[go: up one dir, main page]

CN118470560A - 一种适用于高分辨率遥感卫星地质灾害的危险性评估方法 - Google Patents

一种适用于高分辨率遥感卫星地质灾害的危险性评估方法 Download PDF

Info

Publication number
CN118470560A
CN118470560A CN202410712433.3A CN202410712433A CN118470560A CN 118470560 A CN118470560 A CN 118470560A CN 202410712433 A CN202410712433 A CN 202410712433A CN 118470560 A CN118470560 A CN 118470560A
Authority
CN
China
Prior art keywords
remote sensing
geological disaster
data
risk assessment
geological
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202410712433.3A
Other languages
English (en)
Inventor
魏雷震
尹大利
郭海良
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Quanzhou Zhongkexing Bridge Aerospace Technology Co ltd
Original Assignee
Quanzhou Zhongkexing Bridge Aerospace Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Quanzhou Zhongkexing Bridge Aerospace Technology Co ltd filed Critical Quanzhou Zhongkexing Bridge Aerospace Technology Co ltd
Priority to CN202410712433.3A priority Critical patent/CN118470560A/zh
Publication of CN118470560A publication Critical patent/CN118470560A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Security & Cryptography (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Astronomy & Astrophysics (AREA)
  • Remote Sensing (AREA)
  • Alarm Systems (AREA)

Abstract

本发明公开了一种适用于高分辨率遥感卫星地质灾害的危险性评估方法，涉及地质灾害危险性评估技术领域。所述方法包括以下步骤：利用高分辨率遥感卫星获取地质灾害发生区域的多时相、多光谱遥感数据，对获取的遥感数据进行预处理；对预处理后的遥感数据，利用图像处理技术提取与地质灾害相关的特征信息，通过特征选择算法，筛选出对地质灾害危险性评估具有重要影响的特征变量；本发明通过利用高分辨率遥感卫星数据，提高了地质灾害监测和预警的精度和范围，通过机器学习方法构建的危险性评估模型，能够适应不同区域和类型的地质灾害评估需求，具有较强的泛化能力，为地质灾害防治提供决策支持，有助于降低地质灾害带来的损失。

Description

一种适用于高分辨率遥感卫星地质灾害的危险性评估方法
技术领域
本发明涉及地质灾害危险性评估技术领域，具体为一种适用于高分辨率遥感卫星地质灾害的危险性评估方法。
背景技术
地质灾害是指由于自然因素或人为活动引发的山体滑坡、泥石流、地面塌陷等灾害现象，对人民生命财产安全和生态环境造成严重影响。随着遥感技术的不断发展，高分辨率遥感卫星在地质灾害监测和预警方面发挥着越来越重要的作用。然而，现有的地质灾害危险性评估方法往往存在数据处理复杂、预测精度不高、评估结果不够准确等问题，难以满足实际应用需求。
发明内容
本发明的目的在于提供一种适用于高分辨率遥感卫星地质灾害的危险性评估方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：一种适用于高分辨率遥感卫星地质灾害的危险性评估方法，包括以下步骤：
利用高分辨率遥感卫星获取地质灾害发生区域的多时相、多光谱遥感数据，对获取的遥感数据进行预处理；
对预处理后的遥感数据，利用图像处理技术提取与地质灾害相关的特征信息，通过特征选择算法，筛选出对地质灾害危险性评估具有重要影响的特征变量；
采用机器学习方法，构建地质灾害危险性评估模型，利用已知地质灾害发生点的数据作为训练样本，对模型进行训练和优化；
将训练好的危险性评估模型应用于待评估区域，通过输入高分辨率遥感数据，对地质灾害的发生概率进行预测，同时，结合地质灾害发生的历史数据和区域特点，对预测结果进行风险评估，并输出评估报告。
优选地，所述利用高分辨率遥感卫星获取地质灾害发生区域的多时相、多光谱遥感数据，包括：
选择能够提供多时相、多光谱数据的遥感卫星；
确定研究区域的范围和所需的时间段；
通过遥感卫星的数据接收站或数据提供商，获取研究区域内的多时相、多光谱遥感数据。
优选地，所述对获取的遥感数据进行预处理中，所述预处理包括：
辐射定标处理、几何校正处理、大气校正处理、投影与配准、裁剪与拼接、增强与滤波。
优选地，所述对预处理后的遥感数据，利用图像处理技术提取与地质灾害相关的特征信息，包括：
利用数字高程模型数据，通过坡度算法获取目标区域内的地形坡度；
通过计算归一化植被指数，获取目标区域内的植被覆盖情况和生长状况；
利用遥感影像中的线性特征，结合地质资料，识别出目标区域内的断裂、褶皱等地质构造线。
优选地，所述通过特征选择算法，筛选出对地质灾害危险性评估具有重要影响的特征变量，包括：
获取地质灾害历史数据，并根据历史数据初步筛选出与地质灾害危险性评估相关的特征变量；
通过统计方法计算特征变量之间的相关性或贡献率，排除冗余和相关性较强的特征，保留最具代表性的特征变量；
采用机器学习方法，对特征变量进行重要性评估；
结合统计方法和机器学习算法的筛选结果，对特征变量进行进一步优化。
优选地，所述采用机器学习方法，构建地质灾害危险性评估模型，利用已知地质灾害发生点的数据作为训练样本，对模型进行训练和优化，包括：
收集已知地质灾害发生点数据，并对其进行预处理；
将预处理后的地质灾害发生点数据划分为训练集和测试集；
选定机器学习算法，基于训练集数据构建地质灾害危险性评估模型；
利用训练集中的特征变量和地质灾害发生点的标签，对模型进行训练；
使用测试集数据对训练好的模型进行评估，计算模型指标，评估模型的性能；
将训练好的地质灾害危险性评估模型进行保存，进行部署和使用。
本发明还提供一种适用于高分辨率遥感卫星地质灾害的危险性评估装置，包括：
处理获取模块，其用于利用高分辨率遥感卫星获取地质灾害发生区域的多时相、多光谱遥感数据，对获取的遥感数据进行预处理；
特征获取模块，其用于对预处理后的遥感数据，利用图像处理技术提取与地质灾害相关的特征信息，通过特征选择算法，筛选出对地质灾害危险性评估具有重要影响的特征变量；
模型构建模块，其用于采用机器学习方法，构建地质灾害危险性评估模型，利用已知地质灾害发生点的数据作为训练样本，对模型进行训练和优化；
决策输出模块，其用于将训练好的危险性评估模型应用于待评估区域，通过输入高分辨率遥感数据，对地质灾害的发生概率进行预测，同时，结合地质灾害发生的历史数据和区域特点，对预测结果进行风险评估，并输出评估报告。
本发明还提供一种适用于高分辨率遥感卫星地质灾害的危险性评估设备，所述适用于高分辨率遥感卫星地质灾害的危险性评估设备为实体设备，所述适用于高分辨率遥感卫星地质灾害的危险性评估设备包括：
处理器、存储器，所述存储器与处理器进行通信连接；
所述存储器用于储存至少一个所述处理器执行的可执行指令，所述处理器用于执行所述可执行指令以实现如上述的适用于高分辨率遥感卫星地质灾害的危险性评估方法。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如上述的适用于高分辨率遥感卫星地质灾害的危险性评估方法。
与现有技术相比，本发明的有益效果是：
通过利用高分辨率遥感卫星数据，提高了地质灾害监测和预警的精度和范围，通过遥感技术和机器学习方法，提高了数据获取与处理的效率和准确性，为地质灾害危险性评估提供了可靠的数据基础，此外，通过机器学习方法构建的危险性评估模型，能够适应不同区域和类型的地质灾害评估需求，具有较强的泛化能力，为地质灾害防治提供决策支持，有助于降低地质灾害带来的损失，保障人民生命财产安全，具有重要的社会意义和经济价值。
附图说明
图1为本发明实施例提供的一种适用于高分辨率遥感卫星地质灾害的危险性评估方法的主流程图；
图2为本发明实施例提供的一种适用于高分辨率遥感卫星地质灾害的危险性评估装置的结构框图。
具体实施方式
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。
本实施方式的方法的执行主体为终端，所述终端可以为手机、平板电脑、掌上电脑PDA、笔记本或台式机等设备，当然，还可以为其他具有相似功能的设备，本实施方式不加以限制。
请参阅图1，本发明提供一种适用于高分辨率遥感卫星地质灾害的危险性评估方法，包括：
步骤100，利用高分辨率遥感卫星获取地质灾害发生区域的多时相、多光谱遥感数据，对获取的遥感数据进行预处理。
具体的，所述利用高分辨率遥感卫星获取地质灾害发生区域的多时相、多光谱遥感数据，包括：
步骤110，选择高分辨率遥感卫星：根据评估需求，选择能够提供多时相、多光谱数据的遥感卫星。这些卫星通常具备较高的空间分辨率和光谱分辨率，能够捕捉地表的细微变化和不同地物的光谱特征；
步骤120，确定研究区域和时间段：根据地质灾害发生的历史记录、地质环境特点和预测需求，确定研究区域的范围和所需的时间段，这样可以有针对性地获取与该区域和时间段相关的遥感数据；
步骤130，获取遥感数据：通过遥感卫星的数据接收站或数据提供商，获取研究区域内的多时相、多光谱遥感数据，这些数据通常包括不同波段的图像数据，如可见光、红外、近红外等，以及地形地貌、植被覆盖、地质构造等相关信息。
其中，所述步骤110中对获取的遥感数据进行预处理，包括：
辐射定标：将遥感数据的原始DN(数字数)值转换为辐射亮度或反射率值；这一步是为了消除传感器本身的影响，使数据具有物理意义，便于后续的分析和比较；
几何校正：由于遥感卫星在获取数据时受到地球自转、大气折射、地形起伏等多种因素的影响，会导致图像产生几何畸变；几何校正的目的是消除这些畸变，使图像中的地物能够准确反映其在地面上的真实位置；
大气校正：大气中的气体、气溶胶和水蒸气等会对遥感数据的辐射传输产生影响，导致图像亮度失真；大气校正的目的是消除这些大气效应，使图像数据更接近地表的真实反射率或辐射亮度；
投影与配准：将不同时相、不同来源的遥感数据统一到相同的地理坐标系和投影方式下，确保数据在空间上的一致性和可比性；
裁剪与拼接：根据研究区域的范围，对遥感数据进行裁剪，去除无关区域；如果需要，还可以将不同时相或不同来源的数据进行拼接，以获取更完整的区域信息；
增强与滤波：根据评估需求，对遥感数据进行增强处理，如对比度拉伸、色彩平衡等，以提高图像的视觉效果和信息的可读性；同时，可以采用滤波方法去除图像中的噪声和干扰信息，提高数据质量。
可理解的，通过以上步骤，可以获取到经过预处理的高分辨率遥感数据，为后续的特征提取、危险性评估模型构建和地质灾害预测与风险评估提供高质量的数据基础。
需要注意的是，具体的数据获取和处理方法可能因不同的遥感卫星、数据类型和研究需求而有所差异，实际操作中应根据具体情况进行调整和优化。
步骤200，对预处理后的遥感数据，利用图像处理技术提取与地质灾害相关的特征信息，通过特征选择算法，筛选出对地质灾害危险性评估具有重要影响的特征变量。
具体的，所述对预处理后的遥感数据，利用图像处理技术提取与地质灾害相关的特征信息，包括：
地形坡度提取：利用数字高程模型(DEM)数据，通过坡度算法计算研究区域内的地形坡度；坡度信息反映了地表的起伏程度，对于地质灾害(如滑坡、泥石流)的发生具有重要影响；
植被指数提取：通过计算归一化植被指数(NDVI)或其他植被指数，可以反映研究区域的植被覆盖情况和生长状况；植被对于保持土壤稳定、防止水土流失具有重要作用，因此植被指数是地质灾害危险性评估中的重要特征之一；
地质构造线提取：利用遥感影像中的线性特征，结合地质资料，识别出研究区域内的断裂、褶皱等地质构造线；这些构造线反映了地壳的运动和变形，对地质灾害的发生具有控制作用；
其他特征提取：根据研究区域的具体情况和地质灾害类型，还可以提取其他与地质灾害相关的特征，如土地利用类型、土壤类型、降雨量等。
具体的，所述通过特征选择算法，筛选出对地质灾害危险性评估具有重要影响的特征变量，包括：
初步特征筛选：基于地质灾害发生机制和遥感影像的解译经验，初步筛选出与地质灾害危险性评估相关的特征变量；这些特征应能够反映地质灾害发生的地质、地貌、植被等条件；
统计方法筛选：利用相关性分析、主成分分析(PCA)等统计方法，对初步筛选出的特征变量进行进一步分析；通过计算特征变量之间的相关性或贡献率，排除冗余和相关性较强的特征，保留最具代表性的特征变量；
机器学习算法筛选：采用机器学习方法，如随机森林、梯度提升决策树等，对特征变量进行重要性评估；这些算法能够基于模型训练过程中的信息增益或误差减少等指标，自动筛选出对模型预测性能贡献最大的特征变量；
特征优化：结合统计方法和机器学习算法的筛选结果，对特征变量进行进一步优化；可以考虑将多个相关特征进行组合或转换，形成新的特征变量，以提高模型的预测精度和稳定性。
可理解的，通过特征提取与选择，我们可以从预处理后的遥感数据中提取出与地质灾害危险性评估密切相关的特征变量，为后续的模型构建和预测分析提供有力的数据支持。
需要注意的是，具体的特征提取与选择方法可能因研究区域、地质灾害类型和遥感数据类型等因素而有所不同，应根据实际情况进行调整和优化。
步骤300，采用机器学习方法，构建地质灾害危险性评估模型，利用已知地质灾害发生点的数据作为训练样本，对模型进行训练和优化。
其中，在步骤300，需要根据地质灾害危险性评估的特点和数据特性，选择合适的机器学习算法。常见的适用于地质灾害危险性评估的机器学习算法包括支持向量机(SVM)、随机森林(Random Forest)、神经网络(NeuralNetwork)等。这些算法在处理复杂的非线性关系和模式识别方面具有优势。
具体的，以支持向量机为例，所述步骤300，包括：
步骤311，收集已知地质灾害发生点数据：通过地质勘查、遥感解译、历史记录等途径，收集研究区域内已知地质灾害发生点的数据；这些数据应包括地质灾害的类型、发生时间、位置以及相关的地质、地貌、植被等特征信息；
步骤312，数据预处理：对收集到的地质灾害发生点数据进行预处理，包括数据清洗、标准化或归一化等操作，以确保数据的质量和一致性；
步骤313，划分训练集和测试集：将预处理后的地质灾害发生点数据划分为训练集和测试集；训练集用于构建和训练模型，而测试集则用于评估模型的性能。
所述步骤300还包括：
步骤321，模型构建：使用选定的机器学习算法，基于训练集数据构建地质灾害危险性评估模型；涉及到设置模型的参数和结构，以使其能够学习地质灾害发生与特征变量之间的关系；
步骤322，模型训练：利用训练集中的特征变量和地质灾害发生点的标签(即是否发生地质灾害)，对模型进行训练；通过迭代优化算法，调整模型参数，使模型能够准确识别地质灾害的危险性；
步骤323，模型评估与调整：使用测试集数据对训练好的模型进行评估，计算模型的准确率、召回率、F1值等指标，以评估模型的性能；根据评估结果，对模型进行必要的调整和优化，如调整参数、增加特征变量等，以提高模型的预测精度和泛化能力；
步骤324，防止过拟合与欠拟合：在模型训练过程中，要注意防止过拟合和欠拟合现象的发生；可以通过采用交叉验证、正则化、早停等策略来减少过拟合的风险；同时，也要确保模型具有足够的复杂性来捕捉数据中的关键信息，避免欠拟合；
步骤325，模型保存与部署：将训练好的地质灾害危险性评估模型进行保存，以便后续在实际应用中进行部署和使用。
步骤400，将训练好的危险性评估模型应用于待评估区域，通过输入高分辨率遥感数据，对地质灾害的发生概率进行预测，同时，结合地质灾害发生的历史数据和区域特点，对预测结果进行风险评估，并输出评估报告。
具体的，结合危险性评估模型预测的地质灾害发生概率、历史数据分析结果和区域特点分析，对预测结果进行风险评估，并且危险性评估模型可以将预测与风险评估的结果整理成决策支持报告，为地质灾害防治提供科学依据和决策支持；报告包括有地质灾害发生概率图、风险评估结果、应对措施建议等内容。
其中，还可以基于风险评估结果，制定相应的地质灾害防治决策和应急预案；这包括监测预警系统的建立、应急资源的调配、防灾减灾措施的制定等。
在本实施例中，通过利用高分辨率遥感卫星数据，提高了地质灾害监测和预警的精度和范围，通过遥感技术和机器学习方法，提高了数据获取与处理的效率和准确性，为地质灾害危险性评估提供了可靠的数据基础，此外，通过机器学习方法构建的危险性评估模型，能够适应不同区域和类型的地质灾害评估需求，具有较强的泛化能力，为地质灾害防治提供决策支持，有助于降低地质灾害带来的损失，保障人民生命财产安全，具有重要的社会意义和经济价值。
在上述实施例的基础上，如图2所示，本发明还提供了一种适用于高分辨率遥感卫星地质灾害的危险性评估装置，用于支持上述实施例的适用于高分辨率遥感卫星地质灾害的危险性评估方法，所述适用于高分辨率遥感卫星地质灾害的危险性评估装置包括：
处理获取模块11，其用于利用高分辨率遥感卫星获取地质灾害发生区域的多时相、多光谱遥感数据，对获取的遥感数据进行预处理；
特征获取模块12，其用于对预处理后的遥感数据，利用图像处理技术提取与地质灾害相关的特征信息，通过特征选择算法，筛选出对地质灾害危险性评估具有重要影响的特征变量；
模型构建模块13，其用于采用机器学习方法，构建地质灾害危险性评估模型，利用已知地质灾害发生点的数据作为训练样本，对模型进行训练和优化；
决策输出模块14，其用于将训练好的危险性评估模型应用于待评估区域，通过输入高分辨率遥感数据，对地质灾害的发生概率进行预测，同时，结合地质灾害发生的历史数据和区域特点，对预测结果进行风险评估，并输出评估报告。
在本实施例中，通过利用高分辨率遥感卫星数据，提高了地质灾害监测和预警的精度和范围，通过遥感技术和机器学习方法，提高了数据获取与处理的效率和准确性，为地质灾害危险性评估提供了可靠的数据基础，此外，通过机器学习方法构建的危险性评估模型，能够适应不同区域和类型的地质灾害评估需求，具有较强的泛化能力，为地质灾害防治提供决策支持，有助于降低地质灾害带来的损失，保障人民生命财产安全，具有重要的社会意义和经济价值。
进一步的，所述适用于高分辨率遥感卫星地质灾害的危险性评估装置可运行上述适用于高分辨率遥感卫星地质灾害的危险性评估方法，具体实现可参见方法实施例，在此不再赘述。
在上述实施例的基础上，本发明还提供一种适用于高分辨率遥感卫星地质灾害的危险性评估方法设备，所述适用于高分辨率遥感卫星地质灾害的危险性评估方法设备包括：
处理器、存储器，所述处理器与存储器进行通信连接；
在本实施例中，所述存储器可以按任何适当的方式实现，例如：所述存储器可以为只读存储器、机械硬盘、固态硬盘、或U盘等；所述存储器用于储存至少一个所述处理器执行的可执行指令；
在本实施例中，所述处理器可以按任何适当的方式实现，例如，处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等；所述处理器用于执行所述可执行指令以实现如上述的适用于高分辨率遥感卫星地质灾害的危险性评估方法。
在上述实施例的基础上，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如上述的适用于高分辨率遥感卫星地质灾害的危险性评估方法。
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模块及方法步骤，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发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置、设备和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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，例如多个模块或单元可以结合或者可以集成到另一个装置，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信连接可以是通过一些接口，装置或设备的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。
所述功能如果以软件功能模块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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储服务器、随机存取存储服务器、磁碟或者光盘等各种可以存储程序指令的介质。
另外，还需要说明的是，本案中各技术特征的组合方式并不限本案权利要求中所记载的组合方式或是具体实施例所记载的组合方式，本案所记载的所有技术特征可以以任何方式进行自由组合或结合，除非相互之间产生矛盾。
需要注意的是，以上列举的仅为本发明的具体实施例，显然本发明不限于以上实施例，随之有着许多的类似变化。本领域的技术人员如果从本发明公开的内容直接导出或联想到的所有变形，均应属于本发明的保护范围。
以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种适用于高分辨率遥感卫星地质灾害的危险性评估方法，其特征在于，包括以下步骤：
利用高分辨率遥感卫星获取地质灾害发生区域的多时相、多光谱遥感数据，对获取的遥感数据进行预处理；
对预处理后的遥感数据，利用图像处理技术提取与地质灾害相关的特征信息，通过特征选择算法，筛选出对地质灾害危险性评估具有重要影响的特征变量；
采用机器学习方法，构建地质灾害危险性评估模型，利用已知地质灾害发生点的数据作为训练样本，对模型进行训练和优化；
将训练好的危险性评估模型应用于待评估区域，通过输入高分辨率遥感数据，对地质灾害的发生概率进行预测，同时，结合地质灾害发生的历史数据和区域特点，对预测结果进行风险评估，并输出评估报告。
2.根据权利要求1所述的方法，其特征在于，所述利用高分辨率遥感卫星获取地质灾害发生区域的多时相、多光谱遥感数据，包括：
选择能够提供多时相、多光谱数据的遥感卫星；
确定研究区域的范围和所需的时间段；
通过遥感卫星的数据接收站或数据提供商，获取研究区域内的多时相、多光谱遥感数据。
3.根据权利要求1所述的方法，其特征在于，所述对获取的遥感数据进行预处理中，所述预处理包括：
辐射定标处理、几何校正处理、大气校正处理、投影与配准、裁剪与拼接、增强与滤波。
4.根据权利要求1所述的方法，其特征在于，所述对预处理后的遥感数据，利用图像处理技术提取与地质灾害相关的特征信息，包括：
利用数字高程模型数据，通过坡度算法获取目标区域内的地形坡度；
通过计算归一化植被指数，获取目标区域内的植被覆盖情况和生长状况；
利用遥感影像中的线性特征，结合地质资料，识别出目标区域内的断裂、褶皱等地质构造线。
5.根据权利要求1所述的方法，其特征在于，所述通过特征选择算法，筛选出对地质灾害危险性评估具有重要影响的特征变量，包括：
获取地质灾害历史数据，并根据历史数据初步筛选出与地质灾害危险性评估相关的特征变量；
通过统计方法计算特征变量之间的相关性或贡献率，排除冗余和相关性较强的特征，保留最具代表性的特征变量；
采用机器学习方法，对特征变量进行重要性评估；
结合统计方法和机器学习算法的筛选结果，对特征变量进行进一步优化。
6.根据权利要求1所述的方法，其特征在于，所述采用机器学习方法，构建地质灾害危险性评估模型，利用已知地质灾害发生点的数据作为训练样本，对模型进行训练和优化，包括：
收集已知地质灾害发生点数据，并对其进行预处理；
将预处理后的地质灾害发生点数据划分为训练集和测试集；
选定机器学习算法，基于训练集数据构建地质灾害危险性评估模型；
利用训练集中的特征变量和地质灾害发生点的标签，对模型进行训练；
使用测试集数据对训练好的模型进行评估，计算模型指标，评估模型的性能；
将训练好的地质灾害危险性评估模型进行保存，进行部署和使用。
7.一种适用于高分辨率遥感卫星地质灾害的危险性评估装置，其特征在于，包括：
处理获取模块，其用于利用高分辨率遥感卫星获取地质灾害发生区域的多时相、多光谱遥感数据，对获取的遥感数据进行预处理；
特征获取模块，其用于对预处理后的遥感数据，利用图像处理技术提取与地质灾害相关的特征信息，通过特征选择算法，筛选出对地质灾害危险性评估具有重要影响的特征变量；
模型构建模块，其用于采用机器学习方法，构建地质灾害危险性评估模型，利用已知地质灾害发生点的数据作为训练样本，对模型进行训练和优化；
决策输出模块，其用于将训练好的危险性评估模型应用于待评估区域，通过输入高分辨率遥感数据，对地质灾害的发生概率进行预测，同时，结合地质灾害发生的历史数据和区域特点，对预测结果进行风险评估，并输出评估报告。
8.一种适用于高分辨率遥感卫星地质灾害的危险性评估设备，其特征在于，所述适用于高分辨率遥感卫星地质灾害的危险性评估设备包括：
处理器、存储器，所述存储器与处理器进行通信连接；
所述存储器用于储存至少一个所述处理器执行的可执行指令，所述处理器用于执行所述可执行指令以实现如权利要求1至6任一项所述的适用于高分辨率遥感卫星地质灾害的危险性评估方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的适用于高分辨率遥感卫星地质灾害的危险性评估方法。
CN202410712433.3A 2024-06-03 2024-06-03 一种适用于高分辨率遥感卫星地质灾害的危险性评估方法 Pending CN118470560A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410712433.3A CN118470560A (zh) 2024-06-03 2024-06-03 一种适用于高分辨率遥感卫星地质灾害的危险性评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410712433.3A CN118470560A (zh) 2024-06-03 2024-06-03 一种适用于高分辨率遥感卫星地质灾害的危险性评估方法

Publications (1)

Publication Number Publication Date
CN118470560A true CN118470560A (zh) 2024-08-09

Family

ID=92156135

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410712433.3A Pending CN118470560A (zh) 2024-06-03 2024-06-03 一种适用于高分辨率遥感卫星地质灾害的危险性评估方法

Country Status (1)

Country Link
CN (1) CN118470560A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119313152A (zh) * 2024-09-28 2025-01-14 南通拓尔普测绘信息有限公司 基于ai的工程勘察风险评估方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN119313152A (zh) * 2024-09-28 2025-01-14 南通拓尔普测绘信息有限公司 基于ai的工程勘察风险评估方法

Similar Documents

Publication Publication Date Title
CN118758221B (zh) 一种基于国土空间规划用土地面积信息采集系统
Braaten et al. Automated cloud and cloud shadow identification in Landsat MSS imagery for temperate ecosystems
CN112200362B (zh) 一种滑坡的预测方法、装置、设备和存储介质
CN117992757B (zh) 基于多维数据的国土生态环境遥感数据分析方法
CN110991430B (zh) 基于遥感图像的地物识别及覆盖率计算方法及系统
Lubin et al. Remote sensing-based mapping of the destruction to Aleppo during the Syrian Civil War between 2011 and 2017
Tavora et al. Recipes for the derivation of water quality parameters using the high-spatial-resolution data from sensors on board sentinel-2A, sentinel-2B, Landsat-5, Landsat-7, Landsat-8, and Landsat-9 satellites
US11594015B1 (en) Detecting changes in forest composition
CN118429821B (zh) 洪涝灾害范围提取方法
KR102533928B1 (ko) 3차원 공간영상 자료를 활용하여 저수지 탐지를 위한 자동화 방법 및 시스템
Zhang et al. Reconstruction of GF-1 soil moisture observation based on satellite and in situ sensor collaboration under full cloud contamination
Kulinan et al. Rapid wildfire damage estimation using integrated object-based classification with auto-generated training samples from Sentinel-2 imagery on Google Earth Engine
CN120541758A (zh) 一种基于多源遥感数据的地质灾害自动识别方法及系统
CN120372217A (zh) 基于多光谱遥感与深度学习的农作物监测系统及方法
CN118470560A (zh) 一种适用于高分辨率遥感卫星地质灾害的危险性评估方法
CN120580515B (zh) 露天矿山生态修复效果的量化评估方法
Narumalani et al. Digital image processing: a review of the fundamental methods and techniques
CN120316622A (zh) 一种基于土地利用的动态遥感监测方法与系统
CN119251715A (zh) 一种河流水生态空间全域监测方法和系统
Agersborg et al. Guided nonlocal means estimation of polarimetric covariance for canopy state classification
Ebert-Uphoff et al. Measuring Sharpness of AI-Generated Meteorological Imagery
Sharma et al. Algorithm For Preprocessing Satellite Imagery That Uses Geometric, Atmospheric, And Radiometric Correction
Jones et al. Canopy classification using LiDAR: a generalizable machine learning approach
Forsyth et al. DAEN 690
Torsvik et al. Detection of macroplastic on beaches using drones and object-based image analysis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination