技术特征：
1.一种滑坡易发性评估方法，其特征在于，包括以下步骤：筛选出样本区域的滑坡易发性致灾因子；将所述滑坡易发性致灾因子与从所述样本区域采集到的滑坡样本集组合在一起，得到致灾因子
‑
样本集；将所述致灾因子
‑
样本集作为训练使用的输入数据，采用深度学习方式，得到用于生成待评估区域的滑坡易发性结果的蚁群优化算法
‑
深度信念网络模型。2.根据权利要求1所述的滑坡易发性评估方法，其特征在于，筛选出滑坡易发性致灾因子，具体包括以下步骤：采集样本区域的滑坡信息；其中，所述滑坡信息包括遥感影像、卫星图像、基础地理、地质、地形地貌、气象水文、林地类型、土壤类型、历史滑坡灾害记录以及滑坡研究文献资料；利用皮尔逊相关系数和随机森林特征重要性排序，从所述滑坡信息筛选出滑坡信息对应的所述滑坡易发性致灾因子。3.根据权利要求2所述的滑坡易发性评估方法，其特征在于，从所述样本区域采集到的滑坡样本集，具体包括以下步骤：利用区域滑坡调查、基于卫星图像的目视解译以及基于遥感影像的智能识别，采集样本区域的滑坡样本集。4.根据权利要求3所述的滑坡易发性评估方法，其特征在于，利用区域滑坡调查、基于卫星图像的目视解译以及基于遥感影像的智能识别，采集样本区域采集到的滑坡样本中将面状数据转化为点数据。5.根据权利要求1所述的滑坡易发性评估方法，其特征在于，在蚁群优化算法
‑
深度信念网络模型的训练过程中使用启发式蚁群算法寻找最佳路径并不断迭代，以寻找蚁群优化算法
‑
深度信念网络模型的最佳组合以及最佳参数，直至迭代次数最大，得到组合以及参数最优的蚁群优化算法
‑
深度信念网络模型。6.根据权利要求5所述的滑坡易发性评估方法，其特征在于，蚁群优化算法
‑
深度信念网络模型的参数中，激活函数采用双曲正切函数，优化器采用自适应矩估计优化器，优化策略采用批标准化优化策略，使用岭回归权值衰减项正则化和早停法，损失函数采用交叉熵以及岭回归调整项。7.根据权利要求5所述的滑坡易发性评估方法，其特征在于，蚁群优化算法
‑
深度信念网络模型的架构包括输入层、输出层以及位于所述所述输入层和所述输出层之间的四层受限玻尔兹曼机层，四层所述受限玻尔兹曼机层中的神经元个数自输入层向输出层逐级减小。8.一种滑坡易发性评估装置，其特征在于，包括：致灾因子筛选模块(100)，用于筛选出样本区域的滑坡易发性致灾因子；样本集建立模块(200)，用于将所述滑坡易发性致灾因子与从所述样本区域采集到的滑坡样本集组合在一起，得到致灾因子
‑
样本集；易发性评估模块(300)，用于将所述致灾因子
‑
样本集作为训练使用的输入数据，采用深度学习方式，得到用于生成待评估区域的滑坡易发性结果的蚁群优化算法
‑
深度信念网络模型。9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运
行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述滑坡易发性评估方法的步骤。10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述滑坡易发性评估方法的步骤。
技术总结
本发明提供一种滑坡易发性评估方法、装置、设备及可读存储介质，涉及地质灾害防治技术领域，该方法包括以下步骤：筛选出样本区域的滑坡易发性致灾因子；将所述滑坡易发性致灾因子与从所述样本区域采集到的滑坡样本集组合在一起，得到致灾因子
技术研发人员：王福涛 周艺 王世新 熊义兵 王振庆 王敬明
受保护的技术使用者：中国科学院空天信息创新研究院
技术研发日：2021.06.23
技术公布日：2021/12/21