【技术实现步骤摘要】
本专利技术涉及地质灾害防治领域，尤其涉及一种基于迁移学习的少量样本大尺度区域滑坡易发性评价方法。
技术介绍
1、我国是一个地质灾害十分频繁且灾害损失极为严重的国家。目前已查明的地质灾害隐患点近30万余处。每年因灾死亡人数成百上千人，经济损失上百亿元。近几十年，我国城市化进程加快，伴随无数的人类工程活动。同时，极端天气事件呈现趋多趋强态势(仉文岗等，2023)。这些均给我国的地质灾害防治工作带来了严峻挑战。
2、滑坡易发性评价，是在给定的地质环境条件和历史滑坡灾害的前提下，预测研究区域发生滑坡的可能性(郭飞等，2023)。该研究基于的假设是：未来的滑坡将发生在与历史滑坡致灾条件相似的地方。滑坡易发性评价的目的是初步找到研究区域内滑坡可能集中发育的地方，为防灾减灾以及土地利用工作提供参考，同时也是进一步定量危险性评价和风险评价的工作基础(余波等，2023)。90年代起，数理统计、概率论、模糊数学理论等学科开始进入地质灾害研究人员的视野，传统定性研究开始逐步向定量研究发展。近20年以来，依靠地理空间软件和3s技术(遥感、gps、gis)的迅速发展，传统地学的研究手段不断改进，gis的集成与应用成为了研究热点，易发性研究的技术路线也越发统一(文海家等，2018)。
3、虽然机器学习方法在数据挖掘领域有明显的优势，但是在其应用于滑坡易发性研究的过程中还是存在许多问题和不足。现有的机器学习方法在预测精度方面很大程度上取决于模型样本数据集的质量，大部分研究区域都具有足够的滑坡数据点以供研究分析。大多数研究中使用的滑坡灾
4、和基于单一数据集的传统机器学习方法不同，建立迁移学习模型需要源域和目标域两个不同的数据集，而传统机器学习方法只需要目标域一个数据集。wei等(2023)在对滑坡易发性评价模型的跨区域泛化性研究中，特别强调了迁移学习的重要性。wang等(2022)使用目标域训练样本百分比的方法来模拟数据稀少的情况，以中国香港为研究区域，对比分析了迁移学习和深度学习的预测性能差异。fu等(2023)指出源域和目标域的相似性是迁移学习的前提，使用地理探测器揭示了影响因子对灾害的影响程度，将迁移学习方法与传统机器学习方法进行了对比研究。付智勇等(2023)为了解决震区不同时期易发性评价中滑坡编录样本不足问题，以汶川地震震区汶川-映秀区域为研究区，基于tradaboost迁移学习算法对小样本数据集下滑坡易发性模型的预测性能进行了研究。
5、针对滑坡编录样本不足的区域，例如经济落后的地区，如何在小样本数据集下保证滑坡易发性模型的预测性能仍是一个关键问题。上述一些研究对此问题提出了迁移学习的解决方案，证明了在少量样本区域使用迁移学习进行滑坡易发性评价的可行性。本专利技术针对少量样本大尺度区域，提出一种基于迁移学习的滑坡易发性评价方法，减少大尺度区域滑坡编录工作人力物力的投入，更好地为滑坡灾害的防灾减灾工作提供参考建议。
技术实现思路
1、有鉴于此，为了解决滑坡编录样本不足区域保证滑坡易发性模型的预测性能这一技术问题，本专利技术采取的技术方案是：提供一种基于迁移学习的少量样本大尺度区域滑坡易发性评价方法。
2、本专利技术提供一种基于迁移学习的少量样本大尺度区域滑坡易发性评价方法，包括以下步骤：
3、s1：获取研究区域的历史滑坡编录，获取影响因子多源数据，并对多源数据的空间分辨率、投影坐标系与地理坐标系统一；
4、s2：获取与滑坡有关的影响因子图层，通过gis平台从所述多源数据中提取滑坡影响因子信息，建立滑坡易发性影响因子体系；
5、s3：以源域的滑坡样本数据集为基础，构建深度学习模型，对模型进行预训练；
6、s4：保存源域深度学习模型，获取深度学习模型各层参数；
7、s5：根据目标域的少量滑坡样本情况，使用目标域数据将深度学习模型非冻结层参数进行再训练，用于目标域的滑坡易发性预测；
8、s6：模型输出得到整个研究区域的滑坡易发性概率值，根据概率值的大小将研究区域划分为五个等级，输出滑坡易发性分析图。
9、进一步地，所述滑坡易发性影响因子体系包括：地形因子、地质因子、环境因子和人类工程活动因子。
10、进一步地，所述地形因子包括：高程、地形起伏度、坡度、坡向、平面曲率、剖面曲率和地形湿度指数；
11、所述地质因子包括：岩性、土体类型和距断层距离；
12、所述环境因子包括：归一化植被系数、距河流距离、年均降雨、年均温度、干旱指数和湿度指数；
13、所述人类工程活动因子包括：距道路距离、gdp、人口分布和土地利用。
14、进一步地，多源数据统一采用30m×30m的栅格。
15、进一步地，基于源域数据的特征对目标域数据进行归一化处理。
16、进一步地，将源域预训练好的深度学习模型应用于目标域时，要对第一层卷积做冻结处理，且对其他层参数进行再训练。
17、进一步地，根据滑坡易发性概率值的大小采用自然断点法将研究区域划分为极高易发区、高易发区、中易发区、低易发区和极低易发区。
18、与现有技术相比，本专利技术的有益效果为：
19、本专利技术提供了一种基于迁移学习的少量样本大尺度区域滑坡易发性评价方法，本专利技术针对少量样本大尺度区域，提出一种基于迁移学习的滑坡易发性评价方法，并且基于源域数据的特征对目标域数据进行归一化处理，能够在少量样本的情况下高效地完成大尺度区域的滑坡易发性评价，减少大尺度区域滑坡编录工作人力物力的投入，更好地为滑坡灾害的防灾减灾工作提供参考建议。
20、本专利技术解决了在大尺度区域滑坡样本量不足的情况下使用机器学习方法预测滑坡易发性的问题；本专利技术首先获取研究区域的多源数据，提取所用的影响因子，生成影响因子图层；然后以源域的滑坡样本数据集为基础构建深度学习模型；保存源域深度学习模型，获取模型参数权重“知识”；根据目标域的少量滑坡样本情况，对非冻结层的参数进行再训练，用于目标域的滑坡易发性预测；根据模型输出结果进行滑坡易发性分析。通过本方法减少大尺度区域滑坡编录工作人力物力的投入，合理利用现有的滑坡样本数据集对目标域进行易发性预测，能客观、高效地实现滑坡易发性评价
本文档来自技高网...【技术保护点】
1.一种基于迁移学习的少量样本大尺度区域滑坡易发性评价方法，其特征在于，具体包括以下步骤：
2.如权利要求1所述的一种基于迁移学习的少量样本大尺度区域滑坡易发性评价方法，其特征在于，所述滑坡易发性影响因子体系包括：地形因子、地质因子、环境因子和人类工程活动因子。
3.如权利要求2所述的一种基于迁移学习的少量样本大尺度区域滑坡易发性评价方法，其特征在于，所述地形因子包括：高程、地形起伏度、坡度、坡向、平面曲率、剖面曲率和地形湿度指数；
4.如权利要求1所述的一种基于迁移学习的少量样本大尺度区域滑坡易发性评价方法，其特征在于，多源数据统一采用30m×30m的栅格单元。
5.如权利要求1所述的一种基于迁移学习的少量样本大尺度区域滑坡易发性评价方法，其特征在于，基于源域数据的特征对目标域数据进行归一化处理。
6.如权利要求1所述的一种基于迁移学习的少量样本大尺度区域滑坡易发性评价方法，其特征在于，将源域预训练好的深度学习模型应用于目标域时，要对第一层卷积做冻结处理，且对其它层参数进行再训练。
7.如权利要求1所述的一
...【技术特征摘要】
1.一种基于迁移学习的少量样本大尺度区域滑坡易发性评价方法，其特征在于，具体包括以下步骤：
2.如权利要求1所述的一种基于迁移学习的少量样本大尺度区域滑坡易发性评价方法，其特征在于，所述滑坡易发性影响因子体系包括：地形因子、地质因子、环境因子和人类工程活动因子。
3.如权利要求2所述的一种基于迁移学习的少量样本大尺度区域滑坡易发性评价方法，其特征在于，所述地形因子包括：高程、地形起伏度、坡度、坡向、平面曲率、剖面曲率和地形湿度指数；
4.如权利要求1所述的一种基于迁移学习的少量样本大尺度区域滑坡易发性评价方法，其特征在于，多源数据统一采用30m×30m...
【专利技术属性】
技术研发人员：王鲁琦，仉文岗，王云浩，刘静，康燕飞，刘松林，王艳昆，朱淳，胥进，李嘉仪，郝新庚，蒋铖，李涛，
申请(专利权)人：长江大学武汉校区，
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。