学院新闻

当前位置:首页 / 学院新闻

明冬萍教授团队在滑坡易发性制图研究方面取得进展

2021-06-09     发布:[bat365正版唯一官网]    点击:612

滑坡是我国发生频率极高的地质灾害,每年造成大量经济财产损失和人员伤亡。通过滑坡易发性制图可预测滑坡在空间上发生的概率,有助于相关部门开展合理、有效的防灾减灾工作。目前,基于卷积神经网络(CNN)的滑坡易发性制图方法取得了较传统机器学习方法更可靠的制图结果,但所采用的网络结构简单,无法充分发挥CNN深层特征提取的优势,并忽略了数值型诱发因子在滑坡易发性制图中的作用。为进一步提升滑坡易发性制图的精度及可靠性,我院博士生陈扬洋在导师明冬萍教授与周成虎院士的指导下,提出一种基于深度特征融合的通道扩展预训练CNN与机器学习分类器集成模型(CPCNN-ML),并将该模型应用于香港特别行政区大屿山的滑坡易发性制图工作中。该模型的提出使地学数据智能感知与地质灾害防治得以紧密结合,可为地质灾害防治工作向智能化迈进提供支持。

研究的主要内容和亮点如下:

1.   通过对成熟CNN的结构和预训练策略进行调整,首次将预训练的成熟CNN模型应用于滑坡易发性制图,使诱发因子层的深层特征能被充分、高效地提取。

2.   通过构建基于预训练CNN与传统机器学习的集成模型,首次将CNN提取的诱发因子深层特征与数值型诱发因子进行特征级融合,应用于滑坡易发性制图。显著提升了易发性制图结果的可靠性和精度,多模型集成和特征融合策略的优势明显。

3.   与早前大屿山滑坡易发性制图的相关研究相比,CPCNN-ML可以有效识别出以往被忽略的部分沿海区域滑坡易发点,符合历史滑坡事实,该成果和发现对香港地区防灾减灾政策制定具有重要参考价值。

技术路线

技术路线

多层级特征提取示意图

多层级特征提取示意图

孕灾环境因子

滑坡易发性制图所使用的孕灾环境因子

易发性

基于CPCNN-RF的大屿山滑坡易发性图

精度评价精度评价表

滑坡易发性制图精度评价结果

引用格式:Chen, Yangyang, et al. "Landslide Susceptibility Mapping Using Feature Fusion-Based CPCNN-ML in Lantau Island, Hong Kong." IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 14 (2021): 3625-3639.

全文链接:https://ieeexplore.ieee.org/abstract/document/9380727

Baidu
sogou