技術特征：

1.一種基于改進u-net的雙流編碼滑坡自動識別方法，其特征在于，包括：

2.根據(jù)權利要求1所述的方法，其特征在于，所述基于多源數(shù)據(jù)，構建多維特征數(shù)據(jù)集，包括：

3.根據(jù)權利要求1所述的方法，其特征在于，所述第一分支中所述兩個卷積層的卷積核大小為3×3，步長為1，每一卷積層之后都有一個批歸一化層和一個relu激活層；所述四個殘差編碼層分別由3個、4個、6個和3個殘差塊組成，在空間維度特征提取過程中，每經(jīng)過一個所述殘差編碼層，特征圖通道數(shù)翻倍且尺寸減半。

4.根據(jù)權利要求3所述的方法，其特征在于，每一所述殘差塊包括三個卷積層和三個批歸一化bn層，在第一bn層和第二bn層后分別設一個relu激活層，在殘差塊主干的第一卷積層和第三卷積層之間實現(xiàn)殘差連接，并在殘差連接分支上，通過1×1卷積對輸入向量和輸出向量進行恒等映射。

5.根據(jù)權利要求1所述的方法，其特征在于，所述融合模塊中將所述空間維度特征和所述序列維度特征通過向量拼接的方法進行級聯(lián)連接，形成一個新的特征變量；所述新的特征變量通過上采樣操作參與所述解碼器模塊的處理過程以產(chǎn)生最終輸出。

6.根據(jù)權利要求1所述的方法，其特征在于，所述agdm模塊包括四層卷積塊，在所述編碼器和所述解碼器的跳躍連接中，引入注意力門控模塊，用于生成門控信號，以突出不同空間位置上特征的重要性；最后使用一個帶有sigmoid分類器的1×1卷積層對滑坡目標和背景的概率進行推理，最終得到與輸入數(shù)據(jù)尺寸大小相同的滑坡預測結果。

7.根據(jù)權利要求1至6任一項所述的方法，其特征在于，所述加權損失函數(shù)表示如下：

技術總結
本發(fā)明公開了一種基于改進U?Net的雙流編碼滑坡自動識別方法，該方法利用光學波段、光譜指數(shù)、地形指數(shù)和紋理指數(shù)等多維特征，實現(xiàn)滑坡精準提取。為了充分利用多維特征疊加之后的序列特征，本發(fā)明的編碼器設計兩個分支，一分支構建殘差編碼模塊提取空間維度特征和另一分支構建多尺度殘差網(wǎng)絡模塊（Multi?Scale?ResNet?Module，MSRNM）和長短期記憶網(wǎng)絡模塊（Long?Short?Term?Memory，LSTM）提取序列維度特征，然后設計融合模塊有效融合空間維度特征和序列維度特征，得到深層特征。解碼器設計注意力門控解碼模塊（Attention?Gate?Decoder?Module，AGDM），增強深層特征和淺層特征的表達，顯著提升模型對滑坡的敏感性。所構建的雙流編碼滑坡識別模型具有較好的空間和序列特征學習能力，并能精細識別各種滑坡。

技術研發(fā)人員：何毅,陳懷圓,火天寶,張清,楊旺,何旭,李弘哲,楊進昆
受保護的技術使用者：蘭州交通大學
技術研發(fā)日：
技術公布日：2025/1/2