广域滑坡灾害隐患InSAR显著性形变区深度学习识别技术

全面识别和发现地质灾害隐患, 已成为我国地质灾害防治的重大实际需求。目前, 基于InSAR技术和深度学习相结合用于广域尺度下地质灾害隐患智能识别应用效果与适用性还需要进一步探索与研究。本文基于Stacking InSAR技术获得地表形变相位数据, 利用深度学习检测识别正在变形的滑坡隐患位置与分布, 确定显著性形变区边界, 探索将上述技术方法推广到一定的广域范围和动态更新数据集。结果显示, 测试数据集显著性形变区平均识别精度为0.69, 召回率为0.67, F1 score为0.67, 动态更新数据集识别精度为0.85, 召回率为0.58, F1 score为0.68。研究表明, 本文方法在广域...

Full description

Saved in:
Bibliographic Details
Published in:Ce hui xue bao 2022-10, Vol.51 (10), p.2046-2055
Main Authors: 吴琼, 葛大庆, 于峻川, 张玲, 李曼, 刘斌
Format: Article
Language:chi ; eng
Subjects:
Datasets
Deep learning
Deformation
Emergency warning programs
Geological hazards
Geology
Hazard identification
Identification
Interferometric synthetic aperture radar
Landslides
Recall
Stacking
Technical services
Technology
Online Access:Get full text
Tags: Add Tag
No Tags, Be the first to tag this record!
Description
Summary:全面识别和发现地质灾害隐患, 已成为我国地质灾害防治的重大实际需求。目前, 基于InSAR技术和深度学习相结合用于广域尺度下地质灾害隐患智能识别应用效果与适用性还需要进一步探索与研究。本文基于Stacking InSAR技术获得地表形变相位数据, 利用深度学习检测识别正在变形的滑坡隐患位置与分布, 确定显著性形变区边界, 探索将上述技术方法推广到一定的广域范围和动态更新数据集。结果显示, 测试数据集显著性形变区平均识别精度为0.69, 召回率为0.67, F1 score为0.67, 动态更新数据集识别精度为0.85, 召回率为0.58, F1 score为0.68。研究表明, 本文方法在广域地灾隐患识别中具有应用可行性, 可为地质灾害监测预警提供理论基础与技术支撑。
ISSN:1001-1595
1001-1595
DOI:10.11947/j.AGCS.2022.20220303