CN113792992B - 一种基于遥感大数据的滑坡崩塌应急评价方法及系统 - Google Patents
一种基于遥感大数据的滑坡崩塌应急评价方法及系统 Download PDFInfo
- Publication number
- CN113792992B CN113792992B CN202110981266.9A CN202110981266A CN113792992B CN 113792992 B CN113792992 B CN 113792992B CN 202110981266 A CN202110981266 A CN 202110981266A CN 113792992 B CN113792992 B CN 113792992B
- Authority
- CN
- China
- Prior art keywords
- parameters
- emergency
- obtaining
- landslide
- landslide collapse
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 83
- 230000004044 response Effects 0.000 claims abstract description 70
- 230000000694 effects Effects 0.000 claims abstract description 59
- 238000013210 evaluation model Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 33
- 230000015572 biosynthetic process Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 9
- 230000001360 synchronised effect Effects 0.000 claims description 7
- 230000008439 repair process Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000011835 investigation Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000011435 rock Substances 0.000 description 3
- 230000000946 synaptic effect Effects 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q50/265—Personal security, identity or safety
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Computer Security & Cryptography (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供了一种基于遥感大数据的滑坡崩塌应急评价方法及系统,其中,所述方法包括:获得第一滑坡崩塌位置的多维属性参数,包括气象、水文、地形和地层岩性参数;根据气象、水文参数获得第一输入信息;根据地形、地层岩性参数获得第二输入信息;获得第一滑坡崩塌应急方式,获得第三输入信息;将第一输入信息、第二输入信息和第三输入信息输入第一应急评估模型,获得第一应急评估结果、第一滑坡崩塌应急响应速度、第一滑坡崩塌应急效果;对第一应急评估模型进行增量学习,获得第二应急评估模型,获得第二应急评估结果。解决了现有技术缺少对于滑坡崩塌应急救援方案进行及时、准确评价的方法,不能对救援方案做出针对性调整的技术问题。
Description
技术领域
本发明涉及地质灾害相关技术领域,具体涉及一种基于遥感大数据的滑坡崩塌应急评价方法及系统。
背景技术
地质灾害具有一定的复杂性和不确定性,更具有破坏性,对人民群众生命财产构成威胁,会使建筑物、甚至整个居民点遭到毁坏,同时掩埋公路和铁路,给交通运输带来重大损失。滑坡与崩塌一般都属于斜坡岩土体失稳问题,成因上往往相互关联,可以作为一类问题考虑。国内外地质灾害遥感调查技术现已基本形成规范化的技术流程,在地质灾害遥感判读、分类及制作相应的图像方面都较为成熟。遥感技术有宏观性强、时效性好、信息量丰富等特点,不仅能有效地监测预报天气状况进行地质灾害预警,查明不同地质地貌背景下地质灾害隐患区段,同时对突发性地质灾害也能进行实时或准实时的灾情调查、动态监测和损失评估。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:
现有技术缺少对于滑坡崩塌应急救援方案进行及时、准确评价的方法,不能对救援方案做出针对性调整的技术问题。
发明内容
本申请实施例通过提供了一种基于遥感大数据的滑坡崩塌应急评价方法及系统,解决了现有技术缺少对于滑坡崩塌应急救援方案进行及时、有效评价的方法,不能对救援方案做出有效调整的技术问题。达到了能够利用遥感技术宏观性强、时效性好、信息量丰富等特点,能够对滑坡崩塌应急救援方案进行及时、准确的评价,达到对于救援方案做出针对性调整的技术效果。
鉴于上述问题,本申请实施例提供了一种基于遥感大数据的滑坡崩塌应急评价方法及系统。
第一方面,本申请实施例提供了一种基于遥感大数据的滑坡崩塌应急评价方法,其中,所述方法包括:根据遥感大数据获得第一滑坡崩塌位置的多维属性参数,其中,所述多维属性参数包括气象参数、水文参数、地形参数和地层岩性参数;根据所述气象参数和所述水文参数获得第一输入信息;根据所述地形参数和所述地层岩性参数获得第二输入信息;获得第一滑坡崩塌应急方式;根据所述第一滑坡崩塌应急方式,获得第三输入信息;将所述第一输入信息、所述第二输入信息和所述第三输入信息输入第一应急评估模型,获得第一应急评估结果;获得第一滑坡崩塌应急响应速度;获得第一滑坡崩塌应急效果;根据所述第一滑坡崩塌应急响应速度和所述第一滑坡崩塌应急效果对所述第一应急评估模型进行增量学习,获得第二应急评估模型;基于所述第二应急评估模型,获得第二应急评估结果。
另一方面,本申请实施例提供了一种基于遥感大数据的滑坡崩塌应急评价系统,其中,所述系统包括:第一获得单元,所述第一获得单元用于根据遥感大数据获得第一滑坡崩塌位置的多维属性参数,其中,所述多维属性参数包括气象参数、水文参数、地形参数和地层岩性参数;第二获得单元,所述第二获得单元用于根据所述气象参数和所述水文参数获得第一输入信息;第三获得单元,所述第三获得单元用于根据所述地形参数和所述地层岩性参数获得第二输入信息;第四获得单元,所述第四获得单元用于获得第一滑坡崩塌应急方式;第五获得单元,所述第五获得单元用于根据所述第一滑坡崩塌应急方式,获得第三输入信息;第六获得单元,所述第六获得单元用于将所述第一输入信息、所述第二输入信息和所述第三输入信息输入第一应急评估模型,获得第一应急评估结果;第七获得单元,所述第七获得单元用于获得第一滑坡崩塌应急响应速度;第八获得单元,所述第八获得单元用于获得第一滑坡崩塌应急效果;第九获得单元,所述第九获得单元用于根据所述第一滑坡崩塌应急响应速度和所述第一滑坡崩塌应急效果对所述第一应急评估模型进行增量学习,获得第二应急评估模型;第十获得单元,所述第十获得单元用于基于所述第二应急评估模型,获得第二应急评估结果。
