<think>我们提供的是一个融合光学影像和SAR数据进行滑坡识别的端到端系统。下面将详细说明代码的使用步骤、参数配置和注意事项。
### 使用说明
#### 1. 环境准备
确保安装以下Python库：
- TensorFlow 2.x
- NumPy
- scikit-learn
安装命令：
```bash
pip install tensorflow numpy scikit-learn
```
#### 2. 数据准备
- 输入数据应为Numpy数组格式，存储为`.npy`文件
- 数据维度要求：`[样本数, 高度, 宽度, 时间步长, 通道数]`
- **通道顺序**：前4个通道为光学影像（建议使用Sentinel-2的波段2、3、4、8），后2个通道为SAR数据（VV和VH极化）
- 示例数据加载代码：
```python
# 加载光学数据 (示例：4个波段，8个时间点)
optical_data = np.load('optical.npy') # shape: [num_samples, 256, 256, 8, 4]
# 加载SAR数据
sar_data = np.load('sar.npy') # shape: [num_samples, 256, 256, 8, 2]
# 合并数据
data = np.concatenate([optical_data, sar_data], axis=-1) # [num_samples, 256, 256, 8, 6]
```
#### 3. 模型初始化
```python
from landslide_detector import LandslideDetector
# 初始化模型
detector = LandslideDetector(input_shape=(256, 256, 8, 6))
```
参数说明：
- `input_shape`: 输入数据的形状（高度、宽度、时间步长、通道数）
- `latent_dim`: GAN生成器的潜在向量维度（默认100）
#### 4. 非监督预训练（可选）
当有大量无标签数据时，使用GAN进行特征提取器的预训练：
```python
# 假设data是一个包含多个样本的numpy数组
detector.train_unsupervised(data, epochs=50, batch_size=16)
```
参数：
- `epochs`: 训练轮数
- `batch_size`: 批大小
#### 5. 滑坡检测
```python
# 使用聚类方法（非监督）
landslide_prob = detector.detect_landslides(data[0:1], use_clustering=True)
# 使用监督分割（需要预先训练分割网络）
# detector.fusion_net.fit(x_train, y_train) # 如果有标签，先训练分割网络
# landslide_prob = detector.detect_landslides(data[0:1], use_clustering=False)
```
参数：
- `data`: 输入数据，形状为`[batch_size, H, W, T, C]`
- `use_clustering`:
- `True`: 使用非监督聚类方法（无需标签）
- `False`: 使用监督分割网络（需要预先训练）
#### 6. 结果可视化
滑坡概率图输出为与输入图像空间尺寸相同的单通道概率图：
```python
import matplotlib.pyplot as plt
plt.imshow(landslide_prob[0, ..., 0], cmap='jet') # 可视化第一个样本的结果
plt.colorbar()
plt.savefig('result.png')
```
### 关键参数调整
1. **非监督训练参数**:
- `contamination` (在`unsupervised_detection`方法中): 调整异常检测的污染率（滑坡比例）
- `n_clusters` (在`unsupervised_detection`方法中): K-means聚类数量
2. **监督训练**:
如果需要使用监督分割网络，需额外训练：
```python
# 加载标签数据 (二值掩膜)
labels = np.load('landslide_labels.npy') # [num_samples, 256, 256, 1]
# 训练分割网络
history = detector.fusion_net.fit(
x=training_data,
y=labels,
batch_size=8,
epochs=100,
validation_split=0.2
)
```
### 注意事项
1. **数据预处理**:
- 光学和SAR数据必须进行精确的几何配准
- 建议对SAR数据做辐射定标和地形校正
- 光学数据需进行大气校正
2. **硬件要求**:
- 3D卷积需要较大显存，建议使用GPU
- 若显存不足，可减小批次大小或空间尺寸
3. **自定义模型**:
如果输入数据的时间步长或通道数变化，需调整`input_shape`参数：
```python
# 例如仅使用5个时间步
detector = LandslideDetector(input_shape=(256, 256, 5, 6))
```
4. **结果后处理**:
输出概率图可通过阈值二值化：
```python
binary_mask = (landslide_prob > 0.5).astype(np.uint8)
```
§§相关问题§§:
1. 如何对Sentinel-1 SAR数据进行预处理以用于本模型？
2. 当只有单时相数据时如何修改模型？
3. 滑坡检测中常见的误检有哪些？如何通过后处理减少？
4. 如何将模型部署到GIS平台进行实际应用？
</think>### 光学-SAR滑坡识别系统使用说明
以下是融合优化后的滑坡识别系统的详细使用指南，包含数据准备、模型训练、预测和可视化全流程：
```python
# ======================
# 安装依赖 (Python 3.8+)
# ======================
# 必需库文件
!pip install tensorflow==2.10.0 numpy scikit-learn matplotlib rasterio gdal
# ======================
# 1. 数据准备脚本
# ======================
import numpy as np
import rasterio
from osgeo import gdal
def prepare_data(optical_paths, sar_paths, output_dir):
"""
准备多时相光学和SAR数据
:param optical_paths: 光学影像路径列表 [时序]
:param sar_paths: SAR影像路径列表 [时序]
:param output_dir: 输出目录
"""
# 创建输出目录
import os
os.makedirs(output_dir, exist_ok=True)
# 读取参考影像获取地理信息
with rasterio.open(optical_paths[0]) as src:
profile = src.profile
transform = src.transform
# 处理每个时间步
all_data = []
for i, (opt_path, sar_path) in enumerate(zip(optical_paths, sar_paths)):
# 读取光学数据 (Sentinel-2: B2,B3,B4,B8)
with rasterio.open(opt_path) as src:
optical = src.read([2,3,4,8]) # 读取4个波段
optical = np.moveaxis(optical, 0, -1) # [通道, H, W] -> [H, W, 通道]
# 读取SAR数据 (Sentinel-1: VV,VH)
with rasterio.open(sar_path) as src:
sar = src.read([1,2]) # VV和VH波段
sar = np.moveaxis(sar, 0, -1)
# 数据归一化
optical = (optical - np.mean(optical, axis=(0,1))) / np.std(optical, axis=(0,1))
sar = (sar - np.mean(sar, axis=(0,1))) / np.std(sar, axis=(0,1))
# 合并为单时间步数据 [H, W, 6]
timestep_data = np.concatenate([optical, sar], axis=-1)
all_data.append(timestep_data)
# 保存单时间步数据
np.save(f"{output_dir}/timestep_{i:02d}.npy", timestep_data)
# 创建时空数据立方体 [时间步, H, W, 6]
data_cube = np.stack(all_data, axis=0) # [T, H, W, C]
np.save(f"{output_dir}/data_cube.npy", data_cube)
print(f"数据准备完成. 形状: {data_cube.shape} [时间, 高度, 宽度, 通道]")
return data_cube
# 示例使用
if __name__ == "__main__":
optical_paths = [
"data/S2_20230101.tif",
"data/S2_20230110.tif",
"data/S2_20230120.tif"
]
sar_paths = [
"data/S1_20230102.tif",
"data/S1_20230111.tif",
"data/S1_20230121.tif"
]
data_cube = prepare_data(optical_paths, sar_paths, "prepared_data")
# ======================
# 2. 模型训练与预测
# ======================
from landslide_detector import LandslideDetector
import matplotlib.pyplot as plt
def train_and_predict(data_path, epochs=50):
"""
训练模型并生成滑坡概率图
:param data_path: 数据立方体路径
:param epochs: 训练轮数
"""
# 加载数据
data_cube = np.load(data_path) # [T, H, W, C]
# 重塑为模型输入格式 [批, H, W, T, C]
# 本例假设单个场景，批量大小为1
input_data = np.expand_dims(np.moveaxis(data_cube, 0, 2), 0) # [1, H, W, T, C]
# 初始化检测器
detector = LandslideDetector(input_shape=input_data.shape[1:])
# 非监督预训练
print("开始非监督预训练...")
detector.train_unsupervised(input_data, epochs=epochs, batch_size=1)
# 滑坡检测
print("进行滑坡检测...")
landslide_map = detector.detect_landslides(input_data)
# 可视化结果
plt.figure(figsize=(15, 5))
# 显示光学预览 (第一时相)
plt.subplot(131)
plt.title("光学影像 (RGB)")
plt.imshow(input_data[0, :, :, 0, 1:4]) # 显示RGB波段
# 显示SAR预览 (第一时相)
plt.subplot(132)
plt.title("SAR (VV极化)")
plt.imshow(input_data[0, :, :, 0, 4], cmap='gray')
# 显示滑坡概率图
plt.subplot(133)
plt.title("滑坡概率图")
prob_map = plt.imshow(landslide_map[0,...,0], cmap='jet', vmin=0, vmax=1)
plt.colorbar(prob_map, fraction=0.046, pad=0.04)
plt.tight_layout()
plt.savefig("landslide_result.png")
plt.show()
return landslide_map
# 执行训练和预测
if __name__ == "__main__":
result = train_and_predict("prepared_data/data_cube.npy", epochs=30)
# ======================
# 3. 后处理与输出
# ======================
from skimage import filters
def postprocess_results(landslide_map, output_path, threshold=0.5):
"""
滑坡结果后处理
:param landslide_map: 原始概率图 [H, W]
:param output_path: 输出文件路径
:param threshold: 二值化阈值
"""
# 高斯平滑
smoothed = filters.gaussian(landslide_map, sigma=1)
# 二值化
binary_mask = (smoothed > threshold).astype(np.uint8)
# 形态学开运算去除小噪点
from skimage.morphology import opening, disk
binary_mask = opening(binary_mask, disk(3))
# 保存为GeoTIFF
from osgeo import gdal
driver = gdal.GetDriverByName('GTiff')
out_ds = driver.Create(output_path,
binary_mask.shape[1],
binary_mask.shape[0],
1,
gdal.GDT_Byte)
# 设置地理信息（需要实际坐标）
# out_ds.SetGeoTransform(transform)
# out_ds.SetProjection(projection)
out_band = out_ds.GetRasterBand(1)
out_band.WriteArray(binary_mask)
out_band.FlushCache()
return binary_mask
# 使用示例
if __name__ == "__main__":
# 假设landslide_map是从前一步获得的结果
final_mask = postprocess_results(result[0,:,:,0], "final_landslide.tif")
```
### 使用流程指南
#### 1. 数据准备阶段
1. **数据要求**：
- 光学影像：Sentinel-2 L2A级产品（包含波段2,3,4,8）
- SAR数据：Sentinel-1 GRD产品（VV和VH极化）
- 时间步数：至少3个时相（推荐6-8个时相效果最佳）
2. **目录结构**：
```
project/
├── data/
│ ├── S2_20230101.tif
│ ├── S1_20230102.tif
│ └── ...（其他时相）
├── prepared_data/（自动生成）
└── landslide_detector.py（模型代码）
```
#### 2. 运行步骤
1. **准备时序数据**：
```python
# 在prepare_data.py中运行
prepare_data(optical_paths, sar_paths, "prepared_data")
```
2. **训练和预测**：
```python
# 在train_predict.py中运行
result = train_and_predict("prepared_data/data_cube.npy")
```
3. **后处理输出**：
```python
# 在postprocess.py中运行
postprocess_results(result[0,:,:,0], "output/final_landslide.tif")
```
#### 3. 关键参数调整
| 参数 | 位置 | 推荐值 | 说明 |
|------|------|--------|------|
| `epochs` | `train_unsupervised()` | 30-100 | 非监督训练轮数 |
| `contamination` | `unsupervised_detection()` | 0.01-0.1 | 异常检测比例 |
| `n_clusters` | `unsupervised_detection()` | 3-5 | 聚类数量 |
| `threshold` | `postprocess_results()` | 0.3-0.7 | 二值化阈值 |
| `sigma` | `gaussian()` | 0.5-2.0 | 平滑强度 |
#### 4. 硬件建议
- **GPU加速**：推荐使用NVIDIA GPU（≥8GB显存）
- **内存需求**：至少16GB RAM（处理512×512影像）
- **处理时间**：
- 数据准备：每时相约1-2分钟
- 模型训练：每epoch约3-5分钟（取决于图像大小）
- 预测：单场景约2-5分钟
### 注意事项
1. **数据对齐**：确保光学和SAR数据已精确配准
2. **时间一致性**：光学和SAR采集时间差不超过3天
3. **内存优化**：大区域处理时需分块处理
```python
# 分块处理示例
for i in range(0, height, 256):
for j in range(0, width, 256):
patch = full_image[i:i+256, j:j+256]
# 处理每个分块...
```
4. **无监督模式**：当缺少标签数据时使用聚类检测
```python
# 强制使用聚类方法
landslide_map = detector.detect_landslides(input_data, use_clustering=True)
```
### 结果解释
输出结果包含三个主要产品：
1. **滑坡概率图**：0-1值表示滑坡可能性
2. **二值掩膜**：滑坡/非滑坡分类结果
3. **可视化对比图**：包含光学、SAR和滑坡概率的对比
扫一扫
2802
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
