[发明专利]基于样本自动选择与地表形变速率的滑坡易发性评价方法

说明书

本发明公开一种基于样本自动选择与地表形变速率的滑坡易发性评价方法，包括以下步骤：提取评价因子，获取地表形变速率；自动选取不同时期的滑坡样本与非滑坡样本；利用选取的滑坡样本，对评价因子进行归一化处理；利用滑坡样本与非滑坡样本，训练sDAE‑RF模型，获取滑坡易发性初始概率；利用地表形变速率，对滑坡易发性初始概率进行修正，得到滑坡易发性评价分区图。本发明利用反映滑坡运动状态的地表形变速率，使评价结果与区域滑坡实际分布情况更相符，提高了评价方法的准确性与实用性，为后续滑坡灾害风险管理提供准确的决策资料。

技术领域

本发明属于滑坡灾害预测技术领域，具体涉及一种基于样本自动选择与地表形变速率的滑坡易发性评价方法。

背景技术

滑坡灾害是全球分布范围广、影响大、破坏严重的地质灾害之一。据不完全统计，我国已受到滑坡灾害威胁和可能受到滑坡威胁的地区约占全国陆地面积的1/5至1/4，因滑坡地质灾害造成的财产损失每年超过10亿元。因此，对滑坡灾害进行科学有效的风险管理至关重要。

滑坡灾害易发性评价是对滑坡灾害的时空分布和发生概率进行预测，可为滑坡灾害风险管理提供重要的决策依据。当前应用较多的易发性评价方法有两大类：第一类是基于知识驱动的评价方法，如层次分析法、专家打分法等经验模型；第二类基于数据驱动的评价方法，包括逻辑回归、信息量法、确定系数法等统计分析模型，及人工神经网络、支持向量机、随机森林等机器学习模型。与经验模型和统计分析模型相比，基于数据驱动的机器学习方法更能较好地分析评价因子和滑坡之间的非线性关系，且随着对地观测技术的飞速发展，地表观测的数据越来越丰富，使得基于数据驱动的机器学习模型已广泛应用到滑坡灾害易发性评价模型中。

基于长时间序列的SAR影像数据获取的地表形变速率可直接反应滑坡运动状态，有助于有效识别不稳定区域，对滑坡监测具有重要意义，但仅利用地表形变速率进行滑坡易发性评价，而忽略诱发滑坡灾害的地形、地貌、地质等内在因素，会使得评价结果易受地表形变误差影响。此外，目前基于数据驱动的机器学习评价模型中较少使用SAR影像数据，评价模型构建也仅考虑高程、坡度、坡向等地面静态因素，而忽略了地表形变速率等地表动态因素，致使评价方法精度不高，实用性不强，难以推广到其他区域。

此外，滑坡样本的选择是影响基于机器学习的评价方法的效率与准确性的重要因素。但当前滑坡样本大多是基于历史数据与光学遥感影像解译得来，样本的选取依赖于人工经验，工作效率低。而且所获取滑坡样本的时期较为单一，多为近年来的新生滑坡，难以获取不稳定的潜在滑坡区域样本，致使后续的基于机器学习的评价方法较难完全反应区域的实际情况。

发明内容

本发明的目的就是为了解决上述背景技术存在的不足，提供一种基于样本自动选择与地表形变速率的滑坡易发性评价方法，有效提高了滑坡易发性的评价准确性。

本发明采用的技术方案是：一种基于样本自动选择与地表形变速率的滑坡易发性评价方法，其特征在于包括以下步骤：

S1，提取研究区中与滑坡灾害相关的评价因子以及每个评价单元的地表形变速率；

S2，根据地表形变速率对研究区进行分类并选取滑坡样本和非滑坡样本；

S3，对评价因子进行归一化处理；

S4，根据评价因子数量设计sDAE-RF模型，并利用滑坡样本和非滑坡样本对设计后的sDAE-RF模型进行训练；

S5，利用训练完成的sDAE-RF模型，输入每个评价单元对应窗口的归一化处理后的评价因子数据，得到各评价单元的滑坡易发性概率；

S6，分别对每个评价单元的地表形变速率进行归一化处理，分别利用每个评价单元的归一化后的地表形变速率构建邻域改正函数，并对对应的评价单元的滑坡易发性概率值进行修正，从而得到每个评价单元的优化后的滑坡易发性概率。

上述技术方案中，步骤S1具体包括以下步骤：