CN111967544A - 土质滑坡灾害时空智能预警报方法与系统 - Google Patents

Abstract

本发明提供一种土质滑坡灾害时空智能预警报方法与系统，方法包括步骤：获取滑坡灾害点数据与非滑坡灾害点数据；根据滑坡灾害的成因机理和诱发因素获取用于智能学习的滑坡灾害预警报因子；根据滑坡灾害点数据与非滑坡灾害点数据获取预警报因子对应的原始数据；将原始数据进行空间分析提取用于智能学习的滑坡预警报因子的值，并将得到的预警报因子的值分别进行无量纲化处理后构建滑坡灾害预警报样本数据集；采用集成机器学习的堆栈泛化方法搭建用于滑坡灾害预警报的智能学习模块，将滑坡灾害预警报样本数据集输入智能学习模块，进行训练和优化，实现滑坡灾害的预警报。该方法在进行滑坡预测时准确率高、误报率较低、计算耗时短、实时性能较好。

Description

土质滑坡灾害时空智能预警报方法与系统

技术领域

本发明属于滑坡防治工程技术领域，具体涉及一种土质滑坡灾害时空智能预警报方法与系统。

背景技术

目前区域滑坡灾害预警报方法主要分为两大类，包括：统计预警报模式和致灾机理预警报模式。统计预警报模式是分析滑坡事件与相对应的降雨数据，获取触发滑坡的降雨阈值条件,这种统计模式过于依赖观测降水，很少考虑下垫面因素的影响，误报率过高；而致灾机理预警报模式虽然解决了统计预警报模式过于依赖降水的缺陷，但由于滑坡灾害成因机理的复杂性和诱发因素的多元化，这类预警报模式需要预先设定较多的假设条件，只能大概模拟滑坡体的发育过程，无法准确全面的描述滑坡灾害的整个发育过程。此外，由于致灾机理预警报模式需要模拟滑坡体的发育过程，导致计算耗时过长，实时性能较差，难以投入业务中使用。

发明内容

本发明的目的之一在于提供一种土质滑坡灾害的时空智能预警报方法，该方法能提高预警报的准确率。

为实现上述目的，本发明的技术方案为：一种土质滑坡灾害的时空智能预警报方法，包括以下步骤：

获取滑坡灾害点数据与非滑坡灾害点数据，所述滑坡灾害点的数据包括：滑坡灾害发生时间、地点；

根据滑坡灾害的成因机理和诱发因素获取用于智能学习的滑坡灾害预警报因子；所述预警报因子的类型包括下垫面因子和降水因子，所述下垫面因子包括坡度、坡向、地貌类型、剖面曲率、岩性硬度、粘聚力、内摩擦角、土壤类型、土壤厚度、NDVI、土地利用类型因子，所述降水因子包括前期有效降水因子和预报降水因子；

根据所述滑坡灾害点数据与非滑坡灾害点数据获取所述预警报因子对应的原始数据；

将所述原始数据进行空间分析提取用于智能学习的滑坡预警报因子的值，并将得到的所述预警报因子的值分别进行无量纲化处理后构建滑坡灾害预警报样本数据集；

采用集成机器学习的堆栈泛化方法搭建用于滑坡灾害预警报的智能学习模块，将滑坡灾害预警报样本数据集输入所述智能学习模块，进行训练和优化，实现滑坡灾害的预警报。

进一步地，用于滑坡灾害预警报的智能学习模块，包括多个基模块、元模块；

所述基模块用于接收样本数据集的数据进行计算训练得到预测结果；

所述元模块接收多个基模块得到的预测结果构成的第一数据集，并通过随机梯度下降和交叉熵损失函数进行训练和优化实现滑坡灾害的预警报。

进一步地，所述基模块为朴素贝叶斯、K近邻、决策树、逻辑回归类型的弱学习机；

所述元模块为随机森林分类器。

进一步地，所述非滑坡灾害点数据包括时间、地点；其中，

非滑坡灾害点中的地点为所述滑坡灾害点周边1-2km处没有发生滑坡的地点、时间为邻近滑坡灾害点的时间，或地点为受强降水作用但没有发生滑坡灾害的坡体地点、时间为对应地点经受强降水的时间。

进一步地，所述将所述原始数据进行空间分析提取用于智能学习的滑坡预警报因子的值的步骤具体包括：

将预警报因子的原始数据进行掩模提取和重采样空间分析，生成分辨率为250m*250m的栅格数据

进一步地，所述将得到的所述预警报因子的值分别进行无量纲化处理后构建特征向量集的步骤具体包括：

通过以下公式对所述预警报因子的值进行无量纲化处理：

；

式中，

为归一化后的数据，

为某一预警报因子，

为某一特征向量集中的最小值，

为某一特征向量集中的最大值；

将无量纲化处理后的各预警因子的值作为输入，滑坡灾害发生/不发生作为输出，构建用于智能学习的滑坡灾害预警报样本数据集。

本发明的目的之二在于提供一种土质滑坡灾害的时空智能预警报系统，该系统能实现提高滑坡预警报准确率。

为实现上述目的，本发明的技术方案为：一种土质滑坡灾害的时空智能预警报系统，包括：

数据获取模块，用于获取滑坡灾害点数据与非滑坡灾害点数据，所述滑坡灾害点的数据包括：滑坡灾害发生时间、地点；

预警报因子模块，与所述数据获取模块相连，用于根据滑坡灾害的成因机理和诱发因素获取用于智能学习的滑坡灾害预警报因子，并通过所述数据获取模块获取所述预警报因子对应的原始数据；

样本数据模块，与所述预警报因子模块相连，用于将所述原始数据进行空间分析提取用于智能学习的滑坡预警报因子的值，并将得到的所述预警报因子的值分别进行无量纲化处理后构建滑坡灾害预警报样本数据集；

智能学习模块，与所述样本数据模块相连，用于接收滑坡灾害预警报样本数据集，并进行训练优化实现滑坡灾害的预警报。

进一步地，智能学习模块，包括多个基模块、元模块；

所述基模块用于接收样本数据集的数据进行计算训练得到预测结果；

所述元模块接收多个基模块得到的预测结果构成的第一数据集，并通过随机梯度下降和交叉熵损失函数进行训练和优化实现滑坡灾害的预警报。

进一步地，所述基模块为朴素贝叶斯、K近邻、决策树、逻辑回归类型的弱学习机；

所述元模块为随机森林分类器。

进一步地，所述滑坡灾害点数据包括时间、地点；其中，

非滑坡灾害点中的地点为所述滑坡灾害点周边1-2km处没有发生滑坡的地点、时间为邻近滑坡灾害点的时间，或地点为受强降水作用但没有发生滑坡灾害的坡体地点、时间为对应地点经受强降水的时间。

进一步地，所述预警报因子的类型包括下垫面因子和降水因子，所述下垫面因子包括坡度、坡向、地貌类型、剖面曲率、岩性硬度、粘聚力、内摩擦角、土壤类型、土壤厚度、NDVI、土地利用类型因子，所述降水因子包括前期有效降水因子和预报降水因子。

进一步地，坡度因子、坡向因子、地貌类型因子、剖面曲率因子通过区域DEM数据经空间分析得到；

岩性硬度因子根据坚硬、软硬、较软和软岩分类获得；

粘聚力因子、内摩擦角因子对滑坡灾害点和非滑坡灾害点进行采样分析得到；

土壤类型因子、土壤厚度因子通过FAO土壤数据库来获取；

NDVI因子、土地利用类型因子从前期积累的全国范围的NDVI和土地利用数据中获取；

前期有效降水因子采用国家气象局的实况降水数据（QPE）按照降水衰减经验公式进行计算获得；

预报降水因子采用国家气象局的逐小时预报降水数据（QPF）。

与现有技术相比，本发明具有如下优点：

本发明提供一种土质滑坡灾害时空智能预警报方法与系统，根据滑坡灾害的成因机理和诱发因素获取用于智能学习的滑坡灾害预警报因子，通过对预警报因子对应的原始数据进行处理分析，将处理分析得到的数据经过智能学习模块最终实现滑坡灾害的预警报，该方法计算耗时短，实时性能较好，得到的预警报准确率较高。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍。显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明一种用于滑坡灾害预警报的智能学习模块的一实施例结构示意图；

图2为本发明一种土质滑坡灾害的时空智能预警报系统的一实施例结构示意图；

图3为本发明一种土质滑坡灾害的时空智能预警报方法的流程示意图；

图4为本发明用于滑坡灾害预警报的智能学习模块的ROC曲线图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

所举实施例是为了更好地对本发明进行说明，但并不是本发明的内容仅局限于所举实施例。所以熟悉本领域的技术人员根据上述发明内容对实施方案进行非本质的改进和调整，仍属于本发明的保护范围。

实施例1

参考图1，为本发明一种用于滑坡灾害预警报的智能学习模块的结构示意图，具体地，一种用于滑坡灾害预警报的智能学习模块，包括多个基模块、元模块；其中，

基模块用于接收训练集的数据进行计算训练得到预测结果；各个基模块的预测结果构建新的第一数据集，作为元模块的输入，第一数据集的期望输出与各基模块保持一致。

本实施例中，选择合适的基模块和元模块对最终的结果有着较大的影响，一般选择不同类型的弱学习机，如选择朴素贝叶斯、K近邻、决策树、逻辑回归等作为基模块，选择随机森林分类器作为元模块；利用随机梯度下降和交叉熵损失函数对元模块网络相关参数进行训练和优化，最后，通过不断更新与优化模块参数，实现滑坡灾害的预警报。

本实施例中，一种用于滑坡灾害预警报的智能学习模块采取自助采样法，即该模块得到一个数据集，然后采取有放回的抽样方式进行采样，假如这一个数据集中有m个样本，那么就进行m次有放回的采样方式，得到一个新的数据集，即训练集1；以此类推，得到训练集2,3……n，这些训练集分别进入模块的n个元模块中，进行计算训练得到预测结果，n个预测结果再构成第一数据集进入元模块中。

实施例2

基于实施例1的模块，本实施例中提供一种土质滑坡灾害的时空智能预警报系统，具体结构图可参考图2，一种土质滑坡灾害的时空智能预警报系统，包括：

数据获取模块3，用于获取滑坡灾害点数据与非滑坡灾害点数据；

本实施例中，滑坡灾害点的数据包括：滑坡灾害发生时间、地点；非滑坡灾害点数据包括时间、地点；其中，

非滑坡灾害点中的地点为所述滑坡灾害点周边1-2km处没有发生滑坡的地点、时间为邻近滑坡灾害点的时间，或地点为受强降水作用但没有发生滑坡灾害的坡体地点、时间为对应地点经受强降水的时间。

预警报因子模块4，与数据获取模块相连，用于根据滑坡灾害的成因机理和诱发因素获取用于智能学习的滑坡灾害预警报因子，并通过数据获取模块获取预警报因子对应的原始数据；

本实施例中，预警报因子的类型包括下垫面因子和降水因子，下垫面因子包括坡度、坡向、地貌类型、剖面曲率、岩性硬度、粘聚力、内摩擦角、土壤类型、土壤厚度、NDVI、土地利用类型因子；降水因子包括前期有效降水因子和预报降水因子；

坡度因子、坡向因子、地貌类型因子、剖面曲率因子通过区域DEM数据经空间分析得到；

岩性硬度因子根据坚硬、软硬、较软和软岩分类获得；

粘聚力因子、内摩擦角因子对滑坡灾害点和非滑坡灾害点进行采样并通过室内直剪试验分析得到；

土壤类型因子、土壤厚度因子通过FAO（联合国粮食及农业组织）土壤数据库来获取；

NDVI因子、土地利用类型因子从前期积累的全国范围的NDVI和土地利用类型数据中获取；

前期有效降水因子采用国家气象局的实况降水数据按照降水衰减经验公式进行计算获得；

预报降水因子采用国家气象局的逐小时预报降水数据。

样本数据模块5，与预警报因子模块相连，用于将原始数据进行空间分析提取用于智能学习的滑坡预警报因子的值，并将得到的预警报因子的值分别进行无量纲化处理后构建滑坡灾害预警报样本数据集（特征向量集）；

本实施例中，样本数据模块5会将无量纲化处理后的各预警因子的值作为输入，滑坡灾害发生/不发生作为输出，构建用于智能学习的滑坡灾害预警报样本数据集；

智能学习模块6，与样本数据模块5，用于接收特征向量集，并进行训练优化实现滑坡灾害的预警报。

本实施例中的智能学习模块6具体结构参考实施例1中的用于滑坡灾害预警报的智能学习模块。

实施例3

基于实施例2的系统，本实施例中公开一种土质滑坡灾害的时空智能预警报方法，图3为该方法的流程示意图；具体地，一种土质滑坡灾害的时空智能预警报方法，包括以下步骤：

S100：获取滑坡灾害点数据与非滑坡灾害点数据；然后执行步骤S200；

本实施例中，滑坡灾害点的数据包括：滑坡灾害发生时间、地点（经纬度坐标）；比如以重庆市奉节县为研究区，收集了研究区内近30年内发生的滑坡灾害事件，分析了这些滑坡灾害的空间分布特征、成因机理及发育环境，目前收集的滑坡灾害发生的时间，只是精确到了日。由于有一部分滑坡灾害的发生时间比较久远，并未记录下滑坡灾害发生的确切经纬度坐标，只是记录了滑坡灾害所处的村组。对于这类滑坡灾害，在各村组相应的行政区划范围内，根据实时遥感影像数据、岩性硬度分布、坡度、坡向、道路分布和水系分布，制定合理的选取方案：尽量选择岩性硬度偏软、坡面坡度在25-40度之间、距离道路和水系较近且植被覆盖率低的南向坡体作为滑坡灾害的位置坐标。因为滑坡灾害发生在相应的村组区域内，而一个村组周边的下垫面数据和降水数据都是相似的，变化不大，而且符合选取方案的坡体是较容易发生滑坡的，所以这样做是科学合理的，在一具体实施例中，重庆市奉节县共获取了1920个滑坡灾害点数据；

非滑坡灾害点数据包括时间、地点；由于不会专门统计没有发生滑坡事件的相关记录信息，本实施例中，可设定非滑坡灾害点中的地点的选择为根据各滑坡灾害发生的时间，结合实时遥感影像数据选取滑坡灾害点周边1-2km处没有发生滑坡的地点（不选择坡度在10°以下或坡向是背阴坡或出露岩性为坚硬的坡体）、时间为邻近滑坡灾害点的时间，或地点为基于研究区域内的典型强降水事件，结合实时遥感影像数据，选取受强降水作用但没有发生滑坡灾害的坡体地点（不选择坡度在10°以下或坡向是背阴坡或出露岩性为坚硬的坡体）、时间为对应地点经受强降水的时间。本实施例中，以这两种方案选取的非滑坡灾害点统一作为非滑坡灾害数据，在以重庆市奉节县为研究区时共获取了3100个非滑坡灾害点数据。

S200：根据滑坡灾害的成因机理和诱发因素获取用于智能学习的滑坡灾害预警报因子；然后执行步骤S300；

本实施例，分析研究区域内滑坡灾害的空间分布特征、成因机理及发育环境，基于滑坡灾害成因机理的复杂性和诱发因素的多元化，选取地形地貌、地质条件、环境条件以及降雨条件等4种影响因素的13个指标作为滑坡灾害的预警报因子，包括坡度、坡向、地貌类型、剖面曲率、岩性硬度、粘聚力、内摩擦角、土壤类型、土壤厚度、NDVI(归一化植被指数)、土地利用类型、前期有效降水和预报降水（包括未来n小时最大小时雨强和n小时累计预报降水量）。其中，坡度、坡向、地貌类型、剖面曲率、岩性硬度、粘聚力、内摩擦角、土壤类型、土壤厚度、NDVI(归一化植被指数，每个月都有一个对应的NDVI数据)和土地利用类型可在一定时间内不变，故可看作静态数据，即下垫面数据可看作是静态数据；前期有效降水和预报降水根据滑坡灾害发生的时间而动态变化，故可看作是动态数据，即降水数据可看作是动态数据；

在实际进行滑坡预警报时，需根据当前制作预警报的时间，实时动态生成前期有效降水和预报降水数据，一般情况下，预报降水采用的是逐小时预报降水数据，若要对研究区域内未来n（如3小时，6小时，24小时等）小时发生滑坡的概率进行预测，则需要从起报时刻起，利用接下来的n小时内的最大小时雨强和累计预报降水量，可获得研究区域内每个栅格（为下文中对原始数据进行掩模提取和重采样空间分析，生成分辨率为250m*250m的栅格数据）单元在未来n小时期间发生滑坡灾害的概率。

S300：根据滑坡灾害点数据与非滑坡灾害点数据获取预警报因子对应的原始数据；然后执行步骤S400；

本实施例中，对于步骤S200中选取的预警报因子获得对应研究区域内的原始数据，其中坡度、坡向、地貌类型、剖面曲率因子可通过研究区域的DEM数据经空间分析来获取；经多次试验发现，坡度在10度以下，坡向为背阴坡（0-45°以及315°-360°）均不易发生滑坡，这里将坡度在10度以下以及坡向为背阴坡的网格单元剔除，不在预警报范围内；岩性硬度需根据岩性分布图，对出漏的岩性的软硬度进行分类来确定，这里共分为坚硬、软硬、较软和软岩四大类，分别对应1、2、3、4级，越坚硬越不容易发生滑坡，越松散软弱，越容易发生滑坡，因此将岩性属性为坚硬的网格单元剔除，不在预警报范围内；粘聚力、内摩擦角需对研究区进行采样，并通过室内直剪试验分析来获得采样点的粘聚力、内摩擦角，并进行插值运算从而获得整个研究区的粘聚力、内摩擦角的分布情况；土壤类型、土壤厚度可通过FAO土壤数据库来获取；NDVI和土地利用类型可从前期积累的全国范围的DNVI和土地利用类型数据中裁剪得到；前期有效降水采用国家气象局的实况降水数据（QPE产品）按照降水衰减经验公式，进行计算获得；预报降水数据采用国家气象局的逐小时预报降水数据（QPF产品）：

式中：

前期有效为前期有效降水量；

为起报日前

天的实况降水，n为天数，例如n=14，即为考虑前14天的降水衰减，a =0.8是衰减系数；

为起报日当天的逐小时实况降水量；T表示起报时刻，即将起报日当天从0-T时刻的实况降水量进行累计。

S400：将原始数据进行空间分析提取用于智能学习的滑坡预警报因子的值，并将得到的预警报因子的值分别进行无量纲化处理后构建滑坡灾害预警报样本数据集；然后执行步骤S500；

由于原始预警报因子数据的范围较大，不适用于某个研究区域内的滑坡灾害预测，故本实施例中根据研究区域的范围对这些预警报因子原始数据进行裁剪；此外，为保证运算效率，同时确保不会出现1个栅格单元包含多个滑坡体的情况，将通过步骤S300得到的预警报因子的原始数据进行掩模提取和重采样，生成分辨率为250m*250m的栅格数据；然后根据滑坡灾害点/非滑坡灾害点的经纬度坐标和记录的时间，提取相应网格的数值，作为相应滑坡灾害点/非滑坡灾害点的预报因子的值。对于下垫面数据，只需要通过滑坡灾害点与非滑坡灾害点的经纬度坐标便可以提取相应预警报因子的值。对于前期有效降水和预报降水数据，需要利用滑坡灾害点与非滑坡灾害点的经纬度坐标和记录的时间来提取相应的预警报因子的值。由于记录的时间只是精确到了日，故从记录日期的前一日起记为第一天，往前推14天，利用降水衰减经验公式计算出前期有效降雨；将记录时间当日的累计预报降水（24小时累计预报降水）作为本次滑坡/非滑坡事件的预报降水量；

由于各预警报因子的量纲不同，且其量值相差较大，为便于分析计算以及提高用于滑坡灾害预警报的智能学习模块的准确率，本步骤中还将得到的预警报因子的值分别进行无量纲化处理后构建特征向量集，本实施例中，通过以下公式对预警报因子的值进行无量纲化处理：

式中，

为归一化后的数据，

为某一预警报因子，

为某一特征向量集中的最小值，

为某一特征向量集中的最大值；

然后将无量纲化处理后的各预警因子的值作为输入，滑坡灾害发生/不发生作为输出，构建用于智能学习的滑坡灾害预警报样本数据集。

S500：采用集成机器学习的堆栈泛化方法搭建用于滑坡灾害预警报的智能学习模块，将滑坡灾害预警报样本数据集输入智能学习模块，进行训练和优化，实现滑坡灾害的预警报。

本实施例中，具体的用于滑坡灾害预警报的智能学习模块结构可参考实施例1，本步骤中，输入滑坡灾害预警报样本数据集，该数据集进入实施例1中的模块，本实施例中，用于滑坡灾害预警报的智能学习模块采取自助采样法，即在得到一个滑坡灾害预警报样本数据集的基础上，采取有放回的抽样方式进行采样，假如滑坡灾害预警报样本数据集有m个样本，那么就进行m次有放回的采样方式，得到一个新的数据集，即训练集1；以此类推，得到训练集2,3……n，这些训练集分别进入模块的n个基模块中，进行计算训练得到预测结果，n个预测结果构成第一数据集进入元模块中，然后利用随机梯度下降和交叉熵损失函数对基模块和元模块相关参数进行训练和优化，如此，通过不断更新与优化模块参数，实现滑坡灾害的预警报。

实施例4

本实施例中，对实施例1提出的模块进行检验，将滑坡灾害点与非滑坡灾害点的样本集混合在一起并打散，采用10-折交叉验证的方式来训练和测试模块，以评估模块的性能。将每一轮训练和测试得到的结果取平均值，作为最终的评估结果，如图4。通过测试数据得到模块的受试者工作特征曲线（简称ROC曲线）以及模块的平均准确率为0.85。其中，ROC曲线下方的面积可达0.87，由此可见，搭建的用于滑坡灾害预警报的智能学习模块具有较高的准确率。

此外，本实施例还对实施例3中土质滑坡的时空智能预警报方法的实际应用做了检验，以重庆奉节为例，收集了2014年8月31日奉节县境内受强降水激发的大量滑坡灾害点数据，用于实际验证上述训练出的滑坡灾害智能用于滑坡灾害预警报的智能学习模块的性能，直接应用上述提取的奉节县境内的下垫面数据（静态数据可看作相对较长的一段时间内不会发生明显变化），如坡度、坡向、地貌类型、剖面曲率、岩性硬度、粘聚力、内摩擦角、土壤类型、土壤厚度、NDVI(归一化植被指数，使用对应月份（8月）的NDVI数据)、土地利用类型；利用8月30日-17日（往前推14天）的实况降水数据（QPE）按降水衰减经验公式（式1），得到本次预警报所需要的前期有效降水数据（图3）；利用8月31日的24小时内的逐小时预报降水量和累计预报降水量（图4），来预测31日（0时-23时）奉节县境内每个栅格单元在每个小时发生滑坡灾害的概率。

将上述各类预警报因子的值输入训练好的用于滑坡灾害预警报的智能学习模块，得到了31日奉节县境内每个栅格单元发生滑坡灾害的概率，将概率值大于0.5的网格单元，都视为会发生滑坡灾害，将这些网格单元的预测值与实际收集的数据进行对比分析，发现预测的准确率很高，可达79%，没有漏报，误报率较低，仅为21%，由此看来，本发明中的方法，提高了滑坡预警报的准确率，该用于滑坡灾害预警报的智能学习模块也可投入到业务中使用，用于预测滑坡灾害发生的概率。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种土质滑坡灾害时空智能预警报方法，其特征在于，包括以下步骤：

获取滑坡灾害点数据与非滑坡灾害点数据，所述滑坡灾害点的数据包括：滑坡灾害发生时间、地点；

根据滑坡灾害的成因机理和诱发因素获取用于智能学习的滑坡灾害预警报因子；所述预警报因子的类型包括下垫面因子和降水因子，所述下垫面因子包括坡度、坡向、地貌类型、剖面曲率、岩性硬度、粘聚力、内摩擦角、土壤类型、土壤厚度、NDVI、土地利用类型因子，所述降水因子包括前期有效降水因子和预报降水因子；

根据所述滑坡灾害点数据与非滑坡灾害点数据获取所述预警报因子对应的原始数据；

将所述原始数据进行空间分析提取用于智能学习的滑坡预警报因子的值，并将得到的所述预警报因子的值分别进行无量纲化处理后构建滑坡灾害预警报样本数据集；

采用集成机器学习的堆栈泛化方法搭建用于滑坡灾害预警报的智能学习模块，将所述滑坡灾害预警报样本数据集输入所述智能学习模块，进行训练和优化，实现滑坡灾害的预警报。

2.根据权利要求1所述的方法，其特征在于，所述用于滑坡灾害预警报的智能学习模块，包括多个基模块、元模块；

所述基模块用于接收样本数据集的数据进行计算训练得到预测结果；

所述元模块接收多个基模块得到的预测结果构成的第一数据集，并通过随机梯度下降和交叉熵损失函数进行训练和优化实现滑坡灾害的预警报。

3.根据权利要求1所述的方法，其特征在于，所述非滑坡灾害点数据包括时间、地点；其中，

非滑坡灾害点中的地点为所述滑坡灾害点周边1-2km处没有发生滑坡的地点、时间为邻近滑坡灾害点的时间，或地点为受强降水作用但没有发生滑坡灾害的坡体地点、时间为对应地点经受强降水的时间。

4.根据权利要求1所述的方法，其特征在于，所述将所述原始数据进行空间分析提取用于智能学习的滑坡预警报因子的值的步骤具体包括：

将预警报因子的原始数据进行掩模提取和重采样空间分析，生成分辨率为250m*250m的栅格数据。

5.根据权利要求1所述的方法，其特征在于，所述将得到的所述预警报因子的值分别进行无量纲化处理后构建特征向量集的步骤具体包括：

通过以下公式对所述预警报因子的值进行无量纲化处理：

式中，

为归一化后的数据，

某一预警报因子，

为某一特征向量集中的最小值，

为某一特征向量集中的最大值；

将无量纲化处理后的各预警因子的值作为输入，滑坡灾害发生/不发生作为输出，构建用于智能学习的滑坡灾害预警报样本数据集。

6.一种土质滑坡灾害时空智能预警报系统，其特征在于，包括：

数据获取模块，用于获取滑坡灾害点数据与非滑坡灾害点数据，所述滑坡灾害点的数据包括：滑坡灾害发生时间、地点；

预警报因子模块，与所述数据获取模块相连，用于根据滑坡灾害的成因机理和诱发因素获取用于智能学习的滑坡灾害预警报因子，并通过所述数据获取模块获取所述预警报因子对应的原始数据；

样本数据模块，与所述预警报因子模块相连，用于将所述原始数据进行空间分析提取用于智能学习的滑坡预警报因子的值，并将得到的所述预警报因子的值分别进行无量纲化处理后构建滑坡灾害预警报样本数据集；

智能学习模块，与所述样本数据模块相连，用于接收所述滑坡灾害预警报样本数据集，并进行训练优化实现滑坡灾害的预警报。

7.根据权利要求6所述的系统，其特征在于，所述智能学习模块包括多个基模块、元模块；

所述基模块用于接收样本数据集的数据进行计算训练得到预测结果；

所述元模块接收多个基模块得到的预测结果构成的第一数据集，并通过随机梯度下降和交叉熵损失函数进行训练和优化实现滑坡灾害的预警报。

8.根据权利要求6所述的系统，其特征在于，所述滑坡灾害点数据包括时间、地点；其中，

非滑坡灾害点中的地点为所述滑坡灾害点周边1-2km处没有发生滑坡的地点、时间为邻近滑坡灾害点的时间，或地点为受强降水作用但没有发生滑坡灾害的坡体地点、时间为对应地点经受强降水的时间。

9.根据权利要求6所述的系统，其特征在于，所述预警报因子的类型包括下垫面因子和降水因子，所述下垫面因子包括坡度、坡向、地貌类型、剖面曲率、岩性硬度、粘聚力、内摩擦角、土壤类型、土壤厚度、NDVI、土地利用类型因子，所述降水因子包括前期有效降水因子和预报降水因子。

10.根据权利要求6所述的系统，其特征在于，坡度因子、坡向因子、地貌类型因子、剖面曲率因子通过区域DEM数据经空间分析得到；

岩性硬度因子根据坚硬、软硬、较软和软岩分类获得；

粘聚力因子、内摩擦角因子对滑坡灾害点和非滑坡灾害点进行采样分析得到；

土壤类型因子、土壤厚度因子、NDVI因子、土地利用类型因子通过FAO土壤数据库来获取；

前期有效降水因子采用国家气象局的实况降水数据按照降水衰减经验公式进行计算获得；

预报降水因子采用国家气象局的逐小时预报降水数据。

Images