高光譜成像特征重構(gòu)下的巖土體斜坡結(jié)構(gòu)滑坡敏感區(qū)自動(dòng)識(shí)別技術(shù)

摘"要：研究了高光譜成像特征重構(gòu)下的巖土體斜坡結(jié)構(gòu)滑坡敏感區(qū)自動(dòng)識(shí)別技術(shù)，以改善滑坡識(shí)別效果，為滑坡危害預(yù)防提供數(shù)據(jù)支持。提取巖土體斜坡結(jié)構(gòu)高光譜圖像像元的LBP特征并計(jì)算其特征值后，確定像元的空間鄰域塊，依據(jù)標(biāo)簽信息剔除高光譜圖像背景，再根據(jù)光譜距離計(jì)算各空間鄰接塊像素點(diǎn)權(quán)值，獲得中心像素點(diǎn)空間重構(gòu)特征值，將其與獲取的LBP特征值作融合處理，實(shí)現(xiàn)高光譜圖像特征重構(gòu)，將其與反映滑坡敏感性特征的影響指標(biāo)一起輸入構(gòu)建的基于DETR的滑坡敏感區(qū)識(shí)別模型中，通過改進(jìn)后的ResNet26網(wǎng)絡(luò)提取巖土體斜坡結(jié)構(gòu)滑坡特征圖，由位置編碼單元對(duì)已切割的各正方形圖像塊作位置編碼，通過Transformer編解碼器對(duì)其作訓(xùn)練后，由前饋神經(jīng)網(wǎng)絡(luò)輸出滑坡敏感區(qū)的定位識(shí)別結(jié)果。實(shí)驗(yàn)結(jié)果表明：該技術(shù)可實(shí)現(xiàn)巖土體斜坡結(jié)構(gòu)滑坡敏感區(qū)識(shí)別，ω取值為6時(shí)，滑坡敏感區(qū)識(shí)別效果最優(yōu)。

關(guān)鍵詞：高光譜成像；特征重構(gòu)；滑坡敏感區(qū)識(shí)別；LBP特征；空間鄰域塊；Transformer編碼器

中圖分類號(hào)：P642.2""""""文獻(xiàn)標(biāo)識(shí)碼：A

Automatic"Identification"Technology"for"Landslide

Sensitive"Areas"of"Rock"Slope"Structures"under"Hyperspectral

Imaging"Feature"Reconstruction

HUANG"Xin，"MENG"Liang，"WEI"Yaoyang

（Guangxi"Nonferrous"Surveyamp;Design"Institute，"Nanning，Guangxi"530031，"China）

Abstract：To"study"the"automatic"identification"technology"of"landslide"sensitive"areas"in"rock"slope"structures"under"hyperspectral"imaging"feature"reconstruction，"in"order"to"improve"the"effectiveness"of"landslide"identification"and"provide"data"support"for"landslide"hazard"prevention."After"extracting"the"LBP"features"of"rock"slope"structure"hyperspectral"image"pixels"and"calculating"their"eigenvalues，"the"spatial"neighborhood"blocks"of"the"pixels"are"determined."The"background"of"the"hyperspectral"image"is"removed"based"on"label"information，"and"the"pixel"weights"of"each"spatial"adjacent"block"are"calculated"based"on"spectral"distance"to"obtain"the"spatial"reconstruction"feature"values"of"the"central"pixel"points."They"are"fused"with"the"obtained"LBP"feature"values"to"achieve"hyperspectral"image"feature"reconstruction，"It"is"input"into"the"landslide"sensitive"area"recognition"model"based"on"DETR"together"with"the"impact"indicators"reflecting"the"landslide"sensitivity"characteristics."The"landslide"feature"map"of"rock"slope"structure"is"extracted"through"the"improved"ResNet26"network."The"position"coding"unit"encodes"the"positions"of"the"cut"square"image"blocks."After"training"them"through"the"Transformer"codec，"the"Feedforward"neural"network"outputs"the"positioning"recognition"results"of"the"landslide"sensitive"area."The"experimental"results"show"that"this"technology"can"achieve"the"identification"of"landslide"sensitive"areas"in"rock"slope"structures."When"the"value"of"ω"is"6，"the"identification"effect"of"landslide"sensitive"areas"is"the"best.

Key"words：hyperspectral"imaging;"feature"reconstruction;"identification"of"landslide"sensitive"areas;"LBP"features;"spatial"neighborhood"blocks;"transformer"encoder

巖土體斜坡結(jié)構(gòu)穩(wěn)定性會(huì)隨著地形、巖體結(jié)構(gòu)等因素的變化而發(fā)生改變[1]，當(dāng)向下、向外運(yùn)動(dòng)發(fā)展到一定程度便會(huì)引發(fā)滑坡危害，給人類生命財(cái)產(chǎn)安全帶來極大威脅的同時(shí)，容易引發(fā)堰塞湖等次生災(zāi)害，進(jìn)一步提高災(zāi)害風(fēng)險(xiǎn)和災(zāi)害損失[2-4]。滑坡形成原因較多，災(zāi)害時(shí)間、災(zāi)害具體位置均難以確定，這對(duì)滑坡災(zāi)害防范提出了巨大挑戰(zhàn)[5]。各類型滑坡往往存在地貌形態(tài)特征差異，利用高光譜遙感技術(shù)對(duì)存在滑坡風(fēng)險(xiǎn)的巖土體斜坡結(jié)構(gòu)進(jìn)行探測(cè)，可實(shí)現(xiàn)高分辨率高光譜圖像的采集[6，7]。高光譜圖像包含大量有價(jià)值地物信息，如何有效利用這些信息，實(shí)現(xiàn)滑坡敏感區(qū)的精準(zhǔn)識(shí)別服務(wù)是當(dāng)下學(xué)術(shù)領(lǐng)域的研究熱點(diǎn)[8，9]。

郭健等人為提高滑坡早期識(shí)別效果，將多光譜遙感影像作為數(shù)據(jù)源，在利用ESP工具對(duì)其進(jìn)行最佳尺度分割后，通過對(duì)獲取樣本作最近鄰分類實(shí)現(xiàn)滑坡區(qū)域的識(shí)別，該技術(shù)確定的滑坡敏感區(qū)難以滿足精度要求，存在錯(cuò)誤識(shí)別問題[10]；簡(jiǎn)小婷等人在對(duì)Faster"RCNN網(wǎng)絡(luò)進(jìn)行設(shè)計(jì)后，將福貢縣城區(qū)的影像數(shù)據(jù)作為其輸入，實(shí)現(xiàn)了滑坡敏感區(qū)的自動(dòng)化識(shí)別，該技術(shù)所用網(wǎng)絡(luò)在目標(biāo)識(shí)別方面具有較高的應(yīng)用性，但未能實(shí)現(xiàn)高光譜圖像空間信息的有效利用，使得滑坡隱患識(shí)別結(jié)果差強(qiáng)人意[11]。高光譜成像特征重構(gòu)能夠通過空間信息的高效利用，達(dá)到地物信息增強(qiáng)的目的，從而提高圖像地物分辨度，對(duì)滑坡敏感區(qū)的精準(zhǔn)識(shí)別具有重要意義[12]。因此，本文研究高光譜成像特征重構(gòu)下的巖土體斜坡結(jié)構(gòu)滑坡敏感區(qū)自動(dòng)識(shí)別技術(shù)，提高滑坡敏感區(qū)識(shí)別效果，為滑坡危害預(yù)防提供可靠數(shù)據(jù)支持。

1"巖土體斜坡結(jié)構(gòu)滑坡敏感區(qū)自動(dòng)識(shí)別

高光譜遙感技術(shù)是目前遙感領(lǐng)域的熱門技術(shù)，它克服了多光譜遙感光譜分辨率受限的問題，在完整獲取地物目標(biāo)空間數(shù)據(jù)信息的同時(shí)，能夠?qū)崿F(xiàn)地物目標(biāo)輻射、光譜信息的高分辨率采集，因此，在礦物識(shí)別、農(nóng)業(yè)遙感等領(lǐng)域均有較廣泛的應(yīng)用[13]。巖土體斜坡結(jié)構(gòu)滑坡具有高隱蔽性、突發(fā)性以及識(shí)別困難的問題，故本文將高光譜遙感技術(shù)應(yīng)用到巖土體斜坡結(jié)構(gòu)滑坡敏感區(qū)識(shí)別中，高光譜圖像具有數(shù)據(jù)規(guī)模龐大、光譜波段多的特點(diǎn)，為實(shí)現(xiàn)巖土體斜坡結(jié)構(gòu)滑坡敏感區(qū)的精準(zhǔn)識(shí)別，本文在對(duì)高光譜圖像機(jī)進(jìn)行特征重構(gòu)的基礎(chǔ)上，選取坡度、歸一化植被指數(shù)等巖土體斜坡結(jié)構(gòu)滑坡影響指標(biāo)作為滑坡敏感性特征，將其與特征重構(gòu)后的巖土體斜坡結(jié)構(gòu)高光譜圖像一同輸入DETR網(wǎng)絡(luò)中，實(shí)現(xiàn)巖土體斜坡結(jié)構(gòu)滑坡敏感區(qū)的自動(dòng)化識(shí)別。

1.1"高光譜成像特征重構(gòu)

為實(shí)現(xiàn)巖土體斜坡結(jié)構(gòu)滑坡敏感區(qū)的準(zhǔn)確識(shí)別，需對(duì)高光譜圖像進(jìn)行特征重構(gòu)處理。特征重構(gòu)的基本原理是基于采集的巖土體斜坡結(jié)構(gòu)高光譜圖像，在對(duì)像元LBP特征進(jìn)行獲取的基礎(chǔ)上，實(shí)現(xiàn)LBP特征值的確定，在對(duì)像元的空間鄰域塊進(jìn)行選擇后，將標(biāo)簽信息作為依據(jù)，達(dá)到除掉不相關(guān)背景的目的，然后根據(jù)光譜距離，完成各空間鄰接塊像素點(diǎn)權(quán)值的計(jì)算后，確定中心像素點(diǎn)空間重構(gòu)特征值，將其與獲取的LBP特征值作融合處理，實(shí)現(xiàn)高光譜圖像特征重構(gòu)。

對(duì)于巖土體斜坡結(jié)構(gòu)高光譜圖像，劃定一個(gè)空間區(qū)域Ω（xij），設(shè)定區(qū)域中心像元為xij，區(qū)域大小為i×j，其中i，j為奇數(shù)，且大于0；像元xij的空間鄰域塊可通過下式進(jìn)行描述：

Ω（xij）={xyz|y∈［i－r，i+r］，

z∈［j－r，j+r］}（1）

其中：在Ω（xij）區(qū)域內(nèi)，像元總數(shù)為ω2，不包括xij的一個(gè)隨機(jī)近鄰點(diǎn)表示為xyz，其半徑表示為r，通過r=ω－12計(jì)算得到。

一般是將方塊的像素區(qū)域整體視為Ω（xij），然而巖土體斜坡結(jié)構(gòu)高光譜圖像背景像素點(diǎn)的鄰域塊內(nèi)不包含任何可識(shí)別的滑坡敏感區(qū)，因此，在空間鄰域塊確定時(shí)，需先將背景像素點(diǎn)予以剔除。Blabel表示像素點(diǎn)標(biāo)簽，當(dāng)其值等于0時(shí)，將其從Ω（xij）中剔除，反之，留存該像素點(diǎn)。以xij為中心像元的空間鄰域塊，其尺寸為3×3，巖土體斜坡結(jié)構(gòu)高光譜圖像像素點(diǎn)用方格表示，當(dāng)xij位于邊緣或角落處，位于Ω（xij）內(nèi)，則包含很多背景點(diǎn)，此時(shí)要去除Blabel等于0的背景點(diǎn)，只留存標(biāo)簽值不等于0的像素點(diǎn)，這將會(huì)對(duì)巖土體斜坡結(jié)構(gòu)滑坡敏感區(qū)的精準(zhǔn)識(shí)別產(chǎn)生有利影響。

剔除空間鄰域塊中的背景像素點(diǎn)后，對(duì)xij的空間重構(gòu)特征值進(jìn)行確定，計(jì)算公式描述為：

ij=∑xyz∈Ω（xij）vxyz∑xyz∈Ω（xij）v"（2）

其中：像素點(diǎn)權(quán)值表示為v，通過公式v=exp"（－‖xij－xyz‖）計(jì)算得到，用于描述像元xij與xyz的相似性大小，二者相似性大小與v成正比。巖土體斜坡結(jié)構(gòu)高光譜圖像特征重構(gòu)方法加強(qiáng)了數(shù)據(jù)空間信息的有效利用的同時(shí)，降低了高光譜圖像背景以及不同類型鄰近像元對(duì)巖土體斜坡結(jié)構(gòu)滑坡敏感區(qū)識(shí)別的影響。另外，通過鄰近像元完成高光譜圖像中心像元的特征重構(gòu)，對(duì)提高巖土體斜坡結(jié)構(gòu)滑坡敏感區(qū)識(shí)別效果具有重要意義。

像元xij的特征重構(gòu)結(jié)果通過下式進(jìn)行描述：

Cxij=Cxij，LBP，Cxij，"（3）

其LBP特征值表示為Cxij，LBP；其空間重構(gòu)特征值表示為Cxij，。

1.2"巖土體斜坡結(jié)構(gòu)滑坡影響因素分析

影響巖土體斜坡結(jié)構(gòu)滑坡敏感性的因素較多[14]，本文從巖土體斜坡結(jié)構(gòu)地形、植被角度進(jìn)行分析，以實(shí)現(xiàn)巖土體斜坡結(jié)構(gòu)滑坡敏感區(qū)特征的提取。

（1）與河流的距離。該因素決定了巖土體斜坡結(jié)構(gòu)的含水性，當(dāng)巖土體斜坡結(jié)構(gòu)與河流相距較小時(shí)，其含水性相對(duì)較高，發(fā)生滑坡危害的概率較大。本文通過ArcGIS確定巖土體斜坡結(jié)構(gòu)與河流之間的歐氏距離。

（2）與道路的距離。當(dāng)巖土體斜坡結(jié)構(gòu)位于道路一側(cè)，且距離較近時(shí)，其穩(wěn)定性將大幅下降。

（3）高程。巖土體斜坡結(jié)構(gòu)高程對(duì)滑坡危害具有控制作用，其高程信息通過DEM（Digital"Elevation"Model，數(shù)字高程模型）得到。

（4）坡度。巖土體斜坡結(jié)構(gòu)的坡度與滑坡的發(fā)生具有緊密聯(lián)系，是影響滑坡敏感性的重要因素。

（5）歸一化植被指數(shù)（NDVI）用于反映巖土體斜坡結(jié)構(gòu)表面植被覆蓋情況，通過下式進(jìn)行計(jì)算：

NDVI=NIR－RNIR+R（4）

其中：近紅外波段用NIR表示，紅波段用R表示，NDVI在[-1，1]區(qū)間取值。

（6）波段比值（BR）可反映巖土體斜坡結(jié)構(gòu)的植被濃度，其計(jì)算公式描述為：

BR=IRR"（5）

其中：紅外波段像素值表示為IR。

（7）植被指數(shù)（VI）用于區(qū)分巖土體斜坡結(jié)構(gòu)在紅外、紅波段內(nèi)的土壤覆蓋情況，其公式描述為：

VI=NIR－R（6）

1.3"基于DETR的巖土體斜坡結(jié)構(gòu)滑坡敏感區(qū)

識(shí)別模型

1.3.1"基于DETR的滑坡敏感區(qū)識(shí)別模型結(jié)構(gòu)

卷積神經(jīng)網(wǎng)絡(luò)是一種最具代表性的深度學(xué)習(xí)模型，它在對(duì)輸入信息不斷學(xué)習(xí)過程中，實(shí)現(xiàn)了輸入圖像特征的深層次提取，解決了人工特征提取存在的諸多弊端與不足[15]。因此，在圖像處理與識(shí)別領(lǐng)域受到廣泛關(guān)注。隨著卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用領(lǐng)域的不斷延伸，其弊端也逐步顯露。卷積神經(jīng)網(wǎng)絡(luò)感受野具有一定局限性，若擴(kuò)大其感受野，必然要以增加網(wǎng)絡(luò)深度為代價(jià)，這將加大有用信息損失風(fēng)險(xiǎn)，造成全局與局部信息邏輯關(guān)系的捕捉能力的弱化，不利于巖土體斜坡結(jié)構(gòu)滑坡敏感區(qū)的精準(zhǔn)識(shí)別。為此，本文引入Transformer網(wǎng)絡(luò)，利用其并行計(jì)算性能以及突出的全局信息捕捉能力，以彌補(bǔ)卷積神經(jīng)網(wǎng)絡(luò)存在的不足。本文構(gòu)建的基于DETR的巖土體斜坡結(jié)構(gòu)滑坡敏感區(qū)識(shí)別模型結(jié)構(gòu)如圖1所示。

敏感區(qū)識(shí)別模型基本結(jié)構(gòu)

該模型由四部分內(nèi)容構(gòu)成，分別為特征提取網(wǎng)絡(luò)單元、位置編碼單元、編解碼器單元以及前饋神經(jīng)網(wǎng)絡(luò)單元，其中特征提取網(wǎng)絡(luò)選用ResNet26網(wǎng)絡(luò)。為提高巖土體斜坡結(jié)構(gòu)滑坡敏感區(qū)識(shí)別精度，本文將特征重構(gòu)后的高光譜圖像與反映滑坡敏感性特征的七個(gè)影響指標(biāo)作為基于DETR的滑坡敏感區(qū)識(shí)別模型的輸入，通過ResNet26網(wǎng)絡(luò)對(duì)重構(gòu)后的巖土體斜坡結(jié)構(gòu)高光譜圖像進(jìn)行學(xué)習(xí)，即可完成巖土體斜坡結(jié)構(gòu)滑坡特征圖的提取，然后對(duì)特征圖作切割處理，由位置編碼單元對(duì)具有相同尺寸的正方形圖像塊進(jìn)行位置編碼處理后，將其傳輸?shù)絋ransformer編碼器單元中完成訓(xùn)練，最后由前饋神經(jīng)網(wǎng)絡(luò)對(duì)各矩形框的位置信息進(jìn)行定位，并完成不同滑坡敏感區(qū)的有效識(shí)別。

1.3.2"特征提取網(wǎng)絡(luò)結(jié)構(gòu)

對(duì)卷積神經(jīng)網(wǎng)絡(luò)層數(shù)進(jìn)行提升，有利于其識(shí)別效果的改善，但網(wǎng)絡(luò)深度并不是越大越好，網(wǎng)絡(luò)層數(shù)過高，可能會(huì)導(dǎo)致網(wǎng)絡(luò)性能退化。另外，卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中容易發(fā)生梯度消失問題。殘差網(wǎng)絡(luò)ResNet有效解決了卷積神經(jīng)網(wǎng)絡(luò)存在的不足，其深度殘差單元基本結(jié)構(gòu)如圖2所示。

ResNet網(wǎng)絡(luò)的原理是通過直連通道不斷對(duì)前一網(wǎng)絡(luò)輸出結(jié)果的殘差進(jìn)行學(xué)習(xí)，以降低網(wǎng)絡(luò)訓(xùn)練難度。通過H（x）=F（x）+x表示網(wǎng)絡(luò)隱含層，將殘差函數(shù)F（x）=H（x）－x作為ResNet網(wǎng)絡(luò)學(xué)習(xí)目標(biāo)，當(dāng)F（x）=0時(shí)，就獲得一個(gè)H（x）=x的映射，網(wǎng)絡(luò)訓(xùn)練的目標(biāo)即是不斷降低殘差值，使其無限趨近于0。

每個(gè)殘差單元通過其內(nèi)的BN（Batch"Norm）層、Scale層實(shí)現(xiàn)輸入數(shù)據(jù)的標(biāo)準(zhǔn)化處理，以獲取歸一化權(quán)重系數(shù)，將若干個(gè)卷積層的級(jí)聯(lián)輸出與輸入信息作累加處理后，將其輸入ReLU激活層中，經(jīng)再次級(jí)聯(lián)即可得到ResNet網(wǎng)絡(luò)輸出。ResNet網(wǎng)絡(luò)的連接方式不僅可避免新參數(shù)的生成，而且減少了池化層的使用，其優(yōu)勢(shì)在于：在網(wǎng)絡(luò)深度增加的前提下也能滿足數(shù)據(jù)處理效率要求；網(wǎng)絡(luò)各層特征具有階梯增長(zhǎng)趨勢(shì)，層級(jí)性明顯；避免出現(xiàn)梯度消失問題，極大提升了網(wǎng)絡(luò)特征提取性能。

為實(shí)現(xiàn)巖土體斜坡結(jié)構(gòu)滑坡敏感區(qū)識(shí)別精度提升目標(biāo)，本文對(duì)ResNet網(wǎng)絡(luò)進(jìn)行改進(jìn)處理，表1為ResNet26網(wǎng)絡(luò)所用具體參數(shù)。

ResNet26網(wǎng)絡(luò)輸入的高光譜圖像尺寸為192×192×3，首層按傳統(tǒng)ResNet結(jié)構(gòu)設(shè)計(jì)，采用的卷積核尺寸為7×7，64通道，以2步長(zhǎng)對(duì)輸入圖像作采樣，該層與3×3尺寸最大池化層相連，其步長(zhǎng)也為2。本文通過重疊池化以使巖土體斜坡結(jié)構(gòu)滑坡形變的魯棒性獲得提升。然后依次接入8個(gè)殘差單元、一個(gè)平均池化層和一個(gè)全連接層，網(wǎng)絡(luò)深度為26層。殘差單元的基本結(jié)構(gòu)如圖3所示。

該殘差單元中含有兩個(gè)1×1卷積層和一個(gè)3×3卷積層，其中前者可實(shí)現(xiàn)輸入圖像維度的變化，后者具有VGG網(wǎng)絡(luò)特點(diǎn)，各卷積層在對(duì)輸入圖像進(jìn)行正則化處理后，再通過ReLU激活函數(shù)并作卷積處理。此結(jié)構(gòu)使得網(wǎng)絡(luò)參數(shù)量降低的同時(shí)提升了網(wǎng)絡(luò)訓(xùn)練速度。

1.3.3"Transformer網(wǎng)絡(luò)結(jié)構(gòu)

Transformer在自然語(yǔ)言處理方面具有突出優(yōu)勢(shì)，其結(jié)構(gòu)主要包含兩部分內(nèi)容，分別為編、解碼器，Selfattention是其結(jié)構(gòu)中最重要部分，Transformer網(wǎng)絡(luò)包含若干個(gè)編、解碼器，前者除含有Selfattention部分外，還包含一個(gè)前饋神經(jīng)網(wǎng)絡(luò)；多頭注意力機(jī)制、編解碼注意力機(jī)制存在于后者基本結(jié)構(gòu)中。輸入信息進(jìn)入編碼器后，由自注意力機(jī)制對(duì)其進(jìn)行處理，獲得加權(quán)特征向量Z，計(jì)算公式描述為：

Z=Attention（Q，K，V）=

soft"max"QKT（dK）12V（7）

再通過包含激活函數(shù)ReLU層和線性激活函數(shù)的前饋神經(jīng)網(wǎng)絡(luò)模塊對(duì)確定的Z進(jìn)行處理，計(jì)算公式描述為：

FFN（Z）=max"（0，ZW1+b1）W2+b2"（8）

其中：權(quán)值參數(shù)分別表示為W1、W2；偏置量分別表示為b1、b2。

在網(wǎng)絡(luò)解碼部分，采用并行方式對(duì)其N個(gè)輸入信息進(jìn)行解碼，利用sin函數(shù)對(duì)切割后特征圖進(jìn)行位置編碼后，將其傳輸?shù)阶⒁饬樱ㄟ^解碼器實(shí)現(xiàn)處理結(jié)果的轉(zhuǎn)換輸出。

2"實(shí)驗(yàn)分析

以某地區(qū)的5個(gè)巖土體斜坡結(jié)構(gòu)為研究對(duì)象，分別標(biāo)記為A-E，采集各巖土體斜坡結(jié)構(gòu)的高光譜圖像，構(gòu)建數(shù)據(jù)集，其中高光譜圖像總量為1000，其尺寸為500像素×320像素，波段范圍以及分辨率分別為[0.40，0.25]μm、20m/像素。在PyTorch深度學(xué)習(xí)框架下構(gòu)建A斜坡結(jié)構(gòu)滑坡敏感區(qū)識(shí)別模型，設(shè)定ResNet26網(wǎng)絡(luò)學(xué)習(xí)率為10-5，最高訓(xùn)練次數(shù)為500次，利用sin函數(shù)實(shí)現(xiàn)特征圖的位置編碼，編解碼器總層數(shù)為6。以4∶1比例劃分訓(xùn)練樣本、測(cè)試樣本，采用本文技術(shù)對(duì)該斜坡進(jìn)行滑坡敏感區(qū)識(shí)別，分析本文技術(shù)的識(shí)別效果。

為分析巖土體斜坡結(jié)構(gòu)高光譜圖像特征重構(gòu)對(duì)后續(xù)其滑坡敏感區(qū)識(shí)別效果的影響，選取精確率（P）、召回率（R）作為最終識(shí)別效果的評(píng)價(jià)指標(biāo)，采用本文技術(shù)對(duì)巖土體斜坡結(jié)構(gòu)的滑坡敏感區(qū)進(jìn)行識(shí)別，通過對(duì)高光譜圖像特征重構(gòu)前后的兩指標(biāo)值的變化，研究高光譜圖像特征重構(gòu)的必要性，實(shí)驗(yàn)結(jié)果如表2所示。

分析表2可知，對(duì)巖土體斜坡結(jié)構(gòu)的高光譜圖像進(jìn)行特征重構(gòu)，可有效提升滑坡敏感區(qū)識(shí)別效果，P、R兩指標(biāo)值得到較大幅度提升，這是由于本文技術(shù)在關(guān)注高光譜圖像像元LBP紋理特征的同時(shí)，通過對(duì)中心像素空間鄰域塊進(jìn)行優(yōu)化處理，發(fā)揮了抑制高光譜圖像背景對(duì)后期滑坡敏感區(qū)識(shí)別效果影響的作用，極大降低了像元誤識(shí)別概率，實(shí)現(xiàn)了巖土體斜坡結(jié)構(gòu)滑坡敏感區(qū)的精準(zhǔn)識(shí)別。實(shí)驗(yàn)結(jié)果表明，高光譜圖像特征重構(gòu)有利于巖土體斜坡結(jié)構(gòu)滑坡敏感區(qū)識(shí)別效果的提升。

空間鄰域塊尺寸ω是影響巖土體斜坡結(jié)構(gòu)滑坡敏感區(qū)識(shí)別的重要參數(shù)。任意選擇50張高光譜圖像作為訓(xùn)練樣本，鄰近點(diǎn)總量設(shè)定為1，通過對(duì)不同ω下P指標(biāo)變化曲線進(jìn)行分析，研究空間鄰域塊尺寸對(duì)滑坡敏感區(qū)識(shí)別的影響，實(shí)驗(yàn)結(jié)果如圖4所示。

識(shí)別的影響分析

分析圖4可知，斜坡結(jié)構(gòu)滑坡敏感區(qū)識(shí)別效果隨著ω的增大呈現(xiàn)先增后降變化規(guī)律，ω取值較小，空間鄰域塊只含有斜坡結(jié)構(gòu)少量空間信息，P指標(biāo)值將難以滿足設(shè)計(jì)要求；ω取值較大，則會(huì)有過多與斜坡結(jié)構(gòu)無關(guān)信息涵蓋在空間鄰域塊中，不利于滑坡敏感區(qū)的準(zhǔn)確識(shí)別；當(dāng)ω取值為6時(shí)，P指標(biāo)值最大，此時(shí)滑坡敏感區(qū)識(shí)別效果最優(yōu)。

采用本文技術(shù)對(duì)測(cè)試樣本的滑坡敏感區(qū)進(jìn)行識(shí)別，將ResNet模型、ResNet+Transformer模型作為對(duì)比識(shí)別模型，通過對(duì)比分析滑坡敏感區(qū)識(shí)別模型改進(jìn)前后的識(shí)別精度差異，驗(yàn)證本文技術(shù)的優(yōu)越性，實(shí)驗(yàn)結(jié)果如表2所示。

分析表2可知，通過對(duì)巖土體斜坡結(jié)構(gòu)滑坡敏感區(qū)識(shí)別模型進(jìn)行改進(jìn)處理，可有效提升滑坡敏感區(qū)識(shí)別精度，本文技術(shù)的P、R指標(biāo)值均高于ResNet模型、ResNet+Transformer模型；ResNet+Transformer模型專注于高光譜圖像滑坡敏感區(qū)特征的捕捉，使得識(shí)別效果獲得明顯提升。實(shí)驗(yàn)結(jié)果表明，對(duì)滑坡敏感區(qū)識(shí)別模型進(jìn)行改進(jìn)，可有效提升P、R指標(biāo)值。

以A巖土體斜坡結(jié)構(gòu)為例，其所處地形地貌特征差異較大，其高差超過500"m，平均坡角不低于45o，為三疊系灰?guī)r、白云巖地質(zhì)結(jié)構(gòu)，斜坡表面有植被覆蓋。應(yīng)用本文技術(shù)對(duì)其滑坡敏感區(qū)進(jìn)行識(shí)別，識(shí)別結(jié)果如圖5所示。

分析圖5可知，本文技術(shù)可實(shí)現(xiàn)A斜坡結(jié)構(gòu)滑坡敏感區(qū)的識(shí)別，識(shí)別結(jié)果為紅色線條標(biāo)記區(qū)域，該區(qū)域地質(zhì)主要以三疊系灰?guī)r、白云巖為主，斜坡表層黏土量高、斜坡陡峭，植被量少，穩(wěn)定性差，故更易發(fā)生滑坡危害。實(shí)現(xiàn)結(jié)果表明，本文技術(shù)具有滑坡敏感區(qū)識(shí)別能力，可投入實(shí)際應(yīng)用。

3"結(jié)"論

將本文技術(shù)應(yīng)用到某地區(qū)巖土體斜坡結(jié)構(gòu)滑坡敏感區(qū)識(shí)別中，通過對(duì)光譜圖圖像特征重構(gòu)結(jié)果、滑坡敏感區(qū)識(shí)別結(jié)果等進(jìn)行分析，驗(yàn)證本文技術(shù)的應(yīng)用性能，實(shí)驗(yàn)結(jié)果表明：該技術(shù)可實(shí)現(xiàn)巖土體斜坡結(jié)構(gòu)滑坡敏感區(qū)識(shí)別，高光譜圖像特征重構(gòu)后，P、R指標(biāo)值顯著提升；ω取值為6時(shí)，滑坡敏感區(qū)識(shí)別效果最優(yōu)。

參考文獻(xiàn)

［１］"曹鵬，黎應(yīng)書，李宗亮，等.西藏昌都白格滑坡斜坡地質(zhì)結(jié)構(gòu)特征及成因機(jī)制[J].地球科學(xué)，2021，46（9）：3397-3409.

[2]"段曉峰，韓峰，杜陽(yáng)陽(yáng).基于無人機(jī)影像的滑坡自動(dòng)識(shí)別技術(shù)[J].蘭州交通大學(xué)學(xué)報(bào)，2020，39（6）：1-4.

[3]"何欣，賀占勇.深度學(xué)習(xí)技術(shù)應(yīng)用于自動(dòng)識(shí)別崩塌滑坡體初探[J].四川地質(zhì)學(xué)報(bào)，2021，41（3）：508-511.

[4]"廖軍，吳彩燕，王立娟，等.基于時(shí)序InSAR的滑坡早期識(shí)別——以貴州省水城縣為例[J].自然災(zāi)害學(xué)報(bào)，2022，31（3）：251-260.

[5]"劉排英，賀少帥，王鵬生，等.基于升降軌Sentinel1A"SBAS"InSAR的西南山區(qū)滑坡隱患早期識(shí)別研究[J].大地測(cè)量與地球動(dòng)力學(xué)，2022，42（9）：892-897.

[6]"楊歡，羅斌，張晗，等.基于高光譜成像技術(shù)和IRIV算法的玉米種子品種純度識(shí)別[J].江蘇大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，44（2）：159-165.

[7]"劉嘉敏，楊松，黃鴻.基于局部重構(gòu)Fisher分析的高光譜遙感影像分類[J].中國(guó)激光，2020，47（7）：390-401.

[8]"張慧敏，張林生.深度學(xué)習(xí)方法應(yīng)用于邊坡滑坡圖像識(shí)別技術(shù)研究[J].科技與創(chuàng)新，2021，169（1）：1-2.

[9]"梁懿文，張毅，蘇曉軍，等.基于InSAR的潛在滑坡人工智能識(shí)別——以延安寶塔區(qū)為例[J].蘭州大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，58（2）：212-221.

[10]"郭健，張鵬，張全，等.基于多光譜遙感影像的巫峽滑坡災(zāi)害識(shí)別技術(shù)研究[J].華南地質(zhì)與礦產(chǎn)，2020，36（1）：38-45.

[11]"簡(jiǎn)小婷，趙康，左小清，等.基于Faster"RCNN目標(biāo)檢測(cè)的滑坡隱患識(shí)別——以福貢縣城區(qū)為例[J].化工礦物與加工，2022，51（12）：19-24+29.

[12]"劉嘉敏，鄭超，張麗梅，等.基于圖像重構(gòu)特征融合的高光譜圖像分類方法[J].中國(guó)激光，2021，48（9）：203-212.

[13]"張炎，華文深，黃富瑜，等.聯(lián)合空間信息的改進(jìn)低秩稀疏矩陣分解的高光譜異常目標(biāo)檢測(cè)[J].半導(dǎo)體光電，2020，41（1）：141-145.

[14]"桂先剛，梁收運(yùn)，趙紅亮，等.基于分形的巴謝河流域滑坡空間分布格局及其影響因素分析[J].地震工程學(xué)報(bào)，2020，42（1）：250-258.

[15]"胡年宗，伍世虔，張亦明.基于卷積神經(jīng)網(wǎng)絡(luò)的SLAM回環(huán)檢測(cè)算法研究[J].計(jì)算機(jī)仿真，2020，37（5）：282-286.