CN118150484A - 一种基于gis的地质灾害实时监测方法及系统 - Google Patents
一种基于gis的地质灾害实时监测方法及系统 Download PDFInfo
- Publication number
- CN118150484A CN118150484A CN202410044733.9A CN202410044733A CN118150484A CN 118150484 A CN118150484 A CN 118150484A CN 202410044733 A CN202410044733 A CN 202410044733A CN 118150484 A CN118150484 A CN 118150484A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- disaster
- target
- sensing image
- sample
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 92
- 230000006870 function Effects 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 11
- 238000000605 extraction Methods 0.000 claims description 7
- 230000006835 compression Effects 0.000 claims description 5
- 238000007906 compression Methods 0.000 claims description 5
- 231100001267 hazard identification Toxicity 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 12
- 239000000463 material Substances 0.000 abstract description 3
- 230000004044 response Effects 0.000 abstract description 2
- 230000000875 corresponding effect Effects 0.000 description 82
- 206010037844 rash Diseases 0.000 description 11
- 230000008569 process Effects 0.000 description 9
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000006424 Flood reaction Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于GIS的地质灾害实时监测方法及系统,包括:首先,通过获取目标监测区域的实时GIS数据。然后,对这些GIS数据进行处理,以得到待处理的遥感图像。之后,调用预训练的目标地质灾害识别模型对这些待处理的遥感图像进行识别,从而得到与这些遥感图像相对应的地质灾害识别结果。最后,根据这些地质灾害识别结果,生成当前的监测策略。如此设计,可以实时有效地进行地质灾害的监测和预警,提高了灾害响应的时效性和准确性,并大幅度降低了人力物力的消耗。
Description
技术领域
本发明涉及地质灾害监控领域,具体而言,涉及一种基于GIS的地质灾害实时监测方法及系统。
背景技术
传统的地质灾害监测方式主要依赖现场勘查和人工分析,既耗费大量的人力物力,也无法做到实时有效的监测。尤其是在复杂地形或恶劣气候条件下,人工监测的效率和准确性更难以保证。因此,如何使用现代技术手段,实现对地质灾害的实时、准确监测,已经成为一个亟待解决的问题。
发明内容
本发明的目的在于提供一种基于GIS的地质灾害实时监测方法及系统。
第一方面,本发明实施例提供一种基于GIS的地质灾害实时监测方法,包括:
获取针对目标监测地区的实时GIS数据;
对所述实时GIS数据进行处理,得到所述目标监测地区的待处理遥感图像;
调用预先训练的目标地质灾害识别模型,对所述待处理遥感图像进行识别,得到所述待处理遥感图像对应的地质灾害识别结果;
根据所述地质灾害识别结果,生成当前监测策略。
第二方面,本发明实施例提供一种服务器系统,包括服务器,所述服务器用于执行第一方面至少一种可能的实施方式中的方法。
相比现有技术,本发明提供的有益效果包括:采用本发明实施例提供的一种基于GIS的地质灾害实时监测方法及系统,通过获取目标监测区域的实时GIS数据。然后,对这些GIS数据进行处理,以得到待处理的遥感图像。之后,调用预训练的目标地质灾害识别模型对这些待处理的遥感图像进行识别,从而得到与这些遥感图像相对应的地质灾害识别结果。最后,根据这些地质灾害识别结果,生成当前的监测策略。如此设计,可以实时有效地进行地质灾害的监测和预警,提高了灾害响应的时效性和准确性,并大幅度降低了人力物力的消耗。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍。应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定。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相关的附图。
图1为本发明实施例提供的基于GIS的地质灾害实时监测方法的步骤流程示意框图;
图2为本发明实施例提供的计算机设备的结构示意框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
下面结合附图,对本发明的具体实施方式进行详细说明。
为了解决前述背景技术中的技术问题,图1为本公开实施例提供的基于GIS的地质灾害实时监测方法的流程示意图,下面对该基于GIS的地质灾害实时监测方法进行详细介绍。
步骤S201,获取针对目标监测地区的实时GIS数据;
步骤S202,对所述实时GIS数据进行处理,得到所述目标监测地区的待处理遥感图像;
步骤S203,调用预先训练的目标地质灾害识别模型,对所述待处理遥感图像进行识别,得到所述待处理遥感图像对应的地质灾害识别结果;
步骤S204,根据所述地质灾害识别结果,生成当前监测策略。
在本发明实施例中,示例性的,首先,需要获取与目标监测地区相关的实时地理信息系统(GIS)数据。这些数据可以包括地形、地貌、土壤类型、植被覆盖等信息,以及其他可能与地质灾害相关的数据源。对获取的实时GIS数据进行处理,以得到目标监测地区的待处理遥感图像。处理的方式可以包括数据清洗、数据转换和数据融合等操作,以确保所得到的遥感图像能够准确反映地质灾害的特征。借助预先训练好的目标地质灾害识别模型,对待处理的遥感图像进行识别。该模型可以是基于机器学习算法或深度学习网络训练而成,能够自动分析图像中的地质灾害特征,并给出相应的识别结果。根据地质灾害识别结果,生成当前的监测策略。这意味着根据识别结果的严重性和紧急程度,采取相应的监测和预警措施。例如,如果识别结果表明地质灾害风险较高,可以采取实地调查、加强监测设备布设或发布预警信息等措施。
在一种更为详细的实施方式中,示例性的,从各种数据源中收集与目标监测地区相关的实时GIS数据。这些数据可以包括卫星图像、航空影像、遥感数据、地理数据库、传感器数据等。这些数据可以提供地形、地貌、土壤类型、植被覆盖等信息。对获取的实时GIS数据进行预处理,以便为后续的分析和识别做准备。这可能包括数据清洗、去噪、数据转换(如投影变换或坐标系统转换)等操作。此外,还可以使用数据融合技术将不同来源的数据整合在一起,以提高数据质量和准确性。通过对处理后的实时GIS数据进行特定的处理和提取,可以生成目标监测地区的待处理遥感图像。这些图像通常是高分辨率的影像或栅格图像,可以用于后续的地质灾害识别。利用预先训练好的地质灾害识别模型,对待处理的遥感图像进行识别。这些模型可以基于传统的机器学习算法(如支持向量机、随机森林等)或深度学习网络(如卷积神经网络)构建而成。它们能够自动提取图像中与地质灾害相关的特征,并给出相应的识别结果。根据地质灾害识别模型的输出,对识别结果进行进一步的分析和处理。这包括将识别结果与地质灾害风险评估指标相结合,以判断地质灾害的严重性和紧急程度。根据地质灾害识别结果,生成当前的监测策略。这涉及确定监测点位、监测频率、监测手段和预警阈值等因素。例如,如果识别结果表明地质灾害风险较高,可能需要加强现场调查、布设更多的监测设备、实施定期巡视或发布预警信息等措施。
如此设计,能够及时获取、处理和识别地质灾害相关的信息,并生成相应的监测策略,以提高对地质灾害的预警和防范能力。
在一种可能的实施方式中,前述步骤S203可以通过以下示例执行实施。
(1)获取所述目标监测地区中的所述待处理遥感图像;
(2)通过所述目标监测地区对应的目标地质灾害识别模型对所述待处理遥感图像执行特征识别操作,得到所述待处理遥感图像对应的目标图像特征;其中,所述目标地质灾害识别模型是根据多个监测地区对应的样本灾害遥感图像执行模型学习之后,再根据所述目标监测地区对应的样本灾害遥感图像执行模型学习得到;
(3)根据所述目标图像特征确定所述待处理遥感图像对应的地质灾害识别结果。
在本发明实施例中,示例性的,假设正在监测位于山区的地质灾害,如山体滑坡。从卫星数据提供商获取目标监测地区的高分辨率遥感图像,该图像显示了山体表面的地貌和植被覆盖情况。将收集来自多个地理位置的样本灾害遥感图像,这些图像包括山体滑坡、泥石流等地质灾害。使用这些样本图像,通过训练机器学习模型(如卷积神经网络)来学习和提取地质灾害的特征。模型根据这些样本数据进行学习,以便能够准确识别不同类型的地质灾害。当新的遥感图像进入系统时,使用预先训练好的目标地质灾害识别模型对其执行特征识别操作。例如,在山体滑坡监测中,模型会检测图像中可能暗示滑坡的特征,如悬崖边缘、土地变形或植被破坏等。根据模型的输出,可以确定待处理遥感图像对应的目标图像特征。例如,如果模型检测到悬崖边缘和土地变形等特征,系统将提取这些特征作为地质灾害的指示。根据目标图像特征,系统会进一步分析并确定待处理遥感图像对应的地质灾害识别结果。如果提取到了明显的滑坡特征,系统将判定该区域可能存在山体滑坡,并给出相应的地质灾害识别结果。如此设计,可以利用预先训练的地质灾害识别模型来对待处理遥感图像进行识别,并根据目标图像特征确定地质灾害的存在与否。这样,可以及时发现潜在的地质灾害风险,并采取相应的监测和预警措施。
在一种可能的实施方式中,前述通过所述目标监测地区对应的目标地质灾害识别模型对所述待处理遥感图像执行特征识别操作,得到所述待处理遥感图像对应的目标图像特征的步骤,可以通过以下示例执行实施。
(1)通过所述目标地质灾害识别模型的隐藏层对所述待处理遥感图像执行特征转换操作,得到第一图像特征;
(2)通过所述目标地质灾害识别模型的降维结构对所述第一图像特征执行降维操作,得到第二图像特征,其中,所述降维结构包括根据多个监测地区对应的样本灾害遥感图像执行模型学习得到的待定地质灾害识别模型;
(3)通过所述目标地质灾害识别模型的特征提取结构对所述第二图像特征执行特征识别操作,得到所述目标图像特征,其中,所述目标图像特征的特征数量小于所述第一图像特征的特征数量。
在本发明实施例中,示例性的,假设正在监测一个城市周围的地震活动。使用预先训练好的目标地质灾害识别模型,将该模型应用于待处理遥感图像。该模型的隐藏层可以提取出不同尺度和级别的特征。通过目标地质灾害识别模型的隐藏层,对待处理遥感图像执行特征转换操作。例如,在地震监测中,隐藏层可能会提取出与地表变形、建筑物倾斜等相关的特征。这些特征可以被看作是第一图像特征。通过目标地质灾害识别模型的降维结构,对第一图像特征执行降维操作。这个降维结构可以基于多个监测地区对应的样本灾害遥感图像进行学习得到。例如,在地震监测中,降维操作可能会将高维特征空间转换为低维子空间,从而减少特征的数量。通过目标地质灾害识别模型的特征提取结构,对降维后的第二图像特征执行特征识别操作。这个结构可以从第二图像特征中提取出更为重要和相关的特征。例如,在地震监测中,特征提取结构可能会提取出与地震活动强度、震源位置等相关的目标图像特征。
