本發(fā)明涉及遙感影像圖像處理，具體涉及一種基于多源遙感影像深度學(xué)習(xí)滑坡智能識(shí)別方法。

背景技術(shù)：

1、滑坡作為我國(guó)最為常見的地質(zhì)災(zāi)害之一，對(duì)人民群眾生命財(cái)產(chǎn)安全以及基礎(chǔ)設(shè)施建設(shè)造成了嚴(yán)重的威脅。隨著全球氣候變化，地震和降雨導(dǎo)致的滑坡災(zāi)害不計(jì)其數(shù)，災(zāi)害造成的損失無比慘重。因此，準(zhǔn)確、及時(shí)的開展滑坡災(zāi)害快速智能解譯，對(duì)于科學(xué)的防災(zāi)減災(zāi)具有重要的科學(xué)意義。

2、隨著衛(wèi)星對(duì)地觀測(cè)技術(shù)和深度學(xué)習(xí)技術(shù)的快速發(fā)展，高時(shí)空分辨率的光學(xué)和雷達(dá)遙感衛(wèi)星為滑坡災(zāi)害識(shí)別提供了豐富的數(shù)據(jù)源，使得滑坡識(shí)別從天級(jí)到小時(shí)級(jí)成為了可能。傳統(tǒng)的技術(shù)手段利用三維可視化軟件借助專家目視解譯實(shí)現(xiàn)滑坡的識(shí)別，在廣域范圍內(nèi)需要大量的人力和財(cái)力成本，且識(shí)別的精度和可靠性取決于專家的從業(yè)經(jīng)驗(yàn)。然而，遙感影像數(shù)據(jù)往往存在高維、復(fù)雜、噪聲大的特點(diǎn)，且由于滑坡的多樣性和地理環(huán)境的差異性，導(dǎo)致傳統(tǒng)的圖像處理方式面臨著巨大挑戰(zhàn)。

3、近年來，深度學(xué)習(xí)作為一種強(qiáng)大的人工智能技術(shù)在滑坡識(shí)別領(lǐng)域得到快速發(fā)展?，F(xiàn)階段，以卷積神經(jīng)網(wǎng)絡(luò)為代表的滑坡識(shí)別方法層出不窮，該方法通過對(duì)大量的滑坡樣本進(jìn)行訓(xùn)練，能夠自動(dòng)識(shí)別出滑坡的區(qū)域，極大提高了滑坡識(shí)別的效率和準(zhǔn)確性。但是現(xiàn)有的滑坡識(shí)別方法首先在數(shù)據(jù)源方面，采用單一遙感數(shù)據(jù)，由于單一遙感數(shù)據(jù)源往往難以全面準(zhǔn)確地識(shí)別所有滑坡，從而降低識(shí)別的效果和可靠性。其次在模型方面，現(xiàn)有的深度學(xué)習(xí)方法僅通過對(duì)深度學(xué)習(xí)模型的結(jié)構(gòu)進(jìn)行改進(jìn)和創(chuàng)新，忽略了滑坡體本身的形態(tài)特征差異性，主要由于滑坡體的形態(tài)特征差異，如滑坡的類型、規(guī)模、形狀及發(fā)展階段，直接影響其在地形中的表現(xiàn)和影像中的特征。若模型未能有效地捕捉和區(qū)分這些細(xì)微差異，會(huì)導(dǎo)致無法對(duì)不同類型滑坡的進(jìn)行統(tǒng)一化識(shí)別，從而無法針對(duì)性地提升不同滑坡形態(tài)的識(shí)別精度，進(jìn)而降低整體識(shí)別的效果和可靠性。因此，亟需發(fā)展一種顧及滑坡體形態(tài)差異的自適應(yīng)卷積多尺度特征融合的深度學(xué)習(xí)智能識(shí)別模型，為滑坡災(zāi)害精準(zhǔn)識(shí)別、科學(xué)防控提供更加科學(xué)、有效的技術(shù)支撐。

技術(shù)實(shí)現(xiàn)思路

1、有鑒于此，本發(fā)明的目的在于提供一種基于多源遙感影像深度學(xué)習(xí)滑坡智能識(shí)別方法，以便達(dá)到使滑坡智能識(shí)別更加準(zhǔn)確、全面，能夠應(yīng)對(duì)各種復(fù)雜情況的技術(shù)效果。

2、本發(fā)明實(shí)施例第一方面公開基于多源遙感影像深度學(xué)習(xí)滑坡智能識(shí)別方法，包括：

3、s1、基于滑坡區(qū)域內(nèi)的光學(xué)遙感影像、雷達(dá)遙感影像和地形數(shù)據(jù)構(gòu)建多傳感器空間尺度特征差異樣本，并基于所述多傳感器空間尺度特征差異樣本采用時(shí)空數(shù)據(jù)擴(kuò)容方法構(gòu)建智能識(shí)別滑坡數(shù)據(jù)集；

4、s2、基于半監(jiān)督學(xué)習(xí)框架構(gòu)建顧及滑坡體形態(tài)差異特征的自適應(yīng)卷積多尺度特征融合的滑坡智能識(shí)別模型，并設(shè)計(jì)梯度加權(quán)目標(biāo)函數(shù)優(yōu)化所述滑坡智能識(shí)別模型；

5、s3、采用定位修正方法校正所述滑坡智能識(shí)別模型輸出的滑坡智能識(shí)別結(jié)果，并生成滑坡預(yù)測(cè)結(jié)果。

6、優(yōu)選的，所述步驟s1包括：

7、s11、根據(jù)光學(xué)遙感影像和雷達(dá)遙感影像以及地形數(shù)據(jù)建立顧及滑坡體形態(tài)差異特征的智能解譯標(biāo)志，基于所述智能解譯標(biāo)志初步構(gòu)建多傳感器空間尺度特征差異樣本；

8、s12、基于所述多傳感器空間尺度特征差異樣本采用時(shí)空數(shù)據(jù)擴(kuò)容方法模擬生成滑坡樣本，所述時(shí)空數(shù)據(jù)擴(kuò)容方法的計(jì)算公式如下：

9、d′(x′,t′)＝[α·g(x)+β·h(x)+γ·interpx(interpy(d(x,t),t′),x′)]+ν(0,δ2)

10、其中，d′(x′,t′)表示擴(kuò)容后的數(shù)據(jù)集，x′,t′分別表示新的空間位置和時(shí)間點(diǎn)，α，β，γ表示權(quán)重系數(shù)，g(x)表示空間的非線性變換，h(x)表示時(shí)間的非線性變換，d(x,t)表示原始的數(shù)據(jù)集，interpx(d(x,t),x′)和interpy(d(x,t),t′)分別表示空間和時(shí)間的插值操作，ν(0,δ2)表示加性噪聲；

11、s13、采用多尺度平衡目標(biāo)區(qū)域法建立圖像切片，并與所述步驟s11和s12中的樣本數(shù)據(jù)混合重新打亂構(gòu)建智能識(shí)別滑坡數(shù)據(jù)集，所述多尺度平衡目標(biāo)區(qū)域法的計(jì)算公式如下：

12、ci(x,t)＝slice(ii(x),window_size,stride)

13、

14、其中，ci(x,t)表示第i個(gè)尺度下的切片數(shù)據(jù)，ii(x)表示第i個(gè)尺度下原始影像數(shù)據(jù)，window_size表示窗口大小，stride表示步長(zhǎng)，cbalanced表示區(qū)域平衡與融合后切片，si表示多源圖像的分辨率，w(si)表示權(quán)重，其根據(jù)滑坡區(qū)域的大小自適應(yīng)確定。

15、優(yōu)選的，所述步驟s13中窗口大小為16、32、64、128、256或512；步長(zhǎng)大小為16、32、64、128、256或512。

16、優(yōu)選的，所述步驟s2包括：

17、s21、根據(jù)所述步驟s1中的智能識(shí)別滑坡數(shù)據(jù)集提取滑坡體形態(tài)差異特征，并根據(jù)所述滑坡體形態(tài)差異特征設(shè)計(jì)自適應(yīng)卷積核，所述自適應(yīng)卷積核的計(jì)算公式如下：

18、k(x,y)＝α(x,y)·f(shape,texture,boundary)

19、其中，k(x,y)表示自適應(yīng)卷積核，α(x,y)表示由網(wǎng)絡(luò)訓(xùn)練得到的自適應(yīng)權(quán)重，f(shape,texture,boundary)表示形態(tài)、紋理和邊界特征的構(gòu)造函數(shù)；

20、s22、基于半監(jiān)督框架和所述步驟s21中的自適應(yīng)卷積核，采用多傳感器高級(jí)抽象語(yǔ)義特征融合機(jī)制以及深層卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建滑坡智能識(shí)別模型，所述多傳感器高級(jí)抽象語(yǔ)義特征融合機(jī)制的計(jì)算公式如下：

