[发明专利]一种基于深度神经网络的滑坡地形检测方法

说明书

本发明提供了一种基于深度神经网络的滑坡地形检测方法，采集滑坡遥感影像、数字高程模型数据，获取滑坡具体范围坐标并生成滑坡标注图；对滑坡遥感影像、数字高程模型和滑坡标注图作数据预处理；构建以DeepLab V3+为架构的地质特征提取模型并从遥感地形数据集中提取丰富的地质特征；融合滑坡遥感影像特征和数字高程模型特征，结合滑坡领域知识，加载地质特征参数，在DeepLab V3+架构基础上实现地形分割模型，完成像素级别粒度的滑坡地形分割，达到滑坡地形检测的目的。

技术领域

本发明属于地质灾害预测技术领域，具体涉及一种基于遥感影像和数字高程模型数据的深度神经网络的滑坡地形检测方法。

背景技术

“地质灾害隐患”多分布于广袤西部地区，交通、通讯、电力等条件极不便利，人工核查十分困难。我国平均每年因为滑坡造成的伤亡1千余人、受灾人口90多万、直接经济损失高达20-60亿元。如何对地质灾害隐患点，特别是对危害极大的山体滑坡等地质灾害地带进行长期有效监测并及时预警，保护人民生命安全，减少人民群众的财产损失，是地质监测人员和相关地质灾害应急管理部门亟需解决的关键难题。

目前流行的滑坡检测方法主要分为三种，传统滑坡识别方法、基于合成孔径雷达识别方法和光学遥感数据识别方法。传统滑坡识别方法通过现场调查、目视解译、设置观测点等监控滑坡的发展变化情况，需要消耗大量的人力、物力，且具有信息处理繁琐、灾害预警不及时等缺点，不能满足广域区域识别需求。基于合成孔径雷达(InSAR)识别方法主要是实时监测滑坡体地表变形的大小与速率，由于我国技术发展相对落后，滑坡多分布于偏远地区且滑坡基础数据稀缺，该方法具有一定瓶颈。近年来随着航空航天技术的飞速发展，高分辨率的遥感影像能够提供丰富的地物信息，遥感技术已成为滑坡监测与识别的有效手段。基于遥感影像的滑坡识别方法早期以像素为分析单元，其缺点在于仅靠单个像元的光谱特征不能为滑坡识别提供足够的形状和地形特征；后逐渐发展为以对象为分析单元，其缺点在于将滑坡作为一般性图形检测对象看待，忽视了滑坡本身特征，注重于滑坡存在性判断，对于像素级别的滑坡范围识别精确性不高。

发明内容

本发明所要解决的主要问题：克服现有技术对人工极大依赖性，降低外部设备误差影响，摆脱滑坡勘测费时费力的困境，提供一种基于深度神经网络的滑坡地形检测方法，利用先进的人工智能技术，采用精准的卫星遥感数据，结合领域专家知识，结果准确率高，在保证分割结果精度的同时，极大减轻了人力物力财力的投入。

本发明技术解决方案：一种基于深度神经网络的滑坡地形检测方法，具体按照以下步骤实施：

一种基于深度神经网络的滑坡地形检测方法，通过以下步骤实现：

步骤1，获取数据：根据滑坡坐标点，利用开源卫星影像下载平台获取滑坡遥感影像、数字高程模型(Digital Flevation Model，DEM)，标注滑坡具体范围并获取滑坡具体范围坐标文件；

步骤2，对步骤1得到的滑坡遥感影像、数字高程模型和滑坡具体范围坐标文件进行数据预处理：叠加滑坡遥感影像与坐标文件生成滑坡标注图，滑坡标注图与滑坡地形分割结果的对比用于评估滑坡地形检测准确度；对滑坡遥感影像采用选择性搜索分割方法增加数据样本量，保证滑坡数据完整性，同时保证与滑坡标注图和数字高程模型具有相同的分割边界；采用数据增强技术增加训练数据量，提高模型泛化性能，提升模型鲁棒性；

步骤3，构建DeepLab V3+地质特征提取模型：采用DeepLab V3+网络编码器架构，使用具有丰富土地覆盖种类的遥感地形数据集为输入数据，提取遥感影像中通用地质特征：纹理、颜色、光照、植被、水体，得到对于地质特征鲁棒性的特征参数；

步骤4，生成特征向量：融合滑坡遥感影像和数字高程模型数据，得到包含遥感影像特征和数字高程特征的特征向量，作为滑坡地形分割的依据；