(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211214989.7 (22)申请日 2022.09.30 (71)申请人 武汉大学 地址 430072 湖北省武汉市武昌区珞珈山 街道八一路2 99号 (72)发明人 袁瑞　陈静　 (74)专利代理 机构 武汉科皓知识产权代理事务 所(特殊普通 合伙) 42222 专利代理师 郑勤振 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/06(2012.01) (54)发明名称 应用InSAR数据的混合深度学习的滑坡易发 性评估方法及系统 (57)摘要 本发明提供一种应用InSAR数据的混合深度 学习的滑坡易发性评估方法及系统， 基于InSAR 位置提取滑坡诱发因子和滑坡与非滑坡二分类 数据； 基于共线性检验分析和信息增益分析滑坡 诱发因子间的共线性关系以及滑坡诱发因子与 滑坡易发性之间的重要关联程度； 提出CNN ‑ LSTM,CNN ‑GRU和CNN ‑SRU三种混合深度学习网络 基于滑坡诱发因子和滑坡分类数据构建滑坡易 发性模型进行滑坡易发性的分析； 构建其它三种 混合的机器学习网络CNN ‑SVM,CNN‑RF和CNN‑LR 进行滑坡易发性评估的比较工作。 本发明适用于 基于InSAR数据的滑坡易发性评估应用。 权利要求书2页 说明书19页 附图8页 CN 115526103 A 2022.12.27 CN 115526103 A 1.一种应用I nSAR数据的混合深度学习的滑坡易发性评估方法， 其特 征在于， 包括： 获取基于InSAR位置的滑坡与非滑坡的二分类编码数据， 其方法包括： 获取地面监测形 变InSAR数据， 该InSAR数据包含了InSAR监测点位置以及形变速率信息， 同时获取监测区域 已知的滑坡点； 基于InSAR位置点与滑坡点生成具有滑坡分类属性的InSAR位置点； 结合滑 坡点和InSAR数据点， 获取与滑坡点数据同等数量的基于I nSAR位置的非滑坡分类数据； 获取4种滑坡样本数据， 其方法包括： 获取统一空间分辨率和空间坐标系的滑坡诱发因 子， 根据在滑坡诱发因子是否引入InSAR形变特征， 基于含有滑坡二分类编码数据的InSAR 位置点提取滑坡诱 发因子属性， 获取滑坡诱发因子中包含InSAR形变特征和没有InSAR形变 特征的基于InSAR位置点的2种滑坡样本数据； 获取滑坡诱发因子中包含InSAR形变特征和 没有InSAR形变特 征的基于滑坡点的2种滑坡样本数据， 即最终 获取4种滑坡样本数据； 将4种滑坡样本数据输入到滑坡易发性模型获取滑坡易发性 概率。 2.根据权利要求1所述的应用InSAR数据的混合深度学习的滑坡易发性评估方法， 其特 征在于， 滑坡诱发因子包括： 地形、 地质、 地貌和水文因素。 3.根据权利要求1所述的应用InSAR数据的混合深度学习的滑坡易发性评估方法， 其特 征在于， 滑坡易发性模型包括通过卷积神将网络CNN与CNN ‑LSTM、 CNN ‑GRU和CNN ‑SRU三种深 度学习神经网络 。 4.根据权利要求2所述的应用InSAR数据的混合深度学习的滑坡易发性评估方法， 其特 征在于， 对于获取 的滑坡诱发因子， 利用多重共线性检验方法获取没有共线性关系的滑坡 诱发因子， 在没有共线性关系的滑坡诱发因子基础上， 利用信息增益分析计算滑坡的重要 性指数， 排除重要性指数低的滑坡诱发因子， 获取有序的重要性指数高的滑坡诱发因子 。 5.根据权利要求3所述的应用InSAR数据的混合深度学习的滑坡易发性评估方法， 其特 征在于， 有序的重要性指数高的滑坡诱发因子采用降序排列， 并经过CNN网络模型训练后， 提取具有主要影响的滑坡诱发因子序列特征， 作为CNN ‑LSTM、 CNN ‑GRU和CNN ‑SRU的RNNs循 环层的输入数据， 获取滑坡易发性 概率。 6.根据权利要求1所述的应用InSAR数据的混合深度学习的滑坡易发性评估方法， 其特 征在于， 根据获取的滑坡易发性 概率生成滑坡易发性 等级图。 7.一种应用I nSAR数据的混合深度学习的滑坡易发性评估系统， 其特 征在于， 包括： 滑坡与非滑坡的二分类编码数据获取模块， 其被配置为： 获取地面监测形变InSAR数 据， 该InSAR数据包含了InSAR监测点位置以及形变速率信息， 同时获取监测区域已知的滑 坡点； 基于InSAR位置点与滑坡点生成具有滑坡分类属性的InSAR位置点； 结合滑坡点和 InSAR数据点， 获取与滑坡点数据同等数量的基于I nSAR位置的非滑坡分类数据； 滑坡样本数据获取模块， 其被配置为： 获取统一空间分辨率和 空间坐标系的滑坡诱发 因子， 根据在滑坡诱发因子是否引入InSAR形变特征， 基于含有滑坡二分类编码数据的 InSAR位置点提取滑坡诱发因子属性， 获取滑坡诱发因子中包含InSAR形变特征和没有 InSAR形变特征的基于InSAR位置点的2种滑坡样 本数据； 获取滑坡诱发因子中包含InSAR形 变特征和没有InSAR形变特征的基于滑坡点的2种滑坡样本数据， 最终获取4种滑坡样本数 据； 滑坡易发性模型， 将4种滑坡样本数据输入到滑坡易发性模型获取滑坡易发性 概率。 8.根据权利要求7所述的应用InSAR数据的混合深度学习的滑坡易发性评估系统， 其特权　利　要　求　书 1/2 页 2 CN 115526103 A 2征在于， 对于获取 的滑坡诱发因子， 利用多重共线性检验方法获取没有共线性关系的滑坡 诱发因子， 在没有共线性关系的滑坡诱发因子基础上， 利用信息增益分析计算滑坡的重要 性指数， 排除重要性指数低的滑坡诱发因子， 获取有序的重要性指数高的滑坡诱发因子； 滑坡易发性模型包括通过卷积神将网络CNN与CNN ‑LSTM、 CNN ‑GRU和CNN ‑SRU三种深度 学习神经网络； 有序的重要性指数高的滑坡诱发因子采用降序排列， 并经过CNN网络模型训练后， 提取 具有主要影响的滑坡诱发因子序列特征， 作为CNN ‑LSTM、 CNN ‑GRU和CNN ‑SRU的RNNs循环层 的输入数据， 获取滑坡易发性 概率。 9.一种计算机， 其特 征在于， 包括： 处理器； 存储器， 包括 一个或多个 计算机程序模块； 其中， 所述一个或多个计算机程序模块被存储在所述存储器中并被配置为由所述处理 器执行， 所述一个或多个计算机程序模块包括用于实现权利要求1 ‑6任一项所述的应用 InSAR数据的混合深度学习的滑坡易发性评估方法的指令 。 10.一种计算机可读存储介质， 用于存储非暂时性计算机可读指令， 其特征在于， 当所 述非暂时性计算机可读指令由计算机执行时能够实现权利要求1 ‑6任一项所述的应用 InSAR数据的混合深度学习的滑坡易发性评估方法。权　利　要　求　书 2/2 页 3 CN 115526103 A 3