第三方面,本申请实施例提供了一种基于遥感大数据的滑坡崩塌应急评价系统,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
本申请实施例中提供的一个或多个技术方案,至少具有如下技术效果或优点:
由于根据遥感大数据获得第一滑坡崩塌位置的多维属性参数,其中,所述多维属性参数包括气象参数、水文参数、地形参数和地层岩性参数;根据所述气象参数和所述水文参数获得第一输入信息;根据所述地形参数和所述地层岩性参数获得第二输入信息;获得第一滑坡崩塌应急方式;根据所述第一滑坡崩塌应急方式,获得第三输入信息;将所述第一输入信息、所述第二输入信息和所述第三输入信息输入第一应急评估模型,获得第一应急评估结果;获得第一滑坡崩塌应急响应速度;获得第一滑坡崩塌应急效果;根据所述第一滑坡崩塌应急响应速度和所述第一滑坡崩塌应急效果对所述第一应急评估模型进行增量学习,获得第二应急评估模型;基于所述第二应急评估模型,获得第二应急评估结果的技术方案,本申请实施例通过提供了一种基于遥感大数据的滑坡崩塌应急评价方法及系统,达到了能够利用遥感技术宏观性强、时效性好、信息量丰富等特点,能够对滑坡崩塌应急救援方案进行及时、准确的评价,达到对于救援方案做出针对性调整的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种基于遥感大数据的滑坡崩塌应急评价方法的流程示意图;
图2为本申请实施例一种基于遥感大数据的滑坡崩塌应急评价方法的获得第一输入信息的流程示意图;
图3为本申请实施例一种基于遥感大数据的滑坡崩塌应急评价方法的获得第二输入信息的流程示意图;
图4为本申请实施例一种基于遥感大数据的滑坡崩塌应急评价方法的获得第二应急评估模型的流程示意图;
图5为本申请实施例一种基于遥感大数据的滑坡崩塌应急评价方法的获得第一滑坡崩塌应急响应速度的流程示意图;
图6为本申请实施例一种基于遥感大数据的滑坡崩塌应急评价方法的获得第一滑坡崩塌应急效果的流程示意图;
图7为本申请实施例一种基于遥感大数据的滑坡崩塌应急评价方法的对应急方式的具体措施进行针对性调整的流程示意图;
图8为本申请实施例一种基于遥感大数据的滑坡崩塌应急评价系统的结构示意图;
图9为本申请实施例示例性电子设备的结构示意图。
附图标记说明:第一获得单元11,第二获得单元12,第三获得单元13,第四获得单元14,第五获得单元15,第六获得单元16,第七获得单元17,第八获得单元18,第九获得单元19,第十获得单元20,电子设备300,存储器301,处理器302,通信接口303,总线架构304。
具体实施方式
本申请实施例通过提供了一种基于遥感大数据的滑坡崩塌应急评价方法及系统,解决了现有技术缺少对于滑坡崩塌应急救援方案进行及时、准确评价的方法,不能对救援方案做出针对性调整的技术问题。达到了能够利用遥感技术宏观性强、时效性好、信息量丰富等特点,能够对滑坡崩塌应急救援方案进行及时、准确的评价,达到对于救援方案做出针对性调整的技术效果。
申请概述
地质灾害具有一定的复杂性和不确定性,更具有破坏性,对人民群众生命财产构成威胁,会使建筑物、甚至整个居民点遭到毁坏,同时掩埋公路和铁路,给交通运输带来重大损失。滑坡与崩塌一般都属于斜坡岩土体失稳问题,成因上往往相互关联,可以作为一类问题考虑。国内外地质灾害遥感调查技术现已基本形成规范化的技术流程,在地质灾害遥感判读、分类及制作相应的图像方面都较为成熟。遥感技术有宏观性强、时效性好、信息量丰富等特点,不仅能有效地监测预报天气状况进行地质灾害预警,查明不同地质地貌背景下地质灾害隐患区段,同时对突发性地质灾害也能进行实时或准实时的灾情调查、动态监测和损失评估。现有技术缺少对于滑坡崩塌应急救援方案进行及时、准确评价的方法,不能对救援方案做出针对性调整的技术问题。
针对上述技术问题,本申请提供的技术方案总体思路如下:
本申请实施例提供了一种基于遥感大数据的滑坡崩塌应急评价方法,其中,所述方法包括:根据遥感大数据获得第一滑坡崩塌位置的多维属性参数,其中,所述多维属性参数包括气象参数、水文参数、地形参数和地层岩性参数;根据所述气象参数和所述水文参数获得第一输入信息;根据所述地形参数和所述地层岩性参数获得第二输入信息;获得第一滑坡崩塌应急方式;根据所述第一滑坡崩塌应急方式,获得第三输入信息;将所述第一输入信息、所述第二输入信息和所述第三输入信息输入第一应急评估模型,获得第一应急评估结果;获得第一滑坡崩塌应急响应速度;获得第一滑坡崩塌应急效果;根据所述第一滑坡崩塌应急响应速度和所述第一滑坡崩塌应急效果对所述第一应急评估模型进行增量学习,获得第二应急评估模型;基于所述第二应急评估模型,获得第二应急评估结果。
在介绍了本申请基本原理后,下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示,本申请实施例提供了一种基于遥感大数据的滑坡崩塌应急评价方法,其中,所述方法包括:
步骤S100:根据遥感大数据获得第一滑坡崩塌位置的多维属性参数,其中,所述多维属性参数包括气象参数、水文参数、地形参数和地层岩性参数;
具体而言,根据遥感大数据获得第一滑坡崩塌位置的多维属性参数,其中,所述遥感大数据是指通过各种遥感技术获取得到的具有典型的大数据特征的遥感数据集,常见的遥感技术包括卫星遥感侦察、航空遥感、无人机遥感等。进一步的,所述遥感大数据包括气象数据、水文数据、地质灾害风险源数据、地形数据以及地层岩性数据等。所述第一滑坡崩塌位置指发生滑坡崩塌事故所在地。所述多维属性参数包括气象参数、水文参数、地形参数和地层岩性参数,其中所述气象参数指由气象部门观测得到的天气参数,降雨是引发滑坡崩塌的重要原因之一,因此对降雨量要格外关注,所述气象参数中的降雨量参数包括过去24小时降水量、1小时实时降水量、24小时实时降水量、24小时预报降水量。所述水文参数包括由水利部门观测得到的附近河流的含沙量,汛期、结冰期、水体自净能力、有无凌汛、流速及水位等参数。所述地形参数包括高原、山地、平原、丘陵、盆地等基本地形及经度、纬度、海拔、坡度和坡向等参数。所述地层岩性参数指来自于地质部门调查采集的国家地球科学数据,包括构成岩层的岩石的成分、颜色、物理化学特性、结构和构造等参数。获得所述第一滑坡崩塌位置的多维属性参数有利于全面的掌握现场的情况,对于滑坡和崩塌灾害应急响应决策提供技术支持。
步骤S200:根据所述气象参数和所述水文参数获得第一输入信息;
步骤S300:根据所述地形参数和所述地层岩性参数获得第二输入信息;
具体而言,根据遥感大数据获得第一滑坡崩塌位置的多维属性参数后,将所述气象参数、所述水文参数、所述地形参数和所述地层岩性参数进行分析处理,得到所述第一滑坡崩塌位置的实际具体情况。根据所述气象参数和所述水文参数获得第一输入信息,根据所述地形参数和所述地层岩性参数获得第二输入信息。所述第一输入信息反映所述第一滑坡崩塌位置的气象和水文情况,所述第二输入信息反映所述第一滑坡崩塌位置的地形和地层岩性情况。利于对滑坡崩塌严重等级进行研判,进而选取更加科学准确的救援方案。
步骤S400:获得第一滑坡崩塌应急方式;
步骤S500:根据所述第一滑坡崩塌应急方式,获得第三输入信息;
具体而言,根据所述第一滑坡崩塌位置的实际具体情况,即天气情况、河流情况、地形情况、岩石的构造以及灾情的严重情况,判断应该采取的应急方式,展开救援工作,所述第一滑坡崩塌应急方式源于救援中心的应急预案,获得第一滑坡崩塌应急方式,获得第三输入信息。将应急方式进行采集,为后续建立滑坡崩塌应急评价方法奠定基础。
步骤S600:将所述第一输入信息、所述第二输入信息和所述第三输入信息输入第一应急评估模型,获得第一应急评估结果;
具体而言,将所述第一输入信息、所述第二输入信息和所述第三输入信息输入第一应急评估模型,获得第一应急评估结果。所述第一应急评估模型是以神经网络模型为基础进行构建的,而神经网络是大量的神经元之间相互连接构成的一种运算模型,网络的输出则依照网络的连接方式的一种逻辑策略表达,通过模型的训练使得输出的信息更加准确,所述第一输入信息、所述第二输入信息和所述第三输入信息输入第一应急评估模型进行应急响应评估的综合分析,从而获得所述应急响应评估结果,进一步而言,所述训练的过程实质为监督学习的过程,每一组监督数据均包括所述第一输入信息、所述第二输入信息和所述第三输入信息,所述第一应急评估模型进行不断的自我修正、调整,直至获得的输出结果与所述标识信息一致,结束本组数据监督学习,进行下一组数据监督学习。当所述第一应急评估模型的输出信息达到预定的准确率或达到收敛状态时,则监督学习过程结束,达到了提高数据训练智能化程度的技术效果。使得达到了提高数据训练智能化程度的技术效果。
步骤S700:获得第一滑坡崩塌应急响应速度;
步骤S800:获得第一滑坡崩塌应急效果;
获得第一滑坡崩塌应急响应速度,获得第一滑坡崩塌应急效果。所述第一滑坡崩塌应急响应速度通过记录应急响应时间得到,所述第一滑坡崩塌应急效果通过遥感技术采集图像信息得到。通过应急响应速度和应急响应的效果能够直观的判断所采用的救援方案的合理性和准确性。
步骤S900:根据所述第一滑坡崩塌应急响应速度和所述第一滑坡崩塌应急效果对所述第一应急评估模型进行增量学习,获得第二应急评估模型;
步骤S1000:基于所述第二应急评估模型,获得第二应急评估结果。
根据所述第一滑坡崩塌应急响应速度和所述第一滑坡崩塌应急效果对所述第一应急评估模型进行增量学习,获得第二应急评估模型,所述第一应急评估模型是基于在所述第一输入信息、所述第二输入信息和所述第三输入信息进行机器学习获得的对应评估模型,所述第一滑坡崩塌应急响应速度和所述第一滑坡崩塌应急效果需要进行二次增量的学习,由于筛查需要结合所述第一应急评估模型的旧训练数据以完成综合的增量学习结果,因此,所述第一滑坡崩塌应急响应速度和所述第一滑坡崩塌应急效果进行增量学习后能够保留所述第一应急评估模型的基础性能,并且完成对应的增量学习,进而基于所述第二应急模型,获得对应的输出信息即所述第二应急评估结果,其中,所述第二应急评估模型为增量学习后的更新后的模型,从而达到了对于延时特征进行增量学习,以提高筛选结果更新性能的技术效果。达到了对于滑坡崩塌应急救援方案进行及时、准确评价和针对性调整的技术效果。
进一步的,如图2所示,步骤S200包括:
步骤S210:获得气象参数和水文参数预定等级;
步骤S220:获得所述气象参数和水文参数的等级信息;
具体而言,获得气象参数和水文参数预定等级,预先设定气象参数和水文参数的等级,划分第一滑坡崩塌位置的气象参数和水文参数等级便于显示出第一滑坡崩塌位置的气象水文信息复杂情况,获得所述气象参数和水文参数的等级信息,指对获得的所述气象参数和所述水文参数汇总分级后得到的等级信息。划分等级能够总结出不同气象参数和水文参数的共性,能够提高根据气象信息和水文信息进行灾害预警的能力,且根据不同等级的气象参数和水文参数能够达到提高实施应急救援方案的准确性和及时性的技术效果。
步骤S230:判断所述气象参数和水文参数的等级信息是否达到所述气象参数和水文参数的预定等级;
步骤S240:如果所述气象参数和水文参数的等级信息达到所述气象参数和水文参数预定等级,获得第一权重值;
步骤S250:根据所述第一权重值和所述气象参数和水文参数的等级信息获得所述第一输入信息。
具体而言,判断所述气象参数和水文参数的等级信息是否达到所述气象参数和水文参数的预定等级,所述达到指大于等于,当所述气象参数和水文参数的等级信息达到所述气象参数和水文参数预定等级,获得第一权重值,第一权重值越大说明所述气象参数和水文参数的预定等级对此次滑坡崩塌灾情影响越大,即此次滑坡崩塌成因中气象和水文因素占的比重。根据所述第一权重值和所述气象参数和水文参数的等级信息获得所述第一输入信息。有利于将气象参数和水文参数进行统计分析,便于通过气象参数和水文参数的等级对所采取的应急救援方案进行评价和调整。
进一步的,如图3所示,所述根据所述地形参数和所述地层岩性参数获得第二输入信息,步骤S300包括:
步骤S310:获得地形参数和地层岩性参数预定等级;
步骤S320:获得所述地形参数和地层岩性参数的等级信息;
具体而言,获得地形参数和地层岩性参数预定等级,预先设定地形参数和地层岩性参数的等级,划分第一滑坡崩塌位置的地形参数和地层岩性参数等级便于显示出第一滑坡崩塌位置的地形和地层岩性信息复杂情况,获得所述地形参数和地层岩性参数的等级信息,指对获得的所述地形参数和地层岩性参数汇总分级后得到的等级信息。划分等级能够总结出不同地形参数和地层岩性参数的共性,能够提高根据地形信息和地层岩性信息进行灾害预警的能力,且根据不同等级的地形参数和地层岩性参数能够提高实施应急救援方案的准确性和及时性。
步骤S330:判断所述地形参数和地层岩性参数的等级信息是否达到所述地形参数和地层岩性参数预定等级;
步骤S340:如果所述地形参数和地层岩性参数的等级信息达到所述地形参数和地层岩性参数预定等级,获得第二权重值,其中,所述第二权重值与所述第一权重值不同;
步骤S350:根据所述第二权重值和所述地形参数和地层岩性参数的等级信息获得所述第二输入信息。
具体而言,判断所述地形参数和地层岩性参数的等级信息是否达到所述地形参数和地层岩性参数的预定等级,所述达到指大于等于,当所述地形参数和地层岩性参数的等级信息达到所述地形参数和地层岩性参数预定等级,获得第二权重值,其中,所述第二权重值与所述第一权重值不同,权重值越大说明所述地形参数和地层岩性参数的预定等级对此次滑坡崩塌灾情影响越大,即此次滑坡崩塌绝大部分原因是由于地形和地层岩性因素造成的,进一步的,根据所述第二权重值和所述地形参数和地层岩性参数的等级信息获得所述第二输入信息。有利于将地形参数和地层岩性参数进行统计分析,便于通过地形参数和地层岩性参数的等级对所采取的应急救援方案进行评价和调整。
进一步的,如图4所示,步骤S900包括:
