CN112700104B - 一种基于多模态分类的震区滑坡易发性评价方法 - Google Patents
一种基于多模态分类的震区滑坡易发性评价方法 Download PDFInfo
- Publication number
- CN112700104B CN112700104B CN202011565086.4A CN202011565086A CN112700104B CN 112700104 B CN112700104 B CN 112700104B CN 202011565086 A CN202011565086 A CN 202011565086A CN 112700104 B CN112700104 B CN 112700104B
- Authority
- CN
- China
- Prior art keywords
- data
- landslide
- modal
- similarity
- disaster
- 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.)
- Expired - Fee Related
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 38
- 230000004927 fusion Effects 0.000 claims abstract description 31
- 230000035945 sensitivity Effects 0.000 claims abstract description 28
- 238000007637 random forest analysis Methods 0.000 claims abstract description 17
- 238000007635 classification algorithm Methods 0.000 claims abstract description 11
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 41
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000007499 fusion processing Methods 0.000 claims description 8
- 230000001939 inductive effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 2
- 238000013145 classification model Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000007477 logistic regression Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000005192 partition Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000002194 synthesizing effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013551 empirical research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001960 triggered effect Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
- G06F18/256—Fusion techniques of classification results, e.g. of results related to same input data of results relating to different input data, e.g. multimodal recognition
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及地震灾害危险评估方法,公开了一种基于多模态分类的震区滑坡易发性评价方法,包括如下步骤:(1)收集滑坡致灾因子特征数据并预处理,并根据滑坡致灾因子特征数据的内在属性区别将相关的滑坡致灾因子特征数据相结合,以得到不同类型的滑坡致灾因子模态数据;(2)采用随机森林原理获得各类滑坡致灾因子模态数据的相似度图形;(3)采用非线性融合方法融合多种滑坡致灾因子模态数据的相似度图形,以生成相似度融合图;(4)在相似度融合图的基础上通过相关分类算法得到滑坡敏感性图以评价震区滑坡易发性。本发明一种基于多模态分类的震区滑坡易发性评价方法能够快速而精确地实现地震滑坡危险性评价。
Description
技术领域
本发明涉及地震灾害危险评估方法,具体涉及一种基于多模态分类的震区滑坡易发性评价方法。
背景技术
世界范围内每年由地震触发滑坡数量很多,这些滑坡造成了大量的财产损失和人员伤亡。
滑坡易发性制图能有效地预测潜在滑坡区域分布,为降低震区滑坡灾害造成的损失提供了有益参考。因此,研究提高滑坡易发性制图的精度对于开展震后救援、规划等具有重大现实意义。
目前滑坡易发性制图方法可以大致分为三类:一是基于物理模型的方法、二是基于知识驱动的方法、三是基于数据驱动的方法。基于物理模型的方法由于需要详尽的岩土和工程地质数据导致制图过程复杂,耗时长,时效性不高。知识驱动的方法是基于专家自身对滑坡灾害的认识及实践经验的主观和实证的研究方法,尽管该方法具有简单且高效的特点,但受专家经验的影响,具有主观性其评价结果的精度得不到保证。基于数据驱动的方法主要是利用统计分析的方法建立历史滑坡与致灾因子之间的统计关系从而去评价未来滑坡灾害出现的可能性,但现有技术中的统计方法所采用的运算分析模型不足以精准反应各致灾因子与滑坡灾害之间的关系,极大地影响了滑坡易发生性制图的可靠性。
有鉴于此,需要提供一种基于多模态分类的震区滑坡易发性评价方法。
发明内容
本发明的目的是提供一种基于多模态分类的震区滑坡易发性评价方法,其能够快速而精确地实现地震滑坡危险性评价。
为实现以上发明目的,本发明提供一种基于多模态分类的震区滑坡易发性评价方法,包括如下步骤:(1)收集滑坡致灾因子特征数据并预处理,并根据所述滑坡致灾因子特征数据的内在属性区别将相关的滑坡致灾因子特征数据相结合,以得到不同类型的滑坡致灾因子模态数据;(2)采用随机森林原理获得各类所述滑坡致灾因子模态数据的相似度图形;(3)采用非线性融合方法融合多种所述滑坡致灾因子模态数据的所述相似度图形,以生成相似度融合图;(4)在所述相似度融合图的基础上通过设定的分类算法得到滑坡敏感性图以评价震区滑坡易发性。
具体地,步骤(1)中的所述滑坡致灾因子特征数据包括地震烈度数据、坡向数据、高程数据、地质数据、降雨数据、土地利用数据、地表覆盖数据、道路数据和河流数据。
进一步具体地,所述步骤(1)中的所述滑坡致灾因子模态数据包括地震模态数据、地形模态数据、地表覆盖模态数据和水文模态数据;所述地震模态数据由所述地震烈度数据获得;所述地形模态数据由所述高程数据、所述地质数据和所述坡向数据获得;所述地表覆盖模态数据由所述地表覆盖数据、所述土地利用数据、所述道路数据获得和所述河流数据获得;所述水文模态数据由所述降雨数据获得。
进一步具体地,所述预处理包括矢量数据转栅格数据、地理坐标系统变换、连续数据离散化。
进一步具体地,步骤(2)中的所述相似度图形由所述滑坡致灾因子模态数据通过所述随机森林原理中的相似度矩阵得出。
更具体地,步骤(3)中所述相似度图形的非线性融合步骤为:
(a)将各所述滑坡致灾因子模态数据的相似度矩阵归一化;
(b)生成与归一化后所述相似度矩阵相对应的稀疏矩阵;
(c)将归一化后的所述相似度矩阵和所述稀疏矩阵,利用迭代交叉融合的方法实现所述滑坡致灾因子模态数据的非线性融合,以形成融合数据;
(d)根据所述融合数据生成所述相似度融合图。
优选地,步骤(b)中所述稀疏矩阵与归一化后的所述相似度矩阵的对应关系如下式所示:
其中,Wi′表示i类滑坡致灾因子模态数据归一化后的相似度矩阵,a和b表示两个对比对象,K-NN(a)是将与对象a的相似度最邻近的K个对象的相似度矩阵归一化后的矩阵,所述相似度最接近的K个对象取与所述对象a的相似度按照降序排列的所有对比对象的前十分之一。
进一步优选地,步骤(c)中所述迭代交叉融合过程中的迭代次数为30次。
更优选地,所述迭代交叉融合的过程中每次迭代后所生成的所述相似度矩阵都要进行归一化处理。
具体地,所述分类算法包括SVM(support vector machines支持向量机)算法、KNN(K nearest neighbor K临近)算法、LR(logistic regression逻辑回归)算法和RF(randomforest随机森林)算法中的一个或多个。
本发明首先是将收集滑坡致灾因子特征数据按照内在属性区别的划分得到了不同类型的滑坡致灾因子模态数据,以能够进一步地根据随机森林原理得到滑坡致灾因子模态数据的相似度图形,再进一步通过非线性融合方法实现各滑坡致灾因子模态数据的相似度图形中的信息交换,形成融合数据,从而达到了不同模态数据之间互为补充的效果,即能够实现综合各类滑坡致灾因子对发生滑坡的可能性进行预测,从而能够使得对发生滑坡的可能性的预测更加贴合实际情况,然后将融合数据生成为一张相似度融合图,并能够依据所需的判别标准采用不同的分类算法得到所需的滑坡敏感性图,从而实现震区滑坡易发性评价。此外,由于本发明一种基于多模态分类的震区滑坡易发性评价方法是基于滑坡致灾因子特征数据进行的,而滑坡致灾因子特征数据,包括地震烈度数据、高程数据、地质数据、降雨数据、土地利用数据、地表覆盖数据、道路数据和河流数据等都能够从相关的机构或网站上及时获取,从而能够使得对震区滑坡易发性的评价更具有时效性,更能够为震后应急救援、土地利用规划等提供参考。
本发明实例的其它特征和优点将在随后的具体实例方式部分予以详细说明。
附图说明
图1是本发明的基于多模态分类的震区滑坡易发性评价方法的一个实例的流程图;
图2是本发明的基于多模态分类的震区滑坡易发性评价方法的一个实施例中所研究区域内的河流、断层以及高程示意图;
图3是本发明的基于多模态分类的震区滑坡易发性评价方法的一个实施例中四种致灾因子特征数据图,其中3-a为地震烈度图,3-b为坡向图,3-c为据河流距离图,3-d为降雨图;
图4是本发明的基于多模态分类的震区滑坡易发性评价方法的一个实施例中四种不同类型模态数据得到的相似度图形及最终融合后的相似度融合图,其中图4-a是地震模态数据的相似度图形,图4-b是地形模态数据的相似度图形,图4-c是地表覆盖模态数据的相似度图形,图4-d是水文模态数据的相似度图形,图4-e是相似度融合图;
图5是四种未采用本发明的基于多模态分类的震区滑坡易发性评价方法的的滑坡敏感性图,其中图5-a是采用SVM分类模型建立的滑坡敏感性图,图5-b是采用LR分类模型建立的滑坡敏感性图,图5-c是采用KNN分类模型建立的滑坡敏感性图,图5-d是采用RF分类模型建立的滑坡敏感性图;
图6是四种采用本发明的基于多模态分类的震区滑坡易发性评价方法的的滑坡敏感性图,其中图6-a是采用SVM分类模型建立的滑坡敏感性图,图6-b是采用LR分类模型建立的滑坡敏感性图,图6-c是采用KNN分类模型建立的滑坡敏感性图,图6-d是采用RF分类模型建立的滑坡敏感性图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
如图1所示,本发明所提供的一种基于多模态分类的震区滑坡易发性评价方法,包括如下步骤:(1)收集滑坡致灾因子特征数据并预处理,并根据滑坡致灾因子特征数据的内在属性区别将相关的滑坡致灾因子特征数据相结合,以得到不同类型的滑坡致灾因子模态数据;(2)采用随机森林原理分别计算各类滑坡致灾因子模态数据的成对相似度以得到相似度图形;(3)采用非线性融合方法融合多种滑坡致灾因子模态数据的相似度图形,以生成相似度融合图;(4)在相似度融合图的基础上通过设定的分类算法得到滑坡敏感性图以评价震区滑坡易发性。
本发明首先是将收集滑坡致灾因子特征数据按照内在属性区别的划分得到了不同类型的滑坡致灾因子模态数据,以能够进一步地根据随机森林原理得到滑坡致灾因子模态数据的相似度图形,再进一步通过非线性融合方法实现各滑坡致灾因子模态数据的相似度图形中的信息交换,形成融合数据,从而达到了不同模态数据之间互为补充的效果,即能够实现综合各类滑坡致灾因子对发生滑坡的可能性进行预测,从而能够使得对发生滑坡的可能性的预测更加贴合实际情况,然后将融合数据生成为一张相似度融合图,并能够依据所需的判别标准采用不同的分类算法得到所需的滑坡敏感性图,从而实现对震区滑坡易发性的评价;此外,由于本发明一种基于多模态分类的震区滑坡易发性评价方法是基于滑坡致灾因子特征数据进行的,而滑坡致灾因子特征数据能够从相关的机构或网站上及时获取,从而能够使得对震区滑坡易发性的评价更具有时效性,更能够为震后应急救援、土地利用规划等提供参考。
本发明所提供的一种基于多模态分类的震区滑坡易发性评价方法的具体操作过程如下:
首先进行步骤(1),收集滑坡致灾因子特征数据,包括地震烈度数据、坡向数据、高程数据、地质数据、降雨数据、土地利用数据、地表覆盖数据、道路数据和河流数据等,具体地,地震烈数据可由如图3-a所示的地震烈度图获得,坡向数据可由如图3-b所示的坡向图获得,河流数据可由如图3-c所示的据河流距离图以及如图2所示的河流、断层以及高程示意图获得,降雨数据可由如图3-d所示的降雨图获得等;由于所收集到的数据为了精确地表示位置关系,故常采用矢量数据格式,而矢量数据格式在数据编辑运算时较为复杂,故可将矢量数据转为栅格数据以方便数据的编辑运算,且为了减少数据编辑运算的工作量,以减少数据运算处理的时间,提高处理效率获得更好的时效性,还可以进一步将连续的数据进行离散化;此外,所收集到的数据多为地图数据,其地理坐标系统未必统一,故需要将不同的地理坐标系统变换为统一的地理坐标系统。
在完成滑坡致灾因子特征数据的收集以及数据的预先处理后,可以按照各滑坡致灾因子特征数据的内在属性区别将相关的滑坡致灾因子特征数据相结合,形成相应的滑坡致灾因子模态数据,包括地震模态数据、地形模态数据、地表覆盖模态数据和水文模态数据,具体地,地震模态数据由地震烈度数据获得;地形模态数据由高程数据、地质数据和坡向数据获得;地表覆盖模态数据由地表覆盖数据、土地利用数据、道路数据获得和河流数据获得;水文模态数据由降雨数据获得。
随后进行步骤(2),将各类滑坡致灾因子模态数据通过随机森林原理中的相似度矩阵的转换得到相似度图形,具体过程如下:
以有n个对象,每个对象都对应若干种模态数据为例,则第i个模态数据可以构建相似度图形Gi=(Vi,Ei)以对n个对象之间的关系进行建模,其中Vi表示n个对象,Ei表示n个对象之间的相似程度,其中,Ei采用一个n×n的相似度矩阵Wi来表示,矩阵Wi的计算公式为:
其中aij是第i个模态数据和第j个模态数据被分到随机森林中同一个叶子下的次数,m为随机森林中树的棵数,具体地,如图4所示是几种模态数据的相似度图形,其中图4-a是地震模态数据的相似度图形,图4-b是地形模态数据的相似度图形,图4-c是地表覆盖模态数据的相似度图形,图4-d是水文数据的相似度图形。
接着进行步骤(3)采用非线性融合方法融合多种滑坡致灾因子模态数据的相似度图形,具体融合方法如下:
(a)将各滑坡致灾因子模态数据的相似度矩阵归一化,归一化的公式如下所示:
其中a和b是不同的对比对象,Wi′是归一化后的相似度矩阵。这种归一化方法能避免相似度矩阵中对角线元素的数值不稳定产生的不利影响,能够保证数据处理过程中的精确度;
(b)生成与归一化后相似度矩阵相对应的稀疏矩阵Si,稀疏矩阵Si与归一化后的相似度矩阵的对应关系如下式所示:
其中,K-NN(a)是将与对象a的相似度最邻近的K个对象的相似度矩阵归一化后的矩阵,相似度最接近的K个对象取与对象a的相似度按照降序排列的所有对比对象的前十分之一,以能够在保证数据处理精确度的情况下适当的减少数据处理的工作量;
(c)将归一化后的相似度矩阵和稀疏矩阵,利用迭代交叉融合的方法实现滑坡致灾因子模态数据的非线性融合,以形成融合数据,融合的过程如下式所示:
其中,z是不同模态数据类型的总个数,t是迭代次数,T是矩阵的转置符号,i和j分别是参与第t次迭代时的第i个模态数据和第j个模态数据,j≠i是指第i个模态数据需要与除自身以外的其它模态数据都进行信息的交换互补,Si为核函数,不随迭代次数的变化而变化;此过程经过多次迭代重复意味着不同相似度图形中的连接信息经过迭代交换可以生成最终的统一的单个相似度图形,在迭代交叉融合的过程中一开始的几次迭代交换的信息量是最多的,之后每次迭代交换的信息量会递减,使得迭代交叉融合的过程呈现收敛的状态,即结果一定次数的迭代交叉融合后每次迭代交换的信息量将极少,可忽略不计,因此,在保证数据精确性的前提下,为了节约时间,可将迭代交叉融合的过程中迭代次数优选为30次;此外,在每次迭代后要将所得到的相似度矩阵进行归一化处理,这样做不仅确保对象自身的相关性始终高于该对象与其他对象之间的相关性,还能够加快迭代结果的收敛,以起到提高数据处理速度的效果,从而能够使得对震区滑坡易发性的评价更具有时效性。
(d)根据融合数据生成如图4-e所示的相似度融合图,生成过程如下式所示:
最后进行步骤(4),通过设定的分类算法得到滑坡敏感性图,具体采用的分类算法以及所得到的滑坡敏感性图如图6所示,其中,图6-a是采用SVM分类模型建立的滑坡敏感性图,图6-b是采用LR分类模型建立的滑坡敏感性图,图6-c是采用KNN分类模型建立的滑坡敏感性图,图6-d是采用RF分类模型建立的滑坡敏感性图,不同算法所得的各易发性分区的面积、该分区占研究区域的面积比例以及该分区内滑坡所占比例等信息如表1所示:
表1
而以传统方法通过相同的几种分类算法所得到的滑坡敏感性图如图5所示,其中,图5-a是采用SVM分类模型建立的滑坡敏感性图,图5-b是采用LR分类模型建立的滑坡敏感性图,图5-c是采用KNN分类模型建立的滑坡敏感性图,图5-d是采用RF分类模型建立的滑坡敏感性图,不同算法所得的各易发性分区的面积、该分区占研究区域的面积比例以及该分区内滑坡所占比例等信息如表2所示:
表2
结果图5与图6以及表1与表2的对比可以发现,采用本发明的基于多模态分类的震区滑坡易发性评价方法所获取的滑坡易发性分区中,处于危险区(高易发区、极高易发区)所占的比例高于直接在原始数据上分类的方法,因此本发明基于多模态分类的震区滑坡易发性评价方法的灵敏度更高,特别是针对危险性极高的高易发区哈极高易发区的预测精度会更高,更具有对震后应急救援、土地利用规划的参考价值。
以上结合附图详细描述了本发明实施例的可选实施方式,但是,本发明实施例并不限于上述实施方式中的具体细节,在本发明实施例的技术构思范围内,可以对本发明实施例的技术方案进行多种简单变型,这些简单变型均属于本发明实施例的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明实施例对各种可能的组合方式不再另行说明。
此外,本发明实施例的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明实施例的思想,其同样应当视为本发明实施例所公开的内容。
Claims (8)
1.一种基于多模态分类的震区滑坡易发性评价方法,其特征在于,包括如下步骤:
(1)收集滑坡致灾因子特征数据并预处理,并根据所述滑坡致灾因子特征数据的内在属性区别将相关的滑坡致灾因子特征数据相结合,以得到不同类型的滑坡致灾因子模态数据;
(2)采用随机森林原理获得各类所述滑坡致灾因子模态数据的相似度图形;
(3)采用非线性融合方法融合多种所述滑坡致灾因子模态数据的所述相似度图形,以生成相似度融合图;所述相似度图形的非线性融合步骤为:
(a)将各所述滑坡致灾因子模态数据的相似度矩阵归一化;
(b)生成与归一化后所述相似度矩阵相对应的稀疏矩阵;
(c)将归一化后的所述相似度矩阵和所述稀疏矩阵,利用迭代交叉融合的方法实现所述滑坡致灾因子模态数据的非线性融合,以形成融合数据;
(d)根据所述融合数据生成所述相似度融合图;
所述稀疏矩阵与归一化后的所述相似度矩阵的对应关系如下式所示:
其中,表示i类滑坡致灾因子模态数据归一化后的相似度矩阵,a和b表示两个对比对象,K-NN(a)是将与对象a的相似度最邻近的K个对象的相似度矩阵归一化后的矩阵,所述相似度最接近的K个对象取与所述对象a的相似度按照降序排列的所有对比对象的前十分之一;
(4)在所述相似度融合图的基础上通过设定的分类算法得到滑坡敏感性图以评价震区滑坡易发性。
2.根据权利要求1所述的基于多模态分类的震区滑坡易发性评价方法,其特征在于,步骤(1)中的所述滑坡致灾因子特征数据包括地震烈度数据、坡向数据、高程数据、地质数据、降雨数据、土地利用数据、地表覆盖数据、道路数据和河流数据。
3.根据权利要求2所述的基于多模态分类的震区滑坡易发性评价方法,其特征在于,所述步骤(1)中的所述滑坡致灾因子模态数据包括地震模态数据、地形模态数据、地表覆盖模态数据和水文模态数据;所述地震模态数据由所述地震烈度数据获得;所述地形模态数据由所述高程数据、所述地质数据和所述坡向数据获得;所述地表覆盖模态数据由所述地表覆盖数据、所述土地利用数据、所述道路数据获得和所述河流数据获得;所述水文模态数据由所述降雨数据获得。
4.根据权利要求1所述的基于多模态分类的震区滑坡易发性评价方法,其特征在于,所述预处理包括矢量数据转栅格数据、地理坐标系统变换、连续数据离散化。
5.根据权利要求1所述的基于多模态分类的震区滑坡易发性评价方法,其特征在于,步骤(2)中的所述相似度图形由所述滑坡致灾因子模态数据通过所述随机森林原理中的相似度矩阵得出。
6.根据权利要求1所述的基于多模态分类的震区滑坡易发性评价方法,其特征在于,步骤(c)中所述迭代交叉融合过程中的迭代次数为30次。
7.根据权利要求1或6所述的基于多模态分类的震区滑坡易发性评价方法,其特征在于,所述迭代交叉融合的过程中每次迭代后所生成的所述相似度矩阵都要进行归一化处理。
8.根据权利要求1所述的基于多模态分类的震区滑坡易发性评价方法,其特征在于,所述分类算法包括SVM算法、KNN算法、LR算法和RF算法中的一个或多个。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011565086.4A CN112700104B (zh) | 2020-12-25 | 2020-12-25 | 一种基于多模态分类的震区滑坡易发性评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011565086.4A CN112700104B (zh) | 2020-12-25 | 2020-12-25 | 一种基于多模态分类的震区滑坡易发性评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112700104A CN112700104A (zh) | 2021-04-23 |
CN112700104B true CN112700104B (zh) | 2022-09-09 |
Family
ID=75510689
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011565086.4A Expired - Fee Related CN112700104B (zh) | 2020-12-25 | 2020-12-25 | 一种基于多模态分类的震区滑坡易发性评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112700104B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343563B (zh) * | 2021-05-27 | 2022-05-03 | 中交第二公路勘察设计研究院有限公司 | 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 |
CN114036841A (zh) * | 2021-11-10 | 2022-02-11 | 云南大学 | 基于半监督支持向量机模型的滑坡易发性预测方法及系统 |
CN115331449B (zh) * | 2022-10-17 | 2023-02-07 | 四川省公路规划勘察设计研究院有限公司 | 长大连续纵坡路段事故易发区辨识方法、装置及电子设备 |
CN117236711A (zh) * | 2023-08-29 | 2023-12-15 | 青海师范大学 | 一种基于大数据的自然灾害后生态系统损害评估方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092798A (zh) * | 2017-04-28 | 2017-08-25 | 成都理工大学 | 滑坡预测模型的稳定性评价方法及装置 |
CN111310898A (zh) * | 2020-02-14 | 2020-06-19 | 中国地质大学(武汉) | 一种基于rnn的滑坡灾害易发性预测方法 |
CN111539450A (zh) * | 2020-03-24 | 2020-08-14 | 中南大学 | 地震区滑坡易发性评价方法 |
WO2020192118A1 (zh) * | 2019-03-28 | 2020-10-01 | 青岛理工大学 | 一种边坡滑动面积的评估方法 |
CN111858803A (zh) * | 2020-07-06 | 2020-10-30 | 东华理工大学 | 一种滑坡地灾风险区划图生成方法 |
CN112070366A (zh) * | 2020-08-19 | 2020-12-11 | 核工业湖州工程勘察院有限公司 | 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 |
-
2020
- 2020-12-25 CN CN202011565086.4A patent/CN112700104B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092798A (zh) * | 2017-04-28 | 2017-08-25 | 成都理工大学 | 滑坡预测模型的稳定性评价方法及装置 |
WO2020192118A1 (zh) * | 2019-03-28 | 2020-10-01 | 青岛理工大学 | 一种边坡滑动面积的评估方法 |
CN111310898A (zh) * | 2020-02-14 | 2020-06-19 | 中国地质大学(武汉) | 一种基于rnn的滑坡灾害易发性预测方法 |
CN111539450A (zh) * | 2020-03-24 | 2020-08-14 | 中南大学 | 地震区滑坡易发性评价方法 |
CN111858803A (zh) * | 2020-07-06 | 2020-10-30 | 东华理工大学 | 一种滑坡地灾风险区划图生成方法 |
CN112070366A (zh) * | 2020-08-19 | 2020-12-11 | 核工业湖州工程勘察院有限公司 | 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 |
Also Published As
Publication number | Publication date |
---|---|
CN112700104A (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112700104B (zh) | 一种基于多模态分类的震区滑坡易发性评价方法 | |
Kang et al. | Air quality prediction: Big data and machine learning approaches | |
CN110163472B (zh) | 大范围极端干旱应急监测与影响评估方法及系统 | |
Soma et al. | Optimization of causative factors using logistic regression and artificial neural network models for landslide susceptibility assessment in Ujung Loe Watershed, South Sulawesi Indonesia | |
Pradhan et al. | Landslide susceptibility assessment and factor effect analysis: backpropagation artificial neural networks and their comparison with frequency ratio and bivariate logistic regression modelling | |
CN111144651A (zh) | 一种地质灾害的预测方法、装置及设备 | |
Zhao et al. | A comparative study of landslide susceptibility mapping using SVM and PSO-SVM models based on Grid and Slope Units | |
Yang et al. | Simulating intraurban land use dynamics under multiple scenarios based on fuzzy cellular automata: a case study of Jinzhou district, Dalian | |
CN111310898A (zh) | 一种基于rnn的滑坡灾害易发性预测方法 | |
Heo et al. | Digital elevation model-based convolutional neural network modeling for searching of high solar energy regions | |
Wei et al. | A hybrid framework integrating physical model and convolutional neural network for regional landslide susceptibility mapping | |
CN113837450B (zh) | 基于深度学习的河网密集流域水情趋势预测方法及其应用 | |
CN115205481A (zh) | 一种基于图神经网络的频谱地图构建方法及系统 | |
CN111968019A (zh) | 一种基于cnn与rnn集成的滑坡灾害易发性预测方法 | |
Guo et al. | Monitoring and simulation of dynamic spatiotemporal land use/cover changes | |
Tiancheng et al. | Application of improved naive bayesian-CNN classification algorithm in sandstorm prediction in inner mongolia | |
Ouma et al. | Flood susceptibility mapping using image‐based 2D‐CNN deep learning: Overview and case study application using multiparametric spatial data in data‐scarce urban environments | |
Mourin et al. | Landslide Susceptibility Mapping in Chittagong District of Bangladesh using Support Vector Machine integrated with GIS | |
Vega-Oliveros et al. | From spatio-temporal data to chronological networks: An application to wildfire analysis | |
Huqqani et al. | Landslide hazard analysis using a multilayered approach based on various input data configurations | |
Razavi-Termeh et al. | A new approach based on biology-inspired metaheuristic algorithms in combination with random forest to enhance the flood susceptibility mapping | |
Castro et al. | State of the art on artificial intelligence in land use simulation | |
CN115169718A (zh) | 基于元胞自动机的区域滑坡危险性动态预测方法及装置 | |
Wang et al. | LLNet: Lightweight network with a channel and spatial attention mechanism for local climate zone classification from Sentinel‐2 image | |
Shimada et al. | A machine-learning based scheme for solar pv detection using medium-resolution satellite images in vietnam |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220909 |