CN118379641B - 顾及坡体的滑坡判识提取方法、系统、设备及存储介质 - Google Patents
顾及坡体的滑坡判识提取方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN118379641B CN118379641B CN202410845309.4A CN202410845309A CN118379641B CN 118379641 B CN118379641 B CN 118379641B CN 202410845309 A CN202410845309 A CN 202410845309A CN 118379641 B CN118379641 B CN 118379641B
- Authority
- CN
- China
- Prior art keywords
- landslide
- disaster
- extraction
- identification
- slope
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 73
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 230000005855 radiation Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000012937 correction Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 20
- 238000011161 development Methods 0.000 claims description 12
- 239000000443 aerosol Substances 0.000 claims description 10
- 238000003384 imaging method Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 230000003595 spectral effect Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000002310 reflectometry Methods 0.000 claims description 3
- 238000005316 response function Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 2
- 230000035935 pregnancy Effects 0.000 claims 5
- 238000005520 cutting process Methods 0.000 claims 3
- 238000011160 research Methods 0.000 claims 3
- 238000001228 spectrum Methods 0.000 claims 3
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 12
- 231100001267 hazard identification Toxicity 0.000 description 9
- 230000008569 process Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 1
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 1
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 1
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 1
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 1
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5854—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using shape and object relationship
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5862—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/469—Contour-based spatial representations, e.g. vector-coding
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/58—Extraction of image or video features relating to hyperspectral data
-
- 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
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/94—Hardware or software architectures specially adapted for image or video understanding
