【技术实现步骤摘要】
本专利技术涉及地质灾害识别，具体为一种基于时序insar技术的城市群地质灾害识别方法。
技术介绍
1、黔中城市群处于东亚中生代造山带和阿尔卑斯特提斯新生代之间的上升地壳变形区，山高坡陡，岩体破碎且生态环境脆弱，境内滑坡、崩塌及地面塌陷等地质灾害易发、多发、频发，对居民建筑物、交通设施以及农业生产资料等常造成短时间内难以弥补的毁灭性损害，严重制约着经济的持续性发展，无法为黔中城市群的可持续发展提供良好、稳定的自然环境。如何精准且高效地对该区域进行灾害全面监测与风险预警，是黔中城市群实现对外代表贵州参与国内外经济竞争与合作、对内带动全省区域经济社会加速发展的核心保障。
2、目前，随着评价指标愈加多元化、复杂化及动态化，传统基于时序insar技术的城市群地质灾害识别方法通常只采用单一时序insar技术针对研究区域进行形变速率或时序形变量的监测，未考虑同时选用两种方法进行结果的交叉验证，灾害自动化识别精度不高，并且在实际使用过程中，不同原理的机器学习算法容易导致模型之间的预测精度存在较大差异，从而导致模型输出的地质灾害预警区域和预警效果偏差大。
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本专利技术提供了一种基于时序insar技术的城市群地质灾害识别方法，具备灾害自动化识别精度高、地质灾害预警区域和预警效果偏差小等优点，解决了传统基于时序insar技术的城市群地质灾害识别方法监测灾害自动化识别精度不高，地质灾害预警区域和预警效果偏差大的问题。p>
3、(二)技术方案
4、为实现上述目的，本专利技术提供如下技术方案：基于时序insar技术的城市群地质灾害识别方法，包括以下步骤：
5、步骤一、以黔中城市群范围内33个区县为研究对象，基于时序insar技术监测地表形变速率和时序形变量，再结合高分光学遥感目视技术和野外实地勘察构建地质灾害编录库；
6、步骤二、在地质灾害编录库的基础上，采用不同机器学习算法构建地质灾害智能识别模型并进行区域易发性评价，识别出城市群范围内的潜在危险靶区；
7、步骤三、在地质灾害编录库的基础上，采用多种机器学习算法构建灾害预警模型，并利用统计数据进行模型精度的宏观校验和基于机载lidar技术的微观验证。
8、优选的，所述步骤一中，同时采用单一小基线集sbas-insar与永久散射体ps-insar两种时序insar技术对研究对象地表的整体形变状况生成连接图，并进行差分干涉、精炼轨道和反演估算后生成地理编码，数据源为sentinel-1a哨兵一号中的c波段升轨，时间序列设置为3年。
9、优选的，所述步骤一中，针对两种时序性反演结果分别提取并计算方差与标准差，并进行相互比较，方差与标准差值较小的时序性反演结果，表示监测结果稳健性更好，形变空间的分布更均衡。
10、优选的，所述步骤一中，基于insar技术生成的连接图和地理编码，针对高分光学遥感目视数据和野外实地勘察已有灾害形变的区域进行重点分析，排除因人为活动造成的变形体后，针对连接图中无法解译的斑块，采用野外实地勘察的方式对斑块区域的平面形态、变形迹象及岩土分布特征进行分析，最终构建黔中城市群地质灾害样本数据集，即为地质灾害编录库。
11、优选的，所述步骤二中，根据黔中城市群地质灾害样本数据集，采用机器学习图像检测和分割算法进行自动识别，按照7:3的比例分割为训练数据集和测试数据集，其中，训练数据集用于目标特征学习、模型训练和误差迭代，获取对样本集拟合度高的模型，测试数据集用于对模型的泛化误差进行评估。
12、优选的，所述步骤二中，以分割好的训练、测试数据集为基础，利用pytorch开源机器学习库，选择人工神经网络、随机森林、支持向量机与逻辑回归四种算法构建地质灾害智能识别模型，并通过特征筛选及参数优化，调整地质灾害智能识别模型为最优拟合状态，通过计算地质灾害智能识别模型的精确度、灵敏度、召回率、特异性和假阳性率指标，对比不同机器学习算法的识别精度，确定综合性能最优的地质灾害智能识别模型。
13、优选的，所述步骤二中，选取ndvi、岩性、距断层距离、距河流距离、高程、坡度、地形湿度指数、剖面曲率、降水量和实际蒸发量数据代入综合性能最优的地质灾害智能识别模型进行灾害易发性评价，并计算代入数据之间的皮尔逊相关系数和显著性，若相关系数的绝对值大于0.7，表示代入数据过于冗杂，需进行删减，若相关系数的绝对值小于等于0.7，表示代入数据之间不存在共线性，进一步用于地质灾害智能识别模型的训练；
14、基于训练数据集和测试数据集，选取k近邻、朴素贝叶斯和逻辑回归三种机器学习算法构建地质灾害易发性评价模型，其中，k近邻使用中等knn算法，邻点设置为10，距离度量选择minkowski，贝叶斯算法中的数值预测采用高斯分布，逻辑回归方程中的参数确定方法设置为点确定，所有地质灾害易发性评价模型的输出概率值均在0～1之间，以0.5为分割阈值作为网格单元内区域的灾害易发性判断标准，若输出概率值大于0.5，表示网格单元内区域地质灾害易发性高，若输出概率值小于等于0.5，表示网格单元内区域地质灾害易发性低；
15、通过计算精确度、灵敏度、接受者操作特性曲线roc和roc曲线下的面积auc指标，对比所有地质灾害易发性评价模型的精度与泛化能力，确定综合性能最高的地质灾害易发性评价模型进行黔中城市群地质灾害易发性评价，并将输出结果进行分类汇总和制图表达，标记为城市群范围内的潜在危险靶区。
16、优选的，所述步骤三中，采取200m×200m的规则网格对黔中城市群的地理位置、地质环境和降雨量数据提取属性值，并构建网格样本数据集，其中，属性值包括dem、坡度、坡向、地貌类型、地层岩性、距房屋距离、距道路距离、距断裂距离、网格单元历史灾点数、年均降雨量、前日雨量、前3日雨量和前10日雨量数据。
17、优选的，所述步骤三中，将网格样本数据集按4:1比例划分为训练集与测试集，在python语言编程环境下，将scikit-learn机器学习库结合随机森林、决策树和支持向量机三种机器学习算法构建地质灾害预警模型，通过准确率、roc曲线和auc值指标评价所有地质灾害预警模型的计算精度与泛化能力，其中，准确率表示地质灾害预警模型预测分类正确的样本数和总样本数的比值，roc曲线表示样本数据敏感性和特异性连续变量的综合指标，auc值为roc曲线下的面积，所有地质灾害预警模型中auc值最大的模型，即为最终选取综合性能最高的机器学习模型，将指定区域地质背景数据和指定时间段内的降水分布数据输入综合性能最高的机器学习模型，推算黔中城市群中指定区域指定时间段的地质灾害预警，并根据模型的输出概率值划分对应的灾害预警等级，其中，以0.5为分割阈值作为指定区域的灾害预警等级判断标准，若输出概率值为0.5～0.6之间，判断指定区域的灾害预警等级为黄色预警，若输出概率值为0.6～0.8之间，判断指定区域的灾害预警等级为橙色预本文档来自技高网...
【技术保护点】
1.基于时序InSAR技术的城市群地质灾害识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于时序InSAR技术的城市群地质灾害识别方法，其特征在于：所述步骤一中，同时采用单一小基线集SBAS-InSAR与永久散射体PS-InSAR两种时序InSAR技术对研究对象地表的整体形变状况生成连接图，并进行差分干涉、精炼轨道和反演估算后生成地理编码，数据源为Sentinel-1A哨兵一号中的C波段升轨，时间序列设置为3年。
3.根据权利要求2所述的基于时序InSAR技术的城市群地质灾害识别方法，其特征在于：所述步骤一中，针对两种时序性反演结果分别提取并计算方差与标准差，并进行相互比较，方差与标准差值较小的时序性反演结果，表示监测结果稳健性更好，形变空间的分布更均衡。
4.根据权利要求3所述的基于时序InSAR技术的城市群地质灾害识别方法，其特征在于：所述步骤一中，基于InSAR技术生成的连接图和地理编码，针对高分光学遥感目视数据和野外实地勘察已有灾害形变的区域进行重点分析，排除因人为活动造成的变形体后，针对连接图中无法解译的斑块，采用野外
5.根据权利要求4所述的基于时序InSAR技术的城市群地质灾害识别方法，其特征在于：所述步骤二中，根据黔中城市群地质灾害样本数据集，采用机器学习图像检测和分割算法进行自动识别，按照7:3的比例分割为训练数据集和测试数据集，其中，训练数据集用于目标特征学习、模型训练和误差迭代，获取对样本集拟合度高的模型，测试数据集用于对模型的泛化误差进行评估。
6.根据权利要求5所述的基于时序InSAR技术的城市群地质灾害识别方法，其特征在于：所述步骤二中，以分割好的训练、测试数据集为基础，利用PyTorch开源机器学习库，选择人工神经网络、随机森林、支持向量机与逻辑回归四种算法构建地质灾害智能识别模型，并通过特征筛选及参数优化，调整地质灾害智能识别模型为最优拟合状态，通过计算地质灾害智能识别模型的精确度、灵敏度、召回率、特异性和假阳性率指标，对比不同机器学习算法的识别精度，确定综合性能最优的地质灾害智能识别模型。
7.根据权利要求6所述的基于时序InSAR技术的城市群地质灾害识别方法，其特征在于：所述步骤二中，选取NDVI、岩性、距断层距离、距河流距离、高程、坡度、地形湿度指数、剖面曲率、降水量和实际蒸发量数据代入综合性能最优的地质灾害智能识别模型进行灾害易发性评价，并计算代入数据之间的皮尔逊相关系数和显著性，若相关系数的绝对值大于0.7，表示代入数据过于冗杂，需进行删减，若相关系数的绝对值小于等于0.7，表示代入数据之间不存在共线性，进一步用于地质灾害智能识别模型的训练；
8.根据权利要求7所述的基于时序InSAR技术的城市群地质灾害识别方法，其特征在于：所述步骤三中，采取200m×200m的规则网格对黔中城市群的地理位置、地质环境和降雨量数据提取属性值，并构建网格样本数据集，其中，属性值包括DEM、坡度、坡向、地貌类型、地层岩性、距房屋距离、距道路距离、距断裂距离、网格单元历史灾点数、年均降雨量、前日雨量、前3日雨量和前10日雨量数据。
9.根据权利要求8所述的基于时序InSAR技术的城市群地质灾害识别方法，其特征在于：所述步骤三中，将网格样本数据集按4:1比例划分为训练集与测试集，在Python语言编程环境下，将Scikit-learn机器学习库结合随机森林、决策树和支持向量机三种机器学习算法构建地质灾害预警模型，通过准确率、ROC曲线和AUC值指标评价所有地质灾害预警模型的计算精度与泛化能力，其中，准确率表示地质灾害预警模型预测分类正确的样本数和总样本数的比值，ROC曲线表示样本数据敏感性和特异性连续变量的综合指标，AUC值为ROC曲线下的面积，所有地质灾害预警模型中AUC值最大的模型，即为最终选取综合性能最高的机器学习模型，将指定区域地质背景数据和指定时间段内的降水分布数据输入综合性能最高的机器学习模型，推算黔中城市群中指定区域指定时间段的地质灾害预警，并根据模型的输出概率值划分对应的灾害预警等级，其中，以0.5为分割阈值作为指定区域的灾害预警等级判断标准，若输出概率值为0.5～0.6之间，判断指定区域的灾害预警等级为黄色预警，若输出概率值为0.6～0.8之间，判断指定区域的灾害预警等级为橙色预警，若输出概率值大于0.8，判断指定区域的灾害预警等级为红色预警。
10.根据权利要求9所述的基于时序InSAR技术的城市群地质灾害识别方法，其特征在于：所述步骤三...
【技术特征摘要】
1.基于时序insar技术的城市群地质灾害识别方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于时序insar技术的城市群地质灾害识别方法，其特征在于：所述步骤一中，同时采用单一小基线集sbas-insar与永久散射体ps-insar两种时序insar技术对研究对象地表的整体形变状况生成连接图，并进行差分干涉、精炼轨道和反演估算后生成地理编码，数据源为sentinel-1a哨兵一号中的c波段升轨，时间序列设置为3年。
3.根据权利要求2所述的基于时序insar技术的城市群地质灾害识别方法，其特征在于：所述步骤一中，针对两种时序性反演结果分别提取并计算方差与标准差，并进行相互比较，方差与标准差值较小的时序性反演结果，表示监测结果稳健性更好，形变空间的分布更均衡。
4.根据权利要求3所述的基于时序insar技术的城市群地质灾害识别方法，其特征在于：所述步骤一中，基于insar技术生成的连接图和地理编码，针对高分光学遥感目视数据和野外实地勘察已有灾害形变的区域进行重点分析，排除因人为活动造成的变形体后，针对连接图中无法解译的斑块，采用野外实地勘察的方式对斑块区域的平面形态、变形迹象及岩土分布特征进行分析，最终构建黔中城市群地质灾害样本数据集，即为地质灾害编录库。
5.根据权利要求4所述的基于时序insar技术的城市群地质灾害识别方法，其特征在于：所述步骤二中，根据黔中城市群地质灾害样本数据集，采用机器学习图像检测和分割算法进行自动识别，按照7:3的比例分割为训练数据集和测试数据集，其中，训练数据集用于目标特征学习、模型训练和误差迭代，获取对样本集拟合度高的模型，测试数据集用于对模型的泛化误差进行评估。
6.根据权利要求5所述的基于时序insar技术的城市群地质灾害识别方法，其特征在于：所述步骤二中，以分割好的训练、测试数据集为基础，利用pytorch开源机器学习库，选择人工神经网络、随机森林、支持向量机与逻辑回归四种算法构建地质灾害智能识别模型，并通过特征筛选及参数优化，调整地质灾害智能识别模型为最优拟合状态，通过计算地质灾害智能识别模型的精确度、灵敏度、召回率、特异性和假阳性率指标，对比不同机器学习算法的识别精度，确定综合性能最优的地质灾害智能识别模型。
7.根据权利要求6所述的基于时序insar技术的城市...
【专利技术属性】
技术研发人员：罗军华，赵祖伦，罗婷，李威，吕思思，尹林江，赵卫权，
申请(专利权)人：贵州省山地资源研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。