CN119418185A 一种连续视角下的线性断裂构造遥感提取方法以及系统 （中国地质大学（武汉））

一种连续视角下的线性断裂构造遥感提取本发明提供了一种连续视角下的线性断裂所述数据集输入预先构建好的断裂构造概率图每一折的验证集最优结果，共获得K个训练好的张概率分布结果图，利用后处理模块对K张概率2构建同一区域的数据集，其中，所述数据集包括对所述数据集中的所述标签数据以及所述遥感影像数据进行预处理，将涵盖第二目标区域及其周边的第二连续遥感影像数据，输入基于所述概率，对多张所述概率分布结果图中所述像元进行筛选裂构造点的所述断裂构造面的结果图，对所述断裂构造面的结果图进行筛选和细化处理，将所述第二目标区域的目标遥感影像块以及所述目标遥感影像块的多个周边遥感影感影像块以及多个所述周边遥感影像块对应多构建好的所述断裂构造概率图生成模型包括多尺对所述数据集中的所述标签数据以及遥感影像数据进将所述数据集中所述标签数据以及遥感影像数据统一进行均将经过均匀切分后的所述数据集随机划分为符合预设比例的训练验证集和将所述训练验证集中的所述第一连续遥感影像数据划分为K个大小相等的子集，并依6.根据权利要求2或3所述的连续视角下的线性断裂构造遥感提取方法，其特征在于，3连续遥感影像数据包括第一连续遥感影像数据和第二连续遥感7.根据权利要求1_5任一项所述的连续视角下的线性断裂构造遥感提取方法，其特征对于多张所述概率分布结果图中每个相同的所述像元，确定所述概率所述平均值大于或等于机器学习分类概率的所述像元保留后作为断裂构造发生的关键点，对于多张所述概率分布结果图中每个相同的所述像元，确定所述概率所述最大值大于或等于所述机器学习分类概率的所述像元保留后作为断裂构造发生的可将所述断裂构造面的结果图整个转化为矢量shape数据，将所述矢量s保留包含所述关键点的所述可能面对应的所述连续矢9.根据权利要求1_5任一项所述的连续视角下的线性断裂构造遥感提取方法，其特征获取所述同一区域的符合预设分辨率的遥感影像数据，以及符合其周边的第一连续遥感影像数据以及第一目标区域的断裂构模型优化模块，用于对所述数据集中的所述标签数据以及遥感影像数据进行预处理，概率分布结果图生成模块，用于将涵盖第二目标区域及其周边的第断裂构造后处理模块，用于基于所述概率，对多张所述概4[0002]断裂构造是岩石因受构造应力作用沿着一定方向产生机械破裂而失去其连续性[0004]本发明所要解决的是现有技术中利用遥感数据进行解译时存在对人工依赖性较续遥感影像数据以及第一目标区域的断裂构造[0011]可选地，所述对所述数据集中的所述标签数据以及遥感影像数据进行预处理包5[0013]将经过均匀切分后的所述数据集随机划分为符合预设比例的训练验证集和测试[0015]将所述训练验证集中的所述第一连续遥感影像数据划分为K个大小相等的子集，的断裂构造概率图生成模型进行K次训练和验证，得到K个所述断裂构造概率图生成模型，区域的目标遥感影像块以及所述目标遥感影像块的多个周边遥感影像块输入训练好的多所述编码器用于在不同大小的感受野下提取连续遥感影像数据中断裂构造的抽象特征以[0019]对于多张所述概率分布结果图中每个相同的所述像元，并将所述平均值大于或等于机器学习分类概率的所述像元保留后作为断裂构造发生的关[0020]对于多张所述概率分布结果图中每个相同的所述像元，并将所述最大值大于或等于所述机器学习分类概率的所述像元保留后作为断裂构造发生6[0029]可选地，所述对所述数据集中的所述标签数据以及遥感影像数据进行预处理包[0031]将经过均匀切分后的所述数据集随机划分为符合预设比例的训练验证集和测试[0032]将经过均匀切分后的所述数据集随机划分为符合预设比例的训练验证集和测试[0034]将所述训练验证集中的所述第一连续遥感影像数据划分为K个大小相等的子集，的断裂构造概率图生成模型进行K次训练和验证，得到K个所述断裂构造概率图生成模型，[0035]本发明通过包括遥感影像数据以及断裂构造面的标签数据的数据集的构建以及覆盖的连续影像块的形式出现，其模拟了地质人员在断裂构造解译视角下的观测连续性，段的标签仅仅包含第一目标区域的标签栅格数据，不包括周边的多个连续位置的标签数入训练好的多个所述断裂构造概率图生成模型交叉和验证的方法生成)，获得与第二连续遥感影像数据对应的多张第二目标区域的概率分布结果图(每次输入的第二连续遥感影像准地解译了所述断裂构造面的分布，随后对所述断裂构造面的结果图进行筛选和细化处7域及其周边的第一连续遥感影像数据以及第一目标区域的断裂构造面的[0046]图1示出了本发明实施例中一种连续视角下的线性断裂构造遥感提取方法的流程[0047]图2示出了本发明实施例中多个连续位置的连续遥感影像数据输入后断裂构造线8[0056]参照图1所示，本发明实施例提出了一种连续视角下的线性断裂构造遥感提取方一连续遥感影像数据以及第一目标区域的断裂构[0059]具体地，在确定研究区域后，获取该区域的遥感影像数据，比如非常高分辨率预处理的所述数据集，对预先构建好的断裂构造概率图生成模型进行多折交叉训练和验图仅包括第二目标区域的概率分布结果图，每张所述概率分布结果图由多个像元拼接而[0063]像元是一个地理信息系统(GIS)中的基本概念，它指的是地图或图像中最小可分据和第二连续遥感影像数据以目标遥感影像块以及多个所述周边遥感影像块的形式输入，9骤中)与断裂构造相关的连续性后处理的结果可靠性和对结果的不确定性评断裂构造点可以认为是被判定为极有可能发生断裂构造的断果也仅仅包含目标影像块位置的解译结果(多张个所述断裂构造概率图生成模型后(多个模次输入的第二连续遥感影像数据可以对应多张第二目标区域概率分布结果图)，每张第二裂构造的线性连续性特性，也就是在一个高概率断裂构造点的附近大概率存在断裂构造。[0069]第二连续遥感影像数据包括所述目标遥感影像块以及多个所述周边遥感影像块[0072]将所述第二目标区域的目标遥感影像块以及所述目标遥感影像块的多个周边遥感影像块输入训练好的多个所述断裂构造概率图生成模型，获得多张所述概率分布结果感影像数据中目标遥感影像块中每个像元存在断述下采样模块还分别添加有多尺度注意力模块[0081]其中Out表示一个下采样模块输出的结果，x表示下采样模块的输入数据，而[0082]参照图4，所述多尺度注意力模块包括多视野学习模块(ASPP)和注意力模块均池化函数用于将多尺度的断裂构造特征在水平及垂直坐标两个空间维度分别进行平均[0088]本实施例在实际中应用时，通过断裂构造概率图生成模型下神经网络结构的组割模型，高于经典流行或较新的语义分割模型，具体而言，在像元尺度上，该模型的能面的后处理模块在准确预测断裂构造上的关确的断裂构造像元的比例(Precision＝预测正确的断裂构造像元数/全部预测为断裂构造正确断裂构造像元的百分比(Recall＝预测正确的断裂构造像元数/标签为断裂构造的像[0093]具体地，将1:5万比例尺地质图中的断裂构造面的标签数据和该区域的高分辨率[0094]将经过均匀切分后的所述数据集随机划分为符合预设比例的训练验证集和测试或者采用random(随机函数)自动从数据集中随机挑选固定的个数，以符合预设比例的设[0097]将所述训练验证集中的所述第一连续遥感影像数据划分为K个大小相等的子集，的断裂构造概率图生成模型进行K次训练和验证，得到K个所述断裂构造概率图生成模型，平均值和标准偏差值对影像进行归一化处理。批量大小设置为10，训练迭代次数设置为计算直接采用五折交叉验证法中最大的MIOU值所对应的模型参数生成最终的断裂面结果[0103]对于多张所述概率分布结果图中每个相同的所述像元，并将所述平均值大于或等于机器学习分类概率的所述像元保留后作为断裂构造发生的关[0107]对于多张所述概率分布结果图中每个相同的所述像元，并将所述最大值大于或等于所述机器学习分类概率的所述像元保留后作为断裂构造发生)>＝0.5]；置就代表着发生断裂构造的可能性高，故而利用概率高的关键点进行选择可能面的范围，[0118]具体地，将可能面及关键点的栅格数据分别(断裂构造面的结果图)转换为矢量[0121]本实施例中涉及栅格数据和矢量数据(shape数据)之间的转换是现有技术中常见精度DEM数据和Sar数据，对下载的SAR，多光谱等遥感影像合并成一张图多个通道的数据数据为断裂构造矢量shp类型的线数据(指将地理信息以矢量数据的形式存储在shp文件中[0127]标签数据是用于指导模型训练的目标数值或类别，对于断裂构造概率图生成模标区域及其周边的第一连续遥感影像数据以及第一目标区域的断裂构造面的标[0132]模型优化模块220，用于对所述数据集中的所述标签数据以及遥感影像数据进行[0133]概率分布结果图生成模块230，用于将涵盖第二目标区域及其周边的第二连续遥现如上所述的连续视角下的线性断裂构造遥存储器310被配置为存储计算机程序；所述处理器320被配置为当执行所述计算机程序时，续遥感影像数据以及第一目标区域的断裂构造续遥感影像数据以及第一目标区域的断裂构造(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动