本發明涉及多源遙感，具體涉及一種基于多源遙感與地面協同的冰崩隱患智能識別方法。
背景技術：
1、冰崩是高山冰川區一種突發性的重大地質災害，具有極強的破壞力，對下游基礎設施、居民安全和生態環境構成嚴重威脅，因此，對冰崩隱患進行早期識別和監測預警，已成為高山地區防災減災的緊迫需求，目前，針對冰崩隱患的識別方法主要依賴于遙感技術與地面觀測，并逐步向多源數據融合與智能化分析方向發展，現有技術主要存在以下問題：
2、（1）現有方法高度依賴光學遙感數據，但在高寒山區，常年存在的云、雪覆蓋導致光學數據存在大量時空缺口，關鍵時段的連續監測數據難以獲取，缺乏一種能有效融合多源異構數據、自適應彌補數據缺失、從而生成高時空分辨率連續監測序列的可靠方法，導致監測結果存在斷點和不確定性；
3、（2）衛星遙感的大范圍初篩結果缺乏無人機、地面傳感器等近地高精度觀測數據的有效驗證與校準，地面關鍵參數未能與遙感宏觀信息深度耦合，這種數據孤島的模式，使得隱患識別的精度和可靠性難以得到實質性提升，容易產生誤判或漏判。
技術實現思路
1、本發明的目的在于提供一種基于多源遙感與地面協同的冰崩隱患智能識別方法，以解決現有技術中對于數據覆蓋的時空連續性不足，易受環境干擾，以及隱患識別的精度和可靠性難以得到實質性提升的技術問題。
2、為解決上述技術問題，本發明具體提供下述技術方案：
3、本發明提供了一種基于多源遙感與地面協同的冰崩隱患智能識別方法，包括以下步驟：
4、融合光學遙感數據、微波遙感數據與激光雷達數據作為天基觀測數據，結合地面氣象站觀測數據與無人機實測數據，形成多源協同監測數據；
5、對所述多源協同監測數據采用自適應時空融合算法對因多云雪覆蓋導致的數據缺失區域進行重建，生成高時空分辨率的連續積雪動態監測數據；
6、對所述連續積雪動態監測數據進行數據處理，自動提取并輸出積雪開始時間、積雪結束時間、雪水當量變化趨勢圖與雪線動態變化指標；
7、基于所述雪線動態變化指標，并結合冰川空間幾何參數、冰川表面特征參數、冰川動力學狀態參數、地形衍生因子、氣象驅動因子、融水入滲指數、地震活動性參數及歷史冰崩事件空間密度，構建冰崩隱患識別特征向量；
8、對所述冰崩隱患識別特征向量進行標準化處理后，輸入至預訓練的冰崩隱患分類模型中，獲取冰崩隱患區域的智能識別結果。
9、作為本發明的一種優選方案，融合光學遙感數據、微波遙感數據與激光雷達數據作為天基觀測數據，結合地面氣象站觀測數據與無人機實測數據，形成多源協同監測數據，包括：
10、以光學遙感衛星影像、合成孔徑雷達衛星影像及星載激光雷達數據構成天基觀測數據；
11、以無人機搭載光學相機、雷達或激光雷達獲取的遙感數據構成空基觀測數據；
12、以地面氣象站采集的氣溫、降水、輻射數據及地面實測雪深、雪密度數據構成地基觀測數據；
13、基于統一的時空基準對天基觀測數據、空基觀測數據以及地基觀測數據三類觀測數據進行配準與融合，形成覆蓋目標區域、具有不同時空分辨率和物理特性的多源協同監測數據集。
14、作為本發明的一種優選方案，基于統一的時空基準對觀測數據進行配準與融合，形成覆蓋目標區域、具有不同時空分辨率和物理特性的多源協同監測數據集，包括：
15、將所述天基觀測數據與空基觀測數據統一重采樣至指定空間分辨率，并將地基觀測點位的空間坐標與對應像元進行精確關聯；
16、以協調世界時為統一時間基準，對各觀測數據的時間標簽進行標準化，并針對不同觀測頻率的數據，采用時間插值方法生成相同時間序列間隔的數據集；
17、采用統計回歸模型，將不同傳感器獲取的觀測值統一轉換為積雪關鍵物理參數，建立多源參數間的物理一致性關系，形成多維度協同的監測數據集。
18、作為本發明的一種優選方案，對所述多源協同監測數據采用自適應時空融合算法對因多云雪覆蓋導致的數據缺失區域進行重建，包括：
19、對目標區域的時序光學遙感影像進行云雪掩膜識別，標記數據缺失區域；
20、根據各數據源的時空分辨率、物理特性及數據質量，為每類觀測數據分配動態權重，其中：
21、對光學影像無云雪覆蓋區域，賦予最高權重；
22、對微波sar影像，根據其在云雪穿透性方面的優勢，在光學數據缺失區域分配較高權重；
23、對激光雷達與無人機實測數據，在觀測時相覆蓋的區域賦予高精度校正權重；
24、對光學數據缺失區域，構建基于時空譜相似性的融合模型。
25、作為本發明的一種優選方案，基于時空譜相似性的所述融合模型，生成高時空分辨率的連續積雪動態監測數，包括：
26、在空間維度，利用高分辨率無人機數據或歷史同期無云影像，通過空間插值與紋理遷移方法填補細節信息；
27、在時間維度，利用微波sar時序數據的高時間連續性，建立積雪參數的時間序列變化模型，通過深度學習的時間序列預測方法恢復缺失時段的積雪狀態；
28、融合激光雷達獲取的高精度地形與雪深信息，對插值與預測結果進行三維空間約束校正；
29、將地面氣象站實測的降雪、融雪過程參數作為邊界條件，通過能量平衡方程優化融合結果；
30、采用迭代優化算法，在有效觀測區域內以重建數據與真實觀測數據的誤差最小化為目標，自適應調整融合參數，獲取積雪動態監測數據。
31、作為本發明的一種優選方案，對所述連續積雪動態監測數據進行數據處理，自動提取并輸出積雪開始時間、積雪結束時間、雪水當量變化趨勢圖與雪線動態變化指標，包括：
32、對積雪動態監測數據進行處理，采用滑動窗口平滑算法獲取雪蓋范圍時間序列曲線；
33、設定雪蓋面積比例閾值，當連續n日雪蓋面積比例超過閾值t時，將時段首日判定為積雪開始日期；
34、當連續m日雪蓋面積比例低于閾值t時，將該時段首日判定為積雪結束日期；
35、基于所述積雪動態監測數據的時間序列，計算每個像元在整個積雪期的雪水當量累計曲線；
36、采用分段線性擬合法提取雪水當量累積、穩定與消融階段的關鍵轉折點，生成區域尺度雪水當量的時空變化趨勢圖。
37、作為本發明的一種優選方案，基于所述雪線動態變化指標，并結合冰川空間幾何參數、冰川表面特征參數、冰川動力學狀態參數、地形衍生因子、氣象驅動因子、融水入滲指數、地震活動性參數及歷史冰崩事件空間密度，構建冰崩隱患識別特征向量，包括：
38、將所述冰川空間幾何參數、冰川表面特征參數、冰川動力學狀態參數、地形衍生因子、氣象驅動因子、融水入滲指數、地震活動性參數及歷史冰崩事件空間密度的特征參數統一至相同時空尺度；
39、結合所述雪線動態變化指標，將目標區域劃分為規則網格，將點狀、線狀參數通過空間插值法聚合至網格尺度；
40、以積雪季節為時間單位，將不同觀測頻率的參數通過時間序列聚合至相同時間分辨率；
41、將歸一化后的多源特征參數按固定順序排列，構建每個空間網格對應的多維特征向量。
42、作為本發明的一種優選方案，對所述冰崩隱患識別特征向量進行標準化處理，包括：
43、采用z-score標準化方法，基于訓練樣本集計算各特征維度的均值與標準差，對輸入的冰崩隱患識別特征向量進行歸一化處理，表達式為：
44、
45、其中，表示原始特征值，表示特征在訓練集中的均值，表示標準差，表示標準后的值；
46、對于存在缺失值的特征維度，將訓練集中數據特征歸一化后通過中位數對缺失值進行填補。
47、作為本發明的一種優選方案，將標準化后冰崩隱患識別特征向量，輸入至預訓練的冰崩隱患分類模型中，包括：
48、將標準化后的冰崩隱患識別特征向量輸入至預訓練的冰崩隱患分類模型中，所述冰崩隱患分類模型為以徑向基函數rbf為核函數的支持向量機svm模型，其決策函數表達式為：
49、
50、其中，表示輸入的標準化特征向量，表示支持向量，表示支持向量對應的類別標簽，表示拉格朗日乘子，表示偏置項，表示rbf核函數。
51、作為本發明的一種優選方案，根據所述決策函數輸出值判別結果，獲取冰崩隱患區域的智能識別結果，包括：
52、若，則判定對應冰川單元或空間網格為冰崩隱患區；
53、若，則判定為穩定區；
54、對所有輸入的網格完成判別后，生成區域尺度的冰崩隱患空間分布圖，同時輸出每個隱患區的置信度評分及關鍵貢獻特征列表。
55、本發明與現有技術相比較具有如下有益效果：
56、本發明通過構建天、空、地一體化協同監測體系與自適應時空融合算法，攻克了高寒山區多云雪環境下的數據缺失難題，實現了高時空分辨率的連續積雪動態監測，系統自動提取積雪物候、雪水當量及雪線動態等關鍵指標，并結合多源致災因子構建機理完備的特征向量，輸入經優化訓練的支持向量機模型進行智能判別，最終輸出融合隱患空間分布圖、風險置信度及關鍵成因的決策函數，形成從數據融合、特征挖掘到智能預警的閉環，顯著提升了冰崩隱患識別的精準性與時效性。