CN112036424A - 基于无监督机器学习的海底滑坡危险性分析方法 - Google Patents
基于无监督机器学习的海底滑坡危险性分析方法 Download PDFInfo
- Publication number
- CN112036424A CN112036424A CN202010361095.5A CN202010361095A CN112036424A CN 112036424 A CN112036424 A CN 112036424A CN 202010361095 A CN202010361095 A CN 202010361095A CN 112036424 A CN112036424 A CN 112036424A
- Authority
- CN
- China
- Prior art keywords
- landslide
- parameters
- risk
- machine learning
- submarine
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 35
- 238000010801 machine learning Methods 0.000 title claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 49
- 238000011160 research Methods 0.000 claims abstract description 33
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 27
- 230000006870 function Effects 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 25
- 239000013049 sediment Substances 0.000 claims abstract description 15
- 238000012502 risk assessment Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000005192 partition Methods 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 239000002689 soil Substances 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 6
- 238000009991 scouring Methods 0.000 claims description 5
- 238000012876 topography Methods 0.000 claims description 4
- 238000013316 zoning Methods 0.000 abstract description 3
- 238000002372 labelling Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- 238000000638 solvent extraction Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000000877 morphologic effect Effects 0.000 description 4
- 239000004927 clay Substances 0.000 description 3
- 238000013075 data extraction Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000008021 deposition Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000003628 erosive effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- CCEKAJIANROZEO-UHFFFAOYSA-N sulfluramid Chemical group CCNS(=O)(=O)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)C(F)(F)F CCEKAJIANROZEO-UHFFFAOYSA-N 0.000 description 1
- 238000013107 unsupervised machine learning method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明公开一种基于无监督机器学习的海底滑坡危险性分析方法,以研究区水深、沉积物类型等多组地质环境参数为输入参数,并基于确定的核函数参数类型构建了海底滑坡危险性评价分析模型,通过对实际研究区输入参数进行分类处理,输入至所构建的无监督机器学习模型中,并通过分类及标签赋予,得到最终的海底滑坡危险性分析结果;本方案提供了可以在海底滑坡发生危险之前的危险性分析手段,能够对尚未产生海底滑坡的区域进行危险性评价和预测;可根据不同种类的地质参数进行评价,能够根据各类地质参数,快速、有效地对研究区进行海底滑坡危险性分区。
Description
技术领域
本发明涉及海底滑坡危险分析技术领域,具体涉及一种基于无监督机器学习的海底滑坡危险性分析方法。
背景技术
海底滑坡是一种由海底土体滑动引发的海底地质灾害现象,能够对海底电缆、光缆、海洋平台等海洋工程设施造成巨大的威胁。开展海底滑坡的危险性评价研究对于海洋工程设施的选址和危险预防具有指导作用。目前海底滑坡分类的方法主要有:利用高精度地球物理探测进行滑坡形态识别、通过数值分析的方法开展海底滑坡稳定性计算以及使用常规水槽或离心机等物理模型试验模拟滑坡过程。虽然通过上述常规研究取得了较大的进展,然而受海底滑坡自身控制条件复杂、触发影响因素众多、监测难度大等原因的影响,难以对某区域产生海底滑坡前的危险性进行分析评价。
文献“基于GIS的黄河水下三角洲海底滑坡稳定性预测”为了预测海底滑坡稳定性,在栅格GIS的环境中,利用AHP多层次分析法构建了相关模型。AHP方法也是首先获取滑坡相关参数的数据,进行整合后构建权重判断矩阵、计算因子权重、滑坡因子权重一致性检验等方法进行计算。但是,海底滑坡形态学分类,只能根据海底滑坡产生之后的形态进行分类,依据大小、水深、坡等一系列特征进行区分;并且该分类方法人为干预过多,像权重矩阵的构建就全部由操作人员人为感觉赋值,根据经验和判断,非本领域的专家或者对区域不够了解的情况下,难以进行操作且容易造成较大误差。
为此,亟待提出一种技术方案,以对尚未发生滑动的区域进行危险性预测,以解决形态学分类无法解决的问题。
发明内容
本发明为解决现有技术中存在的缺陷,提出一种基于无监督机器学习的海底滑坡危险性分析方法,构建海底滑坡危险性评价分析体系,结合研究区各类地质环境影响因子展开海底滑坡危险性分析,能够对尚未发生滑动的区域进行危险性预测,并较好地用于海底滑坡危险性预测。
本发明是采用以下的技术方案实现的:一种基于无监督机器学习的海底滑坡危险性分析方法,包括以下步骤:
步骤A、获取海底滑坡研究区域地质参数,所述地质参数包括水动力参数和滑坡体本身的参数,分别对应的用以表征外部环境特征和潜在滑坡体自身的特征;
步骤B、数据前处理:
步骤B1、单因子参数分区和不同区域类别划分:将各类单位、量级不同的地质参数数据进行分级处理,得到统一量级的分类结果;
步骤B2、海底滑坡危险性评价点位数据提取,以获得所有需要评价分析的点位坐标与单因子参数的对应数据;
步骤C、构建无监督机器学习模型;
步骤C1、输入输出参数类别确定及原始数据预处理:以沉积物类型、海底地形坡度、土体强度和水深、50年一遇波高大小、底层最大流速、液化、海底冲刷以及人类工程活动情况作为无监督机器学习模型的输入,将区域评价分析结果分为危险性高、危险性较高、危险性较低和危险性低4类评价标签作为无监督机器学习模型的输出;
步骤C2、网络参数选取与评价:通过分析计算确定最可靠的核函数参数作为评价网络最终的参数,并选择一种组合为最优情况构建无监督机器学习模型;
步骤D、海底滑坡危险性评价:对实际研究区输入参数进行分类处理,输入至所构建的无监督机器学习模型中,并通过分类及标签赋予,得到最终的海底滑坡危险性分析结果。
进一步的,所述步骤A中,所述水动力参数包括水深、波浪、潮汐和底流;所述滑坡体本身的参数包括沉积物类型、构造特征和沉积物物理力学性质。
进一步的,所述步骤C2中,在确定核函数参数时,具体采用以下步骤:
(1)计算相似度矩阵W:
全连接法表达式为:
W为sij组成的相似度矩阵,核函数参数σ控制着样本点的邻域宽度,即σ越大表示样本点与距离较远的样本点的相似度越大;
(2)计算度矩阵D
即相似度矩阵W的每一行元素之和,D为di组成的9*9对角矩阵;
(3)计算拉普拉斯矩阵L=D-W;
(4)计算L的特征值,将特征值从小到大排序,取前k个特征值,并计算前k个特征值的特征向量u1,u2...un;
(5)将上面的k个列向量组成矩阵U={u1,u2...un},U∈Rn*k;
(6)令yi∈Rk是U的第i行的向量,其中i=1,2,...n;
(7)使用Kmeans算法将新样本点Y={y1,y2,...,yn}聚类成簇C1,C2...Ck;
(8)输出簇A1,A2...Ak,其中Ai={j|yi∈Ci};
令核函数参数σ从0.01至2.5以0.01为间隔进行变化,针对每个核函数参数均进行聚类并使用Calinski-Harabasz对结果进行分析,选择最可靠的核函数参数作为评价网络最终的参数。
与现有技术相比,本发明的优点和积极效果在于:
本方案提供了一种基于无监督机器学习算法的海底滑坡危险分析方法,实现了不需人为干预、依靠各类地质参数自动对海底滑坡危险性进行分类;
(1)提供了可以在海底滑坡发生危险之前的危险性分析手段,能够对尚未产生海底滑坡的区域进行危险性评价和预测;
(2)人为干预少,降低了开展海底滑坡危险性评价的难度要求,不需要非常专业的经验;
(3)可根据不同种类的地质参数进行评价,能够根据各类地质参数,快速、有效地对研究区进行海底滑坡危险性分区。
附图说明
图1为本发明实施例所述危险性分析方法的流程示意图;
图2为本发明实施例所述海底滑坡危险性评价网络结构示意图;
图3为本发明实施例所述评价网络得分随核函数参数的变化示意图;
图4为本发明实施例黄河口海底滑坡危险性评价结果示意图,虚线a为危险性较高和危险性低分区间的突变界限。
具体实施方式
为了能够更加清楚地理解本发明的上述目的、特征和优点,下面结合附图及实施例对本发明做进一步说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用不同于在此描述的其他方式来实施,因此,本发明并不限于下面公开的具体实施例。
本发明方案提出一种基于无监督机器学习的海底滑坡危险性分析方法,主要解决海底滑坡危险性评价分析问题,海底滑坡由于水文、地质各类数据和参数获取困难,并且各种影响因素和触发因素与最后的滑坡发生并非是线性对应的关系,因此往往难以有效地进行危险性评价分析,只能在发生滑动之后根据地球物理探测资料进行形态学的分级。本发明以研究区水深、沉积物类型等多组地质环境参数为输入参数,并基于确定的核函数参数类型构建了海底滑坡危险性评价分析模型,将研究区分为了海底滑坡危险性高、较高、较低和低的区域,实现了对尚未发生滑动的区域进行危险性预测,解决了形态学分类无法解决的问题。
如图1所述,基于无监督机器学习的海底滑坡危险性分析方法,包括以下步骤:
步骤A、获取海底滑坡研究区域地质参数,所述地质参数包括水动力参数和滑坡体本身的参数,分别对应的用以表征外部环境特征以及潜在滑坡体自身的特征;
步骤B、数据前处理:
(1)单因子参数分区和不同区域类别划分:将各类单位、量级不同的地质参数数据进行分级处理,得到统一量级的分类结果;
(2)海底滑坡危险性评价点位数据提取,以获得所有需要评价分析的点位坐标与单因子参数的对应数据;
步骤C、构建无监督机器学习模型;
(1)输入输出参数类别确定及原始数据预处理:以沉积物类型、海底地形坡度、土体强度和水深、50年一遇波高大小、底层最大流速、液化、海底冲刷以及人类工程活动情况作为无监督机器学习模型的输入,将区域评价分析结果分为危险性高、危险性较高、危险性较低和危险性低4类评价标签作为无监督机器学习模型的输出;
(2)网络参数选取与评价:通过分析计算确定最可靠的核函数参数作为评价网络最终的参数,并选择一种组合为最优情况构建无监督机器学习模型;
步骤D、海底滑坡危险性评价:对实际研究区输入参数进行分类处理,输入至所构建的无监督机器学习模型中,并通过分类及标签赋予,得到最终的海底滑坡危险性分析结果。
具体的,如图1所示:
步骤A中,获取海底滑坡研究区域地质参数一般需要通过勘测调查或者搜集资料等手段获得,所述地质参数包括水动力参数和滑坡体本身的参数,所述水动力参数包括水深、波浪、潮汐和底流等;所述滑坡体本身的参数包括沉积物类型、构造特征和沉积物物理力学性质等参数。水动力参数表征外部环境的特征,滑坡体本身的参数表征潜在滑坡体自身的特征;另外,若有明显的影响触发因素,如周边地震作用、海底火山、海啸等方面,也作为相应的地质参数以纳入计算的参数中。
本实施例中,使用地球物理调查、钻探以及室内土工试验等方法,获得研究区水深、波浪、海流、海底沉积物类型、沉积物物理参数、研究区冲淤情况、液化灾害分布情况以及人类工程活动在研究区的分布情况(包括码头、防波堤、海上采油平台、海底输油管线、电缆光缆等)等作为海底滑坡研究区域地质参数,具体实施时,不限制上述参数类型。
步骤B中,在构建无监督机器学习模型前需要进行数据前处理,具体包括单因子参数分区、不同区域类别划分,以及海底滑坡危险性评价点位数据提取三个步骤;
单因子参数分区和不同区域类别划分的作用为将各类单位、量级不同的数据进行初步分级处理,得到统一量级的分类结果,海底滑坡危险性评价点位数据则是根据需要进行评价的坐标点位进行分级类别的信息提取,以获得所有需要评价分析的点位坐标与单因子参数的对应数据;
(1)单因子参数分区
根据步骤A中调查或搜集到的每一个参数在研究区范围内的分布情况,综合考虑地质领域关于各参数已规定的分类方法以及数据自身范围进行分区;由于只有一个参数,那么采取插值算法可以很容易地进行不同单因子参数分区;
(2)不同区域类别划分
根据单因子参数分区结果,对每个结果根据特点制定其分区号,如有4个分区则以1~4进行编号,最终获得单因子分区图。
下面对单因子参数分区及不同区域类别划分进行详细的解释说明,对于步骤A中所获得的参数,按照影响程度由大到小,若分为3类则每一类分别为3、2、1;若分为4类则每一类分别为4、3、2、1,本实施例则对研究区内水深数据、50年一遇波高、底层最大流速、海底土体强度、研究区海域冲淤、沉积物类型、液化等级、研究区海域的坡度、研究区海域现有工程影响区根据实际情况对应的分为4类。
(3)海底滑坡危险性评价点位数据提取
海底滑坡危险性评价点位数据提取为在上述单因子分布图的基础上,根据需要进行评价的坐标点位进行分级类别(1、2、3、4)的信息提取,通过数据提取最终可以获得所有需要评价分析的点位坐标与上述几种单因子的对应数据。具体根据所需要评价点位密度,首先给定点位具体的坐标,然后在各个单因子分区图中提取出相应的分区号,比如,若共有m个单因子,分区为n,评价点位数量为k,则共有m*k个值,每个值的可能性有n个。
步骤C中,在构建无监督机器学习模型时,具体需要确定评价网络内部核函数参数和输出类别的值;
由于海底滑坡问题的环境影响因素、触发因子众多且难以实时监测,没有一一对应的滑坡参数与结果的数据。现有评价大多带有主观因素,如专家打分法等,本实施例基于无监督机器学习中的谱聚类算法进行海底滑坡危险性评价分析,可以减弱海底滑坡评价问题中人为因素影响,其主要步骤包括输入输出参数类别确定及原始数据处理、网络参数选取及评价;
(1)输入输出参数类别确定及原始数据预处理
本实施例中,如图2所示,以沉积物类型、海底地形坡度、土体强度和水深、50年一遇波高大小、底层最大流速、液化、海底冲刷以及人类工程活动情况作为无监督机器学习模型的输入,将区域评价分析结果分为危险性高、危险性较高、危险性较低和危险性低4类评价分级作为无监督机器学习模型的输出,因此输入节点数为9个,对应输入类别的9个参数;输出节点数为4个,对应4种分级结果,对于输入参数,按照步骤B所示的方式完成数据预处理。
(2)网络参数选取与评价
本实施例中在确定核函数参数时,具体采用以下步骤:
1)计算相似度矩阵W,具体可采用最小邻近值法、k临近法及全连接法等,本实施例以全连接法为例进行说明:
全连接法表达式为:
W为sij组成的相似度矩阵,核函数参数σ控制着样本点的邻域宽度,即σ越大表示样本点与距离较远的样本点的相似度越大。
2)计算度矩阵D
即相似度矩阵W的每一行元素之和,D为di组成的9*9对角矩阵;
3)计算拉普拉斯矩阵L=D-W;
4)计算L的特征值,将特征值从小到大排序,取前k个特征值,并计算前k个特征值的特征向量u1,u2...un;
5)将上面的k个列向量组成矩阵U={u1,u2...un},U∈Rn*k;
6)令yi∈Rk是U的第i行的向量,其中i=1,2,...n;
7)使用Kmeans算法将新样本点Y={y1,y2,...,yn}聚类成簇C1,C2...Ck;
8)输出簇A1,A2...Ak,其中Ai={j|yi∈Ci}。
其中的核函数为高斯核函数(数值大于0),对核函数参数进行调参时,保持数据及其他网络参数不变,令核函数参数为从0.01至2.5以0.01为间隔进行变化,针对每个核函数参数均进行聚类并使用Calinski-Harabasz评分标准对结果进行分析,选择最可靠的核函数参数作为评价网络最终的参数,并最终选择一种组合为最优情况构建无监督机器学习模型,如图3所示,本实施例中优选核函数参数为0.08;
步骤D中,在进行海底滑坡危险性评价分析时,在构建了最优无监督机器学习算法的基础上,对海底滑坡的参数展开聚类,实现最终的危险性预测。
(1)分类:由于聚类只能得到分区结果,并没有量级上的高低,评价分析后可以得到所有研究点位分区情况,此时,并没有危险性高低标签;
(2)标签赋予:
为了确定得到区域的标签,则需要结合研究区水动力、沉积物类型以及液化发育情况进行分析,确定了研究区内定性的特点,再与分区结果进行对照比较最后得出标签。
首先,根据物探调查结果确定研究区海底滑坡相对于水深范围的分布情况,比如,得到的结果为水深8~10m附近海底滑坡分布是最多;
其次,分析确定研究区水动力作用最强的区域其液化、波高等也均最强(一般为研究区内10m水深附近),进而可以确定该区域为危险性强的区域,危险性强的区域周围包裹的即为较强区域;而对于受沉积物类型为粘土的影响,15m水深以深必然为危险性低的区域;而水深最浅的区域为危险性较低的区域。
另外,本实施例中,使用无监督机器学习的方法进行海底滑坡危险性评价,所述无监督习的方法也可以采用Kmeans、谱聚类、GMM等方法,在此不做一一赘述。
为了进一步说明本发明方案的有效性,下面以黄河口埕岛海域海底滑坡的危险性评价分析为例进行详细的说明,具体的:
对于所研究的黄河口埕岛海域,采用沉积物类型、海底地形坡度、土体强度、水深、波高、底层最大流速、液化、海底冲刷以及人类工程活动情况这9种参数作为网络输入因子;
研究区内水深数据分布区间为0~18m,则将其分为4个类别,分别为0~5m、5~10m、10~15m和>15m;
对于50年一遇波高按照大小分为四级,分别为0~0.5m、0.5~2.5m、2.5~4m以及大于4m;
对于底层最大流速按照流速大小可以分为四个等级,从小到大分别为0-0.5m/s、0.5-1m/s、1-1.5m/s、>1.5m/s;
对于黄河口海底土体强度按照数值的大小分为4个级别:承载力≤50kPa、50kPa<承载力≤80kPa、80kPa<承载力≤110kPa、承载力>110kPa;
根据年均冲淤量的不同,将黄河口埕岛海域冲淤分为无影响区(-0.02m≤年均冲淤量≤0.02m)、轻微影响区(-0.05m≤年均冲淤量<-0.02m或者0.01m<年均冲淤量≤0.02m)、中等影响区(-0.1m≤年均冲淤量<-0.05m或者0.05m<年均冲淤量≤0.1m)、严重影响区(年均冲淤量<-0.1m或者>0.1m);
将黄河口沉积物类型按照沉积物不同分为4个级别:粉砂、粉土、粉质黏土、黏土;
对于液化等级根据地球物理调查结果共分为4个级别:严重液化、中度液化、轻微液化和不易液化;
黄河口埕岛海域的坡度根据大小共分为<1/2000、1/2000~1/1000、1/1000~1/500以及>1/500;
黄河口埕岛海域现有工程影响区总共分为核心区、缓冲区、潜在影响区和无影响区4类;核心区主要包括采油平台、海底管线、主水管道、防波堤等工程构筑物,以及各类养殖、围填海、海洋保护区等各类已使用海域。缓冲区定义为核心区外围一定范围内的区域,发生自然地质灾害后该区域可为实际工程区起到一定缓冲作用,规定核心区向外扩展500m为缓冲区。通常情况下在现有工程影响区500m以外产生的地质灾害对人类工程区影响不大,但严重的地质灾害仍可对工程设施造成影响,故规定在缓冲区向外1km为潜在影响区。潜在影响区边界距离实际工程设施边界已经大于1.5km,一般来说1.5km外产生的地质灾害已经难以对工程设施造成影响,故其余区域为无影响区。
通过对黄河口埕岛海域的多种地质参数分析并进行了计算,最终的黄河口海底滑坡危险性评价结果示意图如图4所示,其中,虚线a为危险性较高和危险性低分区间的突变界限,由海底沉积物类型的突变引起。
从最终的分析结果来看,黄河口埕岛海域海底滑坡危险性与水深分布相关性较大,危险区域分布于6~12m水深,较危险区域分布于危险区域外围的5~14m水深,较安全区域分布于水深小于5m的位置,安全区域位于水深大于14m的位置。
可见,本方案提供了可以在海底滑坡发生危险之前的危险性分析手段,人为干预少,降低了开展海底滑坡危险性评价的难度要求,对快速、有效地对研究区进行海底滑坡危险性分区具有重要意义。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其它领域,但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (3)
1.基于无监督机器学习的海底滑坡危险性分析方法,其特征在于,包括以下步骤:
步骤A、获取海底滑坡研究区域地质参数,所述地质参数包括水动力参数和滑坡体本身的参数,分别对应的用以表征外部环境特征和潜在滑坡体自身的特征;
步骤B、数据前处理:
步骤B1、单因子参数分区和不同区域类别划分:将各类单位、量级不同的地质参数数据进行分级处理,得到统一量级的分类结果;
步骤B2、海底滑坡危险性评价点位数据提取,以获得所有需要评价分析的点位坐标与单因子参数的对应数据;
步骤C、构建无监督机器学习模型;
步骤C1、输入输出参数类别确定及原始数据预处理:以沉积物类型、海底地形坡度、土体强度和水深、50年一遇波高大小、底层最大流速、液化、海底冲刷以及人类工程活动情况作为无监督机器学习模型的输入,将区域评价分析结果分为危险性高、危险性较高、危险性较低和危险性低4类评价标签作为无监督机器学习模型的输出;
步骤C2、网络参数选取与评价:通过分析计算确定最可靠的核函数参数作为评价网络最终的参数,并选择一种组合为最优情况构建无监督机器学习模型;
步骤D、海底滑坡危险性评价:对实际研究区输入参数进行分类处理,输入至所构建的无监督机器学习模型中,并通过分类及标签赋予,得到最终的海底滑坡危险性分析结果。
2.根据权利要求1所述的基于无监督机器学习的海底滑坡危险性分析方法,其特征在于:所述步骤A中,所述水动力参数包括水深、波浪、潮汐和底流;所述滑坡体本身的参数包括沉积物类型、构造特征和沉积物物理力学性质。
3.根据权利要求1所述的基于无监督机器学习的海底滑坡危险性分析方法,其特征在于:所述步骤C2中,在确定核函数参数时,具体采用以下步骤:
(1)计算相似度矩阵W:
全连接法表达式为:
W为sij组成的相似度矩阵,核函数参数σ控制着样本点的邻域宽度,即σ越大表示样本点与距离较远的样本点的相似度越大;
(2)计算度矩阵D
即相似度矩阵W的每一行元素之和,D为di组成的9*9对角矩阵;
(3)计算拉普拉斯矩阵L=D-W;
(4)计算L的特征值,将特征值从小到大排序,取前k个特征值,并计算前k个特征值的特征向量u1,u2...un;
(5)将上面的k个列向量组成矩阵U={u1,u2...un},U∈Rn*k;
(6)令yi∈Rk是U的第i行的向量,其中i=1,2,...n;
(7)使用Kmeans算法将新样本点Y={y1,y2,...,yn}聚类成簇C1,C2...Ck;
(8)输出簇A1,A2...Ak,其中Ai={j|yi∈Ci};
令核函数参数σ从0.01至2.5以0.01为间隔进行变化,针对每个核函数参数均进行聚类并使用Calinski-Harabasz对结果进行分析,选择最可靠的核函数参数作为评价网络最终的参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010361095.5A CN112036424B (zh) | 2020-04-30 | 2020-04-30 | 基于无监督机器学习的海底滑坡危险性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010361095.5A CN112036424B (zh) | 2020-04-30 | 2020-04-30 | 基于无监督机器学习的海底滑坡危险性分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112036424A true CN112036424A (zh) | 2020-12-04 |
CN112036424B CN112036424B (zh) | 2024-04-09 |
Family
ID=73579379
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010361095.5A Active CN112036424B (zh) | 2020-04-30 | 2020-04-30 | 基于无监督机器学习的海底滑坡危险性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036424B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966722A (zh) * | 2021-02-07 | 2021-06-15 | 南昌大学 | 基于半监督随机森林模型的区域滑坡易发性预测方法 |
CN113256019A (zh) * | 2021-06-15 | 2021-08-13 | 浙江中海达空间信息技术有限公司 | 一种基于无监督表征学习的地质灾害隐患敏感性预测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102651053A (zh) * | 2012-04-01 | 2012-08-29 | 中国科学院地理科学与资源研究所 | 基于贝叶斯网络模型的泥石流灾害危险性评价方法 |
US20120281501A1 (en) * | 2011-05-06 | 2012-11-08 | Westerngeco L.L.C. | Estimating a property by assimilating prior information and survey data |
CN107463991A (zh) * | 2017-06-28 | 2017-12-12 | 西南石油大学 | 一种基于坡体单元与机器学习的区域滑坡危险性评价方法 |
CN108052761A (zh) * | 2017-12-25 | 2018-05-18 | 贵州东方世纪科技股份有限公司 | 一种滑坡预测方法 |
CN109871886A (zh) * | 2019-01-28 | 2019-06-11 | 平安科技(深圳)有限公司 | 基于谱聚类的异常点比例优化方法、装置及计算机设备 |
-
2020
- 2020-04-30 CN CN202010361095.5A patent/CN112036424B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120281501A1 (en) * | 2011-05-06 | 2012-11-08 | Westerngeco L.L.C. | Estimating a property by assimilating prior information and survey data |
CN102651053A (zh) * | 2012-04-01 | 2012-08-29 | 中国科学院地理科学与资源研究所 | 基于贝叶斯网络模型的泥石流灾害危险性评价方法 |
CN107463991A (zh) * | 2017-06-28 | 2017-12-12 | 西南石油大学 | 一种基于坡体单元与机器学习的区域滑坡危险性评价方法 |
CN108052761A (zh) * | 2017-12-25 | 2018-05-18 | 贵州东方世纪科技股份有限公司 | 一种滑坡预测方法 |
CN109871886A (zh) * | 2019-01-28 | 2019-06-11 | 平安科技(深圳)有限公司 | 基于谱聚类的异常点比例优化方法、装置及计算机设备 |
Non-Patent Citations (2)
Title |
---|
管涛: "《数据分析基础及模型》", 31 July 2015, 合肥:合肥工业大学出版社 * |
陈华彬: "《滑坡数据的不确定密度聚类算法优化研究》", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112966722A (zh) * | 2021-02-07 | 2021-06-15 | 南昌大学 | 基于半监督随机森林模型的区域滑坡易发性预测方法 |
CN113256019A (zh) * | 2021-06-15 | 2021-08-13 | 浙江中海达空间信息技术有限公司 | 一种基于无监督表征学习的地质灾害隐患敏感性预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112036424B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113283802B (zh) | 一种复杂艰险山区滑坡危险性评估方法 | |
Costanzo et al. | Factors selection in landslide susceptibility modelling on large scale following the gis matrix method: application to the river Beiro basin (Spain) | |
Wang et al. | Safety assessment of shipping routes in the South China Sea based on the fuzzy analytic hierarchy process | |
Sdao et al. | Landslide susceptibility assessment by using a neuro-fuzzy model: a case study in the Rupestrian heritage rich area of Matera | |
Li et al. | Rainfall and earthquake-induced landslide susceptibility assessment using GIS and Artificial Neural Network | |
Muhari et al. | Examination of three practical run-up models for assessing tsunami impact on highly populated areas | |
CN108594261A (zh) | 一种基于激光雷达技术的滑坡体变化检测方法 | |
Trevisani et al. | Surface texture analysis of a high-resolution DTM: Interpreting an alpine basin | |
CN111582597B (zh) | 一种输电线路滑坡危险性预测方法及其设备 | |
CN110706211A (zh) | 基于卷积神经网络的铁路路基病害雷达图实时检测方法 | |
Florinsky | Quantitative topographic method of fault morphology recognition | |
CN112036424B (zh) | 基于无监督机器学习的海底滑坡危险性分析方法 | |
CN110097069A (zh) | 一种基于深度多核学习的支持向量机岩相识别方法及装置 | |
CN104361225A (zh) | 一种海岸带地质环境承载力的评价方法 | |
Karymbalis et al. | Use of morphometric variables and self-organizing maps to identify clusters of alluvial fans and catchments in the north Peloponnese, Greece | |
Wang et al. | Automatic mapping of lunar landforms using DEM-derived geomorphometric parameters | |
CN117745466A (zh) | 一种尾矿库数智运维系统 | |
Kamura et al. | Exploring the possibility of assessing the damage degree of liquefaction based only on seismic records by artificial neural networks | |
Conti et al. | Topographic registers of paleo-valleys on the southeastern Brazilian continental shelf | |
CN116310911A (zh) | 一种峡谷区落石危险性评价方法 | |
CN114663640B (zh) | 基于地形地貌和构造特征的海底地理实体划定与分类方法 | |
Strom et al. | Occurrence of cluster microforms in mountain rivers | |
CN112819333A (zh) | 一种基于模糊数学的深远海海底稳定性评价方法 | |
Armono et al. | Analysis of Tsunami Wave Height, Run-up, and Inundation in The Coastal of Blitar and Malang Regency | |
Hansen et al. | A multi-scale geomorphometric approach to semi-automated classification of seabed morphology of a dynamic and complex marine meander bend |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |