一种基于地表形变成因分析的潜在滑坡识别方法及系统与流程

本发明涉及遥感，尤其涉及一种基于地表形变成因分析的潜在滑坡识别方法以及一种基于地表形变成因分析的潜在滑坡识别系统。

背景技术：

1、我国地质条件复杂，地质构造活动频繁，滑坡作为一种主要的地质灾害，时常都造成了重大人员伤亡和经济财产损失。由于滑坡分布广、危害大，且成因复杂一直是地质灾害防止的重点和难点。近年来，随着卫星遥感技术的不断发展，利用“空天地”综合遥感技术开展地质灾害隐患调查取得突出成效。insar(合成孔径雷达干涉测量)技术因其高精度、大范围监测能力和不受天气条件限制的特性，成为滑坡隐患识别监测的重要手段之一。

2、然而，该技术在开展广域识别应用过程中依然面临两个难点：一是在存在大量噪声和干扰信息的数据中提取有用的地表形变信息依然主要依赖人工目视解译，难以满足广域识别的需求；二是，地表形变信息成因复杂，如何对滑坡相关联的地表形变信息进行有效的区分依然有待于进一步研究。

3、一般来讲，地表形变的成因类型可以大致概括为四类，矿山塌陷型、地表沉降型、崩塌滑坡型以及冰川融雪型。四种类型中崩塌滑坡型地表形变与其他三种类型均有交集，因此最难区分。在以往的研究中，通常是聚焦某一类成因的地表形变进行分析，同时实现对四类地表形变类型的分类研究较少。且不同类型地表形变的区分往往涉及应用不同的遥感数据，如何将多源遥感数据进行融合，从中提取可供地表形变成因分类的关键特征亦是难点。

技术实现思路

1、针对上述问题，本发明提供了一种基于地表形变成因分析的潜在滑坡识别方法及系统，通过多模型分级处理的遥感智能识别应用新模式，实现了对多源多模态遥感数据的多层级联合，克服传统方法受限于单一模态数据的问题；通过两种基于视觉大模型和顾及多模态遥感数据复杂度的深度学习网络，实现对地表形变信息准确识别，有效避免了单一编码器网络存在的由于数据计算复杂度差异导致的数据信息挖掘不充分、提取特征能力不足等问题，适用于广域场景的地表形变成因智能分类，有效提高了大区域潜在滑坡隐患识别效率，对于提升滑坡灾害监测和预警的智能化水平具有重要意义。

2、为实现上述目的，本发明提供了一种基于地表形变成因分析的潜在滑坡识别方法，包括：

3、获取预设示范区的雷达数据进行预处理，并计算得到地表形变相位数据；

4、构建并训练idanet-1网络，并将所述地表形变相位数据输入所述idanet-1网络进行预测得到地表形变异常区；

5、针对所述地表形变异常区的地形dem数据、多时相modis数据和光学影像数据分别进行坡度和起伏度计算、冰雪覆盖率计算及光学影像解译分析，并将预设要求区域分别与所述地表形变异常区进行相交运算，得到地表沉降型地表形变区域、冰川融雪型地表形变区域和矿山塌陷型地表形变区域；

6、将所述地表沉降型地表形变区域、所述冰川融雪型地表形变区域和所述矿山塌陷型地表形变区域进行并集运算后，与所述地表形变异常区进行差集运算得到滑坡型地表形变目标；

7、将所述地表形变异常区的各项数据进行重采样操作和通道维叠加，得到综合遥感数据，并与所述滑坡型地表形变目标进行通道维叠加得到滑坡型地表形变识别数据集；

8、利用所述滑坡型地表形变识别数据集对idanet-2网络进行训练，并将广域综合遥感数据输入训练完成的idanet-2网络模型进行推理，得到广域潜在滑坡隐患分布信息。

9、在上述技术方案中，优选地，所述获取预设示范区的雷达数据进行预处理，并计算得到地表形变相位数据，具体过程包括：

10、获取所述示范区的sentinel-1雷达数据，并拼接配准子条带数据；

11、利用stacking-insar多时相分析技术，选取合适像对进行差分干涉计算，相位解缠、相位叠加处理以及趋势性条纹去除，获得所述示范区的地表形变相位数据。

12、在上述技术方案中，优选地，所述构建并训练idanet-1网络，并将所述地表形变相位数据输入所述idanet-1网络进行预测得到地表形变异常区，具体过程包括：

13、通过编码器和解码器构建idanet-1网络，其中，所述编码器包括预设数量个交叉排列的trans模块和动态调节层，所述动态调节层包括三个多层感知机和两个gelu激活层，用于将模型迁移至形变相位识别场景，所述解码器包括一个trans模块和两个多层感知机，用于将特征还原为与输入图像大小一致的标签数据；

14、利用在sa-1b数据集上训练得到的sam网络参数对所述idanet-1网络中所述动态调节层之外的所有层进行初始化；

15、采用地表形变相位数据和真值标签对所述idanet-1网络训练，训练过程中，对所述动态调节层之外的所有层进行冻结，只训练所述动态调节层；

16、将所述示范区的所述地表形变相位数据输入训练完成的所述idanet-1网络中进行预测，得到所述示范区的地表形变异常区。

17、在上述技术方案中，优选地，所述针对所述地表形变异常区的地形dem数据、多时相modis数据和光学影像数据分别进行坡度和起伏度计算、冰雪覆盖率计算及光学影像解译分析，并将预设要求区域分别与所述地表形变异常区进行相交运算，得到地表沉降型地表形变区域、冰川融雪型地表形变区域和矿山塌陷型地表形变区域，具体过程包括：

18、针对所述地表形变异常区的地形dem数据进行坡度和起伏度计算，将地形起伏度低于预设数值的区域与所述地表形变异常区进行相交运算，得到地表沉降型地表形变区域；

19、针对所述地表形变异常区的多时相modis数据，计算预设时间段内的冰雪覆盖率，将符合预设要求的常年覆盖冰雪区域与所述地表形变异常区进行相交运算，得到冰川融雪型地表形变区域；

20、针对所述地表形变异常区的光学影像数据进行光学影像解译分析，圈定得到矿区活动范围，将所述矿区活动范围与所述地表形变异常区进行相交运算，得到矿山塌陷型地表形变区域。

21、在上述技术方案中，优选地，所述将所述地表沉降型地表形变区域、所述冰川融雪型地表形变区域和所述矿山塌陷型地表形变区域进行并集运算后，与所述地表形变异常区进行差集运算得到滑坡型地表形变目标，具体过程包括：

22、将所述地表沉降型地表形变区域、所述冰川融雪型地表形变区域和所述矿山塌陷型地表形变区域进行并集运算，得到所述示范区的非滑坡形变目标集合；

23、将所述非滑坡形变目标集合与所述示范区的所述地表形变异常区进行差集运算，并对结果中坡度数据低于预设数据的目标进行剔除，得到所述示范区的滑坡型地表形变目标。

24、在上述技术方案中，优选地，所述将所述地表形变异常区的各项数据进行重采样操作和通道维叠加，得到综合遥感数据，并与所述滑坡型地表形变目标进行通道维叠加得到滑坡型地表形变识别数据集，具体过程包括：

25、将所述示范区的地形dem数据、多时相modis数据、光学影像数据以及坡度数据、地形起伏度数据和冰雪覆盖率数据进行重采样操作，并进行通道维叠加，形成具有9个通道的示范区综合遥感数据；

26、将所述滑坡型地表形变目标作为参考真值进行掩膜处理，与所述示范区综合遥感数据进行通道维叠加，得到具有10个通道的数据集合体；

27、对所述数据集合体进行归一化和数据裁切，得到所述滑坡型地表形变识别数据集。

28、在上述技术方案中，优选地，所述利用所述滑坡型地表形变识别数据集对idanet-2网络进行训练，并将广域综合遥感数据输入训练完成的idanet-2网络模型进行推理，得到广域潜在滑坡隐患分布信息，具体过程包括：

29、采用编码器、解码器和注意力融合模块构建idanet-2网络，其中，所述编码器包括四组dcbb卷积模组，每组所述dcbb卷积模组包括6个dcb卷积模块，所述dcb卷积模块包括1个3×3深度卷积层、2个1×1普通卷积层和激活层，所述解码器在自下而上进行上采样过程中采用跳层连接叠加来自所述编码器的特征，所述注意力融合模块包括多层感知机、全局池化层以及不同类型的激活函数，以分别针对地表形变、光学遥感、坡度与起伏度以及冰雪覆盖率数据进行特征提取；

30、采用所述滑坡型地表形变识别数据集对所述idanet-2网络进行训练；

31、利用示范区外区域采集到的数据构建得到广域综合遥感数据；

32、将所述广域综合遥感数据输入训练完成的所述idanet-2网络进行推理，得到广域滑坡地表形变区域；

33、对所述广域滑坡地表形变区域进行综合分析，得到广域潜在滑坡隐患分布信息。

34、本发明还提出一种基于地表形变成因分析的潜在滑坡识别系统，其特征在于，应用如权利要求1至7中任一项所述的基于地表形变成因分析的潜在滑坡识别方法，包括：

35、形变数据获取模块，用于获取预设示范区的雷达数据进行预处理，并计算得到地表形变相位数据；

36、异常数据预测模块，用于构建并训练idanet-1网络，并将所述地表形变相位数据输入所述idanet-1网络进行预测得到地表形变异常区；

37、非滑坡型分析模块，用于针对所述地表形变异常区的地形dem数据、多时相modis数据和光学影像数据分别进行坡度和起伏度计算、冰雪覆盖率计算及光学影像解译分析，并将预设要求区域分别与所述地表形变异常区进行相交运算，得到地表沉降型地表形变区域、冰川融雪型地表形变区域和矿山塌陷型地表形变区域；

38、滑坡形变识别模块，用于将所述地表沉降型地表形变区域、所述冰川融雪型地表形变区域和所述矿山塌陷型地表形变区域进行并集运算后，与所述地表形变异常区进行差集运算得到滑坡型地表形变目标；

39、滑坡数据综合模块，用于将所述地表形变异常区的各项数据进行重采样操作和通道维叠加，得到综合遥感数据，并与所述滑坡型地表形变目标进行通道维叠加得到滑坡型地表形变识别数据集；

40、滑坡隐患推理模块，用于利用所述滑坡型地表形变识别数据集对idanet-2网络进行训练，并将广域综合遥感数据输入训练完成的idanet-2网络模型进行推理，得到广域潜在滑坡隐患分布信息。

41、在上述技术方案中，优选地，所述非滑坡型分析模块具体用于：

42、针对所述地表形变异常区的地形dem数据进行坡度和起伏度计算，将地形起伏度低于预设数值的区域与所述地表形变异常区进行相交运算，得到地表沉降型地表形变区域；

43、针对所述地表形变异常区的多时相modis数据，计算预设时间段内的冰雪覆盖率，将符合预设要求的常年覆盖冰雪区域与所述地表形变异常区进行相交运算，得到冰川融雪型地表形变区域；

44、针对所述地表形变异常区的光学影像数据进行光学影像解译分析，圈定得到矿区活动范围，将所述矿区活动范围与所述地表形变异常区进行相交运算，得到矿山塌陷型地表形变区域。

45、在上述技术方案中，优选地，所述滑坡形变识别模块具体用于：

46、将所述地表沉降型地表形变区域、所述冰川融雪型地表形变区域和所述矿山塌陷型地表形变区域进行并集运算，得到所述示范区的非滑坡形变目标集合；

47、将所述非滑坡形变目标集合与所述示范区的所述地表形变异常区进行差集运算，并对结果中坡度数据低于预设数据的目标进行剔除，得到所述示范区的滑坡型地表形变目标。

48、与现有技术相比，本发明的有益效果为：通过多模型分级处理的遥感智能识别应用新模式，实现了对多源多模态遥感数据的多层级联合，克服了传统方法受限于单一模态数据的问题；通过两种基于视觉大模型和顾及多模态遥感数据复杂度的深度学习网络，实现了对地表形变信息准确识别，有效避免了单一编码器网络存在的由于数据计算复杂度差异导致的数据信息挖掘不充分、提取特征能力不足等问题，适用于广域场景的地表形变成因智能分类，有效提高了大区域潜在滑坡隐患识别效率，对于提升滑坡灾害监测和预警的智能化水平具有重要意义。