CN113723446B - 地灾监测预警方法、装置、计算机设备及存储介质 - Google Patents
地灾监测预警方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN113723446B CN113723446B CN202110801264.7A CN202110801264A CN113723446B CN 113723446 B CN113723446 B CN 113723446B CN 202110801264 A CN202110801264 A CN 202110801264A CN 113723446 B CN113723446 B CN 113723446B
- Authority
- CN
- China
- Prior art keywords
- monitoring
- landslide
- data
- result
- results
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 517
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000006073 displacement reaction Methods 0.000 claims abstract description 83
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 13
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000003068 static effect Effects 0.000 claims description 6
- 238000013215 result calculation Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000010354 integration Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000003673 groundwater Substances 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000009991 scouring Methods 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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"
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Remote Sensing (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computational Linguistics (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Alarm Systems (AREA)
Abstract
本发明实施例公开了地灾监测预警方法、装置、计算机设备及存储介质。所述方法包括:获取设置在同一个边坡的多个不同传感器的监测数据;其中,每个所述监测数据包括雨量监测数据以及深部位移监测数据;将每个所述监测数据输入至监测模型内进行地灾监测,以得到所有监测结果;将所有监测结果进行加权处理,以得到最终监测结果;判断所述最终监测结果是否是存在滑坡风险;若所述最终监测结果存在滑坡风险,则发送预警信号至终端;其中,监测模型是通过若干个带有滑坡类别和非滑坡类别标签的传感器所获取的监测数据作为样本集训练深度森林算法所得,且监测模型采用ROC曲线进行评估。通过实施本发明实施例的方法可实现提高地灾监测和预警的准确率。
Description
技术领域
本发明涉及地灾监测方法,更具体地说是指地灾监测预警方法、装置、计 算机设备及存储介质。
背景技术
滑坡是指斜坡上的土体或者岩体,受河流冲刷、地下水活动、雨水浸泡、 地震及人工切坡等因素影响,在重力作用下,沿着一定的软弱面或者软弱带, 整体地或者分散地顺坡向下滑动的自然现象。滑坡属于地灾的其中一种,其与 深部位移以及雨量相关,任何一方超过安全结界,则会导致滑坡的发生。
目前对于滑坡等地灾的监测预警一般采用一个边坡采用单个传感器进行监 测,当传感器监测到深部位移以及雨量其中一个超过安全结界,则通常采用基 于单个超声波测距或者激光测距的传感器进行雨量和深部位移监测,这些方法 通常只能监测单点的雨量和深部位移监测的过程中,会受到多种因素的干扰, 导致监测结果不准确,且进行判定均是人为根据经验判断,准确率不高。
因此,有必要设计一种新的方法,实现提高地灾监测和预警的准确率。
发明内容
本发明的目的在于克服现有技术的缺陷,提供地灾监测预警方法、装置、 计算机设备及存储介质。
为实现上述目的,本发明采用以下技术方案:地灾监测预警方法,包括:
获取设置在同一个边坡的多个不同传感器的监测数据;其中,每个所述监 测数据包括雨量监测数据以及深部位移监测数据;
将每个所述监测数据输入至监测模型内进行地灾监测,以得到所有监测结 果;
将所有监测结果进行加权处理,以得到最终监测结果;
判断所述最终监测结果是否是存在滑坡风险;
若所述最终监测结果存在滑坡风险,则发送预警信号至终端;
其中,所述监测模型是通过若干个带有滑坡类别和非滑坡类别标签的传感 器所获取的监测数据作为样本集训练深度森林算法所得,且监测模型采用ROC 曲线进行评估。
其进一步技术方案为:所述监测模型是通过若干个带有滑坡类别和非滑坡 类别标签的传感器所获取的监测数据作为样本集训练深度森林算法所得,且监 测模型采用ROC曲线进行评估,包括:
收集若干个传感器所获取的监测数据,并进行判断和标注,将监测数据划 分为滑坡数据和非滑坡数据,以形成样本集;
对深度森林算法的结构进行设计,按照需要区分的滑坡数据和非滑坡数据 类别,微调级联森林的输出,定义损失函数;
将样本集进行随机分配,以形成训练集和测试集;
使用训练集调整合适的迭代次数对深度森林算法进行训练,使用测试集初 步查看分类结果;
调整学习率,根据得到的滑坡和非滑坡的分类准确性,重新训练并测试深 度森林算法;
绘制滑坡数据和非滑坡数据分类的训练过程中的准确率、损失函数和ROC 曲线,对深度森林算法的性能进行进一步评估,以得到监测模型。
其进一步技术方案为:所述将每个所述监测数据输入至监测模型内进行地 灾监测,以得到所有监测结果,包括:
对每个所述监测数据输入至监测模型内进行雨量监测以及深部位移监测, 以得到每个监测数据对应预测所得的雨量监测结果与深部位移监测结果;
根据每个监测数据对应预测所得的雨量监测结果与深部位移监测结果计算 对应的监测结果,以得到所有监测结果。
其进一步技术方案为:所述将所有监测结果进行加权处理,以得到最终监 测结果,包括:
对所有监测结果中存在滑坡风险的概率进行加权后并求均值,以得到最终 监测结果。
其进一步技术方案为:所述判断所述最终监测结果是否是存在滑坡风险之 后,还包括:
若所述最终监测结果不存在滑坡风险,则执行所述获取设置在同一个边坡 的多个不同传感器的监测数据。
其进一步技术方案为:所述预警信号包括存在滑坡风险的边坡信息以及滑 坡风险的发生概率。
本发明还提供了地灾监测预警装置,包括:
数据获取单元,用于获取设置在同一个边坡的多个不同传感器的监测数据; 其中,每个所述监测数据包括雨量监测数据以及深部位移监测数据;
监测单元,用于将每个所述监测数据输入至监测模型内进行地灾监测,以 得到所有监测结果;
加权处理单元,用于将所有监测结果进行加权处理,以得到最终监测结果;
判断单元,用于判断所述最终监测结果是否是存在滑坡风险;
发送单元,用于若所述最终监测结果存在滑坡风险,则发送预警信号至终 端;
其中,所述监测模型是通过若干个带有滑坡类别和非滑坡类别标签的传感 器所获取的监测数据作为样本集训练深度森林算法所得,且监测模型采用ROC 曲线进行评估。
其进一步技术方案为:所述监测单元包括:
各项监测子单元,用于对每个所述监测数据输入至监测模型内进行雨量监 测以及深部位移监测,以得到每个监测数据对应预测所得的雨量监测结果与深 部位移监测结果;
结果计算子单元,用于根据每个监测数据对应预测所得的雨量监测结果与 深部位移监测结果计算对应的监测结果,以得到所有监测结果。
本发明还提供了一种计算机设备,所述计算机设备包括存储器及处理器, 所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现上述 的方法。
本发明还提供了一种存储介质,所述存储介质存储有计算机程序,所述计 算机程序被处理器执行时可实现上述的方法。
本发明与现有技术相比的有益效果是:本发明通过在同一边坡设置多个不 同传感器,以进行监测数据的获取,并输入至监测模型内进行雨量监测结果和 深部位移监测结果的预测,并由雨量监测结果和深部位移监测结果计算对应的 监测结果,由监测结果计算最终监测结果,且监测模型采用深度森林算法进行训练结合ROC曲线进行评估,实现提高地灾监测和预警的准确率。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要 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为本发明实施例提供的地灾监测预警方法的应用场景示意图;
图2为本发明实施例提供的地灾监测预警方法的流程示意图;
图3为本发明实施例提供的地灾监测预警方法的子流程示意图;
图4为本发明实施例提供的地灾监测预警装置的示意性框图;
图5为本发明实施例提供的地灾监测预警装置的监测单元的示意性框图;
图6为本发明实施例提供的计算机设备的示意性框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清 楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部 的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳 动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包 含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除 一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添 加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施 例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使 用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个” 及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/ 或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且 包括这些组合。
请参阅图1和图2,图1为本发明实施例提供的地灾监测预警方法的应用场 景示意图。图2为本发明实施例提供的地灾监测预警方法的示意性流程图。该 地灾监测预警方法应用于服务器中。该服务器与多个传感器以及终端进行数据 交互,其中,多个传感器包括动态特征监测传感器以及静态特征监测传感器, 其中,动态特征监测传感器包括用于监测降雨量(降水量)和土壤湿度的传感器, 静态特征监测传感器包括用于监测高程、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、植被覆盖率等的传感器;在同一 边坡上设置多个不同传感器,以提高预警的准确率,借助深度森林算法结合ROC (接收者操作特征,receiver operating characteristic)曲线评估方法训练所得的模 型进行地灾监测,并采用加权处理获得最终监测结果,在判断出现滑坡风险时, 及时发送预警信号至终端,以起到提示目的。
图2是本发明实施例提供的地灾监测预警方法的流程示意图。如图2所示, 该方法包括以下步骤S110至S150。
S110、获取设置在同一个边坡的多个不同传感器的监测数据。
在本实施例中,每个所述监测数据包括雨量监测数据以及深部位移监测数 据;其中,雨量监测数据包括降雨量;深部位移监测数据包括高程、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。
对于每一个地灾监测项目来说,一个边坡可能布设多个传感器,有的传感 器发生预警,有的不发生预警,这种预警可能存在误报的情况。对于同一个边 坡的不同传感器,分别采用改进后的深度森林算法进行预测,得到是否存在滑 坡的概率,先取同一边坡的若干传感器的每类预测概率的均值得到加权后的是 否存在滑坡概率,如1:存在滑坡的概率均值0.6,0:不存在滑坡的概率均值 0.4),最终结果取概率值最大的结果,如上例中取1作为监测结果,判定该边坡存在滑坡风险且发生概率为60%,最终发出预警警告;而若干个传感器的每 类预测概率是由雨量监测和深部位移监测的两个结果共同决定的,对于深部位 移监测先使用改进后的深度森林算法进行深部位移,分析得到每个传感器的深 部位移监测结果,对于雨量监测,亦使用改进后的深度森林算法得到每个传感 器的雨量监测结果,每个传感器的监测结果由每个传感器的深部位移监测结果与雨量监测结果加权得到,最优的权重系数由网格选参确定。
S120、将每个所述监测数据输入至监测模型内进行地灾监测,以得到所有 监测结果。
在本实施例中,所有监测结果指的是所有监测数据输入至监测模型内进行 存在滑坡风险和不存在滑坡风险两种类别的评估,以得到两种类别的概率。这 两种类别的概率可以分别包括多个或者一个。
具体地,将每个所述监测数据输入至监测模型内进行地灾监测时,由于监 测项为单变量时间序列,通过时间卷积网络TCN进行时序特征卷积处理,增强 其特征表示能力,并提高相应的预测性能。
若干个传感器的每类预测概率是由雨量监测和深部位移监测的两个结果共 同决定的,对于深部位移监测先使用改进后的深度森林算法进行深部位移,分 析得到每个传感器的深部位移监测结果,对于雨量监测,亦使用改进后的深度 森林算法得到每个传感器的雨量监测结果,每个传感器的监测结果由每个传感 器的深部位移监测结果与雨量监测结果加权得到,最优的权重系数由网格选参确定。将雨量和深部位移结合在一起,即将滑坡的影响因素—静态特征和动态 特征结合判定每个传感器的监测结果,从而提高整个预测准确率。
在本实施例中,监测模型是通过若干个带有滑坡类别和非滑坡类别标签的 传感器所获取的监测数据作为样本集训练深度森林算法所得,且监测模型采用 ROC曲线进行评估。
在一实施例中,该监测模型是通过若干个带有滑坡类别和非滑坡类别标签 的传感器所获取的监测数据作为样本集训练深度森林算法所得,且监测模型采 用ROC曲线进行评估,包括:
收集若干个传感器所获取的监测数据,并进行判断和标注,将监测数据划 分为滑坡数据和非滑坡数据,以形成样本集;对深度森林算法的结构进行设计, 按照需要区分的滑坡数据和非滑坡数据类别,微调级联森林的输出,定义损失 函数;将样本集进行随机分配,以形成训练集和测试集;使用训练集调整合适 的迭代次数对深度森林算法进行训练,使用测试集初步查看分类结果;调整学 习率,根据得到的滑坡和非滑坡的分类准确性,重新训练并测试深度森林算法;绘制滑坡数据和非滑坡数据分类的训练过程中的准确率、损失函数和ROC曲线, 对深度森林算法的性能进行进一步评估,以得到监测模型。
在集成算法中,注重分类结果的准确性与多样性。在深度森林算法的级联 森林策略中,对于每一级向后输出每一类的概率即每一级的类别概率借鉴ROC 曲线的评估方法,采用不同的分类阈值将其映射成离散变量,对于每一类的概 率值,都会存在一个概率密度曲线,对于离散的数来说,更能体现其在概率密 度曲线中的相对位置。在实际问题中,如某一个传感器预测概率值(可以是存 在滑坡风险的概率,也可以是不存在滑坡风险的概率)为0.5,可采用[0.3,0.6, 0.8]的判别方式将其划分为1,0。1代表预警滑坡,0代表不预警滑坡,采用这 种方式,让其在级联森林的每一级生成的特征中,能生成更多的特征,从而改善预测结果。
举个例子:当前级预测出来的概率是0.6,如果按0.5的阈值去分的话,这 个样本会被判断成正样本;而按0.8的阈值去分,这个样本就是负样本。正样本 标注成1,负样本标注为0,采用不同的阈值可以得到不同的正负样本标签,生成的这些标签就是新增的特征;由此不断丰富算法中每一级生成的特征,特征 越丰富,模型的预测结果与实际的发生结果更为贴近。
在本实施例中,之所以采用深度森林算法结合ROC曲线进行评估的方式改 进深度学习算法,以形成监测模型,是因为深度学习一直在算法预测中被公认 预测性能较好的方法之一,深度学习的结构能够让模型高效逼近数据的真实分 布,深度森林采用深度学习的模式而被提出,使其具有较少的模型超参数、占 用更少的计算资源。
该监测模型在进行雨量监测和深部位移监测时均采用以下步骤执行:多粒 度扫描以及级联森林处理,传感器所得的数据经过多粒度扫描之后,分别映射 到了不同的维度,并把多粒度扫描的输出当作级联森林的原始输入。接着,在 级联森林中,每一级由多个层构成,分别对应原始的多个维度;在其内部,采 用的是串联结构,多个层之间采用串联的方式处理,每一级向后传递信息过程中, 会拼接每一次四个分类器的输出多个类别构成的维度,先去基分类的多个类别 的平均概率,然后再取最大的一类作为分类结果,每一级向后传递信息时采用ROC曲线进行评估,由此提高整个预测的准确率。
在一实施例中,请参阅图3,上述的步骤S120可包括步骤S121~S122。
S121、对每个所述监测数据输入至监测模型内进行雨量监测以及深部位移 监测,以得到每个监测数据对应预测所得的雨量监测结果与深部位移监测结果。
在本实施例中,雨量监测结果是指从每个动态特征监测传感器所获得的雨 量监测数据的角度进行地灾监测,所预测到的存在滑坡的概率以及不存在滑坡 的概率中最大的一个。
在本实施例中,深部位移监测结果是指从每个静态特征监测传感器所获得 的深部位移监测数据的角度进行地灾监测,所预测到的存在滑坡的概率以及不 存在滑坡的概率中最大的一个。
具体地,将每个所述监测数据内的雨量监测数据输入至监测模型内进行深 部位移监测,以得到雨量监测结果,将每个所述监测数据内的深部位移监测数 据输入至监测模型内进行深部位移监测,以得到深部位移监测结果。
S122、根据每个监测数据对应预测所得的雨量监测结果与深部位移监测结果计算对应的监测结果,以得到所有监测结果。
具体地,对每个监测数据预测所得的监测结果计算如下:将该监测数据对 应的雨量监测结果与深部位移监测结果进行加权处理,以此得到该监测数据对 应的监测结果。
针对获取的雨量监测结果与深部位移监测结果采用加权处理的方式,比如: 雨量监测结果为存在滑坡风险且概率为0.8;雨量监测结果为不存在滑坡风险且 概率为0.2;深部位移监测结果为存在滑坡风险且概率为0.7;深部位移监测结 果为不存在滑坡风险且概率为0.3;依据同一结果两种类别选概率最大为结果的 原则,则该雨量监测结果为存在滑坡风险的实际概率为0.8;该深部位移监测结 果为存在滑坡风险的实际概率为0.7;而监测结果中,深部位移监测结果权重系 数为0.8;雨量监测结果权重系数为0.2,最优的权重系数由网格选参确定;则 监测结果为存在滑坡风险的概率为0.8*0.2+0.8*0.8=80%;监测结果为不存在滑 坡风险的概率为0*0.2+0*0.8=0,也就是当前的监测结果:存在滑坡风险的概率 为56%、不存在滑坡风险的概率为0%。
按照上述举例的方式对每个监测数据对应预测所得的雨量监测结果与深部 位移监测结果进行加权处理,以得到所有监测结果,结合雨量和滑坡的静态特 征一起判定滑坡地灾的发生概率,准确率高。
S130、将所有监测结果进行加权处理,以得到最终监测结果。
在本实施例中,最终监测结果是指将所有监测结果内的存在滑坡风险的概 率进行加权后求均值所得的结果。
具体地,对于实际边坡监测项目来说,有若干种监测设备,每一种监测设 备都会产生一类监测项,如深部位移、地下水位计、雨量计等,使用单个监测 项的历史数据进行预测大概率会存在偏差,于是,考虑用多个传感器结合预测 的方法提高滑坡预测精度。具体地,对每一类传感器分别使用改进后的深度森 林方法进行滑坡预测,可得到利用每一类数据单独预测得到的滑坡概率,最后采用加权集成的方法结合多传感器的预测概率值得到最终预测结果,这样做的 实际上相当于做了集成的集成,结果更具鲁棒性,不会出现大规模误报的情况。 深度森林算法本身就是一种集成方法,多传感器预测概率加权又是一种集成的 方式。
在一实施例中,上述的步骤S130包括:对所有监测结果中存在滑坡风险的 概率进行加权后并求均值,以得到最终监测结果。
举个例子:同一边坡上不同传感器所对应的监测结果存在滑坡风险的概率 分别为56%、50%、53%;权重数对应为1、1、1,则最终监测结果存为在滑坡 风险且概率为53%。
S140、判断所述最终监测结果是否是存在滑坡风险。
在本实施例中,当最终监测结果的概率超过一定的阈值,则表明该最终监 测结果存在滑坡风险。该阈值可根据实际情况设定,否则,该最终监测结果不 存在滑坡风险。
S150、若所述最终监测结果存在滑坡风险,则发送预警信号至终端。
在本实施例中,所述预警信号包括存在滑坡风险的边坡信息以及滑坡风险 的发生概率。其中,边坡信息包括边坡的所在位置以及当前的时间等内容。
若所述最终监测结果不存在滑坡风险,则执行所述步骤S110。
上述的地灾监测预警方法,通过在同一边坡设置多个不同传感器,以进行 监测数据的获取,并输入至监测模型内进行雨量监测结果和深部位移监测结果 的预测,并由雨量监测结果和深部位移监测结果计算对应的监测结果,由监测 结果计算最终监测结果,且监测模型采用深度森林算法进行训练结合ROC曲线 进行评估,实现提高地灾监测和预警的准确率。
图4是本发明实施例提供的一种地灾监测预警装置300的示意性框图。如 图4所示,对应于以上地灾监测预警方法,本发明还提供一种地灾监测预警装 置300。该地灾监测预警装置300包括用于执行上述地灾监测预警方法的单元,该装置可以被配置于服务器中。具体地,请参阅图4,该地灾监测预警装置300 包括数据获取单元301、监测单元302、加权处理单元303、判断单元304以及 发送单元305。
数据获取单元301,用于获取设置在同一个边坡的多个不同传感器的监测数 据;其中,每个所述监测数据包括雨量监测数据以及深部位移监测数据;监测 单元302,用于将每个所述监测数据输入至监测模型内进行地灾监测,以得到所有监测结果;加权处理单元303,用于将所有监测结果进行加权处理,以得到最 终监测结果;判断单元304,用于判断所述最终监测结果是否是存在滑坡风险; 发送单元305,用于若所述最终监测结果存在滑坡风险,则发送预警信号至终端;
其中,所述监测模型是通过若干个带有滑坡类别和非滑坡类别标签的传感 器所获取的监测数据作为样本集训练深度森林算法所得,且监测模型采用ROC 曲线进行评估。
在一实施例中,还包括模型创建单元,该模型创建单元,用于通过若干个 带有滑坡类别和非滑坡类别标签的传感器所获取的监测数据作为样本集训练深 度森林算法所得,采用ROC曲线进行评估,以得到监测模型。
在一实施例中,模型创建单元包括样本集获取子单元、设计子单元、分配 子单元、训练子单元、调整子单元以及评估子单元。
样本集获取子单元,用于收集若干个传感器所获取的监测数据,并进行判 断和标注,将监测数据划分为滑坡数据和非滑坡数据,以形成样本集;设计子 单元,用于对深度森林算法的结构进行设计,按照需要区分的滑坡数据和非滑 坡数据类别,微调级联森林的输出,定义损失函数;分配子单元,用于将样本 集进行随机分配,以形成训练集和测试集;训练子单元,用于使用训练集调整合适的迭代次数对深度森林算法进行训练,使用测试集初步查看分类结果;调 整子单元,用于调整学习率,根据得到的滑坡和非滑坡的分类准确性,重新训 练并测试深度森林算法;评估子单元,用于绘制滑坡数据和非滑坡数据分类的 训练过程中的准确率、损失函数和ROC曲线,对深度森林算法的性能进行进一 步评估,以得到监测模型。
在一实施例中,如图5所示,所述监测单元302包括各项监测子单元3021 以及结果计算子单元3022。
各项监测子单元3021,用于对每个所述监测数据输入至监测模型内进行雨 量监测以及深部位移监测,以得到每个监测数据对应预测所得的雨量监测结果 与深部位移监测结果;结果计算子单元3022,用于根据每个监测数据对应预测所得的雨量监测结果与深部位移监测结果计算对应的监测结果,以得到所有监 测结果。
在一实施例中,所述加权处理单元303用于对所有监测结果中存在滑坡风险的概率进行加权后并求均值,以得到最终监测结果。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述地灾监测预 警装置300和各单元的具体实现过程,可以参考前述方法实施例中的相应描述, 为了描述的方便和简洁,在此不再赘述。
上述地灾监测预警装置300可以实现为一种计算机程序的形式,该计算机 程序可以在如图6所示的计算机设备上运行。
请参阅图6,图6是本申请实施例提供的一种计算机设备的示意性框图。该 计算机设备500可以是服务器,服务器可以是独立的服务器,也可以是多个服 务器组成的服务器集群。
参阅图6,该计算机设备500包括通过系统总线501连接的处理器502、存 储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器 504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算 机程序5032包括程序指令,该程序指令被执行时,可使得处理器502执行一种 地灾监测预警方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运 行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供 环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种地 灾监测预警方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解, 图6中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对 本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可 以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实 现如下步骤:
获取设置在同一个边坡的多个不同传感器的监测数据;其中,每个所述监 测数据包括雨量监测数据以及深部位移监测数据;将每个所述监测数据输入至 监测模型内进行地灾监测,以得到所有监测结果;将所有监测结果进行加权处 理,以得到最终监测结果;判断所述最终监测结果是否是存在滑坡风险;若所 述最终监测结果存在滑坡风险,则发送预警信号至终端;
其中,所述监测模型是通过若干个带有滑坡类别和非滑坡类别标签的传感 器所获取的监测数据作为样本集训练深度森林算法所得,且监测模型采用ROC 曲线进行评估。
所述预警信号包括存在滑坡风险的边坡信息以及滑坡风险的发生概率。
在一实施例中,处理器502在实现所述监测模型是通过若干个带有滑坡类 别和非滑坡类别标签的传感器所获取的监测数据作为样本集训练深度森林算法 所得,且监测模型采用ROC曲线进行评估步骤时,具体实现如下步骤:
收集若干个传感器所获取的监测数据,并进行判断和标注,将监测数据划 分为滑坡数据和非滑坡数据,以形成样本集;对深度森林算法的结构进行设计, 按照需要区分的滑坡数据和非滑坡数据类别,微调级联森林的输出,定义损失 函数;将样本集进行随机分配,以形成训练集和测试集;使用训练集调整合适 的迭代次数对深度森林算法进行训练,使用测试集初步查看分类结果;调整学习率,根据得到的滑坡和非滑坡的分类准确性,重新训练并测试深度森林算法; 绘制滑坡数据和非滑坡数据分类的训练过程中的准确率、损失函数和ROC曲线, 对深度森林算法的性能进行进一步评估,以得到监测模型。
在一实施例中,处理器502在实现所述将每个所述监测数据输入至监测模 型内进行地灾监测,以得到所有监测结果步骤时,具体实现如下步骤:
对每个所述监测数据输入至监测模型内进行雨量监测以及深部位移监测, 以得到每个监测数据对应预测所得的雨量监测结果与深部位移监测结果;根据 每个监测数据对应预测所得的雨量监测结果与深部位移监测结果计算对应的监 测结果,以得到所有监测结果。
在一实施例中,处理器502在实现所述将所有监测结果进行加权处理,以 得到最终监测结果步骤时,具体实现如下步骤:
对所有监测结果中存在滑坡风险的概率进行加权后并求均值,以得到最终 监测结果。
在一实施例中,处理器502在实现所述判断所述最终监测结果是否是存在 滑坡风险步骤之后,还实现如下步骤:
若所述最终监测结果不存在滑坡风险,则执行所述获取设置在同一个边坡 的多个不同传感器的监测数据。
应当理解,在本申请实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理 器(Digital Signal Processor,DSP)、专用集成电路(Application Specific IntegratedCircuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或 者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中, 通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分 流程,是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程 序指令,计算机程序可存储于一存储介质中,该存储介质为计算机可读存储介 质。该程序指令被该计算机系统中的至少一个处理器执行,以实现上述方法的 实施例的流程步骤。
因此,本发明还提供一种存储介质。该存储介质可以为计算机可读存储介 质。该存储介质存储有计算机程序,其中该计算机程序被处理器执行时使处理 器执行如下步骤:
获取设置在同一个边坡的多个不同传感器的监测数据;其中,每个所述监 测数据包括雨量监测数据以及深部位移监测数据;将每个所述监测数据输入至 监测模型内进行地灾监测,以得到所有监测结果;将所有监测结果进行加权处 理,以得到最终监测结果;判断所述最终监测结果是否是存在滑坡风险;若所 述最终监测结果存在滑坡风险,则发送预警信号至终端;
其中,所述监测模型是通过若干个带有滑坡类别和非滑坡类别标签的传感 器所获取的监测数据作为样本集训练深度森林算法所得,且监测模型采用ROC 曲线进行评估。
所述预警信号包括存在滑坡风险的边坡信息以及滑坡风险的发生概率。
在一实施例中,所述处理器在执行所述计算机程序而实现所述监测模型是 通过若干个带有滑坡类别和非滑坡类别标签的传感器所获取的监测数据作为样 本集训练深度森林算法所得,且监测模型采用ROC曲线进行评估步骤时,具体 实现如下步骤:
收集若干个传感器所获取的监测数据,并进行判断和标注,将监测数据划 分为滑坡数据和非滑坡数据,以形成样本集;对深度森林算法的结构进行设计, 按照需要区分的滑坡数据和非滑坡数据类别,微调级联森林的输出,定义损失 函数;将样本集进行随机分配,以形成训练集和测试集;使用训练集调整合适 的迭代次数对深度森林算法进行训练,使用测试集初步查看分类结果;调整学习率,根据得到的滑坡和非滑坡的分类准确性,重新训练并测试深度森林算法; 绘制滑坡数据和非滑坡数据分类的训练过程中的准确率、损失函数和ROC曲线, 对深度森林算法的性能进行进一步评估,以得到监测模型。
在一实施例中,所述处理器在执行所述计算机程序而实现所述将每个所述 监测数据输入至监测模型内进行地灾监测,以得到所有监测结果步骤时,具体 实现如下步骤:
对每个所述监测数据输入至监测模型内进行雨量监测以及深部位移监测, 以得到每个监测数据对应预测所得的雨量监测结果与深部位移监测结果;根据 每个监测数据对应预测所得的雨量监测结果与深部位移监测结果计算对应的监 测结果,以得到所有监测结果。
在一实施例中,所述处理器在执行所述计算机程序而实现所述将所有监测 结果进行加权处理,以得到最终监测结果步骤时,具体实现如下步骤:
对所有监测结果中存在滑坡风险的概率进行加权后并求均值,以得到最终 监测结果。
在一实施例中,所述处理器在执行所述计算机程序而实现所述判断所述最 终监测结果是否是存在滑坡风险步骤之后,还实现如下步骤:
若所述最终监测结果不存在滑坡风险,则执行所述获取设置在同一个边坡 的多个不同传感器的监测数据。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory, ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示 例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现, 为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地 描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决 于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范 围。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可 以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的。例 如,各个单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划 分方式。例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特 征可以忽略,或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。 本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外, 在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各 个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。
该集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使 用时,可以存储在一个存储介质中。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,或者该技术方案的全部或部分可以以软 件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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,终端,或者网络设备等) 执行本发明各个实施例所述方法的全部或部分步骤。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于 此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到 各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。 因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (8)
1.地灾监测预警方法,其特征在于,包括:
获取设置在同一个边坡的多个不同传感器的监测数据;其中,每个所述监测数据包括雨量监测数据以及深部位移监测数据;
将每个所述监测数据输入至监测模型内进行地灾监测,以得到所有监测结果;
将所有监测结果进行加权处理,以得到最终监测结果;
判断所述最终监测结果是否是存在滑坡风险;
若所述最终监测结果存在滑坡风险,则发送预警信号至终端;
其中,所述监测模型是通过若干个带有滑坡类别和非滑坡类别标签的传感器所获取的监测数据作为样本集训练深度森林算法所得,且监测模型采用ROC曲线进行评估;
所述将每个所述监测数据输入至监测模型内进行地灾监测,以得到所有监测结果,包括:
对每个所述监测数据输入至监测模型内进行雨量监测以及深部位移监测,以得到每个监测数据对应预测所得的雨量监测结果与深部位移监测结果;
根据每个监测数据对应预测所得的雨量监测结果与深部位移监测结果计算对应的监测结果,以得到所有监测结果;
若干个传感器的每类预测概率是由雨量监测和深部位移监测的两个结果共同决定的,对于深部位移监测先使用改进后的深度森林算法进行深部位移分析,得到每个传感器的深部位移监测结果,对于雨量监测,亦使用改进后的深度森林算法得到每个传感器的雨量监测结果,每个传感器的监测结果由每个传感器的深部位移监测结果与雨量监测结果加权得到,最优的权重系数由网格选参确定,将雨量和深部位移结合在一起,即将滑坡的影响因素—静态特征和动态特征结合判定每个传感器的监测结果;
监测模型在进行雨量监测和深部位移监测时均采用以下步骤执行:多粒度扫描以及级联森林处理,传感器所得的数据经过多粒度扫描之后,分别映射到了不同的维度,并把多粒度扫描的输出当作级联森林的原始输入;接着,在级联森林中,每一级由多个层构成,分别对应原始的多个维度;在其内部,采用的是串联结构,多个层之间采用串联的方式处理,每一级向后传递信息过程中,会拼接每一次四个分类器输出的多个类别构成的维度,先去基分类的多个类别的平均概率,然后再取最大的一类作为分类结果,每一级向后传递信息时采用ROC曲线进行评估。
2.根据权利要求1所述的地灾监测预警方法,其特征在于,所述监测模型是通过若干个带有滑坡类别和非滑坡类别标签的传感器所获取的监测数据作为样本集训练深度森林算法所得,且监测模型采用ROC曲线进行评估,包括:
收集若干个传感器所获取的监测数据,并进行判断和标注,将监测数据划分为滑坡数据和非滑坡数据,以形成样本集;
对深度森林算法的结构进行设计,按照需要区分的滑坡数据和非滑坡数据类别,微调级联森林的输出,定义损失函数;
将样本集进行随机分配,以形成训练集和测试集;
使用训练集调整合适的迭代次数对深度森林算法进行训练,使用测试集初步查看分类结果;
调整学习率,根据得到的滑坡和非滑坡的分类准确性,重新训练并测试深度森林算法;
绘制滑坡数据和非滑坡数据分类的训练过程中的准确率、损失函数和ROC曲线,对深度森林算法的性能进行进一步评估,以得到监测模型。
3.根据权利要求1所述的地灾监测预警方法,其特征在于,所述将所有监测结果进行加权处理,以得到最终监测结果,包括:
对所有监测结果中存在滑坡风险的概率进行加权后并求均值,以得到最终监测结果。
4.根据权利要求1所述的地灾监测预警方法,其特征在于,所述判断所述最终监测结果是否是存在滑坡风险之后,还包括:
若所述最终监测结果不存在滑坡风险,则执行所述获取设置在同一个边坡的多个不同传感器的监测数据。
5.根据权利要求1所述的地灾监测预警方法,其特征在于,所述预警信号包括存在滑坡风险的边坡信息以及滑坡风险的发生概率。
6.地灾监测预警装置,其特征在于,包括:
数据获取单元,用于获取设置在同一个边坡的多个不同传感器的监测数据;其中,每个所述监测数据包括雨量监测数据以及深部位移监测数据;
监测单元,用于将每个所述监测数据输入至监测模型内进行地灾监测,以得到所有监测结果;
加权处理单元,用于将所有监测结果进行加权处理,以得到最终监测结果;
判断单元,用于判断所述最终监测结果是否是存在滑坡风险;
发送单元,用于若所述最终监测结果存在滑坡风险,则发送预警信号至终端;
其中,所述监测模型是通过若干个带有滑坡类别和非滑坡类别标签的传感器所获取的监测数据作为样本集训练深度森林算法所得,且监测模型采用ROC曲线进行评估;
所述监测单元包括:
各项监测子单元,用于对每个所述监测数据输入至监测模型内进行雨量监测以及深部位移监测,以得到每个监测数据对应预测所得的雨量监测结果与深部位移监测结果;
结果计算子单元,用于根据每个监测数据对应预测所得的雨量监测结果与深部位移监测结果计算对应的监测结果,以得到所有监测结果;
若干个传感器的每类预测概率是由雨量监测和深部位移监测的两个结果共同决定的,对于深部位移监测先使用改进后的深度森林算法进行深部位移分析,得到每个传感器的深部位移监测结果,对于雨量监测,亦使用改进后的深度森林算法得到每个传感器的雨量监测结果,每个传感器的监测结果由每个传感器的深部位移监测结果与雨量监测结果加权得到,最优的权重系数由网格选参确定;将雨量和深部位移结合在一起,即将滑坡的影响因素—静态特征和动态特征结合判定每个传感器的监测结果;
监测模型在进行雨量监测和深部位移监测时均采用以下步骤执行:多粒度扫描以及级联森林处理,传感器所得的数据经过多粒度扫描之后,分别映射到了不同的维度,并把多粒度扫描的输出当作级联森林的原始输入;接着,在级联森林中,每一级由多个层构成,分别对应原始的多个维度;在其内部,采用的是串联结构,多个层之间采用串联的方式处理,每一级向后传递信息过程中,会拼接每一次四个分类器输出的多个类别构成的维度,先去基分类的多个类别的平均概率,然后再取最大的一类作为分类结果,每一级向后传递信息时采用ROC曲线进行评估。
7.一种计算机设备,其特征在于,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至5中任一项所述的方法。
8.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时可实现如权利要求1至5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110801264.7A CN113723446B (zh) | 2021-07-15 | 2021-07-15 | 地灾监测预警方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110801264.7A CN113723446B (zh) | 2021-07-15 | 2021-07-15 | 地灾监测预警方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113723446A CN113723446A (zh) | 2021-11-30 |
CN113723446B true CN113723446B (zh) | 2024-05-24 |
Family
ID=78673384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110801264.7A Active CN113723446B (zh) | 2021-07-15 | 2021-07-15 | 地灾监测预警方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113723446B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116434478B (zh) * | 2022-12-30 | 2023-11-21 | 深圳市地质局 | 地质灾害的智能预警响应方法、装置和系统 |
CN116205497B (zh) * | 2023-04-24 | 2023-06-30 | 四川川核地质工程有限公司 | 基于人工智能的滑坡智能预警方法及系统 |
CN116976837B (zh) * | 2023-09-25 | 2024-01-30 | 中国铁塔股份有限公司吉林省分公司 | 应用于数据共享的地灾态势分析方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109783967A (zh) * | 2019-01-25 | 2019-05-21 | 深圳大学 | 一种滑坡预测方法及系统 |
CN111967544A (zh) * | 2020-10-23 | 2020-11-20 | 成都信息工程大学 | 土质滑坡灾害时空智能预警报方法与系统 |
CN112735097A (zh) * | 2020-12-29 | 2021-04-30 | 中国地质环境监测院 | 一种区域滑坡预警方法及系统 |
CN112903008A (zh) * | 2021-01-15 | 2021-06-04 | 泉州师范学院 | 基于多传感数据融合技术的山体滑坡预警方法 |
-
2021
- 2021-07-15 CN CN202110801264.7A patent/CN113723446B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109783967A (zh) * | 2019-01-25 | 2019-05-21 | 深圳大学 | 一种滑坡预测方法及系统 |
CN111967544A (zh) * | 2020-10-23 | 2020-11-20 | 成都信息工程大学 | 土质滑坡灾害时空智能预警报方法与系统 |
CN112735097A (zh) * | 2020-12-29 | 2021-04-30 | 中国地质环境监测院 | 一种区域滑坡预警方法及系统 |
CN112903008A (zh) * | 2021-01-15 | 2021-06-04 | 泉州师范学院 | 基于多传感数据融合技术的山体滑坡预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113723446A (zh) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113723446B (zh) | 地灾监测预警方法、装置、计算机设备及存储介质 | |
Connor et al. | Effects of grain size and niche breadth on species distribution modeling | |
Pasini et al. | A neural network model for visibility nowcasting from surface observations: Results and sensitivity to physical input variables | |
CN103020978B (zh) | 结合多阈值分割与模糊聚类的sar图像变化检测方法 | |
CN113408917B (zh) | 自然灾害风险评估方法、装置、计算机设备及存储介质 | |
CN112200358B (zh) | 一种滑坡等级预测方法、装置、设备和存储介质 | |
Wang et al. | Study on wavelet neural network based anomaly detection in ocean observing data series | |
CN116415481A (zh) | 区域滑坡灾害风险预测方法、装置、计算机设备及存储介质 | |
CN115061219B (zh) | 基于石油天然气探测的裂缝型储层预测识别方法及系统 | |
Lin et al. | Rain identification in ASCAT winds using singularity analysis | |
CN114186641B (zh) | 一种基于深度学习的滑坡易发性评价方法 | |
CN116523089B (zh) | 一种用于公路交通的降雨致灾风险预报方法及装置 | |
CN112200362A (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
US20050144537A1 (en) | Method to use a receiver operator characteristics curve for model comparison in machine condition monitoring | |
CN117421684B (zh) | 基于数据挖掘和神经网络的异常数据监测与分析方法 | |
CN116777079A (zh) | 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法 | |
KR20200052398A (ko) | 머신 러닝 기법을 이용한 산사태 취약성 지도 작성 방법 및 장치 | |
CN112200356A (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
Ilmy et al. | Application of machine learning on google earth engine to produce landslide susceptibility mapping (case study: Pacitan) | |
CN117035465B (zh) | 一种评估滑坡易发性的方法和装置 | |
CN117009788A (zh) | 基于水锤波特征参数集的埋地输流管道周界塌陷预警方法、存储介质和方法 | |
CN116933947A (zh) | 一种基于软投票集成分类器的滑坡易发性预测方法 | |
CN116522790A (zh) | 一种确定暴雨导致滑坡链式灾害影响区域的方法和系统 | |
CN115019476B (zh) | 一种基于多源信息融合的滑坡时空信息监测预警方法 | |
CN112200357B (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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |