CN111369056A - 地质灾害预测方法及电子设备 - Google Patents
地质灾害预测方法及电子设备 Download PDFInfo
- Publication number
- CN111369056A CN111369056A CN202010141698.4A CN202010141698A CN111369056A CN 111369056 A CN111369056 A CN 111369056A CN 202010141698 A CN202010141698 A CN 202010141698A CN 111369056 A CN111369056 A CN 111369056A
- Authority
- CN
- China
- Prior art keywords
- measuring point
- point
- determining
- geological disaster
- state
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000006073 displacement reaction Methods 0.000 claims abstract description 80
- 238000012544 monitoring process Methods 0.000 claims abstract description 36
- 238000005259 measurement Methods 0.000 claims description 121
- 230000002159 abnormal effect Effects 0.000 claims description 42
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 27
- 230000008859 change Effects 0.000 claims description 23
- 238000010586 diagram Methods 0.000 claims description 18
- 238000010219 correlation analysis Methods 0.000 claims description 15
- 238000010220 Pearson correlation analysis Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 101150039239 LOC1 gene Proteins 0.000 description 14
- 230000000875 corresponding effect Effects 0.000 description 11
- 238000003064 k means clustering Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Computer Security & Cryptography (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及大数据处理技术领域，具体而言，涉及一种地质灾害预测方法及电子设备。在该方法中，能够根据目标区域内的各个测量点在多个连续时间窗口内的位移数据建立第一地质灾害预测模型。在预测时，可将监测区域内的各个测量点在多个连续时间窗口内的位移数据输入第一地质灾害预测模型，得到该监测区域的地质灾害预测结果。由于目标区域的地质灾害发生情况是真实存在的，如此，能够根据目标区域的地质灾害发生情况对第一地质灾害预测模型进行验证，确保第一地质灾害预测模型的精确性、真实性和可靠性，进而确保采用第一地质灾害预测模型对监测区域进行地质灾害预测的精确性、真实性和可靠性。
Description
技术领域
本发明涉及大数据处理技术领域，具体而言，涉及一种地质灾害预测方法及电子设备。
背景技术
地质灾害具有影响范围广和破坏性强等特点，地质滑坡作为地质灾害的其中一种形式，给大自然以及人们的生命财产安全带来了巨大威胁。由于地质滑坡的突发性，难以在滑坡发生时及时进行群众疏散和财产保护，因此，对地质滑坡发生前的早期预测和识别是非常有必要的，精准的早期预测和识别能够在滑坡发生前为人们争取更多的疏散时间，进而减少生命财产的损失。
发明内容
为了至少改善现有技术中的上述不足，本发明的目的之一在于提供一种地质灾害预测方法及电子设备。
本发明实施例的第一方面，提供了一种地质灾害预测方法，包括：
获取预设的目标区域内的各个测量点在多个连续时间窗口内的位移数据；根据所述位移数据确定所述目标区域内各个测量点的点位状态；根据所述目标区域内各个测量点的点位状态，确定各个测量点的多维特征，所述多维特征包括波动性特征、变化趋势特征和近期异常特征；根据所述目标区域内各个测量点的多维特征和点位状态，以及获取到的各个测量点的形变速率，得到特征数据集；对所述特征数据集进行聚类，得到聚类结果，并根据所述聚类结果确定目标测量点集；根据所述目标测量点集从所述目标区域中确定至少一个子目标区域；对至少一个子目标区域中的所有测量点的累计位移曲线的斜率进行密度聚类，得到密度聚类图；获取至少一个子目标区域的地质灾害发生情况，根据所述地质灾害发生情况和所述密度聚类图，得到第一地质灾害预测模型；将监测区域内的各个测量点在多个连续时间窗口内的位移数据输入所述第一地质灾害预测模型，得到所述监测区域的地质灾害预测结果。
在一种可替换的实施方式中，所述点位状态包括表征测量点为异常点的第一状态以及表征测量点为正常点的第二状态，所述根据所述位移数据确定所述目标区域内各个测量点的点位状态的步骤，包括：根据每个时间窗口内各个测量点的位移数据确定每个时间窗口内的分位数；根据所述分位数确定每个时间窗口内的基准位移数据；判断每个时间窗口内的每个测量点的位移数据是否小于所述基准位移数据；若是，则确定该测量点的状态为所述第一状态；若否，则确定该测量点的状态为所述第二状态。
在一种可替换的实施方式中，所述根据所述目标区域内各个测量点的点位状态，确定各个测量点的多维特征的步骤，包括：根据各个测量点在相邻两个时间窗口内的状态，确定各个测量点的波动性特征；根据各个测量点在第一个时间窗口内的状态与在最后一个时间窗口内的状态的比较结果，确定各个测量点的变化趋势特征；根据从各个测量点在最后N个时间窗口内的状态中随机获取的K个状态，确定各个测量点的近期异常特征；其中，N和K为正整数。
在一种可替换的实施方式中，所述根据各个测量点在相邻两个时间窗口内的状态，确定各个测量点的波动性特征的步骤，包括：根据各个测量点在相邻两个时间窗口内的状态，确定各个测量点在相邻两个时间窗口内的状态变化值；将确定的各个测量点的所有状态变化值进行求和，得到各个测量点的波动性特征值；判断每个测量点的波动性特征值是否大于第一设定值；若是，则确定该测量点为第一波动点；若否，则确定该测量点为第二波动点。
在一种可替换的实施方式中，所述根据各个测量点在第一个时间窗口内的状态与在最后一个时间窗口内的状态的比较结果，确定各个测量点的变化趋势特征的步骤，包括：若测量点在第一个时间窗口内的状态为所述第一状态且在最后一个时间窗口内的状态为所述第二状态，确定该测量点的变化趋势特征为正常趋势；若测量点在第一个时间窗口内的状态为所述第二状态且在最后一个时间窗口内的状态为所述第一状态，确定该测量点的变化趋势特征为异常趋势；若测量点在第一个时间窗口内的状态与在最后一个时间窗口内的状态相同，确定该测量点的变化趋势特征为稳定趋势。
在一种可替换的实施方式中，所述根据从各个测量点在最后N个时间窗口内的状态中随机获取的K个状态，确定各个测量点的近期异常特征的步骤，包括：判断K个状态中的第二状态的数量是否达到第二设定值；若是，则确定该测量点为近期异常点；若否，则确定该测量点为近期正常点。
在一种可替换的实施方式中，在根据所述目标测量点集从所述目标区域中确定至少一个子目标区域的步骤之后，所述方法还包括：确定至少一个子目标区域中的测量点的第一数量；将每个时间窗口内的所有异常点的数量进行求和得到第二数量；获取至少一个子目标区域在所述多个连续时间窗口内的日均流量值、日均雨量值以及平均水位值；采用皮尔森相关性分析方法对所述第一数量与所述第二数量、所述日均流量值、所述日均雨量值以及所述平均水位值进行相关性分析，得到皮尔森相关性系数图；根据所述地质灾害发生情况和所述皮尔森相关性系数图，得到第二地质灾害预测模型；将监测区域内的各个测量点在多个连续时间窗口内的位移数据以及所述监测区域的日均流量值、日均雨量值以及平均水位值输入所述第二地质灾害预测模型，得到所述监测区域的地质灾害预测结果。
本发明实施例的第二方面，提供了一种电子设备，包括：
位移数据获取模块，用于获取预设的目标区域内的各个测量点在多个连续时间窗口内的位移数据；
点位状态确定模块，用于根据所述位移数据确定所述目标区域内各个测量点的点位状态；
多维特征确定模块，用于根据所述目标区域内各个测量点的点位状态，确定各个测量点的多维特征，所述多维特征包括波动性特征、变化趋势特征和近期异常特征；
K均值聚类模块，用于根据所述目标区域内各个测量点的多维特征和点位状态，以及获取到的各个测量点的形变速率，得到特征数据集；对所述特征数据集进行聚类，得到聚类结果，并根据所述聚类结果确定目标测量点集；
区域确定模块，用于根据所述目标测量点集从所述目标区域中确定至少一个子目标区域；
密度聚类模块，用于对至少一个子目标区域中的所有测量点的累计位移曲线的斜率进行密度聚类，得到密度聚类图；
第一模型建立模块，用于获取至少一个子目标区域的地质灾害发生情况，根据所述地质灾害发生情况和所述密度聚类图，得到第一地质灾害预测模型；
第一预测模块，用于将监测区域内的各个测量点在多个连续时间窗口内的位移数据输入所述第一地质灾害预测模型，得到所述监测区域的地质灾害预测结果。
在一种可替换的实施方式中，所述电子设备还包括：
第一数量确定模块，用于确定至少一个子目标区域中的测量点的第一数量；
第二数量确定模块，用于将每个时间窗口内的所有异常点的数量进行求和得到第二数量；
环境数据获取模块，用于获取至少一个子目标区域在所述多个连续时间窗口内的日均流量值、日均雨量值以及平均水位值；
相关性分析模块，用于采用皮尔森相关性分析方法对所述第一数量与所述第二数量、所述日均流量值、所述日均雨量值以及所述平均水位值进行相关性分析，得到皮尔森相关性系数图；
第二模型建立模块，用于根据所述地质灾害发生情况和所述皮尔森相关性系数图，得到第二地质灾害预测模型；
第二预测模块，用于将监测区域内的各个测量点在多个连续时间窗口内的位移数据以及所述监测区域的日均流量值、日均雨量值以及平均水位值输入所述第二地质灾害预测模型，得到所述监测区域的地质灾害预测结果。
本发明实施例的第三方面，提供了一种电子设备，包括处理器以及与所述处理器连接的存储器和总线；其中，所述处理器和所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述的地质灾害预测方法。
本发明实施例所提供的地质灾害预测方法及电子设备，能够根据目标区域内的各个测量点在多个连续时间窗口内的位移数据确定各个测量点的点位状态，并根据点位状态对位移数据进行多维特征分析和特征工程建立，进而得到目标区域的特征数据集并对特征数据集确定出目标测量点集。根据目标测量点集确定至少一个子目标区域，然后在至少一个子目标区域的基础上确定密度聚类图。能够根据实际的地质灾害发生情况对密度聚类图进行验证，进而得到第一地质灾害预测模型。
在预测时，可将监测区域内的各个测量点在多个连续时间窗口内的位移数据输入第一地质灾害预测模型，得到该监测区域的地质灾害预测结果。
可以理解，由于子目标区域的地质灾害发生情况是真实存在的，如此，能够根据子目标区域的实际地质灾害发生情况对子目标区域的密度聚类图进行验证，从而实现对第一地质灾害预测模型的验证，确保第一地质灾害预测模型的精确性、真实性和可靠性，进而确保采用第一地质灾害预测模型对监测区域进行地质灾害预测的精确性、真实性和可靠性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例所提供的一种地质灾害早期识别方法的流程图；
图2为本发明实施例所提供的一个时间窗口下的异常点的分布示意图；
图3为本发明实施例所提供的目标区域在多个连续时间窗口内的第一波动点的分布示意图；
图4为本发明实施例所提供的目标区域在多个连续时间窗口内的测量点的变化趋势分布示意图；
图5为本发明实施例所提供的目标区域在多个连续时间窗口内的近期异常点的分布示意图；
图6为本发明实施例所提供的目标区域在多个连续时间窗口内的测量点的K-Means聚类结果示意图；
图7为本发明实施例所提供的子目标区域的分布示意图；
图8为本发明实施例所提供的其中一个子目标区域的密度聚类图；
图9为本发明实施例所提供的另一个子目标区域的密度聚类图；
图10为本发明实施例所提供的一种地质灾害早期识别方法的另一流程图；
图11为本发明实施例所提供的相关性系数图；
图12为本发明实施例所提供的一种电子设备的模块框图；
图13为本发明实施例所提供的一种电子设备的另一模块框图。
图标：
200-电子设备；
201-位移数据获取模块；202-点位状态确定模块；203-多维特征确定模块；204-K均值聚类模块；205-区域确定模块；206-密度聚类模块；207第一模型建立模块；208-第一预测模块；
301-第一数量确定模块；302-第二数量确定模块；303-环境数据获取模块；304-相关性分析模块；305-第二模型建立模块；306-第二预测模块。
具体实施方式
下面将参照附图更详细地描述本发明公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本发明技术方案做详细的说明，应当理解本发明实施例以及实施例中的具体特征是对本发明技术方案的详细的说明，而不是对本发明技术方案的限定，在不冲突的情况下，本发明实施例以及实施例中的技术特征可以相互组合。
发明人经研究和分析发现，常见的滑坡预测和识别方法大多是根据监测地区的地质数据直接对该地区进行滑坡预测和识别。一方面，常见的方法没有对地质数据进行多个特征维度的分析和处理，难以对地质数据进行充分和全面的挖掘。另一方面，根据地质数据直接对监测地区进行滑坡预测和识别的方法无法得到验证。这会导致预测出可能发生滑坡的地区范围较广，而可能无法预测出可能发生滑坡的精准地区。
为此，本发明实施例提供了一种地质灾害预测方法，能够先对预设的目标区域内的各测量点在多个连续时间窗口下的位移数据进行大数据分析和挖掘，从而搭建地质灾害预测模型，然后基于地质灾害预测模型对监测区域进行地质灾害预测。一方面，能够对地质灾害预测模型进行验证。另一方面，在搭建地质灾害预测模型时，会对目标区域的测量点的位移数据进行多维特征分析和特征工程建立，确保对位移数据进行充分和全面的挖掘，并运用无监督学习算法(K均值聚类算法)实现对子目标区域进行准确划分，能够有效缩小预测范围以提高地质灾害预测的精确性。通过上述地质灾害预测方法，能够预测出可能发生滑坡的精准地区。
请参阅图1，为根据本发明一个可选的实施例提供的地质灾害预测方法的流程图，该方法可以应用于电子设备，在本实施例中，电子设备可以是计算机、平板或者其他具有数据分析和处理的计算机设备，在此不作限定。可选地，该方法可以包括以下内容：
步骤S21，获取预设的目标区域内的各个测量点在多个连续时间窗口内的位移数据。
步骤S22，根据位移数据确定目标区域内各个测量点的点位状态。
步骤S23，根据目标区域内各个测量点的点位状态，确定各个测量点的多维特征。
步骤S24，根据目标区域内各个测量点的多维特征和点位状态，以及获取到的各个测量点的形变速率，得到特征数据集，对特征数据集进行聚类，得到聚类结果，并根据聚类结果确定目标测量点集。
步骤S25，根据目标测量点集从目标区域中确定至少一个子目标区域。
步骤S26，对至少一个子目标区域中的所有测量点的累计位移曲线的斜率进行密度聚类，得到密度聚类图。
步骤S27，获取至少一个子目标区域的地质灾害发生情况，根据地质灾害发生情况和密度聚类图，得到第一地质灾害预测模型。
步骤S28，将监测区域内的各个测量点在多个连续时间窗口内的位移数据输入第一地质灾害预测模型，得到监测区域的地质灾害预测结果。
在步骤S21中，预设的目标区域可以是已发生地质灾害的区域，也可以是人为模拟地质灾害的区域。可以理解，预设的目标区域为采样的区域，目标区域用于建立和验证第一地质灾害预测模型。
在本实施例中，多个连续的时间窗口可以理解为某个设定时段，例如，设定时段可以为2017年5月12日～2018年1月31日，可以将设定时段进行划分，从而得到多个连续的时间窗口。例如，在本实施例中，连续的时间窗口的数量可以为21个。
在步骤S21中，位移数据可以通过对目标区域的卫星SAR影像进行时序干涉SAR处理得到，其中，卫星SAR影像为合成孔径雷达影像(Synthetic Aperture Radar)，在本实施例中，位移数据可以从外部获取。如此，能够避免植被对沉降信息的影响，进而确保目标区域内的沉降信息(位移数据)的完整性和准确性。
在本实施例中，目标区域内的测量点可以是预先设置的，例如，可以选取目标区域内的若干个点作为测量点。另外，可以确定出各测量点在每个时间窗口下的位移数据。例如，针对某个测量点，该测量点在21个时间窗口下存在21个位移数据。可以理解，同一个测量点在不同的时间窗口下的位移数据可能是不同的。
在步骤S22中，点位状态包括表征测量点为异常点的第一状态以及表征测量点为正常点的第二状态。在本实施例中，可以将点位状态为第一状态的异常点标记为“1”，将点位状态为第二状态的正常点标记为“0”。在具体实施时，根据位移数据确定目标区域内各个测量点的点位状态，具体可以包括以下内容：
步骤S221，根据每个时间窗口内各个测量点的位移数据确定每个时间窗口内的分位数；
步骤S222，根据分位数确定每个时间窗口内的基准位移数据；
步骤S223，判断每个时间窗口内的每个测量点的位移数据是否小于基准位移数据；若是，则确定该测量点的状态为第一状态；若否，则确定该测量点的状态为第二状态。
可以理解，在执行步骤S221-步骤S223之前，可以对每个时间窗口下的位移数据进行正态分布检验。在具体实施时，可以确定出每个时间窗口下的位移数据的正态分布检验结果中的假定值(P-value)均小于0.05，因此可以确定出每个时间窗口下的位移数据不符合正态分布。在这种情况下，可以运用非正态分布下的异常点查找方法对异常点进行筛选。
在步骤S221中，每个时间窗口内的分位数可以包括上四分位数和下四分位数。在步骤S231的基础上，在步骤S232中，基准位移数据可以通过以下方式确定：D＝Q1-2*(Q3-Q1)。其中，D为基准位移数据，Q1为下四分位数，Q3为上四分位数。
在步骤S223中，可以将位移数据小于基准位移数据的测量点确定为异常点并标记状态值“1”，将位移数据大于等于基准位移数据的测量点确定为正常点并标记状态值“0”。
可以理解，每个时间窗口下的卫星SAR影像中的异常点分布可以是不同的，例如，本实施例中的时间窗口的数量为21个，则异常点的分布图的数量也为21个。请结合参阅图2，为其中一个时间窗口下的异常点的分布图。在本实施例中，图2示出了第一时间窗口(T1)下的异常点的分布图，在图2中，横坐标LON为经度，纵坐标LAT为维度，图2中黑色的圆点为异常点。可以理解，21张异常点分布图可以是不同的，本实施例仅示出一张异常点分布图。
在步骤S23中，多维特征可以包括波动性特征、变化趋势特征和近期异常特征。在本实施例中，通过各个测量点的点位状态确定出多维特征，能够从不同维度对位移数据进行充分和全面的挖掘，能够为地质灾害预测模型的建立提供数据基础。
在具体实施时，步骤S23中根据所述目标区域内各个测量点的点位状态，确定各个测量点的多维特征的步骤，具体可以包括以下步骤：
步骤S231，根据各个测量点在相邻两个时间窗口内的状态，确定各个测量点的波动性特征；
步骤S232，根据各个测量点在第一个时间窗口内的状态与在最后一个时间窗口内的状态的比较结果，确定各个测量点的变化趋势特征；
步骤S233，根据从各个测量点在最后N个时间窗口内的状态中随机获取的K个状态，确定各个测量点的近期异常特征，其中，N和K为正整数。
可以理解，步骤S231、步骤S232和步骤S233分别对应波动性特征工程、变化趋势特征工程和近期异常特征工程。下面针对每个特征工程进行进一步说明。
(1)波动性特征工程
步骤S2311，根据各个测量点在相邻两个时间窗口内的状态，确定各个测量点在相邻两个时间窗口内的状态变化值。
步骤S2312，将确定的各个测量点的所有状态变化值进行求和，得到各个测量点的波动性特征值。
步骤S2313，判断每个测量点的波动性特征值是否大于第一设定值。若是，则确定该测量点为第一波动点；若否，则确定该测量点为第二波动点。
在步骤S2311中，状态变化值具体可以通过以下方式确定：将各个测量点在将相邻的两个时间窗口内的状态值进行差值运算，然后对差值进行绝对值运算的得到绝对值，该绝对值可以理解为各个测量点在相邻两个时间窗口内的状态变化值。
在步骤S2312中，将各个测量点对应的多个绝对值求和可以得到各个测量点的波动性特征值。
以21个时间窗口为例，可以确定出各个测量点的绝对值的数量为20个，将20个绝对值进行求和可以得到各个测量点的波动性特征值。进一步地，在步骤S2313中，第一设定值可以为2，也可以根据实际情况进行调整，在此不作限定。
在步骤S2313中，可以将波动性特征值大于第一设定值的测量点确定为第一波动点(强波动点)并赋值“1”，将波动性特征值小于等于第一设定值的测量点确定为第二波动点(弱波动点)并赋值“0”，然后将赋值为“1”的第一波动点在图3中标出。在图3中，wave用于表征该图是各个测量点的波动性特征分布图。
(2)变化趋势特征工程
步骤S2321，若测量点在第一个时间窗口内的状态为第一状态且在最后一个时间窗口内的状态为第二状态，确定该测量点的变化趋势特征为正常趋势。在本实施例中，正常趋势用于表征该测量点从异常点变为正常点，可以为该测量点赋值“-1”。
步骤S2322，若测量点在第一个时间窗口内的状态为第二状态且在最后一个时间窗口内的状态为第一状态，确定该测量点的变化趋势特征为异常趋势。在本实施例中，异常趋势用于表征该测量点从正常点变为异常点，可以为该测量点赋值“1”。
步骤S2323，若测量点在第一个时间窗口内的状态与在最后一个时间窗口内的状态相同，确定该测量点的变化趋势特征为稳定趋势。在本实施例中，稳定趋势用于表征该测量点的状态没有发生变化，可以为该测量点赋值“0”。
请结合参阅图4，可以将各个测量点以不同的点格式在图4中标出。例如，稳定趋势的测量点“0”可以用小圆点表示，正常趋势的测量点“-1”可以用三角形点表示，异常趋势的测量点可以用大圆点表示。在图4中，trend用于表征该图是各个测量点的变化趋势特征分布图。
(3)近期异常特征工程
步骤S2331，判断K个状态中的第二状态的数量是否达到第二设定值。若是，则确定该测量点为近期异常点；若否，则确定该测量点为近期正常点。
可以理解，N和K可以根据实际情况进行选取，在本实施例中，N可以为5，K可以为3。例如，对于某个测量点P而言，从最后5个时间窗口对应的异常点分布图中随机抽取3张异常点分布图，然后确定测量点P在这3张异常点分布图中的状态值为“1”的数量。若数量达到第二设定值，则确定测量点P为近期异常点并赋值“1”，否则，确定测量点P为近期正常点并赋值“0”。
在本实施例中，第二设定值可以为2，也可以根据实际情况进行调整，在此不作限定。请结合参阅图5，可以在近期异常点的分布示意图中标记出赋值为“1”的测量点。在图5中，last5_3用于表征该图中标出的测量点为近期异常点。
可以理解，通过步骤S231-步骤S233，能够根据各个测量点的位移数据建立多维特征工程，并确定出各个测量点在不同特征工程下的赋值，进而为后续建立特征数据集提供全面的数据基础。
在步骤S21-步骤S23的基础上，在步骤S24中，根据目标区域内各个测量点的多维特征和点位状态，以及获取到的各个测量点的形变速率，得到特征数据集，具体可以包括以下内容。
步骤S241，根据目标区域内的各个测量点的点位状态、波动性特征、变化趋势特征、近期异常特征以及形变速率，得到特征数据集。
在本实施例中，特征数据集可以包括各个测量点的特征向量，例如，特征向量的维度可以为五维。在具体实施时，也可以加入其它维度的特征，在此不作限定。
在步骤S24中，可以对特征数据集进行K-Means聚类，在进行聚类时，每一次迭代时所得到的聚类类别数是不同的，在本实施例中，当聚类类别数达到3时，可以确定出3类聚类结果：
在第3类聚类结果中，测量点P3存在由正常点变化为异常点的特征并且测量点P3的形变速率为负值(-25.562969)，表明第3类测量点有沉降趋势。
在第2类聚类结果中，测量点P2存在由异常点变化为正常点的特征并且测量点P2的形变速率为正值(9.096707)，表明第2类测量点由异常逐渐变为正常，且部分高程有升高趋势。
在第1类聚类结果中，测量点P1的形变速率介于第2类、第3类之间，为相对稳定的测点集合。
在上述基础上，可以确定出目标测量点集为第3类聚类结果对应的测量点集。请结合参阅图6，为本发明实施例所提供的测量点的K-Means聚类结果示意图。由图6可见，第3类聚类结果对应的测量点集分布于两片区域。
在步骤S25中，可以对第3类聚类结果对应的测量点集进行筛选，进而确定出至少一个子目标区域。请结合参阅图7，确定出的子目标区域可以为两个。其中一个子目标区域是LOC1，为图7中的圆点形成的子区域，另一个子区域是LOC2，为图7中的三角形点形成的子区域。
在步骤S25的基础上，可以通过步骤S26分别对LOC1区域和LOC2区域中的所有测量点的累计位移曲线的斜率进行DBSCAN密度聚类，得到密度聚类图。请结合参阅图8和图9，图8为LOC1区域的密度聚类图，图9为LOC2区域的密度聚类图。
在图8中，赋值为“1”的测量点(由正常点变化为异常点)的累计位移曲线具有相同的趋势并相对集中，且其他点具有更强的沉降或者升高趋势。而图9中的测量点的累计位移曲线相对分散，赋值为“0”的测量点(点位状态稳定的点)所占比重较多，且沉降趋势偏弱，无升高趋势点。
在步骤S26的基础上，在步骤S27中，地质灾害发生情况可以用于表征子目标区域是否出现过地质灾害(例如滑坡)。进一步地，可以根据每个子目标区域的地质灾害发生情况和密度聚类图得到第一地质灾害预测模型。
例如，对于LOC1区域而言，该区域发生过地质灾害(发生过滑坡)，为滑坡区域，则可以确定出LOC1区域的密度聚类图是发生地质灾害的区域所对应的密度聚类图。又例如，对于LOC2区域而言，该区域没有发生过地质灾害，则可以确定出LOC1区域的密度聚类图是没有发生地质灾害的区域所对应的密度聚类图。
可以理解，通过上述内容，可以确定出用于进行地质灾害预测的第一地质灾害预测模型。
在步骤S21-步骤S27的基础上，可以通过步骤S28对监测区域进行地质灾害预测。可选地，可以将监测区域内的各个测量点在多个连续时间窗口内的位移数据输入第一地质灾害预测模型，并执行与步骤S21-步骤S26类似的内容，得到监测区域的待识别密度聚类图。然后判断待识别密度聚类图与第一地质灾害预测模型中预存的密度聚类图是否相似，若相似，则根据预存的密度聚类图对应的地质灾害发生结果得到监测区域的地质灾害预测结果。
例如，若采用第一地质灾害预测模型确定出待识别密度聚类图与图8中的密度聚类图类似，则预测出监测区域可能会发生地质灾害。又例如，若采用第一地质灾害预测模型确定出待识别密度聚类图与图9中的密度聚类图类似，则预测出监测区域可能不会发生地质灾害。
可以理解，通过步骤S21-步骤S28，由于子目标区域的地质灾害发生情况是真实存在的。如此，能够根据子目标区域的实际地质灾害发生情况对子目标区域的密度聚类图进行验证，从而实现对第一地质灾害预测模型的验证，确保第一地质灾害预测模型的精确性、真实性和可靠性，进而确保采用第一地质灾害预测模型对监测区域进行地质灾害预测的精确性、真实性和可靠性。
在具体实施时，为了进一步确保对监测区域进行地质灾害预测的准确性，可以对监测区域的自然环境系数进行分析，为此，在步骤S25的基础上，请结合参阅图10，该方法还可以包括以下内容。
步骤S31，确定至少一个子目标区域中的测量点的第一数量。
步骤S32，将每个时间窗口内的所有异常点的数量进行求和得到第二数量。
步骤S33，获取至少一个子目标区域在多个连续时间窗口内的日均流量值、日均雨量值以及平均水位值。
步骤S34，采用皮尔森相关性分析方法对第一数量与第二数量、所述日均流量值、日均雨量值以及平均水位值进行相关性分析，得到皮尔森相关性系数图。
步骤S35，根据地质灾害发生情况和皮尔森相关性系数图，得到第二地质灾害预测模型。
步骤S36，将监测区域内的各个测量点在多个连续时间窗口内的位移数据以及监测区域的日均流量值、日均雨量值以及平均水位值输入第二地质灾害预测模型，得到监测区域的地质灾害预测结果。
在本实施例中，以LOC1区域为例对步骤S31-步骤S35进行说明，将LOC1区域的异常点个数(第一数量)、目标区域在每个时间窗口内的所有异常点的数量的总数(第二数量)、LOC1区域的日均流量值、日均雨量值以及平均水位值输入皮尔森相关性分析模型，得到图11所示的皮尔森相关性系数图。
图11所示的皮尔森相关性系数图用于表征LOC1区域的异常点个数与目标区域在每个时间窗口内的所有异常点的数量的总数(第二数量)、LOC1区域的日均流量值、日均雨量值以及平均水位值的相关性分析。图11中阴影部分可以表示负相关，方框中的具体数值可以用于表示负相关的程度。
请继续参阅图11，图11中的日均流量值、日均雨量值、平均水位值与第二数量呈正相关。进一步地，从实测的数据中可以得出由于从夏季进入冬季，在流量、降雨减少且水位降低情况下，第二数量呈现降低趋势，反映了外界因素对边坡影响的普遍规律。
请继续参阅图11，第一数量与日均流量值、日均雨量值、平均水位值以及第二数量呈现负相关，潜在地质灾害区域(滑坡区域)的异常点个数(第一数量)在流量、降雨减少且水位降低情况下反而增加，LOC1区域的异常点占比增加，不符合普遍情况，因此可以判定LOC1区域为滑坡区域。进一步地，根据LOC1区域的地质灾害发生情况和皮尔森相关性系数图可以得到第二地质灾害预测模型。
进一步地，在步骤S36中将监测区域内的各个测量点在多个连续时间窗口内的位移数据以及监测区域的日均流量值、日均雨量值以及平均水位值输入第二地质灾害预测模型，并执行与步骤S21-步骤S25以及与步骤S31-步骤S34类似的内容，得到监测区域的待识别相关性系数图。
进一步地，判断待识别相关性系数图与第二地质灾害预测模型中预存的皮尔森相关性系数图是否相似，若相似，则根据预存的皮尔森相关性系数图对应的地质灾害发生结果得到监测区域的地质灾害预测结果。
例如，若待识别相关性系数图与图11中的皮尔森相关性系数图相似，则可以预测出监测区域可能会发生地质灾害。如此，能够根据测量点的位移数据确定出子目标区域，然后采用皮尔森相关性分析方法对子目标区域的自然环境参数以及异常点进行关联性分析，从而建立多元数据关联分析模型，进一步挖掘和完善地质灾害(滑坡)形成规律。
可以理解，在具体实施时，可以同时采用第一地质灾害预测模型和第二地质灾害预测模型对同一个监测区域进行地质灾害预测。如此，采用不同的地质灾害预测模型对同一个监测区域进行地质灾害预测，可以根据不同的预测结果进一步确定监测区域是否会发生地质灾害，进而确保预测的精确性。
在上述基础上，图12示出了本发明实施例所提供的电子设备200的模块框图，该电子设备200可以包括以下模块。
位移数据获取模块201，用于获取预设的目标区域内的各个测量点在多个连续时间窗口内的位移数据。
点位状态确定模块202，用于根据所述位移数据确定所述目标区域内各个测量点的点位状态。
多维特征确定模块203，用于根据所述目标区域内各个测量点的点位状态，确定各个测量点的多维特征，所述多维特征包括波动性特征、变化趋势特征和近期异常特征。
K均值聚类模块204，用于根据所述目标区域内各个测量点的多维特征和点位状态，以及获取到的各个测量点的形变速率，得到特征数据集；对所述特征数据集进行聚类，得到聚类结果，并根据所述聚类结果确定目标测量点集。
区域确定模块205，用于根据所述目标测量点集从所述目标区域中确定至少一个子目标区域。
密度聚类模块206，用于对至少一个子目标区域中的所有测量点的累计位移曲线的斜率进行密度聚类，得到密度聚类图。
第一模型建立模块207，用于获取至少一个子目标区域的地质灾害发生情况，根据所述地质灾害发生情况和所述密度聚类图，得到第一地质灾害预测模型。
第一预测模块208，用于将监测区域内的各个测量点在多个连续时间窗口内的位移数据输入所述第一地质灾害预测模型，得到所述监测区域的地质灾害预测结果。
请结合参阅图13，在一种可替换的实施方式中，该电子设备200还可以包括以下模块。
第一数量确定模块301，用于确定至少一个子目标区域中的测量点的第一数量。
第二数量确定模块302，用于将每个时间窗口内的所有异常点的数量进行求和得到第二数量。
环境数据获取模块303，用于获取至少一个子目标区域在所述多个连续时间窗口内的日均流量值、日均雨量值以及平均水位值。
相关性分析模块304，用于采用皮尔森相关性分析方法对所述第一数量与所述第二数量、所述日均流量值、所述日均雨量值以及所述平均水位值进行相关性分析，得到皮尔森相关性系数图。
第二模型建立模块305，用于根据所述地质灾害发生情况和所述皮尔森相关性系数图，得到第二地质灾害预测模型。
第二预测模块306，用于将监测区域内的各个测量点在多个连续时间窗口内的位移数据以及所述监测区域的日均流量值、日均雨量值以及平均水位值输入所述第二地质灾害预测模型，得到所述监测区域的地质灾害预测结果。
在上述基础上，本发明实施例还提供了一种电子设备，包括处理器和存储器，上述功能模块均可以作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。可选地，处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数确保第一地质灾害预测模型和第二地质灾害预测模型的精确性、真实性和可靠性，进而确保采用第一地质灾害预测模型和第二地质灾害预测模型对监测区域进行地质灾害预测的精确性、真实性和可靠性。
在上述基础上，本发明实施例还提供了一种可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的地质灾害预测方法。