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Library & Information Science (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Remote Sensing (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明公开了一种顾及坡体的滑坡判识提取方法、系统、设备及存储介质,属于地质灾害遥感判识领域,其中顾及坡体的滑坡判识提取方法包括以下步骤:获取研究区范围内去噪声和去云后的遥感影像,并进行条带处理、辐射定标、大气校正、影像裁剪、线性拉伸,建立滑坡灾害影像数据库;接着选择不同的滑坡灾害体,建立滑坡灾害样本库、判识知识库和规则库;然后结合滑坡灾害影像各种数据,形成编目数据库;最后引入坡体分类及提取结果,修正并优化,建立顾及坡体单元的滑坡灾害时空数据库。本发明针对滑坡灾害遥感判识提取精确度问题,引入坡体单元对其结果进行优化,既降低滑坡灾害判识提取错分率、漏分率,又为滑坡灾害监测预警决策部署提供借鉴。
Description
技术领域
本发明涉及地质灾害遥感判识技术领域,尤其是涉及一种顾及坡体的滑坡判识提取方法、系统、设备及存储介质。
背景技术
目前,滑坡灾害遥感判识提取方法多元化、程序化、智能化,不同的方法模型提取的结果具有差异化,其决定了判识提取的准确度和精确度。根据地质灾害判识提取准确性高的需求,需要细化提取的滑坡灾害,区分一个滑坡群或多个滑坡体。大部分滑坡灾害判识提取是大面积区域滑坡灾害,而实则是多个滑坡灾害组成的,仍不能满足现有精细化滑坡灾害判识提取方法的需求,因此,亟需考虑微观地形地貌特征,顾及坡体单元,优化滑坡灾害判识提取方法。一种顾及坡体单元的滑坡判识提取与优化方法是研究滑坡灾害危险性评估、易发性评估、易损性评估的前提条件,对于提高滑坡灾害风险评估的准确性、判识提取精度、监测预警成效等具有重要作用。
发明内容
本发明的目的是提供一种顾及坡体的滑坡判识提取方法、系统、设备及存储介质,针对滑坡灾害遥感判识提取精确度、准确度问题,引入坡体单元对其结果进行优化,既降低了滑坡灾害判识提取的错分率、漏分率,又为滑坡灾害监测预警决策部署提供借鉴。
为实现上述目的,本发明提供了一种顾及坡体的滑坡判识提取方法,包括以下步骤:
步骤S1:利用GEE云平台,选取研究区范围内的Landsat系列遥感影像,并完成噪声剔除和云量去除,进行条带处理、辐射定标、大气校正、影像裁剪、线性拉伸多源时序遥感影像预处理,建立滑坡灾害影像数据库;
步骤S2:选择不同类型、规模、发育阶段、孕灾条件、季节的滑坡灾害体,建立滑坡灾害样本库,在此基础上,分析滑坡灾害的几何特征、色彩特征、光谱特征、纹理特征、孕灾特征、致灾特征,建立滑坡灾害判识知识库和规则库;
步骤S3:结合滑坡灾害影像数据库、样本库、知识库和规则库,建立滑坡灾害遥感判识模型和信息提取方法,实现滑坡灾害快速判识提取,形成滑坡灾害编目数据库;
步骤S4:引入坡体分类及提取结果,修正并优化滑坡灾害编目数据库,建立顾及坡体单元的滑坡灾害时空数据库;
步骤S5:设计并研制顾及坡体单元的滑坡灾害判识提取与优化系统、设备及存储介质。
优选的,步骤S1包括以下步骤:
S101、基于GEE云平台,剔除噪声影响,去除云量遮挡,下载遥感影像;
S102、对存在条纹现象的遥感影像进行条带处理;
S103、进行辐射定标处理,将图像的数字量化值DN转化为辐射亮度值或者反射率;
S104、进行FLAASH大气校正,消除大气和光照因素对地物反射的影响,基于辐射定标结果数据,设置传感器基本参数、大气模型参数、气溶胶模型、气溶胶反演方法、多光谱数据参数、波谱响应函数自动获取各Landsat影像的传感器;
S105、进行影像裁剪,使用矢量数据裁剪出研究区范围的影像;
S106、进行线性拉伸,将图像的DN值进行拉伸;
S107、基于以上遥感影像预处理结果,建立滑坡灾害影像数据库。
优选的,S101中,下载Landsat5 TM、Landsat7 ETM+、Landsat8 OLI、Landsat9OLI-2遥感影像;
S103中,定标类型选择辐射率数据,储存顺序为BIL格式,数据类型为浮点型,辐射率数据单位调整系数为0.10,设置为FLAASH大气校正需要的数据类型;
S104中,传感器基本参数包括中心点经纬度、传感器类型、影像区域的平均地面高程、影像成像时间;大气模型参数根据成像时间和纬度信息规则选择;设置气溶胶模型是Urban或Rural,设置气溶胶反演方法为2-band,K-T;设置多光谱数据参数选择Over-LandRetrieval standard,600:2100;
S106中,将图像的DN值拉伸至0-255范围内;
S107中,滑坡灾害影像数据库包括编号、数据类型、传感器、条带号、行编号、中心经度、中心纬度、成像时间字段信息。
优选的,步骤S2包括以下步骤:
S201、选择不同类型的滑坡灾害体;
S202、选择不同规模的滑坡灾害体;
S203、选择不同发育阶段的滑坡灾害体;
S204、选择不同孕灾条件的滑坡灾害体;
S205、选择不同季节的滑坡灾害体;
S206、建立滑坡灾害样本库;
S207、基于滑坡灾害样本库,分析滑坡灾害的几何特征、色彩特征、光谱特征、纹理特征、孕灾特征、致灾特征;