步骤S910:将所述第一滑坡崩塌应急响应速度和所述第一滑坡崩塌应急效果输入所述第一应急评估模型,获得第一更新应急评估结果;
步骤S920:通过对所述第一更新应急评估结果进行数据损失分析,获得第一损失数据信息;
步骤S930:利用所述第一损失数据信息对所述第一应急评估模型中进行训练,获得所述第二应急评估模型。
具体而言,将所述第一滑坡崩塌应急响应速度和所述第一滑坡崩塌应急效果输入所述第一应急评估模型,获得第一更新应急评估结果;由于所述第一应急评估模型是基于所述第一输入信息、所述第二输入信息和所述第三输入信息进行数据训练获得的,因此,通过引入损失函数完成数据损失的分析进而获得所述第一损失数据,其中,所述第一损失数据是代表所述第一应急评估模型对于所述第一滑坡崩塌应急响应速度和所述第一滑坡崩塌应急效果的相关数据知识损失数据,再基于所述第一滑坡崩塌应急响应速度和所述第一滑坡崩塌应急效果完成对所述第一应急评估模型的增量学习,由于所第一应急评估模型是多个神经元相互连接组成构成神经网络获得的,因此,通过损失数据的训练使得所述第二应急评估模型,保留了所述第一应急评估模型的基本功能,并维持模型不断更新的性能,从而提高了急响应评估的更新性能,保证更新应急响应评估结果准确性的技术效果。
进一步的,如图5所示,所述获得第一滑坡崩塌应急响应速度,步骤S700还包括:
步骤S710:获得第一滑坡崩塌的同步时间信息;
步骤S720:获得所述第一滑坡崩塌的应急响应时间信息;
步骤S730:根据所述同步时间信息和所述应急响应时间信息,获得所述第一滑坡崩塌应急响应速度。
具体而言,使用遥感技术能够实时监测第一滑坡崩塌位置处的具体情况,获得第一滑坡崩塌发生的同步时间信息,所述第一滑坡崩塌指目前发生的滑坡崩塌事故,所述同步时间信息指滑坡崩塌发生的时间,从灾情发生到实施救援的时间为所述应急响应时间,包括采集信息,灾情研判,方案制定,前往救援消耗的时间。根据所述同步时间信息和所述应急响应时间信息,获得所述第一滑坡崩塌应急响应速度,通过两个时间差和指挥中心与第一滑坡崩塌位置的距离能够计算出所述第一滑坡崩塌应急响应速度。
进一步的,如图6所示,所述获得第一滑坡崩塌应急效果,步骤S800还包括:
步骤S810:获得第一图像信息,所述第一图像信息包括第一滑坡崩塌应急响应前的图像信息;
步骤S820:获得第二图像信息,所述第二图像信息包括第一滑坡崩塌应急响应后的图像信息;
步骤S830:将所述第一图像信息和所述第二图像信息进行对比,获得第一修复程度;
步骤S840:根据所述第一修复程度,获得所述第一滑坡崩塌应急效果。
具体而言,通过遥感技术采集到所述遥感大数据中包括第一滑坡崩塌位置的图像信息,为了获得第一滑坡崩塌应急效果,通过获得第一图像信息和第二图像信息,将二者进行对比分析,获得第一修复程度,以此判断所述第一滑坡崩塌应急效果。进一步的,所述第一图像信息包括第一滑坡崩塌应急响应前的图像信息,所述第二图像信息包括第一滑坡崩塌应急响应后的图像信息,所述第一修复程度指救援后现场的恢复情况。能够直观的获得救援效果,从而判断应急救援行动的及时性和有效性。
进一步的,如图7所示,所述获得第二应急评估结果之后,步骤S1000还包括:
步骤S1010:获得第一预定阈值;
步骤S1020:判断所述第二应急评估结果是否在所述第一预定阈值之内;
步骤S1030:如果所述第二应急评估结果不在所述第一预定阈值之内,根据所述气象参数、所述水文参数、所述地形参数和所述地层岩性参数基于雷达图进行突触性分析,获得第一分析结果;
步骤S1040:获得所述第一滑坡崩塌应急方式的具体措施,所述具体措施包括支撑桩设置、抗滑桩设置、裂缝填补、填补位置、填补速度、填补内容物;
步骤S1050:根据所述第一分析结果,对所述支撑桩设置、所述抗滑桩设置、所述裂缝填补、所述填补位置、所述填补速度、所述填补内容物进行针对性调整。
具体而言,获得第二应急评估结果之后,获得第一预定阈值,所述第一预定阈值用来判断所述第二应急评估结果的准确性,进一步的,判断所述第二应急评估结果是否在所述第一预定阈值之内,若所述第二应急评估结果不在所述第一预定阈值之内,根据所述气象参数、所述水文参数、所述地形参数和所述地层岩性参数基于雷达图进行突触性分析,获得第一分析结果。将第一滑坡崩塌位置所有所述气象参数、所述水文参数、所述地形参数和所述地层岩性参数进行分析,绘制雷达图,进行突触性分析,即雷达图上哪一个参数数轴上的数值最大则哪一个参数对应急救援方案的影响最大,获得第一分析结果。依据所述第一分析结果可以知道应当调整的具体应急措施,进一步的,获得所述第一滑坡崩塌应急方式的具体措施,包括支撑桩设置、抗滑桩设置、裂缝填补、填补位置、填补速度、填补内容物等,根据所述第一分析结果,对所述支撑桩设置、所述抗滑桩设置、所述裂缝填补、所述填补位置、所述填补速度、所述填补内容物进行针对性调整。达到了对救援方案做出针对性调整的技术效果。
综上所述,本申请实施例所提供的一种基于遥感大数据的滑坡崩塌应急评价方法及系统具有如下技术效果:
1、由于根据遥感大数据获得第一滑坡崩塌位置的多维属性参数,其中,所述多维属性参数包括气象参数、水文参数、地形参数和地层岩性参数;根据所述气象参数和所述水文参数获得第一输入信息;根据所述地形参数和所述地层岩性参数获得第二输入信息;获得第一滑坡崩塌应急方式;根据所述第一滑坡崩塌应急方式,获得第三输入信息;将所述第一输入信息、所述第二输入信息和所述第三输入信息输入第一应急评估模型,获得第一应急评估结果;获得第一滑坡崩塌应急响应速度;获得第一滑坡崩塌应急效果;根据所述第一滑坡崩塌应急响应速度和所述第一滑坡崩塌应急效果对所述第一应急评估模型进行增量学习,获得第二应急评估模型;基于所述第二应急评估模型,获得第二应急评估结果的技术方案,本申请实施例通过提供了一种基于遥感大数据的滑坡崩塌应急评价方法及系统,达到了能够利用遥感技术宏观性强、时效性好、信息量丰富等特点,能够对滑坡崩塌应急救援方案进行及时、准确的评价,达到对于救援方案做出针对性调整的技术效果。
实施例二
基于与前述实施例中一种基于遥感大数据的滑坡崩塌应急评价方法相同的发明构思,如图8所示,本申请实施例提供了一种基于遥感大数据的滑坡崩塌应急评价系统,其中,所述系统包括:
第一获得单元11,所述第一获得单元11用于根据遥感大数据获得第一滑坡崩塌位置的多维属性参数,其中,所述多维属性参数包括气象参数、水文参数、地形参数和地层岩性参数;
第二获得单元12,所述第二获得单元12用于根据所述气象参数和所述水文参数获得第一输入信息;
第三获得单元13,所述第三获得单元13用于根据所述地形参数和所述地层岩性参数获得第二输入信息;
第四获得单元14,所述第四获得单元14用于获得第一滑坡崩塌应急方式;
第五获得单元15,所述第五获得单元15用于根据所述第一滑坡崩塌应急方式,获得第三输入信息;
第六获得单元16,所述第六获得单元16用于将所述第一输入信息、所述第二输入信息和所述第三输入信息输入第一应急评估模型,获得第一应急评估结果;
第七获得单元17,所述第七获得单元17用于获得第一滑坡崩塌应急响应速度;
第八获得单元18,所述第八获得单元18用于获得第一滑坡崩塌应急效果;
第九获得单元19,所述第九获得单元19用于根据所述第一滑坡崩塌应急响应速度和所述第一滑坡崩塌应急效果对所述第一应急评估模型进行增量学习,获得第二应急评估模型;
第十获得单元20,所述第十获得单元20用于基于所述第二应急评估模型,获得第二应急评估结果。
进一步的,所述系统包括:
第十一获得单元,所述第十一获得单元用于获得气象参数和水文参数预定等级;
第十二获得单元,所述第十二获得单元用于获得所述气象参数和水文参数的等级信息;
第一判断单元,所述第一判断单元用于判断所述气象参数和水文参数的等级信息是否达到所述气象参数和水文参数的预定等级;
第十三获得单元,所述第十三获得单元用于如果所述气象参数和水文参数的等级信息达到所述气象参数和水文参数预定等级,获得第一权重值;
第十四获得单元,所述第十四获得单元用于根据所述第一权重值和所述气象参数和水文参数的等级信息获得所述第一输入信息。
进一步的,所述系统包括:
第十五获得单元,所述第十五获得单元用于获得地形参数和地层岩性参数预定等级;
第十六获得单元,所述第十六获得单元用于获得所述地形参数和地层岩性参数的等级信息;
第二判断单元,所述第二判断单元用于判断所述地形参数和地层岩性的等级信息是否达到所述地形参数和地层岩性参数预定等级;
第十七获得单元,所述第十七获得单元用于如果所述地形参数和地层岩性参数的等级信息达到所述地形参数和地层岩性参数预定等级,获得第二权重值,其中,所述第二权重值与所述第一权重值不同;
第十八获得单元,所述第十八获得单元用于根据所述第二权重值和所述地形参数和地层岩性参数的等级信息获得所述第二输入信息。
进一步的,所述系统包括:
第一输入单元,所述第一输入单元用于将所述第一滑坡崩塌应急响应速度和所述第一滑坡崩塌应急效果输入所述第一应急评估模型,获得第一更新应急评估结果;
第十九获得单元,所述第十九获得单元用于通过对所述第一更新应急评估结果进行数据损失分析,获得第一损失数据信息;
第二十获得单元,所述第二十获得单元用于利用所述第一损失数据信息对所述第一应急评估模型中进行训练,获得所述第二应急评估模型。
进一步的,所述系统包括:
第二十一获得单元,所述第二十一获得单元用于获得第一滑坡崩塌的同步时间信息;
第二十二获得单元,所述第二十二获得单元用于获得所述第一滑坡崩塌的应急响应时间信息;
第二十三获得单元,所述第二十三获得单元用于根据所述同步时间信息和所述应急响应时间信息,获得所述第一滑坡崩塌应急响应速度。
进一步的,所述系统包括:
第二十四获得单元,所述第二十四获得单元用于获得第一图像信息,所述第一图像信息包括第一滑坡崩塌应急响应前的图像信息;
第二十五获得单元,所述第二十五获得单元用于获得第二图像信息,所述第二图像信息包括第一滑坡崩塌应急响应后的图像信息;
第二十六获得单元,所述第二十六获得单元用于将所述第一图像信息和所述第二图像信息进行对比,获得第一修复程度;
第二十七获得单元,所述第二十七获得单元用于根据所述第一修复程度,获得所述第一滑坡崩塌应急效果。
更进一步的,所述系统还包括:
第二十八获得单元,所述第二十八获得单元用于获得第一预定阈值;
第三判断单元,所述第三判断单元用于判断所述第二应急评估结果是否在所述第一预定阈值之内;
第二十九获得单元,所述第二十九获得单元用于如果所述第二应急评估结果不在所述第一预定阈值之内,根据所述气象参数、所述水文参数、所述地形参数和所述地层岩性参数基于雷达图进行突触性分析,获得第一分析结果;
第三十获得单元,所述第三十获得单元用于获得所述第一滑坡崩塌应急方式的具体措施,所述具体措施包括支撑桩设置、抗滑桩设置、裂缝填补、填补位置、填补速度、填补内容物;
第一调整单元,所述第一调整单元用于根据所述第一分析结果,对所述支撑桩设置、所述抗滑桩设置、所述裂缝填补、所述填补位置、所述填补速度、所述填补内容物进行针对性调整。
前述图1实施例一中的一种基于遥感大数据的滑坡崩塌应急评价方法的各种变化方式和具体实例同样适用于本实施例的一种基于遥感大数据的滑坡崩塌应急评价系统,通过前述对一种基于遥感大数据的滑坡崩塌应急评价方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于遥感大数据的滑坡崩塌应急评价方法,所以为了说明书的简洁,在此不再详述。
示例性电子设备
下面参考图9来描述本申请实施例的电子设备。
基于与前述实施例中一种基于遥感大数据的滑坡崩塌应急评价方法相同的发明构思,本申请实施例还提供了一种基于遥感大数据的滑坡崩塌应急评价系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使得系统以执行第一方面任一项所述的方法。
该电子设备300包括:处理器302、通信接口303、存储器301。可选的,电子设备300还可以包括总线架构304。其中,通信接口303、处理器302以及存储器301可以通过总线架构304相互连接;总线架构304可以是外设部件互连标(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture,简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示,图9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。
处理器302可以是一个CPU,微处理器,ASIC,或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303,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,如以太网,无线接入网(radio access network,RAN),无线局域网(wireless local areanetworks,WLAN),有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,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(compactdiscread-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。存储器可以是独立存在,通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器301用于存储执行本申请方案的计算机执行指令,并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令,从而实现本申请上述实施例提供的一种基于遥感大数据的滑坡崩塌应急评价方法。
可选的,本申请实施例中的计算机执行指令也可以称之为应用程序代码,本申请实施例对此不作具体限定。