在上述基础上，本发明实施例提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述的地质灾害预测方法。
可选地，电子设备200包括总线、至少一个处理器以及与处理器连接的至少一个存储器。其中，处理器、存储器通过总线完成相互间的通信。处理器用于调用存储器中的程序指令，以执行上述的地质灾害预测方法。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
综上，在上述方案中，子目标区域的地质灾害发生情况是真实存在的，如此，能够根据子目标区域的实际地质灾害发生情况对子目标区域的密度聚类图进行验证，从而实现对第一地质灾害预测模型的验证，确保第一地质灾害预测模型的精确性、真实性和可靠性，进而确保采用第一地质灾害预测模型对监测区域进行地质灾害预测的精确性、真实性和可靠性。此外，采用皮尔森相关性分析方法对子目标区域的自然环境参数以及异常点进行关联性分析，从而建立多元数据关联分析模型，进一步挖掘和完善地质灾害(滑坡)形成规律。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种地质灾害预测方法，其特征在于，包括：
获取预设的目标区域内的各个测量点在多个连续时间窗口内的位移数据；
根据所述位移数据确定所述目标区域内各个测量点的点位状态；
根据所述目标区域内各个测量点的点位状态，确定各个测量点的多维特征，所述多维特征包括波动性特征、变化趋势特征和近期异常特征；
根据所述目标区域内各个测量点的多维特征和点位状态，以及获取到的各个测量点的形变速率，得到特征数据集；对所述特征数据集进行聚类，得到聚类结果，并根据所述聚类结果确定目标测量点集；
根据所述目标测量点集从所述目标区域中确定至少一个子目标区域；
对至少一个子目标区域中的所有测量点的累计位移曲线的斜率进行密度聚类，得到密度聚类图；
获取至少一个子目标区域的地质灾害发生情况，根据所述地质灾害发生情况和所述密度聚类图，得到第一地质灾害预测模型；
将监测区域内的各个测量点在多个连续时间窗口内的位移数据输入所述第一地质灾害预测模型，得到所述监测区域的地质灾害预测结果。
2.根据权利要求1所述的地质灾害预测方法，其特征在于，所述点位状态包括表征测量点为异常点的第一状态以及表征测量点为正常点的第二状态，所述根据所述位移数据确定所述目标区域内各个测量点的点位状态的步骤，包括：
根据每个时间窗口内各个测量点的位移数据确定每个时间窗口内的分位数；
根据所述分位数确定每个时间窗口内的基准位移数据；
判断每个时间窗口内的每个测量点的位移数据是否小于所述基准位移数据；
若是，则确定该测量点的状态为所述第一状态；
若否，则确定该测量点的状态为所述第二状态。
3.根据权利要求2所述的地质灾害预测方法，其特征在于，所述根据所述目标区域内各个测量点的点位状态，确定各个测量点的多维特征的步骤，包括：
根据各个测量点在相邻两个时间窗口内的状态，确定各个测量点的波动性特征；
根据各个测量点在第一个时间窗口内的状态与在最后一个时间窗口内的状态的比较结果，确定各个测量点的变化趋势特征；
根据从各个测量点在最后N个时间窗口内的状态中随机获取的K个状态，确定各个测量点的近期异常特征；其中，N和K为正整数。
4.根据权利要求3所述的地质灾害预测方法，其特征在于，所述根据各个测量点在相邻两个时间窗口内的状态，确定各个测量点的波动性特征的步骤，包括：
根据各个测量点在相邻两个时间窗口内的状态，确定各个测量点在相邻两个时间窗口内的状态变化值；
将确定的各个测量点的所有状态变化值进行求和，得到各个测量点的波动性特征值；
判断每个测量点的波动性特征值是否大于第一设定值；
若是，则确定该测量点为第一波动点；
若否，则确定该测量点为第二波动点。
5.根据权利要求3所述的地质灾害预测方法，其特征在于，所述根据各个测量点在第一个时间窗口内的状态与在最后一个时间窗口内的状态的比较结果，确定各个测量点的变化趋势特征的步骤，包括：
若测量点在第一个时间窗口内的状态为所述第一状态且在最后一个时间窗口内的状态为所述第二状态，确定该测量点的变化趋势特征为正常趋势；
若测量点在第一个时间窗口内的状态为所述第二状态且在最后一个时间窗口内的状态为所述第一状态，确定该测量点的变化趋势特征为异常趋势；
若测量点在第一个时间窗口内的状态与在最后一个时间窗口内的状态相同，确定该测量点的变化趋势特征为稳定趋势。
6.根据权利要求3所述的地质灾害预测方法，其特征在于，所述根据从各个测量点在最后N个时间窗口内的状态中随机获取的K个状态，确定各个测量点的近期异常特征的步骤，包括：
判断K个状态中的第二状态的数量是否达到第二设定值；
若是，则确定该测量点为近期异常点；
若否，则确定该测量点为近期正常点。
7.根据权利要求2所述的方法，其特征在于，在根据所述目标测量点集从所述目标区域中确定至少一个子目标区域的步骤之后，所述方法还包括：
确定至少一个子目标区域中的测量点的第一数量；
将每个时间窗口内的所有异常点的数量进行求和得到第二数量；
获取至少一个子目标区域在所述多个连续时间窗口内的日均流量值、日均雨量值以及平均水位值；
采用皮尔森相关性分析方法对所述第一数量与所述第二数量、所述日均流量值、所述日均雨量值以及所述平均水位值进行相关性分析，得到皮尔森相关性系数图；
根据所述地质灾害发生情况和所述皮尔森相关性系数图，得到第二地质灾害预测模型；
将监测区域内的各个测量点在多个连续时间窗口内的位移数据以及所述监测区域的日均流量值、日均雨量值以及平均水位值输入所述第二地质灾害预测模型，得到所述监测区域的地质灾害预测结果。
8.一种电子设备，其特征在于，包括：
位移数据获取模块，用于获取预设的目标区域内的各个测量点在多个连续时间窗口内的位移数据；
点位状态确定模块，用于根据所述位移数据确定所述目标区域内各个测量点的点位状态；
多维特征确定模块，用于根据所述目标区域内各个测量点的点位状态，确定各个测量点的多维特征，所述多维特征包括波动性特征、变化趋势特征和近期异常特征；
K均值聚类模块，用于根据所述目标区域内各个测量点的多维特征和点位状态，以及获取到的各个测量点的形变速率，得到特征数据集；对所述特征数据集进行聚类，得到聚类结果，并根据所述聚类结果确定目标测量点集；
区域确定模块，用于根据所述目标测量点集从所述目标区域中确定至少一个子目标区域；
密度聚类模块，用于对至少一个子目标区域中的所有测量点的累计位移曲线的斜率进行密度聚类，得到密度聚类图；
第一模型建立模块，用于获取至少一个子目标区域的地质灾害发生情况，根据所述地质灾害发生情况和所述密度聚类图，得到第一地质灾害预测模型；
第一预测模块，用于将监测区域内的各个测量点在多个连续时间窗口内的位移数据输入所述第一地质灾害预测模型，得到所述监测区域的地质灾害预测结果。
9.根据权利要求8所述的电子设备，其特征在于，所述电子设备还包括：
第一数量确定模块，用于确定至少一个子目标区域中的测量点的第一数量；
第二数量确定模块，用于将每个时间窗口内的所有异常点的数量进行求和得到第二数量；