S208、建立滑坡灾害判识知识库和规则库。
优选的,S201中,滑坡灾害发育与形成因地质环境的影响,呈不同的形状与轮廓,滑坡灾害体的类型包括条状、块状、零星状;
S202中,不同规模的滑坡灾害体包括小型滑坡灾害体、中型滑坡灾害体、大型滑坡灾害体;
S203中,随时间推移,滑坡灾害体的形状、面积、位置会发生变化,进而形成不同发育阶段的滑坡灾害体;
S204中,孕灾条件包括水系分布特征、植被覆盖特征、人类活动特征;
S205中,季节包括雨季、非雨季,定义雨季为该年5-10月、非雨季为该年11月-次年4月。
优选的,步骤S3包括以下步骤:
S301、结合滑坡灾害影像数据库、样本库、知识库和规则库,采用监督分类、非监督分类方法人机交互遥感判识提取滑坡灾害;
S302、将提取的滑坡灾害进行整编集成,形成滑坡灾害编目数据库,滑坡灾害编目数据库包括编号、年份、季节、中心经度、中心纬度、类型、规模字段信息。
优选的,步骤S4包括以下步骤:
S401、引入坡体分类及提取结果;
S402、采用标识分析方法,将坡体单元图层的属性信息赋给滑坡灾害图层;
S403、将优化的滑坡灾害图层导出至新的矢量图层,建立顾及坡体单元的滑坡灾害时空数据库;
S404、基于以上结果统计有无顾及坡体单元的滑坡灾害数量。
本发明提供的一种顾及坡体的滑坡判识提取系统,应用上述顾及坡体的滑坡判识提取方法,包括
数据预处理与建库模块:根据研究区范围矢量数据,获取并展示范围线内的高质量数据源,经过数据源处理,建立滑坡灾害影像数据库;
数据样本提取与知识规则构建模块:选取多元化、多样化、多维化滑坡灾害样本,分析范围区内滑坡灾害几何特征、色彩特征、光谱特征、纹理特征、孕灾特征、致灾特征,建立滑坡灾害遥感判识知识库和规则库;
滑坡灾害遥感判识模型和信息提取模块:根据影像数据库、样本库、知识库和规则库,采用监督、非监督分类方法人机交互判识提取滑坡灾害,形成滑坡灾害编目数据库;
坡体单元优化修正模块:引入坡体单元分类及提取结果,修正并优化滑坡灾害编目数据库;
滑坡灾害时空数据库模块:综合上述模块内容,建立顾及坡体单元的滑坡灾害时空数据库。
本发明提供的一种顾及坡体的滑坡判识提取设备,包括
一个或多个处理器;
存储器,用于存储一个或多个程序;
当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上述顾及坡体的滑坡判识提取方法。
本发明提供的一种顾及坡体的滑坡判识提取存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述顾及坡体的滑坡判识提取方法。
因此,本发明采用上述一种顾及坡体的滑坡判识提取方法、系统、设备及存储介质,具有以下有益效果:
(1)本发明针对滑坡灾害遥感判识提取精确度、准确度问题,引入坡体单元对其结果进行优化,既降低了滑坡灾害判识提取的错分率、漏分率,又为滑坡灾害监测预警决策部署提供借鉴;
(2)本发明的方法顾及坡体单元,是研究滑坡灾害危险性评估、易发性评估、易损性评估的前提条件,对于提高滑坡灾害风险评估的准确性、判识提取精度、监测预警成效等具有重要作用。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明实施例的顾及坡体的滑坡判识提取方法流程图;
图2为本发明实施例的顾及坡体的滑坡判识提取方法技术路线图;
图3为本发明实施例的时序遥感影像数据库示意图;
图4为本发明实施例的不同类型滑坡灾害体示意图;
图5为本发明实施例的不同规模滑坡灾害体示意图;
图6为本发明实施例的不同发育阶段滑坡灾害体示意图;
图7为本发明实施例的不同孕灾条件滑坡灾害体示意图;
图8为本发明实施例的雨季滑坡灾害体示意图;
图9为本发明实施例的非雨季滑坡灾害体示意图;
图10为本发明实施例的滑坡灾害影像数据库示意图;
图11为本发明实施例的滑坡灾害判识知识库和规则库对应的影像图;
图12为本发明实施例的有无基于坡体单元时序滑坡数量变化特征图;
图13为本发明实施例的顾及坡体的滑坡判识提取系统示意图;
图14为本发明实施例的顾及坡体单元的滑坡判识提取设备示意图。
具体实施方式
为了使本发明实施例公开的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明实施例进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本发明实施例,并不用于限定本发明实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本申请保护的范围。所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。
需要说明的是,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中,需要说明的是,术语“上”、“下”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系,或者是该发明产品使用时惯常摆放的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
如图1、图2所示,本发明所述的顾及坡体的滑坡判识提取方法,包括以下步骤:
步骤S1:利用GEE云平台,选取研究区范围内的Landsat系列遥感影像,并完成噪声剔除和云量去除,进行条带处理、辐射定标、大气校正、影像裁剪、线性拉伸等多源时序遥感影像预处理,建立滑坡灾害影像数据库。
