CN112200356A - 一种滑坡的预测方法、装置、设备和存储介质 - Google Patents
一种滑坡的预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN112200356A CN112200356A CN202011063206.0A CN202011063206A CN112200356A CN 112200356 A CN112200356 A CN 112200356A CN 202011063206 A CN202011063206 A CN 202011063206A CN 112200356 A CN112200356 A CN 112200356A
- Authority
- CN
- China
- Prior art keywords
- landslide
- grid
- prediction
- probability
- day
- 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
- 238000000034 method Methods 0.000 title claims abstract description 80
- 230000003203 everyday effect Effects 0.000 claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims description 55
- 238000012545 processing Methods 0.000 claims description 41
- 238000004422 calculation algorithm Methods 0.000 claims description 25
- 238000012216 screening Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 15
- 230000003068 static effect Effects 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 10
- 230000002354 daily effect Effects 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 239000002689 soil Substances 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 239000013049 sediment Substances 0.000 claims description 5
- 230000006870 function Effects 0.000 description 31
- 238000012549 training Methods 0.000 description 16
- 238000010606 normalization Methods 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 9
- 238000013145 classification model Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 8
- 230000003044 adaptive effect Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 108010014173 Factor X Proteins 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- YOBAEOGBNPPUQV-UHFFFAOYSA-N iron;trihydrate Chemical compound O.O.O.[Fe].[Fe] YOBAEOGBNPPUQV-UHFFFAOYSA-N 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Abstract
本发明实施例公开了一种滑坡的预测方法、装置、设备和存储介质，获取目标区域的各个栅格的设定时间段内每天的滑坡影响因子，并确定滑坡影响因子的离散化滑坡影响因子，基于离散化滑坡影响因子；基于第一预设模型，根据所述滑坡影响因子确定每天滑坡的发生概率；判断当前天滑坡的发生概率是否大于预设概率阈值；若是，则基于第二预设模型，根据当前天的各个栅格的滑坡影响因子预测各个栅格滑坡的发生概率。本发明实施例的技术方案，实现了根据每天的各个栅格的滑坡数据进行滑坡预测，提高了预测精度；同时基于两种模型进行分阶段滑坡预测，提高了预测效率。
Description
技术领域
本发明实施例涉及滑坡监测技术领域，尤其涉及一种滑坡的预测方法、装置、设备和存储介质。
背景技术
山体滑坡是最常见的灾难性自然灾害之一，其具有分布范围广、发生频次高、多发性、区域性和严重性等特点，因滑坡每年会造成大量的人员伤亡和重大的环境和基础设施损失。对滑坡的易发性进行评估具有重要意义。
现有的滑坡易发性预测根据其所依据的理论基础的差异，可以分为确定性方法和非确定性方法。确定性方法主要是基于专家经验和知识的定向分析和基于滑坡过程或者物理学模型的进行分析的方法，预测准确度较差。近年来随着计算机技术和3S技术的高速发展，非确定性方法得到了广泛的应用，主要包括模糊逻辑法、层次分析法、决策树等。但是上述方法所处理的滑坡因子的时间精度较差，尤其是降雨量因子，通常仅考虑一年的降雨量，因此预测精度也不太理想，同时，由于滑坡的影响因子众多，仅采用一种非确定方法进行预测的预测效率较差。
发明内容
本发明提供了一种滑坡的预测方法、装置、设备和存储介质，实现了根据每天的各个栅格的滑坡数据进行滑坡预测，提高了预测精度，同时基于两种模型进行分阶段滑坡预测，提高了预测效率。
第一方面，本发明实施例提供了一种滑坡的预测方法，该滑坡的预测方法包括：
获取目标区域的各个栅格的设定时间段内每天的滑坡影响因子，将所述滑坡影响因子进行离散化处理，得到离散化滑坡影响因子；
基于第一预设模型，根据所述离散化滑坡影响因子确定每天滑坡的发生概率；
判断当前天滑坡的发生概率是否大于预设概率阈值；
若是，则基于第二预设模型，根据当前天的各个栅格的离散化滑坡影响因子预测各个栅格滑坡的发生概率。
第二方面，本发明实施例还提供了一种滑坡的预测装置，该滑坡的预测装置包括：
数据获取模块，用于获取目标区域的各个栅格的设定时间段内每天的滑坡影响因子，将所述滑坡影响因子进行离散化处理，得到离散化滑坡影响因子；
第一滑坡预测模块，用于基于第一预设模型，根据所述离散化滑坡影响因子确定每天滑坡的发生概率；
概率阈值判断模块，用于判断当前天滑坡的发生概率是否大于预设概率阈值；
第二滑坡预测模块，用于若当前天滑坡的发生概率大于所述预设概率阈值，则基于第二预设模型，根据当前天的各个栅格的离散化滑坡影响因子预测各个栅格滑坡的发生概率。
第三方面，本发明实施例还提供了一种滑坡的预测设备，该设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例提供的滑坡的预测方法。
第四方面，本发明实施例还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行本发明任意实施例提供的滑坡的预测方法。
本发明实施例的技术方案，通过获取目标区域的各个栅格的每天的滑坡影响因子，并确定滑坡影响因子的离散化滑坡影响因子，基于离散化滑坡影响因子进行滑坡预测，提高了数据的精度，尤其是对于滑坡中的动态因子，以天为单位进行预测，充分考虑了动态因子的时序信息，提高了预测精度；通过设置两个预设模型，分两阶段进行滑坡预测，第一阶段预测当前天发生滑坡的概率是否大于设定值，若是，则进行第二阶段滑坡预测，以当前天的数据为基准进行具体栅格的滑坡发生概率，大幅度降低了计算资源的浪费，提高了滑坡预测的效率。
附图说明
图1是本发明实施例一中的一种滑坡的预测方法的流程图；
图2是本发明实施例二中的一种滑坡的预测方法的流程图；
图3是本发明实施例三中的一种滑坡的预测方法的流程图；
图4是本发明实施例四中的一种滑坡的预测装置的结构示意图；
图5是本发明实施例五中的一种滑坡的预测设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种滑坡的预测方法的流程图，本实施例可适用于对滑坡易发性进行评估的情况，该方法可以由滑坡的预测装置来执行，如图1所示，该方法包括如下步骤：
S110、获取目标区域的各个栅格的设定时间段内每天的滑坡影响因子，将滑坡影响因子进行离散化处理，得到离散化滑坡影响因子。
其中，目标区域通常是发生过滑坡的区域，也可以是指定的任意一个区域。栅格数据就是将空间分割成有规律的网格，每一个网格成为一个栅格或单元，并在各个单元上赋予相应的属性值来表示实体的一种数据形式。设定时间段可以是一天、三天、一周、一个月或者其他时间段。栅格大小可以是50×50m、30×30m或者其他大小，具体的可以根据目标区域的尺寸确定栅格的尺寸。
具体的，可以在目标区域设置多个监测点，以实时获取各个监测点的滑坡影响因子。进一步结合预设部门收集的数据，形成该目标区域的各个栅格的设定时间段内每天的滑坡影响因子。
可选的，所述滑坡影响因子包括动态因子和静态因子，其中，所述动态因子包括降雨量和土壤湿度中的至少一项，所述静态因子包括高程、坡度、坡向、平面曲率、剖面曲率、地形湿度指数、水流强度指数、沉积运输指数、地形粗糙度指数、与断层距离、与河流距离、与道路距离、岩性、土地利用、植被覆盖率中的至少一项。
其中，地形湿度指数(Topographic Wetness Index，TWI)、水流强度指数(StreamPower Index，SPI)、沉积运输指数(SedimentTransport Index，STI)和地形粗糙度指数(Topographic Wetness Index，TRI)是从高程中获取的衍生因子，具体计算公式如下：
SPI＝As×tanβ
其中，As为目标区域单位长度等高线上地表水经过的上游区域面积，其单位为m2/m；β为坡度；DTMmax、DTMmin分别为目标区域的数字地面模型(Digital Terrain Model，DTM)中九个矩形窗口的窗宽中的最大值和最小值。
可选的，在获取目标区域的各个栅格的设定时间段内每天的滑坡影响因子之后，还包括：
对所述滑坡影响因子进行预处理，其中，所述预处理包括坐标统一处理、校正处理、数据离散化处理和栅格统一处理中的至少一项。
由于滑坡影响因子的来源不同，会导致各个滑坡影响因子的坐标或者栅格大小不统一，因此，在获取滑坡影响因子之后，需要对滑坡影响因子进行坐标统一处理和栅格统一处理。当然，也可以根据滑坡影响因子的具体情况进行其他数据预处理，如校正处理、异常值去除、非栅格数据栅格化处理等。
具体的，坐标统一处理主要用于将滑坡影响因子的坐标系进行统一化，如以西安80坐标系作为滑坡影响因子的坐标系，当然也可以采用其他坐标系作为滑坡影响因子的坐标系。
为了提高第一预设模型的处理效率，在获取到每天的滑坡影响因子之后，将滑坡影响因子进行离散化处理，以使每天的滑坡影响因子按照一定的规则转化为离散变量，即得到离散化滑坡影响因子，进一步利于第一预设模型基于离散化滑坡影响因子快速的预测每天滑坡的发生概率。可选地，可以通过直接阈值法、自然断点法将滑坡影响因子转化为离散化滑坡影响因子。
S120、基于第一预设模型，根据离散化滑坡影响因子确定每天滑坡的发生概率。
其中，第一预设模型可以是神经网络模型，或者其他学习算法。示例性的，第一预设模型可以是支持向量机算法(Support Vector Machine，SVM)、长短期记忆网络(LongShort-Term Memory，LSTM)、逻辑回归模型(Logistics Regression，LR)、XGBoost(ExtremeGradient Boosting，极端梯度提升决策树)算法、GBDT(Gradient Boosting DecisionTree，梯度提升决策树)算法、全卷积网络(Fully Convolutional Networks，FCN)、循环卷积网络(Recurrent Neural Network，RNN)、残差网络(Residual Network，ResNet)、门控循环单元(Gate Recurrent Unit，GRU)等。
具体的，第一预设模型的训练过程为：
从滑坡野外勘察报告、典型滑坡监测报告等文件提取目标区域或全部区域的滑坡的基本信息包括滑坡发生的时间、经纬度、受灾规模等滑坡信息，并根据该滑坡信息确定各个滑坡发生地的历史时间段的滑坡影响因子，以设定比例组成训练集和验证集，如8:2或7:3；将各个滑坡影响因子进行数据校正与配准，并进行坐标统一处理和栅格统一处理，从而得到栅格大小一致的滑坡影响因子，并将通过上述步骤处理后的滑坡影响因子进行离散化处理，通过离散化的滑坡影响因子训练第一预设模型。通过特征工程提取各个离散化的滑坡影响因子的特征，组成第一预设模型的输入特征矩阵；初始化第一预设模型的参数，并将该输入特征矩阵输入第一预设模型中，进行模型训练，得到历史时间段的历史滑坡信息，并基于F1-值(F1-Score)与ROC(Receiver Operating Characteristic，接收者操作特征)作为评价指标，根据评价结果进行第一预设模型参数的调整，当满足时，训练初步完成，通过验证集进行模型验证，验证通过则得到训练好的第一预设模型。其中，所述历史滑坡信息包括各栅格发生滑坡的概率。
进一步地，在得到滑坡影响因子的离散化滑坡影响因子之后，还包括：根据所述离散化滑坡影响因子确定第一预设模型的第一特征矩阵。具体的，可以根据离散化滑坡影响因子构造第一预设模型的特征集合，并根据随机森林算法对所述特征集合进行特征选取，从而得到第一预设模型的输入特征矩阵。
S130、判断当前天滑坡的发生概率是否大于预设概率阈值。
其中，预设概率阈值可以是0.5、0.6或者其他值，当然预设概率阈值也可以采用分数或者百分数进行表示。当滑坡的发生概率大于该预设概率阈值时，表示当前天滑坡的易发性较高。
通过设置预设概率阈值对滑坡影响因子进行筛选，只有当前天滑坡的发生概率大于预设概率阈值时，才将当前天的数据传输至第二预设模型进行进一步预测，大大减少了模型输入的数据量，提高了处理效率，同时，提高了预测的精度。
S140、若是，则基于第二预设模型，根据当前天的各个栅格的离散化滑坡影响因子预测各个栅格滑坡的发生概率。
其中，第二预设模型可以是卷积神经网络，如一维卷积神经网络、一维残差神经网络、深度神经网络(Deep Neural Networks，DNN)、全卷积网络、基于决策树算法的分布式梯度提升框架(Light Gradient Boosting Machine，LightGBM)、自适应迭代算法(AdaptiveBoosting，Adaboost)、基于SMOTE(Synthetic Minority Oversampling Technique，少数类过抽样技术)的迭代算法(SMOTEboost)和BalanceCascade算法等。
具体的，当前天的个数可以是1个或多个，需要根据步骤130的判断结果确定。即通过第一预设模型预测设定时间段内每天的滑坡发生概率，当某一天的滑坡发生概率大于预设概率阈值时，则将该天对应的滑坡预设数据的离散化滑坡影响因子或输入特征矩阵发送至第二预设模型，以进行该天的各个栅格的滑坡发送概率的预测。
具体的，第二预设模型的训练过程为：
其训练集和验证集的获取方式与第一预设模型的方式一样，不同的是，为了提高模型的准确度，训练数据选取的时间段应为非滑坡栅格(未发生过滑坡的栅格)存在降雨事件的时间段，从而有效地避免了仅根据降雨量进行滑坡预测的弊端，加强了模型的准确度。从而根据训练集和验证集分别对第二预设模型进行训练和验证，从而得到训练好的第二预设模型。具体的，可以采用栅格分类精度与ROC(Receiver operating Characteristic)作为评价指标，对第二预设模型进行评价，其中，栅格分类精度是用于表征栅格分类正确的概率，具体可以采用分类正确的栅格的个数与总栅格个数的比值进行表示。
