本發明涉及災害預警，具體涉及一種基于insar與深度學習的地質災害預警方法。
背景技術：
1、insar遙感監測能夠利用合成孔徑雷達影像獲取地表微小變形信息，深度學習圖像處理能夠對遙感影像中的異常區域進行自動識別，二者結合后可用于山區、礦區、庫岸和交通廊道等區域的地質災害隱患排查。
2、當前，在基于雷達干涉測量開展地質災害隱患識別的過程中，單一觀測軌道獲得的變形信息主要受雷達視線方向限制，難以完整反映坡體沿真實滑移方向的變形變化，導致識別邊界與實際滑坡隱患位置之間存在空間偏差。
3、其次，在地質災害預警判定過程中，地形起伏、影像紋理邊緣、地表變形異常和降雨觸發因素通常分別參與分析，空間尺度和時間尺度之間的對應關系不夠連續，當靜態易發條件與短時降雨、累計降雨等觸發條件缺少聯動時，預警判斷容易滯后于外部誘發變化，影響風險等級劃分的可靠性。
技術實現思路
1、為了解決上述技術問題，本發明提供了一種基于insar與深度學習的地質災害預警方法。
2、一種基于insar與深度學習的地質災害預警方法，包括：
3、采集地質災害監測數據，包括l-sar升降軌數據、dem數據、光學影像數據和災害誘發數據，對l-sar升降軌數據進行sbas-insar解算，生成升降軌視線向形變量；
4、對升降軌視線向形變量進行時間插值配準和空間同名像元配準，生成配準視線向形變量，基于配準視線向形變量和dem數據計算二維形變場和坡向形變量；
5、對坡向形變量進行圖像柵格化，得到坡向形變量圖并輸入至根據involution算子和可變形池化模塊改進的maskrcnn模型中，生成形變異常區分割結果；
6、根據形變異常區分割結果、dem數據、光學影像數據和災害誘發數據，生成地質災害動態預警結果。
7、相比于現有技術，本發明的有益效果在于：
8、本發明通過升降軌視線向形變量、配準視線向形變量、二維形變場與坡向形變量之間的對應關系，使升軌與降軌形變信息能夠共同反映坡體在東西向和垂向上的形變特征，并使坡向形變量與坡面下滑方向保持一致，進而增強坡向形變量圖對滑坡隱患空間指向的表達能力，從而提高形變異常區分割結果與實際隱患區域之間的匹配性；
9、此外，本發明還通過形變異常區分割結果、dem數據、光學影像數據和災害誘發數據之間的聯動關系，使形變異常強度值、光學擾動值和易發性等級能夠與誘發因子值共同參與地質災害動態預警結果生成，減少僅依據單類形變或靜態地形條件判斷造成的預警偏差，并使易發性評價與降雨觸發變化保持連續對應；
10、綜上，本發明提高了坡體真實形變方向識別與多源誘發信息聯動能力，增強了地質災害動態預警的空間匹配性和時效性。
1.一種基于insar與深度學習的地質災害預警方法，其特征在于，所述方法包括：
2.根據權利要求1所述的一種基于insar與深度學習的地質災害預警方法，其特征在于，具體的，所述l-sar升降軌數據包括升軌slc影像、降軌slc影像、精密軌道記錄、升軌成像時刻、降軌成像時刻和像元位置；所述dem數據包括高程值、坡度值、坡向角、dem空間分辨率值和dem柵格尺寸；所述光學影像數據包括紋理取值、邊緣取值、光學空間分辨率值和光學柵格尺寸；所述災害誘發數據包括前期有效降雨量、短時強降雨量、累計降雨量和降雨采集時刻。
3.根據權利要求2所述的一種基于insar與深度學習的地質災害預警方法，其特征在于，生成升降軌視線向形變量的步驟為：
4.根據權利要求3所述的一種基于insar與深度學習的地質災害預警方法，其特征在于，生成配準視線向形變量的步驟為：
5.根據權利要求4所述的一種基于insar與深度學習的地質災害預警方法，其特征在于，計算二維形變場和坡向形變量的步驟為：
6.根據權利要求5所述的一種基于insar與深度學習的地質災害預警方法，其特征在于，得到坡向形變量圖的步驟為：
7.根據權利要求6所述的一種基于insar與深度學習的地質災害預警方法，其特征在于，所述根據involution算子和可變形池化模塊改進的maskrcnn模型包括主干特征提取網絡、特征金字塔網絡、候選區域生成網絡、可變形池化模塊、分類與邊界框回歸分支以及掩膜分割分支。
8.根據權利要求7所述的一種基于insar與深度學習的地質災害預警方法，其特征在于，所述根據involution算子和可變形池化模塊改進的maskrcnn模型的模型訓練損失為：
9.根據權利要求8所述的一種基于insar與深度學習的地質災害預警方法，其特征在于，生成形變異常區分割結果的邏輯為：
10.根據權利要求9所述的一種基于insar與深度學習的地質災害預警方法，其特征在于，生成地質災害動態預警結果的步驟為：