S101.基于谷歌地球引擎(GEE)云平台,剔除噪声影响,去除云量遮挡,下载Landsat5 TM、Landsat7 ETM+、Landsat8 OLI、Landsat9 OLI-2遥感影像;
S102.部分遥感影像存在条纹现象,需进行条带处理,即Single file gap fill(triangulation);
S103.进行辐射定标处理,即将图像的数字量化值(DN)转化为辐射亮度值或者反射率的处理过程,定标类型选择辐射率数据,储存顺序为BIL格式,数据类型为浮点型,辐射率数据单位调整系数为0.10,即设置为FLAASH大气校正需要的数据类型;
S104.进行FLAASH大气校正,即消除大气和光照等因素对地物反射的影响,基于辐射定标结果数据,设置传感器基本参数,包括中心点经纬度、传感器类型、影像区域的平均地面高程、影像成像时间(格林威治时间),设置大气模型参数,其根据成像时间和纬度信息规则选择,设置气溶胶模型是Urban或Rural,设置气溶胶反演方法为2-band(K-T),设置多光谱数据参数,选择Over-Land Retrieval standard(600:2100),波谱响应函数自动获取各Landsat影像的传感器;
S105.进行影像裁剪,即使用矢量数据(*.shp)裁剪出研究区范围的影像;
S106.进行线性拉伸,即将图像的DN值拉伸至0-255范围内;
S107.基于以上遥感影像预处理结果,建立滑坡灾害影像数据库,包括编号、数据类型、传感器、条带号(path)、行编号(row)、中心经度、中心纬度、成像时间等字段。
如图3所示,展示了时序遥感影像数据库,下表为时序遥感影像数据集。
表1 时序遥感影像数据集
;
步骤S2:选择不同类型、规模、发育阶段、孕灾条件、季节的滑坡灾害体,建立滑坡灾害样本库,在此基础上,分析滑坡灾害的几何特征、色彩特征、光谱特征、纹理特征、孕灾特征、致灾特征,建立滑坡灾害判识知识库和规则库。
S201.选择不同类型的滑坡灾害体,包括条状、块状、零星状等,滑坡灾害发育与形成因地质环境的影响,呈不同的形状与轮廓,具体见图4;
S202.选择不同规模的滑坡灾害体,包括小型、中型、大型,具体见图5;
S203.选择不同发育阶段的滑坡灾害体,即随时间推移,滑坡灾害体的形状、面积、位置变化情况,具体见图6;
S204.选择不同孕灾条件的滑坡灾害体,包括水系分布特征、植被覆盖特征、人类活动特征,河流、植被和人类活动间接影响滑坡灾害的发生,具体见图7;
S205.选择不同季节的滑坡灾害体,包括雨季、非雨季,定义雨季为该年5-10月、非雨季为该年11月-次年4月,具体见图8和图9;
S206.建立滑坡灾害样本库;
S207.基于滑坡灾害样本库,分析滑坡灾害的几何特征、色彩特征、光谱特征、纹理特征、孕灾特征、致灾特征,即形状与轮廓、RGB通道颜色设置、波段数量选择、灰度共生矩阵特征、地物分布特征、坡型特征;
S208.如图10所示,建立滑坡灾害判识知识库和规则库,具体内容见表2,图11展示了滑坡灾害判识知识库和规则库对应的影像图。
表2 滑坡灾害判识知识库和规则库
;
步骤S3:结合滑坡灾害影像数据库、样本库、知识库和规则库,建立滑坡灾害遥感判识模型和信息提取方法,实现滑坡灾害快速判识提取,形成滑坡灾害编目数据库。
S301.结合滑坡灾害影像数据库、样本库、知识库和规则库,采用监督分类、非监督分类方法人机交互遥感判识提取滑坡灾害;
S302.将提取的滑坡灾害进行整编集成,形成滑坡灾害编目数据库,包括编号、年份、季节(雨季/非雨季)、中心经度、中心纬度、类型、规模等字段信息。
步骤S4:引入坡体分类及提取结果,修正并优化滑坡灾害编目数据库,建立顾及坡体单元的滑坡灾害时空数据库。
S401.引入坡体分类及提取结果,坡体分类提取采用方法为:
首先基于数字高程模型DEM进行地形分析,筛选特征地形因子,即曲率、地形起伏度、坡度;然后结合研究区微地貌特征,界定阈值,并对各地形因子进行分类分级划分,制定坡体单元分类方案;接着基于“小流域-山体-斜坡-坡体”体系初步划分坡体单元;最后融合高分影像和高精度DEM,基于三维虚拟场景特征优化坡体单元。
S402.采用标识分析方法,既将坡体单元图层的属性信息赋给滑坡灾害图层,即其增加一个属性字段,又将一个滑坡群分割为多个滑坡灾害,得到共13825个滑坡样本;
S403.将优化的滑坡灾害图层导出至新的矢量图层,即建立顾及坡体单元的滑坡灾害时空数据库;
S404.基于以上结果统计有无顾及坡体单元的滑坡灾害数量,如表3、图12所示。
表3 有无基于坡体单元时序滑坡数量统计
;
步骤S5:设计并研制顾及坡体单元的滑坡灾害判识提取与优化系统、设备及存储介质。
如图13所示,本发明所述的一种顾及坡体的滑坡判识提取系统,应用上述顾及坡体的滑坡判识提取方法,包括
数据预处理与建库模块:根据研究区范围矢量数据,获取并展示范围线内的高质量数据源,经过数据源处理,建立滑坡灾害影像数据库;
数据样本提取与知识规则构建模块:选取多元化、多样化、多维化滑坡灾害样本,分析范围区内滑坡灾害几何特征、色彩特征、光谱特征、纹理特征、孕灾特征、致灾特征,建立滑坡灾害遥感判识知识库和规则库;
滑坡灾害遥感判识模型和信息提取模块:根据影像数据库、样本库、知识库和规则库,采用监督、非监督分类方法人机交互判识提取滑坡灾害,形成滑坡灾害编目数据库;
坡体单元优化修正模块:引入坡体单元分类及提取结果,修正并优化滑坡灾害编目数据库;
