CN115761335B 基于多模态决策融合的滑坡风险点分类方法 （西安电子科技大学）

基于多模态决策融合的滑坡风险点分类方法本发明公开了一种基于多模态决策融合的少量样本情况中获得数字高程数据所蕴含的信利用高分遥感影像分类模型区分待检测样本是的地形分类结果对高分遥感影像分类结果进行2(1)从数字高程模型中提取所有RGB高分遥感影像对应的高度数据，构成与RGB高分遥获得的区域数字高程模型DEM划分为DEM训练集和DE(5)利用RGB高分遥感影像训练集数据和区域数字高程模型DEM训练集数据分别训练对(5b)将区域数字高程模型DEM训练集中的区域数字高程模型DEM加载到另一现有的分(6)利用上述步骤(5)获得的分类器分别在RGB高分遥感影像测试集和区域数字高程模(6a)利用(5a)获得的RGB高分遥感影像(6b)利用(5b)获得的区域数字高程模型DEM分类器fHS逐一对区域数字高程模型DEM测2.根据权利要求书1所述的方法，其特征在于，h/(i,j)＝h(i,j)min(h(i,j))其中h(i,j)是数字高程模型中对应坐标位置为(i,j)的数值，3依次为{d,e,f}，第三层依次为{g,h,i}，we_cellsize为东西方向上的像元大小，sn_(2e)设定阈值t为5°,并将每个图像对应的坡度图中最大坡度值Smax与该阈值进行比(5a2)将RGB高分影像数据xRGB加载(5a3)将分类器fRGBS的分类结果y/RGB与其对应的分类标签yRGB输入到交叉熵损失函数f(5a4)计算损失值lRGB对于分类器fRGBS参数的梯度，并按照梯度的负方向更新分类器(5b1)根据区域数字高程模型DEM分类模型对应的网络结构生成具有随机参数的分类(5b3)将分类器fHS的分类结果y/H与其对应的分类标签yH输入到损失交叉熵函数f(y/H,(5b4)计算损失值lH对于分类器fHS中参数的梯度，并按照梯度的负方向更新分类器fHS4(5b5)重复(5b2)～(5b4)直到最后损失值lH收敛，得到区域数字高程模型DEM分类器5点的检测相对于滑坡的检测在实际意义上更这对于高质量标注数据有限的滑坡风险点来说无疑是一个比提供更多数据特征。如季顺平等人在滑坡检测的研究《Landslidedetectionfromanopensatelliteimageryanddigitalelevationmodeldatasetusingattention理和提取DEM数据特征的方式进行。这种数据处理形式在数据量较大的情况下可以通过提取不同滑坡风险的DEM模型中的特征对滑坡风险点进行分类，以实现对滑坡风险点检测精6[0008](1)从数字高程模型中提取所有RGB高分遥感影像对应的高度数据，构成与RGB高提取获得的区域数字高程模型DEM划分为DEM训练集和DEM测试[0012](5)利用RGB高分遥感影像训练集数据和区域数字高程模型DEM训练集数据分别训[0013](5a)将RGB高分遥感影像训练集中的RGB高分遥感影像数据加载到现有的分类模[0014](5b)将区域数字高程模型DEM训练集中的区域数字高程模型DEM加载到另一现有[0016](6a)利用(5a)获得的RGB高分遥感影像分类器fRGBS逐一检测RGB高分遥感影像测[0017](6b)利用(5b)获得的区域数字高程模型DEM分类器fHS逐一对区域数字高程模型7[0027]RGB高分遥感影像为原始数据，其对应的数字高程模型数据在滑坡风险点检测中坐标系间地对应关系进行裁取，同时由于DEM所表示的海拔数据在不同地域和不同地域之所包含的地理坐标系信息和该RGB高分遥感影像的尺寸大小宽度w[0030]1.3)按照1.1)获得的尺寸信息和1.2)获[0035]为了在增加区域数字高程模型DEM后，整体分类模型对原有数据的分类的准确度[0037]2.1)计算数据集HS中每个图像中每个像元的东西向变化率和南北向变化率8[0040]2.2)根据2.1)的结果计算数据集HS内每个区域数字高程模型DEM图像的每一个像[0044]2.4)计算数据集HS内的每个区域数字高程模型DEM图像对应的坡度图中最大坡度[0045]2.5)设定阈值t为5°,将每[0049]将原始待进行有无滑坡风险点分类的RGB高分遥感影像样本随机划分成RGB训练行区域数字高程模型DEM数据集的划分，会出现部分RGB高分遥感影像样本被划分到RGB训骤1中裁切区域数字高程模型DEM时的一一对应关系和步骤3中RGB训练集和RGB测试集的划[0053]步骤5，利用RGB高分遥感影像训练集数据和区域数字高程模型DEM训练集数据分[0054]5.1)利用随机梯度下降优化方法对RGB高[0055]针对步骤3获取的RGB高分遥感影像训练集RGBStrain，选取现有合9[0056]5.1.1)根据所训练模型对应的网络结构生成具[0057]5.1.2)用获取到的公开的预训练文件内[0058]5.1.3)将RGB高分遥感影像数据[0062]5.2)利用随机梯度下降优化方法对区域数字高程模型DEM数据训练获得分类器[0063]本实例采用VisionInTransformer,VIT模型进行DEM分支数据的分类，VIT相对于其他的卷积神经网络分类模型具有更强的可解释性，VIT特有的位置编码特点使得模型[0065]5.2.1)根据区域数字高程模型DEM分类模型对应的网络结构生成具有随机参数的[0067]5.2.3)将区域数字高程模型DEM数据xH加载到区域数字高程模型[0069]5.2.5)计算区域数字高程模型DEM分类器fHS的损失值lH对于区域数字高程模型[0070]5.2.6)重复(5[0071]步骤6，利用RGB高分遥感影像分类器fRGBS和区域数字高程模型DEM分类器fHS分别在RGB高分遥感影像测试集和区域数字高程模型DEM测[0072]6.1)利用5.1)获得的RGB高分遥感影像分类器fRGBS逐一检测RGB高分遥感影像测[0073]对于步骤3获得的RGB高分遥感影像测试集RGBStest，本实例使用步骤5.1)获得的RGB高分遥感影像分类器fRGBS对其中各个待分类样本进行是否含有“有滑坡风险点”的分t[0074]6.2)利用5.2)获得