CN111784044A - 一种滑坡的预测方法、装置、设备和存储介质 - Google Patents

一种滑坡的预测方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN111784044A
CN111784044A CN202010607600.XA CN202010607600A CN111784044A CN 111784044 A CN111784044 A CN 111784044A CN 202010607600 A CN202010607600 A CN 202010607600A CN 111784044 A CN111784044 A CN 111784044A
Authority
CN
China
Prior art keywords
landslide
grid
prediction
day
preset model
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.)
Pending
Application number
CN202010607600.XA
Other languages
English (en)
Inventor
郑增荣
宋杰
张亮
胡辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hangzhou Ruhr Technology Co Ltd
Original Assignee
Hangzhou Ruhr Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hangzhou Ruhr Technology Co Ltd filed Critical Hangzhou Ruhr Technology Co Ltd
Priority to CN202010607600.XA priority Critical patent/CN111784044A/zh
Publication of CN111784044A publication Critical patent/CN111784044A/zh
Pending legal-status Critical Current

Links

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
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Optimization (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Biomedical Technology (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Educational Administration (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)

Abstract

本发明实施例公开了一种滑坡的预测方法、装置、设备和存储介质，该滑坡的预测方法包括：获取目标区域的各个栅格的设定时间段内每天的滑坡预测数据；基于第一预设模型，根据所述滑坡预测数据确定每天滑坡的发生概率；判断当前天滑坡的发生概率是否大于预设概率阈值；若是，则基于第二预设模型，根据当前天的各个栅格的滑坡预测数据预测各个栅格滑坡的发生概率。本发明实施例的技术方案，实现了根据每天的各个栅格的滑坡数据进行滑坡预测，提高了预测精度；同时基于两种模型进行分阶段滑坡预测，提高了预测效率。

Description

一种滑坡的预测方法、装置、设备和存储介质
技术领域
本发明实施例涉及滑坡监测技术领域，尤其涉及一种滑坡的预测方法、装置、设备和存储介质。
背景技术
山体滑坡是最常见的灾难性自然灾害之一，其具有分布范围广、发生频次高、多发性、区域性和严重性等特点，因滑坡每年会造成大量的人员伤亡和重大的环境和基础设施损失。对滑坡的易发性进行评估具有重要意义。
现有的滑坡易发性预测根据其所依据的理论基础的差异，可以分为确定性方法和非确定性方法。确定性方法主要是基于专家经验和知识的定向分析和基于滑坡过程或者物理学模型的进行分析的方法，预测准确度较差。近年来随着计算机技术和3S技术的高速发展，非确定性方法得到了广泛的应用，主要包括模糊逻辑法、层次分析法、决策树等。但是上述方法所处理的滑坡因子的时间精度较差，尤其是降雨量因子，通常仅考虑一年的降雨量，因此预测精度也不太理想，同时，由于滑坡的影响因子众多，仅采用一种非确定方法进行预测的预测效率较差。
发明内容
本发明提供了一种滑坡的预测方法、装置、设备和存储介质，实现了根据每天的各个栅格的滑坡数据进行滑坡预测，提高了预测精度，同时基于两种模型进行分阶段滑坡预测，提高了预测效率。
第一方面，本发明实施例提供了一种滑坡的预测方法，该滑坡的预测方法包括：
获取目标区域的各个栅格的设定时间段内每天的滑坡预测数据；
基于第一预设模型，根据所述滑坡预测数据确定每天滑坡的发生概率；
判断当前天滑坡的发生概率是否大于预设概率阈值；
若是，则基于第二预设模型，根据当前天的各个栅格的滑坡预测数据预测各个栅格滑坡的发生概率。
第二方面，本发明实施例还提供了一种滑坡的预测装置，该滑坡的预测装置包括：
预测数据获取模块，用于获取目标区域的各个栅格的设定时间段内每天的滑坡预测数据；
第一滑坡预测模块，用于基于第一预设模型，根据所述滑坡预测数据确定每天滑坡的发生概率；
概率阈值判断模块，用于判断当前天滑坡的发生概率是否大于预设概率阈值；
第二滑坡预测模块，用于若当前天滑坡的发生概率大于所述预设概率阈值，则基于第二预设模型，根据当前天的各个栅格的滑坡预测数据预测各个栅格滑坡的发生概率。
第三方面，本发明实施例还提供了一种滑坡的预测设备，该设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例提供的滑坡的预测方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行本发明任意实施例提供的滑坡的预测方法。
本发明实施例的技术方案，通过获取目标区域的各个栅格的每天的滑坡预测数据进行滑坡预测，提高了数据的精度，尤其是对于滑坡中的动态因子，以天为单位进行预测，充分考虑了动态因子的时序信息，提高了预测精度；通过设置两个预设模型，分两阶段进行滑坡预测，第一阶段预测当前天发生滑坡的概率是否大于设定值，若是，则进行第二阶段滑坡预测，以当前天的数据为基准进行具体栅格的滑坡发生概率，大幅度降低了计算资源的浪费，提高了滑坡预测的效率。
附图说明
图1是本发明实施例一中的一种滑坡的预测方法的流程图；
图2是本发明实施例二中的一种滑坡的预测方法的流程图；
图3是本发明实施例三中的一种滑坡的预测装置的结构示意图；
图4是本发明实施例四中的一种滑坡的预测设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种滑坡的预测方法的流程图，本实施例可适用于对滑坡易发性进行评估的情况，该方法可以由滑坡的预测装置来执行，如图1所示，该方法包括如下步骤：
步骤110、获取目标区域的各个栅格的设定时间段内每天的滑坡预测数据。
其中，目标区域通常是发生过滑坡的区域，也可以是指定的任意一个区域。栅格数据就是将空间分割成有规律的网格，每一个网格成为一个栅格或单元，并在各个单元上赋予相应的属性值来表示实体的一种数据形式。上述滑坡预测数据即为栅格数据。滑坡预测数据主要包括滑坡的各个滑坡影响因子，如高程因子和环境因子。设定时间段可以是一天、三天、一周、一个月或者其他时间段。栅格大小可以是50×50m、30×30m或者其他大小，具体的可以根据目标区域的尺寸确定栅格的尺寸。
具体的，滑坡影响因子数据主要为高程相关因子与环境相关因子。高程相关因子包括：高程、坡度、坡向、平面曲率，剖面曲率等。环境相关因子包括：与断层距离、与河流距离、与道路距离、岩性、土壤湿度、降雨量、土地利用情况、植被覆盖率等。
具体的，可以在目标区域设置多个监测点，以实时获取各个监测点的滑坡预测数据。进一步结合预设部门收集的数据，形成该目标区域的各个栅格的设定时间段内每天的滑坡预测数据。
可选的，所述滑坡预测数据包括动态因子和静态因子，其中，所述动态因子包括降雨量和土壤湿度中的至少一项，所述静态因子包括高程、坡度、坡向、平面曲率、剖面曲率、地形湿度指数、水流强度指数、沉积运输指数、地形粗糙度指数、与断层距离、与河流距离、与道路距离、岩性、土地利用、植被覆盖率中的至少一项。
其中，地形湿度指数(Topographic Wetness Index，TWI)、水流强度指数(StreamPower Index，SPI)、沉积运输指数(SedimentTransport Index，STI)和地形粗糙度指数(Topographic Wetness Index，TRI)是从高程中获取的衍生因子，具体计算公式如下：
Figure BDA0002559726880000051
SPI＝As×tanβ
Figure BDA0002559726880000052
Figure BDA0002559726880000053
其中，As为目标区域单位长度等高线上地表水经过的上游区域面积，其单位为m2/m；β为坡度；DTMmax、DTMmin分别为目标区域的数字地面模型(Digital Terrain Model，DTM)中九个矩形窗口的窗宽中的最大值和最小值。