如此设计,可以利用目标地质灾害识别模型的特征转换、降维和特征提取结构,从待处理遥感图像中提取出与地质灾害相关且数量较少的目标图像特征。这些特征能够更好地反映地质灾害的特性,进一步提高地质灾害的识别准确性和效率。
在一种可能的实施方式中,前述对所述待处理遥感图像执行特征转换操作,得到第一图像特征的步骤,可以通过以下方式执行实施。
(1)对所述待处理遥感图像执行切割操作,得到待处理遥感图像块;
(2)对所述待处理遥感图像块中的每个区域执行特征转换操作,得到所述第一图像特征。
在本发明实施例中,示例性的,假设正在监测一个沿海地区的海岸侵蚀情况。将待处理遥感图像切割成多个小块,每个小块代表图像中的一个区域。这样可以使得每个区域能够更好地被独立处理和分析。对于每个待处理遥感图像块中的区域,执行特征转换操作以提取第一图像特征。例如,在海岸侵蚀监测中,特征转换操作可能包括从每个图像块中提取出与海岸线变化、岩石坍塌等相关的特征。这些特征可以帮助判断每个区域是否受到了海岸侵蚀的影响。
在一种可能的实施方式中,前述对所述第二图像特征执行特征识别操作,得到所述目标图像特征的步骤,可以通过以下示例执行实施。
(1)对所述第二图像特征执行下采样操作,得到低维图像特征;
(2)对所述低维图像特征执行特征压缩操作,得到所述目标图像特征。
在本发明实施例中,示例性的,基于前述流程,已经获取了第二图像特征,它是通过目标地质灾害识别模型的降维结构得到的。现在,将对这些第二图像特征执行特征识别操作。对第二图像特征执行下采样操作,以获得低维图像特征。下采样是一种减小特征维度的技术,可以通过减少特征向量的尺寸来压缩数据。例如,可能使用降采样算法(如平均池化或最大池化)对特征进行降维,从而得到更简洁的低维图像特征。接下来,对低维图像特征执行特征压缩操作。特征压缩是一种进一步减小特征维度的技术,可以通过保留数据中最重要的信息来减少数据量。例如,可以使用主成分分析(PCA)等技术对低维图像特征进行压缩,提取出最关键和最具代表性的特征。
如此设计,对第二图像特征执行特征识别操作,并通过下采样和特征压缩操作获得了目标图像特征。这个过程可以帮助进一步减少数据的维度并提取出最重要的特征信息,从而更好地表示目标地质灾害。在实际应用中,这种技术方案可以帮助更快速地分析大规模遥感图像数据,并提取出与地质灾害相关的关键特征,为决策提供有价值的信息。
在一种可能的实施方式中,前述在通过所述目标监测地区对应的目标地质灾害识别模型对所述待处理遥感图像执行特征识别操作之前,本发明实施提供了以下实施方式。
(1)获取所述目标监测地区中每个预设地质灾害识别结果对应的样本目标数据集合和样本非目标数据集合;所述样本目标数据集合包括与所述预设地质灾害识别结果相关的多个样本目标灾害遥感图像,所述样本非目标数据集合包括与所述预设地质灾害识别结果不相关的多个样本非目标灾害遥感图像;
(2)根据每个预设地质灾害识别结果对应的样本目标数据集合和样本非目标数据集合构建训练数据池,并根据由所述多个监测地区对应的样本灾害遥感图像执行模型学习得到的待定地质灾害识别模型构建中间地质灾害识别模型;
(3)基于所述训练数据池对所述中间地质灾害识别模型进行训练,得到所述目标地质灾害识别模型。
在本发明实施例中,示例性的,在使用目标地质灾害识别模型对待处理遥感图像执行特征识别操作之前,需要获取与目标监测地区预设地质灾害识别结果相关和不相关的样本数据集合。例如,在地震监测中,可以收集多个样本目标灾害遥感图像(如有地震破坏的建筑物或地表变形等)作为样本目标数据集合,并收集多个样本非目标灾害遥感图像(如正常的城市景观或无地震破坏的建筑物)作为样本非目标数据集合。根据每个预设地质灾害识别结果对应的样本目标数据集合和样本非目标数据集合,构建训练数据池。训练数据池包含了用于训练的样本数据,其中目标数据集合与预设地质灾害相关,非目标数据集合与预设地质灾害不相关。这些数据将用于训练中间地质灾害识别模型。基于多个监测地区对应的样本灾害遥感图像执行模型学习,构建中间地质灾害识别模型。这个模型用于从训练数据池中学习地质灾害的特征和模式。使用训练数据池,对中间地质灾害识别模型进行训练。通过训练过程,模型可以自动调整权重和参数,以更好地捕捉地质灾害的特征,并作出准确的目标识别判断。
如此设计,能够根据预设地质灾害识别结果获取相关和不相关的样本数据集合,并构建训练数据池。然后,使用多个监测地区对应的样本灾害遥感图像执行模型学习,构建中间地质灾害识别模型。最后,在训练数据池上对中间模型进行训练,得到目标地质灾害识别模型。这个技术方案可以帮助根据不同地质灾害的样本数据来训练模型,并提高地质灾害识别的准确性和鲁棒性。
在一种可能的实施方式中,前述根据每个预设地质灾害识别结果对应的样本目标数据集合和样本非目标数据集合构建训练数据池的步骤,可以通过以下示例执行实施。
(1)将所述预设地质灾害识别结果对应的样本目标数据集合中的样本目标灾害遥感图像进行执行关联操作,生成多个样本目标灾害遥感图像组;
(2)将所述预设地质灾害识别结果对应的样本目标数据集合中的样本目标灾害遥感图像与所述预设地质灾害识别结果对应的样本非目标数据集合中的样本非目标灾害遥感图像进行执行关联操作,形成多个样本非目标灾害遥感图像组;
(3)根据所述多个样本目标灾害遥感图像组和所述多个样本非目标灾害遥感图像组生成所述预设地质灾害识别结果对应的训练数据池;
(4)基于每个预设地质灾害识别结果对应的训练数据池构建所述训练数据池。
