CN116561536A - 一种滑坡隐患的识别方法、终端设备及介质 - Google Patents

Abstract

本申请适用于地质灾害识别技术领域，提供了一种滑坡隐患的识别方法、终端设备及介质，通过获取已识别区域的遥感图像，并对其进行通道叠加，得到多通道影像数据；从多通道影像数据中提取训练样本，得到训练样本集；提取滑坡隐患特征，得到多个候选特征因子，并确定训练样本集对应的最相关特征因子；构建初始滑坡隐患预测模型，并利用训练样本集对初始滑坡隐患预测模型进行训练，得到最终滑坡隐患预测模型；利用最终滑坡隐患预测模型对待识别区域对应的多通道影像数据进行预测，得到存在滑坡隐患的地表点位；基于滑坡隐患规则集，识别地表点位的滑坡隐患。本申请能提高滑坡隐患识别的准确性。

Description

一种滑坡隐患的识别方法、终端设备及介质

技术领域

本申请属于地质灾害识别技术领域，尤其涉及一种滑坡隐患的识别方法、终端设备及介质。

背景技术

滑坡隐患识别是指在不同空间尺度下对滑坡隐患位置、范围、发生可能性的预测。滑坡具有高度隐蔽性、突然性和破坏性。针对滑坡隐患的类别确认，特别是大区域下滑坡隐患早期类别确认，对滑坡灾害风险评价、早期预警、机理探索等研究工作意义重大，是实现由“被动避灾救灾”为“主动防灾治灾”的有效途径。

现有滑坡隐患的识别方法可归纳为知识驱动和数据驱动两类。知识驱动方法旨在基于地质专家知识进行隐患类别确认，包括人工地面调查：通过专业人员实地调查识别隐患，准确率较高，但效率低下，且难以识别高位、隐蔽性隐患，导致识别不全。目视解译：通过专业人员的知识和经验在遥感影像上对斜坡进行目视判别，准确度较高，但非常依赖专业人员的经验，且十分费时费力。特征阈值：根据人工经验和数据特点设定一种或者多种分割阈值进行滑坡识别。由于识别标准为特定区域特定特征的阈值，因此适用范围较小。

数据驱动方法旨在以数据为基础，通过不同的数据处理算法分析数据之间的关联关系，进而生成经验模型实现滑坡隐患识别，包括机器学习：机器学习使用计算机算法通过从训练数据中学习来分析和预测信息。具体的，通过隐患识别样本进行学习以实现滑坡隐患识别，机器学习方法具有高效率及高精度的优点，但特征选择和超参数调试工作量较大。深度学习：深度学习本质是一种更深层次的机器学习方法，通过组合低层特征形成更加抽象的高层特征，可自动提取和选择特征进而实现隐患类型确认，适用于大场景的隐患确认，但是受限于滑坡隐患样本数量，容易导致模型过拟合问题。总体来看，知识驱动方法基于专家领域知识，可解释性强，但自动化程度不高。数据驱动方法以数据为驱动，具有高效率及高精度等特点，但是受样本数量和质量制约，存在过拟合、解释性差、可靠性低等问题。

综上分析，一方面，利用光学遥感、干涉雷达（InSAR）、物探等多种监测手段可实现大尺度、全周期滑坡隐患识别，但也存在容易出现漏判和误判。其中，漏判是指部分隐患没有被识别，误判是指将农田、裸地等其他非隐患地物识别为隐患。另一方面，基于知识驱动方法和基于数据驱动方法没有很好的融合，导致现有滑坡隐患识别的可解释性和精确性难以平衡。因此亟需一种能够准确的识别滑坡隐患的方法。

发明内容

本申请提供了一种滑坡隐患的识别方法、终端设备及介质，可以解决目前滑坡隐患的识别准确率较低的问题。

第一方面，本申请提供了一种滑坡隐患的识别方法，包括：

获取已识别区域的遥感图像，并对遥感图像进行通道叠加，得到已识别区域的多通道影像数据；

从多通道影像数据中提取训练样本，得到训练样本集；其中，训练样本表示不同通道的图像属性值排列成的序列，训练样本集包括多个滑坡隐患样本和多个非滑坡隐患样本；

提取训练样本集的滑坡隐患特征，得到多个候选特征因子，并从多个候选特征因子中确定训练样本集对应的最相关特征因子；其中，特征因子表示产生滑坡隐患的影响因素，最相关特征因子表示重要程度最大的候选特征因子；

构建初始滑坡隐患预测模型，并利用训练样本集对初始滑坡隐患预测模型进行训练，得到最终滑坡隐患预测模型；滑坡隐患预测模型包括分支一和分支二，分支一用于处理遥感图像，分支二用于处理最相关影响因子；

利用最终滑坡隐患预测模型对待识别区域对应的多通道影像数据进行预测，得到待识别区域中存在滑坡隐患的地表点位。

基于预先构建的滑坡隐患规则集，识别地表点位的滑坡隐患；滑坡隐患为正在形变区、历史变形破坏区或者潜在不稳定斜坡。

可选的，滑坡隐患特征包括形态特征、形变特征、形势特征以及其他特征；其中，形势特征包括滑坡的致灾因子和滑坡的灾害范围。

可选的，从多个候选特征因子中确定训练样本集对应的最相关特征因子，包括：

得到多个候选特征因子之间的相关程度系数；其中，/>表示第/>个候选特征因子/>与第/>个候选特征因子/>之间的相关程度系数，/>，/>，/>表示候选特征因子的总数量，/>表示方差，/>表示第/>个候选特征因子与第/>个候选特征因子/>之间的协方差；

通过计算公式

得到每个候选特征因子的方差膨胀系数；其中，/>表示第/>个候选特征因子/>的方差膨胀系数，/>表示除去/>的/>个其他候选特征因子进行线性回归时得到的确定性系数，方差膨胀系数用于度量每个候选特征因子内部的共线性程度；

从多个候选特征因子中分别剔除相关程度系数大于预设相关程度阈值的候选特征因子和方差膨胀系数大于预设方差膨胀阈值的候选特征因子，得到多个相关特征因子。

可选的，从多个候选特征因子中确定训练样本集对应的最相关特征因子，还包括：

通过计算公式

得到滑坡隐患特征对训练样本集的信息增益/>；其中，/>表示滑坡隐患特征/>对训练样本集/>的信息增益，/>为形态特征、形变特征、形势特征以及其他特征四者中的任一者，/>表示由滑坡隐患特征/>划分训练样本集/>后得到的子集合的个数，/>表示第/>个子集合中训练样本的数量，/>，/>表示训练样本集/>中训练样本的总数量，/>表示第/>个子集合的信息熵，/>表示第/>个子集合中相关特征因子的总类别数，/>表示第/>个相关特征因子的类别在第/>个子集合中出现的概率；

将最大信息增益对应的滑坡隐患特征作为最相关滑坡隐患特征，并将最相关滑坡隐患特征对应的相关特征因子作为最相关特征因子。

可选的，分支一包括第一卷积层、第二卷积层以及第一池化层，分支二包括第三卷积层、第四卷积层以及第二池化层；其中，第一卷积层的输出端分别连接第二卷积层的输入端和第一池化层的输入端，第二卷积层输出经过卷积算子计算后的遥感图像对应的第一栅格矩阵，第一池化层输出经过感受野内最大值计算后的遥感图像对应的第二栅格矩阵，第三卷积层的输出端分别连接第四卷积层的输入端和第二池化层的输入端，第四卷积层输出经过卷积算子计算后的最相关影响因子对应的第三栅格矩阵，第二池化层输出经过感受野内最大值计算后的最相关影响因子对应的第四栅格矩阵。

可选的，滑坡隐患预测模型还包括第一处理单元、第二处理单元、通道重排模块、第三池化层、第四池化层、第五池化层、第三处理单元、第五卷积层、第六卷积层、第四处理单元以及CBAM模块；其中，第一处理单元的输入端分别连接分支一中第二卷积层的输出端和第一池化层的输出端，第一处理单元的输出端连接通道重排模块的输入端，第二处理单元的输入端分别连接分支二中第四卷积层的输出端和第二池化层的输出端，第二处理单元的输出端连接通道重排模块的输入端，通道重排模块的输出端分别连接第三池化层的输入端、第五池化层的输入端以及第五卷积层的输入端，第三池化层的输出端连接第四处理单元的输入端，第四池化层的输入端连接第三处理单元的输出端，第四池化层的输出端连接第四处理单元的输入端；第五池化层的输出端连接第三处理单元的输入端，第五卷积层的输出端连接第三处理单元的输入端，第三处理单元的输出端连接第五池化层的输入端，第六卷积层的输出端连接第四处理单元的输入端，CBAM模块的输入端连接第四处理单元的输出端，CBAM模块输出滑坡隐患区域预测结果。

可选的，滑坡隐患预测模型还包括用于识别承灾体的U-net网络。

可选的，利用训练样本集对初始滑坡隐患预测模型进行训练，得到最终滑坡隐患预测模型，包括：

步骤i，通过计算公式

得到初始滑坡隐患预测模型的预测损失值；其中，/>表示权重参数，/>表示训练样本的总数量，/>表示第/>个训练样本的真实标签，/>，/>表示初始滑坡隐患预测模型输出标签/>的概率，/>表示初始滑坡隐患预测模型输出的第/>个训练样本的标签的预测值，/>表示初始滑坡隐患预测模型输出的第/>个训练样本的标签的预测值的概率；

步骤ii，若预测损失值小于等于预设损失阈值，则将初始滑坡隐患预测模型作为最终滑坡隐患预测模型；否则，利用预测损失值对初始滑坡隐患预测模型进行反向传播，并返回执行步骤i。

可选的，利用最终滑坡隐患预测模型对待识别区域对应的多通道影像数据进行预测，得到待识别区域中存在滑坡隐患的地表点位，包括：

对待识别多通道影像数据进行分割；其中，多通道影像数据被分割为多个子图像；

将多个子图像中的每个子图像输入最终滑坡隐患预测模型，得到子图像对应的子区域存在滑坡隐患的预测值；子区域表示待识别区域的一部分；

将所有预测值大于预设阈值的子区域对应的地表点位作为存在滑坡隐患的地表点位。

第二方面，本申请提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的滑坡隐患的识别方法。

第三方面，本申请提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现上述的滑坡隐患的识别方法。

本申请的上述方案有如下的有益效果：

本申请提供的滑坡隐患的识别方法，通过获取已识别区域的遥感图像，并对遥感图像进行通道叠加，再对其进行样本提取，能够获得高精度的训练样本，从而有利于提升滑坡隐患识别的准确性；通过提取训练样本的滑坡隐患特征，从而确定最相关特征因子，能够减少数据冗余，避免多个特征因子对滑坡隐患的识别的干扰，减少了工作量，提升了滑坡隐患识别的准确性；构建的滑坡隐患预测模型综合考虑了遥感图像和最相关影响因子，能够获得更加准确的滑坡隐患区域，进而提高滑坡隐患识别的准确性；基于滑坡隐患规则集，对滑坡隐患区域进行分类，识别待识别区域的滑坡隐患，充分结合了知识驱动和数据驱动的优势，提升了结果的可解释性，提高了滑坡隐患识别的准确性。

本申请的其它有益效果将在随后的具体实施方式部分予以详细说明。

附图说明

为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请一实施例提供的滑坡隐患的识别方法的流程图；

图2a为本申请一实施例提供的滑坡隐患预测模型分支一的结构示意图；

图2b为本申请一实施例提供的滑坡隐患预测模型分支二的结构示意图；

图3为本申请另一实施例提供的滑坡隐患预测模型的结构示意图；

图4为本申请一实施例提供的CBAM模块的结构示意图；

图5为本申请一实施例提供的构建滑坡隐患规则集的流程图；

图6为本申请一实施例提供的终端设备的结构示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。

应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。

另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。

针对目前滑坡隐患的识别方法准确率较低的问题，本申请提供了一种滑坡隐患的识别方法、终端设备及介质，通过获取已识别区域的遥感图像，并对遥感图像进行通道叠加，再对其进行样本提取，能够获得高精度的训练样本，从而有利于提升滑坡隐患识别的准确性；通过提取训练样本的滑坡隐患特征，从而确定最相关特征因子，能够减少数据冗余，避免多个特征因子对滑坡隐患的识别的干扰，减少了工作量，提升了滑坡隐患识别的准确性；构建的滑坡隐患预测模型综合考虑了遥感图像和最相关影响因子，能够获得更加准确的滑坡隐患区域，进而提高滑坡隐患识别的准确性；基于滑坡隐患规则集，对滑坡隐患区域进行分类，识别待识别区域的滑坡隐患，充分结合了知识驱动和数据驱动的优势，提升了结果的可解释性，提高了滑坡隐患识别的准确性。

如图1所示，本申请提供的滑坡隐患的识别方法包括以下步骤：

步骤11，获取已识别区域的遥感图像，并对遥感图像进行通道叠加，得到已识别区域的多通道影像数据。

上述已识别区域表示已经经过专家勘验过的区域。

在本申请的实施例中，上述遥感图像包括高分辨率光学遥感图像、哨兵1号雷达（Sentinel-1 SAR）图像、数字高程数据（DEM，Digital Elevation Model）、归一化植被指数（NDVI，Normalized Difference Vegetation Index）以及地表覆盖类型数据。在本申请的一实施例中，高分辨率光学遥感图像的分辨率设为0.8m，其它数据设定同一分辨率为30m。

需要说明的是，可采用常见的通道叠加方法对遥感图像进行通道叠加，例如：颜色空间转换、梯度算子以及各向异性滤波等，在此不对其具体方式做限制。

步骤12，从多通道影像数据中提取训练样本，得到训练样本集。

其中，训练样本表示不同通道的图像属性值排列成的序列，训练样本集包括多个滑坡隐患样本和多个非滑坡隐患样本。示例性的，在本申请的一实施例中，假设有红外通道和可见光通道，则某一训练样本的表现形式为：训练样本1 = {红外通道像素值序列:（0.1，0.3，0.2），可见光通道像素值序列:（0.5，0.4，0.6），标签：滑坡隐患样本}。

需要说明的是，在实际应用中，滑坡隐患样本所占的比例远小于非滑坡隐患样本所占的比例，这会导致训练样本集不平衡，因此，在本申请的一些实施例中，还需对训练样本集进行平衡，具体的，将滑坡隐患样本作为正样本，非滑坡隐患样本作为负样本，以1：1的正负样本比例对训练样本集进行平衡，常见的平衡方法有对样本下采样和对样本过采样。

在本申请的实施例中，得到训练样本集后，还会进行正样本筛选、负样本优化以及样本扩充。

正样本筛选的过程如下：

对原始滑坡灾害点数据进行筛选以识别与先验知识一致的正样本，部分滑坡隐患样本由于滑坡记录位置记录错误，导致滑坡隐患记录位置与实际位置不一致，甚至被记录在平地区域，而根据滑坡隐患知识可知滑坡通常孕育在坡度为10~45°之间，这与滑坡分布规律相违背，因此可根据先验知识删除相应数据。

负样本优化的过程如下：

将先验知识作为约束生成负样本，负样本为不发生滑坡隐患的区域，根据先验知识可筛选出不适合滑坡隐患发生区域，进而在滑坡隐患区域生成负样本。

样本扩充的过程如下：

根据知识生成模拟数据以扩充样本，由于滑坡隐患样本数量不足，因此需要根据知识和先验方法生成模拟数据，常用的模拟数据生成方法包括样本增广与生成对抗网络（GAN，Generative adversarial network）。首先采用常规方式获取正负样本，通过翻转、旋转等样本增强策略对数据量进行扩充，进而可基于GAN生成更多模拟数据，实现样本扩充。

步骤13，提取训练样本集的滑坡隐患特征，得到多个候选特征因子，并从多个候选特征因子中确定训练样本集对应的最相关特征因子。

在本申请的实施例中，上述滑坡隐患特征包括形态特征、形变特征、形势特征以及其他特征，其中，形势特征包括滑坡的致灾因子和滑坡的灾害范围。示例性的，形态特征可通过高分辨率光学遥感影像对灾害体进行调查获取，研究形成灾害的地质背景、地表覆盖变化，揭示可能的成灾状况；形变特征旨在根据地质体地表变形状态，进而判别灾害体的滑移规模、活动阶段和发展趋势；形势特征为分析隐患的致灾因子、灾害发生后的威胁范围等致灾形势；其他特征为识别过程中存在中间成果及其他知识。

上述特征因子表示产生滑坡隐患的影响因素，最相关特征因子表示重要程度最大的候选特征因子。需要说明的是，不同的滑坡隐患特征对应不同的特征因子，在本申请的实施例中，形态特征对应均值、最大差异、标准差、亮度等特征因子；形变特征对应形变量、形变速率等特征因子；形势特征对应年平均降雨量、地震密度、土地利用类型、道路密度等特征因子；其他特征对应易发性因子、承灾体分布图、灾害点分布图等特征因子。

步骤14，构建初始滑坡隐患预测模型，并利用训练样本集对初始滑坡隐患预测模型进行训练，得到最终滑坡隐患预测模型。

滑坡隐患预测模型包括分支一和分支二，分支一用于处理遥感图像，分支二用于处理最相关影响因子。具体的如图2a和图2b所示，分支一包括第一卷积层a1、第二卷积层a2以及第一池化层a3。分支二包括第三卷积层b1、第四卷积层b2以及第二池化层b3。

第一卷积层a1的输出端分别连接第二卷积层a2的输入端和第一池化层a3的输入端。其中，第二卷积层a2输出经过卷积算子计算后的遥感图像对应的第一栅格矩阵，第一池化层a3输出经过感受野内最大值计算后的遥感图像对应的第二栅格矩阵。

第三卷积层b1的输出端分别连接第四卷积层b2的输入端和第二池化层b3的输入端。其中，第四卷积层b2输出经过卷积算子计算后的最相关影响因子对应的第三栅格矩阵，第二池化层b3输出经过感受野内最大值计算后的最相关影响因子对应的第四栅格矩阵。

上述感受野表示卷积核对卷积层或池化层进行卷积计算时的单位映射范围，最大值计算是池化计算的一种方式，表示池化过程中感受野内最大值被提取为映射元素值。

如图3所示，滑坡隐患预测模型还包括第一处理单元311、第二处理单元312、通道重排模块313、第三池化层314、第四池化层315、第五池化层316、第三处理单元317、第五卷积层318、第六卷积层319、第四处理单元320以及CBAM模块321。其中，第一处理单元311的输入端分别连接分支一中第二卷积层的输出端和第一池化层的输出端，第一处理单元311的输出端连接通道重排模块313的输入端；第二处理单元312的输入端分别连接分支二中第四卷积层的输出端和第二池化层的输出端，第二处理单元的输出端连接通道重排模块313的输入端；通道重排模块313的输出端分别连接第三池化层314的输入端、第五池化层316的输入端以及第五卷积层318的输入端；第三池化层314的输出端连接第四处理单元320的输入端；第四池化层315的输入端连接第三处理单元317的输出端，第四池化层315的输出端连接第四处理单元320的输入端；第五池化层316的输出端连接第三处理单元317的输入端；第五卷积层318的输出端连接第三处理单元317的输入端；第三处理单元317的输出端连接第五池化层316的输入端；第六卷积层319的输出端连接第四处理单元320的输入端；空间注意力与通道注意力（CBAM，Convolutional Block Attention Module）模块321的输入端连接第四处理单元320的输出端，CBAM模块321输出滑坡隐患区域预测结果。

如图4所示，CBAM模块包括通道注意力模块41和空间注意力模块42，通道注意力模块用于对通道权重相乘，空间注意力模块用于对空间权重相乘。

在本申请的实施例中，滑坡隐患预测模型还包括用于识别承灾体的U-net网络。

步骤15，利用最终滑坡隐患预测模型对待识别区域对应的多通道影像数据进行预测，得到待识别区域中存在滑坡隐患的地表点位。

步骤16，于预先构建的滑坡隐患规则集，识别地表点位的滑坡隐患。

滑坡隐患为正在形变区、历史变形破坏区或者潜在不稳定斜坡。

如图5所示，滑坡隐患规则集的构建步骤包括：

步骤51，机理认知。

具体的，将滑坡隐患划分为正在形变区、历史变形破坏区、潜在不稳定斜坡。正在变形区是指当前正在发生变形，且具有明显变形迹象和特征的区域或部位；历史变形破坏区主要是指古老滑坡体、震裂山体、时效变形体（如西部山区河谷常见的大型倾倒变形体）、各种成因的大型松散堆积体等具有明显“损伤”的斜坡；潜在不稳定斜坡是指在天然工况下处于基本稳定或欠稳定状态，历史上未曾发生过变形破坏，当前也无明显变形迹象，但在强降雨、地震或人类工程活动等强烈扰动下，可能出现突发性失稳破坏并成灾的斜坡。

步骤52，隐患特征识别。

具体的， 将滑坡隐患特征分为形态特征、形变特征、形势特征、其他特征四类，归纳总结不同类型的滑坡隐患特征。

步骤53，因子体系建立。

步骤54，知识描述。

根据滑坡隐患在不同的特征因子中的分布特点进行描述。如形变速率较大的区域通常会形成滑坡隐患，滑坡隐患周围存在承灾体。

步骤55，规则构建。

根据步骤54得到的滑坡隐患知识，归纳相关规则，并形式化表达。示例性的：

滑坡隐患规则一：滑坡隐患主要分布在10~45°之间，形变速率大于10mm/年，且方向沿坡体向下，则可能为正在形变区。

滑坡隐患规则二：滑坡隐患周围存在道路、建筑物、农田等承灾体。滑坡易发生在距离断层较近的区域。

滑坡隐患规则三：滑坡主要位于中高易发区域。

滑坡隐患规则四：地震烈度大于7度的地区，坡度大于25度的坡体在地震下易发生滑坡。

下面对步骤13（提取训练样本集的滑坡隐患特征，得到多个候选特征因子，并从多个候选特征因子中确定训练样本集对应的最相关特征因子）中从多个候选特征因子中确定训练样本集对应的最相关特征因子的过程进行示例性说明，包括步骤13.1-步骤13.5：

步骤13.1，通过计算公式

得到多个候选特征因子之间的相关程度系数。

其中，表示第/>个候选特征因子/>与第/>个候选特征因子/>之间的相关程度系数，/>，/>，/>表示候选特征因子的总数量，/>表示方差，表示第/>个候选特征因子/>与第/>个候选特征因子/>之间的协方差。

步骤13.2，通过计算公式

得到每个候选特征因子的方差膨胀系数。

其中，表示第/>个候选特征因子/>的方差膨胀系数，/>表示除去/>的个其他候选特征因子进行线性回归时得到的确定性系数，方差膨胀系数用于度量每个候选特征因子内部的共线性程度。

步骤13.3，从多个候选特征因子中分别剔除相关程度系数大于预设相关程度阈值的候选特征因子和方差膨胀系数大于预设方差膨胀阈值的候选特征因子，得到多个相关特征因子。

步骤13.4，通过计算公式

得到滑坡隐患特征对训练样本集的信息增益/>。

其中，表示滑坡隐患特征/>对训练样本集/>的信息增益，/>为形态特征、形变特征、形势特征以及其他特征四者中的任一者，/>表示由滑坡隐患特征/>划分训练样本集/>后得到的子集合的个数，/>表示第/>个子集合中训练样本的数量，，/>表示训练样本集/>中训练样本的总数量，/>表示第/>个子集合的信息熵，/>表示第/>个子集合中相关特征因子的总类别数，/>表示第/>个相关特征因子的类别在第/>个子集合中出现的概率；

步骤13.5，将最大信息增益对应的滑坡隐患特征作为最相关滑坡隐患特征，并将最相关滑坡隐患特征对应的相关特征因子作为最相关特征因子。

下面对步骤14（构建初始滑坡隐患预测模型，并利用训练样本集对初始滑坡隐患预测模型进行训练，得到最终滑坡隐患预测模型）中利用训练样本集对初始滑坡隐患预测模型进行训练，得到最终滑坡隐患预测模型的过程进行示例性说明，包括步骤i-步骤ii：

步骤i，通过计算公式

得到初始滑坡隐患预测模型的预测损失值。

其中，表示权重参数，/>表示训练样本的总数量，/>表示第/>个训练样本的真实标签，/>，/>表示所述初始滑坡隐患预测模型输出标签/>的概率，表示所述初始滑坡隐患预测模型输出的第/>个训练样本的标签的预测值，/>表示所述初始滑坡隐患预测模型输出的第/>个训练样本的标签的预测值的概率；

步骤ii，若预测损失值小于等于预设损失阈值，则将初始滑坡隐患预测模型作为最终滑坡隐患预测模型；否则，利用预测损失值对初始滑坡隐患预测模型进行反向传播，并返回执行步骤i。

下面对步骤15（利用最终滑坡隐患预测模型对待识别区域对应的多通道影像数据进行预测，得到待识别区域中存在滑坡隐患的地表点位）的过程进行示例性说明，包括步骤15.1-步骤15.3：

步骤15.1，对待识别多通道影像数据进行分割。

其中，多通道影像数据被分割为多个子图像。

步骤15.2，将多个子图像中的每个子图像输入最终滑坡隐患预测模型，得到子图像对应的子区域存在滑坡隐患的预测值。

子区域表示待识别区域的一部分。

步骤15.3，将所有预测值大于预设阈值的子区域对应的地表点位作为存在滑坡隐患的地表点位。

示例性的，在本申请的一实施例中，预设阈值可设为0.8，即所有预测值大于0.8的子区域对应的地表点位作为存在滑坡隐患的地表点位

如图6所示，本申请的实施例提供了一种终端设备，如图6所示，该实施例的终端设备D10包括：至少一个处理器D100（图6中仅示出一个处理器）、存储器D101以及存储在所述存储器D101中并可在所述至少一个处理器D100上运行的计算机程序D102，所述处理器D100执行所述计算机程序D102时实现上述任意各个方法实施例中的步骤。

具体的，所述处理器D100执行所述计算机程序D102时，通过获取已识别区域的遥感图像，并对遥感图像进行通道叠加，得到已识别区域的多通道影像数据，再从多通道影像数据中提取训练样本，得到训练样本集提取训练样本集的滑坡隐患特征，得到多个候选特征因子，并从多个候选特征因子中识别训练样本集对应的最相关特征因子，然后，构建初始滑坡隐患预测模型，并利用训练样本集对初始滑坡隐患预测模型进行训练，得到最终滑坡隐患预测模型，再利用最终滑坡隐患预测模型对待识别区域对应的多通道影像数据进行预测，得到待识别区域中存在滑坡隐患的地表点位，最后，基于预先构建的滑坡隐患规则集，识别地表点位的滑坡隐患。其中，通过获取已识别区域的遥感图像，并对遥感图像进行通道叠加，再对其进行样本提取，能够获得高精度的训练样本，从而有利于提升滑坡隐患识别的准确性；通过提取训练样本的滑坡隐患特征，从而确定最相关特征因子，能够减少数据冗余，避免多个特征因子对滑坡隐患的识别的干扰，减少了工作量，提升了滑坡隐患识别的准确性；构建的滑坡隐患预测模型综合考虑了遥感图像和最相关影响因子，能够获得更加准确的滑坡隐患区域，进而提高滑坡隐患识别的准确性；基于滑坡隐患规则集，对滑坡隐患区域进行分类，识别待识别区域的滑坡隐患，充分结合了知识驱动和数据驱动的优势，提升了结果的可解释性，提高了滑坡隐患识别的准确性。

所称处理器D100可以是中央处理单元(CPU，Central Processing Unit)，该处理器D100还可以是其他通用处理器、数字信号处理器 (DSP，Digital Signal Processor)、专用集成电路 (ASIC，Application Specific Integrated Circuit)、现成可编程门阵列(FPGA，Field-Programmable Gate Array) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器D101在一些实施例中可以是所述终端设备D10的内部存储单元，例如终端设备D10的硬盘或内存。所述存储器D101在另一些实施例中也可以是所述终端设备D10的外部存储设备，例如所述终端设备D10上配备的插接式硬盘，智能存储卡（SMC，SmartMedia Card ），安全数字（SD，Secure Digital）卡，闪存卡（Flash Card）等。进一步地，所述存储器D101还可以既包括所述终端设备D10的内部存储单元也包括外部存储设备。所述存储器D101用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器D101还可以用于暂时地存储已经输出或者将要输出的数据。

本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。

本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

本申请提供的滑坡隐患的识别方法的优点如下：

1，创造了一种嵌入知识的滑坡隐患全周期的识别方法。

2，进行了全面的滑坡隐患识别规则梳理，构建了一种嵌入知识的滑坡隐患全周期的识别方法。

3，能够有效提高滑坡隐患识别的可解释性和精确性，减缓滑坡隐患的误判漏判问题。

以上所述是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (10)

1.一种滑坡隐患的识别方法，其特征在于，包括：

获取已识别区域的遥感图像，并对所述遥感图像进行通道叠加，得到所述已识别区域的多通道影像数据；

从所述多通道影像数据中提取训练样本，得到训练样本集；其中，所述训练样本表示不同通道的图像属性值排列成的序列，所述训练样本集包括多个滑坡隐患样本和多个非滑坡隐患样本；

提取所述训练样本集的滑坡隐患特征，得到多个候选特征因子，并从所述多个候选特征因子中确定所述训练样本集对应的最相关特征因子；其中，所述特征因子表示产生滑坡隐患的影响因素，所述最相关特征因子表示重要程度最大的候选特征因子；

构建初始滑坡隐患预测模型，并利用所述训练样本集对所述初始滑坡隐患预测模型进行训练，得到最终滑坡隐患预测模型；所述滑坡隐患预测模型包括分支一和分支二，所述分支一用于处理所述遥感图像，所述分支二用于处理所述最相关影响因子；

利用所述最终滑坡隐患预测模型对待识别区域对应的多通道影像数据进行预测，得到所述待识别区域中存在滑坡隐患的地表点位；

基于预先构建的滑坡隐患规则集，识别所述地表点位的滑坡隐患；所述滑坡隐患为正在形变区、历史变形破坏区或者潜在不稳定斜坡。

2.根据权利要求1所述的识别方法，其特征在于，所述滑坡隐患特征包括形态特征、形变特征、形势特征以及其他特征；其中，所述形势特征包括滑坡的致灾因子和滑坡的灾害范围。

3.根据权利要求2所述的识别方法，其特征在于，所述从所述多个候选特征因子中识别所述训练样本集对应的最相关特征因子，包括：

通过计算公式

得到所述多个候选特征因子之间的相关程度系数；其中，/>表示第/>个候选特征因子/>与第/>个候选特征因子/>之间的相关程度系数，/>，/>，/>表示候选特征因子的总数量，/>表示方差，/>表示第/>个候选特征因子与第/>个候选特征因子/>之间的协方差；

通过计算公式

得到每个候选特征因子的方差膨胀系数；其中，/>表示第/>个候选特征因子的方差膨胀系数，/>表示除去/>的/>个其他候选特征因子进行线性回归时得到的确定性系数，所述方差膨胀系数用于度量每个候选特征因子内部的共线性程度；

从所述多个候选特征因子中分别剔除相关程度系数大于预设相关程度阈值的候选特征因子和方差膨胀系数大于预设方差膨胀阈值的候选特征因子，得到多个相关特征因子。

4.根据权利要求3所述的识别方法，其特征在于，所述从所述多个候选特征因子中确定所述训练样本集对应的最相关特征因子，还包括：

通过计算公式

得到滑坡隐患特征对训练样本集的信息增益/>；其中，/>表示滑坡隐患特征/>对训练样本集/>的信息增益，/>为形态特征、形变特征、形势特征以及其他特征四者中的任一者，/>表示由滑坡隐患特征/>划分训练样本集/>后得到的子集合的个数，表示第/>个子集合中训练样本的数量，/>，/>表示训练样本集/>中训练样本的总数量，/>表示第/>个子集合的信息熵，/>表示第/>个子集合中相关特征因子的总类别数，/>表示第/>个相关特征因子的类别在第/>个子集合中出现的概率；

将最大信息增益对应的滑坡隐患特征作为最相关滑坡隐患特征，并将所述最相关滑坡隐患特征对应的相关特征因子作为所述最相关特征因子。

5.根据权利要求1所述的识别方法，其特征在于，所述分支一包括第一卷积层、第二卷积层以及第一池化层，所述分支二包括第三卷积层、第四卷积层以及第二池化层；其中，所述第一卷积层的输出端分别连接所述第二卷积层的输入端和所述第一池化层的输入端，所述第二卷积层输出经过卷积算子计算后的遥感图像对应的第一栅格矩阵，所述第一池化层输出经过感受野内最大值计算后的遥感图像对应的第二栅格矩阵，所述第三卷积层的输出端分别连接所述第四卷积层的输入端和所述第二池化层的输入端，所述第四卷积层输出经过卷积算子计算后的最相关影响因子对应的第三栅格矩阵，所述第二池化层输出经过感受野内最大值计算后的最相关影响因子对应的第四栅格矩阵。

6.根据权利要求5所述的识别方法，其特征在于，所述滑坡隐患预测模型还包括第一处理单元、第二处理单元、通道重排模块、第三池化层、第四池化层、第五池化层、第三处理单元、第五卷积层、第六卷积层、第四处理单元以及CBAM模块；

所述第一处理单元的输入端分别连接所述分支一中第二卷积层的输出端和所述第一池化层的输出端，所述第一处理单元的输出端连接所述通道重排模块的输入端，所述第二处理单元的输入端分别连接所述分支二中第四卷积层的输出端和所述第二池化层的输出端，所述第二处理单元的输出端连接所述通道重排模块的输入端，所述通道重排模块的输出端分别连接所述第三池化层的输入端、所述第五池化层的输入端以及所述第五卷积层的输入端，所述第三池化层的输出端连接所述第四处理单元的输入端，所述第四池化层的输入端连接所述第三处理单元的输出端，所述第四池化层的输出端连接所述第四处理单元的输入端；所述第五池化层的输出端连接所述第三处理单元的输入端，所述第五卷积层的输出端连接所述第三处理单元的输入端，所述第三处理单元的输出端连接所述第五池化层的输入端，所述第六卷积层的输出端连接所述第四处理单元的输入端，所述CBAM模块的输入端连接所述第四处理单元的输出端，所述CBAM模块输出滑坡隐患区域预测结果。

7.根据权利要求6所述的识别方法，其特征在于，所述滑坡隐患预测模型还包括用于识别承灾体的U-net网络；

所述利用所述训练样本集对所述初始滑坡隐患预测模型进行训练，得到最终滑坡隐患预测模型，包括：

步骤i，通过计算公式

得到所述初始滑坡隐患预测模型的预测损失值；其中，/>表示权重参数，/>表示训练样本的总数量，/>表示第/>个训练样本的真实标签，/>，/>表示所述初始滑坡隐患预测模型输出标签/>的概率，/>表示所述初始滑坡隐患预测模型输出的第/>个训练样本的标签的预测值，/>表示所述初始滑坡隐患预测模型输出的第/>个训练样本的标签的预测值的概率；

步骤ii，若所述预测损失值小于等于预设损失阈值，则将所述初始滑坡隐患预测模型作为所述最终滑坡隐患预测模型；否则，利用所述预测损失值对所述初始滑坡隐患预测模型进行反向传播，并返回执行步骤i。

8.根据权利要求7所述的识别方法，其特征在于，所述利用所述最终滑坡隐患预测模型对待识别区域对应的多通道影像数据进行预测，得到所述待识别区域中存在滑坡隐患的地表点位，包括：

对所述待识别多通道影像数据进行分割；其中，所述多通道影像数据被分割为多个子图像；

将所述多个子图像中的每个子图像输入所述最终滑坡隐患预测模型，得到所述子图像对应的子区域存在滑坡隐患的预测值；所述子区域表示所述待识别区域的一部分；

将所有预测值大于预设阈值的子区域对应的地表点位作为所述存在滑坡隐患的地表点位。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的滑坡隐患的识别方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的滑坡隐患的识别方法。