CN114781731B - 基于贝叶斯理论的滑坡运动距离超越概率预测方法和系统 - Google Patents

基于贝叶斯理论的滑坡运动距离超越概率预测方法和系统 Download PDF

Info

Publication number
CN114781731B
CN114781731B CN202210443537.XA CN202210443537A CN114781731B CN 114781731 B CN114781731 B CN 114781731B CN 202210443537 A CN202210443537 A CN 202210443537A CN 114781731 B CN114781731 B CN 114781731B
Authority
CN
China
Prior art keywords
landslide
target area
model
motion distance
potential
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
Application number
CN202210443537.XA
Other languages
English (en)
Other versions
CN114781731A (zh
Inventor
孙小平
曾鹏
李天斌
许强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN202210443537.XA priority Critical patent/CN114781731B/zh
Publication of CN114781731A publication Critical patent/CN114781731A/zh
Application granted granted Critical
Publication of CN114781731B publication Critical patent/CN114781731B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Remote Sensing (AREA)
  • Computer Security & Cryptography (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Educational Administration (AREA)
  • Mathematical Optimization (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)

Abstract

本申请提供了一种基于贝叶斯理论的滑坡运动距离超越概率预测方法和系统，旨在确定最适合目标区域的滑坡运动距离预测模型，进而预测目标区域的潜在滑坡的运动距离超越概率。所述方法包括：获取多个候选模型；编录目标区域的历史滑坡数据库；在给定目标区域的历史滑坡数据库的条件下，对多个候选模型进行贝叶斯模型选择，得到多个候选模型各自的似真性；根据多个候选模型各自的似真性，将多个候选模型中似真性最高的候选模型，确定为最适合目标区域的滑坡运动距离预测模型；利用贝叶斯更新技术确定目标区域的滑坡运动距离预测模型的未知模型参数，进而使用模型参数确定的滑坡运动距离预测模型对目标区域的潜在滑坡的运动距离超越概率进行预测。

