[发明专利]一种基于单一类别支持向量机的崩滑隐患点检测方法

说明书

本发明为一种可以解决崩滑隐患样本数据存在的不确定性问题以及正负样本的不均衡性问题，基于单一类别支持向量机的崩滑隐患点检测方法，本发明的技术方案首先融合多种类型的数据，之后再通过训练单一类别支持向量机模型，得到已知存在崩滑隐患的样本点数据的支持向量域，最后再通过计算未知类别的采样样本点与支持向量域之间的距离，从而判断样本数据是否存在崩滑隐患。本发明的技术方案可以解决崩滑检测问题中存在的数据类别不确定性和正负样本的不均衡性，并综合利用多种类型数据的特征，来有效的检测存在的崩滑隐患。

技术领域

本发明属于地理遥感领域，进一步涉及基于单一类别支持向量机的崩滑隐患点检测方法。

背景技术

崩塌是最为常见的地质灾害之一，传统的崩塌地质灾害识别主要以人工现场勘查为主，辅助遥感影像、地理信息系统等手段，对崩塌隐患点进行统计和排查，耗时耗力，且不利于快速开展大范围内的隐患点调查。因此，充分利用现有数据，研究崩塌隐患的发育规律与特征，为现场勘查提供指导，增设防护措施提供依据，对于减少灾害人员伤亡、财产损失具有重要意义。

对于崩塌隐患点的识别和检测，目前存在多种方法，其中专家经验法主要是依靠专家自身的专业知识和经验，这种方法一般受评价者主观影响较大。而将多种因素按照不同的权重进行叠加，形成对崩塌区域的综合性评价则是另外一种类型的方法，这种方法主要利用主成分分析法、统计分析法、GIS技术、层次分析法、神经网络、模糊理论对崩塌隐患区域进行评价。使用深度学习、机器学习模型对是否包含崩塌隐患点进行二分类，是常用的分类评价，但是崩塌样本点相比较于其它样本数量较小，直接用于分类模型容易出现过拟合等问题，而且已知的样本点为崩塌隐患点数据(单一类别)，其余的采样点所属的类别并不能确定，可能存在崩滑隐患点，也可能不存在崩滑隐患点，在这样的数据集下训练的模型的分类结果并没有参考意义。

综上，建立单一类别的分类模型对崩滑隐患点的识别和检测有重要意义。

发明内容

本发明为解决采样样本数据存在的不确定性，以及正负样本的不均衡性，提出一种基于单一类别支持向量机的崩滑隐患点检测方法，

为实现上述目的，本发明采用的技术方案如下：

1.可选的对数据进行网格划分，每一个网格作为单个的样本数据，使用遥感、DEM、坡度、坡

向数据在通道这个维度上进行拼接，以多模态数据作为模型的输入，训练单一类别支持向量机模型，得到一个包含这个类别数据样本的圆形域，即支持向量域SVD。计算样本数据到支持向量域SVD之间的距离D，确定相似距离参数为ω，结合D和ω确定样本是否存在崩滑隐患点。

2.可选的训练的单一类别支持向量机模型，其可以在不训练负样本的前提下识别出正负样本，减少不确定性样本对模型的干扰，与传统SVM模型不同，其训练出来的是一个圆形支持向量域SVD。

F(R，a，ξ_i)＝R²+C∑_iξ_i

3.可选的计算样本数据到支持向量域SVD之间的距离D，在支持向量域中的点D值为负，反之则为正，计算公式：

D＝p²-2∑_ipα_ix_i+∑_i，jα_iα_j(x_i，x_j)≤R²

4.可选的确定相似距离参数为ω，根据D值在一定的阈值范围内可以确定该样本是否是崩滑隐患点，计算公式：