CN112070129B - 地面沉降风险识别方法、装置以及系统 - Google Patents
地面沉降风险识别方法、装置以及系统 Download PDFInfo
- Publication number
- CN112070129B CN112070129B CN202010856104.8A CN202010856104A CN112070129B CN 112070129 B CN112070129 B CN 112070129B CN 202010856104 A CN202010856104 A CN 202010856104A CN 112070129 B CN112070129 B CN 112070129B
- Authority
- CN
- China
- Prior art keywords
- ground settlement
- evaluation factor
- preset
- probability
- settlement risk
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000011156 evaluation Methods 0.000 claims abstract description 144
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 238000004062 sedimentation Methods 0.000 claims description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 9
- 238000007619 statistical method Methods 0.000 claims description 7
- 238000012790 confirmation Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000009795 derivation Methods 0.000 description 6
- 238000012854 evaluation process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 239000003673 groundwater Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000013316 zoning Methods 0.000 description 2
- 108010014173 Factor X Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012795 verification 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
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种地面沉降风险识别方法、装置及系统，该方法包括：根据多幅多个时间段的SAR影像,得到包含地面沉降信息和评价因子信息的数据集；地面沉降信息用于表征沉降速率大于预设沉降阈值,评价因子信息用于表征各预设的地面沉降危险性评价因子的信息；根据预设的模糊层次分析计算各预设的地面沉降危险性评价因子的权重；根据贝叶斯定理以及数据集,计算各预设的地面沉降危险性评价因子的后验概率；根据各预设的地面沉降危险性评价因子的权重以及后验概率,计算得到地面沉降风险概率,进而根据地面沉降风险概率识别地面沉降风险。本发明能降低风险评价的不确定性，并定量表示地面沉降风险。
Description
技术领域
本发明涉及地面沉降风险评估领域，尤其涉及一种地面沉降风险识别方法、装置以及系统。
背景技术
城市快速发展中对水资源需求量不断增加，地下水的过度开采导致地面沉降现象加剧，已经对城市基础设施产生损害，评估地面沉降危险性有利于灾害风险预警。风险评价一般流程有风险识别、评价因子选取、风险值计算、风险分区。风险识别是在机理分析的基础上，识别可能存在风险的所有因素，并基于此选取评价因子。风险值计算是选取评价方法推导对应的风险值，并遵循分类规则进行风险分区。其中，评价方法的选取直接影响了评价结果。
传统评价方法一般通过专家知识获取各评价因子的权重，再进行加权综合计算风险值，确定风险分区。主要有专家打分法、层次分析法、模糊综合评判法、统计分析法。地面沉降是包含随机自然因素的地质问题，其危险性本身具有随机性和不确定性。在评价过程中，专家知识不足使得评价因子选取时存在主观性、定性描述评价因子重要性时存在语义模糊性，这种主观性和模糊性增加了评价结果的不确定性。也有学者采用数值模拟和证据理论方法来降低主观性。但是，数值模拟方法需要详细的地质、水文地质参数以构建满足精度的数值模型，这类参数往往难以获取；证据理论方法虽然将历史事件(已发生地面沉降)作为证据，降低了专家参与度，但是其合成算子缺乏理论支撑，并且其计算量会随着数据量增加而呈现指数增加。另外，基于传统方法的评价结果一般是定性分区(高风险区、中风险区、低风险区)描述，缺乏定量分析。风险评价中主要的挑战是建立一个客观有效的评价方法来减弱这种不确定性，并定量描述地面沉降风险。
发明内容
有鉴于此，本发明提供一种地面沉降风险识别方法、装置以及系统，以解决对于地面沉降本身的随机性、风险评价过程中专家知识不足造成的主观性、语义定性描述导致的模糊性增加评价结果的不确定性问题，进而实现降低风险评价的不确定性，并定量表示地面沉降风险。
一方面，本发明提供一种地面沉降风险识别方法，包括:根据多幅多个时间段的SAR影像，得到包含地面沉降信息和评价因子信息的数据集；所述地面沉降信息用于表征沉降速率大于预设沉降阈值,评价因子信息用于表征各预设的地面沉降危险性评价因子的信息；
根据预设的模糊层次分析计算各预设的地面沉降危险性评价因子的权重；
根据贝叶斯定理以及所述数据集,计算各预设的地面沉降危险性评价因子的后验概率；
根据所述各预设的地面沉降危险性评价因子的权重以及后验概率,计算得到地面沉降风险概率,进而根据所述地面沉降风险概率识别地面沉降风险。
进一步地，对所述SAR影像进行数据处理包括：
采用PS-InSAR技术对所述SAR影像进行时序地面沉降信息解译，得到所述多个时间段的各个时间段的PS点数据,并根据所述PS点数据确定目标区域；
对目标区域进行渔网划分，设置多个格网大小并分析最佳值；
对各个时间段的地面沉降危险性评价因子数据按照预设规则进行重分类，并赋值给格网；
选取沉降速率大于预设沉降阈值的PS点视为发生沉降，并赋值给格网。
进一步地，根据贝叶斯定理以及所述数据集,计算各预设的地面沉降危险性评价因子的后验概率包括：
将所述数据集中各时间段的PS点数据按照时间先后顺序分别根据贝叶斯定理,计算各预设的地面沉降危险性评价因子的后验概率；
上一时间段的PS点数据对应的各预设的地面沉降危险性评价因子的后验概率作为下一时间段各预设的地面沉降危险性评价因子的先验概率,直到计算得到所述多个时间段中最后一个时间段的各预设的地面沉降危险性评价因子的后验概率。
进一步地，所述各预设的地面沉降危险性评价因子包括：不同层位水位变化信息以及地质背景信息。
进一步地，每一地面沉降危险性评价因子包含多个属性,所述根据贝叶斯定理以及所述数据集,计算各预设的地面沉降危险性评价因子的后验概率包括:
对于每一地面沉降危险性评价因子,分别通过空间统计方法计算所述地面沉降危险性评价因子的各属性的先验概率以及条件概率,根据各属性的先验概率以及条件概率计算对应属性的后验概率；
根据所述地面沉降危险性评价因子的各属性的后验概率计算得到所述地面沉降危险性评价因子的后验概率。
进一步地，所述根据预设的模糊层次分析计算各预设的地面沉降危险性评价因子的权重包括:
将所述各预设的地面沉降危险性评价因子根据两两对比准则分成五个等级，同等重要性作为中间等级；
每一个等级使用三角模糊数表示，构建模糊判断矩阵；
采用模糊层次分析计算各预设的地面沉降危险性评价因子的权重。
进一步地，根据所述地面沉降风险概率识别地面沉降风险包括：
根据不同时段的地面沉降风险概率，分析地面沉降风险概率随着不同地面沉降危险性评价因子的变化情况。
本发明还提供一种地面沉降风险识别装置，包括：
数据处理模块,用于根据多幅多个时间段的SAR影像，得到包含地面沉降信息和评价因子信息的数据集；所述地面沉降信息用于表征沉降速率大于预设沉降阈值,评价因子信息用于表征各预设的地面沉降危险性评价因子的信息；
权重确认模块,用于根据预设的模糊层次分析计算各预设的地面沉降危险性评价因子的权重；
评价因子概率确认模块,用于根据贝叶斯定理以及所述数据集,计算各预设的地面沉降危险性评价因子的后验概率；
沉降风险识别模块,用于根据所述各预设的地面沉降危险性评价因子的权重以及后验概率,计算得到地面沉降风险概率,进而根据所述地面沉降风险概率识别地面沉降风险。
本发明还提供一种计算机可读存储介质，存储有程序，所述程序包括用于执行上述方法的指令。
本发明还提供一种地面沉降风险识别系统，包括存储有计算机程序的可读介质，所述程序包括用于执行上述方法的指令。
本发明地面沉降风险识别方法、装置以及系统，首先对所述SAR影像进行数据处理,得到包含地面沉降信息和评价因子信息的数据集，并根据预设的模糊层次分析计算各预设的地面沉降危险性评价因子的权重，再采用贝叶斯定理推导评价因子的地面沉降风险后验概率；最后，根据所述各预设的地面沉降危险性评价因子的权重以及后验概率,计算得到地面沉降风险概率,进而根据所述地面沉降风险概率识别地面沉降风险，结合评价因子重要性模糊化以降低评价因子与地面沉降之间关系的语义模糊，采用贝叶斯定理进行地面沉降风险概率推导，并基于述SAR影像获取的时序地面沉降数据作为模型输入，不断更新后验概率，从而降低评价过程中的不确定性。
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，显而易见地，下面描述中的附图仅仅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的前提下，还可以根据这些附图获得其它的附图。
图1为根据本发明示例性第一实施例的地面沉降风险识别方法的流程图。
图2为根据本发明示例性第二实施例的地面沉降风险识别方法的流程图。
图3为根据本发明示例性第二实施例的地面沉降风险识别方法中FWBM模型结构图,其中(a)为FWBM模型有向无环图结构的示意图；(b)为评价因子空间属性(以Yj为例)的示意图。
图4为根据本发明示例性第二实施例的地面沉降风险识别方法中节点概率推导的具体流程图。
图5为根据本发明示例性第三实施例的地面沉降风险识别装置的结构框图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合；并且，基于本公开中的实施例，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，都属于本公开保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本公开，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
如图1所示，本发明一种地面沉降风险识别方法，包括：
步骤101,根据多幅多个时间段的SAR影像，得到包含地面沉降信息和评价因子信息的数据集；所述地面沉降信息用于表征沉降速率大于预设沉降阈值,评价因子信息用于表征各预设的地面沉降危险性评价因子的信息。
具体包括不同层位水位变化信息、以及地质背景信息，包括但不限于地面沉降危险性评价因子(以下简称评价因子)和时序地面沉降数据的处理。首先基于机理分析进行评价因子选取，再基于时序SAR影像采用PS-InSASR技术(干涉合成孔径雷达,Interferometric Synthetic Aperture Radar，简称InSAR)进行PS点解译；再进行格网化以获取标准化数据集。该InSAR数据同时用来验证评价结果。
步骤102,根据预设的模糊层次分析计算各预设的地面沉降危险性评价因子的权重。
步骤103,根据贝叶斯定理以及所述数据集,计算各预设的地面沉降危险性评价因子的后验概率。
步骤104,根据所述各预设的地面沉降危险性评价因子的权重以及后验概率,计算得到地面沉降风险概率,进而根据所述地面沉降风险概率识别地面沉降风险。
本实施例首先基于标准化数据集，采用空间统计方法计算条件概率和先验概率，采用贝叶斯定理推导评价因子的地面沉降风险后验概率，当新的PS点数据输入时，更新后验概率；然后，将评价因子对地面沉降风险的重要性进行模糊化，采用模糊层次分析法计算模糊化权重(即地面沉降危险性评价因子的权重)；最后，运行FWBM(模糊理论和贝叶斯模型，fuzzy weighted BM，简称FWBM))公式，逐格网推导区域地面沉降风险概率。从而得到地面沉降风险概率图。FWBM框架中，结合评价因子重要性模糊化以降低评价因子与地面沉降之间关系的语义模糊，采用贝叶斯定理进行地面沉降风险概率推导，并利用InSAR技术获取的时序地面沉降数据作为模型输入，不断更新后验概率，从而降低评价过程中的不确定性。
如图2所示，本发明另一种地面沉降风险识别方法作为图1所示方法的优选实施方式，其具体包括：
1、首先进行数据标准化处理(作为步骤101的优选实施方式),包括评价因子选取、SAR影像处理、沉降和评价因子数据标准化处理。
(1)评价因子选取：分析地面沉降机理，进行文献调研，识别地面沉降的主要影响因素，并结合区域水文地质环境背景和人为活动因素，选取潜水和承压水水位变化速率、可压缩层厚度、第四系厚度为危险性评价因子。
(2)对多幅多个时间段(以2003-2010年、2011-2014年、2015-2017年这3个时间段为例)的SAR影像，采用PS-InSAR技术进行时序地面沉降信息解译，得到各个时间段的PS点数据。
(3)数据标准化处理：首先进行研究区格网划分。采用ArcGIS对研究区进行渔网划分，设置多个格网大小并分析最佳值。然后，对各个时间段的评价因子数据按照一定规则进行重分类，并赋值给格网。选取沉降速率大于10mm/y的PS点视为发生沉降，并赋值给格网。从而得到包含沉降信息和评价因子信息的标准化格网数据集。
2、权重计算(作为步骤102的优选实施方式)。
具体地,结合模糊理论和贝叶斯模型(fuzzy weighted BM，FWBM)进行地面沉降风险概率分析,FWBM模型结构表示为有向无环图(directed acyclic graph，DAG)，如图3(a)所示。DAG中，随机变量表示为特征节点。父节点Yj表示为评价因子的地面沉降风险(j个因子)，子节点T表示为地面沉降风险。箭头表示节点之间的概率依赖。父节点对子节点的影响表达为概率，这种概率表达反映了评价过程中的不确定性。而且，父节点对子节点的重要性通常不相等，具有不同的重要性(即权重)。这种重要性在地面沉降风险评价中，往往具有语义模糊性，对特征节点进行模糊加权(wFj，第j个因子的权重)，可以降低评价过程中的模糊性。
具体将评价因子两两对比准则分成五个等级，同等重要性作为中间等级；每一个等级使用三角模糊数表示，构建模糊判断矩阵；采用模糊层次分析计算父节点的权重。同时可以采用AHP方法计算(该方法忽略了模糊性)计算权重，执行WBM模型，与FWBM模型结果进行对比。
3、父节点Yj概率推导(作为步骤103的优选实施方式)。
地面沉降及其评价因子具备空间特征。评价因子的地面沉降风险概率由该因子各个空间属性的概率组成。如图3(b)所示，将评价因子的空间属性表示为Xji(第j个因子的第i个属性)。每个属性的后验概率P(Xji|S)采用贝叶斯定理推导，如公式(1)所示。S表示InSAR监测到已经发生的地面沉降。对于第k个InSAR监测时间，通过空间统计方法计算先验概率P(Xji)、条件概率P(S|Xji)、全概率P(S)。其中，当k＝1的时候，先验概率设置为该属性的格网数占比；当k>1的时候，先验概率设置为上一时间的后验概率。条件概率为地面沉降发生格网数在该属性中的占比。全概率是对每个属性的概率求和，如下述公式(3)所示。
具体如图4(a)所示，首先通过空间统计方法计算属性Xji先验概率P(Xji,t＝k)和条件概率P(S|Xji,t＝k)；再使用下述公式(1)和公式(3)推导Xj的后验概率P(Xji|S,t＝k)。比如，当2003-2010年的PS点数据输入时，P(S|Xji,t＝2003-2010)通过Xji的格网数与研究区总格网数比值计算；P(S|Xji,t＝2003-2010)通过地面沉降格网数与Xji的格网数比值计算；第j个因子的每一个属性都按照同样方法计算后，通过公式(3)计算P(S)；最后通过公式(1)计算后验概率P(S|Xji,t＝k)。当2011-2014或者2015-2017年的PS点数据输入时，将上一时间段计算得到的后验概率作为此时间段的先验概率，然后按照上述流程计算。从而得到每一个因子每一个属性的地面沉降危险性概率，表示为P(Yj)。
其中,父节点概率(各空间属性的危险性概率)计算公式作为公式(1):
子节点概率(地面沉降危险性概率)计算公式作为公式(2):
其中，wFj是父节点的模糊权重，P(T|Yj)是父节点的概率。
全概率计算公式作为公式(3):
其中，P(Xji)是父节点空间属性Xji的先验概率；P(S|Xji,t＝k)是在k时刻的条件概率，即已知地面沉降信息的情况下，由因素Xji引发的概率；P(S)是全概率，为每个父节点概率的总和。
4、子节点T概率推导(作为步骤104的优选实施方式)。
首先，设置评价因子重要性等级，并将此等级进行模糊化，以模糊三角成员函数表示，从而获取评价因子的模糊化权重。然后，对于m个评价因子综合作用下的地面沉降风险概率，通过上述公式(2)推导。
具体如图4(b)所示，基于第2步和第3步结果，在ArcGIS中，采用公式(2)计算每个格网的地面沉降危险性概率。本实例中三个时间段代表不同的地下水位条件，对每一个时间段的结果进行输出，可以分别得到不同地下水位条件下的地面沉降危险性概率图。
以上基于FWBM模型结构，模型运算包括父节点和子节点概率推导。通过公式(1)-公式(3)推导。通过此运算过程可实现评价因子的地面沉降风险和区域地面沉降风险的定量表示。
5、结果验证及精度评价。将2015-2017年的评价结果按照自然断点法，分为高、中、低、极低四个危险性等级。同时获取2011-2014年和2015-2017年的地面沉降速率变化图。将沉降速率增加(SrI)的点和高风险区、沉降速率降低(SrD)的点和低风险区进行对比，匹配率达到85％(表1)，说明评价结果的精度满足要求。将FWBM和WBM模型结果进行对比，FWBM的模型精度高于WBM模型；在SrI区域，两个模型表现一致，SrD的区域FWBM模型精度更高。具体如表1所示。
表1 FWBM模型精度验证表
6、不同地下水位条件下的地面沉降危险性概率分析。可以定量分析不同地下水位下降速率的地面沉降风险概率，分析随着地下水位下降速率的减小地面沉降风险概率的变化，分析高风险区的变化情况。
具体操作时,为了评估模糊性对评价结果的影响，将FWBM与加权贝叶斯模型(WBM，该模型忽略了评价因子对地面沉降重要性的模糊性)结果进行对比(具体如表1所示)，从而验证本发明所提出模型的可信性。具体结合InSAR监测的地面沉降数据，即沉降速率，进行评价结果的验证。将最后一个时间的地面沉降风险概率推导结果，按照一定分类规则，进行风险分区。将该分区与两个时间段的沉降速率变化进行对比，分析沉降速率增大与高风险区、沉降速率降低与低风险区的匹配率，对评价结果进行验证及精度分析。
本实施例通过结合FWBM模型，利用模糊理论表示评价因子重要性的语义模糊、采用贝叶斯模型对风险变量进行概率分析，并结合InSAR技术更新模型的后验概率，可以反映风险变量的不确定性和模糊性，并减弱了传统评价方法中存在的不确定性。相比没有考虑模糊性的WBM模型，FWBM提高了评价结果的精度。同时,相比传统定性评价，FWBM可以定量分析地面沉降风险概率。此外,对于不同时间的不同地下水位条件，可以分析不同地下水位环境下的地面沉降风险概率，为地面沉降预警、水资源利用策略制定提供支持。
如图5所示，本发明一种地面沉降风险识别装置，图1-4所示方法实施例的解释说明均适用于本实施例，如图5所示，包括：
数据处理模块501,用于根据多幅多个时间段的SAR影像，得到包含地面沉降信息和评价因子信息的数据集；所述地面沉降信息用于表征沉降速率大于预设沉降阈值,评价因子信息用于表征各预设的地面沉降危险性评价因子的信息；
权重确认模块502,用于根据预设的模糊层次分析计算各预设的地面沉降危险性评价因子的权重；
评价因子概率确认模块503,用于根据贝叶斯定理以及所述数据集,计算各预设的地面沉降危险性评价因子的后验概率；
沉降风险识别模块504,用于根据所述各预设的地面沉降危险性评价因子的权重以及后验概率,计算得到地面沉降风险概率,进而根据所述地面沉降风险概率识别地面沉降风险。
本实施例中评价因子的地面沉降风险概率采用贝叶斯定理推导，并结合InSAR技术和空间统计方法进行概率计算，以减弱专家知识不足造成的主观性,进而实现降低这种主观性和模糊性，降低风险评价的不确定性，并定量表示地面沉降风险。此外,通过InSAR技术监测地面沉降，将时间k监测到的地面沉降数据输入模型，来更新后验概率。这个更新过程结合了实测地面沉降数据，可以进一步减弱概率推导中的不确定性，增加了结果的可靠性。
本发明还提供一种计算机可读存储介质，存储有程序，所述程序包括用于执行上述方法的指令。此外，本发明还提供一种地面沉降风险识别系统，包括存储有计算机程序的可读介质，所述程序包括用于执行上述方法的指令。
以上所述，仅为本发明的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.一种地面沉降风险识别方法，其特征在于，包括：
根据多幅多个时间段的SAR影像，得到包含地面沉降信息和评价因子信息的数据集；所述地面沉降信息用于表征沉降速率大于预设沉降阈值,评价因子信息用于表征各预设的地面沉降危险性评价因子的信息；
根据预设的模糊层次分析计算各预设的地面沉降危险性评价因子的权重；
根据贝叶斯定理以及所述数据集,计算各预设的地面沉降危险性评价因子的后验概率；
根据所述各预设的地面沉降危险性评价因子的权重以及后验概率,计算得到地面沉降风险概率,进而根据所述地面沉降风险概率识别地面沉降风险；
其中，对所述SAR影像进行数据处理包括：
采用PS-InSAR技术对所述SAR影像进行时序地面沉降信息解译，得到所述多个时间段的各个时间段的PS点数据,并根据所述PS点数据确定目标区域；
对目标区域进行渔网划分，设置多个格网大小并分析最佳值；
对各个时间段的地面沉降危险性评价因子数据按照预设规则进行重分类，并赋值给格网；
选取沉降速率大于预设沉降阈值的PS点视为发生沉降，并赋值给格网；
根据贝叶斯定理以及所述数据集,计算各预设的地面沉降危险性评价因子的后验概率包括：
将所述数据集中各时间段的PS点数据按照时间先后顺序分别根据贝叶斯定理,计算各预设的地面沉降危险性评价因子的后验概率；
上一时间段的PS点数据对应的各预设的地面沉降危险性评价因子的后验概率作为下一时间段各预设的地面沉降危险性评价因子的先验概率,直到计算得到所述多个时间段中最后一个时间段的各预设的地面沉降危险性评价因子的后验概率。
2.根据权利要求1所述的地面沉降风险识别方法，其特征在于，所述各预设的地面沉降危险性评价因子包括不同层位水位变化信息、以及地质背景信息。
3.根据权利要求1或2所述的地面沉降风险识别方法，其特征在于，每一地面沉降危险性评价因子包含多个属性,所述根据贝叶斯定理以及所述数据集,计算各预设的地面沉降危险性评价因子的后验概率包括:
对于每一地面沉降危险性评价因子,分别通过空间统计方法计算所述地面沉降危险性评价因子的各属性的先验概率以及条件概率,根据各属性的先验概率以及条件概率计算对应属性的后验概率；
根据所述地面沉降危险性评价因子的各属性的后验概率计算得到所述地面沉降危险性评价因子的后验概率。
4.根据权利要求2所述的地面沉降风险识别方法，其特征在于，所述根据预设的模糊层次分析计算各预设的地面沉降危险性评价因子的权重包括:
将所述各预设的地面沉降危险性评价因子根据两两对比准则分成五个等级，同等重要性作为中间等级；
每一个等级使用三角模糊数表示，构建模糊判断矩阵；
采用模糊层次分析计算各预设的地面沉降危险性评价因子的权重。
5.根据权利要求4所述的地面沉降风险识别方法，其特征在于，根据所述地面沉降风险概率识别地面沉降风险包括：
根据不同时段的地面沉降风险概率，分析地面沉降风险概率随着不同地面沉降危险性评价因子的变化情况。
6.一种地面沉降风险识别装置，其特征在于，包括：
数据处理模块,用于根据多幅多个时间段的SAR影像，得到包含地面沉降信息和评价因子信息的数据集；所述地面沉降信息用于表征沉降速率大于预设沉降阈值,评价因子信息用于表征各预设的地面沉降危险性评价因子的信息；
权重确认模块,用于根据预设的模糊层次分析计算各预设的地面沉降危险性评价因子的权重；
评价因子概率确认模块,用于根据贝叶斯定理以及所述数据集,计算各预设的地面沉降危险性评价因子的后验概率；
沉降风险识别模块,用于根据所述各预设的地面沉降危险性评价因子的权重以及后验概率,计算得到地面沉降风险概率,进而根据所述地面沉降风险概率识别地面沉降风险；
其中，所述数据处理模块具体用于：
采用PS-InSAR技术对所述SAR影像进行时序地面沉降信息解译，得到所述多个时间段的各个时间段的PS点数据,并根据所述PS点数据确定目标区域；
对目标区域进行渔网划分，设置多个格网大小并分析最佳值；
对各个时间段的地面沉降危险性评价因子数据按照预设规则进行重分类，并赋值给格网；
选取沉降速率大于预设沉降阈值的PS点视为发生沉降，并赋值给格网；
所述评价因子概率确认模块具体用于：
将所述数据集中各时间段的PS点数据按照时间先后顺序分别根据贝叶斯定理,计算各预设的地面沉降危险性评价因子的后验概率；
上一时间段的PS点数据对应的各预设的地面沉降危险性评价因子的后验概率作为下一时间段各预设的地面沉降危险性评价因子的先验概率,直到计算得到所述多个时间段中最后一个时间段的各预设的地面沉降危险性评价因子的后验概率。
7.一种计算机可读存储介质，存储有程序，其特征在于，所述程序包括用于执行如权利要求1-5中任一项所述方法的指令。
8.一种地面沉降风险识别系统，包括存储有计算机程序的可读介质，其特征在于，所述程序包括用于执行如权利要求1-5中任一项所述方法的指令。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010856104.8A CN112070129B (zh) | 2020-08-24 | 2020-08-24 | 地面沉降风险识别方法、装置以及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010856104.8A CN112070129B (zh) | 2020-08-24 | 2020-08-24 | 地面沉降风险识别方法、装置以及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112070129A CN112070129A (zh) | 2020-12-11 |
| CN112070129B true CN112070129B (zh) | 2022-11-04 |
Family
ID=73659249
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010856104.8A Active CN112070129B (zh) | 2020-08-24 | 2020-08-24 | 地面沉降风险识别方法、装置以及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112070129B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113779888B (zh) * | 2021-09-23 | 2023-12-22 | 自然资源部第二海洋研究所 | 地面沉降危险性评估方法、装置、设备及存储介质 |
| CN114897454B (zh) * | 2022-07-14 | 2023-01-31 | 深圳市城市交通规划设计研究中心股份有限公司 | 城市基础设施群沉降评价方法、电子设备及存储介质 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110362867A (zh) * | 2019-06-12 | 2019-10-22 | 绍兴文理学院 | 基于多元影响因子的地面沉降分区方法 |
-
2020
- 2020-08-24 CN CN202010856104.8A patent/CN112070129B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110362867A (zh) * | 2019-06-12 | 2019-10-22 | 绍兴文理学院 | 基于多元影响因子的地面沉降分区方法 |
Non-Patent Citations (6)
| Title |
|---|
| Land Subsidence Risk Assessment through combination of Bayesian Model and Fuzzy Set Theory;Li H等;《American Geophysical Union,Fall Meeting 2018》;20181231;参见摘要 * |
| Land Subsidence Susceptibility Mapping Using Bayesian, Functional, and Meta-Ensemble Machine Learning Models;Hyun-Joo Oh等;《MDPI》;20190325;第1-17页 * |
| Li H等.Land Subsidence Risk Assessment through combination of Bayesian Model and Fuzzy Set Theory.《American Geophysical Union,Fall Meeting 2018》.2018, * |
| 基于PS-InSAR和GIS的北京平原区建筑荷载对地面沉降的影响;周朝栋等;《地球信息科学学报》;20161130(第11期);第117-128页 * |
| 基于权重因子模型的建筑荷载作用下地面沉降危险性评价;伊尧国等;《地球与环境》;20170810(第04期);第99-110页 * |
| 应用贝叶斯动态模型的地基沉降概率分析与预测;魏冠军;《测绘科学》;20120331;第37卷(第2期);第52-53、90页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112070129A (zh) | 2020-12-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| AU2018101946A4 (en) | Geographical multivariate flow data spatio-temporal autocorrelation analysis method based on cellular automaton | |
| Pontius Jr et al. | GEOMOD modeling | |
| Brooks et al. | Nonparametric convergence assessment for MCMC model selection | |
| CN111898315B (zh) | 基于分形—机器学习混合模型的滑坡易发性评估方法 | |
| CN112598248B (zh) | 负荷预测方法、装置、计算机设备和存储介质 | |
| CN112070129B (zh) | 地面沉降风险识别方法、装置以及系统 | |
| Khoshgoftaar et al. | Data mining for predictors of software quality | |
| CN112506990A (zh) | 一种基于时空信息的水文数据异常检测方法 | |
| CN107729555A (zh) | 一种海量大数据分布式预测方法及系统 | |
| CN109118004B (zh) | 一种工程构筑选址适宜区预测方法 | |
| Rotondi et al. | Failure models driven by a self-correcting point process in earthquake occurrence modeling | |
| CN116258279B (zh) | 基于综合赋权的滑坡易发性评价方法和装置 | |
| Castro et al. | Regional fertility data analysis: A small area Bayesian approach | |
| Cristóbal et al. | An overview of nonparametric contributions to the problem of functional estimation from biased data | |
| Goyal | Development of a survival based framework for bridge deterioration modeling with large-scale application to the North Carolina bridge management system | |
| Mahdi et al. | Efficient Bayesian modeling of large lattice data using spectral properties of Laplacian matrix | |
| Di Maio et al. | Parallel density scanned adaptive Kriging to improve local tsunami hazard assessment for coastal infrastructures | |
| CN116738192A (zh) | 一种基于数字孪生的安全数据评估方法及系统 | |
| CN116431346A (zh) | 一种用于电子设备主存储器容量的补偿方法 | |
| CN114518988B (zh) | 资源容量系统及其控制方法和计算机可读存储介质 | |
| Kirschenmann et al. | Decision dependent stochastic processes | |
| Nababan et al. | Air Quality Prediction Based on Air Pollution Emissions in the City Environment Using XGBoost with SMOTE | |
| Croicu et al. | A fast spatial multiple imputation procedure for imprecise armed conflict events | |
| CN113807587A (zh) | 一种基于多梯核深度神经网络模型积分预警方法以及系统 | |
| CN112395167A (zh) | 一种作业故障预测方法、装置及电子设备 |
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 |