买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明涉及滑坡分析技术领域，具体涉及数据驱动的动态滑坡易发性评估及致灾因子变化推断方法，包括以下步骤：收集滑坡易发性相关数据，并针对小样本问题进行数据预处理与LSA元任务采样，并构建LSA元任务用于中间表征学习；利用元学习中间表征进行小样本学习，元学习出中间模型，学习出各年份LSA预测模型；利用SHAP算法对各LSA预测模型进行可解释性分析；学习出各年份LSA预测模型后，预测每一年的滑坡易发性图，完成动态滑坡易发性分析；利用InSAR技术对滑坡易发性评估结果进行增强和验证，本发明，通过采用元学习策略，即使基于快速适应策略，仅使用少量样本和梯度下降更新，年度滑坡易发性成图的表现也很好。

主权项：1.数据驱动的动态滑坡易发性评估及致灾因子变化推断方法，其特征在于，包括以下步骤：S1：收集滑坡易发性相关数据，并针对小样本问题进行数据预处理与LSA元任务采样，根据滑坡发生年份对样本进行划分，并构建LSA元任务用于中间表征学习，所述构建LSA元任务具体包括：对收集的数据进行预处理，缺失值被替换为均值，至少在一个相应维度上存在一个有效值，滑坡样本被标记为1，非滑坡样本被标记为0；根据该标记的样本按照年份划分，构建对应的LSA元任务，将标记的样本划分为一个任务集合{T0，T1，...，T27}，其中每个年份对应一个任务集合；S2：利用元学习中间表征进行小样本学习，元学习出中间模型，基于中间模型在滑坡样本稀缺年份对LSA元任务进行快速微调适应学习，学习出各年份LSA预测模型，所述元学习出中间模型具体包括：针对每个包含超过50个滑坡样本的LSA元任务，进行子任务划分，生成子任务池p{T}，以增强元学习并创建具有概括能力的中间模型；对于每个子任务，定义Di为样本向量，Li为第i个任务的损失函数，随机选择与滑坡样本数量相等的非滑坡样本以保持滑坡和非滑坡样本的平衡，与滑坡样本一起组成元数据集D；选择交叉熵作为损失函数Li，针对每个子任务，将其样本Di划分为支持集Si和查询集Qi，用于元学习的训练和测试，将子任务集{T1，T2，...，Tk，...}按照3:1的比例划分为元训练集Dtrain和元测试集Dtest；采用多层感知机作为元学习策略，基于支持集Si进行训练，并在查询集Qi上进行测试，获取滑坡易发性分析任务的少样本迁移的通用中间模型；所述基于多层感知机的元学习策略通过内外两个计算循环来优化模型的性能，具体如下：内循环：每个子任务根据其目标优化网络参数，公式为： ；将初始化的网络参数和支持集Si作为输入，通过计算Si的反向传播梯度来更新模型参数，生成新的参数，其中，是内环学习率，视为调节模型对每个子任务学习速度的因子，将设置为可训练的参数；外循环：优化内循环的优化指导，包括超参数的调整和多任务学习，外循环目标为最小化一组元任务的总损失，公式为： 其中，、是通过输入查询集Qi到模型中计算得到的损失，该目标考虑每个子任务的权重wi，以确保模型能够从所有子任务中均匀地学习；使用tk中存在的样本向量进行内循环的优化，并进行数次迭代，确保模型在每个子任务上得到充分训练；基于多层感知机的模型将使用优化后的参数进行预测，得到LSA预测模型；S3：利用SHAP算法对各LSA预测模型进行可解释性分析，确保评估结果具有科学合理性；S4：学习出各年份LSA预测模型后，预测每一年的滑坡易发性图，完成动态滑坡易发性分析；S5：利用InSAR技术对滑坡易发性评估结果进行增强和验证，包括InSAR结果处理、利用InSAR结果增强及其与滑坡易发性图的结合验证，所述InSAR结果处理包括：原始数据处理：从数据源获取InSAR原始数据，包括至少两次的InSAR图像，用于计算地面位移；差分干涉处理：将两次InSAR图像进行差分处理，生成干涉图揭示地表位移，进行相位去除和拆包，得到连续的地面位移信息，使用处理后的干涉结果，生成地面位移地图；所述InSAR结果增强具体包括：使用滤波方法去除图像中的噪声，基于多时间序列分析，利用多时次的InSAR数据，分析地面位移的时间序列变化，揭示滑坡的动态过程；所述验证滑坡易发性图具体包括：将InSAR技术得到的位移地图与滑坡易发性图进行对比，查看两者的一致性，计算InSAR位移地图与滑坡易发性图之间的相似度或差异，包括相关性系数、均方误差，选择关键区域，进行实地考察，验证InSAR和LSM的准确性，根据InSAR技术的验证结果，对滑坡易发性图进行修正和更新。

全文数据：

权利要求：

百度查询： 马培峰 数据驱动的动态滑坡易发性评估及致灾因子变化推断方法