滑坡灾害时空数据库模块:综合上述模块内容,建立顾及坡体单元的滑坡灾害时空数据库。
如图14所示,本发明所述的一种顾及坡体的滑坡判识提取设备,包括
一个或多个处理器;
存储器,用于存储一个或多个程序;
当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如上述顾及坡体的滑坡判识提取方法。
本发明所述的一种顾及坡体的滑坡判识提取存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述顾及坡体的滑坡判识提取方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (4)
1.一种顾及坡体的滑坡判识提取方法,其特征在于:包括以下步骤:
步骤S1:利用GEE云平台,选取研究区范围内的Landsat系列遥感影像,并完成噪声剔除和云量去除,进行条带处理、辐射定标、大气校正、影像裁剪、线性拉伸多源时序遥感影像预处理,建立滑坡灾害影像数据库;
步骤S2:选择不同类型、规模、发育阶段、孕灾条件、季节的滑坡灾害体,建立滑坡灾害样本库,在此基础上,分析滑坡灾害的几何特征、色彩特征、光谱特征、纹理特征、孕灾特征、致灾特征,建立滑坡灾害判识知识库和规则库;
步骤S3:结合滑坡灾害影像数据库、样本库、知识库和规则库,建立滑坡灾害遥感判识模型和信息提取方法,实现滑坡灾害快速判识提取,形成滑坡灾害编目数据库;
步骤S4:引入坡体分类及提取结果,修正并优化滑坡灾害编目数据库,建立顾及坡体单元的滑坡灾害时空数据库;
步骤S5:设计并研制顾及坡体单元的滑坡灾害判识提取与优化系统、设备及存储介质;
步骤S1包括以下步骤:
S101、基于GEE云平台,剔除噪声影响,去除云量遮挡,下载遥感影像;
S101中,下载Landsat5 TM、Landsat7 ETM+、Landsat8 OLI、Landsat9 OLI-2遥感影像;
S102、对存在条纹现象的遥感影像进行条带处理;
S103、进行辐射定标处理,将图像的数字量化值DN转化为辐射亮度值或者反射率;
S103中,定标类型选择辐射率数据,储存顺序为BIL格式,数据类型为浮点型,辐射率数据单位调整系数为0.10,设置为FLAASH大气校正需要的数据类型;
S104、进行FLAASH大气校正,消除大气和光照因素对地物反射的影响,基于辐射定标结果数据,设置传感器基本参数、大气模型参数、气溶胶模型、气溶胶反演方法、多光谱数据参数、波谱响应函数自动获取各Landsat影像的传感器;
S104中,传感器基本参数包括中心点经纬度、传感器类型、影像区域的平均地面高程、影像成像时间;大气模型参数根据成像时间和纬度信息规则选择;设置气溶胶模型是Urban或Rural,设置气溶胶反演方法为2-band,K-T;设置多光谱数据参数选择Over-LandRetrieval standard,600:2100;
S105、进行影像裁剪,使用矢量数据裁剪出研究区范围的影像;
S106、进行线性拉伸,将图像的DN值进行拉伸;S106中,将图像的DN值拉伸至0-255范围内;
S107、基于以上遥感影像预处理结果,建立滑坡灾害影像数据库;
S107中,滑坡灾害影像数据库包括编号、数据类型、传感器、条带号、行编号、中心经度、中心纬度、成像时间字段信息;
步骤S2包括以下步骤:
S201、选择不同类型的滑坡灾害体;S201中,滑坡灾害发育与形成因地质环境的影响,呈不同的形状与轮廓,滑坡灾害体的类型包括条状、块状、零星状;
S202、选择不同规模的滑坡灾害体;S202中,不同规模的滑坡灾害体包括小型滑坡灾害体、中型滑坡灾害体、大型滑坡灾害体;
S203、选择不同发育阶段的滑坡灾害体;S203中,随时间推移,滑坡灾害体的形状、面积、位置会发生变化,进而形成不同发育阶段的滑坡灾害体;
S204、选择不同孕灾条件的滑坡灾害体;S204中,孕灾条件包括水系分布特征、植被覆盖特征、人类活动特征;
S205、选择不同季节的滑坡灾害体;S205中,季节包括雨季、非雨季,定义雨季为该年5-10月、非雨季为该年11月-次年4月;
S206、建立滑坡灾害样本库;
S207、基于滑坡灾害样本库,分析滑坡灾害的几何特征、色彩特征、光谱特征、纹理特征、孕灾特征、致灾特征;
S208、建立滑坡灾害判识知识库和规则库;
步骤S3包括以下步骤:
S301、结合滑坡灾害影像数据库、样本库、知识库和规则库,采用监督分类、非监督分类方法人机交互遥感判识提取滑坡灾害;
S302、将提取的滑坡灾害进行整编集成,形成滑坡灾害编目数据库,滑坡灾害编目数据库包括编号、年份、季节、中心经度、中心纬度、类型、规模字段信息;
步骤S4包括以下步骤:
S401、引入坡体分类及提取结果;
S402、采用标识分析方法,将坡体单元图层的属性信息赋给滑坡灾害图层;
S403、将优化的滑坡灾害图层导出至新的矢量图层,建立顾及坡体单元的滑坡灾害时空数据库;
S404、基于以上结果统计有无顾及坡体单元的滑坡灾害数量。
2.一种顾及坡体的滑坡判识提取系统,应用如权利要求1所述的顾及坡体的滑坡判识提取方法,其特征在于:包括
数据预处理与建库模块:根据研究区范围矢量数据,获取并展示范围线内的高质量数据源,经过数据源处理,建立滑坡灾害影像数据库;
数据样本提取与知识规则构建模块:选取多元化、多样化、多维化滑坡灾害样本,分析范围区内滑坡灾害几何特征、色彩特征、光谱特征、纹理特征、孕灾特征、致灾特征,建立滑坡灾害遥感判识知识库和规则库;
滑坡灾害遥感判识模型和信息提取模块:根据影像数据库、样本库、知识库和规则库,采用监督、非监督分类方法人机交互判识提取滑坡灾害,形成滑坡灾害编目数据库;
坡体单元优化修正模块:引入坡体单元分类及提取结果,修正并优化滑坡灾害编目数据库;
滑坡灾害时空数据库模块:综合上述模块内容,建立顾及坡体单元的滑坡灾害时空数据库。
3.一种顾及坡体的滑坡判识提取设备,其特征在于:包括
一个或多个处理器;
存储器,用于存储一个或多个程序;
当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如权利要求1所述的顾及坡体的滑坡判识提取方法。
4.一种顾及坡体的滑坡判识提取存储介质,其上存储有计算机程序,其特征在于:该计算机程序被处理器执行时实现如权利要求1所述的顾及坡体的滑坡判识提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410845309.4A CN118379641B (zh) | 2024-06-27 | 2024-06-27 | 顾及坡体的滑坡判识提取方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410845309.4A CN118379641B (zh) | 2024-06-27 | 2024-06-27 | 顾及坡体的滑坡判识提取方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118379641A CN118379641A (zh) | 2024-07-23 |
CN118379641B true CN118379641B (zh) | 2024-09-06 |
Family
ID=91904381
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410845309.4A Active CN118379641B (zh) | 2024-06-27 | 2024-06-27 | 顾及坡体的滑坡判识提取方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118379641B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115439742A (zh) * | 2022-08-10 | 2022-12-06 | 中国科学院地理科学与资源研究所 | 滑坡识别方法、装置、电子设备及存储介质 |
CN118135743A (zh) * | 2024-04-16 | 2024-06-04 | 成都理工大学 | 一种地质灾害监测方法、设备、介质及产品 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113780174B (zh) * | 2021-09-10 | 2023-09-15 | 福州大学 | 结合随机森林算法的高植被台风暴雨型滑坡识别方法 |
CN114333241B (zh) * | 2021-12-08 | 2022-10-11 | 电子科技大学 | 基于事件触发的滑坡灾害点大数据采集与样本库更新方法 |
CN116612383A (zh) * | 2023-04-24 | 2023-08-18 | 中国地质大学(武汉) | 基于生成对抗网络数据扩充策略的滑坡识别方法及装置 |
CN117253162A (zh) * | 2023-10-10 | 2023-12-19 | 云南师范大学 | 顾及多源特征融合的滑坡识别、模型构建的方法及装置 |
CN117576577A (zh) * | 2023-11-03 | 2024-02-20 | 中国地质调查局武汉地质调查中心(中南地质科技创新中心) | 一种降雨型土质滑坡隐患早期识别方法 |
-
2024
- 2024-06-27 CN CN202410845309.4A patent/CN118379641B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115439742A (zh) * | 2022-08-10 | 2022-12-06 | 中国科学院地理科学与资源研究所 | 滑坡识别方法、装置、电子设备及存储介质 |
CN118135743A (zh) * | 2024-04-16 | 2024-06-04 | 成都理工大学 | 一种地质灾害监测方法、设备、介质及产品 |
Also Published As
Publication number | Publication date |
---|---|
CN118379641A (zh) | 2024-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Wheat ear counting using K-means clustering segmentation and convolutional neural network | |
Ma et al. | National-scale greenhouse mapping for high spatial resolution remote sensing imagery using a dense object dual-task deep learning framework: A case study of China | |
