CN112070366A - 一种多源监测数据关联分析的区域滑坡风险定量测算方法 - Google Patents
一种多源监测数据关联分析的区域滑坡风险定量测算方法 Download PDFInfo
- Publication number
- CN112070366A CN112070366A CN202010840311.4A CN202010840311A CN112070366A CN 112070366 A CN112070366 A CN 112070366A CN 202010840311 A CN202010840311 A CN 202010840311A CN 112070366 A CN112070366 A CN 112070366A
- Authority
- CN
- China
- Prior art keywords
- landslide
- data
- monitoring data
- quantitative
- correlation
- 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
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
- G06Q10/06—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
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Entrepreneurship & Innovation (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Mathematical Optimization (AREA)
- Strategic Management (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Computational Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Tourism & Hospitality (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种多源监测数据关联分析的区域滑坡风险定量测算方法,该预测方法通过深入分析灾害区域多源监测数据,使用概率统计学方法结合信号处理技术对多模态滑坡监测数据中致灾因子表现的数据特征提取与分析,挖掘在时域上特征值之间的潜在、深层的时空关联并利用其特征组合约束滑坡隐患机理模式的判别进一步构建定量回归模型,研究模型驱动的区域滑坡隐患定量测算方法。有益效果为:有助于对区域多源监测数据的充分利用并且提高其在隐患风险分析中的参考性,避免由于不同场景表现的随机性和多样性导致的致灾因子提取与时空预测难以具备通用性等问题的出现,能够支持针对不同滑坡隐患场景的灾害隐患信息获取等相关灾害分析的任务中。
Description
技术领域
本发明涉及地理空间数据处理技术领域,具体来说,涉及一种多源监测数据关联分析的区域滑坡风险定量测算方法。
背景技术
中国山地丘陵区约占国土面积的65%,地质条件复杂,构造活动频繁,崩塌、滑坡、泥石流等突发性地质灾害点多面广、防范难度大,是世界上地质灾害最严重、受威胁人口最多的国家之一。面对严峻复杂的地质灾害防治形势,先后开展了系统全面的地质灾害详细调查和多轮针对灾害隐患的拉网式、地毯式排查,每年汛期不断巡查,并在此基础上建立了较为完善的群测群防体系。
但近年来,中国仍不断有灾难性的地质灾害事件发生事后调查发现,这些导致灾难性后果的地质灾害70%以上都不在已知的地质灾害隐患点范围内,其主要原因在于:灾害源区地处大山中上部,多数区域人迹罕至,且被植被覆盖,具有高位、隐蔽性特点,传统的人工排查和群测群防在此类灾害面前已无能为力,传统手段很难提前发现此类灾害隐患。
滑坡是一种多发于山地丘陵地带的严重地质灾害,其受多种灾因子的影响,表现出典型的多模态特征。由于我国西部山区重大滑坡隐患多具有隐蔽性、突发性、不确定性等复杂特点,极大地增加了主动防范和监测预警的难度。伴随大数据时代的到来与传感器及人工智能的兴起,地理信息时空数据的采集取得了长足的发展,越来越多的滑坡表征属性监测数据可用于滑坡灾害研究。现存研究缺乏对滑坡模式的准确描述及定义,滑坡机理研究尚处在摸索阶段,并不适合以时空大数据为根本的GIS研究方法。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种多源监测数据关联分析的区域滑坡风险定量测算方法,以克服现有相关技术所存在的上述技术问题。
为此,本发明采用的具体技术方案如下:
一种多源监测数据关联分析的区域滑坡风险定量测算方法,该预测方法通过深入分析灾害区域多源监测数据,使用概率统计学方法结合信号处理技术对多模态滑坡监测数据中致灾因子表现的数据特征提取与分析,挖掘在时域上特征值之间的潜在、深层的时空关联并利用其特征组合约束滑坡隐患机理模式的判别进一步构建定量回归模型,研究模型驱动的区域滑坡隐患定量测算方法;
其特点在于数据关联分析的隐患定量测算,涉及时域关联的区域监测特征分析:根据信号处理技术在时域上对区域监测点数据进行采样并分析获取其潜在的关联特征;
涉及特征约束的隐患机理模型判别:基于时间序列组合关联特征实现约束滑坡隐患机理的模式判别;
涉及模式引导的定量回归模型构建:依赖模式判别标准并结合回归统计方法构建面向时序监测数据的定量回归模型;
涉及模型驱动的滑坡风险定量测算:通过依据监测数据构建的定量回归模型对待分析的滑坡区域数据进行风险定量测算,执行包括以下步骤:
S1、时域关联的区域监测特征分析:面向不同滑坡区域场景监测的多源数据获得区域因素与监测数据;根据信号处理技术结合基于区域因素选取的特征点在时域上进行数据特征采样;对上述采样的数据特征组合进行两类或多类特征表现的关联分析,得到时域上的关联特征;根据目标场景描述和后续处理需要,可描述为深层的关联特征挖掘;
S2、特征约束的隐患机理模式判别:依据S1中的关联特征,结合重力型滑坡满足的三阶段变形规律,揭示动力型滑坡致灾过程与时空演化规律进一步建立基于演化过程的滑坡隐患机理模式判别标准,为后续的风险测算模型做支撑;
S3、模式引导的定量回归模型构建:基于S2中的机理模式判别标准,引导构建面向时序监测数据的定量回归模型,目的为根据当前所处的机理模式进行后续的趋势性拟合程度分析;所述定量回归模型在实例中基于回归斜率、相关系数等分析模型,根据后续研究目的以及定量分析相关性选择模型作为此步骤构建的定量回归模型;
S4、模型驱动的滑坡风险定量测算,基于上步构建的定量回归模型,输入待分析的滑坡区域多源监测数据,通过模型的最优回归测算得到拟合优度,目的为依赖地信监测数据。
优选的,所述步骤S1中所述时域关联的区域监测特征分析还包括以下步骤:
S11、数据特征采样:从滑坡区域布控的多传感器监测的多源数据出发,结合地形地质环境与历史滑坡资料选取特征滑坡点位并导入滑坡点位监测数据即专利中的区域因素与监测数据;由于监测仪器及各种人为因素影响,监测数据在时域上通常呈现不均匀分布,利用信号处理技术结合基于区域因素选取的特征点在时域上进行数据特征采样其中:为当前估值,Kk为卡尔曼增益,Zk为测量值,为前一估值;
S12、时域关联分析,基于步骤1a中采样的数据特征,利用聚类与插值法算法获取其在时域上的分布情况;为避免单一指标在后续滑坡预警任务中出现的准确性低、时间较长等问题,根据数据特征以及目标需求组合时域上的数据分布进行两类或多类特征表现的关联分析,目的为获得时域上的关联特征进而实现面向滑坡预警的多指标综合分析;
S13、深层特征挖掘:以步骤1b中的时域关联为基础,获得关联分析后的时域特征,对其进行深层次的时序特征挖掘,实现从定量分析到定性判别的层次转换;所述的深层时序特征包括滑坡灾害发生的周期性、滞后性与趋势性等。
优选的,不深入研究滑坡地质力学机理,利用相关性分析方法并基于步骤S1中的周期性、滞后性、趋势性等深层关联特征进行约束机理模式的划分,同时由于滑坡灾害存在动态波动及不确定性的特点,在初步模式划定阶段,通过划定可波动范围,实现对特征数据扩缩后可波动范围内拟合程度的判定。
优选的,所述特征约束的隐患机理模式判别包括以下3中模式:
S21、滑坡稳定模式;
S22,滑坡形变模式;
S23、滑坡失稳模式。
优选的,所述步骤S2中的机理模式判别标准,引导构建面向时序监测数据的回归模型,目的为实现在先验知识指导的同时对多源监测数据进行一定的规范化处理与回归分析,提高模型的泛化性以及计算结果精度。
优选的,整合步骤S2与步骤S3的数据处理流程,输入待分析的滑坡区域多源监测数据,通过模型的最优回归测算得到拟合优度,目的为依赖地信监测数据实现滑坡风险性准确先验预测,最后得到多源监测数据关联分析的区域风险定量测算结果。
本发明的有益效果为:能够面向不同诱发因素及环境变化影响的滑坡场景进行监测数据约束的机理判别,相较于滑坡动力学分析等方法,不需要收集大量的滑坡物理、地质特性方面的知识;根据构建的定量回归模型分析不同诱发因子对滑坡状态的影响程度,进一步对滑坡风险进行定量测算,有助于对区域多源监测数据的充分利用并且提高其在隐患风险分析中的参考性,避免由于不同场景表现的随机性和多样性导致的致灾因子提取与时空预测难以具备通用性等问题的出现,能够支持针对不同滑坡隐患场景的灾害隐患信息获取等相关灾害分析的任务中。
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他的附图。
图1是根据本发明实施例的一种多源监测数据关联分析的区域滑坡风险定量测算方法的步骤流程图;
图2是根据本发明实施例的一种多源监测数据关联分析的区域滑坡风险定量测算方法的技术路线示意图;
图3是根据本发明实施例的一种多源监测数据关联分析的区域滑坡风险定量测算方法是本实例中处理过程示意图之一;
图4是根据本发明实施例的一种多源监测数据关联分析的区域滑坡风险定量测算方法是本实例中处理过程示意图之二;
图5是根据本发明实施例的一种多源监测数据关联分析的区域滑坡风险定量测算方法是本实例中处理过程示意图之三;
图6是根据本发明实施例的一种多源监测数据关联分析的区域滑坡风险定量测算方法是本实例中处理过程示意图之四;
图7是根据本发明实施例的一种多源监测数据关联分析的区域滑坡风险定量测算方法是本实例中处理过程示意图之五;
图8是根据本发明实施例的一种多源监测数据关联分析的区域滑坡风险定量测算方法是本实例中处理过程示意图之六;
图9是根据本发明实施例的一种多源监测数据关联分析的区域滑坡风险定量测算方法的原理示意图。
具体实施方式
为进一步说明各实施例,本发明提供有附图,这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理,配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点,图中的组件并未按比例绘制,而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例,提供了一种多源监测数据关联分析的区域滑坡风险定量测算方法。
实施例一;
如图1-9所示,根据本发明实施例的多源监测数据关联分析的区域滑坡风险定量测算方法,该预测方法通过深入分析灾害区域多源监测数据,使用概率统计学方法结合信号处理技术对多模态滑坡监测数据中致灾因子表现的数据特征提取与分析,挖掘在时域上特征值之间的潜在、深层的时空关联并利用其特征组合约束滑坡隐患机理模式的判别进一步构建定量回归模型,研究模型驱动的区域滑坡隐患定量测算方法;
其特点在于数据关联分析的隐患定量测算,涉及时域关联的区域监测特征分析:根据信号处理技术在时域上对区域监测点数据进行采样并分析获取其潜在的关联特征;
涉及特征约束的隐患机理模型判别:基于时间序列组合关联特征实现约束滑坡隐患机理的模式判别;
涉及模式引导的定量回归模型构建:依赖模式判别标准并结合回归统计方法构建面向时序监测数据的定量回归模型;
涉及模型驱动的滑坡风险定量测算:通过依据监测数据构建的定量回归模型对待分析的滑坡区域数据进行风险定量测算,执行包括以下步骤:
S1、时域关联的区域监测特征分析:面向不同滑坡区域场景监测的多源数据获得区域因素与监测数据;根据信号处理技术结合基于区域因素选取的特征点在时域上进行数据特征采样;对上述采样的数据特征组合进行两类或多类特征表现的关联分析,得到时域上的关联特征;根据目标场景描述和后续处理需要,可描述为深层的关联特征挖掘;
S2、特征约束的隐患机理模式判别:依据S1中的关联特征,结合重力型滑坡满足的三阶段变形规律,揭示动力型滑坡致灾过程与时空演化规律进一步建立基于演化过程的滑坡隐患机理模式判别标准,为后续的风险测算模型做支撑;
S3、模式引导的定量回归模型构建:基于S2中的机理模式判别标准,引导构建面向时序监测数据的定量回归模型,目的为根据当前所处的机理模式进行后续的趋势性拟合程度分析;所述定量回归模型在实例中基于回归斜率、相关系数等分析模型,根据后续研究目的以及定量分析相关性选择模型作为此步骤构建的定量回归模型;
S4、模型驱动的滑坡风险定量测算,基于上步构建的定量回归模型,输入待分析的滑坡区域多源监测数据,通过模型的最优回归测算得到拟合优度,目的为依赖地信监测数据。
实施例二;
如图1-9所示,所述步骤S1中所述时域关联的区域监测特征分析还包括以下步骤:
S11、数据特征采样:从滑坡区域布控的多传感器监测的多源数据出发,结合地形地质环境与历史滑坡资料选取特征滑坡点位并导入滑坡点位监测数据即专利中的区域因素与监测数据;由于监测仪器及各种人为因素影响,监测数据在时域上通常呈现不均匀分布,利用信号处理技术结合基于区域因素选取的特征点在时域上进行数据特征采样其中:为当前估值,Kk为卡尔曼增益,Zk为测量值,为前一估值;
S12、时域关联分析,基于步骤1a中采样的数据特征,利用聚类与插值法算法获取其在时域上的分布情况;为避免单一指标在后续滑坡预警任务中出现的准确性低、时间较长等问题,根据数据特征以及目标需求组合时域上的数据分布进行两类或多类特征表现的关联分析,目的为获得时域上的关联特征进而实现面向滑坡预警的多指标综合分析;
S13、深层特征挖掘:以步骤1b中的时域关联为基础,获得关联分析后的时域特征,对其进行深层次的时序特征挖掘,实现从定量分析到定性判别的层次转换;所述的深层时序特征包括滑坡灾害发生的周期性、滞后性与趋势性等。
实施例三;
如图1-9所示,不深入研究滑坡地质力学机理,利用相关性分析方法并基于步骤S1中的周期性、滞后性、趋势性等深层关联特征进行约束机理模式的划分,同时由于滑坡灾害存在动态波动及不确定性的特点,在初步模式划定阶段,通过划定可波动范围,实现对特征数据扩缩后可波动范围内拟合程度的判定。
所述特征约束的隐患机理模式判别包括以下3中模式:
S21、滑坡稳定模式:在规范化的时域周期内,各类特征曲线平稳,整体波动值不超过前一周期的10%,计算的相关系数均值R≤0.15;
S22,滑坡形变模式:在规范化的时域周期内,各类特征曲线出现突变区域,整体波动超过前一周期的50%。计算的相关系数均值相关系数1≥R>0.15;
S23、滑坡失稳模式:在规范化的时域周期内,各类特征曲线趋于,整体波动值基于上一模式阶段末尾逐渐下降。计算的相关系数均值相关系数同理。
实施例四;
如图1-9所示,所述步骤S2中的机理模式判别标准,引导构建面向时序监测数据的回归模型,目的为实现在先验知识指导的同时对多源监测数据进行一定的规范化处理与回归分析,提高模型的泛化性以及计算结果精度,所述模式引导的定量回归模型包括以下4种:回归斜率模型、回归截距模型、拟合优度模型和相关系数模型,根据步骤S2中不同的机理模式进行时序性方程计算,最后获得时域周期上的模型变量表,具体线性回归方程表示如下:
f(xi)=ωxi+b,f(xi)≈yi
实施例五;
如图1-9所示,整合步骤S2与步骤S3的数据处理流程,输入待分析的滑坡区域多源监测数据,通过模型的最优回归测算得到拟合优度,目的为依赖地信监测数据实现滑坡风险性准确先验预测,最后得到多源监测数据关联分析的区域风险定量测算结果,所述模型驱动的滑坡风险定量测算包括以下步骤:
步骤S31,阈值范围划定:进行灾害曲线的相关性分析,不是简单的对得到的标准化曲线进行直接判定,需要对曲线进行多次时域平移数据扩缩以寻求最优相关度;同时由于滑坡灾害存在动态波动及不确定性的特点,通过划定可波动范围,实现对曲线数据扩缩后可波动范围内拟合程度的判定。
步骤S32,实时相似度判定:实时相似度判定不需要考虑时域平移,首先对降雨量及速率曲线求解相关系数,用于做初步判定;将相同时间点上的降雨量与速率一一对应,求解对应关系,整合全时域上的对应关系,求解得整体对应关系;在整体对应关系基础上,对数据进行扩缩,以扩缩后的数据对两曲线求解相似度,同时调整对应关系数值,求解多组相似度,并取最优;同时可以通过增长速率,提取局部变化较大区域进行区块独立验证;
步骤S32,滞后相似度判定:与实时相似度判定不同,滞后相似度判定需要考虑时域平移,同样以天为时域标准单位,在对数据进行时域平移后,重复实时相似度判定的方法,求解相似度,并取最优值。
综上所述,借助于本发明的上述技术方案,基于滑坡隐患多源监测数据表现的多模态特征,利用信号处理技术与概率统计方法对其进行定量分析、风险判别的测算过程。在此过程中,采用概率统计方法通过深度挖掘滑坡表征属性及相关属性间的联系,实现滑坡特征的提取与分析;专利中所述区域隐患机理模式的判别能够面向不同诱发因素及环境变化影响的滑坡场景进行监测数据约束的机理判别,相较于滑坡动力学分析等方法,不需要收集大量的滑坡物理、地质特性方面的知识;根据构建的定量回归模型分析不同诱发因子对滑坡状态的影响程度,进一步对滑坡风险进行定量测算,有助于对区域多源监测数据的充分利用并且提高其在隐患风险分析中的参考性,避免由于不同场景表现的随机性和多样性导致的致灾因子提取与时空预测难以具备通用性等问题的出现,能够支持针对不同滑坡隐患场景的灾害隐患信息获取等相关灾害分析的任务中。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种多源监测数据关联分析的区域滑坡风险定量测算方法,其特征在于,该预测方法通过深入分析灾害区域多源监测数据,使用概率统计学方法结合信号处理技术对多模态滑坡监测数据中致灾因子表现的数据特征提取与分析,挖掘在时域上特征值之间的潜在、深层的时空关联并利用其特征组合约束滑坡隐患机理模式的判别进一步构建定量回归模型,研究模型驱动的区域滑坡隐患定量测算方法;
其特点在于数据关联分析的隐患定量测算,涉及时域关联的区域监测特征分析:根据信号处理技术在时域上对区域监测点数据进行采样并分析获取其潜在的关联特征;
涉及特征约束的隐患机理模型判别:基于时间序列组合关联特征实现约束滑坡隐患机理的模式判别;
涉及模式引导的定量回归模型构建:依赖模式判别标准并结合回归统计方法构建面向时序监测数据的定量回归模型;
涉及模型驱动的滑坡风险定量测算:通过依据监测数据构建的定量回归模型对待分析的滑坡区域数据进行风险定量测算,执行包括以下步骤:
S1、时域关联的区域监测特征分析:面向不同滑坡区域场景监测的多源数据获得区域因素与监测数据;根据信号处理技术结合基于区域因素选取的特征点在时域上进行数据特征采样;对上述采样的数据特征组合进行两类或多类特征表现的关联分析,得到时域上的关联特征;根据目标场景描述和后续处理需要,可描述为深层的关联特征挖掘;
S2、特征约束的隐患机理模式判别:依据S1中的关联特征,结合重力型滑坡满足的三阶段变形规律,揭示动力型滑坡致灾过程与时空演化规律进一步建立基于演化过程的滑坡隐患机理模式判别标准,为后续的风险测算模型做支撑;
S3、模式引导的定量回归模型构建:基于S2中的机理模式判别标准,引导构建面向时序监测数据的定量回归模型,目的为根据当前所处的机理模式进行后续的趋势性拟合程度分析;所述定量回归模型在实例中基于回归斜率、相关系数等分析模型,根据后续研究目的以及定量分析相关性选择模型作为此步骤构建的定量回归模型;
S4、模型驱动的滑坡风险定量测算,基于上步构建的定量回归模型,输入待分析的滑坡区域多源监测数据,通过模型的最优回归测算得到拟合优度,目的为依赖地信监测数据。
2.根据权利要求2所述的一种多源监测数据关联分析的区域滑坡风险定量测算方法,其特征在于,所述步骤S1中所述时域关联的区域监测特征分析还包括以下步骤:
S11、数据特征采样:从滑坡区域布控的多传感器监测的多源数据出发,结合地形地质环境与历史滑坡资料选取特征滑坡点位并导入滑坡点位监测数据即专利中的区域因素与监测数据;由于监测仪器及各种人为因素影响,监测数据在时域上通常呈现不均匀分布,利用信号处理技术结合基于区域因素选取的特征点在时域上进行数据特征采样其中:为当前估值,Kk为卡尔曼增益,Zk为测量值,为前一估值;
S12、时域关联分析,基于步骤1a中采样的数据特征,利用聚类与插值法算法获取其在时域上的分布情况;为避免单一指标在后续滑坡预警任务中出现的准确性低、时间较长等问题,根据数据特征以及目标需求组合时域上的数据分布进行两类或多类特征表现的关联分析,目的为获得时域上的关联特征进而实现面向滑坡预警的多指标综合分析;
S13、深层特征挖掘:以步骤1b中的时域关联为基础,获得关联分析后的时域特征,对其进行深层次的时序特征挖掘,实现从定量分析到定性判别的层次转换;所述的深层时序特征包括滑坡灾害发生的周期性、滞后性与趋势性等。
3.根据权利要求2所述的一种多源监测数据关联分析的区域滑坡风险定量测算方法,其特征在于,不深入研究滑坡地质力学机理,利用相关性分析方法并基于步骤S1中的周期性、滞后性、趋势性等深层关联特征进行约束机理模式的划分,同时由于滑坡灾害存在动态波动及不确定性的特点,在初步模式划定阶段,通过划定可波动范围,实现对特征数据扩缩后可波动范围内拟合程度的判定。
4.根据权利要求3所述的一种多源监测数据关联分析的区域滑坡风险定量测算方法,其特征在于,所述特征约束的隐患机理模式判别包括以下3中模式:
S21、滑坡稳定模式;
S22,滑坡形变模式;
S23、滑坡失稳模式。
5.根据权利要求4所述的一种多源监测数据关联分析的区域滑坡风险定量测算方法,其特征在于,所述步骤S2中的机理模式判别标准,引导构建面向时序监测数据的回归模型,目的为实现在先验知识指导的同时对多源监测数据进行一定的规范化处理与回归分析,提高模型的泛化性以及计算结果精度。
6.根据权利要5所述的一种多源监测数据关联分析的区域滑坡风险定量测算方法,其特征在于,整合步骤S2与步骤S3的数据处理流程,输入待分析的滑坡区域多源监测数据,通过模型的最优回归测算得到拟合优度,目的为依赖地信监测数据实现滑坡风险性准确先验预测,最后得到多源监测数据关联分析的区域风险定量测算结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010840311.4A CN112070366B (zh) | 2020-08-19 | 2020-08-19 | 一种多源监测数据关联分析的区域滑坡风险定量测算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010840311.4A CN112070366B (zh) | 2020-08-19 | 2020-08-19 | 一种多源监测数据关联分析的区域滑坡风险定量测算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070366A true CN112070366A (zh) | 2020-12-11 |
CN112070366B CN112070366B (zh) | 2022-03-29 |
Family
ID=73662333
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010840311.4A Active CN112070366B (zh) | 2020-08-19 | 2020-08-19 | 一种多源监测数据关联分析的区域滑坡风险定量测算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070366B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700104A (zh) * | 2020-12-25 | 2021-04-23 | 中南大学 | 一种基于多模态分类的震区滑坡易发性评价方法 |
CN114637263A (zh) * | 2022-03-15 | 2022-06-17 | 中国石油大学(北京) | 一种异常工况实时监测方法、装置、设备及存储介质 |
CN116524699A (zh) * | 2023-06-26 | 2023-08-01 | 四川省华地建设工程有限责任公司 | 一种基于区域分析的地质灾害预警方法及系统 |
CN117172561A (zh) * | 2023-11-03 | 2023-12-05 | 广东新禾道信息科技有限公司 | 基于智能模型算法的地质灾害风险隐患预测方法及系统 |
CN117933577A (zh) * | 2024-03-21 | 2024-04-26 | 四川省华地建设工程有限责任公司 | 一种高位山体滑坡灾害的评估方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038081A (zh) * | 2017-12-25 | 2018-05-15 | 武汉大学 | 基于特征函数空间滤值的滑坡灾害logistic回归分析方法 |
CN111538776A (zh) * | 2020-03-19 | 2020-08-14 | 浙江中海达空间信息技术有限公司 | 多层认知约束的高维地理空间数据聚焦可视化方法 |
-
2020
- 2020-08-19 CN CN202010840311.4A patent/CN112070366B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038081A (zh) * | 2017-12-25 | 2018-05-15 | 武汉大学 | 基于特征函数空间滤值的滑坡灾害logistic回归分析方法 |
CN111538776A (zh) * | 2020-03-19 | 2020-08-14 | 浙江中海达空间信息技术有限公司 | 多层认知约束的高维地理空间数据聚焦可视化方法 |
Non-Patent Citations (8)
Title |
---|
QING ZHU ET.AL: "《Unsupervised Feature Learning to Improve Transferability of Landslide Susceptibility Representations》", 《IEEE JOURNAL OF SELECTED TOPICS IN APPLIED EARTH OBSERVATIONS AND REMOTE SENSING》 * |
WEI CHEN ET.AL: "《GIS-based groundwater potential analysis using novel ensemble weights-of-evidence with logistic regression and functional tree models》", 《SCIENCE OF THE TOTAL ENVIRONMENT》 * |
唐春艳等: "基于交互多模算法的Kalman平滑器在滑坡监测中的应用", 《水文地质工程地质》 * |
朱庆等: "重大滑坡隐患分析方法综述", 《测绘学报》 * |
李向东等: "滑坡灾害危险性研究现状与展望", 《国土资源情报》 * |
汪华斌等: "滑坡灾害空间智能预测展望", 《地质科技情报》 * |
程伟平: "动态模型在土石坝长期渗流稳定性分析中的研究", 《水力发电学报》 * |
邓会芳等: "《GIS支持下基于层次分析法的某地区滑坡敏感性评价》", 《防治地灾 除险安居——浙江省地质学会2017年学术年会论文集》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700104A (zh) * | 2020-12-25 | 2021-04-23 | 中南大学 | 一种基于多模态分类的震区滑坡易发性评价方法 |
CN112700104B (zh) * | 2020-12-25 | 2022-09-09 | 中南大学 | 一种基于多模态分类的震区滑坡易发性评价方法 |
CN114637263A (zh) * | 2022-03-15 | 2022-06-17 | 中国石油大学(北京) | 一种异常工况实时监测方法、装置、设备及存储介质 |
CN114637263B (zh) * | 2022-03-15 | 2024-01-12 | 中国石油大学(北京) | 一种异常工况实时监测方法、装置、设备及存储介质 |
CN116524699A (zh) * | 2023-06-26 | 2023-08-01 | 四川省华地建设工程有限责任公司 | 一种基于区域分析的地质灾害预警方法及系统 |
CN116524699B (zh) * | 2023-06-26 | 2023-09-05 | 四川省华地建设工程有限责任公司 | 一种基于区域分析的地质灾害预警方法及系统 |
CN117172561A (zh) * | 2023-11-03 | 2023-12-05 | 广东新禾道信息科技有限公司 | 基于智能模型算法的地质灾害风险隐患预测方法及系统 |
CN117172561B (zh) * | 2023-11-03 | 2024-01-02 | 广东新禾道信息科技有限公司 | 基于智能模型算法的地质灾害风险隐患预测方法及系统 |
CN117933577A (zh) * | 2024-03-21 | 2024-04-26 | 四川省华地建设工程有限责任公司 | 一种高位山体滑坡灾害的评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112070366B (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112070366B (zh) | 一种多源监测数据关联分析的区域滑坡风险定量测算方法 | |
CN112182410B (zh) | 基于时空轨迹知识图谱的用户出行模式挖掘方法 | |
CN108399748B (zh) | 一种基于随机森林与聚类算法的道路旅行时间预测方法 | |
CN110738856B (zh) | 一种基于移动聚类的城市交通拥堵精细识别方法 | |
CN111475596B (zh) | 一种基于多层级轨迹编码树的子段相似性匹配方法 | |
CN109145173B (zh) | 一种基于相似度的矢量要素变化比对方法 | |
CN112862156B (zh) | 一种基于船舶轨迹和蚁群算法的船舶路径规划方法 | |
CN109813273B (zh) | 一种基于空间分析的农机重复作业面积判定方法 | |
CN112508237B (zh) | 基于数据分析的雨型区域划分方法和实时雨型预测方法 | |
CN113886917B (zh) | 基于cnn-lstm模型的铁路沿线区域地面沉降预测预警方法 | |
CN110334171A (zh) | 一种基于Geohash的时空伴随对象挖掘方法 | |
CN112084672B (zh) | 一种基于分形维数判断地下水污染的方法 | |
CN107844602B (zh) | 一种基于时空属性关联规则的预测方法 | |
CN113779113A (zh) | 基于雨洪时空过程相似性挖掘的洪水动态预估方法及系统 | |
CN110909037B (zh) | 一种频繁轨迹模式的挖掘方法及装置 | |
CN105758403A (zh) | 一种基于Vague集模糊推理的地磁图适配性的综合评价方法 | |
CN108712317B (zh) | 一种基于移动社交网络的城市人群时空动态感知方法和系统 | |
Trinh et al. | Traffic flow forecasting using multivariate time-series deep learning and distributed computing | |
CN116052009A (zh) | 基于InSAR形变的GNSS测站布局方法及其应用 | |
CN113011098B (zh) | 一种输电走廊区域雷电活动规律分析显示模型及系统 | |
Dewan et al. | Som-tc: Self-organizing map for hierarchical trajectory clustering | |
CN115545543A (zh) | 多灾种集成的自然灾害风险评估分析系统 | |
CN113190794A (zh) | 一种新的数据空间离散化算法 | |
CN110208876B (zh) | 副热带急流和极锋急流径向位置协同变化的表征方法 | |
CN112765120A (zh) | 一种基于手机信令分析和提取用户移动轨迹的方法 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 313000 No. 581, Fenghuang Road, Wuxing District, Huzhou City, Zhejiang Province Applicant after: Nuclear industry Huzhou survey, planning, design and Research Institute Co., Ltd Applicant after: WuHan University Address before: 313000 No. 581, Fenghuang Road, Wuxing District, Huzhou City, Zhejiang Province Applicant before: Nuclear industry Huzhou Engineering Survey Institute Co., Ltd Applicant before: WuHan University |
|
GR01 | Patent grant | ||
GR01 | Patent grant |