CN113742438B - 滑坡易发性分布图的确定方法、装置及存储介质 - Google Patents
滑坡易发性分布图的确定方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113742438B CN113742438B CN202110952957.6A CN202110952957A CN113742438B CN 113742438 B CN113742438 B CN 113742438B CN 202110952957 A CN202110952957 A CN 202110952957A CN 113742438 B CN113742438 B CN 113742438B
- Authority
- CN
- China
- Prior art keywords
- parameter
- geographic
- parameters
- landslide
- determining
- 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
Images
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
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Remote Sensing (AREA)
- Software Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本申请公开了一种滑坡易发性分布图的确定方法、装置及存储介质,涉及地质学技术领域,通过各种地理指标参数之间的关联性对地理指标参数进行筛选,从而提高了确定的滑坡易发性分布图的准确性。该方法包括:获取待预测区域的各网格单元的至少两种地理指标参数的参数值;通过预设相关系数矩阵模型,获取至少两种地理指标参数中每两种地理指标参数之间的相关程度参数;基于每两种地理指标参数之间的相关程度参数从至少两种地理指标参数中筛选出目标地理指标参数;根据目标地理指标参数的参数值,确定待预测区域的滑坡易发性分布图。
Description
技术领域
本申请实施例涉及地质学技术领域,尤其涉及一种滑坡易发性分布图的确定方法、装置及存储介质。
背景技术
滑坡作为一种常见的地质灾害,具有爆发突然、历时短暂、危害性大等特点,严重威胁人类的生命财产安全。所以,确定滑坡易发性分布图成为了目前防灾减灾工作的关键,通过滑坡易发性分布图工作人员可以快速识别出滑坡高发区域。现有的,可以基于统计学原理对各区域内的地理指标参数进行分析,得到各区域内发生滑坡的概率,然后基于各区域内发生滑坡的概率确定滑坡易发性分布图。
然而,由于地理指标参数的种类很多,各种指标之间的关联性对于分析发生滑坡概率的结果有影响,所以得到的滑坡易发性分布图的准确性也受到了影响。
发明内容
本申请提供一种滑坡易发性分布图的确定方法、装置及存储介质,通过各种地理指标参数之间的关联性对地理指标参数进行筛选,从而提高得到的滑坡易发性分布图的准确性。
为达到上述目的,本申请采用如下技术方案:
第一方面,本申请提供一种滑坡易发性分布图的确定方法,包括:获取待预测区域的各网格单元的至少两种地理指标参数的参数值;通过预设相关系数矩阵模型,获取至少两种地理指标参数中每两种地理指标参数之间的相关程度参数;基于每两种地理指标参数之间的相关程度参数从至少两种地理指标参数中筛选出目标地理指标参数;根据目标地理指标参数的参数值,确定待预测区域的滑坡易发性分布图。
本申请提供的技术方案中,在根据地理指标参数确定待预测区域的滑坡易发性分布图之前,先对获取到的至少两种地理指标参数进行筛选,得到目标地理指标参数,然后基于目标地理指标参数的参数值确定滑坡易发性分布图。由于在筛选目标地理指标参数时是基于每两种地理指标参数之间的相关程度参数进行筛选的,而相关程度参数可以表征两种地理指标参数之间的关联性,所以可以筛选出相互之间的关联性较小的目标地理指标参数。这样,可以降低各种地理指标参数之间的关联性对于分析发生滑坡概率的结果的影响,从而可以提高得到的滑坡易发性分布图的准确性。
可选的,在一种可能的设计方式中,上述“基于每两种地理指标参数之间的相关程度参数从至少两种地理指标参数中筛选出目标地理指标参数”可以包括:
在第一地理指标参数与第二地理指标参数之间的相关程度参数的参数值满足预设条件的情况下,将第一地理指标参数或第二地理指标参数确定为候选地理指标参数;第一地理指标参数和第二地理指标参数为至少两种地理指标参数中的任意两种;
在第一地理指标参数与第二地理指标参数之间的相关程度参数的参数值不满足预设条件的情况下,将第一地理指标参数和第二地理指标参数均确定为候选地理指标参数;
从候选地理指标参数中确定目标地理指标参数。
可选的,在另一种可能的设计方式中,上述“基于每两种地理指标参数之间的相关程度参数从至少两种地理指标参数中筛选出目标地理指标参数”可以包括:
基于每两种地理指标参数之间的相关程度参数从至少两种地理指标参数中确定出剩余地理指标参数;剩余地理指标参数为,与其他地理指标参数之间的相关程度参数的参数值均小于预设数值的地理指标参数;
从剩余地理指标参数中确定目标地理指标参数。
可选的,在另一种可能的设计方式中,上述“通过预设相关系数矩阵模型,获取至少两种地理指标参数中每两种地理指标参数之间的相关程度参数”之前,还包括通过如下方式获取预设相关系数矩阵模型:
获取训练数据集;训练数据集包括N个网格单元的至少两种地理指标参数的参数值;N为正整数;
根据训练数据集,确定N个网格单元的每种地理指标参数的N个参数值之间的标准差,并确定N个网格单元的每两种地理指标参数的2N个参数值之间的协方差系数;
根据标准差和协方差系数,得到预设相关系数矩阵模型。
可选的,在另一种可能的设计方式中,上述“获取训练数据集”包括:
获取样本数据集;样本数据集包括M个网格单元的至少两种地理指标参数的参数值以及M个网格单元的滑坡易发性概率;M为正整数;
根据滑坡易发性概率从M个网格单元中确定出滑坡网格单元和非滑坡网格单元;
基于预设采样阈值对滑坡网格单元的至少两种地理指标参数的参数值进行过采样处理,并对非滑坡网格单元的至少两种地理指标参数的参数值进行欠采样处理,得到训练数据集。
可选的,在另一种可能的设计方式中,上述“根据目标地理指标参数的参数值,确定待预测区域的滑坡易发性分布图”包括:
调用预设贝叶斯空间逻辑回归模型,对目标地理指标参数的参数值进行处理,得到待预测区域的各网格单元的滑坡易发性概率;预设贝叶斯空间逻辑回归模型根据训练数据集得到;训练数据集包括N个网格单元的至少两种地理指标参数的参数值和N个网格单元的滑坡易发性概率;N为正整数;
根据待预测区域的各网格单元的滑坡易发性概率,确定滑坡易发性分布图。
可选的,在另一种可能的设计方式中,上述“基于每两种地理指标参数之间的相关程度参数从至少两种地理指标参数中筛选出目标地理指标参数”包括:
根据预设贝叶斯空间逻辑回归模型,对训练数据集进行假设检验,得到至少两种地理指标参数对滑坡易发性概率的影响程度参数;
基于影响程度参数和每两种地理指标参数之间的相关程度参数从至少两种地理指标参数中筛选出目标地理指标参数。
第二方面,本申请提供一种滑坡易发性分布图的确定装置,包括:获取模块、筛选模块和确定模块;
获取模块,用于获取待预测区域的各网格单元的至少两种地理指标参数的参数值;
获取模块,还用于通过预设相关系数矩阵模型,获取至少两种地理指标参数中每两种地理指标参数之间的相关程度参数;
筛选模块,用于基于获取模块获取的每两种地理指标参数之间的相关程度参数从至少两种地理指标参数中筛选出目标地理指标参数;
确定模块,用于根据筛选模块筛选出的目标地理指标参数的参数值,确定待预测区域的滑坡易发性分布图。
第三方面,本申请提供一种滑坡易发性分布图的确定装置,包括存储器、处理器、总线和通信接口;存储器用于存储计算机执行指令,处理器与存储器通过总线连接;当滑坡易发性分布图的确定装置运行时,处理器执行存储器存储的计算机执行指令,以使滑坡易发性分布图的确定装置执行如上述第一方面提供的滑坡易发性分布图的确定方法。
可选的,该滑坡易发性分布图的确定装置还可以包括收发器,该收发器用于在滑坡易发性分布图的确定装置的处理器的控制下,执行收发数据、信令或者信息的步骤,例如,获取待预测区域的各网格单元的至少两种地理指标参数的参数值。
进一步可选的,该滑坡易发性分布图的确定装置可以是用于实现确定滑坡易发性分布图的物理机,也可以是物理机中的一部分装置,例如可以是物理机中的芯片系统。该芯片系统用于支持滑坡易发性分布图的确定装置实现第一方面中所涉及的功能,例如,接收,发送或处理上述滑坡易发性分布图的确定方法中所涉及的数据和/或信息。该芯片系统包括芯片,也可以包括其他分立器件或电路结构。
第四方面,本申请提供一种计算机可读存储介质,计算机可读存储介质中存储有指令,当计算机执行指令时,使得计算机执行如第一方面提供的滑坡易发性分布图的确定方法。
第五方面,本申请提供一种计算机程序产品,该计算机程序产品包括计算机指令,当计算机指令在计算机上运行时,使得计算机执行如第一方面提供的滑坡易发性分布图的确定方法。
需要说明的是,上述计算机指令可以全部或者部分存储在计算机可读存储介质上。其中,计算机可读存储介质可以与滑坡易发性分布图的确定装置的处理器封装在一起的,也可以与滑坡易发性分布图的确定装置的处理器单独封装,本申请对此不做限定。
本申请中第二方面、第三方面、第四方面以及第五方面的描述,可以参考第一方面的详细描述;并且,第二方面、第三方面、第四方面以及第五方面的描述的有益效果,可以参考第一方面的有益效果分析,此处不再赘述。
在本申请中,上述滑坡易发性分布图的确定装置的名字对设备或功能模块本身不构成限定,在实际实现中,这些设备或功能模块可以以其他名称出现。只要各个设备或功能模块的功能和本申请类似,属于本申请权利要求及其等同技术的范围之内。
本申请的这些方面或其他方面在以下的描述中会更加简明易懂。
附图说明
图1为本申请实施例提供的一种滑坡易发性分布图的确定方法的流程示意图;
图2为本申请实施例提供的另一种滑坡易发性分布图的确定方法的流程示意图;
图3为本申请实施例提供的又一种滑坡易发性分布图的确定方法的流程示意图;
图4为本申请实施例提供的又一种滑坡易发性分布图的确定方法的流程示意图;
图5为本申请实施例提供的又一种滑坡易发性分布图的确定方法的流程示意图;
图6为本申请实施例提供的一种滑坡易发性分布图的确定装置的结构示意图
图7为本申请实施例提供的另一种滑坡易发性分布图的确定装置的结构示意图。
具体实施方式
下面结合附图对本申请实施例提供的滑坡易发性分布图的确定方法、装置及存储介质进行详细地描述。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。
本申请的说明书以及附图中的术语“第一”和“第二”等是用于区别不同的对象,或者用于区别对同一对象的不同处理,而不是用于描述对象的特定顺序。
此外,本申请的描述中所提到的术语“包括”和“具有”以及它们的任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选的还包括其他没有列出的步骤或单元,或可选的还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,本申请实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
在本申请的描述中,除非另有说明,“多个”的含义是指两个或两个以上。
滑坡作为一种常见的地质灾害,具有爆发突然、历时短暂、危害性大等特点,严重威胁人类的生命财产安全。所以,确定滑坡易发性分布图成为了目前防灾减灾工作的关键,通过滑坡易发性分布图工作人员可以快速识别出滑坡高发区域。现有的,可以基于统计学原理对各区域内的地理指标参数进行分析,得到各区域内发生滑坡的概率,然后基于各区域内发生滑坡的概率确定滑坡易发性分布图。
然而,由于地理指标参数的种类很多,各种指标之间的关联性对于分析发生滑坡概率的结果有影响,所以得到的滑坡易发性分布图的准确性也受到了影响。
针对上述现有技术中存在的问题,本申请实施例提供了一种滑坡易发性分布图的确定方法,该方法在根据地理指标参数确定待预测区域的滑坡易发性分布图之前,先基于每两种地理指标参数之间的相关程度参数对至少两种地理指标参数进行筛选,得到相互之间的关联性较小的目标地理指标参数,然后基于目标地理指标参数的参数值确定出准确性更高的滑坡易发性分布图。
本申请实施例提供的滑坡易发性分布图的确定方法可以适用于滑坡易发性分布图的确定装置。滑坡易发性分布图的确定装置可以为物理机(如服务器),也可以为部署在物理机上的虚拟机(virtual machine,VM)。
下面对本申请提供的滑坡易发性分布图的确定方法进行详细说明。
参照图1,本申请实施例提供的滑坡易发性分布图的确定方法包括 S101-S104:
S101、滑坡易发性分布图的确定装置获取待预测区域的各网格单元的至少两种地理指标参数的参数值。
其中,地理指标参数可以为坡度、坡向、土地利用类型、地层岩性、距断层距离、距河流距离、降雨量以及归一化植被指数(Normalized Difference Vegetation Index,NDVI)等。当然,在实际应用中,地理指标参数还可以为其他地理指标参数,本申请实施例对此不作限定。
可选的,在一种可能的实现方式中,可以采用ArcGIS软件(一种地理信息系统软件)对待预测区域进行网格划分,将得到的每个小网格确定为一个网格单元。
S102、滑坡易发性分布图的确定装置通过预设相关系数矩阵模型,获取至少两种地理指标参数中每两种地理指标参数之间的相关程度参数。
其中,相关程度参数可以表征两种地理指标参数之间关联性的大小。
可选的,在一种可能的实现方式中,可以通过如下方式获取预设相关系数矩阵模型:首先,滑坡易发性分布图的确定装置获取训练数据集,训练数据集包括N个网格单元的至少两种地理指标参数的参数值;然后,根据训练数据集,确定N个网格单元的每种地理指标参数的N个参数值之间的标准差,并确定N 个网格单元的每两种地理指标参数的2N个参数值之间的协方差系数;之后,根据标准差和协方差系数,得到预设相关系数矩阵模型。
其中,N为正整数,N个网格单元可以为对已预测区域进行网格划分得到的N个网格单元。
示例性的,若用x1i表示一个网格单元的第一地理指标参数的参数值,用x2i表示该网格单元的第二地理指标参数的参数值,i表示网格单元的序号,表示 N个网格单元的第一地理指标参数的参数值的均值,表示N个网格单元的第二地理指标参数的参数值的均值,Cov(x1,x2)表示N个网格单元的第一地理指标参数与第二地理指标参数之间的协方差系数,则Cov(x1,x2)可以通过表达式 (1)确定:
其中,第一地理指标参数和第二地理指标参数为至少两种地理指标参数中的任意两种。
类似的,可以确定出N个网格单元的每两种地理指标参数之间的相关系数,之后,可以根据每两种地理指标参数之间的相关系数得到预设相关系数矩阵模型。
示例性的,若训练数据集包括N个网格单元的n种地理指标参数,则预设相关系数矩阵Q可以为表达式(4):
在确定出相关系数矩阵Q后,可以根据相关系数矩阵Q确定预设相关系数矩阵模型,将相关系数矩阵Q中的相关系数确定为地理指标参数之间的相关程度参数,在预设相关系数矩阵模型中输入任意不同类型的地理指标参数时,输出值即为这些不同类型的地理指标参数中两两之间的相关程度参数。
可选的,在一种可能的实现方式中,可以通过如下方式获取训练数据集:首先,滑坡易发性分布图的确定装置获取样本数据集,样本数据集中包括M个网格单元的至少两种地理指标参数的参数值以及M个网格单元的滑坡易发性概率;然后,根据滑坡易发性概率从M个网格单元中确定出滑坡网格单元和非滑坡网格单元;之后,基于预设采样阈值对滑坡网格单元的至少两种地理指标参数的参数值进行过采样处理,并对非滑坡网格单元的至少两种地理指标参数的参数值进行欠采样处理,得到训练数据集。
由于滑坡通常为小概率事件,所以一般获取到的样本数据集中的非滑坡网格单元与滑坡网格单元的数量不均衡,非滑坡网格单元的数量远大于滑坡网格单元。而非滑坡网格单元与滑坡网格单元的数量不均衡会导致预测网格单元的滑坡易发性概率的结果不准确。所以,为了解决数据不均衡的问题,可以对滑坡网格单元的至少两种地理指标参数的参数值进行过采样处理,对非滑坡网格单元的至少两种地理指标参数的参数值进行欠采样处理,从而实现数据均衡。
其中,M为正整数,M个网格单元可以为对已预测区域进行网格划分得到的M个网格单元。
滑坡易发性概率为网格单元发生滑坡的概率。示例性的,在本申请实施例中,若根据滑坡历史数据确定某个网格单元有滑坡点,则确定该网格单元的滑坡易发性概率为1,若根据滑坡历史数据确定某个网格单元无滑坡点,则确定该网格单元的滑坡易发性概率为0。
预设采样阈值可以是人为事先确定的阈值,可以根据需求的非滑坡网格单元与滑坡网格单元的比例设定。示例性的,对于M个网格单元进行平衡处理,对其中数量较少的滑坡网格单元进行过采样处理使得滑坡网格单元的数量达到 m,对其中数量较多的非滑坡网格单元进行欠采样处理使得非滑坡网格单元的数量达到M-m,平衡处理后的总数仍为M,所以本申请实施例中M和N的数量可以相等。其中,m的数值取决于预设采样阈值的设定。比如,预设采样阈值为0.5时,m为M的一半。
S103、滑坡易发性分布图的确定装置基于每两种地理指标参数之间的相关程度参数从至少两种地理指标参数中筛选出目标地理指标参数。
可选的,在一种可能的实现方式中,在第一地理指标参数与第二地理指标参数之间的相关程度参数的参数值满足预设条件的情况下,可以将第一地理指标参数或第二地理指标参数确定为候选地理指标参数;在第一地理指标参数与第二地理指标参数之间的相关程度参数的参数值不满足预设条件的情况下,可以将第一地理指标参数和第二地理指标参数均确定为候选地理指标参数;之后,从候选地理指标参数中确定目标地理指标参数。
其中,预设条件是人为事先确定的条件。示例性的,当第一地理指标参数与第二地理指标参数之间的相关程度参数(参数值等于相关系数)在0.8以上表示二者之间的关联性较强,在0.3至0.8之间表示二者之间的关联性较弱,在 0.3以下表示二者之间的无关联性。基于此,预设条件可以为第一地理指标参数与第二地理指标参数之间的相关程度参数是否在0.8以上。当第一地理指标参数与第二地理指标参数之间的相关程度参数大于或等于0.8时,将第一地理指标参数或者第二地理指标参数确定为候选地理指标参数;当第一地理指标参数与第二地理指标参数之间的相关程度参数小于0.8时,将第一地理指标参数和第二地理指标参数均确定为候选地理指标参数。
示例性的,若第一地理指标参数为候选地理指标参数,还需要确定第一地理指标参数与其他地理指标参数之间的相关程度参数是否满足预设条件,若均不满足,则将第一地理指标参数确定为目标地理指标参数。
可选的,在一种可能的实现方式中,可以基于每两种地理指标参数之间的相关程度参数从至少两种地理指标参数中确定出剩余地理指标参数;剩余地理指标参数为,与其他地理指标参数之间的相关程度参数的参数值均小于预设数值的地理指标参数;之后,从剩余地理指标参数中确定目标地理指标参数。
其中,预设数据可以是人为事先确定的相关程度参数的参数值。示例性的,可以将预设数据设置为0.8。这样,剩余地理指标参数中的各种地理指标参数之间的关联性较弱,然后,可以再从剩余地理指标参数中确定目标地理指标参数,这样,可以进一步提高确定出的滑坡易发性分布图的准确率。
S104、滑坡易发性分布图的确定装置根据目标地理指标参数的参数值,确定待预测区域的滑坡易发性分布图。
可选的,在一种可能的实现方式中,滑坡易发性分布图的确定装置可以调用预设贝叶斯空间逻辑(Logistic)回归模型,对目标地理指标参数的参数值进行处理,得到待预测区域的各网格单元的滑坡易发性概率;然后根据待预测区域的各网格单元的滑坡易发性概率,确定滑坡易发性分布图。
其中,预设贝叶斯空间逻辑回归模型根据训练数据集得到;训练数据集包括N个网格单元的至少两种地理指标参数的参数值和N个网格单元的滑坡易发性概率;N为正整数。
可选的,可以先确定出目标地理指标参数中每种地理指标参数的贝叶斯空间逻辑回归模型,然后根据每种地理指标参数的贝叶斯空间逻辑回归模型得到预设贝叶斯空间逻辑回归模型。
示例性的,Y变量的假设似然函数为Yi~Binomial(ni,pi),ni为网格单元的数量,则对于第一地理指标参数的贝叶斯空间逻辑回归模型,第i个网格单元的滑坡易发性概率pi可以用表达式(5)表示:
Logit(pi)=α+βxi+si+εi (5)
其中,α为常数项,β为第一地理指标参数的贝叶斯空间逻辑回归模型的回归系数,xi表示第一地理指标参数在第i个网格单元上的参数值,si为空间结构化误差项,可以内在条件自回归结构(Intrinsic conditional autoregressive structure) 表示,具体的,可以根据表达式(6)确定:
具体的,其中,#N(i)表示在空间结构与第i个网格单元相邻的网格单元,本申请实施例中的相邻的网格单元指的是与第i个网格单元有公共边的网格单元。mi表示与第i个网格单元相邻的各个网格单元的空间结构化误差的平均值。sj表示第i个网格单元的第j个相邻网格单元,表示空间结构化误差项si的条件方差,表示空间结构化误差项si的方差。
可以将N个网格单元的第一地理指标参数的参数值和N个网格单元的滑坡易发性概率代入表达式(5)和(6)中,得到α、β、si以及εi的值,则可以确定出第一地理指标参数的贝叶斯空间逻辑回归模型。
类似的,可以确定出目标地理指标参数中每种地理指标参数的贝叶斯空间逻辑回归模型,然后得到预设贝叶斯空间逻辑回归模型,预设贝叶斯空间逻辑回归模型中滑坡易发性概率可以用表达式(7)表示:
其中,β0为截距项,xij表示第j个地理指标参数在第i个网格单元上的参数值,βj为第j个地理指标参数的回归系数,k为目标地理指标参数的种类个数。其中,si和εi分别表示结构化空间误差项和非结构化空间误差项,其确定方法与表达式(5)中si和εi的确定方法相同。
可选的,滑坡易发性分布图的确定装置还可以根据预设贝叶斯空间逻辑回归模型,对训练数据集进行假设检验,得到至少两种地理指标参数对滑坡易发性概率的影响程度参数;然后基于影响程度参数和每两种地理指标参数之间的相关程度参数从至少两种地理指标参数中筛选出目标地理指标参数。
由于不同类型的地理指标参数对于网格单元的滑坡易发性概率的预测结果影响程度不同,有的地理指标参数对于预测结果有显著性影响,有的地理指标参数对于预测结果无显著性影响,为了提高预测结果的准确性,可以筛选出对于预测结果有显著性影响的地理指标参数。所以,可以结合影响程度参数和每两种地理指标参数之间的相关程度参数从至少两种地理指标参数中筛选出目标地理指标参数。
当某种地理指标参数的预设贝叶斯空间逻辑回归模型中回归系数βj=0时,表示该地理指标参数对预测结果无显著影响。所以,可选的,影响程度参数可以为在确定预设贝叶斯空间逻辑回归模型时进行假设检验得到的回归系数βj为 0的概率值,若用表示βj为0的概率值,则当小于或等于0.05时,表示地理指标参数对预测结果有显著影响,大于0.05时,表示地理指标参数对预测结果无显著影响。则对于某种地理指标参数而言,回归系数βj越大,则表示该地理指标参数对滑坡易发性概率的影响程度越大。
由于预设贝叶斯空间逻辑回归模型是目标地理指标参数的模型,所以,在结合影响程度参数确定目标地理指标参数之后,可以对预设贝叶斯空间逻辑回归模型进行修正,然后根据修正后的预设贝叶斯空间逻辑回归模型对目标地理指标参数的参数值进行处理,得到待预测区域的各网格单元的滑坡易发性概率。
示例性的,可以根据滑坡易发性概率对网格单元划分等级,滑坡易发性概率在0~0.25为极低易发区域,滑坡易发性概率在0.25~0.5为低易发区域,滑坡易发性概率在0.5~0.75为中易发区域,滑坡易发性概率在0.75-1.0为高易发区。在确定待预测区域的滑坡易发性分布图时,可以不用颜色区分不同的等级,然后根据各网格单元的等级对各网格单元的颜色进行填充,将填充之后的网格单元确定为滑坡易发性分布图。
本申请实施例提供的技术方案中,在根据地理指标参数确定待预测区域的滑坡易发性分布图之前,先对获取到的至少两种地理指标参数进行筛选,得到目标地理指标参数,然后基于目标地理指标参数的参数值确定滑坡易发性分布图。由于在筛选目标地理指标参数时是基于每两种地理指标参数之间的相关程度参数进行筛选的,而相关程度参数可以表征两种地理指标参数之间的关联性,所以本申请可以筛选出相互之间的关联性较小的目标地理指标参数。这样,可以降低各种地理指标参数之间的关联性对于分析发生滑坡概率的结果的影响,从而可以提高得到的滑坡易发性分布图的准确性。
综合以上描述,如图2所示,图1中的步骤S103可以替换为S1031:
S1031、滑坡易发性分布图的确定装置在第一地理指标参数与第二地理指标参数之间的相关程度参数的参数值满足预设条件的情况下,将第一地理指标参数或第二地理指标参数确定为目标地理指标参数;滑坡易发性分布图的确定装置在第一地理指标参数与第二地理指标参数之间的相关程度参数的参数值不满足预设条件的情况下,将第一地理指标参数和第二地理指标参数均确定为目标地理指标参数。
可选的,如图3所示,图1中的步骤S103可以替换为S1032-S1033:
S1032、滑坡易发性分布图的确定装置基于每两种地理指标参数之间的相关程度参数从至少两种地理指标参数中确定出剩余地理指标参数。
S1033、滑坡易发性分布图的确定装置从剩余地理指标参数中确定目标地理指标参数。
可选的,如图4所示,图1中的步骤S101之前,本申请实施例提供的滑坡易发性分布图的确定方法还可以包括S1001-S1005:
S1001、滑坡易发性分布图的确定装置获取样本数据集。
S1002、滑坡易发性分布图的确定装置根据滑坡易发性概率从M个网格单元中确定出滑坡网格单元和非滑坡网格单元。
S1003、滑坡易发性分布图的确定装置基于预设采样阈值对滑坡网格单元的至少两种地理指标参数的参数值进行过采样处理,并对非滑坡网格单元的至少两种地理指标参数的参数值进行欠采样处理,得到训练数据集。
S1004、滑坡易发性分布图的确定装置根据训练数据集,确定N个网格单元的每种地理指标参数的N个参数值之间的标准差,并确定N个网格单元的每两种地理指标参数的2N个参数值之间的协方差系数。
S1005、滑坡易发性分布图的确定装置根据标准差和协方差系数,得到预设相关系数矩阵模型。
可以理解的是,本申请实施例对图4中步骤之间的先后顺序不做限定,步骤S1001-S1005可以在步骤S101之前执行,也可以在步骤S101之后执行。
可选的,如图5所示,图1中的步骤S104可以替换为S1041-S1042:
S1041、滑坡易发性分布图的确定装置调用预设贝叶斯空间逻辑回归模型,对目标地理指标参数的参数值进行处理,得到待预测区域的各网格单元的滑坡易发性概率。
S1042、滑坡易发性分布图的确定装置根据待预测区域的各网格单元的滑坡易发性概率,确定滑坡易发性分布图。
如图6所示,本申请实施例还提供了一种滑坡易发性分布图的确定装置,该装置可以包括:获取模块11、筛选模块12和确定模块13。
其中,获取模块11执行上述方法实施例中的S101和S102,筛选模块12 执行上述方法实施例中的S103,确定模块13执行上述方法实施例中的S104。
具体地,获取模块11,用于获取待预测区域的各网格单元的至少两种地理指标参数的参数值;
获取模块11,还用于通过预设相关系数矩阵模型,获取至少两种地理指标参数中每两种地理指标参数之间的相关程度参数;
筛选模块12,用于基于获取模块11获取的每两种地理指标参数之间的相关程度参数从至少两种地理指标参数中筛选出目标地理指标参数;
确定模块13,用于根据筛选模块12筛选出的目标地理指标参数的参数值,确定待预测区域的滑坡易发性分布图。
可选的,在一种可能的实现方式中,筛选模块12具体用于:
在获取模块11获取的第一地理指标参数与第二地理指标参数之间的相关程度参数的参数值满足预设条件的情况下,将第一地理指标参数或第二地理指标参数确定为候选地理指标参数;第一地理指标参数和第二地理指标参数为至少两种地理指标参数中的任意两种;
在获取模块11获取的第一地理指标参数与第二地理指标参数之间的相关程度参数的参数值不满足预设条件的情况下,将第一地理指标参数和第二地理指标参数均确定为候选地理指标参数;
从候选地理指标参数中确定目标地理指标参数。
可选的,在另一种可能的实现方式中,筛选模块12具体用于:
基于获取模块11获取的每两种地理指标参数之间的相关程度参数从至少两种地理指标参数中确定出剩余地理指标参数;剩余地理指标参数为,与其他地理指标参数之间的相关程度参数的参数值均小于预设数值的地理指标参数;
从剩余地理指标参数中确定目标地理指标参数。
可选的,在另一种可能的实现方式中,
获取模块11还用于,获取训练数据集;训练数据集包括N个网格单元的至少两种地理指标参数的参数值;N为正整数;
确定模块13,还用于根据获取模块11获取的训练数据集,确定N个网格单元的每种地理指标参数的N个参数值之间的标准差,并确定N个网格单元的每两种地理指标参数的2N个参数值之间的协方差系数;
确定模块13,还用于根据标准差和协方差系数,确定预设相关系数矩阵模型。
可选的,在另一种可能的实现方式中,获取模块11具体用于:
获取样本数据集;样本数据集包括M个网格单元的至少两种地理指标参数的参数值以及M个网格单元的滑坡易发性概率;M为正整数;
根据滑坡易发性概率从M个网格单元中确定出滑坡网格单元和非滑坡网格单元;
基于预设采样阈值对滑坡网格单元的至少两种地理指标参数的参数值进行过采样处理,并对非滑坡网格单元的至少两种地理指标参数的参数值进行欠采样处理,得到训练数据集。
可选的,在另一种可能的实现方式中,筛选模块12具体用于:
根据预设贝叶斯空间逻辑回归模型,对训练数据集进行假设检验,得到至少两种地理指标参数对滑坡易发性概率的影响程度参数;
基于影响程度参数和每两种地理指标参数之间的相关程度参数从至少两种地理指标参数中筛选出目标地理指标参数。
可选的,在另一种可能的实现方式中,确定模块13具体用于:
调用预设贝叶斯空间逻辑回归模型,对目标地理指标参数的参数值进行处理,得到待预测区域的各网格单元的滑坡易发性概率;预设贝叶斯空间逻辑回归模型根据训练数据集得到;训练数据集包括N个网格单元的至少两种地理指标参数的参数值和N个网格单元的滑坡易发性概率;N为正整数;
根据待预测区域的各网格单元的滑坡易发性概率,确定滑坡易发性分布图。
可选的,滑坡易发性分布图的确定装置还可以包括存储模块,存储模块用于存储该滑坡易发性分布图的确定装置的程序代码等。
如图7所示,本申请实施例还提供一种滑坡易发性分布图的确定装置,包括存储器41、处理器42(42-1和42-2)、总线43和通信接口44;存储器41 用于存储计算机执行指令,处理器42与存储器41通过总线43连接;当滑坡易发性分布图的确定装置运行时,处理器42执行存储器41存储的计算机执行指令,以使滑坡易发性分布图的确定装置执行如上述实施例提供的滑坡易发性分布图的确定方法。
在具体的实现中,作为一种实施例,处理器42可以包括一个或多个中央处理器(central processing unit,CPU),例如图7中所示的CPU0和CPU1。且作为一种实施例,滑坡易发性分布图的确定装置可以包括多个处理器42,例如图7中所示的处理器42-1和处理器42-2。这些处理器42中的每一个CPU可以是一个单核处理器(single-CPU),也可以是一个多核处理器(multi-CPU)。这里的处理器42可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
存储器41可以是只读存储器41(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electrically erasable programmable read-only memory, EEPROM)、只读光盘(compact disc read-only memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器41可以是独立存在,通过总线43与处理器42相连接。存储器 41也可以和处理器42集成在一起。
在具体的实现中,存储器41,用于存储本申请中的数据和执行本申请的软件程序对应的计算机执行指令。处理器42可以通过运行或执行存储在存储器 41内的软件程序,以及调用存储在存储器41内的数据,滑坡易发性分布图的确定装置的各种功能。
通信接口44,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如控制系统、无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN)等。通信接口44可以包括接收单元实现接收功能,以及发送单元实现发送功能。
总线43,可以是工业标准体系结构(industry standard architecture,ISA) 总线、外部设备互连(peripheral component interconnect,PCI)总线或扩展工业标准体系结构(extended industry standard architecture,EISA)总线等。该总线 43可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
作为一个示例,结合图6,滑坡易发性分布图的确定装置中的获取模块实现的功能与图7中的接收单元实现的功能相同,滑坡易发性分布图的确定装置中的处理模块实现的功能与图7中的处理器实现的功能相同,滑坡易发性分布图的确定装置中的存储模块实现的功能与图7中的存储器实现的功能相同。
本实施例中相关内容的解释可参考上述方法实施例,此处不再赘述。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,计算机可读存储介质中存储有指令,当计算机执行该指令时,使得计算机执行上述实施例提供的滑坡易发性分布图的确定方法。
其中,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、装置或器件,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、RAM、ROM、可擦式可编程只读存储器(erasable programmable read only memory,EPROM)、寄存器、硬盘、光纤、CD-ROM、光存储器件、磁存储器件、或者上述的任意合适的组合、或者本领域熟知的任何其它形式的计算机可读存储介质。一种示例性的存储介质耦合至处理器,从而使处理器能够从该存储介质读取信息,且可向该存储介质写入信息。当然,存储介质也可以是处理器的组成部分。处理器和存储介质可以位于特定用途集成电路(application specificintegrated circuit,ASIC)中。在本申请实施例中,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、装置或者器件使用或者与其结合使用。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何在本申请揭露的技术范围内的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.一种滑坡易发性分布图的确定方法,其特征在于,包括:
获取待预测区域的各网格单元的至少两种地理指标参数的参数值;
获取训练数据集;所述训练数据集包括N个网格单元的所述至少两种地理指标参数的参数值;N为正整数;
根据所述训练数据集,确定所述N个网格单元的每种地理指标参数的N个参数值之间的标准差,并确定所述N个网格单元的每两种地理指标参数的2N个参数值之间的协方差系数;
根据所述标准差和所述协方差系数,得到预设相关系数矩阵模型;
通过所述预设相关系数矩阵模型,获取所述至少两种地理指标参数中每两种地理指标参数之间的相关程度参数;
基于所述每两种地理指标参数之间的相关程度参数从所述至少两种地理指标参数中筛选出目标地理指标参数;
根据所述目标地理指标参数的参数值,确定所述待预测区域的滑坡易发性分布图。
2.根据权利要求1所述的方法,其特征在于,所述基于所述每两种地理指标参数之间的相关程度参数从所述至少两种地理指标参数中筛选出目标地理指标参数,包括:
在第一地理指标参数与第二地理指标参数之间的相关程度参数的参数值满足预设条件的情况下,将所述第一地理指标参数或所述第二地理指标参数确定为候选地理指标参数;所述第一地理指标参数和所述第二地理指标参数为所述至少两种地理指标参数中的任意两种;
在所述第一地理指标参数与所述第二地理指标参数之间的相关程度参数的参数值不满足所述预设条件的情况下,将所述第一地理指标参数和所述第二地理指标参数均确定为候选地理指标参数;
从所述候选地理指标参数中确定所述目标地理指标参数。
3.根据权利要求1所述的方法,其特征在于,所述基于所述每两种地理指标参数之间的相关程度参数从所述至少两种地理指标参数中筛选出目标地理指标参数,包括:
基于所述每两种地理指标参数之间的相关程度参数从所述至少两种地理指标参数中确定出剩余地理指标参数;所述剩余地理指标参数为,与其他地理指标参数之间的相关程度参数的参数值均小于预设数值的地理指标参数;
从所述剩余地理指标参数中确定所述目标地理指标参数。
4.根据权利要求1所述的方法,其特征在于,所述获取训练数据集,包括:
获取样本数据集;所述样本数据集包括M个网格单元的所述至少两种地理指标参数的参数值以及所述M个网格单元的滑坡易发性概率;M为正整数;
根据所述滑坡易发性概率从所述M个网格单元中确定出滑坡网格单元和非滑坡网格单元;
基于预设采样阈值对所述滑坡网格单元的所述至少两种地理指标参数的参数值进行过采样处理,并对所述非滑坡网格单元的所述至少两种地理指标参数的参数值进行欠采样处理,得到所述训练数据集。
5.根据权利要求1所述的方法,其特征在于,所述根据所述目标地理指标参数的参数值,确定所述待预测区域的滑坡易发性分布图,包括:
调用预设贝叶斯空间逻辑回归模型,对所述目标地理指标参数的参数值进行处理,得到所述待预测区域的各网格单元的滑坡易发性概率;所述预设贝叶斯空间逻辑回归模型根据训练数据集得到;所述训练数据集包括N个网格单元的所述至少两种地理指标参数的参数值和所述N个网格单元的滑坡易发性概率;N为正整数;
根据所述待预测区域的各网格单元的滑坡易发性概率,确定所述滑坡易发性分布图。
6.根据权利要求5所述的方法,其特征在于,所述基于所述每两种地理指标参数之间的相关程度参数从所述至少两种地理指标参数中筛选出目标地理指标参数,包括:
根据所述预设贝叶斯空间逻辑回归模型,对所述训练数据集进行假设检验,得到所述至少两种地理指标参数对滑坡易发性概率的影响程度参数;
基于所述影响程度参数和所述每两种地理指标参数之间的相关程度参数从所述至少两种地理指标参数中筛选出所述目标地理指标参数。
7.一种滑坡易发性分布图的确定装置,其特征在于,包括:
获取模块,用于获取待预测区域的各网格单元的至少两种地理指标参数的参数值;
所述获取模块还用于,获取训练数据集;所述训练数据集包括N个网格单元的所述至少两种地理指标参数的参数值;N为正整数;
确定模块,还用于根据所述训练数据集,确定所述N个网格单元的每种地理指标参数的N个参数值之间的标准差,并确定所述N个网格单元的每两种地理指标参数的2N个参数值之间的协方差系数;
所述确定模块,还用于根据所述标准差和所述协方差系数,得到预设相关系数矩阵模型;
所述获取模块,还用于通过所述预设相关系数矩阵模型,获取所述至少两种地理指标参数中每两种地理指标参数之间的相关程度参数;
筛选模块,用于基于所述获取模块获取的所述每两种地理指标参数之间的相关程度参数从所述至少两种地理指标参数中筛选出目标地理指标参数;
所述确定模块,还用于根据所述筛选模块筛选出的所述目标地理指标参数的参数值,确定所述待预测区域的滑坡易发性分布图。
8.一种滑坡易发性分布图的确定装置,其特征在于,包括存储器、处理器、总线和通信接口;所述存储器用于存储计算机执行指令,所述处理器与所述存储器通过所述总线连接;
当所述滑坡易发性分布图的确定装置运行时,处理器执行所述存储器存储的所述计算机执行指令,以使所述滑坡易发性分布图的确定装置执行如权利要求1-6任意一项所述的滑坡易发性分布图的确定方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有指令,当计算机执行所述指令时,使得所述计算机执行如权利要求1-6任意一项所述的滑坡易发性分布图的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110952957.6A CN113742438B (zh) | 2021-08-19 | 2021-08-19 | 滑坡易发性分布图的确定方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110952957.6A CN113742438B (zh) | 2021-08-19 | 2021-08-19 | 滑坡易发性分布图的确定方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113742438A CN113742438A (zh) | 2021-12-03 |
CN113742438B true CN113742438B (zh) | 2022-03-18 |
Family
ID=78731775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110952957.6A Active CN113742438B (zh) | 2021-08-19 | 2021-08-19 | 滑坡易发性分布图的确定方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113742438B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1468740A (zh) * | 2002-07-04 | 2004-01-21 | 米其林技术公司 | 轮胎磨损估计 |
JP2007333647A (ja) * | 2006-06-16 | 2007-12-27 | Toyama Univ | 画像処理方法、画像処理装置および画像処理プログラム |
CN102819023A (zh) * | 2012-07-27 | 2012-12-12 | 中国地质大学(武汉) | 基于LiDAR的复杂地质背景区滑坡识别的方法及系统 |
CN104299367A (zh) * | 2014-10-23 | 2015-01-21 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种滑坡灾害多级综合监测预警方法 |
CN105469058A (zh) * | 2015-11-30 | 2016-04-06 | 成都理工大学 | 一种基于序列光谱曲面特征的滑坡识别方法 |
CN106251032A (zh) * | 2016-06-28 | 2016-12-21 | 中国人民解放军后勤工程学院 | 一种地震滑坡灾害灾情快速评估方法 |
CN106777585A (zh) * | 2016-12-01 | 2017-05-31 | 桂林理工大学 | 一种区域浅表滑坡时空分异规律的esda分析法 |
CN111797364A (zh) * | 2020-06-17 | 2020-10-20 | 河海大学 | 一种基于复合云模型的滑坡多层次安全评价方法 |
CN112200358A (zh) * | 2020-09-30 | 2021-01-08 | 杭州鲁尔物联科技有限公司 | 一种滑坡等级预测方法、装置、设备和存储介质 |
CN112200363A (zh) * | 2020-09-30 | 2021-01-08 | 杭州鲁尔物联科技有限公司 | 一种滑坡的预测方法、装置、设备和存储介质 |
CN112200354A (zh) * | 2020-09-30 | 2021-01-08 | 杭州鲁尔物联科技有限公司 | 一种滑坡的预测方法、装置、设备和存储介质 |
CN112200362A (zh) * | 2020-09-30 | 2021-01-08 | 杭州鲁尔物联科技有限公司 | 一种滑坡的预测方法、装置、设备和存储介质 |
CN112668238A (zh) * | 2020-12-30 | 2021-04-16 | 杭州鲁尔物联科技有限公司 | 一种降雨量处理方法、装置、设备和存储介质 |
CN113191642A (zh) * | 2021-05-06 | 2021-07-30 | 四川大学 | 一种基于最优组合策略的区域滑坡敏感性分析方法 |
-
2021
- 2021-08-19 CN CN202110952957.6A patent/CN113742438B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1468740A (zh) * | 2002-07-04 | 2004-01-21 | 米其林技术公司 | 轮胎磨损估计 |
JP2007333647A (ja) * | 2006-06-16 | 2007-12-27 | Toyama Univ | 画像処理方法、画像処理装置および画像処理プログラム |
CN102819023A (zh) * | 2012-07-27 | 2012-12-12 | 中国地质大学(武汉) | 基于LiDAR的复杂地质背景区滑坡识别的方法及系统 |
CN104299367A (zh) * | 2014-10-23 | 2015-01-21 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种滑坡灾害多级综合监测预警方法 |
CN105469058A (zh) * | 2015-11-30 | 2016-04-06 | 成都理工大学 | 一种基于序列光谱曲面特征的滑坡识别方法 |
CN106251032A (zh) * | 2016-06-28 | 2016-12-21 | 中国人民解放军后勤工程学院 | 一种地震滑坡灾害灾情快速评估方法 |
CN106777585A (zh) * | 2016-12-01 | 2017-05-31 | 桂林理工大学 | 一种区域浅表滑坡时空分异规律的esda分析法 |
CN111797364A (zh) * | 2020-06-17 | 2020-10-20 | 河海大学 | 一种基于复合云模型的滑坡多层次安全评价方法 |
CN112200358A (zh) * | 2020-09-30 | 2021-01-08 | 杭州鲁尔物联科技有限公司 | 一种滑坡等级预测方法、装置、设备和存储介质 |
CN112200363A (zh) * | 2020-09-30 | 2021-01-08 | 杭州鲁尔物联科技有限公司 | 一种滑坡的预测方法、装置、设备和存储介质 |
CN112200354A (zh) * | 2020-09-30 | 2021-01-08 | 杭州鲁尔物联科技有限公司 | 一种滑坡的预测方法、装置、设备和存储介质 |
CN112200362A (zh) * | 2020-09-30 | 2021-01-08 | 杭州鲁尔物联科技有限公司 | 一种滑坡的预测方法、装置、设备和存储介质 |
CN112668238A (zh) * | 2020-12-30 | 2021-04-16 | 杭州鲁尔物联科技有限公司 | 一种降雨量处理方法、装置、设备和存储介质 |
CN113191642A (zh) * | 2021-05-06 | 2021-07-30 | 四川大学 | 一种基于最优组合策略的区域滑坡敏感性分析方法 |
Non-Patent Citations (2)
Title |
---|
Manifestation of LiDAR-Derived Parameters in the Spatial Prediction of Landslides Using Novel Ensemble Evidential Belief Functions and Support Vector Machine Models in GIS;Mustafa Neamah Jebur等;《IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing 》;20140808;第674-690页 * |
基于信息量、逻辑回归及其耦合模型的滑坡易发性评估研究:以青海沙塘川流域为例;栗泽桐等;《现代地质》;20190215;第235-245页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113742438A (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110730164B (zh) | 安全预警方法及相关设备、计算机可读存储介质 | |
CN108280608B (zh) | 产品寿命分析方法及终端设备 | |
CN112087408A (zh) | 一种评估网络资产的方法及装置 | |
CN113742438B (zh) | 滑坡易发性分布图的确定方法、装置及存储介质 | |
CN116841753B (zh) | 一种流处理和批处理的切换方法及切换装置 | |
CN111783883A (zh) | 一种异常数据的检测方法及装置 | |
CN116707859A (zh) | 特征规则提取方法和装置、网络入侵检测方法和装置 | |
CN110704614A (zh) | 对应用中的用户群类型进行预测的信息处理方法及装置 | |
CN116562120A (zh) | 一种基于rve的涡轮发动机系统健康状况评估方法及装置 | |
CN114816955A (zh) | 数据库性能预测方法和装置 | |
CN115660101A (zh) | 一种基于业务节点信息的数据服务提供方法及装置 | |
CN112395179B (zh) | 一种模型训练方法、磁盘预测方法、装置及电子设备 | |
CN115190010A (zh) | 基于软件服务依赖关系的分布推荐方法和装置 | |
CN114757166A (zh) | 自然语言理解系统的评估方法、装置及网络设备 | |
CN110472415B (zh) | 一种恶意程序的确定方法及装置 | |
CN114022045A (zh) | 一种区域经济发展水平确定方法、装置及终端设备 | |
CN113052509A (zh) | 模型评估方法、模型评估装置、电子设备和存储介质 | |
CN110674839A (zh) | 异常用户识别方法、装置、存储介质及电子设备 | |
CN115795255B (zh) | 一种湿地的时间序列变化检测方法、装置、介质及终端 | |
US20220019708A1 (en) | Vehicle asset modeling using language processing methods | |
CN117453572A (zh) | 回归测试项的确定方法、装置、设备及存储介质 | |
CN116403403B (zh) | 一种基于大数据分析的交通预警方法、系统、设备及介质 | |
CN113535444B (zh) | 异动检测方法、装置、计算设备及计算机存储介质 | |
CN113034123B (zh) | 异常资源转移识别方法、装置、电子设备及可读存储介质 | |
CN110163471B (zh) | 一种异常识别方法和装置 |
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 |