融合卷积神经网络和自注意力模型的滑坡易发性评价方法与流程

本发明设计地质灾害防治领域，尤其涉及融合卷积神经网络和自注意力模型的滑坡易发性评价方法，特别是，融合卷积神经网络和transformer，能够综合两个模型的优点，提高模型预测精度。

背景技术：

1、滑坡是中国最主要的地质灾害，具有空间分布不均、灾害规模巨大和危害损失严重等特点。滑坡易发性评价是分析和预测滑坡灾害的空间分布和发生概率的一种方法，分析和预测结果可以为滑坡灾害空间管理、防灾减灾政策制定和国土资源规划提供依据。

2、卷积神经网络和transformer模型是近年来发展较为迅速的深度学习方法，卷积神经网络在滑坡易发性评价过程中，随着模型内部层数的加深，模型内部噪声逐步增加；与此同时，transformer模型的内部噪声的分布情况卷积神经网络呈相反趋势。因此，将卷积神经网络和transformer模型融合起来应用到滑坡易发性评价领域，成为一种新的研究方向。

3、因此，如何能够综合不同模型的优势，提高滑坡易发性的预测精度，成为现有技术亟需解决的技术问题。

技术实现思路

1、本发明的目的在于提出一种融合卷积神经网络和自注意力模型的滑坡易发性评价方法，特别是，融合卷积神经网络和transformer模型，以提高模型的预测精度。

2、为达此目的，本发明采用以下技术方案：

3、一种融合卷积神经网络和自注意力模型的滑坡易发性评价方法，其特征在于，包括如下步骤：

4、多源地理空间数据汇聚步骤s110：

5、了解研究区的地理空间环境特征，收集与滑坡相关的多源地理空间数据，确定为滑坡评价因子，统一评价因子的地理坐标系、投影坐标系和空间分辨率；

6、滑坡评价因子共线性评价步骤s120：

7、判断各评价因子之间是否存在共线问题，若存在，则将具有共线性的评价因子剔除；

8、滑坡评价因子切片提取步骤s130：

9、确定样本点所在空间位置的栅格行列号，并根据滑坡易发性评价模型的输入数据尺度，裁剪滑坡点对应位置评价因子的切片数据；

10、滑坡数据集构建步骤s140：

11、按空间坐标系中z轴方向，堆叠滑坡评价因子的切片，作为学习数据，同时对应位置的滑坡点与非滑坡点作为学习标签，学习数据和学习标签共同组成滑坡数据集，并按一定比例划分为训练数据集和测试数据集；

12、滑坡易发性模型构建步骤s150：

13、构建卷积神经网络和自注意力模型融合的滑坡易发性模型，利用滑坡数据集进行模型的学习；使用学习完成的模型预测整个研究区的滑坡发生概率。

14、可选的，在多源地理空间数据汇聚步骤s110中，

15、所述滑坡评价因子包括高程、坡度、坡向、平面曲率、剖面曲率、到河流距离、到断裂带距离、降雨量、归一化植被指数、地表覆盖和岩性共计11个滑坡评价因子。

16、可选的，在滑坡评价因子共线性评价步骤s120中，

17、利用公式（1）对滑坡评价因子进行共线性判断，

18、

19、式（1）是选取的11个滑坡评价因子，和分别为层和整个区域的栅格单元数，和分别为层和整个区域评价因子的方差，是地层内部的方差之和，是整个区域的方差之和，的取值范围为[0,1]。

20、可选的，所述滑坡评价因子切片提取步骤s130具体为：

21、首先随机生成与滑坡点数量相等的非滑坡点，统称为样本点，然后确定切片长度，即滑坡评价因子长和宽为k；若k为奇数，则样本中心栅格到左侧边界和上方边界的距离为（k/2）-1，到右侧边界和下方边界的距离为（k/2）；若k为偶数，则样本中心栅格到边界的距离为（k-1）/2；对全部的评价因子进行切片操作，其中，任意样本点在任意评价因子中的切片数据维度为（k,k,1）。

22、可选的，所述滑坡数据集构建步骤s140具体为：

23、对同一样本点对应的评价因子切片按空间坐标系中z轴方向进行堆叠，把11个（k,k,1）维度的切片堆叠为1个（k,k,11）的三维数据，对全部样本点进行上述操作；对样本和三维切片数据进行归一化处理，得到以样本为学习标签，样本所在位置的三维切片滑坡评价因子数据为学习数据的滑坡数据集；按照70%：30%的比例划分为训练数据集和测试数据集。

24、可选的，所述滑坡易发性模型构建步骤s150具体为：

25、s151：输入学习数据；

26、s152：利用卷积神经网络中的卷积层、池化层和全连接层进行特征提取；

27、s153：对上一步骤重提取出的特征层 ，经patch embeding操作变为值向量 ，利用transformer模型中的编码器和解码器、全连接层和softmax函数进行回归预测，并将预测值作为滑坡发生概率。

28、可选的，其中在步骤s152中，卷积神经网络的卷积层特征提取公式如式（2）：

29、

30、式（2）中，设输入特征图为，卷积核为，输出特征图为，偏置项为，，和是输出特征图的空间位置，是输出特征图的通道数，是输入特征图的通道数，和是卷积核的高度和宽度，是激活函数。

31、可选的，在步骤s153中，transformer模型的注意力机制公式如式（3）：

32、

33、式（3）中，、、分别是查询向量、键向量和值向量。

34、可选的，还包括制图及评价步骤s160：

35、对整个研究区的滑坡发生概率进行地图制图，并对制图结果按发生概率划分为多个等级，作为研究区滑坡易发性评价结果。

36、综上，本发明具有如下的优点：

37、1.卷积神经网络善于提取图像中的局部特征，而transformer模型的衍生模型vision transformer（由transformer的编码器结构衍生而来）则更擅长提取图像中的全局特征。本发明通过卷积+全局注意力的方式进一步提高模型计算下利率。

38、2.本发明层次化提取数据的局部和全局特征，可进一步提高模型预测精度。

技术特征：

1.一种融合卷积神经网络和自注意力模型的滑坡易发性评价方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的滑坡易发性评价方法，其特征在于，

3.根据权利要求2所述的滑坡易发性评价方法，其特征在于，

4.根据权利要求3所述的滑坡易发性评价方法，其特征在于，

5.根据权利要求4所述的滑坡易发性评价方法，其特征在于，

6.根据权利要求5所述的滑坡易发性评价方法，其特征在于，

7.根据权利要求6所述的滑坡易发性评价方法，其特征在于，

8.根据权利要求7所述的滑坡易发性评价方法，其特征在于，

9.根据权利要求1-8中任意一项所述的滑坡易发性评价方法，其特征在于，

技术总结
一种融合卷积神经网络和自注意力模型的滑坡易发性评价方法，包括多源地理空间数据汇聚步骤S110，滑坡评价因子共线性评价步骤S120，滑坡评价因子切片提取步骤S130，滑坡数据集构建步骤S140，滑坡易发性模型构建步骤S150。本发明综合利用了卷积神经网络和Transformer模型的各自特点，通过卷积+全局注意力的方式提高模型的计算效率；同时，层次化提取数据的局部和全局特征，提高模型预测的精度。

技术研发人员：张福浩,刘纪平,鲍帅,仇阿根,陶坤旺,柴欣,刘天成,刘晓东,何望君,赵阳阳,王亮,王楚,李腾宇,孟祥钰
受保护的技术使用者：中国测绘科学研究院
技术研发日：
技术公布日：2024/1/16