本發(fā)明涉及一種方法及系統(tǒng)，尤其涉及一種滑坡隱患多模態(tài)識(shí)別融合方法及系統(tǒng)。

背景技術(shù)：

1、滑坡隱患識(shí)別通過(guò)對(duì)地表及其下方的地質(zhì)結(jié)構(gòu)和地貌特征進(jìn)行監(jiān)測(cè)和分析，以識(shí)別潛在的滑坡風(fēng)險(xiǎn)和預(yù)測(cè)災(zāi)害事件的發(fā)生。隨著科技的不斷進(jìn)步和應(yīng)用的深入，滑坡隱患識(shí)別技術(shù)逐漸成為防災(zāi)減災(zāi)工作的重要手段之一。傳統(tǒng)的滑坡識(shí)別方法主要依賴(lài)于人工觀測(cè)和地面調(diào)查，這種方法受限于人力資源和地域范圍，無(wú)法實(shí)現(xiàn)對(duì)大范圍、復(fù)雜地貌的全面監(jiān)測(cè)和識(shí)別。而現(xiàn)代遙感技術(shù)的發(fā)展為滑坡識(shí)別提供了新的解決方案，遙感技術(shù)能夠獲取地表及其下方的大量數(shù)據(jù)，包括光學(xué)、熱紅外、雷達(dá)等多種波段的圖像數(shù)據(jù)，以及地形、地貌、植被覆蓋等多種地理信息數(shù)據(jù)，這些數(shù)據(jù)能夠?yàn)榛伦R(shí)別提供豐富的信息基礎(chǔ)。近年來(lái)，隨著機(jī)器學(xué)習(xí)和人工智能技術(shù)的發(fā)展，滑坡識(shí)別進(jìn)入了一個(gè)全新的階段。機(jī)器學(xué)習(xí)算法能夠從海量的遙感數(shù)據(jù)中提取特征，識(shí)別出滑坡的潛在特征和規(guī)律，實(shí)現(xiàn)對(duì)滑坡的自動(dòng)識(shí)別和預(yù)測(cè)。傳統(tǒng)機(jī)器學(xué)習(xí)算法，被廣泛應(yīng)用于滑坡識(shí)別領(lǐng)域，取得了顯著的成果，然而滑坡的特征具有復(fù)雜性和多樣性，如何從大量數(shù)據(jù)中提取有效的特征并進(jìn)行選擇是一個(gè)挑戰(zhàn)，可能直接影響識(shí)別模型的性能和最終精度。

2、現(xiàn)有滑坡隱患識(shí)別技術(shù)主要存在以下技術(shù)問(wèn)題，體現(xiàn)在以下兩方面：一是僅依賴(lài)有限數(shù)量的insar影像獲取地表形變，容易受到時(shí)序間隔、地表覆蓋、傳感器噪聲以及大氣條件等綜合因素影響；二是目前主要方法需基于insar影像獲取的地表形變結(jié)合專(zhuān)家判斷，再逐區(qū)域進(jìn)行人工判別和隱患范圍圈定，需要花費(fèi)大量的目視判識(shí)及手工操作時(shí)間，識(shí)別效率低且結(jié)果極易受到人為主觀經(jīng)驗(yàn)的影響。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述技術(shù)所存在的不足之處，本發(fā)明提供了一種滑坡隱患多模態(tài)識(shí)別融合方法及系統(tǒng)。

2、為了解決以上技術(shù)問(wèn)題，本發(fā)明采用的技術(shù)方案是：一種滑坡隱患多模態(tài)識(shí)別融合方法，包括以下步驟：

3、s1、長(zhǎng)時(shí)序多源數(shù)據(jù)的獲取與預(yù)處理；

4、s2、多光譜變化特征參數(shù)集的構(gòu)建：根據(jù)長(zhǎng)時(shí)序多源數(shù)據(jù)與滑坡的密切程度，篩選并構(gòu)建多光譜特征參數(shù)集，并逐一估算出對(duì)應(yīng)參數(shù)的長(zhǎng)時(shí)間序列變化特征從而構(gòu)建多光譜變化特征參數(shù)集；

5、s3、地形特征參數(shù)集的構(gòu)建：

6、結(jié)合insar數(shù)據(jù)獲取的形變速率以及地形指數(shù)構(gòu)建地形特征參數(shù)集；

7、s4、訓(xùn)練樣本選取和模型訓(xùn)練：根據(jù)滑坡隱患區(qū)域地表變化的特點(diǎn)劃分地表狀態(tài)并針對(duì)不同地表狀態(tài)類(lèi)型選取模型訓(xùn)練樣本，分別對(duì)多光譜變化特征參數(shù)集以及地形特征參數(shù)集進(jìn)行模型訓(xùn)練，直至獲得基于多光譜變化特征參數(shù)的模型和基于地形特征參數(shù)的模型；

8、s5、多模態(tài)數(shù)據(jù)融合：針對(duì)多光譜變化特征參數(shù)的模型和基于地形特征參數(shù)的模型預(yù)測(cè)結(jié)果，進(jìn)行多模態(tài)融合；

9、s6、地表狀態(tài)判定：根據(jù)上述步驟獲得的多模態(tài)融合模型，進(jìn)行地表狀態(tài)判定。

10、作為優(yōu)選地，s1中，獲取的數(shù)據(jù)包括有多源光學(xué)、熱紅外、微波、地形及insar遙感數(shù)據(jù)，具體包括有：

11、不同尺度的長(zhǎng)時(shí)間序列的landsat、modis地表反射率數(shù)據(jù)集；數(shù)字高程模型；landsat、modis地表溫度產(chǎn)品；微波土壤水分產(chǎn)品，例如smap，包括全球表層和根層土壤水分?jǐn)?shù)據(jù)；對(duì)應(yīng)時(shí)序的insar數(shù)據(jù)。

12、作為優(yōu)選地，s2中，多光譜變化特征參數(shù)集的構(gòu)建過(guò)程具體有：

13、2.1)多光譜特征參數(shù)集的構(gòu)建；

14、2.2)多光譜變化特征參數(shù)集的構(gòu)建；

15、2.1)中，多光譜特征參數(shù)集的構(gòu)建包括兩個(gè)步驟，第一是構(gòu)建光譜指數(shù)參數(shù)集，第二是構(gòu)建水熱因子空間梯度參數(shù)集；

16、光譜指數(shù)參數(shù)集是由與滑坡關(guān)系密切的光譜指數(shù)將組合構(gòu)建成的，光譜指數(shù)包括：歸一化植被指數(shù)ndvi、植被覆蓋度f(wàn)vc以及土壤調(diào)節(jié)植被指數(shù)savi；

17、構(gòu)建的水熱因子空間梯度參數(shù)集包括：地表溫度梯度指數(shù)nlstg以及土壤水分梯度指數(shù)nsmg；

18、2.2)中，基于上一步獲取的光譜指數(shù)ndvi、fvc、savi以及水熱因子空間梯度參數(shù)指數(shù)nlstg、nsmg構(gòu)成地表狀態(tài)特征集合，進(jìn)一步估算對(duì)應(yīng)的多光譜變化特征參數(shù)集合，變化特征參數(shù)包括：主斜率m、斜率變化率r、截距b、參數(shù)自由相關(guān)ρ、變異系數(shù)cv，通過(guò)長(zhǎng)時(shí)序的變化動(dòng)態(tài)來(lái)反映出與滑坡相關(guān)的參數(shù)動(dòng)態(tài)；

19、由此，5個(gè)地表狀態(tài)參數(shù)每個(gè)都擁有5個(gè)變化特征參數(shù)，得到由25個(gè)多光譜變化特征參數(shù)組成集合vsur。

20、作為優(yōu)選地，2.1)中，光譜指數(shù)包括歸一化植被指數(shù)ndvi、植被覆蓋度f(wàn)vc以及土壤調(diào)節(jié)植被指數(shù)savi的具體的計(jì)算公式如下：

21、

22、

23、其中，rnir為近紅外波段的反射率；rred為紅光波段的反射率；l是土壤亮度校正因子，取值范圍為(0,1)，根據(jù)具體的植被類(lèi)型和土壤特性來(lái)調(diào)整；ndvim和ndvim分別是ndvi的最大值和最小值，分別對(duì)應(yīng)裸土和密集植被的ndvi值。

