欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2025115656384
申请人: 成都理工大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于联邦学习和UNet的滑坡易发性评价方法,其特征在于,包括以下步骤:S1,获取滑坡影响因子数据:收集多个滑坡影响因子数据,并提取滑坡易发性区域的多个影响因子层数据;

S2,建立联邦学习框架:在多个数据持有方之间建立联邦学习框架;

S3,设计UNet深度学习模型:设计基于UNet的深度学习模型,用于滑坡易发性评价,并将影响因子层数据输入模型进行特征提取与分割;

S4,联邦学习模型训练与参数整合:在联邦学习框架下,通过滑坡样本数据集训练基于UNet的深度学习模型,通过联邦平均算法整合模型参数,更新全局基于UNet的深度学习模型;

S5,联邦学习迭代与模型优化:通过多轮联邦学习迭代,优化基于UNet的深度学习模型参数;

S6,生成滑坡易发性特征图与概率回归:应用优化后的基于UNet的深度学习模型生成滑坡易发性区域的特征图,使用Sigmoid层进行概率回归处理,输出滑坡易发性评价结果;具体包括:S61,UNet模型的优化与应用:应用优化后的基于UNet的深度学习模型对滑坡易发性区域进行预测,通过多层卷积和操作提取滑坡区域的特征;

S62,生成特征图:根据输入数据,生成滑坡易发性区域的特征图,其中表示空间坐标;

S63,概率回归:将生成的特征图通过Sigmoid层进行处理,计算每个像素点属于滑坡易发性各级别的概率,输出滑坡易发性评价结果,表示为:;

其中,表示坐标处发生滑坡的概率,为特征图在该位置的值;

S64,计算滑坡易发性:通过Sigmoid层计算得到的概率结果,预测每个像素点在图像中对应的滑坡发生的概率值,从而生成滑坡易发性图;

S7,结果验证与防灾减灾建议:验证与评估滑坡易发性评价结果,并根据评价结果提供滑坡风险预警和防灾减灾建议。

2.根据权利要求1所述的一种基于联邦学习和UNet的滑坡易发性评价方法,其特征在于,所述S1中的多个滑坡影响因子数据包括地形因素、地质因素、水文因素、土地覆盖因素以及气候因素,其中;

所述地形因素包括坡向、坡度、高程、曲率;

所述地质因素包括岩性;

所述水文因素包括年均降水量、距水系距离;

所述土地覆盖因素包括增强型植被指数、归一化差异值植被指数、表面反射率、土地利用;

所述气候因素包括年平均温度、地表温度。

3.根据权利要求2所述的一种基于联邦学习和UNet的滑坡易发性评价方法,其特征在于,所述S1中的多个影响因子层数据包括高程、坡度、坡向、曲率、岩性、距水系距离、土地利用。

4.根据权利要求3所述的一种基于联邦学习和UNet的滑坡易发性评价方法,其特征在于,所述滑坡样本数据集的构建包括:数据采集:获取历史滑坡数据和滑坡隐患点数据;

构建滑坡样本数据集:根据历史滑坡数据和滑坡隐患点数据,构建滑坡样本数据集,通过判断一个矩形区域内滑坡栅格的数量,若该矩形区域内滑坡栅格数量超过50%,则该矩形区域被标记为滑坡点,若少于50%,则标记为非滑坡点,并将标记后的滑坡样本数据集定义为实验数据集;

划分训练集和验证集:将实验数据集按照8:2的比例随机分为训练集和验证集,其中滑坡样本标注为1,非滑坡样本标注为0;

数据增强:对构建的滑坡样本数据进行数据增强。

5.根据权利要求4所述的一种基于联邦学习和UNet的滑坡易发性评价方法,其特征在于,所述数据增强包括:识别滑坡特征栅格:在滑坡样本数据集中,识别出滑坡点的栅格;

应用Mixup数据增强技术:应用Mixup数据增强技术,对识别出的滑坡点的栅格进行随机拼接,生成增强样本,表示为:;

其中,为生成的增强样本,是在区间内随机选择的加权系数,和为滑坡样本;

增强样本加入实验数据集:将生成的增强样本加入到实验数据集中。

6.根据权利要求5所述的一种基于联邦学习和UNet的滑坡易发性评价方法,其特征在于,所述全局基于UNet的深度学习模型的参数更新表示为:;

其中,表示第个数据持有方的数据量,表示所有数据的总量,为学习率,表示第轮联邦学习中的基于UNet的深度学习模型,表示上一轮联邦学习中的基于UNet的深度学习模型,表示全局梯度函数。

7.根据权利要求6所述的一种基于联邦学习和UNet的滑坡易发性评价方法,其特征在于,所述基于UNet的深度学习模型的训练包括:设置激活函数:选择LeakyReLU作为激活函数,用于基于UNet的深度学习模型中的每个卷积层,表示为:;

其中,为0.01;

模型训练:在卷积层中应用基于权重的学习,表示为:;

其中,为步长为2的卷积核,为偏置项,为激活函数;

归一化:多个滑坡影响因子数据作为输入数据,引入归一化层,对输入数据进行归一化处理,并对归一化后的值通过缩放和平移参数进行调整,表示为:;

其中,和分别是当前批次的均值和方差,是常数;

;

其中,和是可学习的参数;

Dropout正则化:使用Dropout技术防止过拟合,表示为:;

反射填充:采用反射填充处理卷积边界,表示为:;

其中,为输入特征图,为反射填充后的特征图,是反射填充的索引计算函数;

模型验证:采用二元交叉熵损失函数来衡量模型预测的概率分布与真实分布之间的差异,表示为:;

其中,是滑坡样本的数量,是第个滑坡样本的真实标签,是模型预测的第个样本的概率值。

8.根据权利要求1所述的一种基于联邦学习和UNet的滑坡易发性评价方法,其特征在于,所述滑坡风险预警和防灾减灾建议包括:预警分级:根据滑坡易发性评价结果,建立分级风险预警机制,当某区域的滑坡概率大于预设的高风险阈值时,发出红色预警,当某区域的滑坡概率介于中等风险阈值和高风险阈值之间时,发出黄色预警,当某区域的滑坡概率低于中等风险阈值时,发出绿色预警;

防灾减灾建议制定:针对不同风险预警区域,制定相应的防灾减灾建议,对于红色预警区域,建议加强监测、疏散人员、限制开发活动,对于黄色预警区域,建议实施工程治理措施、加强巡查,对于绿色预警区域,建议开展常规监测和定期评估。