环境数据获取模块，用于获取至少一个子目标区域在所述多个连续时间窗口内的日均流量值、日均雨量值以及平均水位值；
相关性分析模块，用于采用皮尔森相关性分析方法对所述第一数量与所述第二数量、所述日均流量值、所述日均雨量值以及所述平均水位值进行相关性分析，得到皮尔森相关性系数图；
第二模型建立模块，用于根据所述地质灾害发生情况和所述皮尔森相关性系数图，得到第二地质灾害预测模型；
第二预测模块，用于将监测区域内的各个测量点在多个连续时间窗口内的位移数据以及所述监测区域的日均流量值、日均雨量值以及平均水位值输入所述第二地质灾害预测模型，得到所述监测区域的地质灾害预测结果。
10.一种电子设备，其特征在于，包括处理器以及与所述处理器连接的存储器和总线；其中，所述处理器和所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行上述权利要求1-7任一项所述的地质灾害预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010141698.4A CN111369056B (zh) | 2020-03-04 | 2020-03-04 | 地质灾害预测方法及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010141698.4A CN111369056B (zh) | 2020-03-04 | 2020-03-04 | 地质灾害预测方法及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111369056A true CN111369056A (zh) | 2020-07-03 |
| CN111369056B CN111369056B (zh) | 2023-04-25 |
Family
ID=71211765
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010141698.4A Active CN111369056B (zh) | 2020-03-04 | 2020-03-04 | 地质灾害预测方法及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111369056B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111881566A (zh) * | 2020-07-21 | 2020-11-03 | 成都雨航创科科技有限公司 | 基于实景仿真的滑坡位移检测方法及装置 |
| CN112632203A (zh) * | 2020-12-21 | 2021-04-09 | 武汉达梦数据技术有限公司 | 一种地质灾害监测点寻找方法和装置 |
| CN113281742A (zh) * | 2021-06-02 | 2021-08-20 | 西南交通大学 | 一种基于滑坡形变信息和气象数据的sar滑坡预警方法 |
| CN118332504A (zh) * | 2024-06-12 | 2024-07-12 | 江西省地质局地理信息工程大队 | 一种用于地质滑坡的地质监测方法及系统 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108711264A (zh) * | 2018-05-16 | 2018-10-26 | 深圳市城市公共安全技术研究院有限公司 | 基于大数据的地质灾害监测方法及监测系统 |
| CN109003422A (zh) * | 2018-08-02 | 2018-12-14 | 北京大学深圳研究生院 | 用于山体滑坡的监测数据处理方法和山体滑坡预报方法 |
| CN109726737A (zh) * | 2018-11-27 | 2019-05-07 | 武汉极意网络科技有限公司 | 基于轨迹的异常行为检测方法及装置 |
| CN110009002A (zh) * | 2019-03-13 | 2019-07-12 | 河海大学 | 基于多维降雨特征空间最优决策的山洪快速预警预报方法 |
| CN110633858A (zh) * | 2019-09-18 | 2019-12-31 | 国网湖南省电力有限公司 | 一种用于输电线路的暴雨地质灾害的聚类预警方法及系统 |
| CN110796310A (zh) * | 2019-10-30 | 2020-02-14 | 黄淮学院 | 一种区域性地质灾害的易发性预测方法和系统 |
| CN111582386A (zh) * | 2020-05-11 | 2020-08-25 | 四川师范大学 | 一种基于随机森林的地质灾害多灾种综合风险评价方法 |
-
2020
- 2020-03-04 CN CN202010141698.4A patent/CN111369056B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108711264A (zh) * | 2018-05-16 | 2018-10-26 | 深圳市城市公共安全技术研究院有限公司 | 基于大数据的地质灾害监测方法及监测系统 |
| CN109003422A (zh) * | 2018-08-02 | 2018-12-14 | 北京大学深圳研究生院 | 用于山体滑坡的监测数据处理方法和山体滑坡预报方法 |
| CN109726737A (zh) * | 2018-11-27 | 2019-05-07 | 武汉极意网络科技有限公司 | 基于轨迹的异常行为检测方法及装置 |
| CN110009002A (zh) * | 2019-03-13 | 2019-07-12 | 河海大学 | 基于多维降雨特征空间最优决策的山洪快速预警预报方法 |
| CN110633858A (zh) * | 2019-09-18 | 2019-12-31 | 国网湖南省电力有限公司 | 一种用于输电线路的暴雨地质灾害的聚类预警方法及系统 |
| CN110796310A (zh) * | 2019-10-30 | 2020-02-14 | 黄淮学院 | 一种区域性地质灾害的易发性预测方法和系统 |
| CN111582386A (zh) * | 2020-05-11 | 2020-08-25 | 四川师范大学 | 一种基于随机森林的地质灾害多灾种综合风险评价方法 |
Non-Patent Citations (1)
| Title |
|---|
| 董元: "大数据环境下的地质灾害易发性评价研究", 《中国优秀博士学位论文全文数据库（电子期刊）基础科学辑》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111881566A (zh) * | 2020-07-21 | 2020-11-03 | 成都雨航创科科技有限公司 | 基于实景仿真的滑坡位移检测方法及装置 |
| CN111881566B (zh) * | 2020-07-21 | 2023-10-27 | 成都雨航创科科技有限公司 | 基于实景仿真的滑坡位移检测方法及装置 |
| CN112632203A (zh) * | 2020-12-21 | 2021-04-09 | 武汉达梦数据技术有限公司 | 一种地质灾害监测点寻找方法和装置 |
| CN112632203B (zh) * | 2020-12-21 | 2021-12-14 | 武汉达梦数据技术有限公司 | 一种地质灾害监测点寻找方法和装置 |
| CN113281742A (zh) * | 2021-06-02 | 2021-08-20 | 西南交通大学 | 一种基于滑坡形变信息和气象数据的sar滑坡预警方法 |
| CN118332504A (zh) * | 2024-06-12 | 2024-07-12 | 江西省地质局地理信息工程大队 | 一种用于地质滑坡的地质监测方法及系统 |
| CN118332504B (zh) * | 2024-06-12 | 2024-08-16 | 江西省地质局地理信息工程大队 | 一种用于地质滑坡的地质监测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111369056B (zh) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111369056B (zh) | 地质灾害预测方法及电子设备 | |
| Faulkner et al. | Can we still predict the future from the past? Implementing non‐stationary flood frequency analysis in the UK | |
| Sarmadi et al. | Bridge health monitoring in environmental variability by new clustering and threshold estimation methods | |
| US7107187B1 (en) | Method for modeling system performance | |
| CN108549908B (zh) | 基于多采样概率核主成分模型的化工过程故障检测方法 | |
| DE112021002699T5 (de) | Vorhersage von leistungsverschlechterung mit nicht linearen merkmalen | |
| CN112819207A (zh) | 基于相似性度量的地质灾害空间预测方法、系统及存储介质 | |
| US11676375B2 (en) | System and process for integrative computational soil mapping | |
| CN111104736B (zh) | 基于时间序列的异常数据检测方法、装置、介质和设备 | |
| Yi et al. | Transfer function-noise modelling of irregularly observed groundwater heads using precipitation data | |
| US20160275044A1 (en) | Estimation of Hidden Variance Distribution Parameters | |
| CN111080009A (zh) | 基于时间序列的数据预测及补全方法、装置、介质和设备 | |
| CN114118576A (zh) | 一种区域地质灾害趋势预测方法及系统 | |
| CN111827982A (zh) | 钻井溢流漏失工况预测方法及装置 | |
| CN115081641A (zh) | 模型训练方法、评估结果的预测方法、设备及存储介质 | |
| CN111539904A (zh) | 一种基于降雨量的灾害易发性预测方法 | |
| Resio et al. | The effects of natural structure on estimated tropical cyclone surge extremes | |
| Zounemat-Kermani | Investigating chaos and nonlinear forecasting in short term and mid-term river discharge | |
| Segura et al. | Expected seismic performance of gravity dams using machine learning techniques | |
| van Os et al. | Guidelines for metocean data analysis | |
| CN116539994A (zh) | 基于多源时间序列数据的变电站主设备运行状态检测方法 | |
| Tian et al. | Statistical modeling and dependence analysis for tide level via multivariate extreme value distribution method | |
| CN112561171B (zh) | 一种滑坡的预测方法、装置、设备及存储介质 | |
| CN112529315B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
| CN113127959A (zh) | 一种建筑模型数据处理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| CB02 | Change of applicant information |
Address after: No.7 Tianyun Road, high tech Zone, Chengdu, Sichuan 610000 Applicant after: Guoneng Daduhe Big Data Service Co.,Ltd. Address before: 614000 No.99 Gongdian Avenue, Shawan District, Leshan City, Sichuan Province Applicant before: Sichuan Dahui Big Data Service Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |