CN113887515A - 一种基于卷积神经网络的遥感滑坡识别方法及*** - Google Patents
一种基于卷积神经网络的遥感滑坡识别方法及*** Download PDFInfo
- Publication number
- CN113887515A CN113887515A CN202111264940.8A CN202111264940A CN113887515A CN 113887515 A CN113887515 A CN 113887515A CN 202111264940 A CN202111264940 A CN 202111264940A CN 113887515 A CN113887515 A CN 113887515A
- Authority
- CN
- China
- Prior art keywords
- landslide
- probability
- image
- remote sensing
- neural network
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 69
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000011176 pooling Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 32
- 230000004927 fusion Effects 0.000 claims description 15
- 238000007499 fusion processing Methods 0.000 claims description 10
- 238000012952 Resampling Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000002474 experimental method Methods 0.000 description 12
- 238000000605 extraction Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 238000011160 research Methods 0.000 description 11
- 238000013135 deep learning Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于卷积神经网络的遥感滑坡识别方法及***,方法包括:获取待检测地区的遥感影像和DEM数据;根据所述遥感影像和所述DEM数据利用训练好的卷积神经网络得到每张图像的预测类别及概率;所述预测类别为每张图像是否存在滑坡;所述概率为每张图像所在区域存在滑坡的概率;所述训练好的卷积神经网络包括依次连接的输入层、卷积池化模块和全连接层;所述卷积池化模块包括三组卷积层和与所述卷积层连接的池化层;根据每张所述图像的预测类别及概率确定滑坡重点区。本发明通过有限样本即可准确识别滑坡位置。
Description
技术领域
本发明涉及地质勘察领域,特别是涉及一种基于卷积神经网络的遥感滑坡识别方法及***
背景技术
我国是滑坡灾害频发的国家之一,近年来发生的灾难性地质灾害事件有70%以上都不在已知的地质灾害隐患点范围内,急需通过自动高效的滑坡识别技术方法开展大规模滑坡灾害排查。深度学习在遥感滑坡识别中表现出了巨大的潜力,在现有研究中,滑坡识别模型较为复杂,在样本有限的情况下,识别精度不高,且泛化能力有限,其原因可能是滑坡识别中需兼顾滑坡的位置与范围。
利用遥感技术识别滑坡先后经历了目视解译、基于像元的提取方法、面向对象的提取方法以及基于深度学习的提取方法四个阶段。目视解译的准确性一般比较高,但是比较依赖专家的知识和经验,且主观性强,费时费力,难以满足大范围的遥感影像快速解译滑坡的需求。基于像元的滑坡提取方法是以像元为分析单元,基于某些算法模型,从遥感影像中自动地提取出滑坡,速度快,也能保证一定的精度,但是基于像元的滑坡提取方法只能在同一分辨率基础上处理所有地物信息,而且不能充分利用影像中丰富的结构、纹理等信息,造成信息浪费,提取结果也存在“椒盐现象”,空间不连续。面向对象的信息提取方法最重要的特点是其处理的单元是单个对象,不再是单个像元,同时能在一定程度上模拟人脑对事物的认知过程,把具有相同特征的对象分为同一类,该方法能够有效避免“椒盐现象”,提高识别精度。采用面向对象的方法,用eCognition软件对实验数据进行了分割,通过分析对象在影像上的植被指数、纹理、水体指数等规则特征,实现了滑坡体对象的分类提取。采用面向对象的分类方法,基于波段选择、尺度分析,利用影像分割,结合光谱特征、空间特征和地貌特征进行区域黄土滑坡识别,得出滑坡后壁比滑坡体更易于识别的结论。
