CN119442922B 基于多源数据和深度学习的滑坡易发性评估方法和系统 （石家庄铁道大学）

基于多源数据和深度学习的滑坡易发性评本发明公开了一种基于多源数据和深度学习的滑坡易发性评估方法和系统，结合SBAS_InSAR技术、遥感影像分析、深度学习算法、TRIGRS_SCOOPS3D耦合模型与MASSFLOW模拟的滑2获取研究区域的高分辨率遥感图像和数字高程模型数据，通过SBAS_I卷积神经网络和YOLO算法获取地表形变特获取潜在滑坡点的地质环境数据，并筛选出地质环境数据具有滑坡影响力因素的特使用TRIGRS_SCOOPS3D耦合模型对降雨诱发的滑坡进行特征分析，获取不同降雨条件根据所述不同降雨条件下滑坡的稳定性和潜在滑坡的空间分布，通过MAS通过SBAS_InSAR技术计算卫星影像中研究区域的地表形变，获得研获取研究区域的高分辨率遥感图像和数字高程模型数据通过ElasticNet回归模型从所述地质环境数据中筛选出具有滑坡影响力因素的特根据地表形变特征和筛选特征，通过量子贝叶斯优化与自适应深潜在滑坡点信息获取模块，用于获取研究区域的高分辨率遥感滑坡易发性评估模型构建模块，用于获取潜在滑坡点的地质降雨因素分析模块，用于使用TRIGRS_SCOOPS3D耦合模型对降雨诱发的滑坡进行特征评估模块，用于根据所述不同降雨条件下滑坡的稳定性和潜在滑坡的3地表形变信息计算单元，用于通过SBAS_InSAR技术计算卫星影卷积提取特征获取单元，用于获取研究区域的高分辨率遥感图像和数字高程模型数定位单元，用于根据所述地表形变信息和卷积提取特征，通过Y地质环境数据获取单元，用于获取潜在滑坡点的地质环境数据，筛选单元，用于通过ElasticNet回归模型从所述地质环境数据中筛选出具有滑坡影构建单元，用于根据地表形变特征和筛选特征，通过5.一种计算机装置，包括存储器、处理器及存储在理器执行时实现权利要求1_2任一项所述方法4[0006]获取研究区域的高分辨率遥感图像和数字高程模型数据，通过SBAS_InSAR技术、深度卷积神经网络和YOLO算法获取地表形变特征和[0008]使用TRIGRS_SCOOPS3D耦合模型对降雨诱发的滑坡进行特征分析，获取不同降雨5[0016]通过ElasticNet回归模型从所述地质环境数据中筛选出具有滑坡影响力因素的[0022]降雨因素分析模块，用于使用TRIGRS_SCOOPS3D耦合模型对降雨诱发的滑坡进行[0023]评估模块，用于根据所述不同降雨条件下滑坡的稳定性[0030]筛选单元，用于通过ElasticNet回归模型从所述地质环境数据中筛选出具有滑6[0036]本发明提出了一种基于多源数据和深度学习的滑坡易发性评估方法及系统，包雨诱发的滑坡进行特征分析，获取不同降雨条件下滑坡的稳定性和潜在滑坡的空间分布；[0038]图1为本发明实施例的一种基于多源数据和深度学习的滑坡易发性评估方法流程[0044]如图1_4所示，本实施例中提供一种基于多源数据和深度学习的滑坡易发性评估[0045]获取研究区域的高分辨率遥感图像和数字高程模型数据，通过SBAS_InSAR技术、深度卷积神经网络和YOLO算法获取地表形变特征和7[0047]使用TRIGRS_SCOOPS3D耦合模型对降雨诱发的滑坡进行特征分析，获取不同降雨[0057]使用预训练的深度卷积神经网络（ResNet_34）对遥感图像进行特征提取，利用[0058]将SAR图像与遥感影像的数据融合，利用深度学习模型对地表变形区域进行精细较高的效率。8量等这些因子反映了当前的地质环境和外部因素。动作空间（Action通过强化学习学[0080]训练深度神经网络：利用DQN通过反向传播算法更新神经网络的权重。训练过程[0083]加权决策与优化：引入量子贝叶斯优化来自动调整模型的超参数（如DQN的学习9[0092]根据TRIGRS_SCOOPS3D模型的输出结果，使用MASSFLOW模型对区域潜在滑坡区域[0110]通过集成TRIGRS_SCOOPS3D和MASSFLOW模型的计算结果，建立滑坡风险评估与灾[0116]降雨因素分析模块，用于使用TRIGRS_SCOOPS3D耦合模型对降雨诱发的滑坡进行[0124]