一种基于空间引导深度抽象网络的活动滑坡自动识别方法

本技术属于活动滑坡识别领域，更具体地，涉及一种基于空间引导深度抽象网络的活动滑坡自动识别方法。

背景技术：

1、滑坡是最常见且极其危险的地质灾害类型，其可能造成重大经济损失并对人类居住区构成巨大风险。活动滑坡是指那些表现出明显运动迹象但尚未经历整体失稳的滑坡，由于突发破坏性滑坡往往由潜在的活动滑坡演变而来，早期识别这些危险斜坡可以有效避免或减轻灾难性后果。

2、近年来，时序合成孔径雷达干涉测量（insar）技术凭借其全天候、大范围观测微小地表形变的能力，已成为识别活动滑坡的重要手段，但传统的识别依赖“insar形变+人工目视解译”，该方式耗时费力且主观性强。随着人工智能技术的发展，基于深度学习或机器学习（如svm、cnn、u-net、cart等）的滑坡自动识别算法逐渐成为研究热点。然而，现有自动识别方法仍存在以下不足：一方面，insar提取的地表形变信息容易受到非滑坡因素（如地下水开采、冰雪冻融等）产生的误差影响，导致高虚警；另一方面，主流深度学习算法在处理斜坡单元空间位置时，由于模型本质上偏向学习低频平滑函数即光谱偏差现象，难以准确捕捉滑坡复杂的地形边界，导致在复杂地质环境中出现高虚警率和漏识别率。

3、因此，如何在广域复杂地质环境下提高活动滑坡自动识别的精度以降低虚警率和漏识别率，是当前亟需解决的问题。

技术实现思路

1、针对现有技术的缺陷，本技术的目的在于提供一种基于空间引导深度抽象网络的活动滑坡自动识别方法，能在广域复杂地质环境下提高活动滑坡自动识别的精度以降低虚警率和漏识别率。

2、为实现上述目的，第一方面，本技术提供了一种基于空间引导深度抽象网络的活动滑坡自动识别方法，包括如下步骤：

3、s10，提供空间引导深度抽象网络，并获取斜坡单元数据集，所述斜坡单元数据集中的每个斜坡单元包含致灾属性特征和空间坐标特征；所述空间引导深度抽象网络包括空间高频映射模块、动态局部特征选择模块、空间引导残差块和分类头；

4、s20，利用所述空间高频映射模块对所述空间坐标特征进行傅里叶位置编码，将低维空间坐标映射至高维频域空间，得到高维空间特征矩阵；

5、s30，利用所述动态局部特征选择模块将所述高维空间特征矩阵输入超网络以生成动态稀疏掩码，将所述致灾属性特征与所述动态稀疏掩码进行逐元素加权融合，得到掩码致灾属性特征；

6、s40，利用所述空间引导残差块对所述掩码致灾属性特征进行特征提取，并在特征提取过程中引入所述高维空间特征矩阵进行空间约束，得到融合特征；

7、s50，将所述融合特征输入所述分类头，输出每个斜坡单元的活动滑坡识别结果。

8、作为进一步优选的，所述傅里叶位置编码的具体过程为：

9、将空间坐标特征在最后一维进行维度扩展，预设频带数量，依据公式计算频率基底矩阵；

10、利用所述频率基底矩阵对所述空间坐标特征进行正弦变换和余弦变换，保留原始低维输入，将变换结果与所述空间坐标特征在通道维度上进行拼接后展平，得到高维空间特征矩阵，所述高维空间特征矩阵的维度满足公式。

11、作为进一步优选的，所述超网络包含两层线性变换层，其中第一层全连接层将输入维度映射至64维并通过修正线性单元进行非线性激活，第二层全连接层将特征维度从64维映射至维，将输出的连续张量重塑为三维动态原始权重张量，其中

k为独立注意力子基组数量，

d为输入的致灾属性特征维度；

12、所述动态稀疏掩码的生成方式为：采用激活函数对所述三维动态原始权重张量的最后一维进行稀疏化处理，所述稀疏激活函数基于1.5阶tsallis熵进行约束，其数学表达式为，其中表示获取最大值，表示维的概率单纯形空间，为tsallis-1.5熵，是动态稀疏性的核心物理机制，表示分配给各个特征因子的概率分布向量即所有的概率分配方案，为其转置，代表各局部致灾因子在当前空间位置上的相对重要程度，为网络前置层输出的、未经过归一化的特征分数，在当前特定空间位置上表示对各个特征因子重要性的初步“评估值”，所述激活函数具有几何投影与截断特性，用于将与当前空间位置无关、不满足局部滑坡致灾机理的非主导因子权重设置为0，从而为每个样本生成一个绝对稀疏的空间引导局部特征选择掩码矩阵。

13、作为进一步优选的，所述逐元素加权融合的具体过程为：将致灾属性特征向量在第二维进行维度升维扩充，利用张量自动广播机制将所述动态稀疏掩码与扩充后的致灾属性特征张量进行逐元素相乘。

14、作为进一步优选的，所述空间引导残差块包含两个串联的空间引导抽象层和一条显式的下采样捷径分支，所述空间引导抽象层包括一维分组卷积层、虚拟小批量标准化层和门控线性单元，所述门控线性单元用于对经过分组卷积和虚拟小批量标准化后的特征进行非线性选择过滤与聚合。

15、作为进一步优选的，所述下采样捷径分支对输入特征引入dropout扰动，并融入所述高维空间特征矩阵进行独立抽象，将所述空间引导抽象层的输出与所述下采样捷径分支的输出进行残差相加，经带泄露的修正线性单元激活，得到融合特征。

16、作为进一步优选的，所述致灾属性特征包括地层岩性、距断层距离、高程、坡度、坡向、平面曲率、剖面曲率、地形起伏度、距河流距离、归一化植被指数、年平均降雨量、距道路距离、土地利用类型和东西向地表年均形变速率的统计值；所述斜坡单元数据集中的离散特征通过标签编码将离散值转换为整数索引，所述斜坡单元数据集中的连续特征利用训练集的均值与标准差进行z-score标准化，所述空间坐标特征通过限定映射归一化约束至负1到正1区间。

17、作为进一步优选的，所述分类头包括dropout层和双层全连接分类头，所述融合特征经所述dropout层处理后输入所述双层全连接分类头，并结合sigmoid激活函数输出每个斜坡单元的活动滑坡识别结果。

18、作为进一步优选的，所述获取斜坡单元数据集的具体方式为：利用数字高程模型数据采用地表曲率分水岭法划分斜坡单元，通过分区统计将由地层岩性、距断层距离、高程、坡度、坡向、平面曲率、剖面曲率、地形起伏度、距河流距离、归一化植被指数、年平均降雨量、距道路距离、土地利用类型和东西向地表年均形变速率的统计值汇总至斜坡单元矢量数据，生成斜坡单元数据集。

19、第二方面，本技术提供了一种基于空间引导深度抽象网络的活动滑坡自动识别系统，用于实现上述中任一项所述的方法，包括：

20、数据获取模块，用于获取斜坡单元数据集，所述斜坡单元数据集中的每个斜坡单元包含致灾属性特征和空间坐标特征；

21、空间高频映射模块，用于对所述空间坐标特征进行傅里叶位置编码，将低维空间坐标映射至高维频域空间，得到高维空间特征矩阵；

22、动态局部特征选择模块，用于将所述高维空间特征矩阵输入超网络以生成动态稀疏掩码，将所述致灾属性特征与所述动态稀疏掩码进行逐元素加权融合，输出掩码致灾属性特征；

23、空间引导残差块，用于对所述掩码致灾属性特征进行特征提取，并在特征提取过程中引入所述高维空间特征矩阵进行空间约束，输出融合特征；

24、分类头，用于对所述融合特征进行分类，输出每个斜坡单元的活动滑坡识别结果。

25、本技术具有如下效果：

26、（1）提出空间高频映射机制，解决“光谱偏差”导致的滑坡边界模糊难题。针对传统深度神经网络在处理低维低频空间特征时，极易陷入学习低频平滑函数的“光谱偏差”缺陷，本技术引入了高维随机傅里叶位置编码技术，将低维的斜坡单元中心空间位置投影至高维高频的空间特征。这一映射机制有效打破了模型对复杂地形特征的过度平滑倾向，大幅提升了模型在广域复杂山区地质环境下对活动滑坡的边界识别精度。

27、（2）构建“空间-数据”双流耦合的绝对稀疏特征选择框架。针对广域范围内滑坡诱发机制存在的极强空间异质性（如高山区受地形主导，而河谷区受降雨或人类活动主导），本技术打破了现有主流算法过度依赖全局统一静态特征权重矩阵的局限，将超网络（hypernetwork）作为空间引导核心，构建了“空间-数据”双流耦合架构。该机制以空间高频信号为先验引导，为每个局部空间位置动态生成专属的特征选择掩码，并结合等具有几何投影特性的稀疏激活函数，从数学底层实现了特征权重的稀疏化与隔离化。这一突破不仅能够因地制宜地放大当前区域的主导致灾因子，更精准剔除了对局部滑坡形成无显著影响的冗余特征，从而隔离了地下水开采或工程建设沉降等非滑坡因素引发的环境背景噪声对分类决策的干扰，极大地降低了虚警率和漏识别率。

28、（3）确立基于滑坡成灾机理的多源协同识别机制。考虑到传统计算机视觉模型常用的像素级分割方法会严重割裂坡体固有的地质物理连续性且缺乏实际工程意义，本技术摒弃了单纯的像素级识别，采用基于地表曲率分水岭算法提取的、具有明确三维真实地貌物理边界的“斜坡单元”作为基本识别单元。在此物理实体框架下，本技术利用时间序列干涉合成孔径雷达（insar）等技术提取地表有效形变与涵盖地层岩性、地形地貌等孕灾因素，以及降雨量、人类工程活动等致灾因素的多源异构特征进行深度融合到斜坡单元中。这种多维协同机制彻底打破了单一形变监测的局限，为深度神经网络提供了一个符合地质学演化规律的全面数据集，提高了算法输出的潜在活动滑坡的识别精度。