24、作為優(yōu)選地，2.1)中，水熱因子空間梯度參數(shù)集的構(gòu)建過(guò)程有：

25、第一步，降尺度到光譜指數(shù)參數(shù)一致的空間分辨率，以獲取高分辨率的地表溫度和土壤水分?jǐn)?shù)據(jù)；

26、第二步，結(jié)合上一步獲取的高分辨率地表溫度和土壤水分?jǐn)?shù)據(jù)，按照以下步驟分別估算水熱參數(shù)的空間梯度：首先，選取每個(gè)像元周?chē)?個(gè)鄰近像元來(lái)估算梯度；其次，逐像元計(jì)算其與周?chē)徑裨南袼刂挡町?；然后，逐像元?jì)算中心像元與每個(gè)鄰近像元之間的距離；最后，逐像元將差值除以距離來(lái)計(jì)算每個(gè)像元的空間梯度；

27、對(duì)于每個(gè)像元，地表溫度以及土壤水分的空間梯度分別通過(guò)以下公式計(jì)算：

28、

29、其中，δxq是中心像元與鄰近所有像元的參數(shù)差值的平均值；δdq是中心像元與第q個(gè)鄰近像元之間的距離；xg即為每個(gè)像元的計(jì)算得到的參數(shù)空間梯度；

30、第三步，水熱參數(shù)空間梯度歸一化處理；選取線(xiàn)性歸一化方法將地表溫度、土壤水分空間梯度縮放到[-1,1]，使它們的值在統(tǒng)一尺度內(nèi)，具體歸一化公式如下：

31、

32、其中，xg是每個(gè)像元的計(jì)算得到的參數(shù)空間梯度；xgm與xgm分別是中心像元的參數(shù)空間梯度對(duì)應(yīng)的最大值和最小值；按照公式(4)(5)可以逐像元計(jì)算得到歸一化后的地表溫度梯度指數(shù)nlstg以及土壤水分梯度指數(shù)nsmg。

33、作為優(yōu)選地，2.1)中，2.2)中，變化特征參數(shù)的具體計(jì)算方法如下：

34、(2.21)主斜率m的計(jì)算公式為：

35、

36、其中，mn表示第n個(gè)點(diǎn)對(duì)的斜率，n表示第n個(gè)點(diǎn)對(duì)，i和j分別代表不同的期次編號(hào)，滿(mǎn)足i<j，且i，j∈[1,k]；yi和yj分別為期次i、j對(duì)應(yīng)的多光譜特征參數(shù)數(shù)值；xi和xj分別為期次i、j對(duì)應(yīng)的時(shí)間；k為長(zhǎng)時(shí)序數(shù)據(jù)總數(shù)；

37、根據(jù)公式(6)從長(zhǎng)時(shí)序數(shù)據(jù)中依次選擇2個(gè)期次i和j，最終可以計(jì)算出n個(gè)主斜率，其中將n個(gè)m值依次從小到大排序得到有序點(diǎn)對(duì)斜率序列{m1,m2...mn}，如果n是奇數(shù)，則中位斜率就是有序序列的中間值，即第個(gè)點(diǎn)對(duì)所對(duì)應(yīng)的斜率作為主斜率；如果n是偶數(shù)，則中位斜率就是有序序列的第與個(gè)點(diǎn)對(duì)斜率的平均值作為主斜率；

38、(2.22)斜率變化率r計(jì)算公式為：

39、

40、其中，r表示平均斜率變化率，k表示長(zhǎng)時(shí)序數(shù)據(jù)總數(shù)，mij表示第i期和第j期對(duì)應(yīng)的斜率變化率，δtij表示第i期和第j期對(duì)應(yīng)的時(shí)間間隔；

41、(2.23)主截距b計(jì)算公式為：

42、

43、其中，p代表第p個(gè)像元，s表示第s個(gè)點(diǎn)對(duì)，m表示主斜率，n為所有點(diǎn)對(duì)的總數(shù)，可以表示為k為長(zhǎng)時(shí)序數(shù)據(jù)總數(shù)，pp,s表示第p個(gè)像元的第s個(gè)點(diǎn)對(duì)所對(duì)應(yīng)的多光譜特征參數(shù)的數(shù)值，ts表示第s個(gè)點(diǎn)對(duì)對(duì)應(yīng)的時(shí)間；

44、將所有點(diǎn)對(duì)獲取的截距值依次從小到大排序得到有序點(diǎn)對(duì)截距序列{b1,b2...bn}，如果n是奇數(shù)，則中位斜率就是有序序列的中間值，即第個(gè)點(diǎn)對(duì)所對(duì)應(yīng)的截距作為主截距；如果n是偶數(shù)，則中位斜率就是有序序列的第與個(gè)點(diǎn)對(duì)斜率的平均值作為主截距；

45、(2.24)參數(shù)自相關(guān)性ρ計(jì)算公式為：

46、

47、其中，示長(zhǎng)時(shí)間序列對(duì)應(yīng)的參數(shù)p的平均值，ρ(z)示長(zhǎng)時(shí)間序列中相隔z個(gè)時(shí)間單位的兩個(gè)參數(shù)值之間的相關(guān)性程度，k代表長(zhǎng)時(shí)序數(shù)據(jù)總數(shù)；

48、(2.25)變異系數(shù)cv計(jì)算公式為：

49、

50、其中，σ表示地表狀態(tài)參數(shù)的標(biāo)準(zhǔn)差，示長(zhǎng)時(shí)間序列對(duì)應(yīng)的參數(shù)p的平均值，k代表長(zhǎng)時(shí)序數(shù)據(jù)總數(shù)，pi表示地表狀態(tài)參數(shù)數(shù)據(jù)集中的第i個(gè)樣本值，i∈[1,k]；

51、經(jīng)過(guò)上述步驟，估算得到光譜指數(shù)ndvi、fvc、savi以及水熱參數(shù)空間梯度指數(shù)nlstg、nsmg對(duì)應(yīng)的5個(gè)變化特征參數(shù){m,r,b,ρ,cv}，當(dāng)完成5個(gè)地表狀態(tài)參數(shù)對(duì)應(yīng)的5個(gè)變化特征參數(shù)的計(jì)算，將得到由25個(gè)多光譜變化特征參數(shù)組成集合vsur，具體表達(dá)式為下式：

52、

53、變化特征參數(shù)集vsur后續(xù)將作為機(jī)器學(xué)習(xí)的自變量，就此完成了機(jī)器學(xué)習(xí)算法訓(xùn)練的輸入變量。

54、作為優(yōu)選地，s3中，地形特征參數(shù)集的構(gòu)建過(guò)程有：

55、(3.1)構(gòu)建地形特征參數(shù)集：利用預(yù)處理后的數(shù)字高程模型獲取與滑坡相關(guān)地形指數(shù)，包括：地形曲率指數(shù)tci以及地形湍流指數(shù)tpi；

56、首先，根據(jù)地表高程數(shù)據(jù)計(jì)算出地表的二階導(dǎo)數(shù)，具體公示如下：

57、

58、其中，c代表地表曲率，e為地表高程，代表偏導(dǎo)數(shù)，x和y是地表坐標(biāo)的水平位置，均可從數(shù)字高程模型中獲取；

59、然后，對(duì)計(jì)算得到的曲率進(jìn)行歸一化處理，歸一化計(jì)算如下：

60、

61、其中，cm和cm分別是地表曲率的最小值和最大值；tci用于判斷地形的凹凸程度，tci>0.7：表示地形非常平坦，0.3<tci≤0.7：表示地形有一定起伏，tci≤0.3：表示地形非常崎嶇；

62、地形湍流指數(shù)tpi可通過(guò)對(duì)像元周?chē)叱讨档慕y(tǒng)計(jì)來(lái)得到，公式如下：

63、

64、其中，e0表示中心像元的高程值，表示周?chē)徲虻母叱唐骄?，均可從?shù)字高程模型中獲取；tpi正值表示中心像元位于相對(duì)高的地方，負(fù)值表示中心像元位于相對(duì)低的地方，0表示中心像元的高程值與周?chē)徲虻钠骄迪嗟龋?/p>

65、(3.2)基于insar的形變速率估算：

66、通過(guò)配準(zhǔn)后的多時(shí)相insar圖像生成干涉圖，提取每個(gè)像元的形變速率v；將形變速率v、地形曲率指數(shù)tci和地形湍流指數(shù)tpi數(shù)據(jù)合并成一個(gè)數(shù)據(jù)集，其中，形變速率數(shù)據(jù)v進(jìn)行降尺度處理；合并后的數(shù)據(jù)集進(jìn)行歸一化處理，由此獲得地形特征參數(shù)集vdef，vdef后續(xù)將作為機(jī)器學(xué)習(xí)的自變量，就此完成了機(jī)器學(xué)習(xí)算法訓(xùn)練的輸入變量。

67、作為優(yōu)選地，s4中，模型訓(xùn)練樣本的選取方法為：

68、根據(jù)滑坡隱患區(qū)域地表變化的特點(diǎn)將地表分為三種狀態(tài)，包括穩(wěn)定、輕微變化、不穩(wěn)定；采用隨機(jī)選擇樣本和分層人工選擇樣本相結(jié)合針對(duì)不同地表狀態(tài)類(lèi)型選取訓(xùn)練樣本；

69、s4中，模型訓(xùn)練的過(guò)程有：

70、多光譜變化特征參數(shù)組成集合vsur以及地形特征參數(shù)集vdef分別作為機(jī)器學(xué)習(xí)的自變量，地表狀態(tài)樣本集s作為機(jī)器學(xué)習(xí)的因變量；

71、將輸入變量和地表狀態(tài)樣本均按70％和30％進(jìn)行劃分，其中的70％的vsur_train以及vdef_train數(shù)據(jù)將用于機(jī)器學(xué)習(xí)地表狀態(tài)變化的訓(xùn)練，模型映射訓(xùn)練過(guò)程由下式表示：

72、fsur＝ftrain(vsur_train,strain)?(15)

73、fdef＝ftrain(vdef_train,strain)?(16)

74、其中，sstrain是用于訓(xùn)練的70％地表狀態(tài)樣本集；vsur_train、vdef_train分別為用于訓(xùn)練的70％多光譜變化特征參數(shù)集及地形特征參數(shù)，fsur、fdef分別為機(jī)器學(xué)習(xí)訓(xùn)練好的非線(xiàn)性模型，由選擇的70％輸入?yún)?shù)和地表狀態(tài)樣本集訓(xùn)練得到；

75、剩余30％的數(shù)據(jù)集用于對(duì)機(jī)器學(xué)習(xí)算法的性能進(jìn)行評(píng)估，以確定其是否達(dá)到了預(yù)定的性能標(biāo)準(zhǔn)；若算法性能未能滿(mǎn)足既定的精度要求，進(jìn)行迭代訓(xùn)練，直到其識(shí)別精度達(dá)到或超過(guò)期望的閾值，最終得到上述兩類(lèi)模型，即基于多光譜變化特征參數(shù)的模型和基于地形特征參數(shù)的模型。

76、作為優(yōu)選地，s5中，使用概率平均方法進(jìn)行多模態(tài)融合，輸出每個(gè)類(lèi)別的概率預(yù)測(cè)的情況，針對(duì)兩類(lèi)模型，首先估算對(duì)每個(gè)類(lèi)別的概率預(yù)測(cè)：

77、psur(y|vsur_pre)＝fsur(vsur_pre)??(17)

78、pdef(y|vdef_pre)＝fdef(vdef_pre)??(18)

79、其中，fsur、fdef分別表示用多光譜變化特征參數(shù)集以及地形特征參數(shù)訓(xùn)練得到的預(yù)測(cè)模型；vsur_pre以及vdef_pre分別表示參與預(yù)測(cè)的多光譜變化特征參數(shù)集以及地形特征參數(shù)；psur表示fsur對(duì)于vsur_pre對(duì)每個(gè)類(lèi)別y的預(yù)測(cè)概率，pdef表示fdef對(duì)于vdef_pre分別對(duì)每個(gè)類(lèi)別y的預(yù)測(cè)概率；

80、然后，對(duì)每個(gè)類(lèi)別的概率進(jìn)行加權(quán)平均，以獲得每個(gè)類(lèi)別的綜合概率，最后選擇具有最高綜合概率的類(lèi)別作為最終預(yù)測(cè)：

81、p(y)＝ωsur×psur(y|vsur_pre)+ωsar×psar(y|vsar_pre)??(19)

82、其中，p(y)表示通過(guò)加權(quán)平均不同模型的概率預(yù)測(cè)后得到的最終類(lèi)別概率；ωsur以及ωdef分別表示每個(gè)模型的概率權(quán)重系數(shù)，且滿(mǎn)足ωsur+ωdef＝1；

83、在得到每個(gè)類(lèi)別的加權(quán)平均概率p(y)之后，最終選擇具有最高綜合概率的類(lèi)別作為最終預(yù)測(cè)結(jié)果。

84、一種滑坡隱患多模態(tài)識(shí)別融合系統(tǒng)，包括有以下模塊：

85、長(zhǎng)時(shí)序多源數(shù)據(jù)預(yù)處理模塊，用于采集的長(zhǎng)時(shí)序多源數(shù)據(jù)的預(yù)處理；

86、多光譜變化特征參數(shù)集估算模塊，使用30m光學(xué)數(shù)據(jù)估算歸一化植被指數(shù)ndvi、植被覆蓋度f(wàn)vc、土壤調(diào)節(jié)植被指數(shù)savi，采用多種機(jī)器習(xí)算法訓(xùn)練降尺度模型，獲取高分辨率地表溫度和土壤水分，估算得到水熱參數(shù)空間梯度指數(shù)：地表溫度梯度指數(shù)nlstg、土壤水分梯度指數(shù)nsmg；針對(duì)ndvi、fvc、savi、nlstg、nsmg，分別計(jì)算出主斜率、斜率變化率、截距、參數(shù)自相關(guān)以及變異系數(shù)，獲取多光譜變化特征參數(shù)集；

87、地形特征參數(shù)集估算模塊，使用數(shù)字高程模型獲取對(duì)應(yīng)的高程、坡度以及坡向，估算得到地形曲率指數(shù)tci以及地形湍流指數(shù)tpii，通過(guò)多時(shí)相insar圖像獲取每個(gè)像元的形變速率；將形變速率數(shù)據(jù)v采用統(tǒng)計(jì)降尺度方法至30米的空間分辨率，和tci、tpi數(shù)據(jù)合并成一個(gè)數(shù)據(jù)集，歸一化處理后獲取地形特征參數(shù)集；

88、訓(xùn)練樣本選取及模型訓(xùn)練模塊，分別對(duì)穩(wěn)定、輕微變化及不穩(wěn)定狀態(tài)區(qū)域進(jìn)行樣本選取，多光譜變化特征參數(shù)集以及地形特征參數(shù)分別作為機(jī)器學(xué)習(xí)的自變量，地表狀態(tài)樣本集作為機(jī)器學(xué)習(xí)的因變量，進(jìn)行模型迭代訓(xùn)練及評(píng)估，直至獲得基于多光譜變化特征參數(shù)的模型和基于地形特征參數(shù)的模型；

89、多模態(tài)融合模塊，對(duì)兩類(lèi)模型進(jìn)行融合，具有最高綜合概率的類(lèi)別將作為最終預(yù)測(cè)模型。

90、地表狀態(tài)判定模塊，調(diào)用最終預(yù)測(cè)模型，進(jìn)行地表狀態(tài)判別并輸出繪制的區(qū)域地表狀態(tài)空間分布圖。

91、本發(fā)明針對(duì)現(xiàn)有的滑坡隱患識(shí)別技術(shù)存在的局限性，提出了一種滑坡隱患多模態(tài)識(shí)別融合方法及系統(tǒng)，旨在實(shí)現(xiàn)高精度滑坡隱患識(shí)別。一方面，以光學(xué)、熱紅外、微波、地形以及insar多源遙感數(shù)據(jù)為基礎(chǔ)，引入光譜特征、地形屬性以及水熱因子的長(zhǎng)時(shí)序變化趨勢(shì)變量構(gòu)成多光譜變化特征參數(shù)集，以地形指數(shù)結(jié)合insar形變數(shù)據(jù)構(gòu)成地形特征參數(shù)集，進(jìn)行多模態(tài)數(shù)據(jù)融合，全面地表征滑坡災(zāi)害潛在的變化特征，由于額外引入多源長(zhǎng)時(shí)序多光譜變化特征能夠提供更全面的背景信息及演化趨勢(shì)，耦合兩者可互補(bǔ)不足，可克服因單一依賴(lài)insar形變結(jié)果而影響滑坡隱患識(shí)別精度的問(wèn)題。另一方面，滑坡隱患識(shí)別模型完成訓(xùn)練后，只需要將多光譜變化特征集以及地形特征參數(shù)集分別輸入模型，即可快速獲取識(shí)別結(jié)果，顯著提升滑坡識(shí)別效率，大幅降低人力和物力成本，與傳統(tǒng)方法需要進(jìn)行人工判識(shí)相比，滑坡預(yù)測(cè)將更加智能便捷。