基于地学知识与细节特征的滑坡提取深度学习方法
文献类型：学位论文
| 作者 | 刘冰雪 |
| 答辩日期 | 2025-05 |
| 文献子类 | 学术型学位 |
| 授予单位 | 中国科学院大学 |
| 授予地点 | 中国科学院地理科学与资源研究所 |
| 导师 | 王伟 |
| 关键词 | 遥感 滑坡分割 深度学习 细节信息 注意力机制 |
| 学位名称 | 硕士 |
| 学位专业 | 地图学与地理信息系统 |
| 英文摘要 | 滑坡是经常发生的地质灾害之一，并且受地形、地势以及地震扰动的影响较大，在地震灾害中，滑坡是造成灾害损失的重要因素之一。在地震频发地区，滑坡灾害会对当地的生命财产安全和经济发展造成严重威胁。对滑坡频发区域进行地震滑坡的识别与分割，为突发灾害的救援工作提供数据支持，有利于保障居民的生命财产安全、减少经济损失。目前在实际应用中，多数滑坡制图工作仍然采用的是基于图像的人工目视解译或野外测绘等方式，但这种方法通常需要耗费较多的时间、资源等成本。随着计算机技术和人工智能方法的不断发展，机器学习方法不断在图像识别领域得到广泛应用，深度学习方法更是可以实现全自动化的流程，这也为遥感领域的滑坡信息识别与分割任务提供了思路和方法。本文基于四川泸定区域的滑坡遥感影像数据，制作深度网络模型所需的数据集，使用各种深度学习模型进行滑坡分割实验并对比分析，在此基础上针对滑坡特征进行网络结构的改进，实现滑坡的高自动化、高精度识别。主要研究内容和成果包括： （1）滑坡分割实验数据集生成。本文以高分六号遥感影像作为数据源，经过研究区裁剪、通道分离、归一化等操作分别制作训练数据集、验证数据集以及测试模型泛化性的测试数据集。结合开源平台的研究区内滑坡矢量数据进行滑坡边界二次修正后，得到用于模型训练的标签数据集。在以上处理的基础上，经过各种数据增强操作后，进行滑坡分割任务的深度网络模型训练。 （2）构建滑坡分割深度学习模型AST-Unet。为对不同结构的深度学习模型在滑坡分割任务中的表现进行分析，本文选取了三类目前常用于图像分割任务中的网络，包括基于卷积结构的深度模型、卷积结构与Transformer结构融合的深度模型以及基于Transformer结构的模型。本文选取Transformer结构的初衷是为了构建遥感影像中滑坡的上下文特征，即将地学知识融入模型。除此之外，为了探究不同网络结构对滑坡分割精度的影响，使模型更好地构建遥感影像多通道特征以及滑坡的复杂不规则特征，并在深度学习模型中优化模型对滑坡细节特征的恢复效果，本文在以上模型基础上进行网络结构的改进，通过在模型中添加多种注意力机制，提出了一种新型深度网络模型AST-Unet（Attention Swin-Transformer Unet）用于本文的滑坡分割实验，进而提升广义深度学习模型在滑坡识别领域的专业性应用价值。本文使用PyTorch框架对以上模型进行搭建，基于样本数据集进行训练和验证。 （3）滑坡分割实验结果分析。为了对AST-Unet模型中添加的各个模块在提升滑坡分割精度上的贡献进行验证，本文进行了消融实验，从定性和定量的角度证明了模型中添加的CASI模块和SDE模块的有效性。另外，文中选取多个其它在分割任务中常用的深度学习模型，与AST-Unet同时进行滑坡分割实验，实验结果表明AST-Unet在以下滑坡分割精度评估指标上都达到了最优：mIoU、F1-score以及HD95分别为83.45、90.14、3.73。在测试集上的泛化性验证实验也验证了改进后模型中添加的各个模块在滑坡分割任务中的有效性。最后，模型性能计算结果表明，AST-Unet模型能够在参数量较小且预测效率较高的前提下得到优异的滑坡分割精度。以上结果为将深度学习模型在滑坡分割领域中的进一步应用和研究提供了思路和基础。 |
| 学科主题 | 地图学与地理信息系统 |
| 语种 | 中文 |
| 页码 | 83 |
| 源URL | [http://ir.igsnrr.ac.cn/handle/311030/215733]  |
| 专题 | 地理科学与资源研究所_研究生部 |
| 推荐引用方式 GB/T 7714 | 刘冰雪. 基于地学知识与细节特征的滑坡提取深度学习方法[D]. 中国科学院地理科学与资源研究所. 中国科学院大学. 2025. |
入库方式： OAI收割
来源：地理科学与资源研究所
浏览0
下载0
收藏0
其他版本
除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。