本發(fā)明涉及一種滑坡隱患點(diǎn)識(shí)別分類方法，尤其涉及一種基于insar的滑坡隱患點(diǎn)識(shí)別分類方法及系統(tǒng)。

背景技術(shù)：

1、滑坡是一種由自然因素或人類活動(dòng)引起的常見的自然災(zāi)害，主要發(fā)生在山區(qū)及河谷地帶。使用insar形變速率圖識(shí)別區(qū)域范圍內(nèi)滑坡點(diǎn)并分類在滑坡隱患監(jiān)測(cè)工作中十分常見。對(duì)于滑坡隱患點(diǎn)識(shí)別分類，在現(xiàn)有技術(shù)條件下，使用insar形變圖完成滑坡隱患點(diǎn)識(shí)別與分類工作，仍主要依賴人工解譯。由于insar形變圖覆蓋范圍廣，使用人工解譯方式處理，耗時(shí)長(zhǎng)，工作量大，且依賴判讀人員作業(yè)經(jīng)驗(yàn)，易出現(xiàn)誤判漏判情況。

技術(shù)實(shí)現(xiàn)思路

1、發(fā)明目的：本發(fā)明的目的是提供一種能夠?qū)δ繕?biāo)區(qū)域內(nèi)的滑坡隱患點(diǎn)進(jìn)行自動(dòng)識(shí)別和分類且識(shí)別精度高的基于insar的滑坡隱患點(diǎn)識(shí)別分類方法及系統(tǒng)。

2、技術(shù)方案：本發(fā)明所述的基于insar的滑坡隱患點(diǎn)識(shí)別分類方法，包括以下步驟，

3、(1)基于融合分布式散射體目標(biāo)的stamps-sbas時(shí)序insar處理方法處理區(qū)域insar數(shù)據(jù)，獲得區(qū)域形變速率圖，通過(guò)基于融合分布式散射體目標(biāo)的stamps-sbas時(shí)序insar處理方法處理insar數(shù)據(jù)，可以提高區(qū)域形變速率圖的質(zhì)量，而高質(zhì)量的區(qū)域形變速率圖是整個(gè)滑坡隱患點(diǎn)識(shí)別分類工作可準(zhǔn)確開展的前提；

4、(2)采集與監(jiān)測(cè)區(qū)域的區(qū)域形變速率圖時(shí)間一致的光學(xué)影像圖，并生產(chǎn)融合地區(qū)光學(xué)影像的區(qū)域形變速率圖；

5、(3)整合區(qū)域形變速率圖和融合地區(qū)光學(xué)影響的區(qū)域形變速率圖，制作用于訓(xùn)練的數(shù)據(jù)集，將數(shù)據(jù)集輸入深度學(xué)習(xí)模型訓(xùn)練滑坡分類模型；

6、滑坡分布零散，無(wú)需提取邊界，滑坡分類模型以區(qū)域形變速率圖作為輸入，并執(zhí)行目標(biāo)檢測(cè)工作；滑坡情況復(fù)雜，需要提取邊界，滑坡分類模型以融合區(qū)域形變速率圖的區(qū)域形變速率圖作為輸入，并執(zhí)行實(shí)例分割工作；

7、對(duì)形變速率圖和融合地區(qū)光學(xué)影像的區(qū)域形變速率圖進(jìn)行標(biāo)注，獲得標(biāo)注好的實(shí)例分割模塊訓(xùn)練集和目標(biāo)檢測(cè)模塊訓(xùn)練集；

8、將實(shí)例分割模塊訓(xùn)練集和目標(biāo)檢測(cè)模塊訓(xùn)練集輸入深度學(xué)習(xí)模型訓(xùn)練，獲得滑坡分類模型；

9、(4)將待解譯的insar形變速率圖輸入滑坡分類模型，滑坡分類模型輸出該insar形變速率圖的滑坡位置和滑坡分類，當(dāng)該insar形變速率圖的滑坡情況復(fù)雜時(shí)，滑坡分類模型還提取形變區(qū)域邊界。

10、進(jìn)一步的，所述基于融合分布式散射體目標(biāo)的stamps-sbas時(shí)序insar處理方法的具體步驟包括：

11、對(duì)區(qū)域insar數(shù)據(jù)進(jìn)行預(yù)處理，獲得差分干涉相位集；

12、選取差分干涉相位集中具有相似或一致散射特性的地面點(diǎn)作為同質(zhì)點(diǎn)，獲得同質(zhì)點(diǎn)集合；

13、設(shè)置同質(zhì)點(diǎn)數(shù)閾值，提取同質(zhì)點(diǎn)數(shù)大于閾值的同質(zhì)點(diǎn)作為ds點(diǎn)，提取緩慢失相干濾波相位的sdfp點(diǎn)，將sdfp點(diǎn)和ds點(diǎn)融合；

14、基于3-d相位解纏算法，解纏sdfp/ds融合點(diǎn)集的纏繞相位，依據(jù)相位穩(wěn)定性估計(jì)dem誤差、scla/aoe并去除，通過(guò)時(shí)空域?yàn)V波估計(jì)大氣延遲相位并去除，最終得到形變速率圖。

15、進(jìn)一步的，對(duì)區(qū)域insar數(shù)據(jù)進(jìn)行預(yù)處理，獲得差分干涉相位集的具體步驟為：

16、通過(guò)采用增強(qiáng)譜分集方法，對(duì)insar數(shù)據(jù)的單視復(fù)數(shù)影像進(jìn)行配準(zhǔn)，并提取單視復(fù)數(shù)影像的強(qiáng)度影像的時(shí)間序列；

17、將事先獲得的srtmdem數(shù)據(jù)與選取的超級(jí)主影像進(jìn)行配準(zhǔn)，并將其模擬為干涉相位；

18、在時(shí)空基線閾值的設(shè)定下，構(gòu)建差分干涉組合，對(duì)配準(zhǔn)后的slc影像序列進(jìn)行干涉操作；

19、去除dem數(shù)據(jù)模擬的地形相位，得到差分干涉相位集。

20、進(jìn)一步的，獲得同質(zhì)點(diǎn)集合的具體步驟如下：

21、將基于似然比檢驗(yàn)的同質(zhì)點(diǎn)集作為初始值提煉參考中心像素；

22、采用小區(qū)間和高質(zhì)量觀測(cè)迭代控制類型ⅱ誤差，將同質(zhì)點(diǎn)集合中的異質(zhì)點(diǎn)數(shù)量降至最低。

23、提取ds點(diǎn)和提取sdfp點(diǎn)的具體步驟如下：

24、依據(jù)同質(zhì)點(diǎn)集合對(duì)差分干涉相位集進(jìn)行同質(zhì)濾波，得到同質(zhì)相位優(yōu)化后的差分干涉相位集；

25、根據(jù)同質(zhì)點(diǎn)集合設(shè)置同質(zhì)點(diǎn)數(shù)閾值，將同質(zhì)點(diǎn)數(shù)大于閾值的點(diǎn)初步選取為ds點(diǎn)，并進(jìn)行距離向/方位向頻譜濾波得到ds初選點(diǎn)集dsc；

26、同質(zhì)相位優(yōu)化后的差分干涉相位集距離向/方位向頻譜濾波，依據(jù)振幅差離差閾值法初步篩選sdfp點(diǎn)，得到sdfp初選點(diǎn)集sdfpc；

27、分別對(duì)sdfpc和dsc進(jìn)行bp-lp組合濾波，估計(jì)sdfpc和dsc里每個(gè)點(diǎn)的時(shí)間相干性；

28、重復(fù)上述的sdfp點(diǎn)篩選方法從sdfpc中選取所有sdfp點(diǎn)，從dsc中篩選ds點(diǎn)。

29、進(jìn)一步的，所述將數(shù)據(jù)集輸入深度學(xué)習(xí)模型訓(xùn)練滑坡分類模型的具體步驟為：

30、將數(shù)據(jù)集按照預(yù)設(shè)比例分為訓(xùn)練集、驗(yàn)證集和測(cè)試集；

31、利用訓(xùn)練集訓(xùn)練以自注意力機(jī)制為核心的深度學(xué)習(xí)模型，記錄驗(yàn)證集損失函數(shù)值達(dá)到最小時(shí)的模型參數(shù)；

32、使用訓(xùn)練得到的深度學(xué)習(xí)模型對(duì)測(cè)試集的數(shù)據(jù)進(jìn)行預(yù)測(cè)，驗(yàn)證深度學(xué)習(xí)模型的準(zhǔn)確性，保留準(zhǔn)確度達(dá)到預(yù)設(shè)要求的深度學(xué)習(xí)模型作為滑坡分類模型。

33、進(jìn)一步的，所述目標(biāo)檢測(cè)模塊基于開源框架faster-rcnn構(gòu)建，使用區(qū)域形變速率圖進(jìn)行訓(xùn)練。

34、進(jìn)一步的，所述實(shí)例分割模塊以自注意力機(jī)制為核心的深度學(xué)習(xí)模型構(gòu)建，使用融合光學(xué)影像的形變速率圖用于訓(xùn)練。

35、基于同樣的發(fā)明構(gòu)思，本發(fā)明還提供一種基于insar的滑坡隱患點(diǎn)識(shí)別分類系統(tǒng)，包括，

36、輸入模塊，用于輸入insar數(shù)據(jù)；

37、轉(zhuǎn)換處理模塊，用于接收輸入模塊的insar數(shù)據(jù)，并采用基于融合分布式散射體目標(biāo)的stamps-sbas時(shí)序insar處理方法對(duì)其進(jìn)行處理，獲得區(qū)域形變速率圖；

38、融合模塊，用于獲取與監(jiān)測(cè)區(qū)域的區(qū)域形變速率圖時(shí)間一致的光學(xué)影像圖，并生產(chǎn)融合地區(qū)光學(xué)影像的區(qū)域形變速率圖；

39、數(shù)據(jù)集獲取模塊，用于整合區(qū)域形變速率圖和融合地區(qū)光學(xué)影響的區(qū)域形變速率圖，制作用于訓(xùn)練的數(shù)據(jù)集；

40、訓(xùn)練模塊，使用數(shù)據(jù)集訓(xùn)練深度學(xué)習(xí)模型，獲得滑坡分類模型；

41、識(shí)別、分類模塊，基于滑坡分類模型對(duì)insar形變速率圖進(jìn)行解譯碼，并輸出insar形變速率圖的滑坡位置和滑坡分類。

42、進(jìn)一步的，所述數(shù)據(jù)集獲取模塊獲取的數(shù)據(jù)集包括以下兩種：

43、滑坡分布零散，無(wú)需提取邊界，滑坡分類模型以區(qū)域形變速率圖作為輸入，并執(zhí)行目標(biāo)檢測(cè)工作；對(duì)形變速率圖進(jìn)行標(biāo)注，獲得標(biāo)注好的實(shí)例分割模塊訓(xùn)練集；

44、滑坡情況復(fù)雜，需要提取邊界，滑坡分類模型以融合區(qū)域形變速率圖的區(qū)域形變速率圖作為輸入，并執(zhí)行實(shí)例分割工作；對(duì)融合地區(qū)光學(xué)影像的區(qū)域形變速率圖進(jìn)行標(biāo)注，獲得標(biāo)注好的目標(biāo)檢測(cè)模塊訓(xùn)練集；

45、所述使用數(shù)據(jù)集訓(xùn)練深度學(xué)習(xí)模型，獲得滑坡分類模型包括：將數(shù)據(jù)集按照預(yù)設(shè)比例分為訓(xùn)練集、驗(yàn)證集和測(cè)試集；

46、利用訓(xùn)練集訓(xùn)練以自注意力機(jī)制為核心的深度學(xué)習(xí)模型，記錄驗(yàn)證集損失函數(shù)值達(dá)到最小時(shí)的模型參數(shù)；

47、使用訓(xùn)練得到的深度學(xué)習(xí)模型對(duì)測(cè)試集的數(shù)據(jù)進(jìn)行預(yù)測(cè)，驗(yàn)證深度學(xué)習(xí)模型的準(zhǔn)確性，保留準(zhǔn)確度達(dá)到預(yù)設(shè)要求的深度學(xué)習(xí)模型作為滑坡分類模型。

48、有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明具有如下顯著優(yōu)點(diǎn)：本發(fā)明能夠獲取高質(zhì)量的區(qū)域形變速率圖，有利于提升整體的識(shí)別滑坡隱患點(diǎn)的精度；本發(fā)明自動(dòng)化程度高，能夠自動(dòng)識(shí)別區(qū)域內(nèi)滑坡位置，并且可以根據(jù)需求提取區(qū)域邊界，并且可以對(duì)滑坡形變活動(dòng)狀態(tài)和強(qiáng)度對(duì)滑坡進(jìn)行分類，本發(fā)明基于高質(zhì)量區(qū)域形變速率圖與光學(xué)影像圖，使用基于深度學(xué)習(xí)的滑坡分類模型應(yīng)用于滑坡檢測(cè)，代替人工實(shí)現(xiàn)自動(dòng)檢測(cè)，且工作效率高。