[发明专利]一种基于CNN与RNN集成的滑坡灾害易发性预测方法

权利要求书

1.一种基于CNN与RNN集成的滑坡灾害易发性预测方法，其特征在于，包括以下步骤：

S1：收集整理滑坡灾害研究区域的多源数据，并对所述多源数据的空间分辨率进行统一，得到空间分辨率统一后的多源数据；

S2：确定与滑坡有关的致灾因子，通过GIS平台从所述空间分辨率统一后的多源数据中提取致灾因子；

S3：叠加S2提取的滑坡致灾因子，并以栅格单元为单位逐行逐列提取致灾因子属性值，完成模型样本数据集的采集与量化，得到量化后的模型样本数据集；

S4：构建滑坡易发性模型；所述滑坡易发性模型由卷积神经网络模型与循环神经网络模型融合得到；

S5：利用所述量化后的模型样本数据分别对所述卷积神经网络和所述循环神经网络进行参数优化，得到优化后的卷积神经网络模型和优化完成后的循环神经网络模型；

S6：利用平均集成方法对优化后的卷积神经网络和优化后的循环神经网络进行融合，得到最终的滑坡易发性模型；

S7：利用所述最终的滑坡易发性模型预测整个研究区的滑坡易发性概率值，并根据概率值大小将研究区域划分为五个等级，包括极低、低、中、高和极高滑坡灾害易发性区，输出滑坡灾害易发性预测图。

2.根据权利要求1中所述的一种基于CNN与RNN集成的滑坡灾害易发性预测方法，其特征在于，步骤S2中与滑坡有关的致灾因子包括高程、坡向、距河流距离、距断层距离、土地利用、归一化植被指数、降雨量、坡度、径流强度指数、输沙指数和地形湿度指数。

3.根据权利要求1中所述的一种基于CNN与RNN集成的滑坡灾害易发性预测方法，其特征在于，步骤S5中所述卷积神经网络模型和所述循环神经网络模型，其构建的具体步骤如下：

S51：输入所述量化后的模型样本数据至所述卷积神经网络和所述循环神经网络；

S52：分别利用所述卷积神经网络的隐藏层和所述循环神经网络的隐藏层提取所述量化后的模型样本数据的滑坡信息；

S53：分别利用所述卷积神经网络的输出层和所述循环神经网络的输出层将提取出来的滑坡信息转换为滑坡灾害易发性概率值。

4.根据权利要求3中所述的一种基于CNN与RNN集成的滑坡灾害易发性预测方法，其特征在于，步骤S52中卷积神经网络隐藏层提取滑坡信息的公式如下式所示：

式(1)中，C_j为卷积神经网络隐藏层输出的滑坡信息，N为输入的滑坡致灾因子个数，k为隐藏层中卷积核的个数，i为致灾因子编号，j为第j个卷积核，f(·)为非线性激活函数，*代表卷积运算，v_i为输入的第i个致灾因子，w_j和b_j分别表示第j个卷积核的权重和偏置。

5.根据权利要求3中所述的一种基于CNN与RNN集成的滑坡灾害易发性预测方法，其特征在于，步骤S52中循环神经网络隐藏层提取滑坡信息的公式如下式所示：

R_i＝f(W_xx_i+W_Rh_i-1+b_R),i＝1,2,...,N (2)

式(2)中，R_i为循环神经网络隐藏层输出的滑坡信息，N为滑坡致灾因子的个数，i为致灾因子编号，h_i-1为第i-1个致灾因子包含的滑坡信息，x_i为输入的第i个致灾因子，f(·)为非线性激活函数，W_x表示连接输入层与隐藏层的权重，W_R为连接第i个隐藏层与第i-1个隐藏层之间的权重，b_R为偏置。