(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111313122.2 (22)申请日 2021.11.08 (65)同一申请的已公布的文献号 申请公布号 CN 114049565 A (43)申请公布日 2022.02.15 (73)专利权人 中国公路工程咨询集团有限公司 地址 100089 北京市海淀区紫竹院路1 16号 嘉豪国际中心 A座 专利权人 中咨数据有限公司 (72)发明人 张蕴灵　龚婷婷　侯芸　孙雨　 宋张亮　张鹏　杨璇　李旺　 赵政帆　董庆豪　 (51)Int.Cl. G06V 20/13(2022.01) G06V 10/774(2022.01)G06V 10/764(2022.01) G06N 20/00(2019.01) 审查员 徐葛森 (54)发明名称 基于遥感影像和DEM数据的地质灾害判识方 法和装置 (57)摘要 本发明公开了一种基于遥感影像和DEM数据 的地质灾害判识方法和装置。 其中方法包括： 构 建地质灾害遥感影像样本数据库； 利用所述遥感 影像样本数据库训练深度学习模 型； 利用训练好 的深度学习模型， 根据待检测区域的遥感影像， 得到泥石流灾害区域和非泥石流灾害区域； 利用 DEM数据， 对非泥石流灾害区域的每个灾害进行 高度和坡度方面的量化统计； 根据得到的统计数 据， 利用集成学习模型， 得到崩塌区域和滑坡区 域。 因此， 采用本发明提供的方案， 实现了崩塌、 滑坡、 泥石 流地质灾害的高效率、 高精度、 高稳健 性的区分。 解决了人工外业调查和目视解译的局 限性， 可应用于大 范围地质灾害调查。 权利要求书2页 说明书6页 附图2页 CN 114049565 B 2022.08.23 CN 114049565 B 1.一种基于 遥感影像和DEM数据的地质灾害判识方法， 其特 征在于， 包括： 构建地质灾害遥感影 像样本数据库； 利用所述遥感影 像样本数据库训练深度学习模型； 利用训练好的深度学习模型， 根据待检测区域的遥感影像， 得到泥石流灾害区域和非 泥石流灾害区域； 利用DEM数据， 对非泥 石流灾害区域的每 个灾害进行高度和坡度方面的量 化统计； 根据得到的统计数据， 利用集成学习模型， 得到崩塌区域和滑坡区域； 所述构建地质灾害遥感影 像样本数据库包括： 搜集待检测区域的历史灾害数据和同期遥感影 像； 制作崩塌、 滑坡、 泥 石流地质灾害遥感影 像样本库； 所述制作崩塌、 滑坡、 泥 石流地质灾害遥感影 像样本库包括： 将遥感影 像裁剪为影像切片， 并选取包 含崩塌、 滑坡、 泥 石流的切片 构成正样本集； 选取不包 含崩塌、 滑坡、 泥 石流的切片 构成负样本集； 对于正样本集中的每张切片， 在GIS软件中绘制崩塌、 滑坡、 泥石流地质灾害边界范围 矢量； 根据绘制得到的地质灾害矢量边界生成对应切片的二值化栅格图像， 其中灾害区域即 正样本的值 为1， 非灾害区即负 样本的值 为0； 所述利用所述遥感影 像样本数据库训练深度学习模型包括： 将样本分成崩塌滑坡、 泥 石流、 负样本三个 类别； 将样本库随机分为训练数据集和 测试数据集； 利用训练数据集对深度学习模型进行训练； 利用测试 数据集检验 模型的预测效果； 所述利用DEM数据， 对非泥石流灾害区域的每个灾害进行高度和坡度方面的量化统计 包括： 基于DEM数据， 利用GIS软件计算非泥 石流灾害区域的坡度； 对每个灾害进行周长、 面积、 最小外 接矩形长、 最小外 接矩形宽的统计； 利用DEM数据， 对每个灾害进行最大高程、 最小高程、 高差、 高度平均值、 高度中位数、 高 度标准差的统计； 利用计算得到的坡度数据， 对每个灾害进行最大坡度、 最小坡度、 坡度差、 坡度平均值、 坡度中位数、 坡度标准差、 坡度10 分位内平均、 坡度 20分位内平均、 坡度30 分位内平均、 坡度 40分位内平均、 坡度50分位内平均、 坡度60分位内平均、 坡度70分位内平均、 坡度80分位内 平均、 坡度90分位内平均、 坡度10 0分位内平均的统计。 2.如权利要求1所述的基于遥感影像和DEM数据的地质灾害判识方法， 其特征在于， 所 述构建地质灾害遥感影 像样本数据库后， 还 包括步骤： 对样本库进行 数据增强。 3.如权利要求1所述的基于遥感影像和DEM数据的地质灾害判识方法， 其特征在于， 所 述集成学习模型按照如下 方法获得： 在python环境中借助sklearn机器学习库， 选择多层感知机、 随机森林和XGBoost三种 分类器， 通过软投票的方法集成得到 。 4.一种基于 遥感影像和DEM数据的地质灾害判识装置， 其特 征在于， 包括：权　利　要　求　书 1/2 页 2 CN 114049565 B 2样本数据库构建模块， 用于构建地质灾害遥感影 像样本数据库； 深度学习模型训练模块， 用于利用所述遥感影 像样本数据库训练深度学习模型； 泥石流灾害识别模块， 用于利用训练好的深度 学习模型， 根据待检测区域的遥感影像， 得到泥石流灾害区域和非泥 石流灾害区域； 量化统计模块， 用于利用DEM数据， 对非泥石流灾害区域进行高度和坡度 方面的量化统 计； 崩塌滑坡灾害识别模块， 用于根据 得到的统计数据， 利用集成学习模型， 得到崩塌区域 和滑坡区域； 所述构建地质灾害遥感影 像样本数据库包括： 搜集待检测区域的历史灾害数据和同期遥感影 像； 制作崩塌、 滑坡、 泥 石流地质灾害遥感影 像样本库； 所述制作崩塌、 滑坡、 泥 石流地质灾害遥感影 像样本库包括： 将遥感影 像裁剪为影像切片， 并选取包 含崩塌、 滑坡、 泥 石流的切片 构成正样本集； 选取不包 含崩塌、 滑坡、 泥 石流的切片 构成负样本集； 对于正样本集中的每张切片， 在GIS软件中绘制崩塌、 滑坡、 泥石流地质灾害边界范围 矢量； 根据绘制得到的地质灾害矢量边界生成对应切片的二值化栅格图像， 其中灾害区域即 正样本的值 为1， 非灾害区即负 样本的值 为0； 所述利用所述遥感影 像样本数据库训练深度学习模型包括： 将样本分成崩塌滑坡、 泥 石流、 负样本三个 类别； 将样本库随机分为训练数据集和 测试数据集； 利用训练数据集对深度学习模型进行训练； 利用测试 数据集检验 模型的预测效果； 所述利用DEM数据， 对非泥石流灾害区域的每个灾害进行高度和坡度方面的量化统计 包括： 基于DEM数据， 利用GIS软件计算非泥 石流灾害区域的坡度； 对每个灾害进行周长、 面积、 最小外 接矩形长、 最小外 接矩形宽的统计； 利用DEM数据， 对每个灾害进行最大高程、 最小高程、 高差、 高度平均值、 高度中位数、 高 度标准差的统计； 利用计算得到的坡度数据， 对每个灾害进行最大坡度、 最小坡度、 坡度差、 坡度平均值、 坡度中位数、 坡度标准差、 坡度10 分位内平均、 坡度 20分位内平均、 坡度30 分位内平均、 坡度 40分位内平均、 坡度50分位内平均、 坡度60分位内平均、 坡度70分位内平均、 坡度80分位内 平均、 坡度90分位内平均、 坡度10 0分位内平均的统计。 5.一种存储器， 其特征在于， 存储有多条指令， 所述指令用于实现如权利要求1 ‑3任一 项所述的方法。 6.一种电子设备， 其特征在于， 包括处理器和与 所述处理器连接的存储器， 所述存储器 存储有多条指令， 所述指令可被所述处理器加载并执行， 以使所述处理器能够执行如权利 要求1‑3任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 114049565 B 3