1.一種基于多任務(wù)學(xué)習(xí)和多源數(shù)據(jù)特征融合的滑坡提取方法，其特征在于：包括以下步驟：
2.根據(jù)權(quán)利要求1所述的基于多任務(wù)學(xué)習(xí)和多源數(shù)據(jù)特征融合的滑坡提取方法，其特征在于：所述s1中，所需獲取的多源數(shù)據(jù)包括光學(xué)遙感影像和數(shù)字高程模型，根據(jù)實(shí)際需求適時(shí)加入sar影像；還需獲取滑坡矢量標(biāo)簽和輔助任務(wù)矢量標(biāo)簽，其中輔助任務(wù)選取區(qū)域內(nèi)的非滑坡地物作為目標(biāo)。
3.根據(jù)權(quán)利要求1所述的基于多任務(wù)學(xué)習(xí)和多源數(shù)據(jù)特征融合的滑坡提取方法，其特征在于：所述s2中，多源數(shù)據(jù)的預(yù)處理包括：對(duì)光學(xué)遙感影像進(jìn)行大氣校正，按需求選擇導(dǎo)出全部或僅導(dǎo)出部分通道的數(shù)據(jù)；基于dem數(shù)據(jù)進(jìn)行地形分析獲得坡度和坡向數(shù)據(jù)；若有sar影像，則進(jìn)行輻射校正、去噪處理和地形校正；為保證多源數(shù)據(jù)的分辨率統(tǒng)一，以其中分辨率最高的數(shù)據(jù)為標(biāo)準(zhǔn)，對(duì)低于這個(gè)分辨率最高的數(shù)據(jù)進(jìn)行重采樣；滑坡矢量標(biāo)簽和輔助任務(wù)矢量標(biāo)簽從矢量轉(zhuǎn)為分辨率與其他數(shù)據(jù)一致的柵格圖像；最后，進(jìn)行圖像配準(zhǔn)，確保多源數(shù)據(jù)及相應(yīng)標(biāo)簽數(shù)據(jù)在空間上對(duì)齊。
4.根據(jù)權(quán)利要求1所述的基于多任務(wù)學(xué)習(xí)和多源數(shù)據(jù)特征融合的滑坡提取方法，其特征在于：所述s3中，多任務(wù)深度學(xué)習(xí)模型bfm-unet包括：
5.根據(jù)權(quán)利要求4所述的基于多任務(wù)學(xué)習(xí)和多源數(shù)據(jù)特征融合的滑坡提取方法，其特征在于：所述分支融合編碼器和多任務(wù)解碼器中均包含十字繡單元，原十字繡單元應(yīng)用于不同任務(wù)之間自適應(yīng)共享，；在分支融合編碼器中，其用于多源數(shù)據(jù)特征融合；為滿足多源數(shù)據(jù)特征融合時(shí)所需的靈活性，對(duì)十字繡單元進(jìn)行擴(kuò)展，不限制輸入和輸出的特征數(shù)，允許其為任意值且不必相同，并將原權(quán)重矩陣中的權(quán)重元素從標(biāo)量擴(kuò)展為維度與特征圖通道數(shù)相同的向量，其對(duì)特征圖的處理按公式(1)計(jì)算：
6.根據(jù)權(quán)利要求4所述的基于多任務(wù)學(xué)習(xí)和多源數(shù)據(jù)特征融合的滑坡提取方法，其特征在于：所述分支融合編碼器采用多分支結(jié)構(gòu)，分別對(duì)不同源數(shù)據(jù)進(jìn)行特征提取，分支主干都由1個(gè)輸入塊和4個(gè)下采樣塊構(gòu)成，相較于原unet，用殘差塊替換了下采樣塊中的卷積層；輸入塊的輸入和輸出分別定義為和輸出特征圖的高寬與輸入圖像相同，皆為hin和win，通道數(shù)有cdata轉(zhuǎn)換為cin，cdata為輸入數(shù)據(jù)的通道數(shù)，cin為可調(diào)整的參數(shù)，設(shè)置為32或64，輸入塊的處理過(guò)程表示為公式(3)：
7.根據(jù)權(quán)利要求4所述的基于多任務(wù)學(xué)習(xí)和多源數(shù)據(jù)特征融合的滑坡提取方法，其特征在于：所述多任務(wù)解碼器在原unet的解碼器的基礎(chǔ)上擴(kuò)展額外分支識(shí)別合適的非滑坡地物，利用多任務(wù)學(xué)習(xí)使模型更充分地利用背景中的信息，每條分支主干由4個(gè)上采樣塊和一個(gè)輸出塊構(gòu)成，相比原unet，用殘差塊替換了上采樣塊中的卷積層，輔助任務(wù)分支的輸出塊僅在模型訓(xùn)練時(shí)啟用；每個(gè)上采樣塊有兩個(gè)輸入，分別為來(lái)自編碼器中最后一個(gè)下采樣塊或上一層上采樣塊的特征圖和通過(guò)跳躍連接來(lái)自編碼器對(duì)應(yīng)層的特征圖上采樣塊處理后得到的輸出為其中hu×wu×cu表示來(lái)自最底部的下采樣塊或上一層上采樣塊的特征圖的形狀，上采樣塊的處理過(guò)程如公式(7)：
8.根據(jù)權(quán)利要求1所述的基于多任務(wù)學(xué)習(xí)和多源數(shù)據(jù)特征融合的滑坡提取方法，其特征在于：所述s4中，每個(gè)任務(wù)對(duì)應(yīng)一個(gè)聯(lián)合損失函數(shù)l，其結(jié)合加權(quán)交叉熵?fù)p失lce和dice損失ldice，l按公式(9)計(jì)算：
9.根據(jù)權(quán)利要求1所述的基于多任務(wù)學(xué)習(xí)和多源數(shù)據(jù)特征融合的滑坡提取方法，其特征在于：所述s4中，基于s1獲取并按s2處理得到的數(shù)據(jù)構(gòu)建數(shù)據(jù)集，劃分訓(xùn)練集和測(cè)試集，并采用旋轉(zhuǎn)、垂直翻轉(zhuǎn)和水平翻轉(zhuǎn)對(duì)訓(xùn)練集進(jìn)行數(shù)據(jù)增強(qiáng)，訓(xùn)練集用于bfm-unet模型訓(xùn)練，測(cè)試集用于評(píng)估訓(xùn)練好的模型的性能；模型訓(xùn)練時(shí)，設(shè)置合適的批處理大小和訓(xùn)練輪次，選擇sgd作為優(yōu)化算法并使用動(dòng)態(tài)變化的學(xué)習(xí)率，學(xué)習(xí)率的變化分兩階段：
10.根據(jù)權(quán)利要求1所述的基于多任務(wù)學(xué)習(xí)和多源數(shù)據(jù)特征融合的滑坡提取方法，其特征在于：所述s5中，將通過(guò)s1獲取并按s2處理得到的目標(biāo)區(qū)域的多源數(shù)據(jù)輸入訓(xùn)練好的多任務(wù)深度學(xué)習(xí)模型bfm-unet中進(jìn)行滑坡提取，從而得到相應(yīng)的滑坡分布圖，分布圖中滑坡區(qū)域顯示為白色，非滑坡區(qū)域顯示為黑色。