进一步地，还可以基于贝叶斯优化算法对第一预设模型和第二预设模型的参数进行优化。
本发明实施例的技术方案，通过获取目标区域的各个栅格的每天的滑坡影响因子，并确定滑坡影响因子的离散化滑坡影响因子，基于离散化滑坡影响因子进行滑坡预测，提高了数据的精度，尤其是对于滑坡中的动态因子，以天为单位进行预测，充分考虑了动态因子的时序信息，提高了预测精度；通过设置两个预设模型，分两阶段进行滑坡预测，第一阶段预测当前天发生滑坡的概率是否大于设定值，若是，则进行第二阶段滑坡预测，以当前天的数据为基准进行具体栅格的滑坡发生概率，大幅度降低了计算资源的浪费，提高了滑坡预测的效率。
实施例二
图2为本发明实施例二提供的一种滑坡的预测方法的流程图，本实施例是对上一实施例的进一步细化，本实施例所提供的滑坡的预测方法的流程图还包括：对所述滑坡影响因子进行预处理；对所述第一特征矩阵进行归一化处理；基于随机森林算法对所述第一特征矩阵进行特征筛选。
如图2所示，该滑坡的预测方法包括如下步骤：
S210、获取目标区域的各个栅格的设定时间段内每天的滑坡影响因子。
S220、对所述滑坡影响因子进行预处理。
其中，所述预处理包括坐标统一处理、校正处理和栅格统一处理中的至少一项。
S230、计算每天的各个栅格的所述动态因子的构造特征，并根据每天的所述构造特征和静态因子得到所述第一预设模型的第一特征矩阵。
其中，所述构造特征包括各个栅格的每个动态因子的总和、平均值、最大值、最小值、极差、四分位数和雨量时间。四分位数包括上四分位数和下四分位数，构造特征还可以包括中值或其他特征值。雨量时间可以是每天的雨量时间，还可以是更精细时间段的雨量时间。
可选地，离散化滑坡影响因子包括动态因子和静态因子，动态因子包括降雨量(降水量)和土壤湿度，静态因子包括高程、坡度、坡向、平面曲率、剖面曲率、地形湿度指数、水流强度指数、沉积运输指数、地形粗糙度指数、与断层距离、与河流距离、与道路距离、岩性、土地利用、植被覆盖率等。
示例性的，所获取的每天的各个栅格的离散化滑坡影响因子X为：X＝{X(1),X(2),…,X(d)}，其中，上角标表示天数，X(c)，c＝1,2,…,d，表示第c天目标区域内各个栅格的离散化滑坡影响因子，其中矩阵X(c)的行表示栅格，列表示离散化滑坡影响因子，矩阵X(c)的大小为m×n，即包括m个栅格，n个滑坡因子，其中，i＝1,2,…n1，表示动态因子(降雨量和土壤湿度等)，i＝n1+1,n1+2,…n，表示静态因子。以天为单位构造特征集X1(第一特征矩阵)，构造方式如下：对于每一个X(c)，按栅格计算n1个动态因子的总和、平均值、最大值、最小值、极差、上四分位数和下四位数等构造特征，由各个构造特征和静态因子，得到特征集X1。对于训练数据，还可以构造滑坡标签向量Y1，以表示每天是否发生滑坡，其中，1表示发生滑坡，0表示未发生滑坡。
S240、基于随机森林算法对所述第一特征矩阵进行特征筛选。
可选地，在基于随机森林算法对所述第一特征矩阵进行特征筛选之前，还包括：对所述第一特征矩阵进行归一化处理。
具体的，可以基于max-min归一化算法对第一特征矩阵的各个特征进行归一化处理。
示例性的，对第一特征矩阵X1中的每个滑坡因子(各个动态因子和静态因子)进行max-min归一化处理，具体公式如下：
其中，x为第一特征矩阵X1中的一个滑坡因子的特征；xmin和xmax分别为该滑坡因子的最小值和最大值；
为x对应的归一化处理后的特征值。
通过上述归一化处理过程，便可以得到归一化后的数据集
具体的，通过基于随机森林算法对第一特征矩阵进行特征筛选，将特征筛选后的第一特征矩阵输入至第一预设模型中。将第一特征矩阵(X1或
)输入随机森林模型中，根据输出的特征重要度，对特征进行筛选。具体的，可以选择特征重要度大于给定重要阈值的特征，最终得到筛选后的第一特征矩阵
S250、将所述第一特征矩阵输入所述第一预设模型中，以根据所述第一预设模型确定每天滑坡的发生概率。
具体的，第一预设模型为支持向量机(Support Vector Machine，，SVM)模型，其中，SVM的参数包括核函数类型、惩罚系数和核函数系数γ，其中核函数类型包括RBF(Radial Basis Function，高斯核函数)、Linear(线性核函数)、Sigmoid核函数、Polynomial(多项式核函数)，其中，多项式核函数的取值范围为2-8～28，γ的取值范围为2-8～28。
S260、判断当前天滑坡的发生概率是否大于预设概率阈值。
S270、若是，则对所述当前天对应的各个栅格的滑坡影响因子进行特征提取，以生成所述第二预设模型的第二特征矩阵。
具体的，假设第c天的滑坡发生概率大于预测概率阈值，则将第c天的滑坡影响因子X(c)发送至第二预设模型，构造第二预设模型的特征集，具体构造方式为：对该天的各个栅格的动态因子计算其3天、7天，15天和30天分别对应的总和、均值、方差、中位数以及差分的均值和方差、偏度、峰度等构造特征，同时，考虑以当前栅格为中心的设定范围内，如3*3区域范围内，各个栅格的情况，包括当前栅格是否为设定范围内的最大值或最小值，是否超过设定范围对应的均值，以及设定范围的栅格是否发生过滑坡，当前栅格发生滑坡的次数等特征，最终得到第二预设模型的第二特征矩阵X2 fea。
S280、对所述第二特征矩阵进行归一化处理。
具体的，可以基于max-min归一化算法对第二特征矩阵X2 fea的各个特征进行归一化处理。当然也可以选取其他归一化算法进行归一化处理。本发明实施例对第一特征矩阵和第二特征矩阵归一化算法不进行限定。
进一步地，在归一化处理之后，还包括：
基于多重共线性方法对第二特征矩阵进行特征选择，以根据共线性程度进行特征筛选，得到筛选的后的第二特征矩阵
S290、将归一化处理后的所述第二特征矩阵输入所述第二预设模型中，以根据所述第二预设模型确定当前天的各个栅格滑坡的发生概率。
具体的，若经过特征选择之后，上述步骤则替换为：将筛选后的第二特征矩阵
输入第二预设模型中，以根据所述第二预设模型确定当前天的各个栅格滑坡的发生概率。
具体的，第二预设模型可以是一维卷积神经网络模型，包括卷积层、批标准化层、激活函数和优化层，其中，卷积层的卷积核个数的取值范围为32～512，步长为16；激活函数可以包括ReLU函数(Rectified Linear Unit，线性整流函数)、Linear函数(线性函数)、Sigmoid函数和Tanh函数(双曲函数)中的任意一种；优化方法包括SGD(StochasticGradient Descent，梯度更新规则)、Adam(Adaptive Moment Estimation，自适应矩估计)、Nadam(Nesterov Adaptive Moment Estimation，Nesterov加速自适应矩估计)、Adagrad(Adaptive Gradient Algorithm，自适应梯度算法)和RMSprop(Root Mean Square Prop，前向均方根梯度下降演算法)等优化算法中任意一种；初始学习率的取值可以是0.0001、0.001、0.01或0.1；隐藏层神经元个数的取值范围为4～256，步长为4，隐藏层层数的取值范围为3～8，步长为1；随机丢弃率为0～0.8，步长为0.05。
具体的，当确定目标区域的滑坡预测结果之后，还可以根据所述目标区域的各个栅格滑坡的发生概率提取滑坡区域和非滑坡区域的分布状态和概率密度；采用小提琴图将所述滑坡区域和非滑坡区域的分布状态和概率密度进行展示。其中，所述分布状态可以包括滑坡区域和非滑坡区域在水系、铁路和道路上的距离分布，所述概率密度可以水系、铁路和道路上的滑坡区域和非滑坡区域的概率值，所述概率密度可以根据滑坡区域和非滑坡区域的面积确定。通过小提琴图可以直观的展示滑坡区域和非滑坡区域的分布状态和概率密度，有利于相关人员快速获取到滑坡相关数据并及时采取应对措施，保证人员安全。
本发明实施例的技术方案，通过获取目标区域的各个栅格的每天的滑坡影响因子的离散化滑坡影响因子进行滑坡预测，提高了数据的精度，尤其是对于滑坡中的动态因子，以天为单位进行预测，充分考虑了动态因子的时序信息，提高了预测精度；通过设置两个预设模型，分两阶段进行滑坡预测，第一阶段预测当前天发生滑坡的概率是否大于设定值，若是，则进行第二阶段滑坡预测，以当前天的数据为基准进行具体栅格的滑坡发生概率，大幅度降低了计算资源的浪费，提高了滑坡预测的效率；通过对动态因子特征构建，增加了动态因子在模型预测中的作用，提高了模型预测的精度；通过特征筛选和归一化处理，提高了模型预测的效率。同时，对于两个模型分别进行了参数优化，提高了模型的质量，保证了预测的准确度。通过小提琴图可以直观的展示滑坡区域和非滑坡区域的分布状态和概率密度，有利于相关人员快速获取到滑坡相关数据并及时采取应对措施，保证人员安全。
实施例三
图3为本发明实施例三提供的一种滑坡的预测方法的流程图。本实施例用于对滑坡预测的整个流程进行解析。在该方法实施例中未详尽描述的部分请参考上述实施例。具体参见图3所示，该方法可以包括如下步骤：
S310、获取目标区域的各个栅格的设定时间段内每天的滑坡影响因子，将滑坡影响因子进行离散化处理，得到离散化滑坡影响因子。
可选地，在获取目标区域的各个栅格的设定时间段内每天的滑坡影响因子之前，还可以获取目标区域的遥感影像信息和地形信息，基于功能区分类模型，根据所述遥感影像信息和所述地形信息，确定目标区域的各功能区，并根据各功能区对应的标签筛选目标功能区。
其中，所述遥感影像信息指的是卫星影像，可以通过Landsat(陆地卫星)系列的地表反射率产品获取，所述遥感影像信息可以反映目标区域的各栅格的地物类型，例如，草地类型、林地类型、水稻类型以及建筑物类型；所述地形信息可以从目标区域的数字高程模型(Digital Elevation Model，简称DEM)获取，所述地形信息反映了目标区域的某个栅格和周围栅格的栅格信息的最大变化程度。所述地形信息可以包括高程信息、坡度信息以及曲率信息等，所述高程信息可以反映目标区域的某个栅格的地形特征高程点、重要地理目标附近的高程点或者分布范围上的关键高程点，所述坡度信息可以反映目标区域的某个栅格的陡缓的程度，所述曲率信息可以反映目标区域的某个栅格的凹凸情况。
可选地，确定所述目标区的各功能区的方法包括：对所述遥感影像信息进行预处理，其中，所述预处理包括大气校正、辐射校正以及边缘检测处理中的至少一种；分别对预处理后的遥感影像信息和地形信息进行特征提取，并将遥感影像特征和地形特征输入至所述功能区分类模型，确定所述目标区域的各功能区，其中，所述遥感影像特征包括所述遥感影像信息的均值、极大值以及极小值，所述地形信息包括高程信息、坡度信息以及曲率信息，所述地形特征分别包括所述高程信息、坡度信息以及曲率信息的均值、极大值以及极小值。
所述功能区分类模型为随机森林模型，所述功能区分类模型的训练方法，包括：获取初始森林模型；将历史时间段内的各功能区的样本遥感影像信息、样本地形信息输入至所述初始森林模型，确定各功能区的预测标签和预测标签的概率；基于所述预测标签、所述预测标签的概率和各功能区的样本标签，对所述初始森林模型的参数进行调整，直至所述预测标签与所述样本标签一致，且所述预测标签概率达到设定阈值，得到所述功能区分类模型。其中，所述概率指的是初始森林模型的输出的预测标签的可能性，通过迭代调整初始森林模型的参数，如果预测标签与所述样本标签一致，且预测标签概率达到设定阈值，则预测标签是样本标签的可能性较大，将该迭代次数下的初始森林模型作为功能区分类模型。所述设定阈值可以是一个较大值，例如设定阈值取值为0.9。可选地，在将所述样本遥感影像信息输入至初始森林模型之前，还可以对样本遥感影像信息进行预处理，例如，对样本遥感影像信息进行大气校正、辐射校正、边缘检测、假彩色合成处理等，以提高样本遥感信息的功能区分类模型的训练精度。
可以理解的是，功能区分类模型输出的各功能区包括目标区域的所有功能区，包括城镇建筑、城市绿地、水体、农田、裸土、山林等功能区，各功能区的滑坡发生概率不同。例如，城镇建筑和城镇绿地发生滑坡的概率极小，水体和山林发生滑坡的概率较大。需要说明的是，通过将各功能区对应的历史预测概率与历史概率阈值比较，筛选出目标功能区，对目标功能区进行针对性的滑坡预测，可以减小计算量，有利于提高目标区域的滑坡预测效率。
若通过前述方法确定目标区域的各功能区，并根据各功能区对应的标签筛选目标功能区，则S310可以替换为：获取目标功能区的各个栅格的设定时间段内每天的滑坡影响因子，将滑坡影响因子进行离散化处理，得到离散化滑坡影响因子。
为了提高滑坡影响因子在目标功能区的表征效果，在确定目标功能区之后，还可确定目标功能区的栅格的目标尺寸。可选地，可以通过两种方法确定目标尺寸。可选地，确定目标尺寸的第一种方法为对目标功能区对应的栅格进行均匀划分。所述目标尺寸的均匀划分方法，包括：获取目标功能区的滑坡信息；基于所述滑坡信息确定所述目标区域的每个栅格的目标尺寸，其中，所述滑坡信息包括滑坡位置和滑坡面积；其中，所述基于所述滑坡信息确定所述目标区域的每个栅格的目标尺寸，包括：确定所述目标区域的每个栅格的初始尺寸和初始栅格数，以及根据所述滑坡信息确定滑坡栅格数和非滑坡栅格数，其中，所述滑坡栅格数是发生滑坡的栅格数量，所述非滑坡栅格数是未发生滑坡的栅格数量；如果所述滑坡栅格数与非滑坡栅格数的比值处于设定平衡区间内，将所述初始尺寸作为所述目标尺寸；如果所述滑坡栅格数与非滑坡栅格数的比值未处于设定平衡区间内，调节所述目标区域的每个栅格的尺寸，重新确定滑坡栅格数、非滑坡栅格数和当前栅格数；如果重新确定的滑坡栅格数与非滑坡栅格数的比值处于所述设定平衡区间内，且所述当前栅格数与所述初始栅格数的比值小于设定阈值，将调节后的每个栅格的尺寸作为所述目标尺寸。
其中，基于所述滑坡信息确定所述目标区域的每个栅格的目标尺寸，包括：获取所述目标区域的各雨量站的降雨数据、所述目标区域的每个栅格的初始尺寸和初始栅格数，以及根据所述滑坡信息确定滑坡栅格数和非滑坡栅格数，其中，所述滑坡栅格数是发生滑坡的栅格数量，所述非滑坡栅格数是未发生滑坡的栅格数量；根据特定数量的雨量站的降雨数据计算任一当前栅格对应的雨量站的降雨预测值，基于所述降雨预测值与当前栅格对应的雨量站的实测雨量值计算降雨误差；如果所述降雨误差小于设定误差阈值，且所述滑坡栅格数与所述非滑坡栅格数的比值处于设定平衡区间内，将所述初始尺寸作为所述目标尺寸；如果所述降雨误差大于设定误差阈值，调节所述目标区域的每个栅格的尺寸，根据调节后的所述任一栅格对应的雨量站的降雨预测值与实测雨量值重新计算降雨误差；如果重新计算的降雨误差小于所述设定误差阈值，且重新确定的滑坡栅格数与重新确定的非滑坡栅格数的比值处于设定平衡区间内，且当前栅格数与所述初始栅格数的比值小于设定阈值，将调节后的栅格的尺寸作为所述目标尺寸。
本实施例通过上述方式确定滑坡栅格数和非滑坡栅格数，以根据实际的滑坡信息和降雨量确定栅格的目标尺寸，进而使滑坡影响因子在目标尺寸下表征效果最好，有利于提高滑坡发生概率的预测准确度。
可选地，确定目标尺寸的第二种方法为对目标功能区对应的栅格进行不均匀划分。所述目标尺寸的栅格的不均匀划分方法，包括：获取目标区域的第一栅格尺寸和第二栅格尺寸，分别在所述第一栅格尺寸下和所述第二栅格尺寸下获取所述目标区域的滑坡影响因子，其中，所述第二栅格尺寸大于所述第一栅格尺寸；分别基于所述第一栅格尺寸下的滑坡影响因子和第二栅格尺寸下的滑坡影响因子的分布特征，确定所述第二栅格尺寸是否为期望栅格尺寸，其中，所述期望栅格尺寸小于所述第二栅格尺寸且大于或等于所述第一栅格尺寸；如果否，基于特定尺度因子，迭代调整所述第二栅格尺寸；如果当前迭代次数对应的当前栅格尺寸为所述期望栅格尺寸，将所述期望栅格尺寸对应的各栅格的每天的滑坡影响因子输入至滑坡预测模型，基于所述滑坡预测模型确定各栅格滑坡的发生概率。
