
级别映射增强：使用特定矩阵对滑坡易发性地图进行增强，这个矩阵可以将地面变形的级别映射到滑坡的可能性上。
所述验证滑坡易发性图(LSM)具体包括：
将InSAR技术得到的位移地图与滑坡易发性图进行对比，查看两者的一致性，计算InSAR位移地图与滑坡易发性图之间的相似度或差异，包括相关性系数、均方误差，
选择关键区域，进行实地考察，验证InSAR和LSM的准确性，根据InSAR技术的验证结果，对滑坡易发性图进行修正和更新；
结合InSAR技术的高精度地面位移监测能力，可以为滑坡易发性评估提供强有力的验证工具，同时，InSAR还可以为滑坡的预测和预警提供有力支持。
具体的：
交叉验证：使用InSAR技术得到的地面变形数据与滑坡易发性地图进行交叉验证，这样可以更准确地确定哪些区域有滑坡风险；
实地考察：为了确保LSM的准确性，建议进行现场考察，对照InSAR技术的结果，进一步验证LSM的准确性；
历史数据对照：可以使用历史滑坡事件的数据与LSM进行对照，以确定其准确性和实用性；
结合以上增强和验证方法，InSAR技术和滑坡易发性地图LSM可以相互补充，提高对滑坡风险的识别和预测能力。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本发明的范围被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。
本发明旨在涵盖落入权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、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 (9)
1.数据驱动的动态滑坡易发性评估及致灾因子变化推断方法，其特征在于，包括以下步骤：
S1：收集滑坡易发性相关数据，并针对小样本问题进行数据预处理与LSA元任务采样，根据滑坡发生年份对样本进行划分，并构建LSA元任务用于中间表征学习；
S2：利用元学习中间表征进行小样本学习，元学习出中间模型，基于中间模型在滑坡样本稀缺年份对LSA元任务进行快速微调适应学习，学习出各年份LSA预测模型；
S3：利用SHAP算法对各LSA预测模型进行可解释性分析，确保评估结果具有科学合理性；
S4：学习出各年份LSA预测模型后，预测每一年的滑坡易发性图，完成动态滑坡易发性分析；
S5：利用InSAR技术对滑坡易发性评估结果进行增强和验证，包括InSAR结果处理、利用InSAR结果增强及其与滑坡易发性图的结合验证。
2.根据权利要求1所述的数据驱动的动态滑坡易发性评估及致灾因子变化推断方法，其特征在于，所述滑坡易发性相关数据包括地形数据、水流强度指数与地形湿度指数、排水与集水区、地质数据、土地覆盖与土地利用、土地利用、归一化差异指数以及气象数据。
3.根据权利要求2所述的数据驱动的动态滑坡易发性评估及致灾因子变化推断方法，其特征在于，所述S1中的构建LSA元任务具体包括：
对收集的数据进行预处理，缺失值被替换为均值，至少在一个相应维度上存在一个有效值，滑坡样本被标记为1，非滑坡样本被标记为0；
根据该标记的样本按照年份划分，构建对应的LSA元任务，将标记的样本划分为一个任务集合{T0，T1，...，T27}，其中每个年份对应一个任务集合。
4.根据权利要求3所述的数据驱动的动态滑坡易发性评估及致灾因子变化推断方法，其特征在于，所述S2中的元学习出中间模型具体包括：
针对每个包含超过50个滑坡样本的LSA元任务，进行子任务划分，生成子任务池p{T}，以增强元学习并创建具有概括能力的中间模型；
对于每个子任务，定义Di为样本向量，Li为第i个任务的损失函数，随机选择与滑坡样本数量相等的非滑坡样本以保持滑坡和非滑坡样本的平衡，与滑坡样本一起组成元数据集D；
选择交叉熵作为损失函数Li，针对每个子任务，将其样本Di划分为支持集Si和查询集Qi，用于元学习的训练和测试，将子任务集{T1，T2，...，Tk，...}按照3:1的比例划分为元训练集Dtrain和元测试集Dtest；
采用多层感知机作为元学习策略，基于支持集Si进行训练，并在查询集Qi上进行测试，获取滑坡易发性分析任务的少样本迁移的通用中间模型。
5.根据权利要求4所述的数据驱动的动态滑坡易发性评估及致灾因子变化推断方法，其特征在于，所述基于多层感知机的元学习策略通过内外两个计算循环来优化模型的性能，具体如下：
内循环：每个子任务根据其目标优化网络参数，公式为：
将初始化的网络参数θ0和支持集Si作为输入，通过计算Si的反向传播梯度gθ来更新模型参数，生成新的参数θi ′，其中，α是内环学习率，视为调节模型对每个子任务学习速度的因子，将α设置为可训练的参数；
外循环：优化内循环的优化指导，包括超参数的调整和多任务学习，外循环目标为最小化一组元任务的总损失，公式为：
其中，θ′i是通过输入查询集Qi到模型中计算得到的损失，该目标考虑每个子任务的权重wi，以确保模型能够从所有子任务中均匀地学习；
使用tk中存在的样本向量进行内循环的优化，并进行数次迭代，确保模型在每个子任务上得到充分训练；
基于多层感知机的模型将使用优化后的参数θ′i进行预测，得到LSA预测模型。
6.根据权利要求5所述的数据驱动的动态滑坡易发性评估及致灾因子变化推断方法，其特征在于，所述S3具体包括：
SHAP为每个特征分配一个“贡献值”，该值表示该特征对预测的平均贡献，公式为：
为每个特征si计算了其SHAP值其中，n是输入特征的总数，S是所有输入特征的子集，vS(S)代表从特征子集S中得到的模型预测值，计算特征si对模型预测的平均贡献，考虑所有特征组合；
计算过程：为每个输入样本向量计算其所有滑坡特征的SHAP值，所有样本中与每个特征相关的SHAP值的绝对值被累加，并除以样本数，以获得每个特征的平均贡献，特征按其SHAP值均值从大到小重要性进行排序。
7.根据权利要求6所述的数据驱动的动态滑坡易发性评估及致灾因子变化推断方法，其特征在于，所述S4具体包括：
将分辨率设定为高分辨率的10m x 10m的细致网格，捕捉地形变化和其他影响滑坡的因素，生成网格样本，使样本代表整个研究区域的所有特征和条件；
使用随机森林进行训练，通过结合多个决策树的预测结果提高预测准确性，利用训练好的模型，为每一年生成滑坡易发性图，该滑坡易发性图显示每个网格的滑坡风险，为决策者和相关方提供关于潜在危险区域的信息；
对于预测出的滑坡易发性图，分析滑坡原因的变化，通过对比不同年份的地图、考察关键特征的变化或使用SHAP算法来揭示每个特征的重要性。
8.根据权利要求7所述的数据驱动的动态滑坡易发性评估及致灾因子变化推断方法，其特征在于，所述InSAR结果处理包括：
原始数据处理：从数据源获取InSAR原始数据，包括至少两次的InSAR图像，用于计算地面位移；
差分干涉处理：将两次InSAR图像进行差分处理，生成干涉图揭示地表位移，进行相位去除和拆包，得到连续的地面位移信息，使用处理后的干涉结果，生成地面位移地图。
9.根据权利要求8所述的数据驱动的动态滑坡易发性评估及致灾因子变化推断方法，其特征在于，所述InSAR结果增强具体包括：
使用滤波方法去除图像中的噪声，基于多时间序列分析，利用多时次的InSAR数据，分析地面位移的时间序列变化，揭示滑坡的动态过程；
所述验证滑坡易发性图具体包括：
将InSAR技术得到的位移地图与滑坡易发性图进行对比，查看两者的一致性，计算InSAR位移地图与滑坡易发性图之间的相似度或差异，包括相关性系数、均方误差，
选择关键区域，进行实地考察，验证InSAR和LSM的准确性，根据InSAR技术的验证结果，对滑坡易发性图进行修正和更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311699768.8A CN117709583A (zh) | 2023-12-11 | 2023-12-11 | 数据驱动的动态滑坡易发性评估及致灾因子变化推断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311699768.8A CN117709583A (zh) | 2023-12-11 | 2023-12-11 | 数据驱动的动态滑坡易发性评估及致灾因子变化推断方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117709583A true CN117709583A (zh) | 2024-03-15 |
Family
ID=90145572
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311699768.8A Pending CN117709583A (zh) | 2023-12-11 | 2023-12-11 | 数据驱动的动态滑坡易发性评估及致灾因子变化推断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117709583A (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107633659A (zh) * | 2017-10-13 | 2018-01-26 | 中电科新型智慧城市研究院有限公司 | 危险边坡监测预警系统及方法 |
| CN114091274A (zh) * | 2021-11-25 | 2022-02-25 | 云南大学 | 一种滑坡易发性评价方法及系统 |
| CN116502748A (zh) * | 2023-03-31 | 2023-07-28 | 桂林理工大学 | 融合多影响因素的滑坡空间风险性预警决策机制研究方法 |
-
2023
- 2023-12-11 CN CN202311699768.8A patent/CN117709583A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107633659A (zh) * | 2017-10-13 | 2018-01-26 | 中电科新型智慧城市研究院有限公司 | 危险边坡监测预警系统及方法 |
| CN114091274A (zh) * | 2021-11-25 | 2022-02-25 | 云南大学 | 一种滑坡易发性评价方法及系统 |
| CN116502748A (zh) * | 2023-03-31 | 2023-07-28 | 桂林理工大学 | 融合多影响因素的滑坡空间风险性预警决策机制研究方法 |
Non-Patent Citations (2)
| Title |
|---|
| MA, PEIFENG: "Coupling InSAR and numerical modeling for characterizing landslide movements under complex loads in urbanized hillslopes", 《LANDSLIDES》, 31 May 2021 (2021-05-31) * |
| 马培峰: "监测城市基础设施健康的星载MT-InSAR 方法介绍", 《测绘学报》, 15 October 2017 (2017-10-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Arabameri et al. | Flash flood susceptibility modelling using functional tree and hybrid ensemble techniques | |
| Du et al. | Landslide susceptibility assessment based on an incomplete landslide inventory in the Jilong Valley, Tibet, Chinese Himalayas | |
| Wu et al. | Landslide susceptibility assessment using object mapping units, decision tree, and support vector machine models in the Three Gorges of China | |
| Can et al. | Landslide susceptibility mapping at Ovacık-Karabük (Turkey) using different artificial neural network models: comparison of training algorithms | |
| Zhao et al. | A Comparative Study of Landslide Susceptibility Mapping Using SVM and PSO‐SVM Models Based on Grid and Slope Units | |
| He et al. | Application of kernel-based Fisher discriminant analysis to map landslide susceptibility in the Qinggan River delta, Three Gorges, China | |
| Guzzetti et al. | Estimating the quality of landslide susceptibility models | |
| Eker et al. | Evaluation and comparison of landslide susceptibility mapping methods: a case study for the Ulus district, Bartın, northern Turkey | |
| Xia et al. | A hybrid method based on extreme learning machine and k-nearest neighbor for cloud classification of ground-based visible cloud image | |
| Zhao et al. | Automatic recognition of loess landforms using Random Forest method | |
| Wu et al. | Landslide susceptibility mapping using rough sets and back-propagation neural networks in the Three Gorges, China | |
| Roy et al. | Integration of artificial intelligence with meta classifiers for the gully erosion susceptibility assessment in Hinglo river basin, Eastern India | |
| Lu et al. | An integrated method of selecting environmental covariates for predictive soil depth mapping | |
| CN112053359B (zh) | 遥感图像变化检测方法、装置、电子设备及存储介质 | |
| Wan | Entropy-based particle swarm optimization with clustering analysis on landslide susceptibility mapping | |
| CN112200362B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
| CN110147795A (zh) | 一种自适应非局部模糊c均值聚类sar图像分割算法 | |
| CN113487105B (zh) | 一种滑坡地质灾害的空间预测方法、装置和计算机设备 | |
| Niu et al. | Susceptibility assessment of landslides triggered by the Lushan earthquake, April 20, 2013, China | |
| Huang et al. | Modelling landslide susceptibility prediction: a review and construction of semi-supervised imbalanced theory | |
| Huang et al. | Uncertainties of landslide susceptibility prediction: influences of random errors in landslide conditioning factors and errors reduction by low pass filter method | |
| Zhu et al. | Internal and external coupling of Gaussian mixture model and deep recurrent network for probabilistic drought forecasting | |
| CN114740550B (zh) | 一种连续风暴事件智能识别预警方法及系统 | |
| Arabameri et al. | Spatial prediction of shallow landslide: application of novel rotational forest-based reduced error pruning tree | |
| CN116777079A (zh) | 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法 |
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 |