一种复杂背景区滑坡分类模型建立、识别方法及装置

技术领域

本发明涉及类不平衡模型建立及滑坡识别技术领域，具体而言，涉及一种复杂背景区滑坡分类模型建立、识别方法及装置。

背景技术

现有技术中，在滑坡遥感识别领域，类不平衡问题尚未引起足够的重视，遥感类不平衡学习方法存在以下两个问题：（1）缺乏有效的平衡系数寻优方法，导致无法获取最优的类平衡后数据；（2）缺乏类平衡后的鲁棒敏感特征子集，无法为后续分类提供优化的数据集。这些问题进一步制约了滑坡遥感识别精度的提升。

发明内容

本发明解决的问题是如何提升滑坡遥感识别精度。

为解决上述问题，本发明提供一种复杂背景区滑坡分类模型建立方法，包括：获取研究区的激光雷达数据；根据所述激光雷达数据构建地形对象，以及根据所述地形对象确定地形对象特征向量，以确定数据集；根据所述数据集对分类模型参数和平衡系数联合寻优，以确定协同最优平衡系数和协同最优分类模型参数；根据所述协同最优平衡系数和所述协同最优分类模型参数确定类平衡后的鲁棒敏感特征子集；根据所述类平衡后的鲁棒敏感特征子集建立滑坡分类模型。

本发明所述的复杂背景区滑坡分类模型建立方法，通过分类模型参数和平衡系数联合寻优确定的协同最优平衡系数和协同最优分类模型参数确定类平衡后的鲁棒敏感特征子集，为滑坡分类提供最优的类平衡后数据和优化的数据集，进而提升了滑坡遥感识别精度。

可选地，所述根据所述激光雷达数据构建地形对象，以及根据所述地形对象确定地形对象特征向量，以确定数据集包括：提取像元尺度地形特征向量，其中，所述像元尺度地形特征向量包括地形特征、基于所述地形特征和灰度共生矩阵的平均纹理特征和坡向纹理特征以及基于所述地形特征的滤波特征；从所述像元尺度地形特征向量中确定影像输入层，通过多尺度分割算法和基于POF方法获取的最优尺度参数对所述影像输入层开展影像分割，从而构建所述地形对象；基于所述像元尺度地形特征向量和所述地形对象的基元，采用对象特征提取方法确定所述地形对象特征向量，从而确定所述数据集。

本发明所述的复杂背景区滑坡分类模型建立方法，通过构建地形对象以及确定地形对象特征向量，从而确定数据集，提高了数据集的精度和有效性，进而提升了滑坡遥感识别精度。

可选地，所述根据所述数据集对分类模型参数和平衡系数联合寻优，以确定协同最优平衡系数和协同最优分类模型参数包括：采用十折交叉验证将数据集划分为训练集和测试集，其中，所述训练集包括滑坡对象集和非滑坡对象集；利用SMOTE算法增加所述滑坡对象集内的滑坡对象样本，得到新滑坡对象集；采用所述新滑坡对象集和所述非滑坡对象集构建分类模型，并对所述测试集分类；采用十折交叉验证对所述平衡系数和所述分类模型参数进行联合寻优，以确定所述协同最优平衡系数和所述协同最优分类模型参数。

本发明所述的复杂背景区滑坡分类模型建立方法，通过数据集对分类模型参数和平衡系数联合寻优确定协同最优平衡系数和协同最优分类模型参数，为滑坡分类提供最优的类平衡后数据和优化的数据集，进而提升了滑坡遥感识别精度。

可选地，所述根据所述协同最优平衡系数和所述协同最优分类模型参数确定类平衡后的鲁棒敏感特征子集包括：根据所述协同最优平衡系数获取最优的类平衡后特征选择数据集；根据所述类平衡后特征选择数据集和所述协同最优分类模型参数确定特征子集；根据所述特征子集确定所述类平衡后的鲁棒敏感特征子集。

本发明所述的复杂背景区滑坡分类模型建立方法，通过分类模型参数和平衡系数联合寻优确定的协同最优平衡系数和协同最优分类模型参数确定类平衡后的鲁棒敏感特征子集，为滑坡分类提供最优的类平衡后数据和优化的数据集，进而提升了滑坡遥感识别精度。

可选地，所述根据所述协同最优平衡系数获取最优的类平衡后特征选择数据集包括：采用SMOTE算法，根据所述协同最优平衡系数构建新的滑坡对象集确定新的训练集，以获取所述最优的类平衡后特征选择数据集。

本发明所述的复杂背景区滑坡分类模型建立方法，通过协同最优平衡系数构建新的滑坡对象集确定新的训练集，以获取最优的类平衡后特征选择数据集，为滑坡分类提供最优的类平衡后数据和优化的数据集，进而提升了滑坡遥感识别精度。

可选地，所述根据所述类平衡后特征选择数据集和所述协同最优分类模型参数确定特征子集包括：获取所述最优的类平衡后特征选择数据集后，采用varSelRF算法，根据所述类平衡后特征选择数据集和所述协同最优分类模型参数确定所述特征子集，其中，varSelRF算法包括：将所述varSelRF算法的参数ntree预置为默认值，将所述协同最优分类模型参数ntree

本发明所述的复杂背景区滑坡分类模型建立方法，通过设置varSelRF算法的参数从而确定特征子集，为滑坡分类提供最优的类平衡后数据和优化的数据集，进而提升了滑坡遥感识别精度。

可选地，所述根据所述特征子集确定所述类平衡后的鲁棒敏感特征子集包括：根据所述特征子集和特征选中次数阈值确定第一特征子集和第二特征子集；对所述第一特征子集和所述第二特征子集中指定比例的指定特征执行并操作，并对余下的特征进行交操作，以确定并和交集；对所述并和交集执行并操作，以确定所述类平衡后的鲁棒敏感特征子集。

本发明所述的复杂背景区滑坡分类模型建立方法，通过对两个特征集中指定比例的最重要特征执行并操作且对余下的特征进行交操作，然后对上述并和交集再执行并操作从而确定类平衡后的鲁棒敏感特征子集，为滑坡分类提供最优的类平衡后数据和优化的数据集，进而提升了滑坡遥感识别精度。

本发明还提供一种复杂背景区滑坡识别方法，包括：根据如上所述的复杂背景区滑坡分类模型建立方法建立的滑坡分类模型进行滑坡和非滑坡分类，以确定研究区的滑坡和非滑坡分类结果；基于滑坡半自动识别方法和所述分类结果确定滑坡边界以实现滑坡识别。所述复杂背景区滑坡识别方法与上述复杂背景区滑坡分类模型建立方法相对于现有技术所具有的优势相同，在此不再赘述。

可选地，根据所述滑坡分类模型进行滑坡和非滑坡分类包括：将研究区的数据集输入所述滑坡分类模型，其中，所述数据集为研究区所有地形对象基元的对象特征集；根据所述滑坡分类模型预测所述对象特征集，以确定所述滑坡和非滑坡分类结果。

本发明还提供一种复杂背景区滑坡识别装置，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如上所述的复杂背景区滑坡分类模型建立方法或复杂背景区滑坡识别方法。

附图说明

图1为本发明实施例的复杂背景区滑坡分类模型建立方法的示意图；

图2为本发明实施例的根据数据集对分类模型参数和平衡系数联合寻优的过程示意图；

图3为本发明实施例的根据协同最优平衡系数和协同最优分类模型参数确定类平衡后的鲁棒敏感特征子集的过程示意图；

图4为本发明实施例的滑坡半自动识别方法的过程示意图。

具体实施方式

滑坡在全世界范围广泛分布，是仅次于地震的第二大地质灾害，造成了大量的人员伤亡和经济损失。因此，快速、准确识别滑坡对于滑坡灾害预测预警、防灾减灾及灾情实时评估等具有重要的理论和现实意义。

遥感技术具有大面积同步观测、时效性强、能够实现动态观测的技术特点，已成为滑坡识别的主要手段。基于光学影像、地形数据和机器学习算法的分类方法是当前最有效、研究最深入的滑坡识别方法，但是，滑坡识别精度并不高。采用分类方法识别滑坡时，分类数据集中滑坡和非滑坡样本通常具有类不平衡特征，这种类不平衡问题是阻碍滑坡识别精度提升的重要原因之一。