Description

基于贝叶斯理论的滑坡运动距离超越概率预测方法和系统
技术领域
本申请涉及地质灾害预测技术领域，尤其涉及一种基于贝叶斯理论的滑坡运动距离超越概率预测方法和系统。
背景技术
随着计算机技术的发展，经验模型被广泛开发并应用于实际工程中，例如利用经验模型预测滑坡运动距离，以进行滑坡风险评估和管理。然而，经验模型数量众多，通常参数量小的模型准确性不高，参数量大的模型准确性高但比较复杂，且同一经验模型对不同区域滑坡运动距离的预测具有不同的准确性；另外，由于数据库滑坡数据的高变异性，经验模型具有非常大的不确定性，从而影响预测结果。
在实际应用中，如何选择一个适合目标区域的经验模型以及如何量化经验模型的不确定性，以准确预测目标区域的滑坡运动距离超越概率，是尤为重要的。
发明内容
鉴于上述问题，本发明实施例提供了一种基于贝叶斯理论的滑坡运动距离超越概率预测方法和系统，以便克服上述问题或者至少部分地解决上述问题。
本发明实施例第一方面提供了一种基于贝叶斯理论的滑坡运动距离超越概率预测方法，包括：
获取多个候选模型；
编录目标区域的历史滑坡数据库；
在给定所述目标区域的历史滑坡数据库的条件下，对所述多个候选模型进行贝叶斯模型选择，得到所述多个候选模型各自的似真性；
根据所述多个候选模型各自的似真性，将所述多个候选模型中似真性最高的候选模型，确定为最适合所述目标区域的滑坡运动距离预测模型；
利用贝叶斯更新技术确定所述目标区域的滑坡运动距离预测模型的未知模型参数，进而使用模型参数确定的所述滑坡运动距离预测模型对所述目标区域的潜在滑坡的运动距离超越概率进行预测。
可选地，所述历史滑坡数据库包括：滑坡运动距离、滑坡高度、滑坡坡度和滑坡体积；
编录目标区域的历史滑坡数据库，包括：
针对每个所述历史滑坡，获取所述目标区域在发生该历史滑坡之前和之后的数字高程模型；
比较所述目标区域在发生该历史滑坡之前和之后的数字高程模型，得到该历史滑坡的滑坡体积；
沿着该历史滑坡方向，对所述目标区域在发生该历史滑坡之前和之后的数字高程模型分别进行剖面，得到该历史滑坡前后的两个剖面图；
根据所述两个剖面图，测量得到该历史滑坡的滑坡运动距离、滑坡高度和滑坡坡度。
可选地，在利用贝叶斯模型选择技术计算所述多个候选模型各自的似真性之后，还包括：
获取所述多个候选模型各自的参数量；
根据所述多个候选模型各自的似真性，将所述多个候选模型中似真性最高的候选模型，确定为最适合所述目标区域的滑坡运动距离预测模型，包括：
根据所述多个候选模型各自的似真性和参数量，得到所述多个候选模型各自的排名；
将所述多个候选模型中排名最前的候选模型，确定为所述目标区域的滑坡运动距离预测模型。
可选地，利用贝叶斯更新技术确定所述目标区域的滑坡运动距离预测模型的未知模型参数，包括：
将所述目标区域的历史滑坡数据库代入所述最适合所述目标区域的滑坡运动距离预测模型，得到所述最适合所述目标区域的滑坡运动距离预测模型的模型参数。
可选地，所述使用模型参数确定的所述滑坡运动距离预测模型对所述目标区域的潜在滑坡的运动距离超越概率进行预测，包括：
获取所述目标区域的潜在滑坡的潜在滑坡体积；
将所述潜在滑坡体积输入模型参数确定的所述滑坡运动距离预测模型，利用蒙特卡洛马尔科夫链采样得到所述潜在滑坡的滑坡运动距离的概率密度函数。
可选地，在得到所述潜在滑坡的滑坡运动距离的概率密度函数之后，还包括：
获取目标位置与所述潜在滑坡后缘的目标距离；
根据所述潜在滑坡的滑坡运动距离的概率密度函数，通过积分获取所述目标距离对应的超越概率大小，得到所述潜在滑坡到达所述目标位置的概率。
可选地，还包括：
根据多个目标位置与所述潜在滑坡后缘的目标距离，得到所述潜在滑坡到达所述多个目标位置的概率；
根据所述潜在滑坡到达所述多个目标位置的概率，生成滑坡运动距离超越概率曲线。
可选地，获取所述目标区域的潜在滑坡的潜在滑坡体积，包括：
获取所述潜在滑坡的范围；
获取所述潜在滑坡的数字高程模型；
根据所述潜在滑坡的数字高程模型，获取类二次曲面的三维表面；
比较所述潜在滑坡的数字高程模型和三维表面，得到所述潜在滑坡的滑坡体积。
可选地，根据所述潜在滑坡的数值高程模型，获取类二次曲面的三维表面，包括：
获取所述目标区域的潜在滑坡的数值高程模型中的每个像素点；
针对每个像素点，根据所述每个像素点的周围像素点高程的平均值，对该像素点的高程进行迭代；
当迭代后的各个相邻像素点之间的差异小于预设阈值时，得到所述类二次曲面的三维表面。
本发明实施例第二方面提供了一种基于贝叶斯理论的滑坡运动距离超越概率预测系统，包括：
模型获取模块，用于获取多个候选模型；
数据库编录模块，用于编录目标区域的历史滑坡数据库；