Kamal et al. | Assessment of multi-resolution image data for mangrove leaf area index mapping | |
Potapov et al. | Regional-scale boreal forest cover and change mapping using Landsat data composites for European Russia | |
Saatchi et al. | Modeling distribution of Amazonian tree species and diversity using remote sensing measurements | |
KR100678395B1 (ko) | 위성영상과 항공영상을 이용한 지리정보 데이터의 실시간위치보정 시스템 및 그 방법 | |
CN112884764B (zh) | 提取图像中地块的方法、装置、电子设备及存储介质 | |
CN112906537A (zh) | 一种基于卷积神经网络的农作物识别方法及系统 | |
CN109919083A (zh) | 一种基于Sentinel-2影像数据的早期自动化冬小麦制图方法 | |
CN108932521A (zh) | 一种基于深度学习的农作物分类方法及系统 | |
Kobayashi et al. | A new global tree-cover percentage map using MODIS data | |
CN115861629A (zh) | 一种高分耕地影像提取方法 | |
CN113780307A (zh) | 一种区域年度最大蓝绿空间信息提取方法 | |
Zhu et al. | An automatic system for reconstructing High-quality seasonal Landsat time series | |
Lee et al. | Cost-effective and accurate monitoring of flowering across multiple tropical tree species over two years with a time series of high-resolution drone imagery and deep learning | |
Anderson et al. | Influence of landscape heterogeneity on spatial patterns of wood productivity, wood specific density and above ground biomass in Amazonia | |
Li et al. | Cropland data fusion and correction using spatial analysis techniques and the Google Earth Engine | |
CN117932255A (zh) | 一种基于大气表观反射率的pm2.5浓度估算方法 | |
Cihlar et al. | From need to product: a methodology for completing a land cover map of Canada with Landsat data | |
Symeonakis et al. | Multi-temporal land-cover classification and change analysis with conditional probability networks: The case of Lesvos Island (Greece) | |
Ravirathinam et al. | Combining satellite and weather data for crop type mapping: An inverse modelling approach | |
Suyadi et al. | Sources of uncertainty in mapping temperate mangroves and their minimization using innovative methods | |
CN118379641B (zh) | 顾及坡体的滑坡判识提取方法、系统、设备及存储介质 | |
Zeilhofer et al. | Spatial modelling of Lutzomyia (Nyssomyia) whitmani sl (Antunes & Coutinho, 1939)(Diptera: psychodidae: phlebotominae) habitat suitability in the state of Mato Grosso, Brazil | |
Kumar et al. | Constrained linear spectral unmixing technique for regional land cover mapping using MODIS data |
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 |