在复杂地质背景区，受一些因素的影响，滑坡与非滑坡的可分性较低，使得类不平衡问题更为突出：（1）高植被覆盖、细碎切割地形和人类工程活动掩盖或削弱了滑坡的形态学表征；（2）基岩出露使得滑坡区域和周围非滑坡区域具有相似的表面粗糙度。同常规摄影测量比较，激光雷达（LiDAR）技术由于激光脉冲不易受阴影和太阳角度影响, 能够穿透一定覆盖度的植被，从而大大提高了数据采集的质量，获取高精度“裸地表”地形信息。然而，LiDAR 衍生的大量地形特征，会产生高维强相关特征集，同样会加剧类不平衡问题。

在数据挖掘和人工智能领域，类不平衡问题已引起广泛关注和深入探讨，但是在滑坡遥感识别领域，尚未引起足够的重视。目前，类不平衡学习方法主要包含数据层面的采样和特征选择方法，以及算法层次方法，如改进分类算法、单类分类器、代价敏感学习和集成学习算法等。数据层面方法易于操作、简单有效；而算法层次往往较复杂，操作相对困难。在遥感分类领域，类不平衡研究大多直接应用上述处理方法，并且以数据层面方法为主。总体上，遥感类不平衡学习方法存在以下两个问题：（1）缺乏有效的平衡系数寻优方法，导致无法获取最优的类平衡后数据；（2）缺乏类平衡后的鲁棒敏感特征子集，无法为后续分类提供优化的数据集。这些问题进一步制约了滑坡遥感识别精度的提升。

为使本发明的上述目的、特征和优点能够更为明显易懂，下面结合附图对本发明的具体实施例做详细的说明。

如图1所示，本发明实施例提供一种复杂背景区滑坡分类模型建立方法，包括：获取研究区的激光雷达数据；根据所述激光雷达数据构建地形对象，以及根据所述地形对象确定地形对象特征向量，以确定数据集；根据所述数据集对分类模型参数和平衡系数联合寻优，以确定协同最优平衡系数和协同最优分类模型参数；根据所述协同最优平衡系数和所述协同最优分类模型参数确定类平衡后的鲁棒敏感特征子集；根据所述类平衡后的鲁棒敏感特征子集建立滑坡分类模型。

具体地，在本实施例中，复杂背景区滑坡分类模型建立方法包括：获取研究区的激光雷达数据（LiDAR DTM数据），采集的LiDAR点云数据经滤波、分类等处理，得到裸地表的LiDAR DTM数据。使用LiDAR DTM为基础数据，空间分辨率为3×3m。另外，参考的滑坡边界数据基于收集的滑坡编目图、野外调查工作和可视化解译得到。

其中，本实施例选择三峡地区秭归段青干河流域为研究区，主要基于以下考虑：（1）三峡地区地质背景复杂且植被覆盖度高；（2）青干河流域属于典型的滑坡敏感区。因此，在该区域开展类不平衡学习方法研究，对于滑坡识别研究具有典型意义。

在获取研究区的激光雷达数据后，根据激光雷达数据构建地形对象，首先提取像元尺度地形特征向量，即基于LiDAR DTM数据提取像元尺度地形特征向量：①地形特征，包括DTM、坡度、坡向和地表粗糙度；②基于GLCM和上述地形特征的平均纹理特征和坡向纹理特征，包括对比度、相关性、角二阶矩、熵和同质性；③基于上述地形特征的滤波特征，包括移动均值滤波和标准偏差滤波。其中纹理和滤波特征窗口大小均为3×3 像元。

然后从上述像元尺度地形特征向量中优选影像输入层，并采用多尺度分割算法和基于POF （Plateau Objective Function）方法获取的最优尺度参数开展影像分割，构建地形对象。

在构建地形对象后，基于地形对象基元、像元尺度地形特征向量和对象特征提取方法计算地形对象特征向量，地形对象特征向量包括最大值、最小值、均值和标准差。此外，还提取长宽比和形状指数等几何特征。通过构建地形对象以及确定地形对象特征向量，从而确定数据集。

在确定数据集后，对分类模型参数和平衡系数联合寻优，即基于 SMOTE和平衡系数增加滑坡类样本，采用十折交叉验证方法开展平衡系数和 RF模型参数联合寻优，并设计新的目标函数，以获取协同最优的参数组合，即协同最优平衡系数和协同最优分类模型参数。

