本發(fā)明涉及一種滑坡隱患點識別分類方法，尤其涉及一種基于insar的滑坡隱患點識別分類方法及系統(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形變速率圖識別區(qū)域范圍內(nèi)滑坡點并分類在滑坡隱患監(jiān)測工作中十分常見。對于滑坡隱患點識別分類，在現(xiàn)有技術(shù)條件下，使用insar形變圖完成滑坡隱患點識別與分類工作，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，耗時長，工作量大，且依賴判讀人員作業(yè)經(jīng)驗，易出現(xiàn)誤判漏判情況。

技術(shù)實現(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繕藚^(qū)域內(nèi)的滑坡隱患點進行自動識別和分類且識別精度高的基于insar的滑坡隱患點識別分類方法及系統(tǒng)。

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

3、(1)基于融合分布式散射體目標的stamps-sbas時序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，通過基于融合分布式散射體目標的stamps-sbas時序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滑坡隱患點識別分類工作可準確開展的前提；

4、(2)采集與監(jiān)測區(qū)域的區(qū)域形變速率圖時間一致的光學(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)行目標檢測工作；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)行實例分割工作；

7、對形變速率圖和融合地區(qū)光學(xué)影像的區(qū)域形變速率圖進行標注，獲得標注好的實例分割模塊訓(xùn)練集和目標檢測模塊訓(xùn)練集；

8、將實例分割模塊訓(xùn)練集和目標檢測模塊訓(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，滑坡分類模型還提取形變區(qū)域邊界。

10、進一步的，所述基于融合分布式散射體目標的stamps-sbas時序insar處理方法的具體步驟包括：

11、對區(qū)域insar數(shù)據(jù)進行預(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作為同質(zhì)點，獲得同質(zhì)點集合；

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

14、基于3-d相位解纏算法，解纏sdfp/ds融合點集的纏繞相位，依據(jù)相位穩(wěn)定性估計dem誤差、scla/aoe并去除，通過時空域濾波估計大氣延遲相位并去除，最終得到形變速率圖。

15、進一步的，對區(qū)域insar數(shù)據(jù)進行預(yù)處理，獲得差分干涉相位集的具體步驟為：

16、通過采用增強譜分集方法，對insar數(shù)據(jù)的單視復(fù)數(shù)影像進行配準，并提取單視復(fù)數(shù)影像的強度影像的時間序列；

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

18、在時空基線閾值的設(shè)定下，構(gòu)建差分干涉組合，對配準后的slc影像序列進行干涉操作；

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、進一步的，獲得同質(zhì)點集合的具體步驟如下：

21、將基于似然比檢驗的同質(zhì)點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)量觀測迭代控制類型ⅱ誤差，將同質(zhì)點集合中的異質(zhì)點數(shù)量降至最低。

23、提取ds點和提取sdfp點的具體步驟如下：

24、依據(jù)同質(zhì)點集合對差分干涉相位集進行同質(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)點集合設(shè)置同質(zhì)點數(shù)閾值，將同質(zhì)點數(shù)大于閾值的點初步選取為ds點，并進行距離向/方位向頻譜濾波得到ds初選點集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，得到sdfp初選點集sdfpc；

27、分別對sdfpc和dsc進行bp-lp組合濾波，估計sdfpc和dsc里每個點的時間相干性；

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

29、進一步的，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、驗證集和測試集；

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

32、使用訓(xùn)練得到的深度學(xué)習(xí)模型對測試集的數(shù)據(jù)進行預(yù)測，驗證深度學(xué)習(xí)模型的準確性，保留準確度達到預(yù)設(shè)要求的深度學(xué)習(xí)模型作為滑坡分類模型。

33、進一步的，所述目標檢測模塊基于開源框架faster-rcnn構(gòu)建，使用區(qū)域形變速率圖進行訓(xùn)練。

34、進一步的，所述實例分割模塊以自注意力機制為核心的深度學(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的滑坡隱患點識別分類系統(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的stamps-sbas時序insar處理方法對其進行處理，獲得區(qū)域形變速率圖；

38、融合模塊，用于獲取與監(jiān)測區(qū)域的區(qū)域形變速率圖時間一致的光學(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、識別、分類模塊，基于滑坡分類模型對insar形變速率圖進行解譯碼，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)行目標檢測工作；對形變速率圖進行標注，獲得標注好的實例分割模塊訓(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)行實例分割工作；對融合地區(qū)光學(xué)影像的區(qū)域形變速率圖進行標注，獲得標注好的目標檢測模塊訓(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、驗證集和測試集；

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

47、使用訓(xùn)練得到的深度學(xué)習(xí)模型對測試集的數(shù)據(jù)進行預(yù)測，驗證深度學(xué)習(xí)模型的準確性，保留準確度達到預(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：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別滑坡隱患點的精度；本發(fā)明自動化程度高，能夠自動識別區(qū)域內(nèi)滑坡位置，并且可以根據(jù)需求提取區(qū)域邊界，并且可以對滑坡形變活動狀態(tài)和強度對滑坡進行分類，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，代替人工實現(xiàn)自動檢測，且工作效率高。