CN112001435A - 区域滑坡预警中训练样本集的构建方法、系统及存储介质 - Google Patents
区域滑坡预警中训练样本集的构建方法、系统及存储介质 Download PDFInfo
- Publication number
- CN112001435A CN112001435A CN202010829816.0A CN202010829816A CN112001435A CN 112001435 A CN112001435 A CN 112001435A CN 202010829816 A CN202010829816 A CN 202010829816A CN 112001435 A CN112001435 A CN 112001435A
- Authority
- CN
- China
- Prior art keywords
- early warning
- rainfall
- geological environment
- constructing
- library
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Alarm Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及基于机器学习或深度学习的区域滑坡预警中训练样本集的构建方法、系统及存储介质,构建方法包括以下内容:将预警区进行网格剖分生成各预警网格单元;获得各预警网格单元的地质环境的属性参数,构建地质环境特征库;获得各预警网格单元的降雨诱发因素特征参数,构建降雨诱发因素特征库;基于地质环境特征库和降雨诱发因素特征库,对历史滑坡点数据进行空间叠加分析,获得正样本及其输入输出特征属性;在时空约束条件下,对正样本进行随机采样获取负样本及其输入输出属性特征。
Description
技术领域
本发明涉及地质灾害防治领域,特别是关于一种基于机器学习或深度学习的区域滑坡预警中训练样本集的构建方法、系统及存储介质。
背景技术
地质灾害遍及全国山地丘陵区,已知数量近百万处之多。滑坡是突发性地质灾害的最主要类型,强降雨是诱发滑坡灾害的最重要因素。世界上20多个国家或地区,包括中国香港、美国、意大利、巴西、日本等,也都不同程度地开展过或正在开展区域滑坡灾害的早期预警与减灾服务工作。2003年起,中国大陆分级开展区域地质灾害气象预警业务,取得了较好的防灾减灾成效。同时,在监测预警示范区、三峡库区、汶川地震灾区等重点区域也开展了广泛的研究与实践。
近年来,随着人工智能技术的蓬勃发展,基于人工智能的机器学习和深度学习算法日益成熟。但是在区域滑坡灾害预警方面机器学习和深度学习算法的应用还鲜有提及。基于机器学习研发区域滑坡灾害预警模型的关键是训练样本集的获取。训练样本集包括正样本和负样本,正样本是指发生滑坡的点,一般以历史滑坡编目数据为依据,匹配其特征参数构成,其质量较高;负样本是指没有发生滑坡的点,一般无法直接获取。目前,迫切需要能够准确获得训练样本集的构建方法。
发明内容
针对上述问题,本发明的目的是提供一种区域滑坡预警中训练样本集的构建方法、系统和存储介质,能够以正样本为基础,在时空约束条件下随机采样获取负样本,获得准确的训练样本集。
为实现上述目的,本发明采取以下技术方案:
本发明的第一方面提供一种区域滑坡预警中训练样本集的构建方法,包括以下内容:
将预警区进行网格剖分生成各预警网格单元;
获得各预警网格单元的地质环境的属性参数,构建地质环境特征库;
获得各预警网格单元的降雨诱发因素特征参数,构建降雨诱发因素特征库;
基于地质环境特征库和降雨诱发因素特征库,对历史滑坡点数据进行空间叠加分析,获得正样本及其输入输出特征属性;
在时空约束条件下,对正样本进行随机采样获取负样本及其输入输出属性特征。
本发明的一些实施例中,所述对历史滑坡点数据进行空间叠加分析,获得正样本及其输入输出特征属性包括:将正样本点、地质环境特征库和降雨诱发因素特征库进行空间叠加分析,获取正样本的输入和输出特征属性。
本发明的一些实施例中,对正样本进行随机采样获取负样本及其输入输出属性特征包括:
将正样本在空间约束条件下进行空间采样得到M个空间点;
将M个空间点在时间约束条件下进行时间采样得到负样本点;
将负样本点、地质环境特征库和降雨诱发因素特征库进行空间叠加分析,获取负样本的输入和输出特征属性。
本发明的一些实施例中,将正样本在空间约束条件下进行空间采样得到M个空间点的具体过程包括:
导入正样本到ArcGIS中,采用“缓冲区”工具创建缓冲区;
采用ArcGIS软件的“裁剪”工具,裁减掉研究区范围外的缓冲区;
通过“交集取反”工具,获得缓冲区外区域;
在缓冲区外区域创建随机点得到M个空间点。
本发明的一些实施例中,将M个空间点在时间约束条件下进行时间采样得到负样本点具体过程包括:
导出M个空间点到excel格式;
采用rand工具随机获取日期数据;
采用date工具进行选择得到负样本点。
本发明的一些实施例中,所述构建地质环境特征库采用空间叠加的方法,将各地质环境影响因子图层数据与预警网格单元叠加分析获得各预警网格单元的地质环境特征库的各属性参数,其中,地质环境影响因子图层数据为区域滑坡灾害的地质环境影响因子。
本发明的一些实施例中,所述构建降雨诱发因素特征库采用空间叠加的方法,将面雨量数据与预警网格单元空间叠加分析构建获得全区范围内各预警网格单元降雨诱发因素特征库的参数,参数包括逐日雨量和/或有效雨量。
本发明的第二方面提供一种区域滑坡预警中训练样本集的构建系统,包括:
预警网格剖分单元,用于将预警区进行网格剖分生成各预警网格单元;
地质环境库构建单元,用于获得各预警网格单元的地质环境的属性参数,构建地质环境特征库;
降雨诱发因素特征库构建单元,用于获得各预警网格单元的降雨诱发因素特征参数,构建降雨诱发因素特征库;
正样本构建单元,用于基于地质环境特征库和降雨诱发因素特征库,对历史滑坡点数据进行空间叠加分析,获得正样本及其输入输出特征属性;
负样本构建单元,用于在时空约束条件下,对正样本进行随机采样获取负样本及其输入输出属性特征。
本发明的第三方面提供一种电子设备,所述电子设备至少包括处理器和存储器,所述存储器上存储有计算机程序,其特征在于,所述处理器运行所述计算机程序时执行以实现本发明第一方面所述区域滑坡预警中训练样本集的构建方法。
本发明的第四方面提供一种计算机存储介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行本发明第一方面所述区域滑坡预警中训练样本集的构建方法。
本发明由于采取以上技术方案,其具有以下优点:
1、本发明提供的训练样本集的构建方法,可以方便构建区域滑坡预警机器学习算法中的正负样本集,解决了基于机器学习的区域滑坡预警模型构建的瓶颈问题;
2、本发明在构建负样本时通过时空约束条件下的两次随机,可以大大扩展负样本的数量,为机器学习模型构建提供样本保障;
3、本发明将负样本缓冲区外空间采样方法引入到滑坡区域预警模型训练样本集构建中,并明确给定缓冲区半径大小为3倍的预警网格单元尺寸,因此负样本构建更加准确。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。在整个附图中,用相同的附图标记表示相同的部件。在附图中:
图1为本发明实施例1的区域滑坡预警中训练样本集的构建方法原理示意图;
图2为本发明实施例1的构建地质环境特征库示意图;
图3为本发明实施例1的正样本示意图;
图4为本发明实施例1的正样本缓冲区示意图;
图5为本发明实施例1的正样本缓冲区外部示意图;
图6为本发明实施例1的训练样本集构建效果示意图;
图7为本发明实施例1的负样本构建过程示意图;
图8为本发明实施例1的负样本构建过程示意图;
图9为本发明实施例2的构建系统框图;
图10为本发明实施例3的电子设备框图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了能够更透彻地理解本发明,并且能够将本发明的范围完整的传达给本领域的技术人员。
应理解的是,文中使用的术语仅出于描述特定示例实施方式的目的,而无意于进行限制。除非上下文另外明确地指出,否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的,并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在,但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行,除非明确指出执行顺序。还应当理解,可以使用另外或者替代的步骤。
实施例1
本实施例提供了一套完整的训练样本集构建方法,可直接应用到基于机器学习的区域滑坡预警模型研发,直接解决机器学习模型中最核心的训练样本集的构建难的问题,特别是负样本集构建方法缺失的问题。
如图1所示,本实施例提供的区域滑坡预警中训练样本集的构建方法,具体包括以下内容:
步骤S1、将预警区进行网格剖分
具体地,将研究预警区范围,按照区域预警实际需求剖分网格单元,在一些实现中,可以通过ArcGIS软件中的渔网工具,将预警区生成预警网格单元shape格式文件,具体过程不做赘述。
步骤S2、获得各预警网格单元的地质环境特征的属性参数,构建地质环境特征库
地质环境特征是影响区域滑坡预警训练样本集的核心输入特征参数,考虑到地质环境条件变化相对缓慢的特点,地质环境因素属性主要来源于现有的地质灾害和地质环境调查监测成果,主要包括地形地貌、地层岩性、植被类型和人类工程活动等。输入特征参数为滑坡灾害发生的影响因子,一般以空间数据的属性数据进行表达。例如地形参数中的坡度属性,空间上表达为研究区内坡度分区图,不同分区里是不同的坡度属性值,如果是多个影响因素,就有多个输入特征参数,一般为坡度、地貌类型、地层岩性类型、房屋建筑、水系河流等,具体根据研究地质灾害发生的影响因素分析确定。
具体地,本实施例采用空间叠加的方法,将各地质环境影响因子图层数据与预警网格单元叠加分析获得各预警网格单元的地质环境特征的各属性参数形成地质环境特征库,其中,地质环境影响因子图层数据为区域滑坡灾害的地质环境影响因子,包括地形地貌、地层岩性、人类活动等,且每个因子图层具有相应的属性,属性是各因子图层的属性值,比如坡度因子,属性值就是坡度值,比如30度或20度,再比如地貌类型因子,属性值为地貌类型:高山或中高山等。
在一些实现中,空间叠加分析可以通过ArcGIS里的“叠加工具—相交”工具实现,如图2所示。通过对各个图层的叠加分析,最后将环境特征因素的属性值赋值到预警网格单元,本步骤完成后,空间数据里的每个预警网格单元都会具有环境特征属性表,例如某预警网格单元的坡度值、地形岩性等等。
需要说明的是,如果环境特征因素的属性不是具体数值,需要进行必要的量化处理,量化处理方法很多,可以通过专家经验赋值,比如将属性分类赋值为1,2,3...,4 或者定量的方法,在一些实现中定量方法可以采用常用的确定系数法CF方法,实现因子量化。采用确定性系数模型开展因子量化过程中,是假设在与已发生地质灾害地区的相似斜坡区就有可能发生类似的地质灾害。通过确定性系数函数,将地质灾害各影响因子实现了同区间量化,该方法实现了复杂多因子数据的同区间定量化的问题,并可合并计算。CF的变化范围为[-1,1],正值代表地质灾害发生的确定性高,地质环境条件差;负值代表地质灾害发生的确定性低,地质环境条件好;CF值接近于0,说明确定性居中,不能确定地质环境的优劣。
步骤S3、获得各预警网格单元的降雨诱发因素特征,构建降雨诱发因素特征库
降雨因素是区域滑坡灾害群集发生的主要诱发因素,也是影响区域滑坡预警训练样本集的核心输入特征参数。与地质环境变化相对缓慢不同,降雨诱发因素时效特征更明显,主要来源于实时的降雨站点监测数据。目前降水站点可监测逐小时雨量,在区域滑坡预警中,根据预警尺度和精度不同,可采用小时雨量、日雨量或有效雨量作为训练样本集的降雨诱发因素特征,其中,降雨诱发因子数据研究区时间范围内的降雨日雨量数据,例如只有站点小时雨量时,需要进行必要的数据处理计算日雨量、有效雨量,将站点雨量扩展到面雨量。在一些实现中,点雨量扩展面雨量可采用现有降雨因素空间反距离权重插值方法进行,可以通过ArcGIS软件中插值工具完成,在此不做赘述。
具体地,本实施例可以通过采用空间叠加的方法,将面雨量数据与预警网格单元空间叠加分析构建获得全区范围内各预警网格单元降雨诱发因素(逐日雨量和有效雨量)形成降雨诱发因素特征库,特征库中的降雨诱发因素参数包括降雨参数(逐日雨量或有效雨量或二者都有,可根据研究区降水诱发地质灾害相关具体分析确定),逐日雨量一般为灾害发生前15日逐日雨量,有效雨量一般采用折减计算获取。
在一些实现中,空间叠加分析可以通过ArcGIS里的叠加功能实现。
在另一些实现中,前期有效雨量的常用计算公式如下:
其中,Ti为第i个预警网格单元的有效雨量;Tix为第i个预警网格单元前x天的降雨量;i为预警网格单元编号;x为预警当日向前计算的天数;m为有效降雨日数(天),据实践经验,一般取m=6,即主要受到一周内雨量的影响;k为有效降雨系数,一般取0.84。
步骤S4、如图3所示,对历史滑坡点数据进行空间叠加分析,获得正样本及其输入输出特征属性,具体过程为:
步骤S41、对历史滑坡点数据进行数据清洗获得正样本
对历史滑坡点数据通过数据清洗,获取带有精确的时间空间坐标的历史滑坡点N个作为正样本,N为正整数,其中,历史滑坡点数据需要时间和空间坐标,空间坐标为地滑坡理坐标,时间坐标精确到日,数据清洗是对历史滑坡点数据的检查与预处理,比如某些数据缺失时间和空间坐标等,如果检查后缺失,做出数据补充或数据删除处理。
步骤S42、获取正样本的输入输出特征属性
将正样本点、地质环境特征库和降雨诱发因素特征库进行空间叠加分析,获取正样本的输入和输出特征属性,其中,输入特征属性就是上面叠加分析的结果,也就是各影响因素的属性值,例如某一个正样本点,其属性字段归一化之后的结果为:坡度值0.2,地层岩性值0.5,前1日雨量0.8等等。输出属性特征是机器学习二分类问题中的输出属性,这里有滑坡发生,也就是正样本,输出属性就定义为1,没有滑坡发生,也就是负样本,输出属性就定义为0。
在一些实现中,空间叠加可以采用ArcGIS软件中空间分析常用操作,点对区叠加分析,就可以将地质环境因素和降雨因素属性赋值到正样本点上,也就是每一个正样本点都具有的各影响因素的属性值。
步骤S5、在时空约束条件下,对正样本进行随机采样获取负样本及其输入输出属性特征,其中,负样本的获取主要是以正样本为基础,在时空约束条件下,引入“随机技术”通过随机采样获取负样本,包括以下内容:
步骤S51、将带有精确时间空间坐标的正样本在约束条件下进行空间采样
具体地,在设定缓冲区范围外的空间上随机采样M个点(M可以设置为2N,或者根据实际需要进行选择),并获取点的空间坐标,上述过程可在ArcGIS中完成,分4 个步骤完成,具体为:
步骤S510、导入正样本到ArcGIS中,采用“缓冲区”工具创建缓冲区,在一些实现中,缓冲区半径建议为预警网格单元的3倍,如图4所示;
步骤S511、针对研究区范围裁剪缓冲区,具体地,采用ArcGIS软件的“裁剪”工具,裁减掉研究区范围外的缓冲区。
步骤S512、通过“交集取反”工具,获得缓冲区外区域,如图5所示;
步骤S513、在缓冲区外区域创建随机点得到M个空间点,如图6所示。
步骤S52、将M个空间点在约束条件下进行时间采样,即以M个空间点为负样本点,在研究区时间范围内随机采样时间坐标,从而获取点的空间坐标和时间坐标,在一些实现中,时间随机采用可在excel表格中完成,具体过程为:
步骤S520、导出负样本点到excel格式。
步骤S521、如图7所示,采用rand(bottom,top)工具,随机范围根据研究区具体数据情况确定。分别随机获取年、月、日数据,例如:随机“年”采用公式 RANDBETWEEN(2010,2018),也就是在2010-2018年范围内,随机获取年数据;随机“月”采用公式RANDBETWEEN(5,9),也就是在5-9月范围内,随机获取月数据;随机“日”采用公式RANDBETWEEN(1,30),也就是在1-30日范围内,随机获取日数据。
步骤S522、如图8所示,采用公式date(year,month,day)获取日期数据,得到负样本点。
步骤S53、获取负样本输入输出特征属性。
具体地,将负样本点、地质环境特征库和降雨诱发因素特征库进行空间叠加分析,获取负样本的输入特征属性参数,输入特征属性就是上面叠加分析的结果,也就是各影响因素的属性值,输出特征属性为0。
综上,至此完成训练样本集的全部构建过程,为了模型建模方便,可以重复多次空间随机和时间随机采样,获得更多的训练样本集。
实施例2
上述实施例1提供了训练样本集的构建方法,与之相对应地,本实施例提供一种训练样本集的构建系统。本实施例提供的构建系统可以实施实施例1的训练样本集的构建方法,该构建系统可以通过软件、硬件或软硬结合的方式来实现。例如,该构建系统可以包括集成的或分开的功能模块或功能单元来执行实施例1各方法中的对应步骤。由于本实施例的构建系统基本相似于方法实施例,所以本实施例描述过程比较简单,相关之处可以参见实施例1的部分说明即可,本实施例的构建系统的实施例仅仅是示意性的。
具体地,如图9所示,本实施例提供的训练样本集的构建系统,包括:
预警网格剖分单元,用于将预警区进行网格剖分生成各预警网格单元;
地质环境库构建单元,用于获得各预警网格单元的地质环境的属性参数,构建地质环境特征库;
降雨诱发因素特征库构建单元,用于获得各预警网格单元的降雨诱发因素特征参数,构建降雨诱发因素特征库;
正样本构建单元,用于基于地质环境特征库和降雨诱发因素特征库,对历史滑坡点数据进行空间叠加分析,获得正样本及其输入输出特征属性;
负样本构建单元,用于在时空约束条件下,对正样本进行随机采样获取负样本及其输入输出属性特征。
实施例3
本实施例提供一种与本实施例1所提供的训练样本集构建方法对应的电子设备,电子设备可以是用于客户端的电子设备,例如手机、笔记本电脑、平板电脑、台式机电脑等,以执行实施例1的构建方法。
如图10所示,所述电子设备包括处理器、存储器、通信接口和总线,处理器、存储器和通信接口通过总线连接,以完成相互间的通信。总线可以是工业标准体系结构 (ISA,Industry Standard Architecture)总线,外部设备互连(PCI,Peripheral Component)总线或扩展工业标准体系结构(EISA,Extended Industry Standard Component)总线等等。存储器中存储有可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行本实施例1所提供的训练样本集的构建方法。
在一些实现中,存储器可以是高速随机存取存储器(RAM:Random AccessMemory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
在另一些实现中,处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器,在此不做限定。
实施例4
本实施例1的训练样本构建方法可被具体实现为一种计算机程序产品,计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本实施例1所述的构建方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
需要说明的是,附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。上述内容仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围。
Claims (10)
1.一种区域滑坡预警中训练样本集的构建方法,其特征在于包括以下内容:
将预警区进行网格剖分生成各预警网格单元;
获得各预警网格单元的地质环境的属性参数,构建地质环境特征库;
获得各预警网格单元的降雨诱发因素特征参数,构建降雨诱发因素特征库;
基于地质环境特征库和降雨诱发因素特征库,对历史滑坡点数据进行空间叠加分析,获得正样本及其输入输出特征属性;
在时空约束条件下,对正样本进行随机采样获取负样本及其输入输出属性特征。
2.根据权利要求1所述的构建方法,其特征在于,所述对历史滑坡点数据进行空间叠加分析,获得正样本及其输入输出特征属性包括:将正样本点、地质环境特征库和降雨诱发因素特征库进行空间叠加分析,获取正样本的输入和输出特征属性。
3.根据权利要求1所述的构建方法,其特征在于,对正样本进行随机采样获取负样本及其输入输出属性特征包括:
将正样本在空间约束条件下进行空间采样得到M个空间点;
将M个空间点在时间约束条件下进行时间采样得到负样本点;
将负样本点、地质环境特征库和降雨诱发因素特征库进行空间叠加分析,获取负样本的输入和输出特征属性。
4.根据权利要求3所述的构建方法,其特征在于,将正样本在空间约束条件下进行空间采样得到M个空间点的具体过程包括:
导入正样本到ArcGIS中,采用“缓冲区”工具创建缓冲区;
采用ArcGIS软件的“裁剪”工具,裁减掉研究区范围外的缓冲区;
通过“交集取反”工具,获得缓冲区外区域;
在缓冲区外区域创建随机点得到M个空间点。
5.根据权利要求4所述的构建方法,其特征在于,将M个空间点在时间约束条件下进行时间采样得到负样本点具体过程包括:
导出M个空间点到excel格式;
采用rand工具随机获取日期数据;
采用date工具进行选择得到负样本点。
6.根据权利要求1到5任一项所述的构建方法,其特征在于,所述构建地质环境特征库采用空间叠加的方法,将各地质环境影响因子图层数据与预警网格单元叠加分析获得各预警网格单元的地质环境特征库的各属性参数,其中,地质环境影响因子图层数据为区域滑坡灾害的地质环境影响因子。
7.根据权利要求1到5任一项所述的构建方法,其特征在于,所述构建降雨诱发因素特征库采用空间叠加的方法,将面雨量数据与预警网格单元空间叠加分析构建获得全区范围内各预警网格单元降雨诱发因素特征库的参数,参数包括逐日雨量和/或有效雨量。
8.一种区域滑坡预警中训练样本集的构建系统,其特征在于,包括:
预警网格剖分单元,用于将预警区进行网格剖分生成各预警网格单元;
地质环境库构建单元,用于获得各预警网格单元的地质环境的属性参数,构建地质环境特征库;
降雨诱发因素特征库构建单元,用于获得各预警网格单元的降雨诱发因素特征参数,构建降雨诱发因素特征库;
正样本构建单元,用于基于地质环境特征库和降雨诱发因素特征库,对历史滑坡点数据进行空间叠加分析,获得正样本及其输入输出特征属性;
负样本构建单元,用于在时空约束条件下,对正样本进行随机采样获取负样本及其输入输出属性特征。
9.一种电子设备,所述电子设备至少包括处理器和存储器,所述存储器上存储有计算机程序,其特征在于,所述处理器运行所述计算机程序时执行以实现根据权利要求1到7任一项所述区域滑坡预警中训练样本集的构建方法。
10.一种计算机存储介质,其特征在于,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现权利要求1到7任一项所述区域滑坡预警中训练样本集的构建方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010829816.0A CN112001435A (zh) | 2020-08-18 | 2020-08-18 | 区域滑坡预警中训练样本集的构建方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010829816.0A CN112001435A (zh) | 2020-08-18 | 2020-08-18 | 区域滑坡预警中训练样本集的构建方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112001435A true CN112001435A (zh) | 2020-11-27 |
Family
ID=73472662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010829816.0A Pending CN112001435A (zh) | 2020-08-18 | 2020-08-18 | 区域滑坡预警中训练样本集的构建方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112001435A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112632407A (zh) * | 2020-12-18 | 2021-04-09 | 湖南科技大学 | 一种顾及地理环境异质性的空间抽样方法 |
CN112735097A (zh) * | 2020-12-29 | 2021-04-30 | 中国地质环境监测院 | 一种区域滑坡预警方法及系统 |
CN115830804A (zh) * | 2022-10-24 | 2023-03-21 | 北京中地华安科技股份有限公司 | 易发分区约束下的管道地质灾害智能预警负样本采样法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260625A (zh) * | 2015-11-19 | 2016-01-20 | 阿坝师范学院 | 一种滑坡地质灾害预警推送方法 |
US20180045853A1 (en) * | 2016-08-15 | 2018-02-15 | U.S.A. As Represented By The Administrator Of The National Aeronautics And Space Administration | Landslide hazard assessment system and method |
CN111144637A (zh) * | 2019-12-24 | 2020-05-12 | 贵州电网有限责任公司 | 基于机器学习的区域电网地质灾害预报模型构建方法 |
-
2020
- 2020-08-18 CN CN202010829816.0A patent/CN112001435A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260625A (zh) * | 2015-11-19 | 2016-01-20 | 阿坝师范学院 | 一种滑坡地质灾害预警推送方法 |
US20180045853A1 (en) * | 2016-08-15 | 2018-02-15 | U.S.A. As Represented By The Administrator Of The National Aeronautics And Space Administration | Landslide hazard assessment system and method |
CN111144637A (zh) * | 2019-12-24 | 2020-05-12 | 贵州电网有限责任公司 | 基于机器学习的区域电网地质灾害预报模型构建方法 |
Non-Patent Citations (3)
Title |
---|
刘艳辉 等: "基于机器学习的区域滑坡灾害预警模型研究", 《工程地质学报》 * |
孙德亮: "基于机器学习的滑坡易发性区划与降雨诱发滑坡预报预警研究", 《中国博士学位论文全文数据库 基础科学辑》, no. 9 * |
方苗 等: "基于GIS和Logistic回归模型的兰州市滑坡灾害敏感性区划研究", 《遥感技术与应用》, vol. 26, no. 6, pages 845 - 854 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112632407A (zh) * | 2020-12-18 | 2021-04-09 | 湖南科技大学 | 一种顾及地理环境异质性的空间抽样方法 |
CN112735097A (zh) * | 2020-12-29 | 2021-04-30 | 中国地质环境监测院 | 一种区域滑坡预警方法及系统 |
CN115830804A (zh) * | 2022-10-24 | 2023-03-21 | 北京中地华安科技股份有限公司 | 易发分区约束下的管道地质灾害智能预警负样本采样法 |
CN115830804B (zh) * | 2022-10-24 | 2023-08-22 | 北京中地华安科技股份有限公司 | 易发分区约束下的管道地质灾害智能预警负样本采样法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112001435A (zh) | 区域滑坡预警中训练样本集的构建方法、系统及存储介质 | |
Khoshnood Motlagh et al. | Analysis and prediction of land cover changes using the land change modeler (LCM) in a semiarid river basin, Iran | |
Wang et al. | Comparative performance of logistic regression and survival analysis for detecting spatial predictors of land-use change | |
Pascale et al. | Landslide susceptibility mapping using artificial neural network in the urban area of Senise and San Costantino Albanese (Basilicata, Southern Italy) | |
Zuo et al. | Application of a hybrid method combining multilevel fuzzy comprehensive evaluation with asymmetric fuzzy relation analysis to mapping prospectivity | |
Nicolis et al. | Prediction of intensity and location of seismic events using deep learning | |
CN109241846A (zh) | 遥感影像的时空变化估测方法、装置与存储介质 | |
Bodri | A neural-network model for earthquake occurrence | |
CN111539904B (zh) | 一种基于降雨量的灾害易发性预测方法 | |
CN113487105B (zh) | 一种滑坡地质灾害的空间预测方法、装置和计算机设备 | |
WO2024109848A1 (zh) | 一种台风强度预测方法、装置、设备及存储介质 | |
Yariyan et al. | GIS-based seismic vulnerability mapping: a comparison of artificial neural networks hybrid models | |
CN109376209B (zh) | 污染场地数据库3d模型展示系统 | |
Tang et al. | Agent-based land change modeling of a large watershed: Space-time locations of critical threshold | |
Chen et al. | The application of the genetic adaptive neural network in landslide disaster assessment | |
Moroz et al. | Spatial constraints in cellular automata-based urban growth models: A systematic comparison of classifiers and input urban maps | |
Roy et al. | Enhanced morphometric analysis for soil erosion susceptibility mapping in the Godavari river basin, India: leveraging Google Earth Engine and principal component analysis | |
Zhang et al. | Study on Tianjin Land-Cover Dynamic Changes, Driving Factor Analysis, and Forecasting | |
CN117253344A (zh) | 一种海水酸化预警预报方法、系统及电子设备 | |
Storlazzi et al. | Rigorously valuing the impact of hurricanes Irma and Maria on coastal hazard risk in Florida and Puerto Rico | |
CN115310672A (zh) | 城市发展预测模型的构建方法、城市发展预测方法及装置 | |
CN115169718A (zh) | 基于元胞自动机的区域滑坡危险性动态预测方法及装置 | |
Yan et al. | Domain knowledge assisted data processing for florida public hurricane loss model | |
TWI647475B (zh) | 地震預測方法與系統 | |
Bai et al. | Deep semantic segmentation for rapid extraction and spatial-temporal expansion variation analysis of China’s urban built-up areas |
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 |