CN118035879A - 一种基于InSAR与半监督学习的地质灾害隐患识别方法 - Google Patents
一种基于InSAR与半监督学习的地质灾害隐患识别方法 Download PDFInfo
- Publication number
- CN118035879A CN118035879A CN202410433239.1A CN202410433239A CN118035879A CN 118035879 A CN118035879 A CN 118035879A CN 202410433239 A CN202410433239 A CN 202410433239A CN 118035879 A CN118035879 A CN 118035879A
- Authority
- CN
- China
- Prior art keywords
- geological disaster
- geological
- area
- research area
- hidden danger
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000011160 research Methods 0.000 claims abstract description 81
- 230000011218 segmentation Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 18
- 238000004062 sedimentation Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000035935 pregnancy Effects 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 239000011435 rock Substances 0.000 claims description 3
- 230000002265 prevention Effects 0.000 abstract description 5
- 238000011835 investigation Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005305 interferometry Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Landscapes
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及地质灾害防治技术领域，尤其涉及一种基于InSAR与半监督学习的地质灾害隐患识别方法，包括以下步骤：基于InSAR技术初步圈定研究区域内疑似为地质灾害隐患的空间位置，同时，利用半监督学习方法学习研究区域内已查明地质灾害的孕灾地质环境特征，得到研究区域对应的地质灾害孕灾地质环境特征学习模型，利用研究区域对应的地质灾害孕灾地质环境特征学习模型判断所圈定空间位置是否为地质灾害隐患。本发明不但可以识别研究区域内地质灾害隐患所导致的地表形变，实现对非地质灾害隐患所引发地表形变信息的“降噪”，而且能够在少量地质灾害调查资料的支持下，自动识别地质灾害隐患，为广域范围的地质灾害隐患识别提供了技术支撑。
Description
技术领域
本发明涉及地质灾害防治技术领域，尤其涉及一种基于InSAR与半监督学习的地质灾害隐患识别方法。
背景技术
地质灾害隐患识别是地质灾害防治工作从灾后救助向灾前预防转变的重要环节，地质灾害隐患识别成果在地质灾害防治工作中具有重要的应用价值。合成孔径雷达干涉测量技术（InSAR）借助其地表形变探测能力与全天候观测的优势，近年来被广泛应用于地质灾害隐患识别工作中。
但由于地质灾害在地表所占的面积非常小，在应用InSAR技术探测广域范围地表形变信息时常包含了大量非地质灾害活动引起的形变“噪声”，如露天矿山开采、采空区形变、切坡建房修路等人类工程活动在InSAR获取的区域地表形变分布图中均能得以表达，进而影响广域范围的地质灾害隐患识别的质效。
发明内容
本发明的目的在于针对已有的技术现状，提供一种基于InSAR与半监督学习的地质灾害隐患识别方法，不但可以识别研究区域内地质灾害隐患所导致的地表形变，实现对非地质灾害隐患所引发地表形变信息的“降噪”，而且能够在少量已查明地质灾害的调查资料支持下，自动识别地质灾害隐患，为广域范围的地质灾害隐患识别提供了技术支撑。
为达到上述目的，本发明采用如下技术方案：
一种基于InSAR与半监督学习的地质灾害隐患识别方法，包括以下步骤：
基于InSAR技术初步圈定研究区域内疑似为地质灾害隐患的空间位置，同时，利用半监督学习方法学习研究区域内已查明地质灾害的孕灾地质环境特征，得到研究区域对应的地质灾害孕灾地质环境特征学习模型，利用研究区域对应的地质灾害孕灾地质环境特征学习模型判断所圈定空间位置是否为地质灾害隐患，其中：
基于InSAR技术初步圈定研究区域内疑似为地质灾害隐患的空间位置的步骤如下：
利用InSAR技术获取研究区域的地表形变信息，得到地表形变速率图；
保留地表形变速率图中地表形变速率小于零的空间范围，形成地表沉降速率图；
结合研究区域内已查明地质灾害的实形边界设置地表形变速率分割阈值，包括以下步骤：
设置，以L为步长调整/>，对地表沉降速率图进行二值化分割，保留地表沉降速率图中小于地表形变速率分割阈值/>的空间范围，并在每次分割后筛选出与研究区域内m 1处已查明地质灾害的实形边界相交的分割对象，计算面积重叠度/>，计算公式如下：
其中，为所筛选出分割对象的面积，/>为已查明地质灾害的面积，为两者重叠面积；
面积重叠度最大时，所设置的地表形变速率分割阈值/>为最优分割阈值；
基于最优分割阈值对地表沉降速率图进行二值化分割并保留地表沉降速率图中小于最优分割阈值的空间范围，提取出研究区域的有效地表沉降区；
将研究区域分割为n块连续的斜坡单元，叠加斜坡单元与所提取有效地表沉降区，筛选出与有效地表沉降区相交且相交面积超过其自身面积第一预设比例的斜坡单元，初步圈定研究区域内疑似为地质灾害隐患的空间位置；
利用半监督学习模型学习研究区域内已查明地质灾害的孕灾地质环境特征以及得到目标地区地质灾害孕灾地质环境特征学习模型的步骤如下：
设y= 1代表目标地区为地质灾害，y=－1代表目标地区为非地质灾害，目标地区为x，利用研究区域内已查明地质灾害的孕灾地质环境特征训练半监督学习模型，得到研究区域对应的地质灾害孕灾地质环境特征学习模型f(x) =p(y= 1 |x)；
设置判定阈值，若/>，则判定所圈定空间位置是地质灾害隐患；否则，判定所圈在空间位置不是地质灾害隐患。
进一步的，获得研究区域对应的地质灾害孕灾地质环境特征学习模型f(x)以及判断所圈定空间位置是否为地质灾害隐患的步骤如下：
f(x)利用一个初始模型g(x)与常数c得到，计算公式如下：f(x) =g(x) /c；
若目标地区x的类型已知，记为s= 1，若目标地区x的类型未知，则记为s= 0，初始模型g(x)的训练过程包括以下步骤：
S1、随机选取第二预设比例的m 2处研究区域内已查明地质灾害作为样本，并按照数量为1:N的比例随机选取研究区域内未知类型的地区也作为样本，共同构成训练样本集，训练分类器，得到初始模型g(x) =p(s= 1 |x)；
S2、利用初始模型对步骤S1中剩余的研究区域内已查明地质灾害的目标地区进行预测，并利用预测结果估算并记录初始模型g(x)对应的常数c=p(s= 1 |y= 1)；
S3、重复k次步骤S1至S2，计算并记录相应的g i(x)与c i；
其中，g i(x)与分别为第i次重复步骤S1至S3所得g(x)的值，c i为第i次重复步骤S1至S3所得g(x)的值对应的常数c；
利用k个初始模型g i(x)分别对每一初步圈定的空间位置进行分类预测，并利用相应的ci计算后验概率f i(x)，最终为k个后验概率f i (x)的平均值，计算公式如下：
设置判定阈值，若/>，则判定所圈定空间位置是地质灾害隐患，否则，判定所圈定空间位置不是地质灾害隐患。
进一步的，初始模型g(x)的训练过程中，所述第二预设比例设为70%。
进一步的，初始模型g(x)的训练过程中，所述分类器为BP神经网络分类器或随机森林分类器。
进一步的，初始模型g(x)的训练过程中，判定所圈定潜在空间位置是地质灾害隐患时，所述判定阈值设为0.5。
进一步的，初步圈定研究区域内疑似为地质灾害隐患的空间位置的过程中，所述InSAR技术为PS-InSAR、SBAS-InSAR、DS-InSAR中的一种。
进一步的，初步圈定研究区域内疑似为地质灾害隐患的空间位置的过程中，结合研究区域内已查明地质灾害的实形边界设定地表形变速率阈值时，所述步长L设为1。
进一步的，初步圈定研究区域内疑似为地质灾害隐患的空间位置的过程中，利用研究区域的数字高程模型DEM提取山谷线和山脊线，将研究区域分割成n块连续斜坡单元。
进一步的，初步圈定研究区域内疑似为地质灾害隐患的空间位置的过程中，所述第一预设比例设为10%。
进一步的，利用半监督学习模型学习研究区域内已查明地质灾害的孕灾地质环境特征的过程中，所述孕灾地质环境特征包括地形坡度、斜坡形态、工程岩组、地质构造、斜坡结构、常态降雨、植被指数与土地利用类型。
本发明的有益效果为：
该地质灾害隐患识别方法结合InSAR技术与半监督学习模型，不但可以识别研究区域内由地质灾害隐患所导致的地表形变，实现对非地质灾害隐患所引发地表形变信息的“降噪”，而且能够在少量地质灾害调查资料的支持下，自动识别地质灾害隐患，为广域范围的地质灾害隐患识别提供了技术支撑。
附图说明
图1为本发明一种基于InSAR与半监督学习的地质灾害隐患识别方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施实例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实例仅仅用以解释本发明，并不用于限定本发明。
请参阅图1所示，一种基于InSAR与半监督学习的地质灾害隐患识别方法，包括以下步骤：
基于InSAR技术初步圈定研究区域内疑似为地质灾害隐患的空间位置，同时，利用半监督学习方法学习研究区域内已查明地质灾害的孕灾地质环境特征，得到研究区域对应的地质灾害孕灾地质环境特征学习模型，利用研究区域对应的地质灾害孕灾地质环境特征学习模型判断所圈定空间位置是否为地质灾害隐患。
上述技术方案中，基于InSAR技术初步圈定研究区域内疑似为地质灾害隐患的空间位置的步骤如下：
利用InSAR技术获取研究区域的地表形变信息，得到地表形变速率图；
其中，InSAR技术为PS-InSAR、SBAS-InSAR、DS-InSAR中的一种；
保留地表形变速率图中地表形变速率小于零的空间范围，形成地表沉降速率图；
结合研究区域内已查明地质灾害的实形边界设置地表形变速率分割阈值，即地表形变速率分割阈值/>的设置研究区域内已查明地质灾害的实形边界为参考，包括以下步骤：
设置，以L为步长调整/>，对地表沉降速率图进行二值化分割，保留地表沉降速率图中小于地表形变速率分割阈值/>的空间范围，并在每次分割后筛选出与研究区域内m 1处已查明地质灾害的实形边界相交的分割对象，计算面积重叠度/>，计算公式如下：
其中，为所筛选出分割对象的面积，/>为已查明地质灾害的面积，为两者重叠面积；
面积重叠度最大时，所设置的地表形变速率分割阈值/>为最优分割阈值；
基于最优分割阈值对地表沉降速率图进行二值化分割并保留地表沉降速率图中小于最优分割阈值的空间范围，提取出研究区域的有效地表沉降区；
将研究区域分割为n块连续的斜坡单元，叠加斜坡单元与所提取有效地表沉降区，筛选出与有效地表沉降区相交且相交面积超过其自身面积第一预设比例的斜坡单元，初步圈定研究区域内疑似为地质灾害隐患的空间位置；
其中，将研究区域分割为n块连续的斜坡单元采用如下方法：
利用研究区域的数字高程模型DEM提取山谷线和山脊线，将研究区域分割成n块连续斜坡单元。
本实施例中，示例性地，第一预设比例设为10%；结合研究区域内已查明地质灾害的实形边界设定地表形变速率阈值时，步长L设为1。
上述技术方案中，利用半监督学习方法学习研究区域内已查明地质灾害的孕灾地质环境特征以及得到目标地区地质灾害孕灾地质环境特征学习模型的步骤如下：
设y= 1代表目标地区为地质灾害，y=－1代表目标地区为非地质灾害，目标地区为x，利用研究区域内已查明地质灾害的孕灾地质环境特征训练半监督学习模型，得到研究区域对应的地质灾害孕灾地质环境特征学习模型f(x) =p(y= 1 |x)，即判断目标地区为x是地质灾害概率大小的模型；
其中，孕灾环境特征包括地形坡度、斜坡形态、工程岩组、地质构造、斜坡结构、常态降雨、植被指数与土地利用类型；
设置判定阈值，若/>，则判定所圈定空间位置是地质灾害隐患；否则，判定所圈定空间位置不是地质灾害隐患。
更具体的，获得研究区域对应的地质灾害孕灾地质环境特征学习模型f(x)以及判断所圈定空间位置是否为地质灾害隐患的步骤如下：
f(x)利用一个初始模型g(x)与常数c得到，计算公式如下：f(x) =g(x) /c；
若目标地区x的类型已知，记为s= 1，若目标地区x的类型未知，则记为s= 0，初始模型g(x)的训练过程包括以下步骤：
S1、随机选取第二预设比例的m 2处研究区域内已知地质灾害点（即已知类型的地区）作为样本，并按照数量为1:N的比例随机选取研究区域内未知类型的地区也作为样本，共同构成训练样本集，训练分类器，得到初始模型g(x) =p(s= 1 |x)；
其中，分类器为BP神经网络分类器或随机森林分类器，即传统分类器；
S2、利用初始模型对步骤S1中剩余的研究区域内已查明地质灾害的目标地区进行预测，并利用预测结果估算并记录初始模型g(x)对应的常数c=p(s= 1 |y= 1)，即研究区域内已查明地质灾害的目标地区被正确预测的概率；
S3、重复k次步骤S1至S2，计算并记录相应的g i(x)与c i；
其中，g i(x)与分别为第i次重复步骤S1至S3所得g(x)的值，c i为第i次重复步骤S1至S3所得g(x)的值对应的常数c；
利用k个初始模型g i(x)分别对每一初步圈定的空间位置进行分类预测，并利用相应的ci计算后验概率f i(x)，最终为k个后验概率f i (x)的平均值，计算公式如下：
设置判定阈值，若/>，则判定所圈定空间位置是地质灾害隐患，否则，判定所圈定空间位置不是地质灾害隐患。
本实施例中，示例性地，第二预设比例设为70%；判定所圈定潜在空间位置是地质灾害隐患时，设为0.5。
总的来说，本发明结合InSAR技术与半监督学习模型，不但可以识别研究区域内由地质灾害隐患所导致的地表形变，实现对非地质灾害隐患所引发地表形变信息的“降噪”，而且能够在少量地质灾害调查资料的支持下，自动识别地质灾害隐患，为广域范围的地质灾害隐患识别提供了技术支撑。
本发明不仅局限于上述具体实施方式，本领域一般技术人员根据本发明公开的内容，可以采用其它多种具体实施方式实施本发明，因此，凡是采用本发明的设计结构和思路，做一些简单的变化或更改的设计，都落入本发明保护的范围。
Claims (10)
1.一种基于InSAR与半监督学习的地质灾害隐患识别方法，其特征在于：包括以下步骤：
基于InSAR技术初步圈定研究区域内疑似为地质灾害隐患的空间位置，同时，利用半监督学习方法学习研究区域内已查明地质灾害的孕灾地质环境特征，得到研究区域对应的地质灾害孕灾地质环境特征学习模型，利用研究区域对应的地质灾害孕灾地质环境特征学习模型判断所圈定空间位置是否为地质灾害隐患，其中：
基于InSAR技术初步圈定研究区域内疑似地质灾害隐患的空间位置的步骤如下：
利用InSAR技术获取研究区域的地表形变信息，得到地表形变速率图；
保留地表形变速率图中地表形变速率小于零的空间范围，形成地表沉降速率图；
结合研究区域内已查明地质灾害的实形边界设置地表形变速率分割阈值，包括以下步骤：
设置，以L为步长调整/>，对地表沉降速率图进行二值化分割，保留地表沉降速率图中小于地表形变速率分割阈值/>的空间范围，并在每次分割后筛选出与研究区域内m 1处已查明地质灾害的实形边界相交的分割对象，计算面积重叠度/>，计算公式如下：
其中，为所筛选出分割对象的面积，/>为已查明地质灾害的面积，为两者重叠面积；
面积重叠度最大时，所设置的地表形变速率分割阈值/>为最优分割阈值；
基于最优分割阈值对地表沉降速率图进行二值化分割并保留地表沉降速率图中小于最优分割阈值的空间范围，提取出研究区域的有效地表沉降区；
将研究区域分割为n块连续的斜坡单元，叠加斜坡单元与所提取有效地表沉降区，筛选出与有效地表沉降区相交且相交面积超过其自身面积第一预设比例的斜坡单元，初步圈定研究区域内疑似为地质灾害隐患的空间位置；
利用半监督学习方法学习研究区域内已查明地质灾害的孕灾地质环境特征以及得到目标地区地质灾害孕灾地质环境特征学习模型的步骤如下：
设y = 1代表目标地区为地质灾害，y =－1代表目标地区为非地质灾害，目标地区为x，利用研究区域内已查明地质灾害的孕灾地质环境特征训练半监督学习模型，得到研究区域对应的地质灾害孕灾地质环境特征学习模型f(x) = p(y = 1 | x)；
设置判定阈值，若/>，则判定所圈定空间位置是地质灾害隐患；否则，判定所圈定空间位置不是地质灾害隐患。
2.根据权利要求1所述的一种基于InSAR与半监督学习的地质灾害隐患识别方法，其特征在于：获得研究区域对应的地质灾害孕灾地质环境特征学习模型f(x)以及判断所圈定空间位置是否为地质灾害隐患的步骤如下：
f(x)利用一个初始模型g(x)与常数c得到，计算公式如下：f(x) = g(x) / c；
若目标地区x的类型已知，记为s = 1，若目标地区x的类型未知，则记为s = 0，初始模型g(x)的训练过程包括以下步骤：
S1、随机选取第二预设比例的m 2处研究区域内已查明地质灾害作为样本，并按照数量为1:N的比例随机选取研究区域内未知类型的地区也作为样本，共同构成训练样本集，训练分类器，得到初始模型g(x) = p(s = 1 | x)；
S2、利用初始模型对步骤S1中剩余的研究区域内已查明地质灾害的目标地区进行预测，并利用预测结果估算并记录初始模型g(x)对应的常数c = p(s = 1 | y = 1)；
S3、重复k次步骤S1至S2，计算并记录相应的g i(x)与c i；
其中，g i(x)与分别为第i次重复步骤S1至S3所得g(x)的值，c i为第i次重复步骤S1至S3所得g(x)的值对应的常数c；
利用k个初始模型g i(x)分别对每一初步圈定的空间位置进行分类预测，并利用相应的ci计算后验概率f i(x)，最终为k个后验概率f i (x)的平均值，计算公式如下：
设置判定阈值，若/>，则判定所圈定空间位置是地质灾害隐患，否则，判定所圈定空间位置不是地质灾害隐患。
3.根据权利要求2所述的一种基于InSAR与半监督学习的地质灾害隐患识别方法，其特征在于：初始模型g(x)的训练过程中，所述第二预设比例设为70%。
4.根据权利要求2所述的一种基于InSAR与半监督学习的地质灾害隐患识别方法，其特征在于：初始模型g(x)的训练过程中，所述分类器为BP神经网络分类器或随机森林分类器。
5.根据权利要求2所述的一种基于InSAR与半监督学习的地质灾害隐患识别方法，其特征在于：初始模型g(x)的训练过程中，判定所圈定空间位置是地质灾害隐患时，所述判定阈值设为0.5。
6.根据权利要求1所述的一种基于InSAR与半监督学习的地质灾害隐患识别方法，其特征在于：初步圈定研究区域内疑似为地质灾害隐患的空间位置的过程中，所述InSAR技术为PS-InSAR、SBAS-InSAR、DS-InSAR中的一种。
7.根据权利要求1所述的一种基于InSAR与半监督学习的地质灾害隐患识别方法，其特征在于：初步圈定研究区域内疑似为地质灾害隐患的空间位置的过程中，结合研究区域内已查明地质灾害的实形边界设定地表形变速率阈值时，所述步长L设为1。
8.根据权利要求1所述的一种基于InSAR与半监督学习的地质灾害隐患识别方法，其特征在于：初步圈定研究区域内疑似为地质灾害隐患的空间位置的过程中，利用研究区域的数字高程模型DEM提取山谷线和山脊线，将研究区域分割成n块连续斜坡单元。
9.根据权利要求1所述的一种基于InSAR与半监督学习的地质灾害隐患识别方法，其特征在于：初步圈定研究区域内疑似为地质灾害隐患的空间位置的过程中，所述第一预设比例设为10%。
10.根据权利要求1所述的一种基于InSAR与半监督学习的地质灾害隐患识别方法，其特征在于：利用半监督学习模型学习研究区域内已查明地质灾害的孕灾地质环境特征的过程中，所述孕灾地质环境特征包括地形坡度、斜坡形态、工程岩组、地质构造、斜坡结构、常态降雨、植被指数与土地利用类型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410433239.1A CN118035879A (zh) | 2024-04-11 | 2024-04-11 | 一种基于InSAR与半监督学习的地质灾害隐患识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410433239.1A CN118035879A (zh) | 2024-04-11 | 2024-04-11 | 一种基于InSAR与半监督学习的地质灾害隐患识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118035879A true CN118035879A (zh) | 2024-05-14 |
Family
ID=90988106
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410433239.1A Pending CN118035879A (zh) | 2024-04-11 | 2024-04-11 | 一种基于InSAR与半监督学习的地质灾害隐患识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118035879A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112991688A (zh) * | 2021-03-03 | 2021-06-18 | 中山大学 | 一种基于pul算法的地质灾害时空联合预警方法及*** |
| WO2022042002A1 (zh) * | 2020-08-31 | 2022-03-03 | 华为技术有限公司 | 一种半监督学习模型的训练方法、图像处理方法及设备 |
| CN116108759A (zh) * | 2023-04-11 | 2023-05-12 | 湖北省地质环境总站 | 一种基于特征耦合的滑坡危险性评价方法 |
| CN116738236A (zh) * | 2023-07-05 | 2023-09-12 | 中国测绘科学研究院 | 一种滑坡识别方法、***、设备及介质 |
| WO2023193026A1 (en) * | 2022-04-01 | 2023-10-05 | The Regents Of The University Of California | Systems and methods for graph-based active learning using semi-supervised classification of sar data |
| WO2023193823A1 (zh) * | 2022-05-05 | 2023-10-12 | 中咨数据有限公司 | 山体滑坡与崩塌灾害分类方法与电子设备 |
| CN117235560A (zh) * | 2023-09-13 | 2023-12-15 | 成都理工大学 | 一种基于som-gmm-rf的建筑施工企业活跃度预测方法 |
-
2024
- 2024-04-11 CN CN202410433239.1A patent/CN118035879A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022042002A1 (zh) * | 2020-08-31 | 2022-03-03 | 华为技术有限公司 | 一种半监督学习模型的训练方法、图像处理方法及设备 |
| CN112991688A (zh) * | 2021-03-03 | 2021-06-18 | 中山大学 | 一种基于pul算法的地质灾害时空联合预警方法及*** |
| WO2023193026A1 (en) * | 2022-04-01 | 2023-10-05 | The Regents Of The University Of California | Systems and methods for graph-based active learning using semi-supervised classification of sar data |
| WO2023193823A1 (zh) * | 2022-05-05 | 2023-10-12 | 中咨数据有限公司 | 山体滑坡与崩塌灾害分类方法与电子设备 |
| CN116108759A (zh) * | 2023-04-11 | 2023-05-12 | 湖北省地质环境总站 | 一种基于特征耦合的滑坡危险性评价方法 |
| CN116738236A (zh) * | 2023-07-05 | 2023-09-12 | 中国测绘科学研究院 | 一种滑坡识别方法、***、设备及介质 |
| CN117235560A (zh) * | 2023-09-13 | 2023-12-15 | 成都理工大学 | 一种基于som-gmm-rf的建筑施工企业活跃度预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| ASHUTOSH TIWARI, ET AL.: "A novel machine learning and deep learning semi-supervised approach for automatic detection of InSAR-based deformation hotspots", INTERNATIONAL JOURNAL OF APPLIED EARTH OBSERVATION AND GEOINFORMATION, 29 February 2024 (2024-02-29), pages 1 - 8 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Chughtai et al. | A review on change detection method and accuracy assessment for land use land cover | |
| Kumar et al. | Landslide susceptibility mapping using analytical hierarchy process (AHP) in Tehri reservoir rim region, Uttarakhand | |
| Das et al. | An integrated approach of GIS, RUSLE and AHP to model soil erosion in West Kameng watershed, Arunachal Pradesh | |
| CN109977801B (zh) | 一种联合光学和雷达的区域水体快速动态提取方法及*** | |
| Youssef et al. | Flood-hazard assessment modeling using multicriteria analysis and GIS: a case study—Ras Gharib Area, Egypt | |
| CN110427857B (zh) | 一种基于遥感数据融合的输电线路地质灾害分析方法 | |
| Marcer et al. | Evaluating the destabilization susceptibility of active rock glaciers in the French Alps | |
| Ayalew et al. | Landslides in Sado Island of Japan: Part II. GIS-based susceptibility mapping with comparisons of results from two methods and verifications | |
| Lee et al. | Detecting landslide location using KOMPSAT 1 and its application to landslide-susceptibility mapping at the Gangneung area, Korea | |
| KR102540762B1 (ko) | 위성영상을 이용한 저수지 모니터링 방법 | |
| Lin et al. | Drainage density, slope angle, and relative basin position in Japanese bare lands from high-resolution DEMs | |
| CN111667187B (zh) | 基于多源遥感数据的公路滑坡危险性评价方法 | |
| CN112907113B (zh) | 一种考虑空间相关性的植被变化成因识别方法 | |
| CN103294792A (zh) | 基于语义信息和极化分解的极化sar地物分类方法 | |
| KR20200052398A (ko) | 머신 러닝 기법을 이용한 산사태 취약성 지도 작성 방법 및 장치 | |
| CN115984778A (zh) | 一种基于多特征优化的Sentinel-1数据快速动态洪灾监测方法 | |
| Meghraoui et al. | Mapping of soil erodibility and assessment of soil losses using the RUSLE model in the Sebaa Chioukh Mountains (northwest of Algeria) | |
| Munyati et al. | Change in woody cover at representative sites in the Kruger National Park, South Africa, based on historical imagery | |
| Yu et al. | Analysis and evaluation of surface water changes in the lower reaches of the Yangtze River using Sentinel-1 imagery | |
| Bousta et al. | Weights of evidence method for landslide susceptibility mapping in Tangier, Morocco | |
| Pradhan et al. | Optimized rule sets for automatic landslide characteristic detection in a highly vegetated forests | |
| Posner et al. | Normalized landslide index method for susceptibility map development in El Salvador | |
| Khayyat et al. | Assessing the impacts of climate change on natural resources in Erbil area, the Iraqi Kurdistan using geo-information and landsat data | |
| CN118035879A (zh) | 一种基于InSAR与半监督学习的地质灾害隐患识别方法 | |
| Han et al. | Water distribution based on SAR and optical data to improve hazard mapping |
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 |