21、

22、其中，表示融合后特征圖，xm表示第m個(gè)輸入數(shù)據(jù)，fm(·)表示高級(jí)抽象特征提取，gm(·)表示多傳感器特征對(duì)齊和標(biāo)準(zhǔn)化映射函數(shù)，αm表示每個(gè)傳感器特征的加權(quán)系數(shù)，h(·)表示跨模態(tài)學(xué)習(xí)和語(yǔ)義增強(qiáng)的映射函數(shù)，g(·)表示預(yù)測(cè)輸出函數(shù)；

23、s23、設(shè)計(jì)梯度加權(quán)目標(biāo)函數(shù)優(yōu)化步驟s22中的滑坡智能識(shí)別模型，所述梯度加權(quán)目標(biāo)函數(shù)的計(jì)算公式為：

24、

25、其中，lgrad_weighted表示梯度加權(quán)損失，lbase表示模型的交叉熵?fù)p失，λ表示控制梯度加權(quán)的權(quán)重超參數(shù)，表示輸入圖像ι(x,y)的梯度，表示特征圖在位置(x,y)的梯度幅值的范數(shù)，表示損失函數(shù)l對(duì)輸入ι(x,y)的梯度。

26、優(yōu)選的，所述滑坡體形態(tài)差異特征包括滑坡形態(tài)特征，滑坡紋理特征和/或滑坡邊界特征。

27、優(yōu)選的，所述自適應(yīng)卷積核包括形態(tài)學(xué)卷積、水平紋理卷積、垂直紋理卷積、水平邊界卷積、垂直邊界卷積或邊緣檢測(cè)卷積。

28、優(yōu)選的，所述步驟s3具體為：

29、采用定位修正方法對(duì)步驟s2中的滑坡智能識(shí)別模型輸出的滑坡智能識(shí)別結(jié)果中的邊界錯(cuò)誤進(jìn)行校正生成滑坡預(yù)測(cè)結(jié)果，所述定位修正方法的計(jì)算公式為：

30、

31、其中，y表示最終修正后的滑坡預(yù)測(cè)結(jié)果，y′表示滑坡智能識(shí)別模型輸出的結(jié)果，m(·)表示空間形態(tài)學(xué)修正，f(·)表示圖像濾波，表示誤差對(duì)預(yù)測(cè)邊界的梯度，γ表示修正步長(zhǎng)，表示梯度修正。

32、優(yōu)選的，所述定位修正包括空間修正、形態(tài)學(xué)操作和/或平滑梯度修正。

33、優(yōu)選的，所述修正步長(zhǎng)為0.1、0.5或1。

34、本發(fā)明提供一種基于多源遙感影像深度學(xué)習(xí)滑坡智能識(shí)別方法，首先通過獲取多源遙感影像的高分辨率光學(xué)與雷達(dá)數(shù)據(jù)，并采用時(shí)空數(shù)據(jù)擴(kuò)容方法，有效地克服了現(xiàn)有的滑坡識(shí)別方法數(shù)據(jù)種類和數(shù)據(jù)數(shù)量不足的問題，提供了更全面、準(zhǔn)確的滑坡數(shù)據(jù)，增強(qiáng)了模型的泛化能力，其次采用半監(jiān)督學(xué)習(xí)與自適應(yīng)卷積多尺度特征融合的深度學(xué)習(xí)模型，能夠動(dòng)態(tài)調(diào)整卷積核大小，精準(zhǔn)捕捉不同尺度的滑坡特征，增強(qiáng)對(duì)滑坡形態(tài)和結(jié)構(gòu)的理解，提升了模型在復(fù)雜地形下的魯棒性，最后通過定位修正方法對(duì)滑坡邊界和形態(tài)進(jìn)行校正，消除預(yù)測(cè)誤差帶來的不準(zhǔn)確或不連續(xù)邊界，進(jìn)一步提升了模型在復(fù)雜環(huán)境下的穩(wěn)定性。通過上述步驟之間的有機(jī)結(jié)合，從而達(dá)到了提高了模型識(shí)別的精度，還增強(qiáng)了模型在不同環(huán)境下的可靠性，使滑坡智能識(shí)別更加準(zhǔn)確、全面，能夠應(yīng)對(duì)各種復(fù)雜情況。