模型选择模块，用于在给定所述目标区域的历史滑坡数据库的条件下，对所述多个候选模型进行贝叶斯模型选择，得到所述多个候选模型各自的似真性；
模型确定模块，用于根据所述多个候选模型各自的似真性，将所述多个候选模型中似真性最高的候选模型，确定为最适合所述目标区域的滑坡运动距离预测模型；
参数确定模块，用于利用贝叶斯更新技术确定所述目标区域的滑坡运动距离预测模型的未知模型参数，进而使用模型参数确定的所述滑坡运动距离预测模型对所述目标区域的潜在滑坡的运动距离超越概率进行预测。
本发明实施例包括以下优点：
本发明实施例中，从多个候选模型中确定的最适合所述目标区域的滑坡运动距离预测模型，是根据目标区域的历史滑坡数据库中记录的多个历史滑坡各自的数据计算出的似真性最高的候选模型，因此该滑坡运动距离预测模型是最适合目标区域的滑坡运动距离预测模型；并且，利用贝叶斯更新技术对最适合目标区域且模型参数未知的滑坡运动距离预测模型的模型参数进行确定，得到的模型参数确定的所述滑坡运动距离预测模型，在对目标区域的潜在滑坡的运动距离超越概率进行预测时，具有较高的准确性。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例中一种基于贝叶斯理论的滑坡运动距离超越概率预测方法的步骤流程图；
图2是本发明实施例中滑坡的几何因素示意图；
图3是本发明实施例中滑坡运动距离超越概率曲线。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
由于地质、环境和地貌条件的差异，同一地区不同区域滑坡的地形、地质条件差异很大，造成同一经验模型对不同区域滑坡运动距离的预测具有不同的准确性。
相关技术中，使用多元概率模型，将滑坡的几何参数视为随机变量，以概率方式评估滑坡运动距离，但是由于不同区域之间的数据具有较大的变异性，预测结果在仍然表现出显著的不确定性；此外，还有使用回归的误差分布构建方程来量化经验模型的不确定性，但这些方法都未考虑模型准确性问题，即未考虑最适合模型选择的问题。
针对上述问题，本发明人提出：通过贝叶斯方法选择最适合预测目标区域滑坡运动距离的经验模型，同时考虑了似真性和模型的复杂度，并利用预测的滑坡运动距离的后验概率密度函数来表征经验模型的不确定性。如此，通过贝叶斯更新估计后验概率密度函数，可以使经验模型的不确定性传播到概率滑坡运动预测中。
参照图1所示，示出了本发明实施例中一种基于贝叶斯理论的滑坡运动距离超越概率预测方法的步骤流程图，如图1所示，该确定目标区域的滑坡运动距离超越概率预测方法具体可以包括以下步骤：
步骤S11：获取多个候选模型；
步骤S12：编录目标区域的历史滑坡数据库；
步骤S13：在给定所述目标区域的历史滑坡数据库的条件下，对所述多个候选模型进行贝叶斯模型选择，得到所述多个候选模型各自的似真性；
步骤S14：根据所述多个候选模型各自的似真性，将所述多个候选模型中似真性最高的候选模型，确定为最适合所述目标区域的滑坡运动距离预测模型；
步骤S15：利用贝叶斯更新技术确定所述目标区域滑坡运动距离预测模型的未知模型参数，进而使用模型参数确定的所述滑坡运动距离预测模型对所述目标区域的潜在滑坡的运动距离超越概率进行预测。
候选模型是对相关技术中用于预测滑坡运动距离的经验模型。考虑到滑坡数据(几何因素)的高变异性，候选模型的未知参数被视为随机变量。
表1总结了过去几十年中使用得最多的几种预测滑坡运动距离的经验模型，这些经验模型是对滑坡运动距离L与和不同的几何因素进行回归分析得到的，几何因素包括滑坡高度H、滑坡坡度α和滑坡体积V。不同模型采用的几何因素不同。
表1.预测滑坡运动距离的经验模型
Figure BDA0003615577980000061
各经验模型考虑了不同的几何因素，并具有不同的参数，因此可以用公式
Figure BDA0003615577980000062
表示目标区域的滑坡运动距离预测模型。其中
Figure BDA0003615577980000063
表示目标区域的滑坡运动距离预测模型，M表示回归关系，x＝[x1,x2,…,xn]表示几何因素(n是几何因素的数量)，b＝[b1,b2,…,bp]是经验模型的未知参数(p维向量)。
综合表1中各经验模型考虑的几何因素和回归形式，目标区域的滑坡运动距离预测模型
Figure BDA0003615577980000064
可以完整的表示为：
Figure BDA0003615577980000071
其中，H表示滑坡高度，V表示滑坡体积，α表示滑坡坡度。b1、b2、b3、b4和b5分别代表模型中的未知参数。
