一种滑坡识别方法、系统、设备及介质与流程

1.本发明涉及滑坡识别领域，特别是涉及一种滑坡识别方法、系统、设备及介质。


背景技术：

2.中国幅员辽阔，地质环境多变，灾害分布范围广，常年受到滑坡灾害侵袭，给灾害多发区居民的生命财产安全带来极大危害，滑坡灾害的防治工作至关重要。
3.滑坡是指斜坡上的土体或者岩体，受河流冲刷、地下水活动、雨水浸泡、地震及人工切坡等因素影响，在重力作用下，沿着一定的软弱面或者软弱带，整体地或者分散地顺坡向下滑动的自然现象。目前，传统的深度学习滑坡识别方法大多是采用有监督的学习实现的，存在滑坡样本不足、样本不均衡问题。


技术实现要素：

4.基于此，本发明实施例提供一种滑坡识别方法、系统、设备及介质，以解决滑坡样本不足、样本不均衡的问题，提高滑坡识别的准确性。
5.为实现上述目的，本发明实施例提供了如下方案：
6.一种滑坡识别方法，包括：
7.获取研究区域在当前时刻的联合数据；所述联合数据，包括：滑坡影响因子和光学遥感数据；
8.将当前时刻的联合数据输入滑坡识别模型中，得到所述研究区域在当前时刻的滑坡区域；其中，所述滑坡识别模型是基于半监督生成对抗网络构建的。
9.可选地，所述滑坡识别模型的确定方法为：
10.获取训练样本集；所述训练样本集，包括：已标记样本和未标记样本；所述已标记样本，包括：研究区域在历史时刻已标记标签的联合数据；所述未标记样本，包括：研究区域在历史时刻未标记标签的联合数据；所述标签是根据历史时刻的滑坡图像确定的；所述标签，包括：是否为滑坡区域；
11.构建半监督生成对抗网络；所述半监督生成对抗网络，包括：生成器和判别器；
12.将随机噪声作为所述生成器的输入，将所述未标记样本和所述生成器输出的生成样本作为所述判别器的输入，以真假损失最小为目标对所述半监督生成对抗网络进行无监督训练，并将训练好的生成器确定为样本增强模型；所述真假损失根据所述未标记样本和所述生成器输出的生成样本确定；所述生成样本，包括：与未标记样本不同的联合数据；
13.以随机噪声作为所述样本增强模型的输入，将所述样本增强模型输出的生成样本确定为增强样本，并为所述增强样本标记标新的标签，得到标记新样本；
14.将所述已标记样本和所述标记新样本作为所述判别器的输入，以分类损失最小为目标对所述判别器进行有监督训练，并将训练好的判别器确定为滑坡识别模型；所述分类损失根据判别器的输出和判别器输入的标签确定。
15.可选地，获取研究区域在当前时刻的联合数据，具体包括：
16.获取研究区域在当前时刻的合成孔径雷达数据；
17.采用小基线集雷达干涉技术对所述合成孔径雷达数据进行处理，确定研究区域在当前时刻的地表形变信息；
18.根据所述地表形变信息确定所述研究区域内的滑坡范围区域；
19.获取所述滑坡范围区域内的滑坡影响因子和所述滑坡范围区域内的光学遥感数据，作为研究区域在当前时刻的联合数据。
20.可选地，所述判别器，包括：依次连接的第一卷积层、第一激活函数、第一dropout层、第二卷积层、第一批量归一化层、第二激活函数、第二dropout层、第三卷积层、第三激活函数、第三dropout层和全连接层。
21.可选地，所述生成器，包括：依次连接的重塑层、第二批量归一化层、第四激活函数、第一反卷积层、第三批量归一化层、第五激活函数、第二反卷积层、第四批量归一化层、第六激活函数和第三反卷积层。
22.可选地，所述滑坡影响因子，包括：高程、坡度、坡向、土地利用数据、年均降雨量、植被归一化指数、岩性、距断层距离、距水系距离和距道路距离。
23.可选地，所述光学遥感数据，包括：12个波段的光学数据。
24.本发明还提供了一种滑坡识别系统，包括：
25.数据获取模块，用于获取研究区域在当前时刻的联合数据；所述联合数据，包括：滑坡影响因子和光学遥感数据；
26.滑坡识别模块，用于将当前时刻的联合数据输入滑坡识别模型中，得到所述研究区域在当前时刻的滑坡区域；其中，所述滑坡识别模型是基于半监督生成对抗网络构建的
27.本发明还提供了一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的滑坡识别方法。
28.本发明还提供了一种计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时实现上述的滑坡识别方法。
29.根据本发明提供的具体实施例，本发明公开了以下技术效果：
30.本发明实施例基于半监督生成对抗网络(ssgan)构建滑坡识别模型，相比传统的深度学习滑坡识别方法，解决了滑坡样本不足、样本不均衡的问题，提高了滑坡识别的准确性。
附图说明
31.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
32.图1为本发明实施例提供的滑坡识别方法的流程图；
33.图2为本发明实施例提供的sbas-insar的处理流程图；
34.图3为本发明实施例提供的滑动切割样本制作策略示意图；
35.图4为本发明实施例提供的半监督生成对抗网络训练过程示意图。
具体实施方式
36.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
37.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
38.实施例一
39.参见图1，本实施例的滑坡识别方法，包括：
40.步骤101：获取研究区域在当前时刻的联合数据；所述联合数据，包括：滑坡影响因子和光学遥感数据。
41.步骤101，具体包括：
42.获取研究区域在当前时刻的合成孔径雷达数据；采用小基线集雷达干涉技术对所述合成孔径雷达数据进行处理，确定研究区域在当前时刻的地表形变信息；根据所述地表形变信息确定所述研究区域内的滑坡范围区域；获取所述滑坡范围区域内的滑坡影响因子和所述滑坡范围区域内的光学遥感数据，作为研究区域在当前时刻的联合数据。
43.其中，所述滑坡影响因子，包括：高程、坡度、坡向、土地利用数据、年均降雨量、植被归一化指数、岩性、距断层距离、距水系距离和距道路距离。所述光学遥感数据，包括：12个波段的光学数据。
44.步骤102：将当前时刻的联合数据输入滑坡识别模型中，得到所述研究区域在当前时刻的滑坡区域；其中，所述滑坡识别模型是基于半监督生成对抗网络构建的。
45.其中，所述滑坡识别模型的确定方法为：
46.1)获取训练样本集；所述训练样本集，包括：已标记样本和未标记样本；所述已标记样本，包括：研究区域在历史时刻已标记标签的联合数据；所述未标记样本，包括：研究区域在历史时刻未标记标签的联合数据；所述标签是根据历史时刻的滑坡图像确定的；所述标签，包括：是否为滑坡区域。
47.2)构建半监督生成对抗网络；所述半监督生成对抗网络，包括：生成器和判别器。
48.3)将随机噪声作为所述生成器的输入，将所述未标记样本和所述生成器输出的生成样本作为所述判别器的输入，以真假损失最小为目标对所述半监督生成对抗网络进行无监督训练，并将训练好的生成器确定为样本增强模型；所述真假损失根据所述未标记样本和所述生成器输出的生成样本确定；所述生成样本，包括：与未标记样本不同的联合数据。
49.4)以随机噪声作为所述样本增强模型的输入，将所述样本增强模型输出的生成样本确定为增强样本，并为所述增强样本标记标新的标签，得到标记新样本。
50.5)将所述已标记样本和所述标记新样本作为所述判别器的输入，以分类损失最小为目标对所述判别器进行有监督训练，并将训练好的判别器确定为滑坡识别模型；所述分类损失根据判别器的输出和判别器输入的标签确定。
51.其中，所述判别器，包括：依次连接的第一卷积层、第一激活函数、第一dropout层、第二卷积层、第一批量归一化层、第二激活函数、第二dropout层、第三卷积层、第三激活函数、第三dropout层和全连接层。
52.所述生成器，包括：依次连接的重塑层、第二批量归一化层、第四激活函数、第一反卷积层、第三批量归一化层、第五激活函数、第二反卷积层、第四批量归一化层、第六激活函数和第三反卷积层。
53.下面给出一个更为具体的示例，对上述滑坡识别方法的具体实现过程及该方法的有效性进行说明。
54.1、数据集构建
55.本示例以基于小基线集雷达干涉(small baselines subset synthetic aperture radar，sbas-insar)地表形变信息建立的滑坡库为依据，构建模型学习样本集。为表示滑坡发育的环境特征及滑坡发生的光学纹理特征，本示例提出构建三类代表滑坡特征的样本集，分别为滑坡影响因子样本集、sentinel-2a光学遥感样本集、影响因子和sentinel-2a联合样本集，三类样本集形成对比研究，进行滑坡识别分析。
56.传统基于光学遥感目视解译滑坡的方法费时费力，且光学影像容易受天气和光照条件的影像，insar技术通过干涉测量手段能够实现全天时全天候地表观测，规避了光学影像的弊端，同时通过sbas-insar技术可以获取地表形变信息，通过形变量快速定位滑坡位置，明确样本集的选取位置。另外三类样本集是在获取滑坡位置的基础上，用以概括滑坡特征。
57.1)滑坡影响因子
58.本示例基于已有研究及研究区实际情况，共选择10种环境因子，参见表1，本示例涵盖地形、地质、水文、植被覆盖、人类工程活动等多种类别。
59.表1滑坡影响因子数据源
60.[0061][0062]
2)sentinel-2a遥感数据
[0063]
本示例使用的sentinel-2a遥感数据来源于美国地质勘探局(united states geological survey，usgs)。sentinel-2a是高分辨率多光谱成像卫星，如表2所示。
[0064]
表2sentinel-2a传感器参数
[0065]
[0066][0067]
3)sbas-insar形变数据
[0068]
sbas-insar通过利用sar影像的相位信息，结合精确成像几何参数和轨道星历参数，反演地表高程信息，实现地理编码，sbas-insar的处理流程如图2所示。本示例所用sar数据来自欧洲空间局(https://scihub.copernicus.eu/)开源数据平台的sentinel-1a数据。sentinel-1a是sar影像，可通过insar技术获取地表形变；sentinel-2a是光学影像，用以表现滑坡光学特征。
[0069]
数据集构建具体做法为：首先将全部10种环境影像因子特征，12个波段光学特征数据转换为相同分辨率，本示例以sentinel-2a为基准将全部影像因子重采样至10m分辨率。而后将选择特征数据和历史滑坡分布图以4314行7210列像素图像输出作为原始数据集，采用13
×
13大小的像素窗口在的图像上滑动，窗口每次移动一个像素格网以保证图像中的每个像素都可以遍历到。对于影像因子、光学影像与历史滑坡图像同步进行滑动切割，以确保各类特征与原始滑坡区域对应，构成单个图像样本。有标签数据样本集以原始滑坡中心点像素值作为该区域的标签，即滑坡点标签为1，非滑坡点标签为0，每个样本的规格为13像素
×
13像素。最终，滑坡样本、非滑坡样本和无标记样本共同构建数据集。对整体数据集按7：3比例划分模型训练集和测试集。滑动切割样本制作策略如图3所示。
[0070]
2、半监督生成对抗过程
[0071]
参见图4，本示例将滑坡影响因子样本集、sentinel-2a光学遥感样本集、影响因子和sentinel-2a联合样本集三类数据集分别传递ssgan，研究分别从ssgan判别器和生成器两个角度分析模型训练效果，通过模型训练情况评价不同数据在滑坡识别任务中的完成情况。
[0072]
1)判别器网络结构为基础前馈深层cnn结构，用于从图像中提取特征，降低空间维度。如图4所示，判别器从左向右包括11层，分别是：依次连接的第一卷积层、第一激活函数、第一dropout层、第二卷积层、第一批量归一化层、第二激活函数、第二dropout层、第三卷积层、第三激活函数、第三dropout层和全连接层，最终输出滑坡类别，1表示滑坡点，0表示非滑坡点。判别器输入图像与一个卷积层的运算结果大小下式：
[0073][0074]
n1为判别器输入图像的边长，nc为通道数，在图像边界填充p0个0元素，采用大小为fk×fk
×
nc、个数为n
′c的卷积核实现，[l]表示第l个神经层；[l+1]表示第l+1个神经层；表示判别器中第l+1个神经层输出的图像尺寸；表示判别器中第l个神经层输出的图像尺寸；fk代表判别器中卷积核的尺寸；表示对x向下取整。
[0075]
2)如图4所示，生成器从左向右包括10层，分别是：依次连接的重塑层、第二批量归一化层、第四激活函数、第一反卷积层、第三批量归一化层、第五激活函数、第二反卷积层、第四批量归一化层、第六激活函数和第三反卷积层。生成器部分输入为符合正太分布的随机噪声，随机噪声经过形状变化后以反卷积(transposed convolution)进行上采样，经过反卷积运算后得到的特征图将逐渐重新映射到原始输入图像的空间中，从而传递给判别器进行与真实图像相同像素级别的语义判读。反卷积尺寸运算输出特征图尺寸计算如以下公式所示：
[0076][0077]
式中，表示生成器中第l+1个神经层输出的图像尺寸；表示判生成中第l个神经层输出的图像尺寸；k为生成器中卷积核大小，s为步幅，p为判别器输入图像的图像边界填充0元素的个数。
[0078]
以无标记样本和生成样本形成对比，使判别器对于当前研究区真实环境环境特征学习更为深刻，在充分了解环境特征基础上，以有标记样本使判别器学习真实环境下的滑坡与非滑坡，从而对该区域环境做出更准确的滑坡与否分类。
[0079]
3、滑坡识别结果
[0080]
通过以上ssgan对于三类数据集在判别器和生成器中的表现对比得出，模型仅依靠光学影像难以完成半监督滑坡识别任务，而在联合使用光学影像和影像因子特征中比仅使用影响因子特征表现更好，因此，本示例将使用联合样本集训练结果完成后续滑坡识别任务。
[0081]
ssgan对研究区共识别出160处滑坡，总面积10.328km2，相比历史滑坡识别结果共多出3.139km2。ssgan识别结果于样本滑坡分布基本一致，滑坡边缘刻画较为精细，存在部分单体滑坡面积超过原本滑坡情况。因此综合结果看，ssgan模型有助于滑坡表征学习进而得出精确结果。
[0082]
本实施例以深度学习方法主动学习滑坡特征，对研究区进行滑坡自动识别。为突破传统深度学习滑坡识别中滑坡样本不足、样本不均衡问题，本实施例提出利用提出在传
统cnn基础上联合半监督学习和gan思想，构建ssgan完成滑坡识别任务。本实施例将滑坡影响因子样本集、sentinel-2a光学遥感样本集、影响因子和光学特征联合样本集三类样本集传递给ssgan分别训练，结果表明联合样本集在判别器和生成器中都有较为优异的结果。本实施例的方法在评价指标中表现较优，因此生成结果准确可靠。
[0083]
实施例二
[0084]
为了执行上述实施例一对应的方法，以实现相应的功能和技术效果，下面提供一种滑坡识别系统。
[0085]
所述系统，包括：
[0086]
数据获取模块，用于获取研究区域在当前时刻的联合数据；所述联合数据，包括：滑坡影响因子和光学遥感数据。
[0087]
滑坡识别模块，用于将当前时刻的联合数据输入滑坡识别模型中，得到所述研究区域在当前时刻的滑坡区域；其中，所述滑坡识别模型是基于半监督生成对抗网络构建的。
[0088]
实施例三
[0089]
本实施例提供一种电子设备，包括存储器及处理器，存储器用于存储计算机程序，处理器运行计算机程序以使电子设备执行实施例一的滑坡识别方法。
[0090]
可选地，上述电子设备可以是服务器。
[0091]
另外，本发明实施例还提供一种计算机可读存储介质，其存储有计算机程序，该计算机程序被处理器执行时实现实施例一的滑坡识别方法。
[0092]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0093]
本示例中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

技术特征：
1.一种滑坡识别方法，其特征在于，包括：获取研究区域在当前时刻的联合数据；所述联合数据，包括：滑坡影响因子和光学遥感数据；将当前时刻的联合数据输入滑坡识别模型中，得到所述研究区域在当前时刻的滑坡区域；其中，所述滑坡识别模型是基于半监督生成对抗网络构建的。2.根据权利要求1所述的滑坡识别方法，其特征在于，所述滑坡识别模型的确定方法为：获取训练样本集；所述训练样本集，包括：已标记样本和未标记样本；所述已标记样本，包括：研究区域在历史时刻已标记标签的联合数据；所述未标记样本，包括：研究区域在历史时刻未标记标签的联合数据；所述标签是根据历史时刻的滑坡图像确定的；所述标签，包括：是否为滑坡区域；构建半监督生成对抗网络；所述半监督生成对抗网络，包括：生成器和判别器；将随机噪声作为所述生成器的输入，将所述未标记样本和所述生成器输出的生成样本作为所述判别器的输入，以真假损失最小为目标对所述半监督生成对抗网络进行无监督训练，并将训练好的生成器确定为样本增强模型；所述真假损失根据所述未标记样本和所述生成器输出的生成样本确定；所述生成样本，包括：与未标记样本不同的联合数据；以随机噪声作为所述样本增强模型的输入，将所述样本增强模型输出的生成样本确定为增强样本，并为所述增强样本标记标新的标签，得到标记新样本；将所述已标记样本和所述标记新样本作为所述判别器的输入，以分类损失最小为目标对所述判别器进行有监督训练，并将训练好的判别器确定为滑坡识别模型；所述分类损失根据判别器的输出和判别器输入的标签确定。3.根据权利要求1所述的滑坡识别方法，其特征在于，获取研究区域在当前时刻的联合数据，具体包括：获取研究区域在当前时刻的合成孔径雷达数据；采用小基线集雷达干涉技术对所述合成孔径雷达数据进行处理，确定研究区域在当前时刻的地表形变信息；根据所述地表形变信息确定所述研究区域内的滑坡范围区域；获取所述滑坡范围区域内的滑坡影响因子和所述滑坡范围区域内的光学遥感数据，作为研究区域在当前时刻的联合数据。4.根据权利要求2所述的滑坡识别方法，其特征在于，所述判别器，包括：依次连接的第一卷积层、第一激活函数、第一dropout层、第二卷积层、第一批量归一化层、第二激活函数、第二dropout层、第三卷积层、第三激活函数、第三dropout层和全连接层。5.根据权利要求2所述的滑坡识别方法，其特征在于，所述生成器，包括：依次连接的重塑层、第二批量归一化层、第四激活函数、第一反卷积层、第三批量归一化层、第五激活函数、第二反卷积层、第四批量归一化层、第六激活函数和第三反卷积层。6.根据权利要求1所述的滑坡识别方法，其特征在于，所述滑坡影响因子，包括：高程、坡度、坡向、土地利用数据、年均降雨量、植被归一化指数、岩性、距断层距离、距水系距离和距道路距离。7.根据权利要求1所述的滑坡识别方法，其特征在于，所述光学遥感数据，包括：12个波
段的光学数据。8.一种滑坡识别系统，其特征在于，包括：数据获取模块，用于获取研究区域在当前时刻的联合数据；所述联合数据，包括：滑坡影响因子和光学遥感数据；滑坡识别模块，用于将当前时刻的联合数据输入滑坡识别模型中，得到所述研究区域在当前时刻的滑坡区域；其中，所述滑坡识别模型是基于半监督生成对抗网络构建的。9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行权利要求1至7中任一项所述的滑坡识别方法。10.一种计算机可读存储介质，其特征在于，其存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的滑坡识别方法。

技术总结
本发明公开了一种滑坡识别方法、系统、设备及介质，涉及滑坡识别领域，所述方法，包括：获取研究区域在当前时刻的联合数据；联合数据，包括：滑坡影响因子和光学遥感数据；将当前时刻的联合数据输入滑坡识别模型中，得到研究区域在当前时刻的滑坡区域；其中，滑坡识别模型是基于半监督生成对抗网络构建的。本发明解决了滑坡样本不足、样本不均衡的问题，提高了滑坡识别的准确性。滑坡识别的准确性。滑坡识别的准确性。


技术研发人员：路文娟 毛曦 程瑶 王继周 赵占骜 秦瀚
受保护的技术使用者：中国测绘科学研究院
技术研发日：2023.07.05
技术公布日：2023/9/14