本申请实施例提供了一种基于遥感大数据的滑坡崩塌应急评价方法,其中,所述方法包括:根据遥感大数据获得第一滑坡崩塌位置的多维属性参数,其中,所述多维属性参数包括气象参数、水文参数、地形参数和地层岩性参数;根据所述气象参数和所述水文参数获得第一输入信息;根据所述地形参数和所述地层岩性参数获得第二输入信息;获得第一滑坡崩塌应急方式;根据所述第一滑坡崩塌应急方式,获得第三输入信息;将所述第一输入信息、所述第二输入信息和所述第三输入信息输入第一应急评估模型,获得第一应急评估结果;获得第一滑坡崩塌应急响应速度;获得第一滑坡崩塌应急效果;根据所述第一滑坡崩塌应急响应速度和所述第一滑坡崩塌应急效果对所述第一应急评估模型进行增量学习,获得第二应急评估模型;基于所述第二应急评估模型,获得第二应急评估结果的技术方案,本申请实施例通过提供了一种基于遥感大数据的滑坡崩塌应急评价方法及系统,达到了能够利用遥感技术宏观性强、时效性好、信息量丰富等特点,能够对滑坡崩塌应急救援方案进行及时、准确的评价,达到对于救援方案做出针对性调整的技术效果。
本领域普通技术人员可以理解:本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分,并不用来限制本申请实施例的范围,也不表示先后顺序。“和/或”,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。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个、种),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器,数字信号处理器,专用集成电路(ASIC),现场可编程门阵列(FPGA)或其它可编程逻辑装置,离散门或晶体管逻辑,离散硬件部件,或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器,可选地,该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现,例如数字信号处理器和微处理器,多个微处理器,一个或多个微处理器联合一个数字信号处理器核,或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地,存储媒介可以与处理器连接,以使得处理器可以从存储媒介中读取信息,并可以向存储媒介存写信息。可选地,存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中,ASIC可以设置于终端中。可选地,处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述,显而易见的,在不脱离本申请的精神和范围的情况下,可对其进行各种修改和组合。相应地,本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明,且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请意图包括这些改动和变型在内。
Claims (6)
1.一种基于遥感大数据的滑坡崩塌应急评价方法,其中,所述方法包括:
根据遥感大数据获得第一滑坡崩塌位置的多维属性参数,其中,所述多维属性参数包括气象参数、水文参数、地形参数和地层岩性参数;
根据所述气象参数和所述水文参数获得第一输入信息;
根据所述地形参数和所述地层岩性参数获得第二输入信息;
获得第一滑坡崩塌应急方式;
根据所述第一滑坡崩塌应急方式,获得第三输入信息;
将所述第一输入信息、所述第二输入信息和所述第三输入信息输入第一应急评估模型,获得第一应急评估结果;
获得第一滑坡崩塌应急响应速度;
获得第一滑坡崩塌应急效果;
根据所述第一滑坡崩塌应急响应速度和所述第一滑坡崩塌应急效果对所述第一应急评估模型进行增量学习,获得第二应急评估模型;
基于所述第二应急评估模型,获得第二应急评估结果;
其中,根据所述气象参数和所述水文参数获得第一输入信息,包括:
获得气象参数和水文参数预定等级;
获得所述气象参数和水文参数的等级信息;
判断所述气象参数和水文参数的等级信息是否达到所述气象参数和水文参数的预定等级;
如果所述气象参数和水文参数的等级信息达到所述气象参数和水文参数预定等级,获得第一权重值;
根据所述第一权重值和所述气象参数和水文参数的等级信息获得所述第一输入信息;
其中,根据所述地形参数和所述地层岩性参数获得第二输入信息,包括:
获得地形参数和地层岩性参数预定等级;
获得所述地形参数和地层岩性参数的等级信息;
判断所述地形参数和地层岩性参数的等级信息是否达到所述地形参数和地层岩性参数预定等级;
如果所述地形参数和地层岩性参数的等级信息达到所述地形参数和地层岩性参数预定等级,获得第二权重值,其中,所述第二权重值与所述第一权重值不同;
根据所述第二权重值和所述地形参数和地层岩性参数的等级信息获得所述第二输入信息;
其中,获得第一滑坡崩塌应急效果,包括:
获得第一图像信息,所述第一图像信息包括第一滑坡崩塌应急响应前的图像信息;
获得第二图像信息,所述第二图像信息包括第一滑坡崩塌应急响应后的图像信息;
将所述第一图像信息和所述第二图像信息进行对比,获得第一修复程度;
根据所述第一修复程度,获得所述第一滑坡崩塌应急效果。
2.如权利要求1所述的方法,其中,所述根据所述第一滑坡崩塌应急响应速度和所述第一滑坡崩塌应急效果对所述第一应急评估模型进行增量学习,获得第二应急评估模型,包括;
将所述第一滑坡崩塌应急响应速度和所述第一滑坡崩塌应急效果输入所述第一应急评估模型,获得第一更新应急评估结果;
通过对所述第一更新应急评估结果进行数据损失分析,获得第一损失数据信息;
利用所述第一损失数据信息对所述第一应急评估模型中进行训练,获得所述第二应急评估模型。
3.如权利要求1所述的方法,其中,所述获得第一滑坡崩塌应急响应速度,包括:
获得第一滑坡崩塌的同步时间信息;
获得所述第一滑坡崩塌的应急响应时间信息;
根据所述同步时间信息和所述应急响应时间信息,获得所述第一滑坡崩塌应急响应速度。
4.如权利要求1所述的方法,其中,所述获得第二应急评估结果之后,包括:
获得第一预定阈值;
判断所述第二应急评估结果是否在所述第一预定阈值之内;
如果所述第二应急评估结果不在所述第一预定阈值之内,根据所述气象参数、所述水文参数、所述地形参数和所述地层岩性参数基于雷达图进行突触性分析,获得第一分析结果;
获得所述第一滑坡崩塌应急方式的具体措施,所述具体措施包括支撑桩设置、抗滑桩设置、裂缝填补、填补位置、填补速度、填补内容物;
根据所述第一分析结果,对所述支撑桩设置、所述抗滑桩设置、所述裂缝填补、所述填补位置、所述填补速度、所述填补内容物进行针对性调整。
5.一种基于遥感大数据的滑坡崩塌应急评价系统,其中,所述系统包括:
第一获得单元,所述第一获得单元用于根据遥感大数据获得第一滑坡崩塌位置的多维属性参数,其中,所述多维属性参数包括气象参数、水文参数、地形参数和地层岩性参数;
第二获得单元,所述第二获得单元用于根据所述气象参数和所述水文参数获得第一输入信息;
第三获得单元,所述第三获得单元用于获得气象参数和水文参数预定等级;
第四获得单元,所述第四获得单元用于获得所述气象参数和水文参数的等级信息;
第一判断单元,所述第一判断单元用于判断所述气象参数和水文参数的等级信息是否达到所述气象参数和水文参数的预定等级;
第五获得单元,所述第五获得单元用于如果所述气象参数和水文参数的等级信息达到所述气象参数和水文参数预定等级,获得第一权重值;
第六获得单元,所述第六获得单元用于根据所述第一权重值和所述气象参数和水文参数的等级信息获得所述第一输入信息;
第七获得单元,所述第七获得单元用于根据所述地形参数和所述地层岩性参数获得第二输入信息;
第八获得单元,所述第八获得单元用于获得第一图像信息,所述第一图像信息包括第一滑坡崩塌应急响应前的图像信息;
第九获得单元,所述第九获得单元用于获得第二图像信息,所述第二图像信息包括第一滑坡崩塌应急响应后的图像信息;
第十获得单元,所述第十获得单元用于将所述第一图像信息和所述第二图像信息进行对比,获得第一修复程度;
第十一获得单元,所述第十一获得单元用于根据所述第一修复程度,获得所述第一滑坡崩塌应急效果;
第十二获得单元,所述第十二获得单元用于获得第一滑坡崩塌应急方式;
第十三获得单元,所述第十三获得单元用于根据所述第一滑坡崩塌应急方式,获得第三输入信息;
第十四获得单元,所述第十四获得单元用于将所述第一输入信息、所述第二输入信息和所述第三输入信息输入第一应急评估模型,获得第一应急评估结果;
第十五获得单元,所述第十五获得单元用于获得第一图像信息,所述第一图像信息包括第一滑坡崩塌应急响应前的图像信息;
第十六获得单元,所述第十六获得单元用于获得第二图像信息,所述第二图像信息包括第一滑坡崩塌应急响应后的图像信息;
第十七获得单元,所述第十七获得单元用于将所述第一图像信息和所述第二图像信息进行对比,获得第一修复程度;
第十八获得单元,所述第十八获得单元用于根据所述第一修复程度,获得所述第一滑坡崩塌应急效果;
第十九获得单元,所述第十九获得单元用于获得第一滑坡崩塌应急响应速度;
第二十获得单元,所述第二十获得单元用于获得第一滑坡崩塌应急效果;
第二十一获得单元,所述第二十一获得单元用于根据所述第一滑坡崩塌应急响应速度和所述第一滑坡崩塌应急效果对所述第一应急评估模型进行增量学习,获得第二应急评估模型;
第二十二获得单元,所述第二十二获得单元用于基于所述第二应急评估模型,获得第二应急评估结果。
6.一种基于遥感大数据的滑坡崩塌应急评价系统,包括:处理器,所述处理器与存储器耦合,所述存储器用于存储程序,当所述程序被所述处理器执行时,使系统以执行如权利要求1~4任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110981266.9A CN113792992B (zh) | 2021-08-25 | 2021-08-25 | 一种基于遥感大数据的滑坡崩塌应急评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110981266.9A CN113792992B (zh) | 2021-08-25 | 2021-08-25 | 一种基于遥感大数据的滑坡崩塌应急评价方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113792992A CN113792992A (zh) | 2021-12-14 |
CN113792992B true CN113792992B (zh) | 2022-06-10 |
Family
ID=79182146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110981266.9A Active CN113792992B (zh) | 2021-08-25 | 2021-08-25 | 一种基于遥感大数据的滑坡崩塌应急评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113792992B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114241266B (zh) * | 2021-12-21 | 2023-11-28 | 国网甘肃省电力公司酒泉供电公司 | 一种光缆智能预警的处理方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102005022A (zh) * | 2010-10-19 | 2011-04-06 | 中国科学院遥感应用研究所 | 链型灾害的灾害损失遥感综合评估方法 |
CN103455711A (zh) * | 2013-08-15 | 2013-12-18 | 广州地理研究所 | 一种基于机理分析的小流域地区滑坡灾害风险区划方法 |
CN111199632A (zh) * | 2019-12-23 | 2020-05-26 | 重庆交通大学 | 一种沿河滑坡灾害快速应急监测系统及方法 |
CN111666904A (zh) * | 2020-06-10 | 2020-09-15 | 南方电网数字电网研究院有限公司 | 一种输电线路高分辨率遥感影像地质灾害解译识别方法 |
CN111895908A (zh) * | 2020-06-30 | 2020-11-06 | 河海大学 | 一种滑坡堰塞坝应急处置的遥感无人机定向数据采集方法 |
CN112613096A (zh) * | 2020-12-15 | 2021-04-06 | 应急管理部国家自然灾害防治研究院 | 一种面向强震前后不同阶段的地质灾害评价方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180045853A1 (en) * | 2016-08-15 | 2018-02-15 | U.S.A. As Represented By The Administrator Of The National Aeronautics And Space Administration | Landslide hazard assessment system and method |
CN109636131A (zh) * | 2018-11-21 | 2019-04-16 | 北京域天科技有限公司 | 一种应急通信智能应急决策支持系统 |
-
2021
- 2021-08-25 CN CN202110981266.9A patent/CN113792992B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102005022A (zh) * | 2010-10-19 | 2011-04-06 | 中国科学院遥感应用研究所 | 链型灾害的灾害损失遥感综合评估方法 |
CN103455711A (zh) * | 2013-08-15 | 2013-12-18 | 广州地理研究所 | 一种基于机理分析的小流域地区滑坡灾害风险区划方法 |
CN111199632A (zh) * | 2019-12-23 | 2020-05-26 | 重庆交通大学 | 一种沿河滑坡灾害快速应急监测系统及方法 |