通过调整未知参数b，上述公式可以表征各个改编后的经验模型，即候选模型。例如，令x＝V,b＝[b1,b3]，则
Figure BDA0003615577980000072
图2示出了滑坡的几何因素示意图。其中，滑坡运动距离表示滑坡后缘到堆积区前缘之间的距离；滑坡高度表示滑坡后缘到堆积区前缘之间的垂直距离；滑坡体积表示发生了滑动的岩土体体积；滑坡坡度表示滑坡起始坡段的平均倾角。
为了确认将哪一个候选模型作为目标区域的滑坡运动距离预测模型，需要利用目标区域的历史滑坡数据库进行验证。编录的历史滑坡数据库包括历史发生过的滑坡各自的滑坡运动距离和几何因素(滑坡高度、滑坡坡度和滑坡体积)。数据库中记载了目标区域在历史滑坡前后的地形。
其中滑坡运动距离、滑坡高度和滑坡坡度都比较好测量得到，而获取滑坡体积难度较大。
可选地，可以根据数据库中记录的信息获得每个历史滑坡前后的高分辨率DEM(Digital Elevation Model，数字高程模型)，得到每一个历史滑坡的滑动前后数值高程模型；沿着滑坡方向(最陡的地形剖面)，对目标区域每一个历史的滑动前后数值高程模型分别进行剖面，可以得到滑坡前后的两个剖面图；进而可以根据两个剖面图，测量得到每一个历史滑坡的滑坡运动距离、滑坡高度和滑坡坡度。可选地，比较目标区域每一个历史滑坡的滑动前后数值高程模型，可以得到每一个历史滑坡的滑坡体积。
根据目标区域的历史滑坡数据库，可以计算得到每个候选模型各自的似真性(Plausibility)。似真性越高，证明该候选模型越适合目标区域，对目标区域发生的滑坡的滑坡运动距离预测得越准确。
可选地，根据所述目标区域的历史滑坡数据库，计算所述多个候选模型各自的似真性，可以是对候选模型进行贝叶斯选择。
设Mj表示第j个(j＝1,2,…,N)候选模型，N是候选模型的数量，Y＝[y1,y2,…,yi,ym]表示历史滑坡数据库，其中m是滑坡的数量，P(Mj|Y)表示候选模型Mj在给定滑坡数据库Y下的条件概率，也相当于候选模型的似真性，则可以通过如下公式计算候选模型的似真性：
Figure BDA0003615577980000081
其中，
Figure BDA0003615577980000082
是归一化常数，P(Mj)是候选模型Mj的先验概率。最合适的模型Mmp(x,b)是具有给定滑坡数据库Y下的最大条件概率的模型Mj。
可选地，当没有有用的先验知识时，可以假设一个均匀的先验概率，即假设P(Mj)＝1/N；P(YMj)是给定模型Mj下Y的条件概率。
在数学上，候选模型的条件概率由先验概率和似然性的乘积在整个参数空间上的积分表示，如下:
P(Y|Mj)＝∫ΘP(Y|θ,Mj)P(θ|Mj)dθ
其中，θ是随机变量向量，P(θ|Mj)是随机变量向量θ的先验分布，P(Y|θ,Mj)是反映候选模型预测和观测值之间一致性的似然函数。
一般来说，残差越小，可能性越大。为了获取似然性，可以让ε表示每个候选模型的预测值和观察值之间的残差，并假设其服从均值为0、方差为σε 2的正态随机变量。不同观测值的残差在统计上是独立的，则似然函数为:
Figure BDA0003615577980000083
其中，
Figure BDA0003615577980000084
是被作为一个随机变量进行更新；因此，随机变量向量
Figure BDA0003615577980000085
包括候选模型的未知模型参数(b1、b2、b3、b4和b5)和残差方差
Figure BDA0003615577980000086
根据贝叶斯推理，随机变量θ的概率分布可以使用以下公式更新：
P(θ|Y,Mj)＝c·P(Y|θ,Mj)P(θ|Mj)
其中，c＝1/P(Y|Mj)是归一化常数，P(θ|Y,Mj)是模型Mj中随机变量θ的后验分布。
TMCMC(transitional Markov chain Monte Carlo，过渡马尔可夫链蒙特卡罗)方法可以估计候选模型的条件概率，即计算模型的证据，也可以对候选模型的随机变量的后验概率密度函数进行采样。因此，可以采用DE-TMCMC(the differential evolutiontransitional Markov chain Monte Carlo，差分进化过渡马尔可夫链蒙特卡罗)方法进行候选模型的选择，量化模型参数的不确定性。
在得到多个候选模型各自的似真性后，将多个候选模型中似真性最高的候选模型，确定为目标区域的滑坡运动距离预测模型。候选模型的似真性越高，代表该候选模型对目标区域的滑坡运动距离预测越准确。
在确定了最适合目标区域的滑坡运动距离预测模型之后，还需确定该滑坡运动距离预测模型的模型参数。可选地，利用贝叶斯更新技术确定所述目标区域的滑坡运动距离预测模型的未知模型参数，包括：将所述目标区域的历史滑坡数据库代入所述最适合所述目标区域的滑坡运动距离预测模型，得到所述最适合所述目标区域的滑坡运动距离预测模型的模型参数。可以将目标区域的多个历史滑坡各自的滑坡高度、滑坡坡度和滑坡体积输入该滑坡运动距离预测模型，利用该滑坡运动距离预测模型预测的滑坡运动距离和真实的滑坡运动距离对模型参数进行贝叶斯更新，从而得到最适合目标区域且模型参数确定的滑坡运动距离预测模型。利用最适合目标区域且模型参数确定的滑坡运动距离预测模型对目标区域的潜在滑坡的运动距离超越概率进行预测。
采用本申请实施例的技术方案，从多个候选模型中确定的最适合所述目标区域的滑坡运动距离预测模型，是根据目标区域的历史滑坡数据库中记录的多个历史滑坡各自的数据计算出的似真性最高的候选模型，因此该滑坡运动距离预测模型是最适合目标区域的滑坡运动距离预测模型；并且，利用贝叶斯更新技术对最适合目标区域且模型参数未知的滑坡运动距离预测模型的模型参数进行确定，得到的模型参数确定的所述滑坡运动距离预测模型，在对目标区域的潜在滑坡的运动距离超越概率进行预测时，具有较高的准确性。
可选地，在上述技术方案的基础上，还可以获取多个候选模型各自的参数量，在对候选模型进行选择时，综合多个候选模型各自的似真性以及参数量，对多个候选模型进行排名。将多个候选模型中排名最前的候选模型，确定为目标区域的滑坡运动距离预测模型。
如此，确定的目标区域的滑坡运动距离预测模型，在复杂度和似真性之间进行了综合，更加适用于实际的工程应用。
可选地，在上述技术方案的基础上，在确定了目标区域的滑坡运动距离预测模型之后，就可以利用该模型预测目标区域潜在滑坡的滑坡运动距离的概率密度函数。获取滑坡运动距离预测模型所涉及的几何因素，并将潜在滑坡的该几何因素输入目标区域的滑坡运动距离预测模型，得到潜在滑坡的滑坡运动距离的概率密度函数以及超越概率曲线。
可选地，在确定的目标区域的滑坡运动距离预测模型的几何因素为滑坡体积的情况下，获取目标区域的潜在滑坡的潜在滑坡体积；并将该潜在滑坡体积输入目标区域的滑坡运动距离预测模型，得到潜在滑坡的滑坡运动距离的概率密度函数以及超越概率曲线。图3是本发明实施例中滑坡运动距离超越概率曲线，该函数图像的横坐标表征滑坡运动距离，纵坐标表征滑坡运动距离的概率。该函数图像在150米之前对应的纵坐标的值为1，表征预测该滑坡的滑坡运动距离小于150米的概率为1。
潜在滑坡是还未发生的滑坡，因此不能采用前文所述的得到历史滑坡的滑坡体积的方法。对此，需要预估潜在滑坡体积。
可选地，可以定义潜在滑坡的滑动体的范围，并获取目标区域的该潜在滑坡的数值高程模型；根据潜在滑坡的数值高程模型，获取类二次曲面的三维表面；比较潜在滑坡的数值高程模型和三维表面，得到潜在滑坡的潜在滑坡体积。
可选地，获取目标区域的潜在滑坡的数值高程模型中的每个像素点，其中r和s分别是每个像素的列数和行数。针对每个像素点，根据每个像素点的周围像素点高程的平均值，对该像素点的高程进行迭代，在迭代后的各个相邻像素点之间的差异小于预设阈值时，得到类二次曲面的三维表面。
可选地，可以通过如下公式实现：
Figure BDA0003615577980000111
其中，z(t)r,s表示像素点(r，s)在第t次迭代的高程，z(t-1)r-1,s、z(t-1)r+1,s、z(t-1)r,s-1和z(t-1)r,s+1分别表示像素点(r，s)周围的四个像素点在第t-1次迭代的高程；C是与类二次曲面的二阶导数相关联的容差值。
如果z(t)r,s>z(t-1)r,s，那么z(t)r,s＝z(t-1)r,s。重复迭代，直到所有像素上的差异(即z(t-1)r,s-z(t)r,s)小于给定阈值，获得类似二次曲面的三维表面，进而通过比较潜在滑坡的原始数值高程模型和类似二次曲面的三维表面，得到潜在滑坡的滑动体积。
不同的C值会估计出不同的潜在滑坡体积，通过实验发现，C越大，潜在滑坡体积越大。因此，需要确定一个合适的C值。可以利用潜在滑坡滑动面的几何信息(如滑坡后缘倾角、基岩界限等)进行校准来确定准确率更高的C值。
可选地，在上述技术方案的基础上，在得到潜在滑坡的滑坡运动距离的概率密度函数之后，可以获取目标位置与潜在滑坡顶部的目标距离，根据所述潜在滑坡运动距离的概率密度函数，通过积分获取所述目标距离对应的超越概率大小，即为所述潜在滑坡到达所述目标位置的概率。
潜在滑坡的滑坡运动距离预测模型可以用候选模型Mmp(x,b)表示。在识别潜在滑坡的几何因素后，可以使用滑坡运动距离预测模型来预测滑坡运动距离。一般来说，如果滑坡运动距离超过其滑坡顶部和处于危险中的目标位置之间的目标距离，则该目标位置将受到该潜在滑坡的影响。因此，在滑坡风险评估中，可以通过确定潜在滑坡的滑坡运动距离是否超过给定的阈值来进行风险评估。可以用一个性能函数来表示：
G(θ)＝Ltv-(Mmp(x,b)+ε)
其中，ε是Mmp(x,b)的残差，它服从均值为零、方差为
Figure BDA0003615577980000112
的正态分布；b是Mmp(x,b)的未知参数；x是Mmp(x,b)中涉及的几何因素；θ＝[b,σε]是预测模型中涉及的随机变量；Ltv是给定的阈值。
G(θ)≤0表示滑坡运动距离超过了阈值。因此，超越概率Pe可通过求解以下概率积分来计算:
Pe＝P[G(θ)≤0]＝∫G(θ)≤0fθ(θ)dθ
其中fθ(·)是θ的概率密度函数，对导致G(θ)≤0的θ值进行积分。利用不同的Ltv值，可以计算不同阈值的超越概率，以生成用于进行滑坡运动距离风险评估的运动距离超越概率曲线。
在一个实施例中，每一个候选模型都被用于使用DE-TMCMC方法执行贝叶斯模型选择，该方法具有均匀的先验分布。为了让结果不会受到先验选择的显著影响，可以考虑随机变量为非信息先验(即均匀分布)，并设置足够大的随机变量先验范围。因此，未知参数(b1,b2,b3,b4,b5)的先验概率密度函数被假定为在[-5，5]的范围内的均匀分布，而残差方差
Figure BDA0003615577980000121
也被假定为在[0，100000]的一个大范围内均匀分布。假设所有的随机变量都是相互独立的。
先验信息对后验结果的影响是微弱的，因为许多观察值被用于构造似然函数。对于每个候选模型，在DE-TMCMC模拟中总共生成了50，000个样本。在本实施例中，假设每个候选模型类别的先验概率是相同的，若有30个候选模型，则先验概率为1/30。
可选地，代入不同的目标位置或者不同的目标距离，则可以得到每个目标位置或目标距离受该潜在滑坡的影响的概率，即得到该潜在滑坡到达各目标位置的概率。根据潜在滑坡到达多个目标位置的概率，可以生成风险距离曲线(即运动距离超越概率曲线)。风险距离曲线表征每个位置受到潜在滑坡的影响的概率。如此，则可以根据风险距离曲线提前进行避险。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
本发明实施例还提供了一种基于贝叶斯理论的滑坡运动距离超越概率预测系统，包括：
模型获取模块，用于获取多个候选模型；
数据库编录模块，用于编录目标区域的历史滑坡数据库；
模型选择模块，用于在给定所述目标区域的历史滑坡数据库的条件下，对所述多个候选模型进行贝叶斯模型选择，得到所述多个候选模型各自的似真性；
模型确定模块，用于根据所述多个候选模型各自的似真性，将所述多个候选模型中似真性最高的候选模型，确定为最适合所述目标区域的滑坡运动距离预测模型；
参数确定模块，用于利用贝叶斯更新技术确定所述目标区域的滑坡运动距离预测模型的未知模型参数，进而使用模型参数确定的所述滑坡运动距离预测模型对所述目标区域的潜在滑坡的运动距离超越概率进行预测。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例的实施例可提供为方法、装置或计算机程序产品。因此，本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、装置、电子设备和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生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装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置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。
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终端设备上，使得在计算机或其他可编程终端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终端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。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种基于贝叶斯理论的滑坡运动距离超越概率预测方法和系统，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (9)

1.一种基于贝叶斯理论的滑坡运动距离超越概率预测方法，其特征在于，包括：
获取多个候选模型；
编录目标区域的历史滑坡数据库，所述历史滑坡数据库包括：滑坡运动距离、滑坡高度、滑坡坡度和滑坡体积；
在给定所述目标区域的历史滑坡数据库的条件下，对所述多个候选模型进行贝叶斯模型选择，得到所述多个候选模型各自的似真性；
根据所述多个候选模型各自的似真性，将所述多个候选模型中似真性最高的候选模型，确定为最适合所述目标区域的滑坡运动距离预测模型；
利用贝叶斯更新技术确定所述目标区域的滑坡运动距离预测模型的未知模型参数，进而使用模型参数确定的所述滑坡运动距离预测模型对所述目标区域的潜在滑坡的运动距离超越概率进行预测；
所述编录目标区域的历史滑坡数据库，包括：
针对每个所述历史滑坡，获取所述目标区域在发生该历史滑坡之前和之后的数字高程模型；
比较所述目标区域在发生该历史滑坡之前和之后的数字高程模型，得到该历史滑坡的滑坡体积；
沿着该历史滑坡方向，对所述目标区域在发生该历史滑坡之前和之后的数字高程模型分别进行剖面，得到该历史滑坡前后的两个剖面图；
根据所述两个剖面图，测量得到该历史滑坡的滑坡运动距离、滑坡高度和滑坡坡度。
2.根据权利要求1所述的方法，其特征在于，在利用贝叶斯模型选择技术计算所述多个候选模型各自的似真性之后，还包括：
获取所述多个候选模型各自的参数量；
根据所述多个候选模型各自的似真性，将所述多个候选模型中似真性最高的候选模型，确定为最适合所述目标区域的滑坡运动距离预测模型，包括：
根据所述多个候选模型各自的似真性和参数量，得到所述多个候选模型各自的排名；
将所述多个候选模型中排名最前的候选模型，确定为所述目标区域的滑坡运动距离预测模型。
3.根据权利要求1所述的方法，其特征在于，利用贝叶斯更新技术确定所述目标区域的滑坡运动距离预测模型的未知模型参数，包括：
将所述目标区域的历史滑坡数据库代入所述最适合所述目标区域的滑坡运动距离预测模型，得到所述最适合所述目标区域的滑坡运动距离预测模型的模型参数。
4.根据权利要求1-3任一所述的方法，其特征在于，所述使用模型参数确定的所述滑坡运动距离预测模型对所述目标区域的潜在滑坡的运动距离超越概率进行预测，包括：
获取所述目标区域的潜在滑坡的潜在滑坡体积；
将所述潜在滑坡体积输入模型参数确定的所述滑坡运动距离预测模型，利用蒙特卡洛马尔科夫链采样得到所述潜在滑坡的滑坡运动距离的概率密度函数。
5.根据权利要求4所述的方法，其特征在于，在得到所述潜在滑坡的滑坡运动距离的概率密度函数之后，还包括：
获取目标位置与所述潜在滑坡后缘的目标距离；
根据所述潜在滑坡的滑坡运动距离的概率密度函数，通过积分获取所述目标距离对应的超越概率大小，得到所述潜在滑坡到达所述目标位置的概率。
6.根据权利要求5所述的方法，其特征在于，还包括：
根据多个目标位置与所述潜在滑坡后缘的目标距离，得到所述潜在滑坡到达所述多个目标位置的概率；
根据所述潜在滑坡到达所述多个目标位置的概率，生成滑坡运动距离超越概率曲线。
7.根据权利要求4所述的方法，其特征在于，获取所述目标区域的潜在滑坡的潜在滑坡体积，包括：
获取所述潜在滑坡的范围；
获取所述潜在滑坡的数字高程模型；
根据所述潜在滑坡的数字高程模型，获取类二次曲面的三维表面；
比较所述潜在滑坡的数字高程模型和三维表面，得到所述潜在滑坡的滑坡体积。
8.根据权利要求7所述的方法，其特征在于，根据所述潜在滑坡的数值高程模型，获取类二次曲面的三维表面，包括：
获取所述目标区域的潜在滑坡的数值高程模型中的每个像素点；
针对每个像素点，根据所述每个像素点的周围像素点高程的平均值，对该像素点的高程进行迭代；
当迭代后的各个相邻像素点之间的差异小于预设阈值时，得到所述类二次曲面的三维表面。
9.一种基于贝叶斯理论的滑坡运动距离超越概率预测系统，其特征在于，包括：
模型获取模块，用于获取多个候选模型；
数据库编录模块，用于编录目标区域的历史滑坡数据库，所述历史滑坡数据库包括：滑坡运动距离、滑坡高度、滑坡坡度和滑坡体积；
模型选择模块，用于在给定所述目标区域的历史滑坡数据库的条件下，对所述多个候选模型进行贝叶斯模型选择，得到所述多个候选模型各自的似真性；
模型确定模块，用于根据所述多个候选模型各自的似真性，将所述多个候选模型中似真性最高的候选模型，确定为最适合所述目标区域的滑坡运动距离预测模型；
参数确定模块，用于利用贝叶斯更新技术确定所述目标区域的滑坡运动距离预测模型的未知模型参数，进而使用模型参数确定的所述滑坡运动距离预测模型对所述目标区域的潜在滑坡的运动距离超越概率进行预测；
所述数据库编录模块具体用于：针对每个所述历史滑坡，获取所述目标区域在发生该历史滑坡之前和之后的数字高程模型；比较所述目标区域在发生该历史滑坡之前和之后的数字高程模型，得到该历史滑坡的滑坡体积；沿着该历史滑坡方向，对所述目标区域在发生该历史滑坡之前和之后的数字高程模型分别进行剖面，得到该历史滑坡前后的两个剖面图；根据所述两个剖面图，测量得到该历史滑坡的滑坡运动距离、滑坡高度和滑坡坡度。
CN202210443537.XA 2022-04-26 2022-04-26 基于贝叶斯理论的滑坡运动距离超越概率预测方法和系统 Active CN114781731B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210443537.XA CN114781731B (zh) 2022-04-26 2022-04-26 基于贝叶斯理论的滑坡运动距离超越概率预测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210443537.XA CN114781731B (zh) 2022-04-26 2022-04-26 基于贝叶斯理论的滑坡运动距离超越概率预测方法和系统

Publications (2)

Publication Number Publication Date
CN114781731A CN114781731A (zh) 2022-07-22
CN114781731B true CN114781731B (zh) 2023-04-18

Family

ID=82433208

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210443537.XA Active CN114781731B (zh) 2022-04-26 2022-04-26 基于贝叶斯理论的滑坡运动距离超越概率预测方法和系统

Country Status (1)

Country Link
CN (1) CN114781731B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117172368B (zh) * 2023-09-04 2024-02-27 中国地质大学（武汉） 滑坡-涌浪最大高度超越概率预测方法、设备及存储设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108536971A (zh) * 2018-04-13 2018-09-14 广州市建筑科学研究院有限公司 一种基于贝叶斯模型的结构损伤识别方法
CN109978222A (zh) * 2019-01-04 2019-07-05 国网山东省电力公司电力科学研究院 一种基于贝叶斯网络的风电爬坡事件概率预测方法及系统
WO2019201176A1 (zh) * 2018-04-17 2019-10-24 江苏必得科技股份有限公司 列车部件裂纹损伤预测方法和装置
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
CN112288169A (zh) * 2020-10-30 2021-01-29 成都理工大学 二维滑坡动力学参数概率反分析与滑程超越概率评估方法
CN113343504A (zh) * 2021-08-02 2021-09-03 成都理工大学 一种三维滑坡运动危险性概率评价方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9418342B2 (en) * 2013-12-06 2016-08-16 At&T Intellectual Property I, L.P. Method and apparatus for detecting mode of motion with principal component analysis and hidden markov model

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108536971A (zh) * 2018-04-13 2018-09-14 广州市建筑科学研究院有限公司 一种基于贝叶斯模型的结构损伤识别方法
WO2019201176A1 (zh) * 2018-04-17 2019-10-24 江苏必得科技股份有限公司 列车部件裂纹损伤预测方法和装置
CN109978222A (zh) * 2019-01-04 2019-07-05 国网山东省电力公司电力科学研究院 一种基于贝叶斯网络的风电爬坡事件概率预测方法及系统
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
CN112288169A (zh) * 2020-10-30 2021-01-29 成都理工大学 二维滑坡动力学参数概率反分析与滑程超越概率评估方法
CN113343504A (zh) * 2021-08-02 2021-09-03 成都理工大学 一种三维滑坡运动危险性概率评价方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙小平 等.滑坡运动距离超越概率评价及危险性区划.地质通报.2021,第40卷(第9期),1560-1569. *
贾凡丁.基于概率统计学的多模型结构识别理论与试验研究.中国优秀硕士学位论文全文数据库工程科技II辑.2018,(第07期),C038-351. *

Also Published As

Publication number Publication date
CN114781731A (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
Fuglstad et al. Does non-stationary spatial data always require non-stationary random fields?
Galelli et al. An evaluation framework for input variable selection algorithms for environmental data-driven models
Farrell et al. A Bayesian framework for adaptive selection, calibration, and validation of coarse-grained models of atomistic systems
Green et al. Bayesian and Markov chain Monte Carlo methods for identifying nonlinear systems in the presence of uncertainty
Morrison et al. Data partition methodology for validation of predictive models
CN113515597B (zh) 一种基于关联规则挖掘的档案处理方法
CN114781731B (zh) 基于贝叶斯理论的滑坡运动距离超越概率预测方法和系统
Xu et al. Robust and automatic modeling of tunnel structures based on terrestrial laser scanning measurement
Brastein et al. Analysing uncertainty in parameter estimation and prediction for grey-box building thermal behaviour models
Luo et al. Advancing post-earthquake structural evaluations via sequential regression-based predictive mean matching for enhanced forecasting in the context of missing data
Boulila et al. A Probabilistic Collocation Method for the Imperfection Propagation: Application to Land Cover Change Prediction.
Palacios-Rodríguez et al. Generalized Pareto processes for simulating space-time extreme events: an application to precipitation reanalyses
Wang et al. Robust sparse Bayesian learning for broad learning with application to high-speed railway track monitoring
Mattis et al. Learning quantities of interest from dynamical systems for observation-consistent inversion
Limbeck et al. Using machine learning for model benchmarking and forecasting of depletion-induced seismicity in the Groningen gas field
Vlachas et al. Learning from predictions: Fusing training and autoregressive inference for long-term spatiotemporal forecasts
Giovanis et al. Imprecise subset simulation
Galioto et al. Likelihood-based generalization of Markov parameter estimation and multiple shooting objectives in system identification
Akhare et al. DiffHybrid-UQ: Uncertainty Quantification for Differentiable Hybrid Neural Modeling
Gottschalk et al. Coarsening in algebraic multigrid using Gaussian processes
Wilson et al. Beyond Point Prediction: Capturing Zero-Inflated & Heavy-Tailed Spatiotemporal Data with Deep Extreme Mixture Models
Barillec et al. Projected sequential Gaussian processes: A C++ tool for interpolation of large datasets with heterogeneous noise
Nezhad Karim Nobakht et al. Model selection for error generalization in history matching
Balbi et al. Bayesian calibration of a flood simulator using binary flood extent observations
Olmedo et al. Validation of Soft Maps Produced by a Land Use Cover Change Model

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