一种基于深度神经网络的滑坡地形检测方法与流程

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。

技术实现要素：

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(digitalflevationmodel，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deeplabv3+地质特征提取模型：采用deeplabv3+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；

步骤5，构建deeplabv3+地形分割模型：采用deeplabv3+网络编码器和解码器架构，编码器加载地质特征提取模型提取的特征参数，有助于地形分割模型快速收敛；解码器将编码器得到的特征图恢复至输入大小，以生成滑坡地形分割结果；

步骤6，结合领域知识，构建基于滑坡特征关系的方法：考虑滑坡局部区域对滑坡构成的充分性，学习滑坡局部区域特征，将局部区域特征作为注意力关键区域与滑坡整体特征融合；利用光谱、形状、上下文信息相结合的方法，考虑滑坡局部区域特征间关系，设置约束条件并计算损失函数，反馈作用于步骤5中，最后根据阈值判断滑坡地形分割结果中像素属于“滑坡”与“非滑坡”的分类结果，生成最终的滑坡地形分割结果。

在所述步骤4中，融合滑坡遥感影像和数字高程模型数据，生成包含遥感影像特征和数字高程特征的四维特征向量：

i(xi)＝[s^r(xi)s^g(xi)s^b(xi)d(xi)]

其中，i(xi)为滑坡样本xi生成的四维特征向量，s^r(xi)、s^g(xi)、s^b(xi)分别为滑坡样本xi对应的遥感影像红色波段、绿色波段、蓝色波段空间和光谱特征，d(xi)为滑坡样本xi对应的高程特征。

在所述步骤6中，滑坡局部区域特征包括河流、滑坡后缘、滑坡堆积体、裂缝；

局部区域特征与整体特征融合如下：

f(xi)＝[i(xi)l^r(xi)l^t(xi)l^d(xi)l^f(xi)]

其中，f(xi)是滑坡样本xi融合后特征向量，i(xi)是滑坡样本xi整体特征，l^r(xi)，l^t(xi)，l^d(xi)，l^f(xi)分别是滑坡样本xi局部区域河流、滑坡后缘、滑坡堆积体、裂缝对应的特征；

在所述步骤6中，基于滑坡特征关系的损失函数计算如下：

c＝c0+0.5c1+0.5c2+0.2c3+0.2c4

其中，c为模型最终损失函数，滑坡、河流、滑坡后缘、滑坡堆积体、裂缝对应损失函数分别为c0、c1、c2、c3、c4，由cj计算得出，n为输入滑坡样本x个数，yi为单个样本标记值，xi为单个样本预测值；

在所述步骤6中，阈值δt取值范围为0.4～0.7，根据滑坡地形检测准确度选取最佳阈值，最佳阈值为0.5。将预测概率大于阈值的像素点标记为1并判定为滑坡组成像素点，预测概率小于阈值的像素点标记为0并判定为非滑坡区域，最终得到滑坡地形分割结果：

其中，o(xj)为滑坡样本xi中某一像素点xj的最终判定结果，o′(xj)为地形分割模型识别初始结果，δt为确定像素点类别的阈值。

本发明原理是：

采用遥感影像数据和数字高程数据，构建基于deeplabv3+网络的地质特征提取模型和地形分割模型，提取滑坡区域地质特征，结合领域专家知识，考虑滑坡局部区域特征的关系，利用光谱、形状、上下文信息等相结合的方法得到滑坡地形分割结果。

本发明与现有技术相比的优点在于：

(1)本发明利用遥感影像数据和数字高程数据，提取并分析数据集中滑坡区域的地质特征，构建基于深度神经网络的滑坡地形检测方法，可依靠卫星数据实现对大面积无人区域中滑坡地形分割。

(2)本发明检测结果具有像素级别精确度，不同于以往技术仅预测一定范围内滑坡发生概率，本发明将划分滑坡具体发生范围，对地质研究人员具备更高的价值。

(3)本发明自动迭代，在数据量足够的情况下，迭代的预测效果越来越好。随着数据量的增加，检测方法提取到的滑坡特征愈加充分，学习效果趋于完善，正向作用于未知输入数据中滑坡分割效果。

(4)本发明结合领域知识，充分考虑了滑坡光学影像特征、滑坡领域知识和滑坡特征关联性等多个因素，对于做出预测结果提供更准确的依据，改善了传统检测方法只依靠单一数据的不完善缺陷。

附图说明

图1为本发明实现原理图；

图2为滑坡遥感影像数据示意图；

图3为滑坡遥感影像数据预处理后示意图；

图4为deeplabv3+网络架构图；

图5为基于滑坡特征关系方法示意图；

图6为滑坡地形分割结果示意图。

具体实施方式

下面结合附图及实施对本发明所涉及的一种基于深度神经网络的滑坡地形检测方法的具体实施方案进行详细说明。

<实施例>

本实施例中，以滑坡遥感影像和数字高程模型为例，对基于深度神经网络的滑坡地形检测方法进行说明。

如图1所示，本实施例所提供的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：

步骤1，获取数据：

利用开源卫星影像下载平台，设置统一的瓦片级别，下载滑坡遥感影像和数字高程模型；在平台使用掩码标注功能标注滑坡具体范围，下载并获取标注点经纬度坐标文件。滑坡遥感影像、数字高程模型和标注点坐标文件构成样本数据。

本实施例采用的数据来源为googleearth卫星影像，空间分辨率为0.54米，影像为3波段，如图2所示)；

步骤2，数据预处理：

实现标注点坐标与影像坐标投影转换：将标注点坐标与滑坡遥感影像数据转换到同一坐标参考系统，计算投影转换后的影像尺寸以及仿射变换参数，对滑坡遥感影像进行配准后切割标注区域并得到滑坡标注图像。

采用选择性搜索分割方法对滑坡遥感影像进行分割，设定分割尺度为随机尺寸，分割形状为正方形，分割结果仅为包含全部滑坡区域和不包含任何滑坡区域两类，保证滑坡数据完整性。同时采用相同的坐标对数字高程模型和滑坡标注图像进行分割，保证滑坡遥感影像、数据高程模型和滑坡标注图像三者具有相同的分割边界。

对切割后生成的图片类型数据采用数据增强技术，包括加约束的随机裁剪、扩展、翻转和带插值的大小调整等几何扩增方法和随机亮度扰动、色调扰动、饱和度扰动和对比度扰动等光学扩增方法。采用数据预处理后的滑坡遥感影像如图3所示。对数字高程模型实现数据归一化，采用min-max标准化(min-maxnormalization)方法，经过线性变换后的高程结果落到[0，1]区间，转换函数如下：

其中，z^*为数字高程模型中点z归一化之后高程值，z为点z初始数值，zmin为最小高程值，8max为最大高程值。

步骤3：构建deeplabv3+地质特征提取模型：

基于深度神经网络的地质特征提取模型输入数据为具有大量注释图像的大型遥感地形数据集，以便学习具有若干不同参数的有效模型；遥感地形数据集采用120×120，60×60和20×20的像素大小相关联的10，20和60米图像带，具备林地、水体、草原、岩石等多种土地覆盖类别。具有丰富数据的遥感地形数据集能促进地质特征提取模型获取更充足的地质特征。

地质特征提取模型采用现有深度神经网络deeplabv3+的编码器架构。deeplabv3+网络示意图如图4所示。地质特征提取模型具体采用图4中编码器部分，将遥感地形数据集作为地质特征提取模型输入数据。然后经由骨干网络xception网络和空洞空间金字塔池化(atrousspatialpyramidpooling，aspp)技术学习输入与输出的映射关系，以达到特征提取的目的。在xception网络中entryflow模块主要是用来不断下采样，减小空间维度，middleflow则是不断学习关联关系，优化特征，exitflow是汇总、整理特征；aspp技术能够捕获多个层次的上下文，使像素具有较大的感受野。最后通过全连接层整合隐含层获得的特征并评判模型的特征提取能力。深度神经网络能够在感知遥感地形数据集中每一个特征的基础上在更高层次对滑坡特征进行综合操作，从而得到滑坡的全局信息。

通过地质特征提取模型获得遥感影像中纹理、颜色、光照、植被、水体等通用地质特征，得到对于这些地质特征具有一定鲁棒性的特征参数。

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，生成包含遥感影像特征和数字高程特征的四维特征向量：

i(xi)＝[s^r(xi)s^g(xi)s^b(xi)d(xi)]

其中，i(xi)为滑坡样本xi生成的四维特征向量，s^r(xi)、s^g(xi)、s^b(xi)分别为滑坡样本xi对应的遥感影像红色波段、绿色波段、蓝色波段空间和光谱特征，d(xi)为滑坡样本xi对应的高程特征。

步骤5，构建deeplabv3+地形分割模型：

基于深度神经网络的地形分割模型输入数据为步骤4得到的四维特征向量。

地形分割模型采用现有神经网络deeplabv3+的编码器-解码器架构，编码器部分以deeplabv3+地质特征提取模型为基础，采用与地质特征提取模型相同的输入层、隐含层架构和参数设置。解码器部分将编码器得到的特征图通过上采样、低层和高层特征图融合、卷积等操作恢复至与输入数据同等尺寸，得到滑坡地形分割结果。

deeplabv3+地形分割模型加载地质特征提取模型获取的遥感影像地质特征参数，输入包含遥感影像特征和数字高程特征的四维特征向量，得到结合空间、光谱特征以及高程特征的滑坡地形分割结果。

步骤6，结合领域知识，构建基于滑坡特征关系的方法：

结合滑坡的形态、规模、边界、表部特征的领域知识，考虑河流、滑坡后缘、滑坡堆积体、裂缝等局部区域对于滑坡构成的充分性，构建基于滑坡特征关系的方法，具体如图5所示。

在地形分割模型得到的浅层图像特征上学习并提取滑坡整体特征和局部区域特征，将局部区域特征作为注意力关键区域与整体特征融合：

f(xi)＝[i(xi)l^r(xi)l^t(xi)l^d(xi)l^f(xi)]

其中，f(xi)是融合特征，i(xi)是滑坡整体特征，l^r(xi)，l^t(xi)，l^d(xi)，l^f(xi)分别是局部区域河流、滑坡后缘、滑坡堆积体、裂缝对应的特征。

利用光谱、形状、上下文信息相结合的方法，以特征之间的关系为基础进行推理，考虑滑坡特征的相关性：河流与滑坡的伴随性和邻近性，滑坡后缘的显著差异性，滑坡堆积体特有纹理特性等，设置河流与滑坡的距离约束条件，初步精确分割结果。并分别计算滑坡整体特征与各个滑坡局部区域特征的损失函数，反馈作用于滑坡局部区域特征。

其中，cj是滑坡整体特征和各个滑坡局部区域特征的损失量，n为输入滑坡样本x个数，yi为单个样本标记值，a为单个样本预测值；

结合滑坡整体特征和多个滑坡局部区域特征的损失，计算基于滑坡特征关系的融合损失函数，反馈作用于地形分割模型得到的浅层图像特征，从而实现反向传播，不断更新地形分割模型的参数，有利于得到更加精确的分割结果。基于滑坡特征关系的损失函数计算如下：

c＝c0+0.5c1+0.5c2+0.2c3+0.2c4

其中，c为模型损失函数，滑坡、河流、滑坡后缘、滑坡堆积体、裂缝对应损失量分别为c0、c1、c2、c3、c4；

根据阈值判断滑坡地形分割结果中像素属于“滑坡”与“非滑坡”的分类结果，生成最终滑坡地形分割结果。阈值δt取值范围为0.4～0.7，根据滑坡预测概率选取最佳阈值，最佳阈值为0.5，将预测概率大于阈值的像素点标记为1并判定为滑坡组成像素点，预测概率小于阈值的像素点标记为0并判定为非滑坡区域，最终得到滑坡地形分割结果：

其中，o(xj)为滑坡样本xi中某一像素点xj的最终判定结果，o′(xj)为地形分割模型识别初始结果，δt为确定像素点类别的阈值。

滑坡地形分割结果如图6所示，其中黑色线条圈出区域为滑坡地形检测方法得到的滑坡地形分割区域。

提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。