中亚地区作为“一带一路”建设的核心区域,目前针对该地区滑坡灾害的遥感自动化检测和提取信息相对匮乏,而崩塌和滑坡等地质灾害在中亚地区影响日益显著。因此,本数据集以“一带一路”中亚地区及中国西北地区的1m高分辨率航空影像为基础,结合“一带一路”中亚地区滑坡点数据、数字高程模型(DEM)、气温和降水等数据,通过目视解译方法,对滑坡灾害进行解译和标注,最终形成“一带一路”中亚地区及中国西北地区典型滑坡航空影像分布及解译数据集。该数据集包含滑坡点数据集和滑坡影像解译数据集两大部分:(1)滑坡点数据集包括五部分文件,即:“一带一路”沿线中亚地区和中国西北地区的滑坡点数据、对应的Excel数据文件、DEM数据、降水数据、气温数据。(2)滑坡影像解译数据集包括三部分文件,即:正射影像图片数据、解译数据、DEM数据。滑坡总体分布范围覆盖 34°15'54"N至44°16'38"N,62°19'50"E至108°56'39"E,包含24处典型滑坡灾害样本。本数据集数据来源明确,数据处理过程和结果精确,解译标注准确可信,灾害信息详实,实现了各环节数据质量控制。本数据集可用于中亚地区及相关区域的崩塌、滑坡灾害研究与风险评估,具有良好的现势性,为未来深入定量研究“一带一路”中亚地区滑坡灾害及风险提供了基础科学数据参考。
| 采集时间 | 2007/07/22 - 2018/05/16 |
|---|---|
| 数据量 | 7.2 GiB |
| 数据格式 | *.shp,*.tif,*.xls |
| 数据空间分辨率(/米) | 1m |
| 坐标系 | CGCS2000 |
数据集包括滑坡点数据集和滑坡影像解译数据集两部分内容,其中滑坡点数据集包括五部分文件,即:“一带一路”中亚地区及中国西北地区范围内的滑坡点数据、与此对应的Excel数据、DEM数据、降水数据、气温数据。滑坡影像解译数据包括3部分文件,即:正射影像图片数据、解译数据、DEM数据;
(1)“一带一路”中亚地区及中国西北地区滑坡点数据集:该数据集为“一带一路”中亚地区及中国西北地区范围内1915-2021年的滑坡数据,包括127个滑坡灾害点,基于ArcGIS软件通过全球网站公开的滑坡灾害信息整理得到,每条数据详细记载了灾害搜索来源、时间、类型、大小、经纬度位置等。
(2)“一带一路”中亚地区及中国西北地区滑坡高精度航空影像:根据“一带一路”沿中亚地区及中国西北地区的滑坡点数据集,以滑坡的重大程度(Landslide size)为筛选标准,选取large、very large的数据,收集滑坡高精度航空影像。基于Google Earth根据经纬度坐标收集重大滑坡灾害地区无人机航空影像,并利用ENVI软件和目视解译方法,对已发生的滑坡灾害进行解译和样本标注。
(1)“一带一路”中亚地区及中国西北地区滑坡点数据集:滑坡点数据主要基于ArcGIS软件对NASA官网公开的滑坡灾害信息经整理加工而得到的,包括127个滑坡灾害点,每条数据详细记载了灾害搜索来源、时间、类型、大小、经纬度位置等;(2) “一带一路”中亚地区及中国西北地区滑坡高精度航空影像:根据“一带一路”中亚地区及中国西北地区的滑坡点数据集,以滑坡的重大程度(Landslide size)为筛选标准,选取large、very large的数据,收集滑坡高精度航空影像。基于Google Earth根据经纬度坐标收集重大滑坡灾害地区无人机航空影像,结合目视解译的方法,基于ENVI软件对滑坡灾害体进行初步解译,提取滑坡区域的影像特征,之后采用ArcGIS软件进行重分类转换为仅含0和1的二值栅格图像数据(1标注为滑坡,0为其他地物)。以单个灾害体为对象,制作了24处滑坡灾害的高精度影像和解译样本标注数据集,并编制了与数据集对应的灾害信息描述文本。
影像数据的处理过程主要包括坐标转换和地图配准两大步骤:1)坐标转换。将影像数据的平面坐标统一转换为2000国家大地坐标系(CGCS2000),高程采用1985国家高程基准,单位为米。2)影像配准。以基本比例尺地形图或基础测绘生产的高质量数字正射影像(DOM)为基准,①在基准数据和待配准影像上,选取易于识别且分布均匀的控制点,控制点为明显的地物特征,如道路交叉口、建筑物角点等;②根据控制点的坐标信息,建立影像配准的几何变换模型,常用的模型包括仿射变换、多项式变换、投影变换等;③利用ENVI软件,输入控制点坐标和选定合适的变换模型,完成影像数据的几何纠正。
本数据集数据来源明确,数据处理过程和结果精确,解译标注准确可信,灾害信息详实,实现了各环节数据质量控制。由上述可知,本文数据采集的实际情况分为两大类:(1)研究区内的滑坡点数据主要通过NASA官网公开的滑坡灾害信息经整理加工而得到的。这些数据具有高度的权威性和可靠性,NASA官网提供的滑坡灾害信息经过专业的收集和处理,确保数据的精确性和完整性。(2)研究区内滑坡影像解译数据集主要借助遥感影像解译获取灾害数据,再通过收集已公开发表的全球范围内最新相关权威文献资料和地质灾害知识对滑坡数据集进一步补充、验证。这些文献资料提供了丰富的背景信息和理论支持,提高了数据集的准确性和全面性。而且Google Earth图层主数据库内有大量实景照片,也为滑坡灾害的遥感解译提供了参照,可用作遥感解译结果的验证依据之一,帮助更准确判断和分析滑坡灾害的具体情况。综上所述,各环节的数据质量控制措施保证了数据的准确性和可靠性,为滑坡灾害研究提供了重要支持。
| # | 编号 | 名称 | 类型 |
| 1 | 无 | 国家冰川冻土沙漠科学数据中心数据专题 “丝绸之路沿线主要灾害专题数据制备及数据库建设” |
本作品采用
CC BY 4.0 (知识共享 署名 4.0 国际许可协议)进行许可。
| # | 标题 | 文件大小 |
|---|---|---|
| 1 | DATA.rar | 7.2 GiB |
| # | 时间 | 姓名 | 用途 |
|---|---|---|---|
| 1 | 2026/05/27 05:09 | 吴*玄 |
仅用于学习,学习题目为:图神经网络滑坡易发性评价
|
| 2 | 2026/05/18 00:41 | 夏*莉 |
用于滑坡灾害智能识别研究,承诺仅用于学术科研并按规范引用
|
| 3 | 2026/05/06 03:18 | 张*青 |
题目:基于无监督域自适应滑坡识别研究
摘要:深度学习模型表现在很大程度上取决于训练数据的质量和数量。数据集的代表性有限造成的应用差距,深度模型在不同数据域上的泛化性不足,由于源域和目标域之间的特征分布变化,它可能对其他地理区域或传感器无效。一种直观的方法是为目标域注释足够的样本并执行模型重新训练。但是,对每个新捕获的图像进行密集注释是不现实的。对于滑坡研究而言,当训练好的模型直接传输到新场景测试时,会出现明显的性能下降。第一是数据分布的差异,包括颜色、纹理、光照等方面的变化。第二,域适应不充分。域自适应是指模型泛化到不同分布式数据的能力。本研究引入HRDA模型构建基础无监督滑坡识别框架,通过层级残差域自适应机制削弱源域与目标域间的分布差异,实现对目标区域滑坡的初步检测与定位,针对模型初步输出的识别结果,引入滑坡易发性指数、地形坡度、及滑坡体轴长比等关键地理与形态学特征,构建决策树模型开展二次优化与精细筛选,实现对误识别区域的剔除。为推动研究成果的工程化转化与实际应用,本研究进一步设计并开发了滑坡识别Web应用系统,通过构建前后端协同的技术架构,实现了滑坡识别模型自动化调用、识别结果评估等核心功能的集成化运行。
类型:硕士论文
|
| 4 | 2026/04/01 01:24 | 匿名 [210.77.77.* ] |
FTP直接下载
|
| 5 | 2026/03/25 19:51 | 匿名 [210.77.77.* ] |
FTP直接下载
|
| 6 | 2026/03/25 19:51 | 匿名 [210.77.77.* ] |
FTP直接下载
|
| 7 | 2026/03/24 04:30 | 匿名 [210.77.77.* ] |
FTP直接下载
|
| 8 | 2026/02/03 08:15 | 匿名 [60.7.170.* ] |
[开放下载]
|
| 9 | 2026/01/16 18:56 | 匿名 [124.119.50.* ] |
[开放下载]
|
| 10 | 2026/01/13 01:55 | 匿名 [39.144.208.* ] |
[开放下载]
|
NVp17b
iuHZ1KOz
© 中国科学院西北生态环境资源研究院 2005- 备案号:陇ICP备2021001824号-21
兰州市东岗西路320号, 730000, 电话: 0931-4967592,0931-4967596