可选的，在获取目标区域的各个栅格的设定时间段内每天的滑坡预测数据之后，还包括：
对所述滑坡预测数据进行预处理，其中，所述预处理包括坐标统一处理和栅格统一处理中的至少一项。
由于滑坡预测数据的来源不同，会导致各个滑坡预测数据的坐标或者栅格大小不统一，因此，在获取滑坡预测数据之后，需要对滑坡预测数据进行坐标统一处理和栅格统一处理。当然，也可以根据滑坡预测数据的具体情况进行其他数据预处理，如数据校正、异常值去除、非栅格数据栅格化等。
具体的，坐标统一处理主要用于将滑坡预测数据的坐标系进行统一化，如以西安80坐标系作为滑坡预测数据的坐标系，当然也可以采用其他坐标系作为滑坡预测数据的坐标系。
步骤120、基于第一预设模型，根据所述滑坡预测数据确定每天滑坡的发生概率。
其中，第一预设模型可以是神经网络模型，或者其他学习算法。示例性的，第一预设模型可以是支持向量机算法(Support Vector Machine，SVM)、长短期记忆网络(LongShort-Term Memory，LSTM)、逻辑回归模型(Logistics Regression，LR)、XGBoost(ExtremeGradient Boosting，极端梯度提升决策树)算法、GBDT(Gradient Boosting DecisionTree，梯度提升决策树)算法、全卷积网络(Fully Convolutional Networks，FCN)、循环卷积网络(Recurrent Neural Network，RNN)、残差网络(Residual Network，ResNet)、门控循环单元(Gate Recurrent Unit，GRU)等。
具体的，第一预设模型的训练过程为：
从滑坡野外勘察报告、典型滑坡监测报告等文件提取目标区域或全部区域的滑坡的基本信息包括滑坡发生的时间、经纬度、受灾规模等滑坡信息，并根据该滑坡信息确定各个滑坡发生地的历史时间段的滑坡预测数据，以设定比例组成训练集和验证集，如8:2或7:3；将各个滑坡预测数据进行数据校正与配准，并进行坐标统一处理和栅格统一处理，从而得到栅格大小一致的滑坡预测数据，其中，该滑坡预测数据中包括各个滑坡预测因子；通过特征工程提取各个滑坡因子的特征，组成第一预设模型的输入特征矩阵；初始化第一预设模型的参数，并将该输入特征矩阵输入第一预设模型中，进行模型训练，得到历史时间段对应的每天的滑坡预测概率，并基于F1-值(F1-Score)与ROC(Receiver OperatingCharacteristic，接收者操作特征)作为评价指标，根据评价结果进行第一预设模型参数的调整，当满足时，训练初步完成，通过验证集进行模型验证，验证通过则得到训练好的第一预设模型。
进一步地，在得到滑坡预测数据之后，还包括：根据所述滑坡预测数据确定第一预设模型的第一特征矩阵。具体的，可以根据滑坡预测数据构造第一预设模型的特征集合，并根据随机森林算法对所述特征集合进行特征选取，从而得到第一预设模型的输入特征矩阵。
步骤130、判断当前天滑坡的发生概率是否大于预设概率阈值。
其中，预设概率阈值可以是0.5、0.6或者其他值，当然预设概率阈值也可以采用分数或者百分数进行表示。当滑坡的发生概率大于该预设概率阈值时，表示当前天滑坡的易发性较高。
通过设置预设概率阈值对滑坡预测数据进行筛选，只有当前天滑坡的发生概率大于预设概率阈值时，才将当前天的数据传输至第二预设模型进行进一步预测，大大减少了模型输入的数据量，提高了处理效率，同时，提高了预测的精度。
步骤140、若是，则基于第二预设模型，根据当前天的各个栅格的滑坡预测数据预测各个栅格滑坡的发生概率。
其中，第二预设模型可以是卷积神经网络，如一维卷积神经网络、一维残差神经网络、深度神经网络(Deep Neural Networks，DNN)、全卷积网络、基于决策树算法的分布式梯度提升框架(Light Gradient Boosting Machine，LightGBM)、自适应迭代算法(AdaptiveBoosting，Adaboost)、基于SMOTE(Synthetic Minority Oversampling Technique，少数类过抽样技术)的迭代算法(SMOTEboost)和BalanceCascade算法等。
具体的，当前天的个数可以是1个或多个，需要根据步骤130的判断结果确定。即通过第一预设模型预测设定时间段内每天的滑坡发生概率，当某一天的滑坡发生概率大于预设概率阈值时，则将该天对应的滑坡预设数据或输入特征矩阵发送至第二预设模型，以进行该天的各个栅格的滑坡发送概率的预测。
具体的，第二预设模型的训练过程为：
其训练集和验证集的获取方式与第一预设模型的方式一样，不同的是，为了提高模型的准确度，训练数据选取的时间段应为非滑坡栅格(未发生过滑坡的栅格)存在降雨事件的时间段，从而有效地避免了仅根据降雨量进行滑坡预测的弊端，加强了模型的准确度。从而根据训练集和验证集分别对第二预设模型进行训练和验证，从而得到训练好的第二预设模型。具体的，可以采用栅格分类精度与ROC(Receiver operating Characteristic)作为评价指标，对第二预设模型进行评价，其中，栅格分类精度是用于表征栅格分类正确的概率，具体可以采用分类正确的栅格的个数与总栅格个数的比值进行表示。
进一步地，还可以基于贝叶斯优化算法对第一预设模型和第二预设模型的参数进行优化。
本发明实施例的技术方案，通过获取目标区域的各个栅格的每天的滑坡预测数据进行滑坡预测，提高了数据的精度，尤其是对于滑坡中的动态因子，以天为单位进行预测，充分考虑了动态因子的时序信息，提高了预测精度；通过设置两个预设模型，分两阶段进行滑坡预测，第一阶段预测当前天发生滑坡的概率是否大于设定值，若是，则进行第二阶段滑坡预测，以当前天的数据为基准进行具体栅格的滑坡发生概率，大幅度降低了计算资源的浪费，提高了滑坡预测的效率。
实施例二
图2为本发明实施例二提供的一种滑坡的预测方法的流程图，本实施例是对上一实施例的进一步细化，本实施例所提供的滑坡的预测方法的流程图还包括：对所述滑坡预测数据进行预处理；对所述第一特征矩阵进行归一化处理；基于随机森林算法对所述第一特征矩阵进行特征筛选。
如图2所示，该滑坡的预测方法包括如下步骤：
步骤210、获取目标区域的各个栅格的设定时间段内每天的滑坡预测数据。
步骤220、对所述滑坡预测数据进行预处理。
其中，所述预处理包括坐标统一处理和栅格统一处理中的至少一项。
步骤230、计算每天的各个栅格的所述动态因子的构造特征，并根据每天的所述构造特征和静态因子得到所述第一预设模型的第一特征矩阵。
其中，所述构造特征包括各个栅格的每个动态因子的总和、平均值、最大值、最小值、极差和四分位数。四分位数包括上四分位数和下四分位数，构造特征还可以包括中值或其他特征值。
具体的，滑坡预测数据包括各个滑坡因子对应的数据，其中，滑坡因子包括动态因子和静态因子，动态因子包括降雨量(降水量)和土壤湿度，静态因子包括高程、坡度、坡向、平面曲率、剖面曲率、地形湿度指数、水流强度指数、沉积运输指数、地形粗糙度指数、与断层距离、与河流距离、与道路距离、岩性、土地利用、植被覆盖率等。
示例性的，所获取的每天的各个栅格的滑坡预测数据X为：X＝{X(1),X(2),…,X(d)}，其中，上角标表示天数，X(c)，c＝1,2,…,d，表示第c天目标区域内各个栅格的滑坡预测数据，其中矩阵X(c)的行表示栅格，列表示滑坡因子，矩阵X(c)的大小为m×n，即包括m个栅格，n个滑坡因子，其中，i＝1,2,…n1，表示动态因子(降雨量和土壤湿度等)，i＝n1+1,n1+2,…n，表示静态因子。以天为单位构造特征集X1(第一特征矩阵)，构造方式如下：对于每一个X(c)，按栅格计算n1个动态因子的总和、平均值、最大值、最小值、极差、上四分位数和下四位数等构造特征，由各个构造特征和静态因子，得到特征集X1。对于训练数据，还可以构造滑坡标签向量Y1，以表示每天是否发生滑坡，其中，1表示发生滑坡，0表示未发生滑坡。
步骤240、对所述第一特征矩阵进行归一化处理，并基于随机森林算法对所述第一特征矩阵进行特征筛选。
具体的，可以基于max-min归一化算法对第一特征矩阵的各个特征进行归一化处理。
示例性的，对第一特征矩阵X1中的每个滑坡因子(各个动态因子和静态因子)进行max-min归一化处理，具体公式如下：
Figure BDA0002559726880000101
其中，x为第一特征矩阵X1中的一个滑坡因子的特征；xmin和xmax分别为该滑坡因子的最小值和最大值；
Figure BDA0002559726880000102
为x对应的归一化处理后的特征值。
通过上述归一化处理过程，便可以得到归一化后的数据集
Figure BDA0002559726880000103
具体的，可以基于随机森林算法对第一特征矩阵进行特征选取。将第一特征矩阵(X1或
Figure BDA0002559726880000111
)输入随机森林模型中，根据输出的特征重要度，对特征进行筛选。具体的，可以选择特征重要度大于给定重要阈值的特征，最终得到筛选后的第一特征矩阵
Figure BDA0002559726880000112
步骤250、将所述第一特征矩阵输入所述第一预设模型中，以根据所述第一预设模型确定每天滑坡的发生概率。
具体的，第一预设模型为支持向量机(Support Vector Machine，，SVM)模型，其中，SVM的参数包括核函数类型、惩罚系数和核函数系数γ，其中核函数类型包括RBF(Radial Basis Function，高斯核函数)、Linear(线性核函数)、Sigmoid核函数、Polynomial(多项式核函数)，其中，多项式核函数的取值范围为2-8～28，γ的取值范围为2-8～28。
步骤260、判断当前天滑坡的发生概率是否大于预设概率阈值。
步骤270、若是，则对所述当前天对应的各个栅格的滑坡预测数据进行特征提取，以生成所述第二预设模型的第二特征矩阵。
具体的，假设第c天的滑坡发生概率大于预测概率阈值，则将第c天的滑坡预测数据X(c)发送至第二预设模型，构造第二预设模型的特征集，具体构造方式为：对该天的各个栅格的动态因子计算其3天、7天，15天和30天分别对应的总和、均值、方差、中位数以及差分的均值和方差、偏度、峰度等构造特征，同时，考虑以当前栅格为中心的设定范围内，如3*3区域范围内，各个栅格的情况，包括当前栅格是否为设定范围内的最大值或最小值，是否超过设定范围对应的均值，以及设定范围的栅格是否发生过滑坡，当前栅格发生滑坡的次数等特征，最终得到第二预设模型的第二特征矩阵X2 fea。
步骤280、对所述第二特征矩阵进行归一化处理。
具体的，可以基于max-min归一化算法对第二特征矩阵X2 fea的各个特征进行归一化处理。当然也可以选取其他归一化算法进行归一化处理。本发明实施例对第一特征矩阵和第二特征矩阵归一化算法不进行限定。
进一步地，在归一化处理之后，还包括：
基于多重共线性方法对第二特征矩阵进行特征选择，以根据共线性程度进行特征筛选，得到筛选的后的第二特征矩阵
Figure BDA0002559726880000121
步骤290、将归一化处理后的所述第二特征矩阵输入所述第二预设模型中，以根据所述第二预设模型确定当前天的各个栅格滑坡的发生概率。
具体的，若经过特征选择之后，上述步骤则替换为：将筛选后的第二特征矩阵
Figure BDA0002559726880000122
输入第二预设模型中，以根据所述第二预设模型确定当前天的各个栅格滑坡的发生概率。
具体的，第二预设模型可以是一维卷积神经网络模型，包括卷积层、批标准化层、激活函数和优化层，其中，卷积层的卷积核个数的取值范围为32～512，步长为16；激活函数可以包括ReLU函数(Rectified Linear Unit，线性整流函数)、Linear函数(线性函数)、Sigmoid函数和Tanh函数(双曲函数)中的任意一种；优化方法包括SGD(StochasticGradient Descent，梯度更新规则)、Adam(Adaptive Moment Estimation，自适应矩估计)、Nadam(Nesterov Adaptive Moment Estimation，Nesterov加速自适应矩估计)、Adagrad(Adaptive Gradient Algorithm，自适应梯度算法)和RMSprop(Root Mean Square Prop，前向均方根梯度下降演算法)等优化算法中任意一种；初始学习率的取值可以是0.0001、0.001、0.01或0.1；隐藏层神经元个数的取值范围为4～256，步长为4，隐藏层层数的取值范围为3～8，步长为1；随机丢弃率为0～0.8，步长为0.05。
具体的，当获取第二预设模型输出的当前天的各个栅格的滑坡的发生概率之后，还可以对滑坡发生概率进行可视化显示，如在地图上以不同的颜色表示不同级别的滑坡发生概率。
本发明实施例的技术方案，通过获取目标区域的各个栅格的每天的滑坡预测数据进行滑坡预测，提高了数据的精度，尤其是对于滑坡中的动态因子，以天为单位进行预测，充分考虑了动态因子的时序信息，提高了预测精度；通过设置两个预设模型，分两阶段进行滑坡预测，第一阶段预测当前天发生滑坡的概率是否大于设定值，若是，则进行第二阶段滑坡预测，以当前天的数据为基准进行具体栅格的滑坡发生概率，大幅度降低了计算资源的浪费，提高了滑坡预测的效率；通过对动态因子特征构建，增加了动态因子在模型预测中的作用，提高了模型预测的精度；通过特征筛选和归一化处理，提高了模型预测的效率。同时，对于两个模型分别进行了参数优化，提高了模型的质量，保证了预测的准确度。
实施例三
图3为本发明实施例三提供的一种滑坡的预测装置的结果示意图，如图3所述，该滑坡的预测装置包括：预测数据获取模块310、第一滑坡预测模块320概率阈值判断模块330和第二滑坡预测模块340。
其中，预测数据获取模块310，用于获取目标区域的各个栅格的设定时间段内每天的滑坡预测数据；第一滑坡预测模块320，用于基于第一预设模型，根据所述滑坡预测数据确定每天滑坡的发生概率；概率阈值判断模块330，用于判断当前天滑坡的发生概率是否大于预设概率阈值；第二滑坡预测模块340，用于若当前天滑坡的发生概率大于所述预设概率阈值，则基于第二预设模型，根据当前天的各个栅格的滑坡预测数据预测各个栅格滑坡的发生概率。
本发明实施例的技术方案，通过获取目标区域的各个栅格的每天的滑坡预测数据进行滑坡预测，提高了数据的精度，尤其是对于滑坡中的动态因子，以天为单位进行预测，充分考虑了动态因子的时序信息，提高了预测精度；通过设置两个预设模型，分两阶段进行滑坡预测，第一阶段预测当前天发生滑坡的概率是否大于设定值，若是，则进行第二阶段滑坡预测，以当前天的数据为基准进行具体栅格的滑坡发生概率，大幅度降低了计算资源的浪费，提高了滑坡预测的效率。
可选的，所述滑坡预测数据包括动态因子和静态因子，其中，所述动态因子包括降雨量和土壤湿度中的至少一项，所述静态因子包括高程、坡度、坡向、平面曲率、剖面曲率、地形湿度指数、水流强度指数、沉积运输指数、地形粗糙度指数、与断层距离、与河流距离、与道路距离、岩性、土地利用和植被覆盖率中的至少一项。
可选的，该滑坡的预测装置，还包括：
预处理模块，用于在获取目标区域的各个栅格的设定时间段内每天的滑坡预测数据之后，对所述滑坡预测数据进行预处理，其中，所述预处理包括坐标统一处理和栅格统一处理中的至少一项。
可选的，第一滑坡预测模块320，具体用于：
计算每天的各个栅格的所述动态因子的构造特征，其中，所述构造特征包括各个栅格的每个动态因子的总和、平均值、最大值、最小值、极差和四分位数，并根据每天的所述构造特征和静态因子得到所述第一预设模型的第一特征矩阵；将所述第一特征矩阵输入所述第一预设模型中，以根据所述第一预设模型确定每天滑坡的发生概率。
可选的，第二滑坡预测模块340，具体用于：
对所述当前天对应的各个栅格的滑坡预测数据进行特征提取，以生成所述第二预设模型的第二特征矩阵；对所述第二特征矩阵进行归一化处理；将归一化处理后的所述第二特征矩阵输入所述第二预设模型中，以根据所述第二预设模型确定当前天的各个栅格滑坡的发生概率。
可选的，该滑坡的预测装置，还包括：
归一化处理单元，用于在得到所述第一预设模型的第一特征矩阵之后，对所述第一特征矩阵进行归一化处理。
可选的，该滑坡的预测装置，还包括：
特征筛选模块，用于在得到所述第一预设模型的第一特征矩阵之后，基于随机森林算法对所述第一特征矩阵进行特征筛选。
本发明实施例所提供的滑坡的预测装置可执行本发明任意实施例所提供的滑坡的预测方法，具备执行方法相应的功能模块和有益效果。
实施例四
图4为本发明实施例五提供的一种滑坡的预测设备的结构示意图，如图4所示，该设备包括处理器410、存储器420、输入装置430和输出装置440；设备处理器410的数量可以是一个或多个，图4中以一个处理器410为例；设备中的处理器410、存储器420、输入装置430和输出装置440可以通过总线或其他方式连接，图4中以通过总线连接为例。
存储器420作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的滑坡的预测方法对应的程序指令/模块(例如，滑坡的预测装置中的预测数据获取模块310、第一滑坡预测模块320概率阈值判断模块330和第二滑坡预测模块340)。处理器410通过运行存储在存储器420中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的滑坡的预测方法。
存储器420可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器420可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器420可进一步包括相对于处理器410远程设置的存储器，这些远程存储器可以通过网络连接至设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置430可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置440可包括显示屏等显示设备。
实施例五
发明实施例五还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种滑坡的预测方法，该方法包括：
获取目标区域的各个栅格的设定时间段内每天的滑坡预测数据；
基于第一预设模型，根据所述滑坡预测数据确定每天滑坡的发生概率；
判断当前天滑坡的发生概率是否大于预设概率阈值；
若是，则基于第二预设模型，根据当前天的各个栅格的滑坡预测数据预测各个栅格滑坡的发生概率。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的滑坡的预测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述用滑坡的预测系统和装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种滑坡的预测方法，其特征在于，包括：
获取目标区域的各个栅格的设定时间段内每天的滑坡预测数据；
基于第一预设模型，根据所述滑坡预测数据确定每天滑坡的发生概率；
判断当前天滑坡的发生概率是否大于预设概率阈值；
若是，则基于第二预设模型，根据当前天的各个栅格的滑坡预测数据预测各个栅格滑坡的发生概率。
2.根据权利要求1所述的预测方法，其特征在于，所述滑坡预测数据包括动态因子和静态因子，其中，所述动态因子包括降雨量和土壤湿度中的至少一项，所述静态因子包括高程、坡度、坡向、平面曲率、剖面曲率、地形湿度指数、水流强度指数、沉积运输指数、地形粗糙度指数、与断层距离、与河流距离、与道路距离、岩性、土地利用和植被覆盖率中的至少一项。
3.根据权利要求1所述的预测方法，其特征在于，在获取目标区域的各个栅格的设定时间段内每天的滑坡预测数据之后，还包括：
对所述滑坡预测数据进行预处理，其中，所述预处理包括坐标统一处理和栅格统一处理中的至少一项。
4.根据权利要求2所述的预测方法，其特征在于，基于第一预设模型，根据所述滑坡预测数据确定每天滑坡的发生概率，包括：
计算每天的各个栅格的所述动态因子的构造特征，其中，所述构造特征包括各个栅格的每个动态因子的总和、平均值、最大值、最小值、极差和四分位数，并根据每天的所述构造特征和静态因子得到所述第一预设模型的第一特征矩阵；
将所述第一特征矩阵输入所述第一预设模型中，以根据所述第一预设模型确定每天滑坡的发生概率。
5.根据权利要求1所述的预测方法，其特征在于，基于第二预设模型，根据当前天的各个栅格的滑坡预测数据预测各个栅格滑坡发生的概率，包括：
对所述当前天对应的各个栅格的滑坡预测数据进行特征提取，以生成所述第二预设模型的第二特征矩阵；
对所述第二特征矩阵进行归一化处理；
将归一化处理后的所述第二特征矩阵输入所述第二预设模型中，以根据所述第二预设模型确定当前天的各个栅格滑坡的发生概率。
6.根据权利要求4所述的预测方法，其特征在于，在得到所述第一预设模型的第一特征矩阵之后，还包括：
对所述第一特征矩阵进行归一化处理。
7.根据权利要求4所述的预测方法，其特征在于，在得到所述第一预设模型的第一特征矩阵之后，还包括：
基于随机森林算法对所述第一特征矩阵进行特征筛选。
8.一种滑坡的预测装置，其特征在于，包括：
预测数据获取模块，用于获取目标区域的各个栅格的设定时间段内每天的滑坡预测数据；
第一滑坡预测模块，用于基于第一预设模型，根据所述滑坡预测数据确定每天滑坡的发生概率；
概率阈值判断模块，用于判断当前天滑坡的发生概率是否大于预设概率阈值；
第二滑坡预测模块，用于若当前天滑坡的发生概率大于所述预设概率阈值，则基于第二预设模型，根据当前天的各个栅格的滑坡预测数据预测各个栅格滑坡的发生概率。
9.一种滑坡的预测设备，其特征在于，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的滑坡的预测方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的滑坡的预测方法。
CN202010607600.XA 2020-06-29 2020-06-29 一种滑坡的预测方法、装置、设备和存储介质 Pending CN111784044A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010607600.XA CN111784044A (zh) 2020-06-29 2020-06-29 一种滑坡的预测方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010607600.XA CN111784044A (zh) 2020-06-29 2020-06-29 一种滑坡的预测方法、装置、设备和存储介质

Publications (1)

Publication Number Publication Date
CN111784044A true CN111784044A (zh) 2020-10-16

Family

ID=72759870

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010607600.XA Pending CN111784044A (zh) 2020-06-29 2020-06-29 一种滑坡的预测方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN111784044A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529315A (zh) * 2020-12-17 2021-03-19 杭州鲁尔物联科技有限公司 一种滑坡的预测方法、装置、设备和存储介质
CN112560341A (zh) * 2020-12-11 2021-03-26 重庆邮电大学 基于Distance-SMOTE-CNN-CA模型的城市用地模拟方法
CN112561171A (zh) * 2020-12-17 2021-03-26 杭州鲁尔物联科技有限公司 一种滑坡的预测方法、装置、设备及存储介质
CN112580871A (zh) * 2020-12-17 2021-03-30 杭州鲁尔物联科技有限公司 一种特征筛选方法及其装置
CN112712197A (zh) * 2020-12-17 2021-04-27 杭州鲁尔物联科技有限公司 一种数据处理方法、装置、设备和存储介质
CN112712195A (zh) * 2020-12-17 2021-04-27 杭州鲁尔物联科技有限公司 一种降雨衰减系数的预测方法、装置、设备和存储介质
CN112785078A (zh) * 2021-02-02 2021-05-11 武汉中地云申科技有限公司 联合土壤水分信息和有效降雨的滑坡预测方法及终端
CN113111573A (zh) * 2021-03-24 2021-07-13 桂林电子科技大学 基于gru的滑坡位移预测方法
CN115511341A (zh) * 2022-10-10 2022-12-23 重庆大学 一种滑坡时变失效概率评估方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106776842A (zh) * 2016-11-28 2017-05-31 腾讯科技（上海）有限公司 多媒体数据检测方法及装置
CN111144651A (zh) * 2019-12-26 2020-05-12 杭州鲁尔物联科技有限公司 一种地质灾害的预测方法、装置及设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106776842A (zh) * 2016-11-28 2017-05-31 腾讯科技（上海）有限公司 多媒体数据检测方法及装置
CN111144651A (zh) * 2019-12-26 2020-05-12 杭州鲁尔物联科技有限公司 一种地质灾害的预测方法、装置及设备

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112560341A (zh) * 2020-12-11 2021-03-26 重庆邮电大学 基于Distance-SMOTE-CNN-CA模型的城市用地模拟方法
CN112580871B (zh) * 2020-12-17 2024-01-02 杭州鲁尔物联科技有限公司 一种特征筛选方法及其装置
CN112561171A (zh) * 2020-12-17 2021-03-26 杭州鲁尔物联科技有限公司 一种滑坡的预测方法、装置、设备及存储介质
CN112580871A (zh) * 2020-12-17 2021-03-30 杭州鲁尔物联科技有限公司 一种特征筛选方法及其装置
CN112712197A (zh) * 2020-12-17 2021-04-27 杭州鲁尔物联科技有限公司 一种数据处理方法、装置、设备和存储介质
CN112712195A (zh) * 2020-12-17 2021-04-27 杭州鲁尔物联科技有限公司 一种降雨衰减系数的预测方法、装置、设备和存储介质
CN112529315A (zh) * 2020-12-17 2021-03-19 杭州鲁尔物联科技有限公司 一种滑坡的预测方法、装置、设备和存储介质
CN112529315B (zh) * 2020-12-17 2024-05-28 杭州鲁尔物联科技有限公司 一种滑坡的预测方法、装置、设备和存储介质
CN112712195B (zh) * 2020-12-17 2024-01-05 杭州鲁尔物联科技有限公司 一种降雨衰减系数的预测方法、装置、设备和存储介质
CN112712197B (zh) * 2020-12-17 2024-01-02 杭州鲁尔物联科技有限公司 一种数据处理方法、装置、设备和存储介质
CN112561171B (zh) * 2020-12-17 2023-12-05 杭州鲁尔物联科技有限公司 一种滑坡的预测方法、装置、设备及存储介质
CN112785078A (zh) * 2021-02-02 2021-05-11 武汉中地云申科技有限公司 联合土壤水分信息和有效降雨的滑坡预测方法及终端
CN113111573A (zh) * 2021-03-24 2021-07-13 桂林电子科技大学 基于gru的滑坡位移预测方法
CN115511341B (zh) * 2022-10-10 2023-07-11 重庆大学 一种库岸边坡时变失效概率评估方法及装置
CN115511341A (zh) * 2022-10-10 2022-12-23 重庆大学 一种滑坡时变失效概率评估方法及装置

Similar Documents

Publication Publication Date Title
CN111784044A (zh) 一种滑坡的预测方法、装置、设备和存储介质
Azareh et al. Incorporating multi-criteria decision-making and fuzzy-value functions for flood susceptibility assessment
CN112200358B (zh) 一种滑坡等级预测方法、装置、设备和存储介质
CN112200354A (zh) 一种滑坡的预测方法、装置、设备和存储介质
Mellit et al. Least squares support vector machine for short-term prediction of meteorological time series
Baruque et al. A forecasting solution to the oil spill problem based on a hybrid intelligent system
CN112200362B (zh) 一种滑坡的预测方法、装置、设备和存储介质
Ganapathi Subramanian et al. Using spatial reinforcement learning to build forest wildfire dynamics models from satellite images
Nourani et al. Data-driven ensemble model to statistically downscale rainfall using nonlinear predictor screening approach
Meshram et al. Iterative classifier optimizer-based pace regression and random forest hybrid models for suspended sediment load prediction
CN112149898B (zh) 故障率预测模型的训练、故障率预测方法及相关装置
CN112200356A (zh) 一种滑坡的预测方法、装置、设备和存储介质
Biard et al. Automated detection of weather fronts using a deep learning neural network
Felsche et al. Applying machine learning for drought prediction in a perfect model framework using data from a large ensemble of climate simulations
CN111797571B (zh) 滑坡易发性评价方法、装置、设备和存储介质
CN111079999A (zh) 一种基于cnn和svm的洪水灾害易发性预测方法
CN112419202A (zh) 基于大数据及深度学习的野生动物图像自动识别系统
CN112200355B (zh) 一种滑坡的预测方法、装置、设备和存储介质
CN114493052A (zh) 多模型融合自适应新能源功率预测方法和系统
CN117197174A (zh) 基于遥感数据的水体信息提取方法、装置、设备及介质
Yu et al. The study of artificial intelligence for predicting land use changes in an arid ecosystem
Viet Du et al. Deep learning to assess the effects of land use/land cover and climate change on landslide susceptibility in the Tra Khuc river basin of Vietnam
CN112200363A (zh) 一种滑坡的预测方法、装置、设备和存储介质
CN111428405B (zh) 细颗粒物浓度仿真方法、装置、存储介质及电子设备
CN116258279B (zh) 基于综合赋权的滑坡易发性评价方法和装置

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