其中，所述分别基于所述第一栅格尺寸下的滑坡影响因子和第二栅格尺寸下的滑坡影响因子的分布特征，确定所述第二栅格尺寸是否为期望栅格尺寸，包括：基于所述第一栅格尺寸下的滑坡影响因子的分布特征，对所述第二栅格尺寸下的滑坡影响因子的分布特征进行显著性检验；如果所述第二栅格尺寸下的滑坡影像因子通过显著性检验，确定所述第二栅格尺寸为所述期望栅格尺寸，否则，所述第二栅格尺寸不是所述期望栅格尺寸。所述分别基于所述第一栅格尺寸下的滑坡影响因子和第二栅格尺寸下的滑坡影响因子的分布特征，确定所述第二栅格尺寸是否为期望栅格尺寸，包括：基于所述第一栅格尺寸下的滑坡影响因子的分布特征计算第一特征数据，基于所述第二栅格尺寸下的滑坡影响因子的分布特征计算第二特征数据；其中，所述第一特征数据和所述第二特征数据包括方差、均值中的至少一个；将所述第一特征数据与所述第二特征数据之间的差值与设定阈值比较；如果所述差值小于所述设定阈值，确定所述第二栅格尺寸为所述期望栅格尺寸，否则，所述第二栅格尺寸不是所述期望栅格尺寸。
其中，所述基于特定尺度因子，迭代调整所述第二栅格尺寸，得到当前迭代次数下的当前栅格尺寸，包括：按照所述特定尺度因子迭代缩小所述第二栅格尺寸，得到所述当前迭代次数下的当前栅格尺寸。
通过对目标尺寸的栅格进行不均匀划分，使滑坡影响因子在划分后的栅格尺寸下同时兼顾保留丰富的特征信息并精简数据的冗余度的优势；在后续预测滑坡概率时，根据不同栅格尺寸对应的栅格内的滑坡影响因子，以天为单位将滑坡影响因子输入至滑坡预测模型中，预测滑坡发生概率，提高了滑坡预测的准确度。
本实施例中，目标尺寸可以是将初始尺寸进行多次调节后得到的，可以将将目标尺寸作为第一栅格尺寸。为了提高滑坡预测的准确性，还可以对第一栅格尺寸进行重采样，结合重采样的栅格尺寸的特征信息进行滑坡预测。具体方法包括：获取目标区域的第一栅格尺寸，并确定第一栅格尺寸重采样后的第二栅格尺寸，所述第二栅格尺寸大于所述第一栅格尺寸，根据第一栅格尺寸将第二栅格尺寸对应的初始栅格划分成多个栅格，并基于第一栅格尺寸提取第二栅格尺寸的栅格下的滑坡影响因子的特征信息，将特征信息和滑坡影响因子输入至第一预设模型以及第二预设模型进行滑坡预测。其中，特征信息的提取方法为：获取当前栅格的八邻域栅格内的滑坡影响因子的特征值；根据所述八邻域栅格内的特征值，确定所述当前栅格的特征信息。
本实施例通过将特征信息和滑坡影响因子结合确定各栅格滑坡的发生概率，可以增加滑坡影响因子的数据量，根据特征信息可以更准确的确定各栅格滑坡的发生概率，提高了滑坡预测的准确性。
进一步地，如前述实施例所述，离散化滑坡影响因子包括动态因子和静态因子。所述动态因子包括降雨量和土壤湿度中的至少一项。所述降雨量可以通过将获取的目标区域的地理环境数据输入至降雨插值模型确定。所述地理环境数据包括地理位置数据、大气数据、地形数据和下垫面数据。所述降雨插值模型可以是一种反向传播模型(BP，backpropagation neural network)，基于误差反向传播算法的由非线性变换单元组成的多层前馈型网络，BP一般由输入层、隐含层和输出层组成，每层中又包括N个神经元，同层神经元之间互相独立，每层之间神经元的输出经过特定的激励函数后，只会影响下层神经元的输入。
具体地，降雨插值模型的训练方法为：获取初始模型，确定所述初始模型的初始权值矩阵和初始阈值，并计算所述初始模型的适应度；将历史时间段内的样本地理环境信息输入至所述初始模型，确定预测降雨量，根据所述预测降雨量和所述历史时间段的实测降雨量，并基于遗传算法迭代调整所述初始模型的初始权值矩阵和初始阈值；基于迭代调整后的权值矩阵阈值，调整所述初始模型并计算调整后的模型的适应度，直至重新计算的适应度达到期望值，将达到所述期望值的适应度对应的模型作为所述降雨插值模型。
具体地，所述初始权值矩阵可以包括输入层与隐含层之间的连接权值和隐含层与输出层之间的连接权值；初始阈值可以包括隐含层的阈值和输出层的阈值。初始模型的适应度的计算公式为：
其中，n是样本个数，y(i)是初始模型的第i个样本的实际输出，t(i)是初始模型的第i个样本的期望输出。具体地，将历史时间段内的样本地理环境信息输入至初始模型后，得到预测降雨量，计算预测降雨量和实测降雨量之间的均方根误差，如果均方根误差大于预设误差阈值，迭代调整初始模型的权值编码和阈值编码，并基于调整后的权值编码和阈值编码确定调整后的权值矩阵和阈值，直至均方根误差不小于预设误差阈值，则说明初始模型调整至稳定状态，并采用上述适应度计算公式计算调整后的模型的适应度，如果重新计算的适应度达到期望值，将达到期望值的适应度对应的模型作为所述降雨插值模型。
可选地，采用二进制编码、实数编码或者格雷码编码方式对权值和阈值进行编码，并根据权值编码和阈值编码确定调整后的权值矩阵和阈值。可选地，还可以通过计算预测降雨量和实测降雨量之间的平均误差、平均绝对误差或线性相关系数，并根据所述平均误差、所述平均绝对误差或所述线性相关系数迭代调整初始模型的权值编码和阈值编码，直至平均误差、平均绝对误差或线性相关系数不小于预设误差阈值，说明初始模型调整至稳定状态，并进一步计算调整后模型的适应度以及确定降雨插值模型。
需要说明的是，历史时间段内的样本地理环境数据是多维度的，在训练降雨插值模型时，多维度的样本地理环境数据可以提高降雨插值模型的精度和鲁棒性，因而，在获取每天的地理环境数据后，基于降雨插值模型预测可以提高降雨概率的预测精度，有利于提高滑坡预测的预测精度。
S320、基于第一预设模型，根据离散化滑坡影响因子确定每天滑坡的发生概率。
S330、判断当前天滑坡的发生概率是否大于预设概率阈值。
S340、若是，则基于第二预设模型，根据当前天的各个栅格的离散化滑坡影响因子预测各个栅格滑坡的发生概率。
与前述实施例不同的，第一预设模型和第二预设模型均可以是自步分类学习模型，所述第一预设模型和第二预设模型均根据历史滑坡数据、历史非滑坡数据迭代调整自步因子和下采样比例确定。所述自步因子根据所述历史非滑坡数据的分箱个数和迭代次数确定，所述下采样比例根据每个分箱的自步因子和所有分箱的自步因子确定。可选地，所述历史滑坡数据和历史非滑坡数据的确定方法，包括：确定历史区域的各栅格对应的标签，并确定各所述历史时间点下的滑坡栅格和非滑坡栅格分别对应的历史降雨量和特定相关因子；基于所述标签，生成包括滑坡栅格和非滑坡栅格分别对应的历史降雨量和特定相关因子的滑坡数据集，根据所述滑坡数据集中各个栅格对应的标签确定所述历史滑坡数据和历史非滑坡数据。
可选地，所述历史滑坡数据和历史非滑坡数据的确定方法，包括：确定历史区域的各栅格对应的标签，并确定各所述历史时间点下的滑坡栅格和非滑坡栅格分别对应的历史降雨量和特定相关因子；基于所述标签，生成包括滑坡栅格和非滑坡栅格分别对应的历史降雨量和特定相关因子的滑坡数据集，根据所述滑坡数据集中各个栅格对应的标签确定所述历史滑坡数据和历史非滑坡数据。
可选地，所述第一预设模型的训练方法，包括：获取初始预测模型，并获取各历史滑坡时间点下的滑坡栅格的降雨量和非滑坡栅格的降雨量，以及各所述标签下的特定相关因子；按天将所述历史滑坡时间点下的滑坡栅格的降雨量、所述非滑坡栅格的降雨量以及各所述标签下的特定相关因子输入至所述初始预测模型，基于初始预测模型输出的滑坡概率和所述历史滑坡时间点对应的滑坡概率调整所述初始预测模型的损失函数，直至所述损失函数达到设定阈值，得到所述第一预设模型。
其中，所述基于初始预测模型输出的滑坡概率和所述历史滑坡时间点对应的滑坡概率调整所述初始预测模型的损失函数，直至所述损失函数达到设定阈值，得到所述第一预设模型，包括：基于所述历史滑坡时间点下的滑坡栅格的降雨量、所述非滑坡栅格的降雨量、各所述标签以及各所述标签下的特定相关因子，确定所述初始预测模型的初始分类硬度；根据所述初始分类硬度确定所述非滑坡栅格的降雨量和非滑坡栅格的特定相关因子的分箱个数，基于所述分箱个数确定所述初始预测模型的各分箱的自步因子；基于所述自步因子确定每个分箱的下采样比例，并基于所述下采样比例确定各分箱内的下采样的非滑坡栅格的降雨量，以及确定下采样的非滑坡栅格的特定相关因子；将所述下采样的非滑坡栅格的降雨量、下采样的非滑坡栅格的特定相关因子以及滑坡栅格的降雨量输入至所述初始预测模型，基于所述初始预测模型输出的滑坡概率和所述历史滑坡时间点对应的滑坡概率确定所述损失函数，基于所述损失函数在单个样本上的训练分类硬度，迭代调整自步因子和每个分箱的下采样比例；根据迭代调整的所述自步因子和所述每个分箱的下采样比例调整所述初始预测模型，直至损失函数达到设定阈值，得到所述第一预设模型。
其中，每个分箱的下采样比例为每个分箱的自步因子与所有分箱的自步因子的比值，所述自步因子通过将分箱个数、分箱标签数的相反数以及迭代次数之和加1得到。
选择自步分类学习模型进行滑坡预测的好处是：根据历史非滑坡数据的分箱个数和迭代次数确定自步分类学习模型的自步因子，根据每个分箱的自步因子和所有分箱的自步因子确定下采样比例，因此，在基于历史滑坡数据、历史非滑坡数据迭代调整自步因子和下采样比例时，随着迭代次数的增加，每个分箱的采样比例由硬度低的下采样数量多到最后每个分箱内的下采样数量逐渐变化均匀，并且，在每个箱子的下采样比例均匀变化的同时，还可以保证硬度小的分箱的下采样数量始终高于硬度大的分箱的下采样数量，得到多样化、鲁棒性高且包容性强的第一预设模型。
可选地，确定当前天的各个栅格滑坡的发生概率之后，还可以将所述当前天的各个栅格的发生概率与所述目标区域的预警阈值进行比较，基于得到的各个栅格的发生概率对应的预警等级确定所述目标区域的滑坡的发生等级，其中，所述预警阈值根据各区域栅格滑坡的第一系数和第二系数确定。
其中，所述第一系数和第二系数的确定方法包括：获取各区域栅格滑坡的设定时间段内的已发生滑坡的历史概率；基于所述历史概率的分布特征确定第一已确定概率区间和第二已确定概率区间；分别计算所述第一已确定概率区间和所述第二已确定概率区间内的同一风险等级的概率阈值与对应系数的乘积之和，得到中间已确定概率；如果所述中间已确定概率未达到设定评价指标，迭代调整各风险等级的概率阈值的对应系数，直至所述中间已确定概率达到所述设定评价指标，根据达到所述设定评价指标的对应系数确定第一系数和第二系数。
其中，确定所述预警阈值的方法，包括：基于所述各个栅格滑坡的发生概率的分布特征确定第一预测概率区间和第二预测概率区间；计算所述第一预测概率区间内各风险等级与所述第一系数的第一乘积，以及计算所述第二预测概率区间内各风险等级与所述第二系数的第二乘积，将所述第一乘积与所述第二乘积的和作为各风险等级的预警阈值。
其中，所述基于所述历史概率的分布特征确定所述第一已确定概率区间和所述第二已确定概率区间，包括：确定所述历史概率和所述历史概率对应的次数；根据所述历史概率和各所述历史概率对应的滑坡发生次数，确定所述历史概率的密集度分布特征和断点分布特征；基于所述密集度分布特征确定所述第一已确定概率区间，并基于所述断点分布特征确定所述第二已确定概率区间。
可以理解的是，上述方式基于各区域栅格滑坡的设定时间段内的已发生滑坡的历史概率，根据历史概率的分布特征确定第一已确定概率区间和第二已确定概率区间，根据第一已确定概率区间、第二已确定概率区间内的各风险等级的概率阈值以及设定评价指标确定各区域的第一系数和第二系数，当获取不同区域的发生概率后，可以根据不同区域对应的第一系数、第二系数和发生概率灵活确定不同区域的预警阈值，有利于后续根据各区域对应的预警阈值准确确定该区域的风险等级。
其中，所述基于得到的各个栅格的发生概率对应的预警等级确定所述目标区域的滑坡的发生等级，包括：筛选大于所述预警阈值中的第一等级的目标等级；计算所述目标等级对应的栅格的平均等级；基于所述平均等级、设定系数、目标等级对应的栅格数与目标区域内所有栅格数的比值，确定所述目标区域的滑坡的发生等级。
其中，目标区域的滑坡的发生等级的计算公式为：
其中，α为设定系数，通过对目标区域的滑坡的历史发生等级进行贝叶斯计算得到，
为目标区域的栅格的平均等级，p为目标等级对应的栅格数与目标区域内所有栅格数的比值。
实施例四
图4为本发明实施例四提供的一种滑坡的预测装置的结果示意图，如图4所述，该滑坡的预测装置包括：数据获取模块410、第一滑坡预测模块420、概率阈值判断模块430和第二滑坡预测模块440。
其中，数据获取模块410，用于获取目标区域的各个栅格的设定时间段内每天的滑坡影响因子，将所述滑坡影响因子进行离散化处理，得到离散化滑坡影响因子；
第一滑坡预测模块420，用于基于第一预设模型，根据所述离散化滑坡影响因子确定每天滑坡的发生概率；
概率阈值判断模块430，用于判断当前天滑坡的发生概率是否大于预设概率阈值；
第二滑坡预测模块440，用于若当前天滑坡的发生概率大于所述预设概率阈值，则基于第二预设模型，根据当前天的各个栅格的离散化滑坡影响因子预测各个栅格滑坡的发生概率。
本发明实施例的技术方案，通过获取目标区域的各个栅格的每天的滑坡影响因子，并确定滑坡影响因子的离散化滑坡影响因子，基于离散化滑坡影响因子进行滑坡预测，提高了数据的精度，尤其是对于滑坡中的动态因子，以天为单位进行预测，充分考虑了动态因子的时序信息，提高了预测精度；通过设置两个预设模型，分两阶段进行滑坡预测，第一阶段预测当前天发生滑坡的概率是否大于设定值，若是，则进行第二阶段滑坡预测，以当前天的数据为基准进行具体栅格的滑坡发生概率，大幅度降低了计算资源的浪费，提高了滑坡预测的效率。
可选的，所述离散化滑坡影响因子包括动态因子和静态因子，其中，所述动态因子包括降雨量和土壤湿度中的至少一项，所述静态因子包括高程、坡度、坡向、平面曲率、剖面曲率、地形湿度指数、水流强度指数、沉积运输指数、地形粗糙度指数、与断层距离、与河流距离、与道路距离、岩性、土地利用和植被覆盖率中的至少一项。
可选的，该滑坡的预测装置，还包括：
预处理模块，用于在获取目标区域的各个栅格的设定时间段内每天的滑坡影响因子之后，对所述滑坡影响因子进行预处理，其中，所述预处理包括坐标统一处理、校正处理和栅格统一处理中的至少一项。
可选的，第一滑坡预测模块420，具体用于：
计算每天的各个栅格的所述动态因子的构造特征，其中，所述构造特征包括各个栅格的每个动态因子的总和、平均值、最大值、最小值、极差、四分位数和雨量时间，并根据每天的所述构造特征和静态因子得到所述第一预设模型的第一特征矩阵；将所述第一特征矩阵输入所述第一预设模型中，以根据所述第一预设模型确定每天滑坡的发生概率。
可选的，第二滑坡预测模块440，具体用于：
对所述当前天对应的各个栅格的离散化滑坡影响因子进行特征提取，以生成所述第二预设模型的第二特征矩阵；对所述第二特征矩阵进行归一化处理；将归一化处理后的所述第二特征矩阵输入所述第二预设模型中，以根据所述第二预设模型确定当前天的各个栅格滑坡的发生概率。
可选的，该滑坡的预测装置，还包括：
归一化处理单元，用于在得到所述第一预设模型的第一特征矩阵之后，对所述第一特征矩阵进行归一化处理。
可选的，该滑坡的预测装置，还包括：
特征筛选模块，用于在得到所述第一预设模型的第一特征矩阵之后，基于随机森林算法对所述第一特征矩阵进行特征筛选，以将特征筛选后的第一特征矩阵输入至所述第一预设模型中。
可选的，该滑坡的预测装置，还包括：展示模块；
展示模块，用于根据所述目标区域的各个栅格滑坡的发生概率提取滑坡区域和非滑坡区域的分布状态和概率密度；
采用小提琴图将所述滑坡区域和非滑坡区域的分布状态和概率密度进行展示。
本发明实施例所提供的滑坡的预测装置可执行本发明任意实施例所提供的滑坡的预测方法，具备执行方法相应的功能模块和有益效果。
实施例五
图5为本发明实施例五提供的一种滑坡的预测设备的结构示意图，如图5所示，该设备包括处理器510、存储器520、输入装置530和输出装置540；设备处理器510的数量可以是一个或多个，图5中以一个处理器510为例；设备中的处理器510、存储器520、输入装置530和输出装置540可以通过总线或其他方式连接，图5中以通过总线连接为例。
存储器520作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的滑坡的预测方法对应的程序指令/模块(例如，滑坡的预测装置中的数据获取模块410、第一滑坡预测模块420、概率阈值判断模块430和第二滑坡预测模块440)。处理器510通过运行存储在存储器520中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的滑坡的预测方法。
存储器520可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器520可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器520可进一步包括相对于处理器510远程设置的存储器，这些远程存储器可以通过网络连接至设备/终端/服务器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置530可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置540可包括显示屏等显示设备。
实施例六
发明实施例六还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种滑坡的预测方法，该方法包括：
获取目标区域的各个栅格的设定时间段内每天的滑坡影响因子，将所述滑坡影响因子进行离散化处理，得到离散化滑坡影响因子；
基于第一预设模型，根据所述离散化滑坡影响因子确定每天滑坡的发生概率；
判断当前天滑坡的发生概率是否大于预设概率阈值；
若是，则基于第二预设模型，根据当前天的各个栅格的离散化滑坡影响因子预测各个栅格滑坡的发生概率。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的滑坡的预测方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述用滑坡的预测装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种滑坡的预测方法，其特征在于，包括：
获取目标区域的各个栅格的设定时间段内每天的滑坡影响因子，将所述滑坡影响因子进行离散化处理，得到离散化滑坡影响因子；
基于第一预设模型，根据所述离散化滑坡影响因子确定每天滑坡的发生概率；
判断当前天滑坡的发生概率是否大于预设概率阈值；
若是，则基于第二预设模型，根据当前天的各个栅格的离散化滑坡影响因子预测各个栅格滑坡的发生概率。
2.根据权利要求1所述的预测方法，其特征在于，所述离散化滑坡影响因子包括动态因子和静态因子，其中，所述动态因子包括降雨量和土壤湿度中的至少一项，所述静态因子包括高程、坡度、坡向、平面曲率、剖面曲率、地形湿度指数、水流强度指数、沉积运输指数、地形粗糙度指数、与断层距离、与河流距离、与道路距离、岩性、土地利用和植被覆盖率中的至少一项。
3.根据权利要求1所述的预测方法，其特征在于，在获取目标区域的各个栅格的设定时间段内每天的滑坡影响因子之后，还包括：
对所述滑坡影响因子进行预处理，其中，所述预处理包括坐标统一处理、校正处理和栅格统一处理中的至少一项。
4.根据权利要求2所述的预测方法，其特征在于，基于第一预设模型，根据所述离散化滑坡影响因子确定每天滑坡的发生概率，包括：
计算每天的各个栅格的所述动态因子的构造特征，其中，所述构造特征包括各个栅格的每个动态因子的总和、平均值、最大值、最小值、极差、四分位数和雨量时间，并根据每天的所述构造特征和静态因子得到所述第一预设模型的第一特征矩阵；
将所述第一特征矩阵输入所述第一预设模型中，以根据所述第一预设模型确定每天滑坡的发生概率。
5.根据权利要求1所述的预测方法，其特征在于，所述基于第二预设模型，根据当前天的各个栅格的离散化滑坡影响因子预测各个栅格滑坡的发生概率，包括：
对当前天对应的各个栅格的离散化滑坡影响因子进行特征提取，以生成所述第二预设模型的第二特征矩阵；
对第二特征矩阵进行归一化处理；
将归一化处理后的第二特征矩阵输入所述第二预设模型中，以根据所述第二预设模型确定当前天的各个栅格滑坡的发生概率。
6.根据权利要求4所述的预测方法，其特征在于，在得到所述第一预设模型的第一特征矩阵之后，还包括：
基于随机森林算法对所述第一特征矩阵进行特征筛选，以将特征筛选后的第一特征矩阵输入至所述第一预设模型中。
7.根据权利要求1所述的预测方法，其特征在于，还包括：
根据所述目标区域的各个栅格滑坡的发生概率提取滑坡区域和非滑坡区域的分布状态和概率密度；
采用小提琴图将所述滑坡区域和非滑坡区域的分布状态和概率密度进行展示。
8.一种滑坡的预测装置，其特征在于，包括：
数据获取模块，用于获取目标区域的各个栅格的设定时间段内每天的滑坡影响因子，将所述滑坡影响因子进行离散化处理，得到离散化滑坡影响因子；
第一滑坡预测模块，用于基于第一预设模型，根据所述离散化滑坡影响因子确定每天滑坡的发生概率；
概率阈值判断模块，用于判断当前天滑坡的发生概率是否大于预设概率阈值；
第二滑坡预测模块，用于若当前天滑坡的发生概率大于所述预设概率阈值，则基于第二预设模型，根据当前天的各个栅格的离散化滑坡影响因子预测各个栅格滑坡的发生概率。
9.一种滑坡的预测设备，其特征在于，所述设备包括：
一个或多个处理器；
存储器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的滑坡的预测方法。
10.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的滑坡的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011063206.0A CN112200356A (zh) | 2020-09-30 | 2020-09-30 | 一种滑坡的预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011063206.0A CN112200356A (zh) | 2020-09-30 | 2020-09-30 | 一种滑坡的预测方法、装置、设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112200356A true CN112200356A (zh) | 2021-01-08 |
Family
ID=74013564
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011063206.0A Pending CN112200356A (zh) | 2020-09-30 | 2020-09-30 | 一种滑坡的预测方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112200356A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112785078A (zh) * | 2021-02-02 | 2021-05-11 | 武汉中地云申科技有限公司 | 联合土壤水分信息和有效降雨的滑坡预测方法及终端 |
| CN113283802A (zh) * | 2021-06-17 | 2021-08-20 | 北京交通大学 | 一种复杂艰险山区滑坡危险性评估方法 |
| CN113297174A (zh) * | 2021-05-24 | 2021-08-24 | 中南大学 | 基于深度学习的土地利用变化模拟方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521271A (zh) * | 2011-11-23 | 2012-06-27 | 中国科学院地理科学与资源研究所 | 离散型空间数据的升尺度转换方法 |
| CN103116691A (zh) * | 2012-12-25 | 2013-05-22 | 中国人民解放军军事交通学院 | 一种利用变尺度栅格环境建模的装置 |
| CN106323670A (zh) * | 2016-09-18 | 2017-01-11 | 北京市土肥工作站 | 土壤采样点确定方法及装置 |
| CN106776842A (zh) * | 2016-11-28 | 2017-05-31 | 腾讯科技（上海）有限公司 | 多媒体数据检测方法及装置 |
| CN109613513A (zh) * | 2018-12-20 | 2019-04-12 | 长安大学 | 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法 |
| CN111144651A (zh) * | 2019-12-26 | 2020-05-12 | 杭州鲁尔物联科技有限公司 | 一种地质灾害的预测方法、装置及设备 |
-
2020
- 2020-09-30 CN CN202011063206.0A patent/CN112200356A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102521271A (zh) * | 2011-11-23 | 2012-06-27 | 中国科学院地理科学与资源研究所 | 离散型空间数据的升尺度转换方法 |
| CN103116691A (zh) * | 2012-12-25 | 2013-05-22 | 中国人民解放军军事交通学院 | 一种利用变尺度栅格环境建模的装置 |
| CN106323670A (zh) * | 2016-09-18 | 2017-01-11 | 北京市土肥工作站 | 土壤采样点确定方法及装置 |
| CN106776842A (zh) * | 2016-11-28 | 2017-05-31 | 腾讯科技（上海）有限公司 | 多媒体数据检测方法及装置 |
| CN109613513A (zh) * | 2018-12-20 | 2019-04-12 | 长安大学 | 一种顾及InSAR形变因子的光学遥感潜在滑坡自动识别方法 |
| CN111144651A (zh) * | 2019-12-26 | 2020-05-12 | 杭州鲁尔物联科技有限公司 | 一种地质灾害的预测方法、装置及设备 |
Non-Patent Citations (1)
| Title |
|---|
| 程温鸣等: "基于粗糙集理论的滑坡易发性评价——以三峡库区秭归县境内为例", 中南大学学报（自然科学版）, vol. 44, no. 3, pages 1083 - 1090 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112785078A (zh) * | 2021-02-02 | 2021-05-11 | 武汉中地云申科技有限公司 | 联合土壤水分信息和有效降雨的滑坡预测方法及终端 |
| CN113297174A (zh) * | 2021-05-24 | 2021-08-24 | 中南大学 | 基于深度学习的土地利用变化模拟方法 |
| CN113297174B (zh) * | 2021-05-24 | 2023-10-13 | 中南大学 | 基于深度学习的土地利用变化模拟方法 |
| CN113283802A (zh) * | 2021-06-17 | 2021-08-20 | 北京交通大学 | 一种复杂艰险山区滑坡危险性评估方法 |
| CN113283802B (zh) * | 2021-06-17 | 2024-04-09 | 北京交通大学 | 一种复杂艰险山区滑坡危险性评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112200358B (zh) | 一种滑坡等级预测方法、装置、设备和存储介质 | |
| CN112200354A (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
| CN111784044A (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
| CN112200362B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
| Amini Parsa et al. | Spatio-temporal analysis of land use/land cover pattern changes in Arasbaran Biosphere Reserve: Iran | |
| Feng et al. | Modeling urban growth with GIS based cellular automata and least squares SVM rules: a case study in Qingpu–Songjiang area of Shanghai, China | |
| CN112200356A (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
| CN113343563B (zh) | 基于样本自动选择与地表形变速率的滑坡易发性评价方法 | |
| CN111310898A (zh) | 一种基于rnn的滑坡灾害易发性预测方法 | |
| CN115688404B (zh) | 基于svm-rf模型的降雨型滑坡预警方法 | |
| Shin et al. | A Bayesian network-based probabilistic framework for drought forecasting and outlook | |
| CN109086540B (zh) | 一种构建热带气旋路径预报模型的方法及装置 | |
| CN111539904B (zh) | 一种基于降雨量的灾害易发性预测方法 | |
| CN116151483B (zh) | 一种区域级降雨滑坡概率性预测方法及预测终端 | |
| CN111079999A (zh) | 一种基于cnn和svm的洪水灾害易发性预测方法 | |
| Biard et al. | Automated detection of weather fronts using a deep learning neural network | |
| CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
| Meena et al. | Assessing the importance of conditioning factor selection in landslide susceptibility for the province of Belluno (region of Veneto, northeastern Italy) | |
| CN112668238A (zh) | 一种降雨量处理方法、装置、设备和存储介质 | |
| KR20200052398A (ko) | 머신 러닝 기법을 이용한 산사태 취약성 지도 작성 방법 및 장치 | |
| CN112200363A (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
| CN117556197B (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
| Vosper et al. | Deep Learning for Downscaling Tropical Cyclone Rainfall to Hazard‐Relevant Spatial Scales | |
| Momeni et al. | Pattern‐based calibration of cellular automata by genetic algorithm and Shannon relative entropy | |
| CN112200355B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 |
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 |