近年来,越来越多的学者开始关注于基于深度学习的滑坡识别研究。具有约束条件的深度学习模型应用到高光谱图像滑坡检测中,并将结果与支持向量机、光谱信息散度、光谱角度匹配方法做比较,得出深度学习提取高级特征对于滑坡检测的精度提升具有巨大潜力的结论。基于光学遥感和DEM数据,比较了卷积神经网络、神经网络、支持向量机和随机森林方法在尼泊尔Rasuwa地区滑坡提取中的效果,得出尽管卷积神经网络的结果只比其他方法略占优势,但是如果存在足够的样本,卷积神经网络的提升空间将会是比较大的结论。使用集成的地理数据库,对比了卷积神经网络、随机森林、逻辑回归、强化学习、支持向量机五种机器学习方法在识别自然地形滑坡的识别精度,在五种方法中,卷积神经网络的识别精度最高,同时指出基于机器学习和深度学习技术在滑坡识别研究中具有出色的鲁棒性和解决问题的巨大潜力。利用Mask R-CNN掩膜区域卷积神经网络目标检测模块进行黄土滑坡自动识别,准确率虽然尚未达到60%,但是证实了Mask R-CNN模型在黄土滑坡识别中的可行性。使用注意力增强卷积神经网络从开放的卫星图像和DEM数据集识别滑坡,得出注意力机制和DEM数据能够有效提升滑坡识别精度的结论。
在已有的使用深度学习进行滑坡识别的研究中,对于老滑坡的识别难度要高于对新滑坡的识别,特别是植被覆盖较为丰富的西南地区,对老滑坡的研究还少之又少。相比于西南地区,黄土高原地区因植被覆盖相对较少,滑坡形态特征典型,边界轮廓清晰,相对容易识别。在现有研究中,滑坡识别模型往往较为复杂,特别是在样本有限的情况下,识别精度不高,且泛化能力有限,其原因可能是滑坡识别中需兼顾滑坡的位置与范围。
因此,需要一种可以有限样本进行快速识别滑坡位置的方法。
发明内容
本发明的目的是提供一种基于卷积神经网络的遥感滑坡识别方法及***,通过有限样本即可快速识别滑坡位置。
为实现上述目的,本发明提供了如下方案:
一种基于卷积神经网络的遥感滑坡识别方法,包括:
获取待检测地区的遥感影像和DEM数据;
根据所述遥感影像和所述DEM数据利用训练好的卷积神经网络得到每张图像的预测类别及概率;所述预测类别为每张图像是否存在滑坡;所述概率为每张图像所在区域存在滑坡的概率;所述训练好的卷积神经网络包括依次连接的输入层、卷积池化模块和全连接层;所述卷积池化模块包括三组卷积层和与所述卷积层连接的池化层;
根据每张所述图像的预测类别及概率确定滑坡重点区。
可选的,在所述获取待检测地区的遥感影像和DEM数据之后,包括:
对所述DEM数据进行重采样,得到重采样后的DEM数据;
分别对所述遥感影像和所述重采样后的DEM数据进行裁剪,得到遥感影像样本和DEM数据样本;
对所述遥感影像样本和所述DEM数据样本进行通道融合处理,得到通道融合数据。
可选的,所述卷积神经网络的训练过程具体包括:
以待训练的通道融合数据为输入,以待训练的每张图像的预测类别及概率为输出,以为损失函数,对卷积神经网络进行训练,得到训练好的卷积神经网络;其中,E为损失函数,yi为类别i的真实标签,pi为第i类的概率,N为样本总数,k为类别数。
可选的,所述根据每张所述图像的预测类别及概率确定滑坡重点区,具体包括:
获取存在滑坡的图像及所述存在滑坡的图像的概率;
判断所述概率是否大于设定概率阈值,得到第一判断结果;
若所述第一判断结果表示所述概率大于设定概率阈值,则确定所述概率对应的存在滑坡的图像所在区域为滑坡重点区;
若所述第一判断结果表示所述概率小于或者等于设定概率阈值,则确定所述概率对应的存在滑坡的图像所在区域为非滑坡重点区。
一种基于卷积神经网络的遥感滑坡识别***,包括:
获取模块,用于获取待检测地区的遥感影像和DEM数据;
预测模块,用于根据所述遥感影像和所述DEM数据利用训练好的卷积神经网络得到每张图像的预测类别及概率;所述预测类别为每张图像是否存在滑坡;所述概率为每张图像所在区域存在滑坡的概率;所述训练好的卷积神经网络包括依次连接的输入层、卷积池化模块和全连接层;所述卷积池化模块包括三组卷积层和与所述卷积层连接的池化层;
滑坡重点区确定模块,用于根据每张所述图像的预测类别及概率确定滑坡重点区。
可选的,还包括:
重采样模块,用于对所述DEM数据进行重采样,得到重采样后的DEM数据;
裁剪模块,用于分别对所述遥感影像和所述重采样后的DEM数据进行裁剪,得到遥感影像样本和DEM数据样本;
通道融合处理模块,用于对所述遥感影像样本和所述DEM数据样本进行通道融合处理,得到通道融合数据。
可选的,所述卷积神经网络的训练过程具体包括:
以待训练的通道融合数据为输入,以待训练的每张图像的预测类别及概率为输出,以为损失函数,对卷积神经网络进行训练,得到训练好的卷积神经网络;其中,E为损失函数,yi为类别i的真实标签,pi为第i类的概率,N为样本总数,k为类别数。
可选的,所述滑坡重点区确定模块,具体包括:
获取单元,用于获取存在滑坡的图像及所述存在滑坡的图像的概率;
判断单元,用于判断所述概率是否大于设定概率阈值,得到判断结果;
滑坡重点区确定单元,用于若所述判断结果表示所述概率大于设定概率阈值,则确定所述概率对应的存在滑坡的图像所在区域为滑坡重点区;
非滑坡重点区确定单元,用于若所述判断结果表示所述概率小于或者等于设定概率阈值,则确定所述概率对应的存在滑坡的图像所在区域为非滑坡重点区。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的一种基于卷积神经网络的遥感滑坡识别方法及***,获取待检测地区的遥感影像和DEM数据;根据遥感影像和DEM数据利用训练好的卷积神经网络得到每张图像的预测类别及概率;根据每张图像的预测类别及概率确定滑坡重点区。本发明只需判断每张图像上是否存在滑坡,无需判断滑坡的位置及边界,从而快速地在海量遥感影像确定滑坡重点区,缩小人工解译滑坡的范围,提升滑坡识别的精度和效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的基于卷积神经网络的遥感滑坡识别方法流程图;
图2为本发明提供的卷积神经网络结果示意图;
图3为典型滑坡示意图;
图4为实验一训练精度和损失曲线图;
图5为实验二训练精度和损失曲线图。
具体实施方式
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于卷积神经网络的遥感滑坡识别方法及***,通过有限样本即可准确识别滑坡位置。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明提供的一种基于卷积神经网络的遥感滑坡识别方法,包括:
步骤101:获取待检测地区的遥感影像和DEM数据。
步骤102:根据所述遥感影像和所述DEM数据利用训练好的卷积神经网络得到每张图像的预测类别及概率;所述预测类别为每张图像是否存在滑坡;所述概率为每张图像所在区域存在滑坡的概率;所述训练好的卷积神经网络包括依次连接的输入层、卷积池化模块和全连接层;所述卷积池化模块包括三组卷积层和与所述卷积层连接的池化层。
步骤103:根据每张所述图像的预测类别及概率确定滑坡重点区。
在实际应用中,步骤101获取待检测地区的遥感影像和DEM数据之后,包括:
对所述DEM数据进行重采样,得到重采样后的DEM数据。其中,重采样后的DEM数据与遥感影像的分辨率相同。
分别对所述遥感影像和所述重采样后的DEM数据进行裁剪,得到遥感影像样本和DEM数据样本。
对所述遥感影像样本和所述DEM数据样本进行通道融合处理,得到通道融合数据。
在实际应用中,所述卷积神经网络的训练过程具体包括:
以待训练的通道融合数据为输入,以待训练的每张图像的预测类别及概率为输出,以为损失函数,对卷积神经网络进行训练,得到训练好的卷积神经网络;其中,E为损失函数,yi为类别i的真实标签,pi为第i类的概率,N为样本总数,k为类别数。
在实际应用中,步骤103根据每张所述图像的预测类别及概率确定滑坡重点区,具体包括:
获取存在滑坡的图像及所述存在滑坡的图像的概率。判断所述概率是否大于设定概率阈值,得到第一判断结果;若所述第一判断结果表示所述概率大于设定概率阈值,则确定所述概率对应的存在滑坡的图像所在区域为滑坡重点区;若所述第一判断结果表示所述概率小于或者等于设定概率阈值,则确定所述概率对应的存在滑坡的图像所在区域为非滑坡重点区。
本发明提供的一种基于卷积神经网络的遥感滑坡识别***,包括:
获取模块,用于获取待检测地区的遥感影像和DEM数据。
预测模块,用于根据所述遥感影像和所述DEM数据利用训练好的卷积神经网络得到每张图像的预测类别及概率;所述预测类别为每张图像是否存在滑坡;所述概率为每张图像所在区域存在滑坡的概率;所述训练好的卷积神经网络包括依次连接的输入层、卷积池化模块和全连接层;所述卷积池化模块包括三组卷积层和与所述卷积层连接的池化层。
滑坡重点区确定模块,用于根据每张所述图像的预测类别及概率确定滑坡重点区。
在实际应用中,基于卷积神经网络的滑坡识别***还包括:
重采样模块,用于对所述DEM数据进行重采样,得到重采样后的DEM数据;裁剪模块,用于分别对所述遥感影像和所述重采样后的DEM数据进行裁剪,得到遥感影像样本和DEM数据样本;通道融合处理模块,用于对所述遥感影像样本和所述DEM数据样本进行通道融合处理,得到通道融合数据。
其中,所述卷积神经网络的训练过程具体包括:
以待训练的通道融合数据为输入,以待训练的每张图像的预测类别及概率为输出,以为损失函数,对卷积神经网络进行训练,得到训练好的卷积神经网络;其中,E为损失函数,yi为类别i的真实标签,pi为第i类的概率,N为样本总数,k为类别数。
在实际应用中,所述滑坡重点区确定模块,具体包括:获取单元,用于获取存在滑坡的图像及所述存在滑坡的图像的概率;判断单元,用于判断所述概率是否大于设定概率阈值,得到判断结果;滑坡重点区确定单元,用于若所述判断结果表示所述概率大于设定概率阈值,则确定所述概率对应的存在滑坡的图像所在区域为滑坡重点区;非滑坡重点区确定单元,用于若所述判断结果表示所述概率小于或者等于设定概率阈值,则确定所述概率对应的存在滑坡的图像所在区域为非滑坡重点区。
本发明旨在从海量遥感影像中快速识别滑坡的位置,用于滑坡重点区的确定,支撑后续的解译与研究。以黄土高原地区为例,基于GF-1影像与DEM数据开展滑坡识别研究,使用卷积神经网络对融合后的数据进行分类,从而实现滑坡的快速识别。识别滑坡主要采用图像分类的方法,即将要识别的遥感影像划分为多个小尺寸的图像,分别判断每张图像中是否含有滑坡。为了区分原始遥感影像与制作成样本的遥感影像,本发明用图像来指代制作成样本的遥感影像。当一景遥感影像被裁剪成许多小尺寸的图像时,通过判断每张图像是否含有滑坡,就可以将含有滑坡的图像确定为滑坡重点区,支撑后续的解译与研究,能大幅缩小人工解译的范围,提升效率。
制作样本的数据源采用2米空间分辨率的GF-1影像和30米空间分辨率的DEM数据。为了使遥感影像与DEM数据在空间上能够配准,首先对DEM数据进行重采样,采样后的DEM数据空间分辨率为2米,样本大小设为512x512。裁切后的图像分为有滑坡和无滑坡两类,有滑坡的图像为正样本,用1表示,无滑坡的图像为负样本,用0表示。裁切分为以滑坡为中心、滑坡在左上角、左下角、右上角、右下角五种策略,主要是因为背景对滑坡的识别有重要的影响,在背景和滑坡区分度不大的情况下,如果只是采用中心裁切,模型很可能会学到滑坡的位置特征,即滑坡在图像中心的规律,这并不是滑坡本身的特征。此外,对于有限的样本,这也是一种小样本增广的方法,能够解决正负样本不均衡的问题。
对于负样本,理论上可以认为在没有滑坡的地方都是负样本,但是由于滑坡解译具有人为主观性,在解译的过程中,可能会有一些滑坡被漏掉,而且负样本的数量远远超过正样本的数量,因此,制作负样本时,在剔除滑坡的部分,将影像裁切为512x512像素大小的图像,选取与正样本数量均衡的负样本,对于每一张图像,人为确认没有滑坡发育。DEM样本制作与影像样本制作一致,每一张影像对应一张DEM数据。
如图2所示的卷积神经网络是一种解决图像分类问题的方法,由输入层、卷积层、池化层、全连接层组成。
卷积层采用5×5和3×3的滤波器,设F(s,t)表示滤波器,G(x,y)表示图像在(x,y)点的像素值,则(x,y)点的卷积值C(x,y)计算如下:
其中G(x,y)∈[0,255],x,y∈[0,512)。
池化层采用最大输出方式,滑动窗口大小为2×2,步幅为2。
隐藏层的激活函数为ReLU,全连接层的激活函数为Sigmoid。
损失函数采用公式如下:
其中,yi是类别i的真实标签,pi表示第i类的概率,N是样本总数,k是类别数。
由于样本包含遥感图像和DEM数据,因此在输入卷积神经网络进行训练前,首先对两种数据源做通道融合处理。遥感图像的大小为512×512像素,有RGB三个通道,TIF格式,DEM数据同样为512×512像素,单通道,TIF格式。通道融合后的数据为4通道。
研究区选取了甘肃省东南部的三个县区,分别为静宁县、庄浪县和张家川回族自治县,总面积约5058平方公里。研究区地处黄土高原丘陵沟壑区,地形主要由河谷、丘陵、沟壑和梁峁地等构成。
收集灾害领域专家结合遥感影像和DEM数据对研究区滑坡灾害进行解译得到的老滑坡320处,其中滑坡面积最大为1261620平方米,最小为4989平方米,平均为122658平方米。在这些解译的老滑坡中,主要有未改造老滑坡和已改造老滑坡之分,未改造老滑坡基本具备滑坡的主要特征,如滑坡后壁、侧壁、前缘堆积等,比较容易识别。已改造老滑坡又分为自然改造和人为改造,自然改造主要为降雨、风化、植被覆盖等自然因素,变化相对缓慢,往往能够保留老滑坡的大部分特征。人为改造对老滑坡的影响往往较大,比如将老滑坡改造为梯田,或者在滑坡体上建造房屋、道路等,会使老滑坡边缘模糊,甚至会与周围环境融为一体,在滑坡解译过程中影响滑坡边界的界定。为了将边界对滑坡识别的影响降到最低,本文将滑坡识别问题定义为分类问题,即只判断每张图像上是否存在滑坡,无需确定滑坡的具***置及边界,从而快速地在海量遥感影像确定滑坡重点区,缩小人工解译滑坡的范围,提升滑坡识别的精度和效率。图3展示了典型滑坡的示例,图3(a)为未改造老滑坡,图3(b)为已改造老滑坡,图中可见老滑坡被改造为梯田,图3(c)是已改造老滑坡,被改造为梯田和房屋,图3(d)为已改造老滑坡,滑坡前缘部分被改造为道路。
静宁县、庄浪县和张家川回族自治县地形地貌较为相似,实验设计为用静宁县和张家川回族自治县的样本数据作为训练数据,庄浪县的数据作为测试数据,考虑到不同县区之间仍会有一些环境的差异,在庄浪县中选取一片区域作为测试区,其他地区加上静宁县和张家川回族自治县的样本划分为训练样本训练与测试样本的统计信息如表1所示。
表1训练与测试样本统计信息表
实验一的训练数据不包含庄浪县的样本,设置batch_size=8,epoch=100为参数,将训练数据输入到通道融合卷积神经网络模型中,训练集的精度和损失情况如图4所示。其中,图4(a)为实验一训练集的精度,图4(b)为实验一训练集的损失情况。
实验二的训练数据包含庄浪县的部分样本,设置batch_size=8,epoch=100为参数,将训练数据输入到通道融合卷积神经网络模型中,训练集的精度和损失情况如图5所示。其中,图5(a)为实验二训练集的精度,图5(b)为实验二训练集的损失情况。
表2展示了实验一与实验二的测试结果,从表中可以看到,添加了庄浪县的训练数据后,模型的正确率、精度和F1均有提升。
表2实验一与实验二的测试结果
实验一与实验二的测试结果主要差别在于FP(0判断为1)的值,实验二加入了部分庄浪县的训练数据,对于整个模型的提升主要体现在降低了负样本的判断失误,并没有提升TP(1判断为1)的值,所以两次实验的召回率是一样的。但是从总体上来说,准确率、精度和F1均有提升。因此,在地形地貌较为相似的区域,加入少量的训练样本能够提升模型的准确率。
本发明构建了研究区黄土滑坡遥感影像与DEM分类样本库,将遥感影像与DEM数据通过通道融合的方法融合在一起,使用卷积神经网络对张家川回族自治县和静宁县的滑坡样本进行训练,并用庄浪县的样本测试,测试结果准确率达到95.7%,召回率达到100%,研究所用模型的网络层数较少,能够快速收敛,具有更高的效率与提取精度,表明深度学习在黄土滑坡分类问题上具有很大的应用空间。此外,对于从海量遥感影像中快速确定滑坡重点区的应用,还应从进一步增加训练样本类型以提升模型的泛化能力,对大规模滑坡快速自动识别具有重要意义。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于卷积神经网络的遥感滑坡识别方法,其特征在于,包括:
获取待检测地区的遥感影像和DEM数据;
根据所述遥感影像和所述DEM数据利用训练好的卷积神经网络得到每张图像的预测类别及概率;所述预测类别为每张图像是否存在滑坡;所述概率为每张图像所在区域存在滑坡的概率;所述训练好的卷积神经网络包括依次连接的输入层、卷积池化模块和全连接层;所述卷积池化模块包括三组卷积层和与所述卷积层连接的池化层;
根据每张所述图像的预测类别及概率确定滑坡重点区。
2.根据权利要求1所述的基于卷积神经网络的遥感滑坡识别方法,其特征在于,在所述获取待检测地区的遥感影像和DEM数据之后,包括:
对所述DEM数据进行重采样,得到重采样后的DEM数据;
分别对所述遥感影像和所述重采样后的DEM数据进行裁剪,得到遥感影像样本和DEM数据样本;
对所述遥感影像样本和所述DEM数据样本进行通道融合处理,得到通道融合数据。
4.根据权利要求1所述的基于卷积神经网络的遥感滑坡识别方法,其特征在于,所述根据每张所述图像的预测类别及概率确定滑坡重点区,具体包括:
获取存在滑坡的图像及所述存在滑坡的图像的概率;
判断所述概率是否大于设定概率阈值,得到第一判断结果;
若所述第一判断结果表示所述概率大于设定概率阈值,则确定所述概率对应的存在滑坡的图像所在区域为滑坡重点区;
若所述第一判断结果表示所述概率小于或者等于设定概率阈值,则确定所述概率对应的存在滑坡的图像所在区域为非滑坡重点区。
5.一种基于卷积神经网络的遥感滑坡识别***,其特征在于,包括:
获取模块,用于获取待检测地区的遥感影像和DEM数据;
预测模块,用于根据所述遥感影像和所述DEM数据利用训练好的卷积神经网络得到每张图像的预测类别及概率;所述预测类别为每张图像是否存在滑坡;所述概率为每张图像所在区域存在滑坡的概率;所述训练好的卷积神经网络包括依次连接的输入层、卷积池化模块和全连接层;所述卷积池化模块包括三组卷积层和与所述卷积层连接的池化层;
滑坡重点区确定模块,用于根据每张所述图像的预测类别及概率确定滑坡重点区。
6.根据权利要求5所述的基于卷积神经网络的遥感滑坡识别***,其特征在于,还包括:
重采样模块,用于对所述DEM数据进行重采样,得到重采样后的DEM数据;
裁剪模块,用于分别对所述遥感影像和所述重采样后的DEM数据进行裁剪,得到遥感影像样本和DEM数据样本;
通道融合处理模块,用于对所述遥感影像样本和所述DEM数据样本进行通道融合处理,得到通道融合数据。
8.根据权利要求5所述的基于卷积神经网络的遥感滑坡识别***,其特征在于,所述滑坡重点区确定模块,具体包括:
获取单元,用于获取存在滑坡的图像及所述存在滑坡的图像的概率;
判断单元,用于判断所述概率是否大于设定概率阈值,得到判断结果;
滑坡重点区确定单元,用于若所述判断结果表示所述概率大于设定概率阈值,则确定所述概率对应的存在滑坡的图像所在区域为滑坡重点区;
非滑坡重点区确定单元,用于若所述判断结果表示所述概率小于或者等于设定概率阈值,则确定所述概率对应的存在滑坡的图像所在区域为非滑坡重点区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111264940.8A CN113887515A (zh) | 2021-10-28 | 2021-10-28 | 一种基于卷积神经网络的遥感滑坡识别方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111264940.8A CN113887515A (zh) | 2021-10-28 | 2021-10-28 | 一种基于卷积神经网络的遥感滑坡识别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887515A true CN113887515A (zh) | 2022-01-04 |
Family
ID=79014052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111264940.8A Pending CN113887515A (zh) | 2021-10-28 | 2021-10-28 | 一种基于卷积神经网络的遥感滑坡识别方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887515A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114529814A (zh) * | 2022-01-26 | 2022-05-24 | 南京信息工程大学 | 基于多源数据的黄土高原淤地坝提取方法 |
CN115588134A (zh) * | 2022-09-08 | 2023-01-10 | 中国地质环境监测院(自然资源部地质灾害技术指导中心) | 一种基于滑坡特征要素和空间结构的滑坡识别方法及*** |
CN115620163A (zh) * | 2022-10-28 | 2023-01-17 | 西南交通大学 | 一种基于遥感影像的半监督学习深切河谷智能识别方法 |
CN115661681A (zh) * | 2022-11-17 | 2023-01-31 | 中国科学院空天信息创新研究院 | 一种基于深度学习的滑坡灾害自动识别方法及*** |
CN116030353A (zh) * | 2023-03-29 | 2023-04-28 | 成都大学 | 一种基于卷积神经网络的滑坡灾害自动识别方法 |
CN116597287A (zh) * | 2023-07-17 | 2023-08-15 | 云南省交通规划设计研究院有限公司 | 一种基于深度学习方法的遥感影像滑坡识别方法 |
CN117057606A (zh) * | 2023-08-15 | 2023-11-14 | 广州地铁设计研究院股份有限公司 | 风险预测模型训练方法、风险预测方法及相关设备 |
CN117274823A (zh) * | 2023-11-21 | 2023-12-22 | 成都理工大学 | 基于DEM特征增强的视觉Transformer滑坡识别方法 |
CN118172691A (zh) * | 2024-05-13 | 2024-06-11 | 济南市勘察测绘研究院 | 基于多技术融合的工程地形测绘方法及*** |
CN118171918A (zh) * | 2024-05-14 | 2024-06-11 | 成都航空职业技术学院 | 一种基于多源数据的空天地滑坡监测方法和*** |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2840436A1 (en) * | 2013-01-22 | 2014-07-22 | Vale S.A. | System for mapping and identification of plants using digital image processing and route generation |
CN108038466A (zh) * | 2017-12-26 | 2018-05-15 | 河海大学 | 基于卷积神经网络的多通道人眼闭合识别方法 |
CN110120046A (zh) * | 2019-03-27 | 2019-08-13 | 长安大学 | 一种融合dem、光学遥感和形变信息的潜在滑坡识别方法 |
CN110288602A (zh) * | 2019-05-10 | 2019-09-27 | 香港理工大学深圳研究院 | 滑坡提取方法、滑坡提取***及终端 |
CN110362949A (zh) * | 2019-07-23 | 2019-10-22 | 电子科技大学 | 一种基于神经网络的滑坡敏感性评估方法 |
CN110807399A (zh) * | 2019-10-29 | 2020-02-18 | 北京师范大学 | 一种基于单一类别支持向量机的崩滑隐患点检测方法 |
CN111222466A (zh) * | 2020-01-08 | 2020-06-02 | 武汉大学 | 一种基于三维空间-通道注意力机制的遥感影像滑坡自动探测方法 |
CN111223183A (zh) * | 2019-11-14 | 2020-06-02 | 中国地质环境监测院 | 一种基于深度神经网络的滑坡地形检测方法 |
CN111582102A (zh) * | 2020-04-28 | 2020-08-25 | 中国科学院空天信息创新研究院 | 一种遥感数据地物要素精细化分类方法及装置 |
CN111929683A (zh) * | 2020-07-28 | 2020-11-13 | 中国自然资源航空物探遥感中心 | 滑坡形变聚集区预测模型生成方法和滑坡形变聚集区预测方法 |
CN112200362A (zh) * | 2020-09-30 | 2021-01-08 | 杭州鲁尔物联科技有限公司 | 一种滑坡的预测方法、装置、设备和存储介质 |
CN113343563A (zh) * | 2021-05-27 | 2021-09-03 | 中交第二公路勘察设计研究院有限公司 | 基于样本自动选择与地表形变速率的滑坡易发性评价方法 |
CN113408462A (zh) * | 2021-06-29 | 2021-09-17 | 西南交通大学 | 基于卷积神经网络与类别热力图的滑坡遥感信息提取方法 |
CN113505650A (zh) * | 2021-06-13 | 2021-10-15 | 北京林业大学 | 地形特征线提取方法及装置、设备 |
-
2021
- 2021-10-28 CN CN202111264940.8A patent/CN113887515A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2840436A1 (en) * | 2013-01-22 | 2014-07-22 | Vale S.A. | System for mapping and identification of plants using digital image processing and route generation |
CN108038466A (zh) * | 2017-12-26 | 2018-05-15 | 河海大学 | 基于卷积神经网络的多通道人眼闭合识别方法 |
CN110120046A (zh) * | 2019-03-27 | 2019-08-13 | 长安大学 | 一种融合dem、光学遥感和形变信息的潜在滑坡识别方法 |
CN110288602A (zh) * | 2019-05-10 | 2019-09-27 | 香港理工大学深圳研究院 | 滑坡提取方法、滑坡提取***及终端 |
CN110362949A (zh) * | 2019-07-23 | 2019-10-22 | 电子科技大学 | 一种基于神经网络的滑坡敏感性评估方法 |
CN110807399A (zh) * | 2019-10-29 | 2020-02-18 | 北京师范大学 | 一种基于单一类别支持向量机的崩滑隐患点检测方法 |
CN111223183A (zh) * | 2019-11-14 | 2020-06-02 | 中国地质环境监测院 | 一种基于深度神经网络的滑坡地形检测方法 |
CN111222466A (zh) * | 2020-01-08 | 2020-06-02 | 武汉大学 | 一种基于三维空间-通道注意力机制的遥感影像滑坡自动探测方法 |
CN111582102A (zh) * | 2020-04-28 | 2020-08-25 | 中国科学院空天信息创新研究院 | 一种遥感数据地物要素精细化分类方法及装置 |
CN111929683A (zh) * | 2020-07-28 | 2020-11-13 | 中国自然资源航空物探遥感中心 | 滑坡形变聚集区预测模型生成方法和滑坡形变聚集区预测方法 |
CN112200362A (zh) * | 2020-09-30 | 2021-01-08 | 杭州鲁尔物联科技有限公司 | 一种滑坡的预测方法、装置、设备和存储介质 |
CN113343563A (zh) * | 2021-05-27 | 2021-09-03 | 中交第二公路勘察设计研究院有限公司 | 基于样本自动选择与地表形变速率的滑坡易发性评价方法 |
CN113505650A (zh) * | 2021-06-13 | 2021-10-15 | 北京林业大学 | 地形特征线提取方法及装置、设备 |
CN113408462A (zh) * | 2021-06-29 | 2021-09-17 | 西南交通大学 | 基于卷积神经网络与类别热力图的滑坡遥感信息提取方法 |
Non-Patent Citations (3)
Title |
---|
WENZHONG SHI 等: "Landslide Recognition by Deep Convolutional Neural Network and Change Detection", 《IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING》》, vol. 59, no. 6, pages 4654 - 4672, XP011855768, DOI: 10.1109/TGRS.2020.3015826 * |
王宇: "基于深度学习的遥感图像滑坡信息提取算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, pages 028 - 70 * |
赵福军 等: "深度卷积神经网络的遥感影像滑坡灾害识别", 《黑龙江科技大学学报》, vol. 30, no. 5, pages 556 - 561 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114529814A (zh) * | 2022-01-26 | 2022-05-24 | 南京信息工程大学 | 基于多源数据的黄土高原淤地坝提取方法 |
CN115588134A (zh) * | 2022-09-08 | 2023-01-10 | 中国地质环境监测院(自然资源部地质灾害技术指导中心) | 一种基于滑坡特征要素和空间结构的滑坡识别方法及*** |
CN115620163A (zh) * | 2022-10-28 | 2023-01-17 | 西南交通大学 | 一种基于遥感影像的半监督学习深切河谷智能识别方法 |
CN115661681B (zh) * | 2022-11-17 | 2023-05-30 | 中国科学院空天信息创新研究院 | 一种基于深度学习的滑坡灾害自动识别方法及*** |
CN115661681A (zh) * | 2022-11-17 | 2023-01-31 | 中国科学院空天信息创新研究院 | 一种基于深度学习的滑坡灾害自动识别方法及*** |
CN116030353B (zh) * | 2023-03-29 | 2023-05-30 | 成都大学 | 一种基于卷积神经网络的滑坡灾害自动识别方法 |
CN116030353A (zh) * | 2023-03-29 | 2023-04-28 | 成都大学 | 一种基于卷积神经网络的滑坡灾害自动识别方法 |
CN116597287A (zh) * | 2023-07-17 | 2023-08-15 | 云南省交通规划设计研究院有限公司 | 一种基于深度学习方法的遥感影像滑坡识别方法 |
CN117057606A (zh) * | 2023-08-15 | 2023-11-14 | 广州地铁设计研究院股份有限公司 | 风险预测模型训练方法、风险预测方法及相关设备 |
CN117274823A (zh) * | 2023-11-21 | 2023-12-22 | 成都理工大学 | 基于DEM特征增强的视觉Transformer滑坡识别方法 |
CN117274823B (zh) * | 2023-11-21 | 2024-01-26 | 成都理工大学 | 基于DEM特征增强的视觉Transformer滑坡识别方法 |
CN118172691A (zh) * | 2024-05-13 | 2024-06-11 | 济南市勘察测绘研究院 | 基于多技术融合的工程地形测绘方法及*** |
CN118171918A (zh) * | 2024-05-14 | 2024-06-11 | 成都航空职业技术学院 | 一种基于多源数据的空天地滑坡监测方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113887515A (zh) | 一种基于卷积神经网络的遥感滑坡识别方法及*** | |
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及*** | |
CN110136170B (zh) | 一种基于卷积神经网络的遥感影像建筑物变化检测方法 | |
Münzinger et al. | Mapping the urban forest in detail: From LiDAR point clouds to 3D tree models | |
CN108596108B (zh) | 基于三元组语义关系学习的航拍遥感图像变化检测方法 | |
CN109858450B (zh) | 一种十米级空间分辨率遥感影像城镇提取方法及*** | |
CN111028255A (zh) | 基于先验信息与深度学习的农田区域预筛选方法及装置 | |
CN112712535A (zh) | 基于模拟困难样本的Mask-RCNN滑坡分割方法 | |
CN110991430B (zh) | 基于遥感图像的地物识别及覆盖率计算方法及*** | |
Chen et al. | Detecting changes in high-resolution satellite coastal imagery using an image object detection approach | |
CN115223063A (zh) | 基于深度学习的无人机遥感小麦新品种倒伏面积提取方法及*** | |
CN114743096B (zh) | 一种区域滑坡识别方法、装置及*** | |
CN114998744A (zh) | 基于运动与视觉双特征融合的农机轨迹田路分割方法 | |
CN115359366A (zh) | 基于参数优化的遥感图像目标检测方法 | |
Parajuli et al. | Attentional dense convolutional neural network for water body extraction from sentinel-2 images | |
CN116246169A (zh) | 基于SAH-Unet的高分辨率遥感影像不透水面提取方法 | |
Zhang | A time-series approach to detect urbanized areas using biophysical indicators and landsat satellite imagery | |
Aahlaad et al. | An object-based image analysis of worldview-3 image for urban flood vulnerability assessment and dissemination through ESRI story maps | |
Moradi et al. | Potential evaluation of visible-thermal UAV image fusion for individual tree detection based on convolutional neural network | |
Zhao et al. | Improving object-oriented land use/cover classification from high resolution imagery by spectral similarity-based post-classification | |
CN115690597A (zh) | 一种基于深度背景差分的遥感影像城市地物变化检测方法 | |
Magee | Segmentation, object-oriented applications for remote sensing land cover and land use classification | |
Yesserie | Spatio-temporal land use/land cover changes analysis and monitoring in the Valencia municipality, Spain | |
Awuah | Effects of spatial resolution, land-cover heterogeneity and different classification methods on accuracy of land-cover mapping | |
CN117456287B (zh) | 一种使用遥感影像观测野生动物种群数量的方法 |
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 |