基于无人机影像的滑坡自动识别技术

发布时间：2024-04-14 14:57

　　无人机遥感影像分辨率高,影像特征质量好,为滑坡自动识别提供了良好的数据源.首先对无人机影像获取的地形图进行多尺度分割,基于传统滑坡遥感影像图的遥感特征与地形特征,扩充无人机遥感影像分类因子项,应用SEaTH算法实现了滑坡有效分类因子的获取,得到可用于判定滑坡类型的四个分类因子:地面粗糙度、地势起伏度、坡度、高程.进而基于有效分类因子,通过训练、构建支持向量机模型,实现了受灾区域中滑坡范围与非滑坡范围的自动化、高精度的分类识别.

【文章页数】：4 页

【部分图文】：

图1分割前后效果对比

无人机数据采集建模是基于WGS-84坐标系,为实现绝对定位,需将其转换至GS84-UTM-ZONE-47N坐标系,保证导入的所有栅格图像坐标系相同,这样方可保证所有的栅格图形完全重合,才可进行多尺度分割.在影像分析软件eCognition中导入数字地形模型和栅格图像,包括:地势起....

图2试验区与非试验区

基于分割后的影像,选择空间分布均匀的典型样本,输出其待选特征值.首先以高程为分类指标,将分割结果细化为试验区和非实验区,如图2～3所示;进而,在试验区采用SEaTH算法[19],最终划分出滑坡区.图3典型样本

图3典型样本

图2试验区与非试验区试验区的61个布设样本,经过处理,可得滑坡样本26个.分别提取这些滑坡、非滑坡样本的地形因子特征值和均值、遥感因子的特征值和均值,如表1所列.

图4分类前

首先将遴选出的4个分类因子特征值分别赋值给滑坡与非滑坡的典型特征点,利用支持向量机法[20]训练特征对象,得到最优“超平面”.然后类比超平面与试验区(面)内余下所有的对象,完成其分类计算.在本文中的支持向量机法线性核函数训练及应用的分割尺寸为200,惩罚因子取35.分类结果如图4....

本文编号：3954861