[go: up one dir, main page]

CN111291815A - 基于小波包变换和支持向量机的滑坡敏感性地图绘制方法 - Google Patents

基于小波包变换和支持向量机的滑坡敏感性地图绘制方法 Download PDF

Info

Publication number
CN111291815A
CN111291815A CN202010095889.1A CN202010095889A CN111291815A CN 111291815 A CN111291815 A CN 111291815A CN 202010095889 A CN202010095889 A CN 202010095889A CN 111291815 A CN111291815 A CN 111291815A
Authority
CN
China
Prior art keywords
landslide
sensitive
factors
support vector
wavelet packet
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010095889.1A
Other languages
English (en)
Inventor
王力哲
宋维静
蔡茜
刘鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Geosciences Wuhan
Original Assignee
China University of Geosciences Wuhan
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Geosciences Wuhan filed Critical China University of Geosciences Wuhan
Priority to CN202010095889.1A priority Critical patent/CN111291815A/zh
Publication of CN111291815A publication Critical patent/CN111291815A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S17/00—Systems using the reflection or reradiation of electromagnetic waves other than radio waves, e.g. lidar systems
    • G01S17/88—Lidar systems specially adapted for specific applications
    • G01S17/89—Lidar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Electromagnetism (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种基于小波包变换和支持向量机的滑坡敏感性地图绘制方法，该方法包括以下步骤：从30 m空间分辨率的DEM数据和ASTER传感器的可见光近红外波段数据中计算并提取滑坡致灾敏感因子，归一化处理滑坡致灾敏感因子；分解每个滑坡敏感因子；有监督地学习滑坡敏感因子特征，累次向分类器输入敏感因子，得到分类结果，输出滑坡敏感因子集；生成滑坡敏感性地图。通过计算滑坡敏感因子，得到能够表征滑坡敏感性的特征；通过小波包变换，精细地处理敏感因子的局部特征描述；通过支持向量机对滑坡敏感因子特征进行有监督学习，能够能快速进行样本训练和测试，在数据量小、样本少的条件下获得较高的分类精度。

Description

基于小波包变换和支持向量机的滑坡敏感性地图绘制方法
技术领域
本发明涉及遥感技术领域，具体来说，涉及一种基于小波包变换和支持向量机的滑坡敏感性地图绘制方法。
背景技术
随着激光雷达技术的发展，激光雷达技术可以实现空间三维坐标的同步、快速、精确地获取，再现客观事物的实时的、真实的形态特性，为快速获取空间信息提供了简单有效手段，可用于生成精确的DEM数据。卫星成像技术的发展，高分遥感影像的获取成为了可能。这些重要的数据来源，为之后的进一步数据提取、应用与分析打下基础。
虽然雷达数据和遥感数据为应用提供了更加丰富的空间数据信息，但滑坡的致灾因素复杂，致灾因子的选取较为困难。
发明内容
针对相关技术中的上述技术问题，本发明提出一种基于小波包变换和支持向量机的滑坡敏感性地图绘制方法，能够克服现有技术的上述不足。
为实现上述技术目的，本发明的技术方案是这样实现的：
一种基于小波包变换和支持向量机的滑坡敏感性地图绘制方法，该方法包括以下步骤：
S1：从30m空间分辨率的DEM数据和ASTER传感器的可见光近红外波段数据中计算并提取滑坡致灾敏感因子，归一化处理滑坡致灾敏感因子，其中，DEM数据表示数字高程数据，滑坡致灾敏感因子包括高程、坡度、坡向、坡长、水流力指数、地形湿度指数、归一化植被指数；
S2：采用小波包变换，分解每个滑坡敏感因子，其中，小波包变换的函数为
Figure BDA0002384349670000011
x(t)为原始信号，是时间或位置的函数，此处是位置的函数，s为比例参数，μ为平移参数，*代表复共轭，母小波ψ(t)为变换函数。
S3：采用多项式核函数的支持向量机，有监督地学习滑坡敏感因子特征，累次向分类器输入敏感因子，得到分类结果，输出滑坡敏感因子集；
S4：依据得到的滑坡敏感因子集，生成滑坡敏感性地图。
进一步的，所述步骤S1包括以下步骤：
S11：采用地理信息系统软件ArcGIS和遥感图像处理平台ENVI，从30m空间分辨率的DEM数据和ASTER传感器的可见光近红外波段数据中计算并提取7个滑坡致灾敏感因子；
S12：归一化处理7个滑坡致灾敏感因子，其中，公式为
Figure BDA0002384349670000021
v＇是归一化的数据矩阵，v是原始数据矩阵，而U和L是上下归一化边界。
进一步的，所述步骤S1包括以下步骤：
S31：建立多项式核函数分类器模型；
S32：输入模型中i+1个敏感因子的组合，其中，最初模型中敏感因子的组合数量为0；
S32：计算n-i个SVM模型分类精度值，依次向模型中加入新的敏感因子，得到滑坡敏感因子集，其中，SVM为支持向量机。
进一步的，所述步骤S2中，精细地处理滑坡敏感因子局部特征。
进一步的，离散小波包变换的比例尺和位置基于两个幂，函数表达式为
Figure BDA0002384349670000022
其中，两个幂为二进位比例尺、位置，j和k为整数，so表示固定的扩张步骤且大于零。
进一步的，所述步骤S2中，二维小波分解描述为沿水平轴和垂直轴连续应用的一维离散小波变换，其中，水平轴表示地图或图像的行，垂直轴表示地图或图像的列。
进一步的，所述步骤S32中，依次向模型中加入新的敏感因子，直至得到的分类精度不再增加为止。
本发明的有益效果：通过计算滑坡敏感因子，得到能够表征滑坡敏感性的特征；通过小波包变换，精细地处理敏感因子的局部特征描述；通过支持向量机对滑坡敏感因子特征进行有监督学习，能够能快速进行样本训练和测试，在数据量小、样本少的条件下获得较高的分类精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例所述的基于小波包变换和支持向量机的滑坡敏感性地图绘制方法的流程框图；
图2是根据本发明实施例所述的SVM分类器模型处理多因子高维特征分类的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
如图1-2所示，根据本发明实施例所述的基于小波包变换和支持向量机的滑坡敏感性地图绘制方法，包括以下步骤：
S1：从30m空间分辨率的DEM数据和ASTER传感器的可见光近红外波段数据中计算并提取滑坡致灾敏感因子，归一化处理滑坡致灾敏感因子，其中，DEM数据表示数字高程数据，滑坡致灾敏感因子包括高程、坡度、坡向、坡长、水流力指数、地形湿度指数、归一化植被指数；
S2：采用小波包变换，分解每个滑坡敏感因子，其中，小波包变换的函数为
Figure BDA0002384349670000041
x(t)为原始信号，是时间或位置的函数，此处是位置的函数，s为比例参数，μ为平移参数，*代表复共轭，母小波ψ(t)为变换函数。
S3：采用多项式核函数的支持向量机，有监督地学习滑坡敏感因子特征，累次向分类器输入敏感因子，得到分类结果，输出滑坡敏感因子集；
S4：依据得到的滑坡敏感因子集，生成滑坡敏感性地图。
步骤S1包括以下步骤：
S11：采用地理信息系统软件ArcGIS和遥感图像处理平台ENVI，从30m空间分辨率的DEM数据和ASTER传感器的可见光近红外波段数据中计算并提取7个滑坡致灾敏感因子；
S12：归一化处理7个滑坡致灾敏感因子，其中，公式为
Figure BDA0002384349670000042
v＇是归一化的数据矩阵，v是原始数据矩阵，而U和L是上下归一化边界。
步骤S1包括以下步骤：
S31：建立多项式核函数分类器模型；
S32：输入模型中i+1个敏感因子的组合，其中，最初模型中敏感因子的组合数量为0；
S32：计算n-i个SVM模型分类精度值，依次向模型中加入新的敏感因子，得到滑坡敏感因子集，其中，SVM为支持向量机。
在本发明的一个具体实施例中，所述步骤S2中，精细地处理滑坡敏感因子局部特征。
在本发明的一个具体实施例中，离散小波包变换的比例尺和位置基于两个幂，函数表达式为
Figure BDA0002384349670000043
其中，两个幂为二进位比例尺、位置，j和k为整数，so表示固定的扩张步骤且大于零。
在本发明的一个具体实施例中，离散小波包变换执行两组功能，其中，功能为高通和低通滤波器。
在本发明的一个具体实施例中，所述步骤S2中，二维小波分解描述为沿水平轴和垂直轴连续应用的一维离散小波变换，其中，水平轴表示地图或图像的行，垂直轴表示地图或图像的列。
在本发明的一个具体实施例中，在小样本条件下，敏感因子高维特征问题通过支持向量机能有效解决，得到较好的分类效果，筛选出敏感因子集。
在本发明的一个具体实施例中，所述步骤S32中，依次向模型中加入新的敏感因子，直至得到的分类精度不再增加为止。
综上所述，借助于本发明的上述技术方案，通过计算滑坡敏感因子，得到能够表征滑坡敏感性的特征；通过小波包变换，精细地处理敏感因子的局部特征描述；通过支持向量机对滑坡敏感因子特征进行有监督学习，能够能快速进行样本训练和测试，在数据量小、样本少的条件下获得较高的分类精度。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.基于小波包变换和支持向量机的滑坡敏感性地图绘制方法，其特征在于，包括以下步骤：
S1：从30m空间分辨率的DEM数据和ASTER传感器的可见光近红外波段数据中计算并提取滑坡致灾敏感因子，归一化处理滑坡致灾敏感因子，其中，DEM数据表示数字高程数据，滑坡致灾敏感因子包括高程、坡度、坡向、坡长、水流力指数、地形湿度指数、归一化植被指数；
S2：采用小波包变换，分解每个滑坡敏感因子，其中，小波包变换的函数为
Figure FDA0002384349660000011
x(t)为原始信号，是时间或位置的函数，此处是位置的函数，s为比例参数，μ为平移参数，*代表复共轭，母小波ψ(t)为变换函数；
S3：采用多项式核函数的支持向量机，有监督地学习滑坡敏感因子特征，累次向分类器输入敏感因子，得到分类结果，输出滑坡敏感因子集；
S4：依据得到的滑坡敏感因子集，生成滑坡敏感性地图。
2.根据权利要求1所述的基于小波包变换和支持向量机的滑坡敏感性地图绘制方法，其特征在于，所述步骤S1包括以下步骤：
S11：采用地理信息系统软件ArcGIS和遥感图像处理平台ENVI，从30m空间分辨率的DEM数据和ASTER传感器的可见光近红外波段数据中计算并提取7个滑坡致灾敏感因子；
S12：归一化处理7个滑坡致灾敏感因子，其中，公式为
Figure FDA0002384349660000012
v′是归一化的数据矩阵，v是原始数据矩阵，而U和L是上下归一化边界。
3.根据权利要求1所述的基于小波包变换和支持向量机的滑坡敏感性地图绘制方法，其特征在于，所述步骤S1包括以下步骤：
S31：建立多项式核函数分类器模型；
S32：输入模型中i+1个敏感因子的组合，其中，最初模型中敏感因子的组合数量为0；
S32：计算n-i个SVM模型分类精度值，依次向模型中加入新的敏感因子，得到滑坡敏感因子集，其中，SVM为支持向量机。
4.根据权利要求1所述的基于小波包变换和支持向量机的滑坡敏感性地图绘制方法，其特征在于，所述步骤S2中，精细地处理滑坡敏感因子局部特征。
5.根据权利要求1所述的基于小波包变换和支持向量机的滑坡敏感性地图绘制方法，其特征在于，离散小波包变换的比例尺和位置基于两个幂，函数表达式为
Figure FDA0002384349660000021
其中，两个幂为二进位比例尺、位置，j和k为整数，so表示固定的扩张步骤且大于零。
6.根据权利要求1所述的基于小波包变换和支持向量机的滑坡敏感性地图绘制方法，其特征在于，所述步骤S2中，二维小波分解描述为沿水平轴和垂直轴连续应用的一维离散小波变换，其中，水平轴表示地图或图像的行，垂直轴表示地图或图像的列。
7.根据权利要求3所述的基于小波包变换和支持向量机的滑坡敏感性地图绘制方法，其特征在于，所述步骤S32中，依次向模型中加入新的敏感因子，直至得到的分类精度不再增加为止。
CN202010095889.1A 2020-02-14 2020-02-14 基于小波包变换和支持向量机的滑坡敏感性地图绘制方法 Pending CN111291815A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010095889.1A CN111291815A (zh) 2020-02-14 2020-02-14 基于小波包变换和支持向量机的滑坡敏感性地图绘制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010095889.1A CN111291815A (zh) 2020-02-14 2020-02-14 基于小波包变换和支持向量机的滑坡敏感性地图绘制方法

Publications (1)

Publication Number Publication Date
CN111291815A true CN111291815A (zh) 2020-06-16

Family

ID=71030776

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010095889.1A Pending CN111291815A (zh) 2020-02-14 2020-02-14 基于小波包变换和支持向量机的滑坡敏感性地图绘制方法

Country Status (1)

Country Link
CN (1) CN111291815A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115240720A (zh) * 2022-07-21 2022-10-25 中国地质大学（武汉） 一种计算机硬件自动安装装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100091611A1 (en) * 2008-10-10 2010-04-15 Andreas Laake Near-surface geomorphological characterization based on remote sensing data
CN102819023A (zh) * 2012-07-27 2012-12-12 中国地质大学（武汉） 基于LiDAR的复杂地质背景区滑坡识别的方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100091611A1 (en) * 2008-10-10 2010-04-15 Andreas Laake Near-surface geomorphological characterization based on remote sensing data
CN102819023A (zh) * 2012-07-27 2012-12-12 中国地质大学（武汉） 基于LiDAR的复杂地质背景区滑坡识别的方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MOOSAVI V, ET AL.: "Development of hybrid wavelet packet-statistical models (WP-SM) for landslide susceptibility mapping", vol. 13, no. 13, pages 2 - 4 *
REICHENBACHA,P.,ET AL.: "A review of statistically-based landslide susceptibility models" *
胡小平 等: "水下地磁导航技术", 国防工业出版社, pages: 110 - 111 *
谭龙;陈冠;王思源;孟兴民;: "逻辑回归与支持向量机模型在滑坡敏感性评价中的应用", no. 01 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115240720A (zh) * 2022-07-21 2022-10-25 中国地质大学（武汉） 一种计算机硬件自动安装装置
CN115240720B (zh) * 2022-07-21 2024-04-16 中国地质大学（武汉） 一种计算机硬件自动安装装置

Similar Documents

Publication Publication Date Title
Vos et al. CoastSat: A Google Earth Engine-enabled Python toolkit to extract shorelines from publicly available satellite imagery
CN114399686B (zh) 一种基于弱监督学习的遥感图像地物识别与分类方法和装置
Cheng et al. A spatial and temporal nonlocal filter-based data fusion method
CN110287457B (zh) 基于卫星雷达遥感数据的玉米生物量反演测算方法
Gomez et al. A study of Japanese landscapes using structure from motion derived DSMs and DEMs based on historical aerial photographs: New opportunities for vegetation monitoring and diachronic geomorphology
Yu et al. SNNFD, spiking neural segmentation network in frequency domain using high spatial resolution images for building extraction
CN109472393B (zh) 空间降尺度降水数据检测方法、装置及电子设备
Janowski et al. Exploration of glacial landforms by object-based image analysis and spectral parameters of digital elevation model
CN113361367B (zh) 基于深度学习的地下目标电磁反演方法及系统
Hu et al. WSGAN: an improved generative adversarial network for remote sensing image road network extraction by weakly supervised processing
CN109146787A (zh) 一种基于插值的双相机光谱成像系统的实时重建方法
CN106251355A (zh) 一种融合可见光图像与对应夜视红外图像的检测方法
CN113435268A (zh) 基于图变换知识嵌入算法的地震灾区遥感影像解译方法
Tao et al. A Landsat-derived annual inland water clarity dataset of China between 1984 and 2018
Fanelli et al. Deep learning for the super resolution of Mediterranean sea surface temperature fields
CN113191271A (zh) 一种基于深度学习的堰塞坝表层颗粒物质检测方法
Brochet et al. Multivariate emulation of kilometer-scale numerical weather predictions with generative adversarial networks: A proof of concept
Liu et al. Utilizing deep transfer learning to discover changes in landscape patterns in urban wetland parks based on multispectral remote sensing
CN111291815A (zh) 基于小波包变换和支持向量机的滑坡敏感性地图绘制方法
Ermilov et al. Image-based bed material mapping of a large river
CN116385881A (zh) 遥感图像地物变化检测方法及装置
CN112489108B (zh) 一种远海珊瑚礁水下表面积反演重建的方法及装置
Zhu et al. Cross-domain transfer for ship instance segmentation in SAR images
Nadachowski et al. Classification of glacial and fluvioglacial landforms by convolutional neural networks using a digital elevation model
Huang et al. Submarine Landslide Identification Based on Improved DeepLabv3 with Spatial and Channel Attention

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200616

RJ01 Rejection of invention patent application after publication