基于LiDAR的复杂地质背景区滑坡识别的方法及系统

摘要

本发明公开了一种基于LiDAR的复杂地质背景区滑坡识别的方法及系统，其中方法包括以下步骤：S1、对LiDAR数据进行处理生成消除植被影响后裸地表的DEM数据；S2、提取传统的地貌特征参数以及计算纹理特征参数，生成特征参数文件；S3、确定最优特征参数组合；S4、获得满足预设精度条件的平衡系数；S5、计算平均用户精度、平均生产者精度和总体精度；S6、若满足精度要求，则使用边缘检测算子计算滑坡边界，实现滑坡识别。本发明的实现对数据需求少，可充分挖掘LiDAR-DEM数据在滑坡地形分析中的应用潜力；模型分类精度很高，能够实现复杂地质背景区滑坡边界的自动识别。

主权项

一种基于机载激光雷达数据的复杂地质背景区滑坡识别的方法，其特征在于，包括以下步骤：S1、对LiDAR数据进行处理生成消除植被影响后裸地表的DEM数据；S2、从所述DEM数据中提取传统的地貌特征参数以及根据所述地貌特征参数计算纹理特征参数，生成特征参数文件；S3、根据选定的研究区的部分已知滑坡像元和非滑坡像元，利用智能分类算法对所述特征参数文件中的特征参数进行重要性计算，并按重要性从高到低对特征参数进行排序，将前x个特征参数作为最优特征参数组合，其中x为袋外误差最小时对应的特征参数的个数； S4、选择所述研究区的部分已知滑坡像元、非滑坡像元的数据集作为训练集，并不断改变所述训练集中的元素，结合所述最优特征参数组合，利用智能分类算法预测已知滑坡像元、非滑坡像元的数据集并计算平均用户精度和平均生产者精度，获得二者之差的绝对值最小时训练集中的非滑坡像元数目与训练集的滑坡像元数目的比值，该比值为满足预设精度条件的平衡系数；S5、利用满足所述平衡系数的训练集以及所述最优特征参数组合，训练智能分类模型，预测已知滑坡像元、非滑坡像元的数据集，并计算平均用户精度、平均生产者精度和总体精度；S6、若所计算的平均用户精度、平均生产者精度和总体精度满足精度要求，则利用满足所述平衡系数的训练集以及所述最优特征参数组合，训练智能分类模型，并预测整个研究区的滑坡像元、非滑坡像元数据集，使用边缘检测算子计算滑坡边界，实现滑坡识别；其中，步骤S4中获得所述平衡系数具体过程为：根据选择的像元确定已知滑坡像元、非滑坡像元数据集中非滑坡像元与滑坡像元的比值m，m>0；选取已知滑坡像元、非滑坡像元的数据集中20%的滑坡像元和一定数量的非滑坡像元作为训练集，训练集中的非滑坡像元数目为训练集的滑坡像元数目的k倍，k=1+0.1*n，n为整数；n从0开始取值，n每次增加1，训练集随着n值的变化而不断变化，用该训练集训练智能分类模型，预测整个已知数据集，并计算平均用户精度和平均生产者精度，直至k小于或等于m；以k值为横轴，平均用户精度、平均生产者精度为纵轴作曲线，获得曲线中平均用户精度和平均生产者精度之差绝对值最小时的k值，将此时的k值作为平衡系数。