基于多源数据融合的滑坡智能识别

摘要

滑坡灾害的识别与调查是防灾减灾工作的重要基础。传统的滑坡识别方法自动化程度较低,但基于深度学习的滑坡智能识别自动化程度较高,并且可以提高滑坡识别的精度与效率。首先,引入光学遥感影像、数字高程模型(DEM)数据、地质数据与降雨数据构建滑坡多源数据集,针对多源异构数据在量纲尺度上不统一的问题,设计了多源异构数据预处理流程和融合模型;其次,构建了Res-UNet模型作为滑坡智能识别的网络模型,并将训练集与测试集按照8∶2的比例进行划分;最后,采用不同数据输入方式进行滑坡识别,并将Res-UNet模型与主流的语义分割网络模型FCN、U-Net和SegNet进行对比。结果表明:多源数据输入相比单一数据输入具有更好的滑坡识别结果,在准确率(Precision)、召回率(Recall)、F1分数(F1-score)和平均交并比(MIoU)上都有5%以上的提升;Res-UNet模型的滑坡识别精度在0.85以上,具有优异的滑坡识别能力,可以为区域滑坡的快速准确识别提供技术支持。