基于深度学习的遥感图像中地面塌陷识别方法研究.docVIP

基于深度学习的遥感图像中地面塌陷识别方法研究 郑重 张敬东 杜建华 中南财经政法大学信息与安全工程学院 X 关注成功！ 加关注后您将方便地在 我的关注中得到本文献的被引频次变化的通知！ 新浪微博 腾讯微博 人人网 开心网 豆瓣网 网易微博 摘????要： 地面塌陷是在开采矿产资源时出现的一种具有很强破坏力的自然灾害, 会导致道路改线、道路污染、居民地及水系的改变, 使矿区不能持续发展。随着传感器技术、遥感技术等一系列技术的快速发展, 极大地提升了遥感图像处理技术, 特别是在地面塌陷识别方面尤为突出。针对传统地面塌陷识别方法效率低下问题, 提出了基于深度学习的地面塌陷遥感识别方法。通过大量实验对比分类精度、Kappa系数调整深度信念网络模型的参数, 得到适合地面塌陷识别的参数设置, 证明了深度学习在遥感图像中地面塌陷识别方法的可行性和高效性, 为今后地面塌陷的识别方法提供了新思路。 关键词： 地面塌陷; 遥感影像; 深度学习; 深度信念网络; 作者简介：郑重 (1982-) , 女, 汉族, 湖北武汉人, 博士, 中南财经政法大学信息与安全工程学院, 实验师, 主要研究方向:安全信息工程; 作者简介：张敬东 (1966-) , 女, 汉族, 湖北枝江人, 博士, 中南财经政法大学信息与安全工程学院, 博导、教授, 主要研究方向:环境安全管理; 作者简介：杜建华 (1979-) , 男, 汉族, 河北唐山人, 博士, 中南财经政法大学信息与安全工程学院, 副教授, 主要研究方向:岩土工程。 基金：基于有限元数值模拟的地铁施工监测预警研究, 省级纵向项目, 项目编号:32517113013;项目单位:中南财经政法大学, 项目负责人为郑重 0 引言 最近一些年, 伴随着国民经济的快速发展, 建设的力度加大, 煤矿工业也进入了发展的快车道。在采煤过程中出现的矿区沉降的现象非常普遍, 因为它经常导致地面塌陷、裂缝、滑坡等一系列地质灾害。为了防止地质灾害的发生, 需要对煤矿区地面的沉降加大监测力度, 特别是矿区塌陷地的状况已经成为矿区环境综合治理的最主要问题。近些年以来遥感技术一直在快速发展, 但在实际应用中获取遥感影像中的信息仍然十分困难, 基于机器学习的遥感影像识别方法为这个难题的解决提供了可能。2014年, 高长鑫和桑农提出了一种分层的深度学习模型, 并针对海量高分遥感影像数据进行识别。2015年, L.L.Wang等提出了一种用于选择遥感图像中最佳波段的最优索引因子方法, 改善了遥感图像的空间信息以保持多光谱的特征。同年, X.Li和G.Wang提出了一种改进差分演化算法, 解决了高光谱数据最佳频段选择问题, 改善了遥感数据的处理数度。H.Zhang等以新疆有理罗布村典型不良地质现象为例, 分别使用了极限学习机、支持向量机和K均值三种算法进行了遥感图像的分类识别。2016年, 张浩等针对建筑物的遥感影像特征, 提出了基于SVM的交叉验证的方法对参数敏感度进行了分析。同年, 陈冠宇等提出了基于特征融合的SVM算法, 探讨了遥感影像中植被识别的方法。安凯等对比了卷积神经网络、K均值、SVM算法和贝叶斯算法的分类精度, 探讨了不良地质体识别与分类的方法。 1 深度学习基本模型 1.1 受限玻尔兹曼机 (Restricted Boltzmann Machine) 受限玻尔兹曼机 (Restricted Boltzmann Machine, 简称RBM) 是一种玻尔兹曼机的变体, 但限定模型必须为二部图。 假如我们有一个二部图, 而且同一层节点之间无连接, 其中一层是输入数据层v, 另外一层为隐藏层h。如图1所示, 显示全部节点都为随机的二值变量 (即只取0或者1) , 同时把全概率分布p (v, h) 都看作满足玻尔兹曼分布, 则此模型我们就称之为受限玻尔兹曼机 (RBM) 。 图1 受限玻尔兹曼机模型 ??下载原图 RBM因为隐藏节点间无连接, 所以隐藏节点间条件独立。故在已知v的情况下有p (h|v) =p (h1|v) =...=p (hn|v) 。此外, 可视节点间也是独立的, 故在已知隐藏层h的情况下有p (v1|h) =p (v2|h) =...=p (vn|h) 。同时又由于v和h满足玻尔兹曼分布, 因而, 在输入v的时候, 经过p (h|v) 运算能够获取隐藏层h, 获得隐藏层h以后, 经过p (v|h) 运算又可以获得可视层。不断训练参数, 让隐藏层获得的v1与以前可视层v几乎毫无差别, 此时的隐藏层可以认为是可视层的一种表现方式了。 1.2 深度信念网络 (Deep Belief Networks) DBN这个网络模型是多层RBM构成的, 其网络结构如图2所示。 图2 深度信念网络结构图 ?