CN111666904A (zh) * | 2020-06-10 | 2020-09-15 | 南方电网数字电网研究院有限公司 | 一种输电线路高分辨率遥感影像地质灾害解译识别方法 |
CN111895908A (zh) * | 2020-06-30 | 2020-11-06 | 河海大学 | 一种滑坡堰塞坝应急处置的遥感无人机定向数据采集方法 |
CN112613096A (zh) * | 2020-12-15 | 2021-04-06 | 应急管理部国家自然灾害防治研究院 | 一种面向强震前后不同阶段的地质灾害评价方法 |
Non-Patent Citations (1)
Title |
---|
刘甲美等.四川九寨沟Ms7.0级地震滑坡应急快速评估.《地质力学学报》.2017, * |
Also Published As
Publication number | Publication date |
---|---|
CN113792992A (zh) | 2021-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mathew et al. | Weights of evidence modelling for landslide hazard zonation mapping in part of Bhagirathi valley, Uttarakhand | |
Zhu et al. | Comparison of GA-BP and PSO-BP neural network models with initial BP model for rainfall-induced landslides risk assessment in regional scale: a case study in Sichuan, China | |
Pourghasemi et al. | Application of fuzzy logic and analytical hierarchy process (AHP) to landslide susceptibility mapping at Haraz watershed, Iran | |
Pourghasemi et al. | Landslide susceptibility mapping using a spatial multi criteria evaluation model at Haraz Watershed, Iran | |
Nanehkaran et al. | Fuzzy-based multiple decision method for landslide susceptibility and hazard assessment: A case study of Tabriz, Iran | |
Li et al. | GIS-based landslide susceptibility mapping using information, frequency ratio, and artificial neural network methods in Qinghai Province, Northwestern China | |
CN113283802A (zh) | 一种复杂艰险山区滑坡危险性评估方法 | |
Baeza et al. | Validation and evaluation of two multivariate statistical models for predictive shallow landslide susceptibility mapping of the Eastern Pyrenees (Spain) | |
CN111784082B (zh) | 一种基于大数据的gis山洪预防预警系统 | |
CN113792992B (zh) | 一种基于遥感大数据的滑坡崩塌应急评价方法及系统 | |
Emamgholizadeh et al. | Comparison of artificial neural networks, geographically weighted regression and Cokriging methods for predicting the spatial distribution of soil macronutrients (N, P, and K) | |
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 | |
CN115100819B (zh) | 基于大数据分析的滑坡灾害预警方法、装置及电子设备 | |
CN116363524A (zh) | 一种公路地质灾害高风险区域监测预警方法及装置 | |
Pradhan et al. | Spatial prediction of landslide-prone areas through k-nearest neighbor algorithm and logistic regression model using high resolution airborne laser scanning data | |
CN112907130A (zh) | 基于盾构施工参数的施工风险等级确定方法、装置及介质 | |
CN113902259A (zh) | 湿雪崩灾害风险评估方法及装置 | |
CN113379156A (zh) | 速度预测方法、装置、设备及存储介质 | |
CN116110210B (zh) | 复杂环境下数据驱动的滑坡灾害辅助决策方法 | |
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 | |
CN116523189A (zh) | 一种考虑水文特征的墒情站点规划方法、装置及存储介质 | |
CN113554899B (zh) | 天气影响空中交通程度分析方法、装置、设备及存储介质 | |
Trinh et al. | Application of the analytical hierarchy process (AHP) for landslide susceptibility mapping: A case study in Yen Bai province, Viet Nam | |
CN115019476A (zh) | 一种基于多源信息融合的滑坡时空信息监测预警方法 | |
Maqsoom et al. | Efficiency of multiple hybrid techniques for the earthquake physical susceptibility mapping: the case of Abbottabad District, Pakistan |
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 |