一种基于迁移学习的跨区域滑坡易发性评价方法和装置

本发明涉及地质灾害预测，具体涉及一种基于迁移学习的跨区域滑坡易发性评价方法和装置。

背景技术：

1、滑坡易发性评价的相关研究始于20世纪中期，在国外得到了早期的发展。当时的研究主要集中在促进滑坡形成的条件以及滑坡灾害的发展过程。上世纪70年代末，我国境内发生了一系列重大的滑坡事件，国内各机构开展关于滑坡易发性区划研究工作，推动了国内外滑坡防治减灾事业发展。滑坡是一种常见的地质灾害，其特点是分布范围广、发生频率高、移动速度快、破坏性大。滑坡是环境参数变化的结果。在极端气候事件的影响下，世界范围内发生的滑坡数量越来越多，在全球范围内造成经济、自然资源和人类生命的广泛损失。滑坡易发性评价的实质就是以区域内现存滑坡灾害数据为基础，完成对这一地区未来可能发生滑坡灾害的区域进行空间上的概率评估。

2、目前，滑坡易发性评价模型种类多样，包括机器学习、深度学习方法等。但是，当上述方法应用于区域滑坡易发性评价时，空间分布的多样性仍然是主要挑战。同时，这些方法通常对特定的滑坡区域进行建模，一旦考虑到跨场景和跨类别，模型的泛化能力将显著下降，或者将针对新的滑坡区域特征需要对每个领域都标定大量的训练数据进行重新建模，这会耗费大量的人力与物力。

技术实现思路

1、为至少在一定程度上克服相关技术中存在的技术问题，本发明提供一种基于迁移学习的跨区域滑坡易发性评价方法和装置。

2、第一方面，本发明实施例提供的一种基于迁移学习的跨区域滑坡易发性评价方法，包括以下步骤：

3、s100：建立典型区域滑坡易发性评价的样本数据库，所述样本数据库包括训练集和测试集；

4、s200：选取目标研究区域滑坡易发性的第一评价因子，对所述第一评价因子进行量化，得到量化结果；

5、s300：从所述量化结果中提取检验得到所述典型区域的第二评价因子，所述第二评价因子与所述第一评价因子的相关系数绝对值小于一预设阈值；

6、s400：构建所述典型区域的滑坡易发性评价模型，并进行精度验证，其中，所述滑坡易发性评价模型包括逻辑回归模型、支持向量机模型、深度神经网络模型、循环神经网络模型和transformer模型；

7、s500：基于迁移学习方法进行所述目标研究区域的滑坡易发性评价，得到易发性分区结果；

8、s600：对所述易发性分区结果进行验证及分析。

9、进一步地，所述建立典型区域滑坡易发性评价的样本数据库的步骤，具体包括：

10、基于所述典型区域的野外点数据，通过目视解译得到滑坡位置分布和边界信息；

11、将所述典型区域划分为矩形格网，并将所述滑坡位置分布信息叠加至所述矩形格网上，统计每个矩形格网内解译滑坡的面积占比；

12、根据所述面积占比确定所述矩形格网的样本正负性，并按照一定比例划分所述训练集和测试集。

13、进一步地，所述第一评价因子包括地形地貌、气象水文、地质构造和人类活动维度，所述地形地貌包括高程、坡度、坡向、曲率和地形起伏度，所述气象水文包括多年平均降雨量、地形湿度指标和距水系距离，所述地质构造包括工程岩组、斜坡结构和距断层距离，所述人类活动包括距道路距离和土地利用类型。

14、进一步地，所述步骤s300具体包括：

15、依次对所述第一评价因子进行提取，利用因子独立性检验工具，计算所述第一评价因子之间的相关系数；

16、将所述相关系数绝对值小于所述预设阈值的第一评价因子剔除后作为第二评价因子。

17、进一步地，所述步骤s400具体包括：

18、分别基于逻辑回归模型、支持向量机模型、深度神经网络模型、循环神经网络模型和transformer模型构建滑坡易发性评价模型，以混淆矩阵、roc曲线和易发性分区检验精度，对滑坡易发性评估的测试精度进行对比。

19、进一步地，所述基于迁移学习方法进行所述目标研究区域的滑坡易发性评价的步骤，具体包括：

20、采用直推式迁移学习方法，将所述第二评价因子依次输入所述典型区域的滑坡易发性评价模型，进行逐像元的滑坡易发性评估。

21、第二方面，本发明实施例提供的一种基于迁移学习的跨区域滑坡易发性评价装置，包括：

22、样本数据库建立模块，用于建立典型区域滑坡易发性评价的样本数据库，所述样本数据库包括训练集和测试集；

23、选取量化模块，用于选取目标研究区域滑坡易发性的第一评价因子，对所述第一评价因子进行量化，得到量化结果；

24、提取检验模块，用于从所述量化结果中提取检验得到所述典型区域的第二评价因子，所述第二评价因子与所述第一评价因子的相关系数绝对值小于一预设阈值；

25、评价模型构建模块，用于构建所述典型区域的滑坡易发性评价模型，并进行精度验证，其中，所述滑坡易发性评价模型包括逻辑回归模型、支持向量机模型、深度神经网络模型、循环神经网络模型和transformer模型；

26、滑坡易发性评价模块，用于基于迁移学习方法进行所述目标研究区域的滑坡易发性评价，得到易发性分区结果；

27、验证分析模块，用于对所述易发性分区结果进行验证及分析。

28、进一步地，所述样本数据库建立模块，进一步包括：

29、目视解译子模块，用于基于所述典型区域的野外点数据，通过目视解译得到滑坡位置分布和边界信息；

30、格网统计子模块，用于将所述典型区域划分为矩形格网，并将所述滑坡位置分布信息叠加至所述矩形格网上，统计每个矩形格网内解译滑坡的面积占比；

31、样本划分子模块，用于根据所述面积占比确定所述矩形格网的样本正负性，并按照一定比例划分所述训练集和测试集。

32、进一步地，所述提取检验模块，进一步包括：

33、相关系数计算子模块，用于依次对所述第一评价因子进行提取，利用因子独立性检验工具，计算所述第一评价因子之间的相关系数；

34、评价因子剔除子模块，用于将所述相关系数绝对值小于所述预设阈值的第一评价因子剔除后作为第二评价因子。

35、本发明的实施例提供的技术方案具备以下有益效果：

36、本发明实施例首先建立典型区域滑坡易发性评价的样本数据库，选取并量化目标研究区域的第一评价因子，得到量化结果；然后从量化结果中提取检验后得到典型区域的第二评价因子，从而保证典型区域与目标研究区域在同一套评价指标体系内；结合机器学习和深度神经网络方法构建典型区域的滑坡易发性评价模型，并进行精度验证，再基于迁移学习方法进行目标研究区域的滑坡易发性评价，最后结合野外调查滑坡点数据、详细解译滑坡叠加，完成易发性分区结果的验证及分析。本发明实施例有效减少了人力、物力资源的浪费，并提高了对目标研究区域的滑坡易发性评价的效率和准确性。

37、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。

技术特征：

1.一种基于迁移学习的跨区域滑坡易发性评价方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于迁移学习的跨区域滑坡易发性评价方法，其特征在于，所述建立典型区域滑坡易发性评价的样本数据库的步骤，具体包括：

3.根据权利要求1所述的基于迁移学习的跨区域滑坡易发性评价方法，其特征在于，所述第一评价因子包括地形地貌、气象水文、地质构造和人类活动维度，所述地形地貌包括高程、坡度、坡向、曲率和地形起伏度，所述气象水文包括多年平均降雨量、地形湿度指标和距水系距离，所述地质构造包括工程岩组、斜坡结构和距断层距离，所述人类活动包括距道路距离和土地利用类型。

4.根据权利要求1所述的基于迁移学习的跨区域滑坡易发性评价方法，其特征在于，所述步骤s300具体包括：

5.根据权利要求1所述的基于迁移学习的跨区域滑坡易发性评价方法，其特征在于，所述步骤s400具体包括：

6.根据权利要求1所述的基于迁移学习的跨区域滑坡易发性评价方法，其特征在于，所述基于迁移学习方法进行所述目标研究区域的滑坡易发性评价的步骤，具体包括：

7.一种基于迁移学习的跨区域滑坡易发性评价装置，其特征在于，包括：

8.根据权利要求7所述的基于迁移学习的跨区域滑坡易发性评价装置，其特征在于，所述样本数据库建立模块，进一步包括：

9.根据权利要求7所述的基于迁移学习的跨区域滑坡易发性评价装置，其特征在于，所述提取检验模块，进一步包括：

技术总结
本发明公开了一种基于迁移学习的跨区域滑坡易发性评价方法和装置，属于地质灾害预测技术领域。所述方法包括：建立典型区域滑坡易发性评价的样本数据库；选取目标研究区域滑坡易发性的第一评价因子，对第一评价因子进行量化，得到量化结果；从量化结果中提取检验得到典型区域的第二评价因子；构建典型区域的滑坡易发性评价模型，并进行精度验证，滑坡易发性评价模型包括逻辑回归模型、支持向量机模型、深度神经网络模型、循环神经网络模型和Transformer模型；基于迁移学习方法进行目标研究区域的滑坡易发性评价，得到易发性分区结果；对易发性分区结果进行验证及分析，从而能够提高对目标研究区域的滑坡易发性评价的效率和准确性。

技术研发人员：王潇,董建辉,唐然,黄秋香,赵建军
受保护的技术使用者：成都大学
技术研发日：
技术公布日：2024/3/5