一种融合深度学习的老滑坡复活监测方法及其系统与流程

本发明涉及老滑坡复活监测，具体而言，涉及一种融合深度学习的老滑坡复活监测方法及其系统。

背景技术：

1、老滑坡是指在历史时期发生过滑动并经历长期自然演化的滑坡体。由于古老滑坡是斜坡长期复杂演化的产物，具有极强的隐蔽性和扰动敏感性，其复活受地貌、气候变化和人类活动等多因素影响。古老滑坡一旦复活，若不能提前探测和及时处置，对当地人民生命财产安全具有重大威胁。

2、所以对老滑坡复活状况进行监测是必要手段。常规的老滑坡调查手段单一，常依赖于光学遥感、lidar遥感或insar遥感进行监测，但是这几种数据各有优点和局限性，例如光学遥感易受云雾和植被遮挡影响，lidar主要反映地貌形态特征，难以直接反映当前活动变化状态；insar受观测条件以及相干性退化影响明显。现有技术也开始尝试采用多源遥感数据联合进行监测，但大多采用特征简单拼接或简单加权融合的方式。未充分利用和提取各种数据的优点和特征，导致监测结果易受噪声干扰，难以满足山区老滑坡复活所需要的识别精度。

3、因此亟需对基于多源遥感数据的老滑坡复活监测进行优化，将多源遥感数据进行更高效和合理的融合，实现更高精度的老滑坡复活监测。

技术实现思路

1、本发明的目的在于提供一种融合深度学习的老滑坡复活监测方法及其系统，其将多源遥感数据进行更高效和合理的融合，实现了更高精度的老滑坡复活监测。

2、本发明通过以下技术方案实现：

3、一种融合深度学习的老滑坡复活监测方法，包括以下步骤：

4、获取目标区域的多源遥感数据，多源遥感数据包括光学遥感影像、lidar点云数据图和insar干涉数据图，并对多源遥感数据进行空间对齐，并获取lidar点云数据图的坐标点、insar干涉数据图的像元和光学遥感影像的像元的映射关系；

5、基于lidar点云数据和光学遥感影像，通过训练好的实例分割网络识别老滑坡候选区域和新近滑坡候选区域；

6、针对每个老滑坡候选区域，基于lidar点云数据图计算地貌保存度评价参数，融合所述光学遥感影像和lidar点云数据图计算复活迹象特征，基于insar干涉数据图计算形变特征，并计算多源遥感数据的可信度参数；

7、基于多源遥感数据、地貌保存度评价参数、形变特征、复活迹象特征和可信度参数，通过应用了注意力机制的深度学习模型识别各个老滑坡候选区域的第一老滑坡复活风险参数；

8、基于先验概率对第一老滑坡复活风险参数进行修正，得到第二老滑坡复活风险参数。

9、优选地，基于所述lidar点云数据和所述光学遥感影像识别所述老滑坡候选区域和所述新近滑坡候选区域的方法为：

10、基于所述lidar点云数据构建lidar特征，lidar特征包括各个像坐标点的坡度、曲率、地形粗糙度和该坐标点映射到光学遥感影像的像元的编号；

11、基于所述光学遥感影像构建光学特征，光学特征包括各个像元的植被覆盖评估参数和裸露土体评估参数；

12、将lidar特征和光学特征输入训练好的所述实例分割网络，分割出所述老滑坡候选区域和所述新近滑坡候选区域。

13、优选地，像坐标点的所述坡度、所述曲率和所述地形粗糙度的计算方法为：

14、针对每个坐标点分别定义坐标点的高程z关于第一平面坐标轴的坐标值x的一阶偏导和二阶偏导，高程z关于第二平面坐标轴的坐标值y的一阶偏导和二阶偏导，以及高程z关于第一平面坐标轴的坐标值x的和第二平面坐标轴的坐标值y的二阶混合偏导：

15、，，，，；

16、计算坐标点的坡度、曲率和地形粗糙度

17、；

18、；

19、；

20、其中，是反正切函数，代表以坐标点距离中心距离以内的所有坐标点的编号形成的邻域集合，代表邻域集合中的元素数量，代表编号为j的坐标点的高程，代表邻域集合中的高程平均值；

21、像元的所述植被覆盖评估参数和所述裸露土体评估参数的方法为：

22、；

23、；

24、其中，为植被覆盖评估参数，为近红外波段反射率，为红光波段反射率，为裸露土体评估参数，为短波红外波段反射率，为蓝光波段反射率。

25、优选地，计算所述地貌保存度评价参数的方法为：

26、基于所述lidar点云数据图提取第i所述老滑坡候选区域的多种参数，i的取值范围为所有所述老滑坡候选区域的编号，包括第i所述老滑坡候选区域的后缘陡坎参数、平台完整参数、沟谷切割参数和负曲率占比：

27、；

28、；

29、；

30、

31、其中，和分别为第i所述老滑坡候选区域的后缘的点云的最大高程差和后缘的长度，和分别为第i所述老滑坡候选区域的滑坡平台面积和总面积，为第i所述老滑坡候选区域的沟谷总长度，和分别为第i所述老滑坡候选区域的点云的高程的方差和其周边区域的点云的高程的方差，第i所述老滑坡候选区域的周边区域的定义为，距离第i所述老滑坡候选区域的中心距离不超过预设距离阈值，且不属于任何所述老滑坡候选区域的点云形成的区域；

32、计算第i所述老滑坡候选区域的所述地貌保存度评价参数：

33、；

34、；

35、；

36、其中，为中间参数，为自然指数函数，k和b为sigmoid映射的系数和偏置，、、和为权重。

37、优选地，计算所述复活迹象特征的方法为：

38、基于所述光学遥感影像和所述lidar点云数据图提取第i所述老滑坡候选区域的多种参数，包括第i所述老滑坡候选区域的裂缝密度和错台密度：

39、；

40、；

41、其中，分别为第i所述老滑坡候选区域的总面积，和分别为第i所述老滑坡候选区域的裂缝总长度和错台总数量；

42、计算第i所述老滑坡候选区域的所述复活迹象特征：

43、；

44、；

45、；

46、其中，为中间参数，为自然指数函数，和为sigmoid映射的系数和偏置，和为权重。

47、优选地，计算第i所述老滑坡候选区域的所述形变特征的方法为：

48、获取当前采集周期和上一采集周期的所述insar干涉数据图；

49、获取第i所述老滑坡候选区域的所有像元在当前采集周期的干涉数值，形成当前采集序列，以及其在上一采集周期的干涉数值，形成历史采集序列，当前采集序列和历史采集序列的像元排列顺序一致；

50、计算当前采集序列和历史采集序列的相似度，取其倒数作为第i所述老滑坡候选区域的所述形变特征。

51、优选地，计算多源遥感数据的所述可信度参数的方法为：

52、所述光学遥感影像的可信度参数为：

53、；

54、其中，为所述光学遥感影像的云层覆盖率，为所述光学遥感影像的空间分辨率，单位为米/像素;

55、所述lidar点云数据图的可信度参数为：

56、；

57、其中，和分别为所述lidar点云数据图的非植被覆盖部分坐标点总数和全部坐标点总数,为所述lidar点云数据图的点云密度,为点云密度参考值；

58、所述insar干涉数据图的可信度参数的获取方法为，在本次采集周期连续两个时刻采集所述insar干涉数据图，并计算其相干系数。

59、优选地，通过所述深度学习模型别各个所述老滑坡候选区域的所述第一老滑坡复活风险参数的方法为：

60、构建第i老滑坡候选区域的融合特征，，为第i所述老滑坡候选区域的所述地貌保存度评价参数，为第i所述老滑坡候选区域的所述复活迹象特征,为第i所述老滑坡候选区域的所述形变特征；

61、构建第i老滑坡候选区域的可信度向量：

62、；

63、分别为所述光学遥感影像的可信度参数、所述lidar点云数据图的可信度参数和所述insar干涉数据图的可信度参数，并基于可信度向量，通过可学习参数矩阵和偏置向量构造向量并通过softmax函数进行处理，得到可信度嵌入向量；

64、基于可信度嵌入向量和融合特征构建基于注意力机制的特征权重处理，得到注意力特征:

65、v()；

66、其中，代表query映射，代表key映射，代表求转置，v()代表value映射，为融合特征维度，代表点乘；

67、将注意力特征依次输入transformer网络和概率输出网络，得到第i所述老滑坡候选区域的所述第一老滑坡复活风险参数。

68、优选地，基于先验概率对所述第一老滑坡复活风险参数进行修正的方法为：

69、基于目标区域内老滑坡复活发生的频率，设置先验概率，频率越高先验概率数值越大；

70、；

71、其中，为第二老滑坡复活风险参数。

72、本发明还提供一种融合深度学习的老滑坡复活监测系统，应用于上述的一种融合深度学习的老滑坡复活监测方法，包括：

73、数据采集模块，用于获取目标区域的多源遥感数据，多源遥感数据包括光学遥感影像、lidar点云数据图和insar干涉数据图，并对多源遥感数据进行空间对齐，并获取lidar点云数据图的坐标点、insar干涉数据图的像元和光学遥感影像的像元的映射关系；

74、滑坡区域识别模块，用于基于lidar点云数据和光学遥感影像，通过训练好的实例分割网络识别老滑坡候选区域和新近滑坡候选区域；

75、特征提取模块，用于针对每个老滑坡候选区域，基于lidar点云数据图计算地貌保存度评价参数，融合所述光学遥感影像和lidar点云数据图计算复活迹象特征，基于insar干涉数据图计算形变特征，并计算多源遥感数据的可信度参数；

76、风险判断模块，用于基于多源遥感数据、地貌保存度评价参数、形变特征、复活迹象特征和可信度参数，通过深度学习模型识别各个老滑坡候选区域的第一老滑坡复活风险参数；

77、风险修正模块，用于基于先验概率对第一老滑坡复活风险参数进行修正，得到第二老滑坡复活风险参数。

78、本发明的技术方案至少具有如下优点和有益效果：

79、本发明利用了光学遥感影像、lidar点云数据图和insar干涉数据图这三种数据，从地貌形态、地表复活迹象以及地表形变三个维度对老滑坡复活进行特征提取，目的在于使得不同遥感技术的优势互补，实现了更全面地反映老滑坡复活过程的数据特征；

80、本发明针对不同数据的缺陷的问题，分别构建可信度参数并将可信度参数引入深度学习识别过程，通过注意力机制实现来自多源数据的特征数据的融合，降低了低质量遥感数据引入的噪声，提高复杂山区环境下的识别稳定性；

81、本发明通过先验概率对模型输出的风险结果进行修正，有效降低因局部异常变化引起的误报，进一步提高老滑坡复活风险评估结果的可信度；

82、本发明设计合理，适合部署在各种地形广阔且复杂的山区地形，便于推广和实施。