在确定协同最优平衡系数和协同最优分类模型参数，根据协同最优平衡系数和协同最优分类模型参数确定类平衡后的鲁棒敏感特征子集，首先基于协同最优平衡系数获取最优的类平衡后特征选择数据集，并构建varSelRF（Variable Selection using RandomForests，使用随机森林的变量选择）算法，采用协同最优分类模型参数以确定特征子集，在本实施例中，分类模型可采用RF（Random Forests，随机森林）模型；然后采用多个类平衡后敏感特征子集，及特征选中次数阈值法和改进的特征集并算法，得到类平衡后的鲁棒敏感特征子集。

在得到类平衡后的鲁棒敏感特征子集后，根据类平衡后的鲁棒敏感特征子集建立滑坡分类模型。具体地，基于类平衡后的鲁棒敏感特征子集及RF和SVM（Support VectorMachine，支持向量机）算法等机器学习算法开展滑坡和非滑坡分类实验，即采用类平衡后敏感特征组合和部分训练数据，构建分类精度较高的算法模型。

其中，滑坡分类模型建立后，需要对模型精度进行评价，首先基于分层随机采样方法获取的训练集和测试集构建并评价模型精度；然后，采用两个空间上独立的测试区进行交叉训练和分类，从而评价模型的鲁棒性。

采用的类不平衡学习评价指标包括：查准率（precision）、查全率（召回率，recall）、F-度量（F-measure）和 G-均值（G-mean）及受试者工作特性（ROC）曲线。

在本实施例中，通过分类模型参数和平衡系数联合寻优确定的协同最优平衡系数和协同最优分类模型参数确定类平衡后的鲁棒敏感特征子集，为滑坡分类提供最优的类平衡后数据和优化的数据集，进而提升了滑坡遥感识别精度。

可选地，所述根据所述激光雷达数据构建地形对象，以及根据所述地形对象确定地形对象特征向量，以确定数据集包括：提取像元尺度地形特征向量，其中，所述像元尺度地形特征向量包括地形特征、基于所述地形特征和灰度共生矩阵的平均纹理特征和坡向纹理特征以及基于所述地形特征的滤波特征；从所述像元尺度地形特征向量中确定影像输入层，通过多尺度分割算法和基于POF方法获取的最优尺度参数对所述影像输入层开展影像分割，从而构建所述地形对象；基于所述像元尺度地形特征向量和所述地形对象的基元，采用对象特征提取方法确定所述地形对象特征向量，从而确定所述数据集。

具体地，在本实施例中，根据激光雷达数据构建地形对象，以及根据地形对象确定地形对象特征向量，以确定数据集包括：

（1）提取像元尺度地形特征向量，其中，像元尺度地形特征向量包括地形特征、基于地形特征和灰度共生矩阵的平均纹理特征和坡向纹理特征以及基于地形特征的滤波特征；其中地形特征，包括DTM、坡度、坡向和地表粗糙度；基于GLCM和上述地形特征的平均纹理特征和坡向纹理特征，包括对比度、相关性、角二阶矩、熵和同质性；基于上述地形特征的滤波特征，包括移动均值滤波和标准偏差滤波；

（2）从像元尺度地形特征向量中确定影像输入层，通过多尺度分割算法和基于POF方法获取的最优尺度参数对影像输入层开展影像分割，从而构建地形对象；

（3）基于像元尺度地形特征向量和地形对象的基元，采用对象特征提取方法确定地形对象特征向量，从而通过地形对象和地形对象特征向量确定数据集。

在本实施例中，通过构建地形对象以及确定地形对象特征向量，从而确定数据集，提高了数据集的精度和有效性，进而提升了滑坡遥感识别精度。

可选地，所述根据所述数据集对分类模型参数和平衡系数联合寻优，以确定协同最优平衡系数和协同最优分类模型参数包括：采用十折交叉验证将所述数据集划分为训练集和测试集，其中，训练集包括滑坡对象集和非滑坡对象集；利用SMOTE算法增加所述滑坡对象集内的滑坡对象样本，得到新滑坡对象集；采用所述新滑坡对象集和所述非滑坡对象集构建分类模型，并对所述测试集分类；采用十折交叉验证对所述平衡系数和所述分类模型参数进行联合寻优，以确定所述协同最优平衡系数和所述协同最优分类模型参数。

具体地，在本实施例中，根据数据集对分类模型参数和平衡系数联合寻优，以确定协同最优平衡系数和协同最优分类模型参数包括：

（1）采用十折交叉验证将参数寻优数据集划分为训练集和测试集，其中，训练集包括滑坡对象集和非滑坡对象集；

（2）利用SMOTE算法增加滑坡对象样本，得到新滑坡对象集；采用新滑坡对象集构建分类模型，并对测试集分类；

（3）采用十折交叉验证对平衡系数和分类模型参数进行联合寻优，以确定协同最优平衡系数和协同最优分类模型参数。

结合图2所示，假设数据集为D，采用十折交叉验证将数据集划分为训练集Tr 和测试集Te。Tr中滑坡对象集为O

U

其中，| |表示集合的元素个数。

假设Be为平衡系数，首先固定训练集中非滑坡对象集O

|O

其中，Be可以设置如下：

Be=1+0.1*n（n为正整数且Be≤U

采用新的训练集T

其中，参数ntree取值范围可设置如下：

ntree=100*N（N为正整数且≤10）

mtry为正整数且小于等于地形对象特征向量个数。

由此可构建一个新的参数寻优目标函数

Of=OA-|UA-PA|

其中OA表示十折交叉验证得到的平均总精度，UA为平均用户精度，PA为平均生产者精度，Of为参数寻优目标函数，| |表示绝对值；Of最大时，最优参数组合为Be

其中，结合图2和图3所示，集成的分类树的个数的符号表示包括ntree，ntree

在本实施例中，通过数据集对分类模型参数和平衡系数联合寻优确定协同最优平衡系数和协同最优分类模型参数，为滑坡分类提供最优的类平衡后数据和优化的数据集，进而提升了滑坡遥感识别精度。

可选地，所述根据所述协同最优平衡系数和所述协同最优分类模型参数确定类平衡后的鲁棒敏感特征子集包括：根据所述协同最优平衡系数获取最优的类平衡后特征选择数据集；根据所述类平衡后特征选择数据集和所述协同最优分类模型参数确定特征子集；根据所述特征子集确定所述类平衡后的鲁棒敏感特征子集。

具体地，在本实施例中，根据协同最优平衡系数和协同最优分类模型参数确定类平衡后的鲁棒敏感特征子集包括：

（1）根据协同最优平衡系数获取最优的类平衡后特征选择数据集；

（2）采用varSelRF算法，根据类平衡后特征选择数据集和协同最优分类模型参数确定特征子集；

（3）根据特征子集确定类平衡后的鲁棒敏感特征子集。

其中，varSelRF算法从数据中随机采样三分之二的样本作为训练集，余下的三分之一袋外样本（out-of-bag sample，OOB）作为测试集。首先采用一个大的RF模型（ntree=5000）获取一个初始的变量重要性排名，然后迭代剔除部分最不重要的特征。每次迭代中，20%最不重要特征剔除，余下特征训练一个新的RF模型（ntreeIterat = 2000），OOB样本用于评价其错分率（OOB error）。最终，OOB error最低时的RF模型所采用的特征集即为选中的特征子集。

在本实施例中，通过分类模型参数和平衡系数联合寻优确定的协同最优平衡系数和协同最优分类模型参数确定类平衡后的鲁棒敏感特征子集，为滑坡分类提供最优的类平衡后数据和优化的数据集，进而提升了滑坡遥感识别精度。

可选地，所述根据所述协同最优平衡系数获取最优的类平衡后特征选择数据集包括：采用SMOTE算法，根据所述协同最优平衡系数构建新的滑坡对象集确定新的训练集，以获取所述最优的类平衡后特征选择数据集。

具体地，在本实施例中，根据协同最优平衡系数获取最优的类平衡后特征选择数据集包括：采用SMOTE算法，根据协同最优平衡系数构建新的滑坡对象集确定新的训练集，以获取最优的类平衡后特征选择数据集。

其中，基于协同最优平衡系数和SMOTE算法的类平衡后特征选择数据集构建可采用如下形式。

结合图3所示，假设特征选择数据集为D

在本实施例中，通过协同最优平衡系数构建新的滑坡对象集确定新的训练集，以获取最优的类平衡后特征选择数据集，为滑坡分类提供最优的类平衡后数据和优化的数据集，进而提升了滑坡遥感识别精度。

可选地，所述根据所述类平衡后特征选择数据集和所述协同最优分类模型参数确定特征子集包括：获取所述最优的类平衡后特征选择数据集后，采用varSelRF算法，根据所述类平衡后特征选择数据集和所述协同最优分类模型参数确定所述特征子集，其中，varSelRF算法包括：将所述varSelRF算法的参数ntree预置为默认值，将所述协同最优分类模型参数ntree

具体地，在本实施例中，根据类平衡后特征选择数据集和协同最优分类模型参数确定特征子集包括：获取最优的类平衡后特征选择数据集后，将varSelRF算法的参数ntree预置为默认值，将协同最优分类模型参数ntree

结合图3所示，基于协同最优分类模型参数的VarSelRF方法可采用如下形式，获取类平衡后特征选择数据集后，将varSelRF的参数ntree预置为默认值，而将协同最优分类模型参数ntree

mtryFactor=mtry

由此可得到选中的特征子集，即类平衡后的鲁棒敏感特征子集。

在本实施例中，通过设置varSelRF算法的参数从而确定特征子集，为滑坡分类提供最优的类平衡后数据和优化的数据集，进而提升了滑坡遥感识别精度。

可选地，所述根据所述特征子集确定所述类平衡后的鲁棒敏感特征子集包括：根据所述特征子集和特征选中次数阈值确定第一特征子集和第二特征子集；对所述第一特征子集和所述第二特征子集中指定比例的指定特征执行并操作，并对余下的特征进行交操作，以确定并和交集；对所述并和交集执行并操作，以确定所述类平衡后的鲁棒敏感特征子集。

具体地，在本实施例中，根据特征子集确定类平衡后的鲁棒敏感特征子集包括：根据特征子集和特征选中次数阈值确定第一特征子集和第二特征子集；对第一特征子集和第二特征子集中指定比例的指定特征执行并操作，并对余下的特征进行交操作，以确定并和交集；对并和交集执行并操作，以确定类平衡后的鲁棒敏感特征子集。

结合图3所示，采用20 个特征选择数据集，分成两组分别执行特征选中次数阈值法且将阈值设为8（即80%情况下被选中），得到两个特征子集；然后，对它们执行修正的特征集并算法，其中第一次并操作中指定比例为80%。并对余下的特征进行交操作，以确定并和交集；对并和交集执行并操作，以确定类平衡后的鲁棒敏感特征子集。

在本实施例中，通过对两个特征集中指定比例的最重要特征执行并操作且对余下的特征进行交操作，然后对上述并和交集再执行并操作从而确定类平衡后的鲁棒敏感特征子集，为滑坡分类提供最优的类平衡后数据和优化的数据集，进而提升了滑坡遥感识别精度。

本发明另一实施例提供一种复杂背景区滑坡识别方法，包括：根据如上所述的复杂背景区滑坡分类模型建立方法建立的滑坡分类模型进行滑坡和非滑坡分类，以确定研究区的滑坡和非滑坡分类结果；基于滑坡半自动识别方法和所述分类结果确定滑坡边界以实现滑坡识别。

具体地，在本实施例中，首先，采用类平衡后敏感特征组合和部分训练数据，构建分类精度较高的算法模型；然后获取研究区滑坡和非滑坡分类结果；接着基于滑坡半自动识别方法得到滑坡边界，并采用位置不匹配值（Position mismatch，PM）和参考滑坡边界对识别结果进行评价。

结合图4所示，滑坡半自动识别方法具体包括：首先填充被滑坡对象包围的孤岛；然后去除远离青干河和滑坡体的孤立小图斑；接着采用手动数字化操作圈定滑坡对象的包络线，且尽量保证边界平滑、沿着下坡方向画滑坡侧缘、闭合C形半包围边界及忽略侧缘的突出图斑。

可选地，根据所述滑坡分类模型进行滑坡和非滑坡分类包括：将研究区的数据集输入所述滑坡分类模型，其中，所述数据集为研究区所有地形对象基元的对象特征集；根据所述滑坡分类模型预测所述对象特征集，以确定所述滑坡和非滑坡分类结果。

本发明另一实施例提供一种复杂背景区滑坡识别装置，包括存储有计算机程序的计算机可读存储介质和处理器，所述计算机程序被所述处理器读取并运行时，实现如上所述的复杂背景区滑坡分类模型建立方法或复杂背景区滑坡识别方法。

虽然本发明公开披露如上，但本发明公开的保护范围并非仅限于此。本领域技术人员在不脱离本发明公开的精神和范围的前提下，可进行各种变更与修改，这些变更与修改均将落入本发明的保护范围。