一种大规模滑坡多源遥感AI智能识别方法与流程
本发明涉及遥感影像智能解译、地理空间数据处理及地质灾害识别领域,具体为一种大规模滑坡多源遥感ai智能识别方法。
背景技术:
1、大规模滑坡遥感识别通常以高分辨率光学遥感影像为主要数据,并引入合成孔径雷达影像和数字高程数据补充地表散射、坡度及地形起伏信息。处理系统先对各源数据执行辐射校正、正射校正、投影转换、重采样和空间配准,再按照统一格网切分研究区域。基于对象的处理路线会依据影像的光谱同质性、纹理差异和边缘梯度进行多尺度分割,将连续像素组织为候选地物对象,并从对象内部提取波段反射率、植被指数、灰度纹理、形状和地形统计量。已知滑坡边界与非滑坡区域被制作成训练样本,随机森林、支持向量机或决策树根据人工构建的对象特征建立分类关系。分类结果经过坡度限制、最小斑块过滤、邻接区域合并和裸地道路掩膜处理后,被转换为具有地理坐标的滑坡斑块,用于区域灾害清查与成果编目。
2、另一类现有实现把滑坡提取转换为像素级语义分割任务,利用历史滑坡矢量边界制作栅格标签,将校正后的遥感影像裁切为固定尺寸样本,通过旋转、翻转、尺度变换和正负样本重配扩充训练数据。编码解码式卷积网络从影像中提取多层级光谱、纹理及形态信息,并将低分辨率语义表征逐级恢复为空间分类概率图;采用多源数据时,光学波段、雷达后向散射量和地形栅格通常在输入通道或中间特征层直接拼接,再由同一分类网络完成像素判定。面向大范围影像,系统依照固定尺寸滑动窗口执行分块推理,对重叠区域的分类概率求平均或加权组合,随后采用二值化、连通域筛选、孔洞填充和边界平滑形成连续轮廓。各分块结果依据地理坐标重新拼接,跨越分块边缘的斑块通过空间重叠率或轮廓距离进行合并,最终生成覆盖研究区域的滑坡矢量清单。
3、现有处理面临的关键限制在于,跨源、多尺度和跨分区处理过程中难以维持同一滑坡对象边界的一致表达。光学影像中的云影与植被覆盖、雷达影像中的叠掩与阴影以及高程数据的分辨率差异,会使同一地理位置的边缘强度和方向出现偏移;直接重采样或通道拼接没有记录各源观测的有效状态,分类网络会将无效位置与真实地表变化共同编码。固定尺度分割又会把同一滑坡切成多个对象,或者把滑坡与相邻裸地连接为一个对象,分块推理产生的边缘截断还会改变对象范围。由于对象生成、类别判定、轮廓修整和跨区拼接分别依据不同的局部结果,前序边界偏差会沿处理链传递,并在重叠区域形成相互冲突的类别概率和轮廓片段。因此,现有实现难以在大规模多源遥感数据中建立贯穿数据配准、对象分割、关系识别和地理拼接的统一边界约束,滑坡斑块容易出现破碎、粘连或接缝错位。
技术实现思路
1、本发明的目的在于提供一种大规模滑坡多源遥感ai智能识别方法,可以解决上述背景技术中的问题。
2、为实现上述目的,本发明采取的技术方案为:
3、一种大规模滑坡多源遥感ai智能识别方法,包括:获取覆盖待识别区域的光学遥感影像以及至少一种补充遥感数据,将各源数据变换至统一地理网格并记录有效观测位置;
4、基于所述统一地理网格生成表征跨源空间突变一致性的边界描述,并依照所述边界描述构建具有层级对应关系的候选地物对象;
5、对所述候选地物对象的源内表征和相邻对象关系进行联合编码,将所述联合编码结果输入经滑坡样本训练的识别网络,得到对象类别概率;
6、将所述对象类别概率回投至所述统一地理网格,依据所述边界描述修整对象轮廓,并对分区识别结果进行地理拼接,生成滑坡斑块集合。
7、优选的,所述统一地理网格的构建包括:以所述光学遥感影像的地理定位网格作为基准网格,将合成孔径雷达影像和数字高程数据重投影并重采样至所述基准网格;
8、从光学质量标识中提取云影及饱和位置,并依据雷达局部入射角与所述数字高程数据确定叠掩及阴影位置,为每一数据源建立同索引的有效性掩膜;
9、对具有有效观测的重叠区域执行亚像素偏移校正,将校正量、采集时间及空间分辨率写入对应网格块的源描述记录。
10、优选的,所述边界描述的生成包括:对有效光学观测计算分段保持的光谱梯度图,对雷达后向散射图和由所述数字高程数据生成的坡度图分别计算方向梯度;
11、按照统一方向区间编码同一网格位置的梯度方向,将方向相合且空间位置连续的梯度标记为跨源一致边界,将仅由单一数据源支持的梯度与对应有效性掩膜关联标记;
12、在相邻尺度上聚合所述跨源一致边界和关联标记,形成包含边界强度、方向编码及来源状态的多尺度边界描述。
13、优选的,具有所述层级对应关系的候选地物对象的构建包括:在所述多尺度边界描述的各尺度层上以边界包围区域生成初始对象,并依据空间包含关系为不同尺度的初始对象建立父子索引;
14、对同一尺度的相邻初始对象计算共享边界状态和源内特征分布差异,在共享边界缺少跨源一致标记且特征分布连续时合并对象,在所述共享边界具有连续跨源一致标记时保留分割;
15、为处理后的对象配置跨尺度唯一标识以及与基准网格位置对应的像素索引。
16、优选的,所述联合编码包括:按照所述有效性掩膜,从每个候选地物对象在各数据源上的有效像素提取源内特征序列,将网格块的采集时间、空间分辨率及有效像素比例编码为源状态向量;
17、以所述源状态向量控制对应源内特征序列进入跨源交互层的门控系数,对缺失观测的数据源写入带有缺失类型标记的占位向量;
18、在对象尺度内完成有效数据源之间的交互编码,将交互结果与候选地物对象的跨尺度唯一标识及父子索引共同组成对象表征。
19、优选的,依据所述边界描述修整对象轮廓包括:将所述候选地物对象周边的跨源一致边界转换为由端点、交叉点及边界段构成的边界图;
20、对于存在断口的边界环,从断口两端沿方向编码相容的边界段搜索连接路径,并根据路径覆盖位置的来源状态剔除穿越无效观测区域的连接;
21、将形成闭合环且内部像素与对象像素索引相交的边界作为候选轮廓,按照父子索引处理嵌套轮廓,并以所述候选轮廓更新所述对象像素索引和地理坐标序列。
22、优选的,所述相邻对象关系的联合编码包括:以所述候选地物对象为节点,以共享边界连接和坡面上下游邻接关系为两类边,并将所述父子索引转换为跨尺度边;
23、在每条边记录共享边界的来源状态、长度占比及方向连续性,将对象表征写入节点并将边记录写入关系编码器;
24、通过受边界强度控制的消息传递迭代更新节点表征,将更新后的节点表征与对应候选地物对象的源内表征组合后输入所述识别网络。
25、优选的,所述分区识别结果的地理拼接包括:依据所述基准网格划分具有重叠带的识别分区,对延伸至所述重叠带的候选地物对象生成由全局网格索引、边界段序列及来源状态摘要构成的跨区签名;
26、在相邻识别分区间先以重叠像素比例筛选同一对象候选,再依据边界段的方向一致性确定配对对象;
27、对所述配对对象统一跨尺度唯一标识,选取远离识别分区边缘一侧的对象类别概率和轮廓片段,并按照所述全局网格索引恢复完整滑坡斑块。
28、优选的,所述识别网络的训练包括:以所述候选地物对象的滑坡类别、相邻对象是否属于同一滑坡斑块以及对象轮廓像素作为关联标签,分别构建节点分类分支、边关系判定分支及轮廓预测分支;
29、在一次前向计算中共享对象表征和更新后的节点表征,并按照各数据源的源状态向量对对应训练样本的分支损失赋权;
30、将边关系判定结果写入节点消息传递过程,沿判定为同一滑坡斑块的边聚合所述节点表征,输出所述对象类别概率和边合并状态。
31、优选的,所述地理拼接还包括:当同一跨区签名对应的配对对象类别不同,或者对象类别概率差值超过由各识别分区验证样本的校准残差确定的冲突界限时,提取配对对象在重叠带内的多尺度边界描述和有效性掩膜,按照有效来源数量与边界闭合状态生成候选轮廓优先序;
32、沿所述候选轮廓优先序逐段替换冲突轮廓,并在替换后的轮廓保持单一闭合外环或符合所述父子索引的嵌套关系时写入全局斑块;
33、将统一后的跨尺度唯一标识、对象类别概率、来源状态及地理坐标序列存入所述滑坡斑块集合。
34、与现有技术相比,本发明的有益效果在于:
35、1.通过将光学遥感影像、合成孔径雷达影像和数字高程数据变换至统一地理网格,并针对云影、饱和、叠掩和雷达阴影建立同索引的有效性掩膜,跨源特征编码能够区分真实地表观测与缺失或失真的观测位置。基于各源方向梯度的一致关系形成多尺度边界描述后,同一坡体在不同数据源中的空间突变能够被约束到对应网格位置,固定来源的局部伪边缘不会直接决定滑坡轮廓。依照多尺度边界描述建立父子对象并结合共享边界状态进行对象合并或保留,可减少同一滑坡被重复切分以及与邻近裸地错误连接的情况。对象类别概率回投至地理网格后,再沿闭合的跨源一致边界更新像素索引和坐标序列,使类别判定与轮廓定位使用同一边界依据,从处理链上降低滑坡斑块破碎、粘连和边界偏移的发生比例,保持大范围识别结果的空间连续性和边界一致性。
36、2.源状态向量把采集时间、空间分辨率和有效像素比例带入对象编码过程,门控系数仅让具有观测依据的源内特征参与跨源交互,缺失来源通过带有缺失类型的占位向量保留数据结构位置,可减少局部数据缺测引起的特征维度波动和类别概率突变。对象之间的共享边界连接、坡面邻接关系及跨尺度父子关系被转换为关系编码后,孤立对象的判定可与邻近坡体结构保持关联,降低道路、裸地和阴影斑块形成孤立误检的概率。分区边缘对象通过全局网格索引、边界段序列和来源状态摘要建立跨区签名,配对对象采用统一标识并按轮廓闭合状态处理冲突片段,可减少重叠区域的重复斑块、断裂轮廓和接缝错位。统一后的类别概率、来源状态及地理坐标序列按同一对象标识存储,便于保持栅格识别结果与矢量滑坡清单之间的数据对应关系。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com