在本发明实施例中,示例性的,根据每个预设地质灾害识别结果对应的样本目标数据集合,执行关联操作,将样本目标灾害遥感图像进行关联,生成多个样本目标灾害遥感图像组。例如,在洪水监测中,可以选择与洪水相关的多个样本目标灾害遥感图像(如淹没的区域或被水覆盖的建筑物)并进行关联。接下来,将样本目标灾害遥感图像与预设地质灾害识别结果对应的样本非目标数据集合中的样本非目标灾害遥感图像进行关联操作,形成多个样本非目标灾害遥感图像组。这些组合可以帮助模型学习区分目标和非目标地质灾害的特征。例如,在火山喷发监测中,可以将与火山喷发不相关的多个正常地表景观的样本非目标灾害遥感图像与火山喷发相关的样本目标灾害遥感图像进行关联。根据多个样本目标灾害遥感图像组和样本非目标灾害遥感图像组,生成预设地质灾害识别结果对应的训练数据池。训练数据池中包含了与预设地质灾害相关和不相关的样本数据,用于训练模型。这些数据池将被用来构建目标地质灾害识别模型。最后,基于每个预设地质灾害识别结果对应的训练数据池构建所述训练数据池。这个过程涉及使用训练数据池中的样本数据训练模型,以捕捉地质灾害的特征,并进行准确的地质灾害识别。
如此设计,能够根据样本目标数据集合和样本非目标数据集合构建训练数据池,并生成多个样本目标灾害遥感图像组和样本非目标灾害遥感图像组。然后,使用这些组合生成预设地质灾害识别结果对应的训练数据池,并基于其构建目标地质灾害识别模型。这个技术方案可以帮助更好地组织和利用样本数据,提高地质灾害识别模型的训练效果和性能。
在一种可能的实施方式中,所述训练数据池包括多个样本灾害遥感图像组,所述样本灾害遥感图像组包括第一样本灾害遥感图像、第二样本灾害遥感图像以及所述第一样本灾害遥感图像和所述第二样本灾害遥感图像的预置灾害类型;在基于所述训练数据池对所述中间地质灾害识别模型进行训练的过程中,可以存在以下实施方式。
(1)对所述样本灾害遥感图像组中的第一样本灾害遥感图像和第二样本灾害遥感图像分别执行特征识别操作,得到所述第一样本灾害遥感图像对应的数据特征和所述第二样本灾害遥感图像对应的数据特征;
(2)根据所述第一样本灾害遥感图像对应的数据特征和所述第二样本灾害遥感图像对应的数据特征之间的偏差以及所述第一样本灾害遥感图像和所述第二样本灾害遥感图像的预置灾害类型计算代价函数。
在本发明实施例中,示例性的,训练数据池包括多个样本灾害遥感图像组,其中每个组包含第一样本灾害遥感图像、第二样本灾害遥感图像以及这两个图像的预置灾害类型。例如,在飓风监测中,可以选择一组包含两张飓风遥感图像的样本灾害遥感图像组,其中一张图像显示了飓风形成前的海洋和天气情况(第一样本灾害遥感图像),而另一张图像显示了飓风形成后的破坏地区和飓风云团(第二样本灾害遥感图像)。同时,会将这两个图像的预置灾害类型标注为飓风。在基于训练数据池进行中间地质灾害识别模型训练的过程中,对样本灾害遥感图像组中的第一样本灾害遥感图像和第二样本灾害遥感图像分别执行特征识别操作,得到第一样本灾害遥感图像对应的数据特征和第二样本灾害遥感图像对应的数据特征。例如,对于上述飓风监测中的样本灾害遥感图像组,会分别从每张图像中提取出与飓风相关的特征,如飓风云团的形状、尺寸、密度等。根据第一样本灾害遥感图像对应的数据特征和第二样本灾害遥感图像对应的数据特征之间的偏差以及预置灾害类型,计算代价函数。该代价函数用于评估模型的性能和灾害识别准确度。例如,在飓风监测中,可以根据两张图像的特征差异和预置灾害类型(即飓风)之间的关系计算代价函数,以衡量模型在判断两个图像是否属于相同的灾害类型方面的准确性。
如此设计,可以构建样本灾害遥感图像组,其中包含了不同灾害类型的图像,并执行特征识别操作来提取图像中的数据特征。然后,通过计算代价函数,可以评估模型在不同样本灾害遥感图像组上的表现,以指导模型训练和优化。这个技术方案可以帮助根据样本图像之间的特征差异和预置灾害类型计算代价函数,并用于地质灾害识别模型的训练和评估。
在一种可能的实施方式中,在通过所述目标监测地区对应的目标地质灾害识别模型对所述待处理遥感图像执行特征识别操作之前,可以通过以下方式执行实施。
(1)将所述多个监测地区对应的样本灾害遥感图像切分为多个训练图像集合;
(2)根据多个所述训练图像集合对基础模型进行训练,得到待定地质灾害识别模型,所述待定地质灾害识别模型用于构建所述目标地质灾害识别模型。
在本发明实施例中,示例性的,在通过目标监测地区对应的目标地质灾害识别模型执行特征识别操作之前,需要将多个监测地区对应的样本灾害遥感图像切分为多个训练图像集合。例如,在地震监测中,可以收集到来自不同地震监测站点的遥感图像。将这些图像按照每个监测站点进行切分,形成多个训练图像集合,每个集合包含一个监测站点的图像。使用切分后的多个训练图像集合,对基础模型进行训练,以得到待定地质灾害识别模型。基础模型可以是一个通用的地质灾害识别模型,通过在多个监测地区的训练图像集合上进行训练,该模型可以学习到各种地质灾害的共性特征。例如,在火山喷发监测中,使用来自不同火山监测站点的切分图像集合来训练基础模型。通过训练得到的待定地质灾害识别模型,可以构建目标地质灾害识别模型。该模型将用于对目标监测地区对应的待处理遥感图像执行特征识别操作。例如,在洪水监测中,使用之前训练得到的待定地质灾害识别模型来构建目标地质灾害识别模型,并将其应用于对具体监测地区的待处理遥感图像进行洪水识别。
如此设计,将多个监测地区的样本灾害遥感图像切分为多个训练图像集合,并使用这些集合对基础模型进行训练,得到待定地质灾害识别模型。然后,使用待定地质灾害识别模型构建目标地质灾害识别模型,该模型用于对目标监测地区的待处理遥感图像进行特征识别操作。这个技术方案可以帮助根据不同监测地区的样本图像训练模型,并将其应用于目标地区的地质灾害识别任务中。
在一种可能的实施方式中,将所述多个监测地区对应的样本灾害遥感图像切分为多个训练图像集合的步骤,可以通过以下示例执行实施。
(1)对所述多个监测地区对应的样本灾害遥感图像进行分类,得到每个地区地质灾害识别结果对应的遥感图像数据集;
(2)从每个地区地质灾害识别结果中确定一个期望灾害情况和预设数量的参考灾害情况;
(3)从所述期望灾害情况对应的遥感图像数据集中提取两张样本灾害遥感图像构成所述期望灾害情况对应的数据组,以及从每个参考灾害情况对应的遥感图像数据集中提取两张样本灾害遥感图像构成每个参考灾害情况对应的数据组;
(4)根据所述期望灾害情况对应的数据组和每个参考灾害情况对应的数据组生成所述训练图像集合。
在本发明实施例中,示例性的,根据多个监测地区对应的样本灾害遥感图像,首先需要对这些图像进行分类,得到每个地区地质灾害识别结果对应的遥感图像数据集。例如,在地震监测中,将收集到来自不同地震监测站点的遥感图像,然后通过对这些图像进行地震识别,将其分类为不同地震事件的图像数据集。从每个地区地质灾害识别结果中,可以确定一个期望的灾害情况以及预设数量的参考灾害情况。例如,在洪水监测中,通过对多个监测地区的图像进行洪水识别,可以确定期望的洪水情况(如大规模洪水)以及一些参考的洪水情况(如小规模洪水)。根据期望灾害情况对应的遥感图像数据集,从中提取两张样本灾害遥感图像,构成期望灾害情况对应的数据组。同样地,从每个参考灾害情况对应的遥感图像数据集中也提取两张样本灾害遥感图像,构成每个参考灾害情况对应的数据组。这些数据组将用于后续的训练。根据期望灾害情况对应的数据组和每个参考灾害情况对应的数据组,可以生成所述训练图像集合。该集合包含了多个不同地理区域、不同灾害情况的图像样本,用于训练地质灾害识别模型。例如,在山火监测中,从期望的山火情况对应的数据组中选择两个样本山火遥感图像,并从每个参考山火情况对应的数据组中也选择两个样本山火遥感图像,然后将它们汇集在一起形成训练图像集合。
如此设计,首先切分并分类多个监测地区对应的样本灾害遥感图像,并确定期望的灾害情况和参考的灾害情况。然后,从相应的数据集中提取样本灾害遥感图像,构成期望和参考灾害情况对应的数据组。最后,通过使用这些数据组生成训练图像集合,用于地质灾害识别模型的训练。这个技术方案可以帮助利用不同地区、不同灾害情况的样本图像来构建多样化和全面性的训练数据集合,并提高地质灾害识别模型的准确性和泛化能力。
在一种可能的实施方式中,所述训练图像集合包括多个数据组;前述根据多个所述训练图像集合对基础模型进行训练的步骤,可以通过以下示例执行实施。
(1)从所述训练图像集合中选择一个数据组,将所选择数据组中的一个样本灾害遥感图像作为当前遥感图像数据,另一个样本灾害遥感图像作为与所述当前遥感图像数据相关的目标遥感图像数据,以及将所述训练图像集合中除所选择数据组之外的样本灾害遥感图像作为与所述当前遥感图像数据不相关的非目标遥感图像数据;
(2)根据所述当前遥感图像数据、所述目标遥感图像数据和所述非目标遥感图像数据对基础模型进行训练。
在本发明实施例中,示例性的,已经生成了训练图像集合。这个训练图像集合包含多个数据组,每个数据组代表不同地理区域、不同灾害情况的样本灾害遥感图像。例如,在地震监测中,可以有一个训练图像集合,其中包含来自不同地震监测站点的数据组,每个数据组包含一些地震事件的样本灾害遥感图像。从训练图像集合中选择一个数据组,并从该数据组中提取一个样本灾害遥感图像作为当前遥感图像数据。同时,还需要选择另一个样本灾害遥感图像作为与当前遥感图像数据相关的目标遥感图像数据。例如,在火山喷发监测中,可以从训练图像集合中选择一个数据组,其中包含两个样本灾害遥感图像,一个代表当前的火山喷发情况,另一个作为与当前情况相关的目标遥感图像数据(可能是之前记录的更大规模的喷发情况的图像)。然后,选择了当前遥感图像数据和相关目标遥感图像数据后,还需要从训练图像集合中除所选择的数据组之外的样本灾害遥感图像中提取一些图像作为与当前遥感图像数据不相关的非目标遥感图像数据。这些非目标遥感图像数据可以代表其他地理区域或不同类型的灾害情况。例如,在洪水监测中,除了选定的当前洪水图像和相关目标洪水图像之外,还可以从训练图像集合中提取一些非洪水图像作为非目标遥感图像数据(如干旱、山火等)。根据所选择的当前遥感图像数据、目标遥感图像数据和非目标遥感图像数据,对基础模型进行训练。这意味着将这些图像数据输入到模型中,进行特征提取和模型参数优化的过程。通过训练基础模型,可以使其学习到当前遥感图像数据与目标遥感图像数据的关联,并与非目标遥感图像数据区分开来。例如,在地震监测中,将使用所选的当前地震图像、目标地震图像以及其他非地震图像数据对基础模型进行训练,使其能够区分地震和非地震情况。从训练图像集合中选择数据组,并提取相关和非相关的遥感图像数据。然后,使用这些数据对基础模型进行训练,使其能够识别与当前遥感图像数据相关的目标情况,并区分与当前遥感图像数据不相关的非目标情况。这个技术方案可以帮助通过训练数据的选择和使用,提高基础模型在特定场景下的识别准确性和泛化能力。
在一种可能的实施方式中,前述在根据所述当前遥感图像数据、所述目标遥感图像数据和所述非目标遥感图像数据对基础模型进行训练的过程中,可以包括以下流程。
(1)分别对所述当前遥感图像数据、所述目标遥感图像数据和所述非目标遥感图像数据执行特征识别操作,得到当前数据特征、目标数据特征和非目标数据特征;
(2)计算所述当前数据特征和所述目标数据特征之间的第一偏差值,以及计算所述当前数据特征和比对数据特征之间的第二偏差值,所述比对数据特征包括所述目标数据特征和所述非目标数据特征;
(3)根据所述第一偏差值和所述第二偏差值计算代价函数。
在本发明实施例中,示例性的,在根据当前遥感图像数据、目标遥感图像数据和非目标遥感图像数据对基础模型进行训练的过程中,需要执行特征识别操作。这意味着使用基础模型对每个图像数据进行处理,提取出其特征表示。例如,在火山喷发监测中,会对当前的火山图像、目标火山图像和非火山图像数据分别执行特征识别操作,从中提取出它们的特征表示。在得到当前数据特征、目标数据特征和非目标数据特征后,需要计算当前数据特征与目标数据特征之间的第一偏差值,以及当前数据特征与比较数据特征之间的第二偏差值。比较数据特征包括目标数据特征和非目标数据特征。例如,在地震监测中,可以计算当前地震图像特征与目标地震图像特征之间的偏差值,以及当前地震图像特征与非地震图像特征之间的偏差值。根据第一偏差值和第二偏差值,可以计算代价函数。代价函数是用来衡量当前数据特征与目标数据特征之间的差异以及当前数据特征与比较数据特征之间的差异的函数。例如,在洪水监测中,可以根据第一偏差值和第二偏差值计算一个代价函数,该函数可以帮助评估当前图像数据是否与目标洪水情况更相似,并且与非洪水情况有所区分。
如此设计,在训练基础模型的过程中,首先对当前数据、目标数据和非目标数据进行特征识别操作,提取它们的特征表示。然后,根据这些特征表示计算第一偏差值和第二偏差值,衡量当前数据与目标数据以及与比较数据之间的差异。最后,通过计算代价函数,可以评估当前数据与目标数据的相似性,并确定其与非目标数据的区分度。这个技术方案可以帮助针对不同的应用场景,通过计算代价函数来优化模型的训练,使其能够更准确地识别与目标相关的遥感图像数据。
在一种可能的实施方式中,前述根据所述目标图像特征确定所述待处理遥感图像对应的地质灾害识别结果步骤,可以通过以下示例执行实施。
(1)计算所述目标图像特征与多个预设图像特征之间的匹配分数,所述预设图像特征是通过所述目标地质灾害识别模型对预设地质灾害识别结果的灾害遥感图像执行特征识别操作得到的;
(2)根据所述目标图像特征与每个预设图像特征之间的匹配分数确定所述待处理遥感图像对应的地质灾害识别结果。
在本发明实施例中,示例性的,在根据目标地质灾害图像特征确定待处理遥感图像的地质灾害识别结果的过程中,首先需要计算目标图像特征与多个预设图像特征之间的匹配分数。这些预设图像特征是通过目标地质灾害识别模型对预设地质灾害识别结果的灾害遥感图像执行特征识别操作得到的。例如,在火山喷发监测中,可以使用目标地质灾害识别模型对一组预设火山喷发图像进行特征识别操作,提取出相应的预设图像特征。然后,计算目标火山图像特征与这些预设图像特征之间的匹配分数。根据目标图像特征与每个预设图像特征之间的匹配分数,可以确定待处理遥感图像对应的地质灾害识别结果。具体而言,会比较每个预设图像特征与目标图像特征的匹配分数,并选择匹配分数最高的预设图像作为待处理图像的地质灾害识别结果。例如,在洪水监测中,可以计算目标洪水图像特征与多个预设洪水图像特征之间的匹配分数,并选择匹配分数最高的预设洪水图像作为待处理图像的地质灾害识别结果。
如此设计,使用目标地质灾害图像特征来确定待处理遥感图像对应的地质灾害识别结果。首先,计算目标图像特征与多个预设图像特征之间的匹配分数,这些预设图像特征是通过目标地质灾害识别模型对预设地质灾害图像执行特征识别操作得到的。然后,根据匹配分数选择最佳匹配的预设图像作为待处理图像的地质灾害识别结果。这个技术方案可以帮助基于目标地质灾害图像特征对待处理遥感图像进行准确的地质灾害识别。
在一种可能的实施方式中,前述根据所述目标图像特征与每个预设图像特征之间的匹配分数确定所述待处理遥感图像对应的地质灾害识别结果的步骤,可以通过以下示例执行实施。
(1)从所述目标图像特征与每个预设图像特征之间的匹配分数中确定最大匹配分数;
(2)当所述最大匹配分数大于预置匹配分数阈值时,将所述最大匹配分数对应的预设图像特征所属的预设地质灾害识别结果作为所述待处理遥感图像对应的地质灾害识别结果。
在本发明实施例中,示例性的,根据目标图像特征与每个预设图像特征之间的匹配分数,需要确定最大的匹配分数。这意味着会比较所有匹配分数,并选择其中最高的分数作为最大匹配分数。例如,在火山喷发监测中,可以计算目标火山图像特征与多个预设火山图像特征之间的匹配分数,并从中选择最高的匹配分数作为最大匹配分数。当最大匹配分数大于预置匹配分数阈值时,将最大匹配分数对应的预设图像特征所属的预设地质灾害识别结果作为待处理遥感图像的地质灾害识别结果。这意味着如果最大匹配分数足够高,达到或超过了预先设定的匹配分数阈值,可以认定待处理图像与该预设图像特征对应的地质灾害相似。例如,在洪水监测中,如果最大匹配分数超过了预先设定的洪水匹配分数阈值,可以将该最大匹配分数对应的预设洪水图像的地质灾害识别结果作为待处理洪水图像的地质灾害识别结果。
如此设计,根据目标图像特征与每个预设图像特征之间的匹配分数,确定最大匹配分数,并判断该分数是否超过预置匹配分数阈值。如果最大匹配分数高于阈值,将该最大匹配分数对应的预设图像特征所属的地质灾害识别结果作为待处理遥感图像的地质灾害识别结果。这个技术方案可以帮助在地质灾害识别中基于匹配分数来确定待处理遥感图像的地质灾害情况,并且只有当匹配分数达到一定阈值时才认定其与预设图像相似。
本发明实施例提供一种计算机设备100,计算机设备100包括处理器及存储有计算机指令的非易失性存储器,计算机指令被处理器执行时,计算机设备100执行前述的基于GIS的地质灾害实时监测方法。如图2所示,图2为本发明实施例提供的计算机设备100的结构框图。计算机设备100包括存储器111、处理器112及通信单元113。为实现数据的传输或交互,存储器111、处理器112以及通信单元113各元件相互之间直接或间接地电性连接。
出于说明目的,前面的描述是参考具体实施例而进行的。但是,上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。根据上述教导,众多修改和变化都是可行的。选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用,从而使本领域技术人员最佳地利用本公开,并利用具有不同修改的各种实施例以适于预期的特定应用。出于说明目的,前面的描述是参考具体实施例而进行的。但是,上述说明性论述并不打算穷举或将本公开局限于所公开的精确形式。根据上述教导,众多修改和变化都是可行的。选择并描述这些实施例是为了最佳地说明本公开的原理及其实际应用,从而使本领域技术人员最佳地利用本公开,并利用具有不同修改的各种实施例以适于预期的特定应用。
Claims (10)
1.一种基于GIS的地质灾害实时监测方法,其特征在于,包括:
获取针对目标监测地区的实时GIS数据;
对所述实时GIS数据进行处理,得到所述目标监测地区的待处理遥感图像;
调用预先训练的目标地质灾害识别模型,对所述待处理遥感图像进行识别,得到所述待处理遥感图像对应的地质灾害识别结果;
根据所述地质灾害识别结果,生成当前监测策略。
2.根据权利要求1所述的方法,其特征在于,所述调用预先训练的目标地质灾害识别模型,对所述待处理遥感图像进行识别,得到所述待处理遥感图像对应的地质灾害识别结果,包括:
获取所述目标监测地区中的所述待处理遥感图像;
通过所述目标监测地区对应的目标地质灾害识别模型对所述待处理遥感图像执行特征识别操作,得到所述待处理遥感图像对应的目标图像特征;其中,所述目标地质灾害识别模型是根据多个监测地区对应的样本灾害遥感图像执行模型学习之后,再根据所述目标监测地区对应的样本灾害遥感图像执行模型学习得到;
根据所述目标图像特征确定所述待处理遥感图像对应的地质灾害识别结果。
3.根据权利要求2所述的方法,其特征在于,通过所述目标监测地区对应的目标地质灾害识别模型对所述待处理遥感图像执行特征识别操作,得到所述待处理遥感图像对应的目标图像特征,包括:
通过所述目标地质灾害识别模型的隐藏层对所述待处理遥感图像执行特征转换操作,得到第一图像特征;
通过所述目标地质灾害识别模型的降维结构对所述第一图像特征执行降维操作,得到第二图像特征,其中,所述降维结构包括根据多个监测地区对应的样本灾害遥感图像执行模型学习得到的待定地质灾害识别模型;
通过所述目标地质灾害识别模型的特征提取结构对所述第二图像特征执行下采样操作,得到低维图像特征;
对所述低维图像特征执行特征压缩操作,得到所述目标图像特征,其中,所述目标图像特征的特征数量小于所述第一图像特征的特征数量。
4.根据权利要求3所述的方法,其特征在于,对所述待处理遥感图像执行特征转换操作,得到第一图像特征,包括:
对所述待处理遥感图像执行切割操作,得到待处理遥感图像块;
对所述待处理遥感图像块中的每个区域执行特征转换操作,得到所述第一图像特征。
5.根据权利要求2所述的方法,其特征在于,在通过所述目标监测地区对应的目标地质灾害识别模型对所述待处理遥感图像执行特征识别操作之前,所述方法还包括:
获取所述目标监测地区中每个预设地质灾害识别结果对应的样本目标数据集合和样本非目标数据集合;所述样本目标数据集合包括与所述预设地质灾害识别结果相关的多个样本目标灾害遥感图像,所述样本非目标数据集合包括与所述预设地质灾害识别结果不相关的多个样本非目标灾害遥感图像;
将所述预设地质灾害识别结果对应的样本目标数据集合中的样本目标灾害遥感图像进行执行关联操作,生成多个样本目标灾害遥感图像组;
将所述预设地质灾害识别结果对应的样本目标数据集合中的样本目标灾害遥感图像与所述预设地质灾害识别结果对应的样本非目标数据集合中的样本非目标灾害遥感图像进行执行关联操作,形成多个样本非目标灾害遥感图像组;
根据所述多个样本目标灾害遥感图像组和所述多个样本非目标灾害遥感图像组生成所述预设地质灾害识别结果对应的训练数据池;
基于每个预设地质灾害识别结果对应的训练数据池构建所述训练数据池,并根据由所述多个监测地区对应的样本灾害遥感图像执行模型学习得到的待定地质灾害识别模型构建中间地质灾害识别模型;
基于所述训练数据池对所述中间地质灾害识别模型进行训练,得到所述目标地质灾害识别模型。
6.根据权利要求5所述的方法,其特征在于,所述训练数据池包括多个样本灾害遥感图像组,所述样本灾害遥感图像组包括第一样本灾害遥感图像、第二样本灾害遥感图像以及所述第一样本灾害遥感图像和所述第二样本灾害遥感图像的预置灾害类型;在基于所述训练数据池对所述中间地质灾害识别模型进行训练的过程中,所述方法包括:
对所述样本灾害遥感图像组中的第一样本灾害遥感图像和第二样本灾害遥感图像分别执行特征识别操作,得到所述第一样本灾害遥感图像对应的数据特征和所述第二样本灾害遥感图像对应的数据特征;
根据所述第一样本灾害遥感图像对应的数据特征和所述第二样本灾害遥感图像对应的数据特征之间的偏差以及所述第一样本灾害遥感图像和所述第二样本灾害遥感图像的预置灾害类型计算代价函数。
7.根据权利要求2所述的方法,其特征在于,在通过所述目标监测地区对应的目标地质灾害识别模型对所述待处理遥感图像执行特征识别操作之前,所述方法还包括:
对所述多个监测地区对应的样本灾害遥感图像进行分类,得到每个地区地质灾害识别结果对应的遥感图像数据集;
从每个地区地质灾害识别结果中确定一个期望灾害情况和预设数量的参考灾害情况;
从所述期望灾害情况对应的遥感图像数据集中提取两张样本灾害遥感图像构成所述期望灾害情况对应的数据组,以及从每个参考灾害情况对应的遥感图像数据集中提取两张样本灾害遥感图像构成每个参考灾害情况对应的数据组;
根据所述期望灾害情况对应的数据组和每个参考灾害情况对应的数据组生成训练图像集合,所述训练图像集合包括多个数据组;
从所述训练图像集合中选择一个数据组,将所选择数据组中的一个样本灾害遥感图像作为当前遥感图像数据,另一个样本灾害遥感图像作为与所述当前遥感图像数据相关的目标遥感图像数据,以及将所述训练图像集合中除所选择数据组之外的样本灾害遥感图像作为与所述当前遥感图像数据不相关的非目标遥感图像数据;
根据所述当前遥感图像数据、所述目标遥感图像数据和所述非目标遥感图像数据对基础模型进行训练,得到待定地质灾害识别模型,所述待定地质灾害识别模型用于构建所述目标地质灾害识别模型。
8.根据权利要求7所述的方法,其特征在于,在根据所述当前遥感图像数据、所述目标遥感图像数据和所述非目标遥感图像数据对基础模型进行训练的过程中,所述方法包括:
分别对所述当前遥感图像数据、所述目标遥感图像数据和所述非目标遥感图像数据执行特征识别操作,得到当前数据特征、目标数据特征和非目标数据特征;
计算所述当前数据特征和所述目标数据特征之间的第一偏差值,以及计算所述当前数据特征和比对数据特征之间的第二偏差值,所述比对数据特征包括所述目标数据特征和所述非目标数据特征;
根据所述第一偏差值和所述第二偏差值计算代价函数。
9.根据权利要求2所述的方法,其特征在于,根据所述目标图像特征确定所述待处理遥感图像对应的地质灾害识别结果,包括:
计算所述目标图像特征与多个预设图像特征之间的匹配分数,所述预设图像特征是通过所述目标地质灾害识别模型对预设地质灾害识别结果的灾害遥感图像执行特征识别操作得到的;
从所述目标图像特征与每个预设图像特征之间的匹配分数中确定最大匹配分数;
当所述最大匹配分数大于预置匹配分数阈值时,将所述最大匹配分数对应的预设图像特征所属的预设地质灾害识别结果作为所述待处理遥感图像对应的地质灾害识别结果。
10.一种服务器系统,其特征在于,包括服务器,所述服务器用于执行权利要求1-9中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410044733.9A CN118150484A (zh) | 2024-01-12 | 2024-01-12 | 一种基于gis的地质灾害实时监测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410044733.9A CN118150484A (zh) | 2024-01-12 | 2024-01-12 | 一种基于gis的地质灾害实时监测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118150484A true CN118150484A (zh) | 2024-06-07 |
Family
ID=91287844
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410044733.9A Pending CN118150484A (zh) | 2024-01-12 | 2024-01-12 | 一种基于gis的地质灾害实时监测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118150484A (zh) |
-
2024
- 2024-01-12 CN CN202410044733.9A patent/CN118150484A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111144651A (zh) | 一种地质灾害的预测方法、装置及设备 | |
Moya et al. | Detection of collapsed buildings from lidar data due to the 2016 Kumamoto earthquake in Japan | |
CN115688404B (zh) | 基于svm-rf模型的降雨型滑坡预警方法 | |
CN111008337B (zh) | 一种基于三元特征的深度注意力谣言鉴别方法及装置 | |
Zhang et al. | Cross-domain landslide mapping from large-scale remote sensing images using prototype-guided domain-aware progressive representation learning | |
CN111445011A (zh) | 一种基于气象和遥感数据的山火预警方法 | |
CN117576581B (zh) | 基于图像处理的地质勘探遥感监测方法 | |
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 | |
Yu et al. | Earthquake crack detection from aerial images using a deformable convolutional neural network | |
KR20200052398A (ko) | 머신 러닝 기법을 이용한 산사태 취약성 지도 작성 방법 및 장치 | |
CN117556197A (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
Ilmy et al. | Application of machine learning on google earth engine to produce landslide susceptibility mapping (case study: Pacitan) | |
CN117874499A (zh) | 一种基于动态数据监测的地质灾害预警方法及系统 | |
CN117540303A (zh) | 基于交叉半监督机器学习算法的滑坡易发性评估方法及系统 | |
Agrawal et al. | Classification of natural disaster using satellite & drone images with CNN using transfer learning | |
CN113516060A (zh) | 基于多时相高分辨率数据的建筑空间融合判别方法及装置 | |
Moya et al. | Detection of collapsed buildings due to the 2016 Kumamoto, Japan, earthquake from Lidar data | |
CN111080080B (zh) | 一种村镇地质灾害风险预估方法及系统 | |
Zhang et al. | Landslide susceptibility mapping using novel hybrid model based on different mapping units | |
CN112508060A (zh) | 一种基于图卷积神经网络的滑坡体状态判断方法及系统 | |
CN118150484A (zh) | 一种基于gis的地质灾害实时监测方法及系统 | |
CN115019476B (zh) | 一种基于多源信息融合的滑坡时空信息监测预警方法 | |
CN115311574A (zh) | 一种建筑物监测方法、设备及介质 | |
CN114997666A (zh) | 一种区域泥石流易发性评估方法 | |
Liu et al. | Peaks fusion assisted early-stopping strategy for overhead imagery segmentation with noisy labels |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |