基於LiDAR的複雜地質背景區滑坡識別的方法及系統的製作方法
2023-12-03 03:24:31
專利名稱:基於LiDAR的複雜地質背景區滑坡識別的方法及系統的製作方法
技術領域:
本發明涉及地質環境遙感技術領域,尤其涉及一種基於LiDAR的複雜地質背景區滑坡識別的方法及系統。
背景技術:
滑坡是當今世界除地震以外造成巨大經濟損失的地質災害。近些年來,在全球極端氣候增多背景下,滑坡災害事件頻發,嚴重威脅人民群眾的生命財產安全。滑坡預測預警是滑坡災害防治的重要工作內容之一,而滑坡的精準識別又是滑坡預測預警的關鍵技術問題之一。因此,開展滑坡識別研究可以為滑坡預測預警及災害防治工程提供技術支撐,具有重大的理論意義和工程價值。目前,滑坡識別方法主要分為3類(I)傳統的野外實地調查方法。該方法能夠近距離觀察滑坡的基本地質和地貌條件,但是工作效率低,並且對於地形切割強烈、植被覆蓋度高的複雜地質背景區,無法近距離到達進行實地調查;(2)光學遙感技術尤其是高空間解析度遙感技術支持下的滑坡識別方法。該方法在複雜地質背景條件下,能夠識別出已經發生滑動的滑坡幾何屬性,但是其成像特徵決定了其無法穿透植被、難以獲取山體陰影下的地表信息,所以難以識別出緩動型滑坡,並且數據採集受天氣因素影響較大,因此限制了光學成像技術用於複雜地質背景條件下的滑坡識別;(3)幹涉雷達測量技術。目前,幹涉雷達衛星數據獲取難度大,數據成本高,並且在複雜地質背景區受植被、大氣等幹擾因素太多,少有成功的案例。LiDAR (Light Detection And Ranging,機載雷射雷達)是近十年來飛速發展起來的遙感技術,通過多次回波能夠穿透中等覆蓋度以下的植被,獲取大面積、高密度山體陰影下的地面點雲數據,經過處理後能夠生成消除植被影響的、裸地表Im級的DEM (DigitalElevation Model,數字高程模型),利用此DEM可提取出多種精細地形參數。因此,當面對複雜地質背景區滑坡識別研究時,機載LiDAR具有明顯的技術優勢。但是,面對高解析度LiDAR DEM,傳統的DEM滑坡分析方法無法充分發揮LiDARDEM的數據優勢和技術優勢。如何從LiDAR DEM中挖掘更多的、能夠表徵複雜地質背景區滑坡的地表特徵參數,需要進一步研究。
發明內容
本發明要解決的技術問題在於針對現有技術中複雜地質背景區滑坡識別面臨的困境,以及傳統的基於DEM數據的滑坡識別方法存在的問題,提出一種數據需求少,充分挖掘了 LiDAR DEM數據,實用性強,能夠實現複雜地質背景區滑坡邊界的自動識別的基於LiDAR數據的複雜地質背景區滑坡識別方法及系統。本發明解決其技術問題所採用的技術方案是提供一種基於機載雷射雷達數據的複雜地質背景區滑坡識別的方法,包括以下步驟
SI、對LiDAR數據進行處理生成消除植被影響後裸地表的DEM數據;S2、從所述DEM數據中提取傳統的地貌特徵參數以及根據所述地貌特徵參數計算紋理特徵參數,生成特徵參數文件;S3、根據選定的研究區的部分已知滑坡像元和非滑坡像元,利用智能分類算法對所述特徵參數文件中的特徵參數進行重要性計算,確定最優特徵參數組合;S4、選擇所述研究區的部分已知滑坡像元、非滑坡像元的數據集作為訓練集,並不斷改變所述訓練集中的元素,結合所述最優特徵參數組合,利用智能分類算法預測已知滑坡像元、非滑坡像元的數據集並進行相關精度計算,獲得滿足預設精度條件的平衡係數,所述平衡係數為滿足預設精度條件時訓練集中的非滑坡像元數目與訓練集的滑坡像元數目的比值;S5、利用滿足所述平衡係數的訓練集以及所述最優特徵參數組合,訓練智能分類模型,預測已知滑坡像元、非滑坡像元的數據集,並計算平均用戶精度、平均生產者精度和總體精度;S6、若所計算的平均用戶精度、平均生產者精度和總體精度滿足精度要求,則利用滿足所述平衡係數的訓練集以及所述最優特徵參數組合,訓練智能分類模型,並預測整個研究區的滑坡像元、非滑坡像元數據集,使用邊緣檢測算子計算滑坡邊界,實現滑坡識別。本發明所述的基於機載雷射雷達數據的複雜地質背景區滑坡識別的方法中,所述智能分類算法為隨機森林算法,所述智能分類模型為隨機森林模型。本發明所述的基於機載雷射雷達數據的複雜地質背景區滑坡識別的方法中,所述傳統的地貌特徵參數包括高程、坡度、坡向以及像元檢測窗口內的高程、坡度、坡向的平均值和標準差。本發明所述的基於機載雷射雷達數據的複雜地質背景區滑坡識別的方法中,所述像元檢測窗口為3 X 3像元檢測窗口。本發明所述的基於機載雷射雷達數據的複雜地質背景區滑坡識別的方法中,所述紋理特徵參數包括相關性、對比度、二階矩、熵、同質性在四個紋理方向的平均值,以及基於坡向方向的相關性、對比度、二階矩、熵、同質性。本發明所述的基於機載雷射雷達數據的複雜地質背景區滑坡識別的方法中,所述四個紋理方向包括西-東方向、西南-東北方向,南-北方向和東南-西北方向。本發明所述的基於機載雷射雷達數據的複雜地質背景區滑坡識別的方法中,步驟S3具體為選取已知滑坡像元、非滑坡像元數據集中所有的滑坡像元和等數量的非滑坡像元作為訓練集,並以該訓練集為已知數據利用智能分類算法進行計算,得到所述特徵參數文件中所有特徵參數重要性的值,並對其從高到低進行排序,將前X個特徵參數作為最優特徵參數組合,其中X為袋外誤差最小時對應的特徵參數的個數。本發明所述的基於機載雷射雷達數據的複雜地質背景區滑坡識別的方法中,步驟S4中獲得所述平衡係數具體過程為根據選擇的像元確定已知滑坡像元、非滑坡像元數據集中非滑坡像元與滑坡像元的比值m ;選取已知滑坡像元、非滑坡像元的數據集中20%的滑坡像元和一定數量的非滑坡像元作為訓練集,訓練集中的非滑坡像元數目為訓練集的滑坡像元數目的k倍,k=l+0. 1*η, η 為整數;η從O開始取值,η每次增加I,訓練集隨著η值的變化而不斷變化,用該訓練集訓練智能分類模型,預測整個已知數據集,並計算平均用戶精度和平均生產者精度,直至k小於或等於m;以k值為橫軸,平均用戶精度、平均生產者精度為縱軸作曲線,獲得曲線中平均用戶精度和平均生產者精度之差絕對值最小時的k值,將此時的k值作為平衡係數。本發明解決其技術問題所採用的另一技術方案是提供一種基於機載雷射雷達數據的複雜地質背景區滑坡識別系統,包括LiDAR數據處理模塊,用於對LiDAR數據進行處理生成消除植被影響後裸地表的DEM數據;特徵參數文件生成模塊,用於從所述DEM數據中提取傳統的地貌特徵參數以及根據所述地貌特徵參數計算紋理特徵參數,生成特徵參數文件;最優特徵參數組合確定模塊,用於根據選定的研究區的部分已知滑坡像元和非滑坡像元,利用智能分類算法對所述特徵參數文件中的特徵參數進行重要性計算,確定最優特徵參數組合;平衡係數計算模塊,用於選擇所述研究區的部分已知滑坡像元、非滑坡像元的數據集作為訓練集,並不斷改變所述訓練集中的元素,結合所述最優特徵參數組合,利用智能分類算法預測已知滑坡像元、非滑坡像元的數據集並進行相關精度計算,獲得滿足預設精度條件的平衡係數,所述平衡係數為滿足預設精度條件時訓練集中的非滑坡像元數目與訓練集的滑坡像元數目的比值;精度計算模塊,用於根據所述研究區的部分已知滑坡像元和非滑坡像元以及所述最優特徵參數組合,訓練智能分類模型,預測已知滑坡像元、非滑坡像元的數據集,並計算平均用戶精度、平均生產者精度和總體精度;滑坡識別模塊,用於在所計算的平均用戶精度、平均生產者精度和總體精度滿足精度要求時,利用滿足所述平衡係數的訓練集以及所述最優特徵參數組合,訓練智能分類模型,並預測整個研究區的滑坡像元、非滑坡像元數據集,使用邊緣檢測算子計算滑坡邊界,實現滑坡識別。本發明所述的基於機載雷射雷達數據的複雜地質背景區滑坡識別系統中,所述傳統的地貌特徵參數包括高程、坡度、坡向以及像元檢測窗口內的高程、坡度、坡向的平均值和標準差;所述紋理特徵參數包括相關性、對比度、二階矩、熵和同質性在四個紋理方向的平均值,以及基於坡向方向的相關性、對比度、二階矩、熵和同質性。本發明產生的有益效果是本發明利用機載雷射雷達技術能夠獲取米級、高密度地表點雲數據、消除植被影響的DEM數據的特徵,提取紋理特徵參數,生成特徵參數文件,再通過計算獲取最優特徵參數組合,利用最優特徵參數組合和智能分類算法預測已知滑坡像元、非滑坡像元的數據集,並計算平均用戶精度、平均生產者精度和總體精度;若所計算的平均用戶精度、平均生產者精度和總體精度滿足精度要求,則利用滿足平衡係數的訓練集以及最優特徵參數組合,訓練智能分類模型,並預測整個研究區的滑坡像元、非滑坡像元數據集,使用邊緣檢測算子計算滑坡邊界,實現滑坡識別。本發明的實現對數據需求少,從DEM數據中提取傳統的地貌特徵參數以及從地貌特徵參數中提取紋理特徵參數,生成特徵參數文件,可充分挖掘LiDAR-DEM數據在滑坡地形分析中的應用潛力;採用智能分類算法使得模型分類精度很高,實用性強,能夠實現複雜地質背景區滑坡邊界的自動識別。
下面將結合附圖及實施例對本發明作進一步說明,附圖中圖I為本發明實施例基於LiDAR的複雜地質背景區滑坡識別的方法的流程圖;圖2為本發明較佳實施例基於LiDAR的複雜地質背景區滑坡識別的方法的具體流程
圖3為本發明較佳實施例坡向與紋理方向的關係圖;圖4為本發明實施例的灰度共生矩陣示意圖;圖5為本發明實施例的特徵參數選擇圖;圖6為本發明實施例不斷改變所述訓練集中的元素,利用隨機森林算法預測已知滑坡像元、非滑坡像元的數據集時所計算的平均用戶精度和平均生產者精度和k值的關係圖;圖7為本發明實施例長江某地區的滑坡識別結果;圖8為本發明實施例基於機載雷射雷達數據的複雜地質背景區滑坡識別系統結構示意圖。
具體實施例方式為了使本發明的目的、技術方案及優點更加清楚明白,以下結合附圖及實施例,對本發明進行進一步詳細說明。應當理解,此處所描述的具體實施例僅用以解釋本發明,並不用於限定本發明。本發明利用機載雷射雷達技術能夠獲取米級、高密度地表點雲數據、消除植被影響的DEM數據的特徵,提出新的紋理特徵參數,能夠實現複雜地質背景區滑坡邊界的自動識別,實用性強,可提升「數字滑坡」的定量化水平。本發明實施例中利用長江某地區的基於LiDAR數據獲取的DEM數據進行滑坡自動識別,如圖I所示,本發明實施例基於機載雷射雷達數據的複雜地質背景區滑坡識別的方法,包括以下步驟SI J^tLiDAR (Light Detection And Ranging,機載雷射雷達)數據進行處理生成消除植被影響後裸地表的DEM (Digital Elevation Model,數字高程模型)數據,可以簡稱為 LiDAR-DEM 數據;S2、從DEM數據中提取傳統的地貌特徵參數以及根據地貌特徵參數計算紋理特徵參數,生成特徵參數文件;S3、根據選定的研究區的部分已知滑坡像元和非滑坡像元,利用智能分類算法從特徵參數文件中確定最優特徵參數組合;S4、選擇研究區的部分已知滑坡像元和非滑坡像元作為訓練集,並不斷改變訓練集中的元素,獲得滿足預設精度條件的平衡係數,該平衡係數為滿足預設條件時訓練集中的非滑坡像元數目與訓練集的滑坡像元數目的比值;S5、根據研究區的部分已知滑坡像元和非滑坡像元以及最優特徵參數組合,訓練智能分類模型,預測已知滑坡像元、非滑坡像元的數據集,並計算平均用戶精度、平均生產者精度和總體精度;S6、若所計算的平均用戶精度、平均生產者精度和總體精度滿足精度要求,則利用滿足平衡係數的訓練集以及最優特徵參數組合,訓練智能分類模型,並預測整個研究區的滑坡像元、非滑坡像元數據集,使用邊緣檢測算子計算滑坡邊界,實現滑坡識別。在本發明實施例中,傳統的地貌特徵參數包括高程、坡度、坡向以及像元檢測窗口內的高程、坡度、坡向的平均值和標準差。本發明實施例中採用的像元檢測窗口為3X3像元檢測窗口。在其他實施例中也可以選擇如5X5、7X7像元檢測窗口等。在本發明實施例中,智能分類算法採用森林隨機算法,相應地智能分類模型為隨
機森林模型。可以理解的是,也可以採用其他的智能分類算法,如神經元網絡法、支持向量機法等。本發明的一個實施例中,紋理特徵參數包括相關性、對比度、二階矩、熵和同質性在四個紋理方向的平均值,以及基於坡向方向的相關性、對比度、二階矩、熵和同質性。其中,在本發明的一個實施例中,四個紋理方向包括西-東(W-E)方向、西南-東北(SW-NE)方向、南-北(S-N)方向和東南-西北(SE-NW)方向。如圖2所示,本發明較佳實施例中,步驟S2中從LiDAR-DEM數據中提取的地貌特徵參數具體包括I)提取高程、坡度和坡向信息。把高程、坡度、坡向圖像每個柵格的值分別輸入到三個矩陣中,即高程矩陣、坡度矩陣、坡向矩陣。圖像中柵格的行列號與矩陣的行列號是一一對應的,即圖像中最上面的一行為第一行,從上到下行數依次增大,圖像的最左邊的一列為第一列,從左到右列數依次增大。2)提取3X3像元窗口內高程、坡度、坡向的平均值和標準差。首先取3X3像元檢測窗口,並新建六個矩陣,分別為高程平均值矩陣、高程標準差矩陣、坡度平均值矩陣、坡度標準差矩陣、坡向平均值矩陣、坡向標準差矩陣,且每個矩陣中的每個元素均預設為O ;然後從高程圖像的左上角開始,獲取3X3像元檢測窗口內的9個像元的高程值,計算9個像元值的平均值(Mea)和標準差(Stdv),計算公式如下
Ntr
N
V (P1 - Mean)"
Stdv = \ --(λ )
\ N-1其中Pi為檢測窗口內像元的高程值,N為像元總數。將計算出來的平均值和標準差賦值給檢測窗口的中心像元,即分別賦給高度平均值矩陣和高度標準差矩陣的第二行第二列的元素;接著按從左到右、從上到下的順序移動3 X 3像元檢測窗口(每次移動一個像元),依次計算平均值和標準差,並賦值給高程平均值矩陣和高程標準差矩陣中相應的元素;最後按照上述方法分別計算坡度平均值矩陣、坡度標準差矩陣和坡向平均值矩陣、坡向標準差矩陣。步驟S2中根據地貌特徵參數計算紋理特徵參數具體包括I)計算高程、坡度、坡向在四個紋理方向的平均相關性、對比度、二階矩、熵、同質性等紋理特徵參數,具體包括以下步驟首先取3X3像元檢測窗口,並新建十五個矩陣,分別為平均的高程、坡度、坡向相關性、對比度、二階矩、熵、同質性,且每個矩陣中的每個元素均預設為O。然後從高程圖像的左上角開始,獲取3X3像元檢測窗口內的像元值,並建立一個3X3的矩陣,通過該矩陣計算四個紋理方向(0° (W-E)、45° (SW-NE)、90° (S-N)和135° (SE-NW))的灰度共生矩陣(GLCM),然後計算得到GLCM的對稱、歸一化矩陣。GLCM及其對稱、歸一化矩陣計算方法如下以圖4為例,矩陣I有8個元素1-8,則其GLCM大小為8X8,GLCM中每個元素代表矩陣I中元素i、j (i,j=l,2,3,…,8)鄰接的頻數,從例圖中可以看出=GLCM中第一行第一列的元素I表示矩陣I中兩個元素I水平鄰接個次數為I ;GLCM中第一行第二列的元素2表示矩陣I中元素I和元素2水平鄰接個次數為2。然後使GLCM加上其轉置矩陣,即得到其對稱陣。接著把GLCM對稱陣中的每個元素均除以該矩陣所有元素之和,及得到GLCM的對稱、歸一化矩陣。其中紋理方向如圖3所示,圖3中,實線箭頭為坡向方向,虛線箭頭為紋理方向,W-E為西-東方向,SW-NE為西南-東北方向,S-N為南-北方向,SE-NW為東南-西北方向。紋理方向實質上是矩陣I中元素的鄰接方向。圖4中橢圓內的元素對I、I和1、2為水平方向(0° )鄰接,其紋理方向為0° (W-E);橢圓內的元素對7、8為45°方向鄰接,其紋理方向為45° (SW-NE);橢圓內的元素對4、2為90°方向鄰接,其紋理方向為90° (S-N);橢圓內的元素對7、3為135°鄰接方向,其紋理方向為135° (SE-NW))。由於紋理窗口為3 X 3像元,本方法中元素之間的鄰接距離均設為1,即圖4中顯示的元素對之間在紋理方向上距離為I個像元。根據GLCM對稱、歸一化矩陣按照相關性(Cor )、對比度(Con)、二階矩(Asm)、熵(Ent)和同質性(Hom)的公式分別計算四個方向的高程相關性、高程對比度、高程二階矩、高程熵、高程同質性,並對它們取平均值,分別得到平均的高程相關性、平均的高程對比度、平均的高程二階矩、平均的高程熵、平均的高程同質性。然後把它們賦值給平均的高程相關性矩陣、平均的高程對比度矩陣、平均的高程二階矩矩陣、平均的高程熵矩陣、平均的高程同質性矩陣中相應的元素。接著按從左到右、從上到下的順序移動3X3像元檢測窗口(每次移動一個像元),依次計算平均的高程相關性、平均的高程對比度、平均的高程二階矩、平均的高程熵、平均的高程同質性,並賦值給相應矩陣的相應元素;最後按照上述方法分別計算得到平均的坡度相關性矩陣、平均的坡度對比度矩陣、平均的坡度二階矩矩陣、平均的坡度熵矩陣、平均的坡度同質性矩陣和平均的坡向相關性矩陣、平均的坡向對比度矩陣、平均的坡向二階矩矩陣、平均的坡向熵矩陣、平均的坡向同質性矩陣。
權利要求
1.一種基於機載雷射雷達數據的複雜地質背景區滑坡識別的方法,其特徵在於,包括以下步驟 51、對LiDAR數據進行處理生成消除植被影響後裸地表的DEM數據; 52、從所述DEM數據中提取傳統的地貌特徵參數以及根據所述地貌特徵參數計算紋理特徵參數,生成特徵參數文件; 53、根據選定的研究區的部分已知滑坡像元和非滑坡像元,利用智能分類算法對所述特徵參數文件中的特徵參數進行重要性計算,確定最優特徵參數組合; 54、選擇所述研究區的部分已知滑坡像元、非滑坡像元的數據集作為訓練集,並不斷改變所述訓練集中的元素,結合所述最優特徵參數組合,利用智能分類算法預測已知滑坡像元、非滑坡像元的數據集並進行相關精度計算,獲得滿足預設精度條件的平衡係數,所述平衡係數為滿足預設精度條件時訓練集中的非滑坡像元數目與訓練集的滑坡像元數目的比值; 55、利用滿足所述平衡係數的訓練集以及所述最優特徵參數組合,訓練智能分類模型,預測已知滑坡像元、非滑坡像元的數據集,並計算平均用戶精度、平均生產者精度和總體精度; 56、若所計算的平均用戶精度、平均生產者精度和總體精度滿足精度要求,則利用滿足所述平衡係數的訓練集以及所述最優特徵參數組合,訓練智能分類模型,並預測整個研究區的滑坡像元、非滑坡像元數據集,使用邊緣檢測算子計算滑坡邊界,實現滑坡識別。
2.根據權利要求I所述的基於機載雷射雷達數據的複雜地質背景區滑坡識別的方法,其特徵在於,所述智能分類算法為隨機森林算法,所述智能分類模型為隨機森林模型。
3.根據權利要求2所述的基於機載雷射雷達數據的複雜地質背景區滑坡識別的方法,其特徵在於,所述傳統的地貌特徵參數包括高程、坡度、坡向以及像元檢測窗口內的高程、坡度、坡向的平均值和標準差。
4.根據權利要求3所述的基於機載雷射雷達數據的複雜地質背景區滑坡識別的方法,其特徵在於,所述像元檢測窗口為3 X 3像元檢測窗口。
5.根據權利要求4所述的基於機載雷射雷達數據的複雜地質背景區滑坡識別的方法,其特徵在於,所述紋理特徵參數包括相關性、對比度、二階矩、熵和同質性在四個紋理方向的平均值,以及基於坡向方向的相關性、對比度、二階矩、熵和同質性。
6.根據權利要求5所述的基於機載雷射雷達數據的複雜地質背景區滑坡識別的方法,其特徵在於,所述四個紋理方向包括西-東方向、西南-東北方向,南-北方向和東南-西北方向。
7.根據權利要求6所述的基於機載雷射雷達數據的複雜地質背景區滑坡識別的方法,其特徵在於,步驟S3具體為 選取已知滑坡像元、非滑坡像元數據集中所有的滑坡像元和等數量的非滑坡像元作為訓練集,並以該訓練集為已知數據利用智能分類算法進行計算,得到所述特徵參數文件中所有特徵參數重要性的值,並對其從高到低進行排序,將前X個特徵參數作為最優特徵參數組合,其中X為袋外誤差最小時對應的特徵參數的個數。
8.根據權利要求7所述的基於機載雷射雷達數據的複雜地質背景區滑坡識別的方法,其特徵在於,步驟S4中獲得所述平衡係數具體過程為根據選擇的像元確定已知滑坡像元、非滑坡像元數據集中非滑坡像元與滑坡像元的比值m ; 選取已知滑坡像元、非滑坡像元的數據集中20%的滑坡像元和一定數量的非滑坡像元作為訓練集,訓練集中的非滑坡像元數目為訓練集的滑坡像元數目的k倍,k=l+0. 1*η,η為整數; η從O開始取值,η每次增加1,訓練集隨著η值的變化而不斷變化,用該訓練集訓練智能分類模型,預測整個已知數據集,並計算平均用戶精度和平均生產者精度,直至k小於或等於m ; 以k值為橫軸,平均用戶精度、平均生產者精度為縱軸作曲線,獲得曲線中平均用戶精度和平均生產者精度之差絕對值最小時的k值,將此時的k值作為平衡係數。
9.一種基於機載雷射雷達數據的複雜地質背景區滑坡識別系統,其特徵在於,包括 LiDAR數據處理模塊,用於對LiDAR數據進行處理生成消除植被影響後裸地表的DEM數據; 特徵參數文件生成模塊,用於從所述DEM數據中提取傳統的地貌特徵參數以及根據所述地貌特徵參數計算紋理特徵參數,生成特徵參數文件; 最優特徵參數組合確定模塊,用於根據選定的研究區的部分已知滑坡像元和非滑坡像元,利用智能分類算法對所述特徵參數文件中的特徵參數進行重要性計算,確定最優特徵參數組合; 平衡係數計算模塊,用於選擇所述研究區的部分已知滑坡像元、非滑坡像元的數據集作為訓練集,並不斷改變所述訓練集中的元素,結合所述最優特徵參數組合,利用智能分類算法預測已知滑坡像元、非滑坡像元的數據集並進行相關精度計算,獲得滿足預設精度條件的平衡係數,所述平衡係數為滿足預設精度條件時訓練集中的非滑坡像元數目與訓練集的滑坡像元數目的比值; 精度計算模塊,用於根據所述研究區的部分已知滑坡像元和非滑坡像元以及所述最優特徵參數組合,訓練智能分類模型,預測已知滑坡像元、非滑坡像元的數據集,並計算平均用戶精度、平均生產者精度和總體精度; 滑坡識別模塊,用於在所計算的平均用戶精度、平均生產者精度和總體精度滿足精度要求時,利用滿足所述平衡係數的訓練集以及所述最優特徵參數組合,訓練智能分類模型,並預測整個研究區的滑坡像元、非滑坡像元數據集,使用邊緣檢測算子計算滑坡邊界,實現滑坡識別。
10.根據權利要求9所述的基於機載雷射雷達數據的複雜地質背景區滑坡識別系統,其特徵在於,所述傳統的地貌特徵參數包括高程、坡度、坡向以及像元檢測窗口內的高程、坡度、坡向的平均值和標準差; 所述紋理特徵參數包括相關性、對比度、二階矩、熵和同質性在四個紋理方向的平均值,以及基於坡向方向的相關性、對比度、二階矩、熵和同質性。
全文摘要
本發明公開了一種基於LiDAR的複雜地質背景區滑坡識別的方法及系統,其中方法包括以下步驟S1、對LiDAR數據進行處理生成消除植被影響後裸地表的DEM數據;S2、提取傳統的地貌特徵參數以及計算紋理特徵參數,生成特徵參數文件;S3、確定最優特徵參數組合;S4、獲得滿足預設精度條件的平衡係數;S5、計算平均用戶精度、平均生產者精度和總體精度;S6、若滿足精度要求,則使用邊緣檢測算子計算滑坡邊界,實現滑坡識別。本發明的實現對數據需求少,可充分挖掘LiDAR-DEM數據在滑坡地形分析中的應用潛力;模型分類精度很高,能夠實現複雜地質背景區滑坡邊界的自動識別。
文檔編號G01S17/89GK102819023SQ20121026554
公開日2012年12月12日 申請日期2012年7月27日 優先權日2012年7月27日
發明者陳偉濤, 李顯巨, 陳剛 申請人:中國地質大學(武漢)