CN112668238B - 一种降雨量处理方法、装置、设备和存储介质 - Google Patents
一种降雨量处理方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN112668238B CN112668238B CN202011608218.7A CN202011608218A CN112668238B CN 112668238 B CN112668238 B CN 112668238B CN 202011608218 A CN202011608218 A CN 202011608218A CN 112668238 B CN112668238 B CN 112668238B
- Authority
- CN
- China
- Prior art keywords
- rainfall
- model
- landslide
- interpolation
- original data
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 50
- 238000003672 processing method Methods 0.000 title claims abstract description 20
- 238000000513 principal component analysis Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 45
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 12
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 claims description 7
- 239000010931 gold Substances 0.000 claims description 7
- 229910052737 gold Inorganic materials 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 230000002195 synergetic effect Effects 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 abstract description 9
- 230000000875 corresponding effect Effects 0.000 description 15
- 230000003287 optical effect Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Landscapes
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明实施例公开了一种降雨量处理方法、装置、设备和存储介质。通过获取目标区域各斜坡单元设定时间段内的原始数据，其中，所述原始数据包括每天的降雨量和滑坡影响因子，对所述原始数据进行非线性主成分分析，根据得到的非线性主成分分析结果和所述滑坡影响因子，确定所述降雨量的辅助变量，可以降低原始数据的维度，用更少的主成分反应更多的原始数据的指标，提高插值效率，进一步基于辅助变量对降雨量进行插值，得到目标区域的降雨量插值结果，可以结合降雨量的环境影响要素进行降雨量插值，以提高降雨量的插值精度，进一步基于插值后的降雨量进行滑坡预测时，可以提高滑坡预测的准确性。
Description
技术领域
本发明实施例涉及滑坡监测技术领域，尤其涉及一种降雨量处理方法、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，降雨又是引发滑坡的主要因素。由于山体滑坡区域内雨量站点数量有限，一般一个市区只有上百个站点，若要进行区域性滑坡预测，斜坡单元的数量会达到上万个，降雨量站点的数量远远不足，因此需要对降雨量进行空间上的插值。
现有的降雨量插值方法一般为反距离加权法，反距离加权法主要依赖于反距离的幂值，幂值可基于距输出点的距离来控制已知点对内插值的影响，由于反距离加权法与任何实际的物理过程都不关联，无法确定特定幂值是否过大，因此无法保证降雨量插值精度，插值后的降雨量效果不好，进而影响滑坡预测的准确性。
发明内容
本发明提供了一种降雨量处理方法、装置、设备和存储介质，实现了提高降雨量的插值精度的效果，进而提高滑坡预测结果的准确性。
第一方面，本发明实施例提供了一种降雨量处理方法，该方法包括：
获取目标区域各斜坡单元设定时间段内的原始数据，其中，所述原始数据包括每天的降雨量和滑坡影响因子；
对所述原始数据进行非线性主成分分析，根据得到的非线性主成分分析结果和所述滑坡影响因子，确定所述降雨量的辅助变量；
基于所述辅助变量对所述降雨量进行插值，得到目标区域的降雨量插值结果。
第二方面，本发明实施例还提供了一种降雨量处理装置，该装置包括：
原始数据获取模块，用于获取目标区域各斜坡单元设定时间段内的原始数据，所述原始数据包括每天的降雨量和滑坡影响因子；
辅助变量确定模块，用于对所述原始数据进行非线性主成分分析，根据得到的非线性主成分分析结果和所述滑坡影响因子，确定所述降雨量的辅助变量；
降雨插值模块，用于基于所述辅助变量对所述降雨量进行插值，得到目标区域的降雨量插值结果。
第三方面，本发明实施例还提供了一种降雨量处理设备，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如第一方面中任一所述的降雨量处理方法。
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如第一方面中任一所述的降雨量处理方法。
本实施例提供的技术方案，通过获取目标区域各斜坡单元设定时间段内的原始数据，其中，所述原始数据包括每天的降雨量和滑坡影响因子，对所述原始数据进行非线性主成分分析，根据得到的非线性主成分分析结果和所述滑坡影响因子，确定所述降雨量的辅助变量，可以降低原始数据的维度，用更少的主成分反应更多的原始数据的指标，提高插值效率，进一步基于辅助变量对降雨量进行插值，得到目标区域的降雨量插值结果，可以结合降雨量的环境影响要素进行降雨量插值，以提高降雨量的插值精度，进一步基于插值后的降雨量进行滑坡预测时，可以提高滑坡预测的准确性。
附图说明
图1是本发明实施例一中的一种降雨量处理方法的流程图；
图2是本发明实施例二中的一种降雨量处理方法的流程图；
图3是本发明实施例三中的一种降雨量处理装置的结构示意图；
图4是本发明实施例四中的一种降雨量处理设备的结构示意图。
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降雨量处理方法的流程图，本实施例可适用于对斜坡单元的降雨量进行插值的情况，该方法可以由降雨量处理装置来执行，如图1所示，该方法包括如下步骤：
S110、获取目标区域各斜坡单元设定时间段内的原始数据。
其中，所述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。斜坡单元是滑坡、崩塌等地质灾害发育的基本研究单元，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。可选地，所述原始数据包括每天的降雨量和滑坡影响因子，所述滑坡影响因子包括高程、坡度、平面曲率和剖面曲率、植被覆盖率、植被类型、与河流距离、气象云图数据中的至少一种，所述高程、坡度、平面曲率和剖面曲率也可以理解为降雨量的环境影响要素。
S120、对原始数据进行非线性主成分分析，根据得到的非线性主成分分析结果和滑坡影响因子，确定所述降雨量的辅助变量。
在滑坡预测的实际监测过程中，目标区域的雨量站数量有限，导致大部分的滑坡单元缺少降雨量，因此，需要对缺少降雨量的斜坡单元进行空间上的插值。可以理解的是，在对降雨量进行空间上的插值时，结合降雨量的相关环境因素可以提高降雨量插值结果的精度，进而利用插值后的降雨量进行滑坡预测可以提高滑坡预测结果的准确性。所述辅助变量可以是滑坡影响因子中的任意一个变量，或者是滑坡影响因子变异后的变量。例如，滑坡影响因子为高程、坡度，辅助变量为进行非线性主成分提取后的高地貌，中坡度。
由于目标区域的降雨量与高程、坡度、平面曲率和剖面曲率等环境影响要素的相关性都不高且上述环境影响要素与降雨量之间并非是线性关系。基于这个原因，本实施例采用非线性主成分对原始数据进行非线性主成分分析，以对环境影响要素进行降维处理，提高降雨插值过程中的效率。可选地，所述对所述原始数据进行非线性主成分分析，包括：对所述原始数据进行中心化对数比变化，得到中心化对数比变化数据；计算所述中心化对数比变化数据的协方差矩阵，并确定所述协方差矩阵的特征根和标准化特征向量；基于所述特征根计算任一主成分的方差贡献率，并基于所述任一主成分的方差贡献率计算累计方差贡献率，将所述累计方差贡献率作为非线性主成分分析结果。
具体地，原始数据为(xji)n*m，其中，m是原始数据的维度数，n是样本数，i是1…m个维度，j是1…n个样本，任一维度下的原始数据为：i＝1,2,3…m。对原始数据进行中心化对数比变化的计算公式为：
其中，yji是中心化对数比变化数据，xji是原始数据，p是所选主成分的数量，p＝1…m，p＜m，t是1…m个非线性主成分变量。所述中心化对数比变化数据是将主成分表示为原始数据的非线性组合。
中心化对数比变化数据的协方差矩阵的计算公式为：S＝(Sji)m*m，其中，S是所有维度的所有样本数的协方差矩阵，Sji是任一维度的所有样本数的协方差矩阵，yti是每个维度的中心化对数比变化数据，ytj是每个样本的中心化对数比变化数据，/> 是每个样本的中心化对数比变化数据的平均值，/>是每个维度的中心化对数比变化数据的平均值。通过中心化对数比变化数据的协方差矩阵的计算公式进行协方差矩阵计算后，对协方差矩阵S进行求解，得到协方差矩阵的特征根和标准化特征向量。其中，所述协方差矩阵的特征根为λ1、λ2、λ3…λm，协方差矩阵的特征根λ1>λ2>λ3…＞λm，协方差矩阵的标准化特征向量为a1、a2、a3…am。
进一步地，所述任一主成分的方差贡献率的计算公式为：所述累计方差贡献率的计算公式为：/>将累计方差贡献率作为非线性主成分分析结果。
进一步地，所述根据得到的非线性主成分分析结果和所述滑坡影响因子，确定所述降雨量的辅助变量，包括：将所述累计方差贡献率与设定阈值进行比较；如果所述累计方差贡献率大于或等于所述设定阈值，根据所述累计方差贡献率包括的各方差贡献率确定目标特征根；根据所述目标特征根的标签，确定各所述目标特征根对应的标准化特征向量和原始数据，基于各所述目标特征根对应的标准化特征向量和原始数据进行主成分计算，将得到的所有主成分计算结果作为所述降雨量的辅助变量。
其中，所述设定阈值可以是90％、85％或者是其他较大的百分数。将累计方差贡献率与设定阈值比较，如果p个主成分的累计方差贡献率大于或等于设定阈值，说明前p个主成分以较少的综合指标体现了原来的m维度的变量的信息，提取前p个主成分分别对应的方差贡献率，并根据前p个主成分分别对应的方差贡献率确定目标特征根λi，并根据目标特征根λi的标签i确定对应的标准化特征向量ai以及原始数据xi。进一步地，基于各所述目标特征根对应的标准化特征向量和原始数据进行主成分计算的计算公式为：其中，aji是第i个维度第j个样本的标准化特征向量，xji是第i个维度第j个样本的原始数据。通过上述公式得到所有主成分计算结果，将所有主成分计算结果作为降雨量的辅助变量。
通过上述方式对原始数据进行非线性主成分分析，可以降低原始数据的维度，用更少的主成分反应更多的原始数据的指标，提高插值效率。
S130、基于辅助变量对降雨量进行插值，得到目标区域的降雨量插值结果。
本实施例中，可以采用协同克里金插值方法进行插值，协同克里金插值是把区域化变量的最佳估值方法从单一属性发展到两个或两个以上的协同区域化属性，用一个或多个辅助变量对所感兴趣的变量进行插值估算，这些辅助变量与主要变量都有相关关系，并且假设变量之间的相关关系能用于提高预测值的精度。可选地，所述基于辅助变量对降雨量进行插值，得到目标区域的降雨量插值结果，包括：根据当前的斜坡单元特定邻域范围内的降雨量、辅助变量，以及所述降雨量和所述辅助变量分别对应的权重，计算所述各个的斜坡单元的协同克里金插值结果，得到所述目标区域的降雨量插值结果。
具体地，对所述降雨量和所述辅助变量进行协同克里金插值的计算公式为：
其中，/>是当前的斜坡单元的协同克里金插值结果，Z(xp)是当前的斜坡单元的特定邻域范围内的降雨量，λp是主变量(即降雨量)的权重，Z(xg)是当前的斜坡单元的特定邻域范围内的辅助变量，λg是辅助变量的权重，λp和λg为前述公式中的目标特征根，∑λp＝1，∑λg＝0，u是的雨量站的降雨量的实测数目，v是辅助变量的实测数目。可选地，所述特定邻域范围可以是当前的斜坡单元的四邻域范围、八邻域范围或者其他范围。
由于协同克里金插值中的权重是通过协方差矩阵求得的，且权重取决于变量的空间结构，由变异函数表征，因此在进行协同克里金插值时，选择一个比较好的变异函数模型作为目标模型来拟合降雨量和辅助变量可以提高降雨量插值精度。基于此，在计算所述各个的斜坡单元的协同克里金插值结果之前，确定在进行协同克里金插值时的最优的变异函数模型，即确定目标模型。可选地，在计算所述各个的斜坡单元的协同克里金插值结果之前，该方法还包括：将所述降雨量和所述辅助变量输入至至少一个变异函数模型，基于变异函数模型分别对应的变异函数，确定在进行协同克里金插值时所需的目标模型，其中，所述变异函数模型为圆形模型、球形模型、指数模型以及高斯模型中的任意一种。
具体地，将降雨量和辅助变量分别输入至圆形模型、球形模型、指数型模型以及高斯模型中，基于输入的降雨量和辅助变量计算每个变异函数模型的基台值、块金值以及变程等参数，并根据每个变异函数模型的基台值、块金值以及变程等参数确定每个变异函数模型的变异函数，如果变异函数越大，表明降雨量和辅助变量的相关性较小，则选择变异函数最小的变异函数模型作为目标模型，以采用目标模型并根据降雨量以及辅助变量进行协同克里金插值，得到目标区域的降雨量插值结果。其中，所述基台值指的是随着自变量增大，变异函数从非零值达到一个相对稳定值的常数时的数值；所述块金值指的是当自变量为0时，变异函数的截距；所述变程指的是变异函数达到基台值时的自变量移动的距离。
本实施例提供的技术方案，通过获取目标区域各斜坡单元设定时间段内的原始数据，其中，所述原始数据包括每天或每个小时的降雨量和滑坡影响因子，对所述原始数据进行非线性主成分分析，根据得到的非线性主成分分析结果和所述滑坡影响因子，确定所述降雨量的辅助变量，可以降低原始数据的维度，用更少的主成分反应更多的原始数据的指标，提高插值效率，进一步基于辅助变量对降雨量进行插值，得到目标区域的降雨量插值结果，可以结合降雨量的环境影响要素进行降雨量插值，以提高降雨量的插值精度，进一步基于插值后的降雨量进行滑坡预测时，可以提高滑坡预测的准确性。
实施例二
图2为本发明实施例二提供的一种降雨量处理方法的流程图，本实施例在上一实施例的基础上增加了新的步骤，可选地，该方法还包括：将所述目标区域插值后的降雨量和所述滑坡影响因子输入至预先训练完成的滑坡预测模型，预测所述目标区域的滑坡发生概率。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2所示，该方法可以包括如下步骤：
S210、获取目标区域各斜坡单元设定时间段内的原始数据。
S220、对原始数据进行非线性主成分分析，根据得到的非线性主成分分析结果和滑坡影响因子，确定所述降雨量的辅助变量。
S230、基于辅助变量对降雨量进行插值，得到目标区域的降雨量插值结果。
S240、将目标区域插值后的降雨量和滑坡影响因子输入至预先训练完成的滑坡预测模型，预测目标区域的滑坡发生概率。
可选地，将目标区域插值后的降雨量和滑坡影响因子输入至预先训练完成的滑坡预测模型之前，对所述滑坡预测数据进行预处理，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。由于降雨量和滑坡影响因子的来源不同，会导致降雨量和滑坡影响因子的坐标或者栅格大小不统一，因此，在获取降雨量和滑坡影响因子之后，需要对降雨量和滑坡影响因子进行坐标统一处理和栅格统一处理。当然，也可以根据降雨量和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。
可选地，所述滑坡预测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(Long Short-Term Memory，LSTM)、逻辑回归模型(Logistics Regression，LR)、XGBoost(Extreme Gradient Boosting，极端梯度提升决策树)算法、GBDT(Gradient BoostingDecision Tree，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。
具体地，滑坡预测模型的训练过程为：
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降雨量和滑坡影响因子，通过前述实施例所述的方法进行降雨量插值，将插值后的降雨量和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；将降雨量和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，从而得到以斜坡单元为基础的滑坡影响因子，通过降雨量和滑坡影响因子训练第一预设模型。通过特征工程提取降雨量和滑坡影响因子的特征，组成滑坡预测模型的输入特征矩阵；初始化滑坡预测模型的参数，并将该输入特征矩阵输入滑坡预测模型中，进行模型训练，得到各斜坡单元的滑坡发生概率，并基于F1-值(F1-Score)与ROC(Receiver OperatingCharacteristic，接收者操作特征)作为评价指标，根据评价结果进行滑坡预测模型参数的调整，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滑坡预测模型。
本实施例提供的技术方案，通过将目标区域插值后的降雨量和滑坡影响因子输入至预先训练完成的滑坡预测模型，可以使滑坡预测模型根据插值后的数据量较大的降雨量和滑坡影响因子预测滑坡发生概率，可以提高滑坡预测的准确性。
实施例三
图3为本发明实施例三提供的一种降雨量处理装置的结果示意图，如图3所述，该降雨量处理装置包括：原始数据获取模块310、辅助变量确定模块320和降雨量插值模块330。
其中，原始数据获取模块310，用于获取目标区域各斜坡单元设定时间段内的原始数据，所述原始数据包括每天的降雨量和滑坡影响因子；
辅助变量确定模块320，用于对所述原始数据进行非线性主成分分析，根据得到的非线性主成分分析结果和所述滑坡影响因子，确定所述降雨量的辅助变量；
降雨量插值模块330，用于基于所述辅助变量对所述降雨量进行插值，得到目标区域的降雨量插值结果。
本发明实施例的技术方案，通过获取目标区域各斜坡单元设定时间段内的原始数据，其中，所述原始数据包括每天的降雨量和滑坡影响因子，对所述原始数据进行非线性主成分分析，根据得到的非线性主成分分析结果和所述滑坡影响因子，确定所述降雨量的辅助变量，可以降低原始数据的维度，用更少的主成分反应更多的原始数据的指标，提高插值效率，进一步基于辅助变量对降雨量进行插值，得到目标区域的降雨量插值结果，可以结合降雨量的环境影响要素进行降雨量插值，以提高降雨量的插值精度，进一步基于插值后的降雨量进行滑坡预测时，可以提高滑坡预测的准确性。
可选的，辅助变量确定模块320还用于，对所述原始数据进行中心化对数比变化，得到中心化对数比变化数据；
计算所述中心化对数比变化数据的协方差矩阵，并确定所述协方差矩阵的特征根和标准化特征向量；
基于所述特征根计算任一主成分的方差贡献率，并基于所述任一主成分的方差贡献率计算累计方差贡献率，将所述累计方差贡献率作为非线性主成分分析结果。
可选的，辅助变量确定模块320还用于，将所述累计方差贡献率与设定阈值进行比较；
如果所述累计方差贡献率大于或等于所述设定阈值，根据所述累计方差贡献率包括的各方差贡献率确定目标特征根；
根据所述目标特征根的标签，确定各所述目标特征根对应的标准化特征向量和原始数据，基于各所述目标特征根对应的标准化特征向量和原始数据进行主成分计算，将得到的所有主成分计算结果作为所述降雨量的辅助变量。
可选的，降雨量插值模块330还用于，根据当前的斜坡单元特定邻域范围内的降雨量、辅助变量，以及所述降雨量和所述辅助变量分别对应的权重，计算所述各个的斜坡单元的协同克里金插值结果，得到所述目标区域的降雨量插值结果。
可选的，该装置还包括：目标模型模块。其中，目标模型模块，用于将所述降雨量和所述辅助变量输入至至少一个变异函数模型，基于变异函数模型分别对应的变异函数，确定在进行协同克里金插值时所需的目标模型，其中，所述变异函数模型为圆形模型、球形模型、指数模型以及高斯模型中的任意一种。
可选的，所述滑坡影响因子包括高程、坡度、坡向、平面曲率，剖面曲率、植被覆盖率、植被类型、与河流距离、气象云图数据中的至少一种。
可选的，该装置还包括：滑坡预测模块。其中，滑坡预测模块，用于将所述目标区域插值后的降雨量和所述滑坡影响因子输入至预先训练完成的滑坡预测模型，预测所述目标区域的滑坡发生概率。
本发明实施例所提供的降雨量处理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。
实施例四
图4为本发明实施例四提供的一种降雨量处理设备的结构示意图。图4示出了适于用来实现本发明实施方式的示例性降雨量处理设备12的框图。图4显示的降雨量处理设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图4所示，降雨量处理设备12以通用计算设备的形式表现。降雨量处理设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
降雨量处理设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被降雨量处理设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存32。降雨量处理设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图4未显示，通常称为“硬盘驱动器”)。尽管图4中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。系统存储器28可以包括至少一个程序产品，该程序产品具有一组(例如降雨插值装置的原始数据获取模块310、辅助变量确定模块320和降雨插值模块330)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(例如降雨量处理装置的原始数据获取模块310、辅助变量确定模块320和降雨量插值模块330)程序模块46的程序/实用工具44，可以存储在例如系统存储器28中，这样的程序模块46包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块46通常执行本发明所描述的实施例中的功能和/或方法。
降雨量处理设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该降雨量处理设备12交互的设备通信，和/或与使得该降雨量处理设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，降雨量处理设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与降雨量处理设备12的其它模块通信。应当明白，尽管图中未示出，可以结合降雨量处理设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种降雨量处理方法，该方法包括：
获取目标区域各斜坡单元设定时间段内的原始数据，其中，所述原始数据包括每天的降雨量和滑坡影响因子；
对所述原始数据进行非线性主成分分析，根据得到的非线性主成分分析结果和所述滑坡影响因子，确定所述降雨量的辅助变量；
基于所述辅助变量对所述降雨量进行插值，得到目标区域的降雨量插值结果。
处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种降雨量处理方法。
当然，本领域技术人员可以理解，处理器还可以实现本发明任意实施例所提供的一种降雨量处理方法的技术方案。
实施例五
本发明实施例五还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明实施例所提供的一种降雨量处理方法，该方法包括：
获取目标区域各斜坡单元设定时间段内的原始数据，其中，所述原始数据包括每天的降雨量和滑坡影响因子；
对所述原始数据进行非线性主成分分析，根据得到的非线性主成分分析结果和所述滑坡影响因子，确定所述降雨量的辅助变量；
基于所述辅助变量对所述降雨量进行插值，得到目标区域的降雨量插值结果。
当然，本发明实施例所提供的一种计算机可读存储介质，其上存储的计算机程序不限于如上的方法操作，还可以执行本发明任意实施例所提供的一种降雨量处理方法中的相关操作。
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、系统或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在降雨量、滑坡影响因子、辅助变量等，其中承载了计算机可读的程序代码。这种传播的降雨量、滑坡影响因子、辅助变量等形式。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、系统或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python、R语言，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
值得注意的是，上述降雨量处理装置的实施例中，所包括的各个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 (6)
1.一种降雨量处理方法，其特征在于，包括：
获取目标区域各斜坡单元设定时间段内的原始数据，其中，所述原始数据包括每天的降雨量和滑坡影响因子；所述滑坡影响因子包括高程、坡度、坡向、平面曲率，剖面曲率、植被覆盖率、植被类型、与河流距离、气象云图数据中的至少一种；
对所述原始数据进行非线性主成分分析，根据得到的非线性主成分分析结果和所述滑坡影响因子，确定所述降雨量的辅助变量；
基于所述辅助变量对所述降雨量进行插值，得到目标区域的降雨量插值结果；
所述方法，还包括：将所述目标区域插值后的降雨量和所述滑坡影响因子输入至预先训练完成的滑坡预测模型，预测所述目标区域的滑坡发生概率；
所述基于所述辅助变量对所述降雨量进行插值，得到目标区域的降雨量插值结果，包括：
根据当前的斜坡单元特定邻域范围内的降雨量、辅助变量，以及所述降雨量和所述辅助变量分别对应的权重，计算各个所述斜坡单元的协同克里金插值结果，得到所述目标区域的降雨量插值结果；
在所述计算各个所述斜坡单元的协同克里金插值结果之前，所述方法还包括：
将所述降雨量和所述辅助变量输入至至少一个变异函数模型，基于变异函数模型分别对应的变异函数，确定在进行协同克里金插值时所需的目标模型，其中，所述变异函数模型为圆形模型、球形模型、指数模型以及高斯模型；
所述目标模型的确定过程包括：将所述降雨量和所述辅助变量分别输入至圆形模型、球形模型、指数型模型以及高斯模型中，基于输入的降雨量和辅助变量计算每个变异函数模型的基台值、块金值以及变程，并根据所述每个变异函数模型的基台值、块金值以及变程，确定每个变异函数模型的变异函数，选择变异函数最小的变异函数模型作为所述目标模型。
2.根据权利要求1所述的方法，其特征在于，所述对所述原始数据进行非线性主成分分析，包括：
对所述原始数据进行中心化对数比变化，得到中心化对数比变化数据；
计算所述中心化对数比变化数据的协方差矩阵，并确定所述协方差矩阵的特征根和标准化特征向量；
基于所述特征根计算任一主成分的方差贡献率，并基于所述任一主成分的方差贡献率计算累计方差贡献率，将所述累计方差贡献率作为非线性主成分分析结果。
3.根据权利要求2所述的方法，其特征在于，所述根据得到的非线性主成分分析结果和所述滑坡影响因子，确定所述降雨量的辅助变量，包括：
将所述累计方差贡献率与设定阈值进行比较；
如果所述累计方差贡献率大于或等于所述设定阈值，根据所述累计方差贡献率包括的各方差贡献率确定目标特征根；
根据所述目标特征根的标签，确定各所述目标特征根对应的标准化特征向量和原始数据，基于各所述目标特征根对应的标准化特征向量和原始数据进行主成分计算，将得到的所有主成分计算结果作为所述降雨量的辅助变量。
4.一种降雨量处理装置，其特征在于，包括：
原始数据获取模块，用于获取目标区域各斜坡单元设定时间段内的原始数据，所述原始数据包括每天的降雨量和滑坡影响因子；所述滑坡影响因子包括高程、坡度、坡向、平面曲率，剖面曲率、植被覆盖率、植被类型、与河流距离、气象云图数据中的至少一种；
辅助变量确定模块，用于对所述原始数据进行非线性主成分分析，根据得到的非线性主成分分析结果和所述滑坡影响因子，确定所述降雨量的辅助变量；
降雨量插值模块，用于基于所述辅助变量对所述降雨量进行插值，得到目标区域的降雨量插值结果；
所述装置，还包括滑坡预测模块，用于将所述目标区域插值后的降雨量和所述滑坡影响因子输入至预先训练完成的滑坡预测模型，预测所述目标区域的滑坡发生概率；
所述降雨量插值模块，还用于根据当前的斜坡单元特定邻域范围内的降雨量、辅助变量，以及所述降雨量和所述辅助变量分别对应的权重，计算各个所述斜坡单元的协同克里金插值结果，得到所述目标区域的降雨量插值结果；
所述装置，还包括目标模型模块，用于将所述降雨量和所述辅助变量输入至至少一个变异函数模型，基于变异函数模型分别对应的变异函数，确定在进行协同克里金插值时所需的目标模型，其中，所述变异函数模型为圆形模型、球形模型、指数模型以及高斯模型；
所述目标模型的确定过程包括：将所述降雨量和所述辅助变量分别输入至圆形模型、球形模型、指数型模型以及高斯模型中，基于输入的降雨量和辅助变量计算每个变异函数模型的基台值、块金值以及变程，并根据所述每个变异函数模型的基台值、块金值以及变程，确定每个变异函数模型的变异函数，选择变异函数最小的变异函数模型作为所述目标模型。
5.一种降雨量处理设备，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1-3中任一所述的降雨量处理方法。
6.一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1-3中任一所述的降雨量处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011608218.7A CN112668238B (zh) | 2020-12-30 | 2020-12-30 | 一种降雨量处理方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011608218.7A CN112668238B (zh) | 2020-12-30 | 2020-12-30 | 一种降雨量处理方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112668238A CN112668238A (zh) | 2021-04-16 |
| CN112668238B true CN112668238B (zh) | 2024-04-09 |
Family
ID=75410914
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011608218.7A Active CN112668238B (zh) | 2020-12-30 | 2020-12-30 | 一种降雨量处理方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112668238B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113742438B (zh) * | 2021-08-19 | 2022-03-18 | 中国科学院地理科学与资源研究所 | 滑坡易发性分布图的确定方法、装置及存储介质 |
| CN113808370A (zh) * | 2021-09-17 | 2021-12-17 | 国家石油天然气管网集团有限公司 | 一种面向滑坡的多指标耦合监测预警方法 |
| CN115860268B (zh) * | 2023-02-20 | 2023-07-14 | 南京信息工程大学 | 基于cnn-xgboost模型的短时强降水预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108363886A (zh) * | 2018-03-08 | 2018-08-03 | 杭州鲁尔物联科技有限公司 | 基于深度学习的变形预测方法及系统 |
| CN109584510A (zh) * | 2018-11-30 | 2019-04-05 | 中国公路工程咨询集团有限公司 | 一种基于评估函数训练的道路高边坡滑坡灾害预警方法 |
| CN111625993A (zh) * | 2020-05-25 | 2020-09-04 | 中国水利水电科学研究院 | 一种基于山区地形及降雨特征预测的小流域面雨量插值方法 |
-
2020
- 2020-12-30 CN CN202011608218.7A patent/CN112668238B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108363886A (zh) * | 2018-03-08 | 2018-08-03 | 杭州鲁尔物联科技有限公司 | 基于深度学习的变形预测方法及系统 |
| CN109584510A (zh) * | 2018-11-30 | 2019-04-05 | 中国公路工程咨询集团有限公司 | 一种基于评估函数训练的道路高边坡滑坡灾害预警方法 |
| CN111625993A (zh) * | 2020-05-25 | 2020-09-04 | 中国水利水电科学研究院 | 一种基于山区地形及降雨特征预测的小流域面雨量插值方法 |
Non-Patent Citations (2)
| Title |
|---|
| 一种基于主成分分析的协同克里金插值方法;卢月明等;《测绘通报》(第11期);第51-63页 * |
| 逐日气象要素空间插值方法的比较;姜晓剑等;《应用生态学》;第21卷(第3期);第624-630页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112668238A (zh) | 2021-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112668238B (zh) | 一种降雨量处理方法、装置、设备和存储介质 | |
| US11281969B1 (en) | Artificial intelligence system combining state space models and neural networks for time series forecasting | |
| Fulop et al. | Efficient learning via simulation: A marginalized resample-move approach | |
| Qin et al. | Simulating and Predicting of Hydrological Time Series Based on TensorFlow Deep Learning. | |
| US11443335B2 (en) | Model-based deep reinforcement learning for dynamic pricing in an online ride-hailing platform | |
| US11676375B2 (en) | System and process for integrative computational soil mapping | |
| CN112699998B (zh) | 一种时间序列预测方法、装置、电子设备及可读存储介质 | |
| CN110705115A (zh) | 一种基于深度置信网络的气象预报方法和系统 | |
| Chen et al. | Probabilistic forecasting of drought: a hidden Markov model aggregated with the RCP 8.5 precipitation projection | |
| CN112232495A (zh) | 预测模型的训练方法、装置、介质和计算设备 | |
| CN113253336B (zh) | 一种基于深度学习的地震预测方法和系统 | |
| CN114187009A (zh) | 交易风险预测模型的特征解释方法、装置、设备及介质 | |
| CN112529315B (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
| CN111161238A (zh) | 图像质量评价方法及装置、电子设备、存储介质 | |
| US10878329B1 (en) | Probabilistic accumulation approach to assess primary uncertainty in catastrophe models | |
| CN113779859B (zh) | 可解释的时序预测模型的训练方法、装置和计算设备 | |
| CN112561171B (zh) | 一种滑坡的预测方法、装置、设备及存储介质 | |
| US20230022253A1 (en) | Fast and accurate prediction methods and systems based on analytical models | |
| US20210182696A1 (en) | Prediction of objective variable using models based on relevance of each model | |
| CN113723712A (zh) | 风电功率预测方法、系统、设备及介质 | |
| CN112732777A (zh) | 基于时间序列的头寸预测方法、装置、设备和介质 | |
| CN112712197B (zh) | 一种数据处理方法、装置、设备和存储介质 | |
| Lyu et al. | An intelligent hybrid cloud-based ANP and AI model for Development Site Selection | |
| CN112712195B (zh) | 一种降雨衰减系数的预测方法、装置、设备和存储介质 | |
| CN116777452B (zh) | 智能电表的预付费系统及其方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |