CN115100819A - 基于大数据分析的滑坡灾害预警方法、装置及电子设备 - Google Patents
基于大数据分析的滑坡灾害预警方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115100819A CN115100819A CN202210563049.2A CN202210563049A CN115100819A CN 115100819 A CN115100819 A CN 115100819A CN 202210563049 A CN202210563049 A CN 202210563049A CN 115100819 A CN115100819 A CN 115100819A
- Authority
- CN
- China
- Prior art keywords
- landslide
- early warning
- sample
- monitoring
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000007405 data analysis Methods 0.000 title claims abstract description 27
- 238000012544 monitoring process Methods 0.000 claims abstract description 161
- 238000012549 training Methods 0.000 claims abstract description 71
- 238000003062 neural network model Methods 0.000 claims abstract description 40
- 238000004140 cleaning Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 20
- 238000006243 chemical reaction Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims description 60
- 230000008569 process Effects 0.000 claims description 17
- 238000004891 communication Methods 0.000 claims description 14
- 230000005856 abnormality Effects 0.000 claims description 11
- 238000006073 displacement reaction Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000007812 deficiency Effects 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 3
- 239000011435 rock Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 43
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000012806 monitoring device Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 238000013277 forecasting method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 241001137251 Corvidae Species 0.000 description 1
- 230000018199 S phase Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 235000015108 pies Nutrition 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Geology (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Environmental & Geological Engineering (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明涉及一种基于大数据分析的滑坡灾害预警方法、装置及电子设备，该方法包括：通过预设的数据清洗策略和预设的监测指标转换策略对滑坡灾害大数据样本库中的第一滑坡监测数据进行处理，获取第一滑坡预警指标；通过皮尔逊相关系数公式对相关度较高的第一滑坡预警指标进行剔除，获取第二滑坡预警指标，根据滑坡样本类型分割子样本数据库并进行神经网络模型训练，获取与每种滑坡样本类型对应的训练好的滑坡监测预警模型；根据待检测区域的类型选定滑坡监测预警模型，并获取待检测区域的滑坡灾害预警等级。能够基于大数据分析建立滑坡预警模型，并综合滑坡样本类型等数据，加强了滑坡预警模型的针对性，提升了预警的精准度。
Description
技术领域
本发明公开涉及地质灾害防治技术领域，具体地，涉及一种基于大数据分 析的滑坡灾害预警方法、装置及电子设备。
背景技术
目前，现有技术中使用较多的预警方法包括现象监测预警、数理统计预警、 非线性系统理论预警以及地球内外动力耦合预警。其中现象监测预警形成于滑 坡理论研究初期，主要代表性的有日本学者斋藤迪孝提出的加速蠕变的微分方 程模型，并且采用该模型预报了日本的高场山滑坡预警，属于滑坡经验预报法。 数理统计预警这一阶段不但经验式和统计学方法有了进一步的发展，还出现了 敏感性制图、信息论等预报方法、数理科学的一些新理论。非线性系统理论预 是由于非线性科学的发展，许多专家学者将该理论引入到滑坡预报当中。地球 内外动力耦合预警是通过耦合内外动力作用的方法建立统一的地质灾害动力学 模型与预测模型。但是，从现有研究来看，滑坡预警方法仍然存在准确性较低、难以做到多因子综合预警相结合的缺点。
因此，本领域技术人员亟待寻找一种新的技术方案来解决上述问题。
发明内容
为克服相关技术中存在的问题，本发明公开提供一种基于大数据分析的滑 坡灾害预警方法、装置及电子设备。
根据本发明公开实施例的第一方面，提供一种基于大数据分析的滑坡灾害 预警方法，所述方法包括：
通过预设的数据清洗策略和预设的监测指标转换策略对滑坡灾害大数据样 本库中的第一滑坡监测数据进行处理，获取第一滑坡预警指标；
通过皮尔逊相关系数公式对每两个第一滑坡预警指标之间的相关系数进行 计算，当计算得出的相关系数大于预设系数阈值时在所述两个第一滑坡预警指 标中随机剔除一个第一滑坡预警指标，并继续计算剩余的第一滑坡预警指标与 其他第一滑坡预警指标之间的相关系数，直至剩余第一滑坡预警指标中每两个 第一滑坡预警指标之间的相关系数均小于预设系数阈值时停止相关系数的计算， 将剩余的第一滑坡预警指标确定为第二滑坡预警指标；
按照滑坡样本的类型对所述滑坡灾害大数据样本库进行分割，获取分割后 分别与每种滑坡样本类型对应的子样本数据库，所述滑坡样本类型包括岩性和 所处地区；
将每种滑坡样本类型对应的子样本数据库按照预设比例划分为训练集和测 试集，通过每个子样本数据库的训练集对深层神经网络模型进行训练，并在训 练过程中实时通过对应的测试集对训练后的深层神经网络模型进行测试，直至 测试结果的准确度高于预设准确度阈值时停止训练，获取与每种滑坡样本类型 对应的训练好的滑坡监测预警模型；
根据待检测区域的岩性和所处地区确定所述待检测区域对应的滑坡样本类 型，以及与所述滑坡样本类型对应的目标滑坡监测预警模型；
将待检测区域的预警指标作为所述目标滑坡监测预警模型的输入，根据所 述目标滑坡监测预警模型的输出确定所述待检测区域的滑坡灾害预警等级，以 根据所述滑坡灾害预警等级对所述待检测区域进行滑坡灾害预警。
可选的，所述通过预设的数据清洗策略和预设的监测指标转换策略对滑坡 灾害大数据样本库中的第一滑坡监测数据进行处理，获取第一滑坡预警指标， 包括：
通过预设的数据清洗策略对滑坡灾害大数据样本库中的第一滑坡监测数据 进行数据清洗处理，获取第二滑坡监测数据；
通过预设的监测指标转换策略对所述第二滑坡监测数据进行转换处理，获 取第一滑坡预警指标。
可选的，所述通过预设的数据清洗策略对滑坡灾害大数据样本库中的第一 滑坡监测数据进行数据清洗处理，获取第二滑坡监测数据，包括：
按照预设顺序对所述滑坡灾害大数据样本库中的第一滑坡监测数据进行排 序，在相邻的两个第一滑坡监测数据中将重复的第一滑坡监测数据进行删除处 理；
将排序后的第一滑坡监测数据划分为若干个数据区域，检测每个数据区域 的异常度，将异常度高于预设异常度阈值的数据区域进行删除处理；
检测每个数据区域中是否存在数值缺失，对存在数值缺失的数据区域进行 填充处理或者忽略处理；
将剩余的第一滑坡监测数据确定为第二滑坡监测数据。
可选的，所述皮尔逊相关系数公式通过公式(1)进行表示：
其中，rxy表示x和y之间的相关系数，x和y分别表示两个第一滑坡预警指 标，n表示第一滑坡预警指标的数量，sx表示x的标准差，sy表示y的标准差。
可选的，所述岩性包括：岩质、土质和岩土混合质；
所述所处地区包括：黄土地区、东南沿海地区、西南山区、强震山区和高 山-极高山地区。
可选的，所述方法还包括：
建立滑坡灾害大数据样本库，其中，所述滑坡灾害大数据样本库中至少包 括在预设时间段内采集到的预设区域中的第一滑坡监测数据、滑坡样本类型和 滑坡灾害预警等级，所述第一滑坡监测数据至少包括：降雨量、裂缝宽度、地 表位移、地表加速度和地面倾角。
可选的，所述将每种滑坡样本类型对应的子样本数据库按照预设比例划分 为训练集和测试集，通过每个子样本数据库的训练集对深层神经网络模型进行 训练，并在训练过程中实时通过对应的测试集对训练后的深层神经网络模型进 行测试，直至测试结果的准确度高于预设准确度阈值时停止训练，获取与每种 滑坡样本类型对应的训练好的滑坡监测预警模型，包括：
将每种滑坡样本类型对应的子样本数据库按照8:2的比例划分为训练集和 测试集；
在通过训练集对深层神经网络模型进行训练的过程中，将测试集中的第二 滑坡预警指标作为训练后的深层神经网络模型的输入，根据所述深层神经网络 模型的输出和测试集中的滑坡灾害预警等级确定测试结果的准确度；
当所述测试结果的准确度高于95％时，停止对所述深层神经网络模型的训 练，获取与每种滑坡样本类型对应的训练好的滑坡监测预警模型。
可选的，所述根据待检测区域的岩性和所处地区确定所述待检测区域对应 的滑坡样本类型，以及与所述滑坡样本类型对应的目标滑坡监测预警模型，包 括：
确定待检测区域的岩性和所处地区；
根据所述待检测区域的岩性和所处地区确定待检测区域的滑坡样本类型；
根据所述滑坡样本类型确定目标滑坡监测预警模型。
根据本发明公开实施例的第二方面，提供一种基于大数据分析的滑坡灾害 预警装置，所述装置包括：
第一预警指标获取模块，通过预设的数据清洗策略和预设的监测指标转换 策略对滑坡灾害大数据样本库中的第一滑坡监测数据进行处理，获取第一滑坡 预警指标；
第二预警指标获取模块，与所述第一预警指标获取模块相连，通过皮尔逊 相关系数公式对每两个第一滑坡预警指标之间的相关系数进行计算，当计算得 出的相关系数大于预设系数阈值时在所述两个第一滑坡预警指标中随机剔除一 个第一滑坡预警指标，并继续计算剩余的第一滑坡预警指标与其他第一滑坡预 警指标之间的相关系数，直至剩余第一滑坡预警指标中每两个第一滑坡预警指 标之间的相关系数均小于预设系数阈值时停止相关系数的计算，将剩余的第一 滑坡预警指标确定为第二滑坡预警指标；
子样本数据库获取模块，与所述第二预警指标获取模块相连，按照滑坡样 本的类型对所述滑坡灾害大数据样本库进行分割，获取分割后分别与每种类型 对应的子样本数据库，所述滑坡样本的类型包括岩性和所处地区；
滑坡监测预警模型获取模块，与所述子样本数据库获取模块相连，将每种 类型对应的子样本数据库按照预设比例划分为训练集和测试集，通过每个子样 本数据库的训练集对深层神经网络模型进行训练，并在训练过程中实时通过对 应的测试集对训练后的深层神经网络模型进行测试，直至测试结果的准确度高 于预设准确度阈值时停止训练，获取与每种滑坡样本类型对应的训练好的滑坡 监测预警模型；
待检测区域确定模块，与所述滑坡监测预警模型获取模块相连，根据待检 测区域的岩性和所处地区确定所述待检测区域对应的滑坡样本类型，以及与所 述滑坡样本类型对应的目标滑坡监测预警模型；
滑坡灾害预警模块，与所述待检测区域确定模块相连，将待检测区域的预 警指标作为所述目标滑坡监测预警模型的输入，根据所述目标滑坡监测预警模 型的输出确定所述待检测区域的滑坡灾害预警等级，以根据所述滑坡灾害预警 等级对所述待检测区域进行滑坡灾害预警。
根据本发明公开实施例的第三方面，提供一种电子设备，包括处理器、通 信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线 完成相互间的通信；存储器，用于存放处理器可执行的指令；处理器，用于执 行存储器上所存放的指令时，实现本发明公开实施例第一方面所述的方法步骤。
综上所述，本发明涉及一种基于大数据分析的滑坡灾害预警方法、装置及 电子设备，该方法包括：通过预设的数据清洗策略和预设的监测指标转换策略 对滑坡灾害大数据样本库中的第一滑坡监测数据进行处理，获取第一滑坡预警 指标；通过皮尔逊相关系数公式对相关度较高的第一滑坡预警指标进行剔除， 获取第二滑坡预警指标，根据滑坡样本类型分割子样本数据库并进行神经网络 模型训练，获取与每种滑坡样本类型对应的训练好的滑坡监测预警模型；根据 待检测区域的类型选定滑坡监测预警模型，并获取待检测区域的滑坡灾害预警 等级。能够基于大数据分析建立滑坡预警模型，并综合滑坡样本类型等数据， 加强了滑坡预警模型的针对性，提升了预警的精准度。
本发明公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解，并且构成说明书的一部分，与下 面的具体实施方式一起用于解释本公开，但并不构成对本公开的限制。在附图 中：
图1是根据一示例性实施例示出的一种基于大数据分析的滑坡灾害预警方 法的流程图；
图2是根据图1示出的一种数据处理方法的流程图；
图3是根据图2示出的一种数据清洗方法的流程图；
图4是根据一示例性实施例示出的一种基于大数据分析的滑坡灾害预警装 置的结构框图；
图5是根据一示例性实施例示出的一种电子设备的结构示意图。
具体实施方式
以下结合附图对本发明公开的具体实施方式进行详细说明。应当理解的是， 此处所描述的具体实施方式仅用于说明和解释本公开，并不用于限制本公开。
图1是根据一示例性实施例示出的一种基于大数据分析的滑坡灾害预警方 法的流程图，如图1所示，该方法包括：
在步骤101中，通过预设的数据清洗策略和预设的监测指标转换策略对滑 坡灾害大数据样本库中的第一滑坡监测数据进行处理，获取第一滑坡预警指标。
示例地，在执行本发明公开实施例中基于大数据分析的滑坡灾害预警方法 之前，需要先采集大量数据建立滑坡灾害大数据样本库，再根据滑坡灾害大数 据样本库建立能够分析每个待检测区域是否存在滑坡风险的滑坡监测预警模型。 在构建滑坡灾害大数据样本库的过程中，需要对预设区域在预设时间段内的滑 坡监测数据(即第一滑坡监测数据)、滑坡样本类型和滑坡灾害预警等级进行采 集，作为该滑坡灾害大数据样本库的样本数据。其中，该预设区域是指经过技 术人员认证的能够作为滑坡灾害预警参考的区域，原则上预设区域的数量越多 越好，预设区域的范围越大越好。该预设时间段是指经过技术人员认证的在该 时间段内采集到的数据能够作为滑坡灾害预警参考数据的时间段，同样的，该 预设时间段的时长越长越好，该预设时间段的数量越多越好。
通常情况下，每个预设区域中包含多个传感器，安装于预设区域的各个位 置，用于采集预设区域的第一滑坡监测数据，其中该第一滑坡监测数据包括： 降雨量、裂缝宽度、位移、地表加速度和地面倾角。
另外，在建立滑坡灾害大数据样本库时，还需要采集预设区域的监测业务 数据、气象预测数据和预警业务数据。监测业务数据包括：预设区域的名称、 预设区域所在国家的国家编号、预设区域所在行政区域的行政区划代码、预设 区域经度、预设区域纬度、预设区域高程、预设区域岩性、预设区域面积、预 设区域体积、预设区域相对高差和预设区域平均坡度等。监测业务数据还包括： 预设区域内监测设备的类型、编号和安装位置(安装位置可以通过监测设备所 在经度、纬度和高程等数据进行表示)，以及预设区域内传感器的类型、编号和 安装位置。气象预测数据包括：预设区域内每日发布的天气预报、预设区域内每日发布的气温预报、预设区域内的小时雨量预测数据、预设区域内的日雨量 预测数据等。预警业务数据除了包括预设区域的滑坡灾害预警等级之外，还包 括预警消息和预警处置结果。
建立滑坡灾害大数据样本库之后，还需要对第一滑坡监测数据进行处理， 去除冗余数据、填充缺失数据、删除异常值数据得到第二滑坡监测数据后，再 将原始的第二滑坡监测数据进行加工，生成第一滑坡预警指标。
具体的，图2是根据图1示出的一种数据处理方法的流程图，如图2所示， 该步骤101包括：
在步骤1011中，通过预设的数据清洗策略对滑坡灾害大数据样本库中的第 一滑坡监测数据进行数据清洗处理，获取第二滑坡监测数据。
示例地，由于预设区域内传感器和监测设备的采集范围会出现重合的现象， 以及由于采集环境不稳定等因素导致的滑坡数据异常或者滑坡数据丢失，若直 接根据包含上述重合数据、异常数据和丢失数据的样本库建立滑坡监测预警模 型，则会由于该模型中存在较多的噪音而使测试的准确性大大降低，因此需要 先对该滑坡灾害大数据样本库中的第一滑坡监测数据进行数据清洗处理。
具体的，图3是根据图2示出的一种数据清洗方法的流程图，如图3所示， 该方法包括：
在步骤301中，按照预设顺序对该滑坡灾害大数据样本库中的第一滑坡监 测数据进行排序，在相邻的两个第一滑坡监测数据中将重复的第一滑坡监测数 据进行删除处理。
示例地，按照预设顺序对采集到的第一滑坡监测数据进行排序，该预设顺 序可以是将同一类型下的第一滑坡监测数据按照数值由小到大进行排序，也可 以按照时间顺序进行排序。例如，对降雨量数据进行排序时，可以按照时间顺 序将预设时间段内的降雨量按照时间先后顺序进行排序，对地面倾角进行排序 时，可以按照地面倾角的数值由小到大进行排序。
完成排序后，对每两个相邻的第一监测数据之间是否重复进行判断，并将 重复的冗余数据进行删除处理(可以理解为当两个相邻的数据被判定为重复数 据时，随机对其中一个数据进行删除处理)。具体的，采用PYTHON中的 duplicated方法比较邻近记录是否相似来检测记录是否重复，然后将重复的冗余 数据进行简单的删除处理。
另外，按照时间顺序对同一类型下的第一滑坡监测数据进行排序后，还可 以将同1小时内数值变化小于0.5％的重复数据，定义为冗余数据并予以剔除， 仅保留该1小时内最新的监测数据。
在步骤302中，将排序后的第一滑坡监测数据划分为若干个数据区域，检 测每个数据区域的异常度，将异常度高于预设异常度阈值的数据区域进行删除 处理。
示例地，根据上述步骤301对第一滑坡监测数据进行排序后，将排序后的 数据划分成若干个数据区域。例如，对降雨量进行数据区域划分时，可以将一 个小时内的降雨量划分到一个数据区域后。针对每个数据区域，分别定制不同 的数据清洗规则，并对每个数据区域进行异常值清洗，当某一数据区域的异常 度(异常比例)非常高时，将异常区域进行整块剔除。
另外，当一个数据区域中的异常度较低时，也可以只对存在异常的数据点 (即第一滑坡监测数据)进行剔除。
在步骤303中，检测每个数据区域中是否存在数值缺失，对存在数值缺失 的数据区域进行填充处理或者忽略处理；将剩余的第一滑坡监测数据确定为第 二滑坡监测数据。
示例地，确定第一滑坡监测数据的采样间隔，等间隔数据区间可能会出现 数值缺失情况，需进行缺失值填充或忽略等处理，若数据中断时间较长，损失 信息较多，无论哪种填充策略都无法保证数据的准确性，则保留空值不进行填 充；若数据中断时间较短时，则可采用前值填充、线性插值、多项式插值或样 条曲线插值等多种方法进行填充。
在步骤1012中，通过预设的监测指标转换策略对该第二滑坡监测数据进行 转换处理，获取第一滑坡预警指标。
示例地，可以理解的是，滑坡监测数据是通过预设区域内的传感器和监测 设备采集到的原始数据，而进行滑坡灾害风险评估时，还需要根据预设的监测 指标转换策略将滑坡监测数据转换为滑坡预警指标(即将第二滑坡监测数据转 换为第一滑坡预警指标)，以使转换后的滑坡预警指标更加适用于滑坡灾害风险 评估。
在本发明公开实施例中，预先设置滑坡预警指标数据库，上述步骤1011中 获取的每种第二滑坡监测数据均可以在该滑坡预警指标数据库中找到对应的第 一滑坡预警指标。例如，第二滑坡监测数据中的位移数据可以转换为：运动速 度、运动加速度、位移切线角、速度倒数等；第二滑坡监测数据中的降雨量数 据可以转换为：降雨持续时间、过程降雨量、有效降雨量、不同时长的累计降 雨量、短期降雨预报的降雨量等。另外，第二滑坡监测数据中的降雨量、位移、 裂缝宽度等也可以直接作为滑坡预警指标(即步骤1012中的第一滑坡预警指标)。
具体的，将位移数据转换为滑坡预警指标时可以按照如下方式进行：
运动速度
其中，s表示位移，t表示时间；
运动加速度
切线方位角
速度倒数为
另外，可以在滑坡预警指标数据库中设置不同步长的滑坡预警指标， 例如速度的单位可以为：mm/h、mm/6h、mm/d、mm/3d、mm/7d、mm/10d等。
将降雨量转换为滑坡预警指标时可以按照如下方式进行：
降雨持续时间Δt持＝t结束-t开始(结束时间-开始时间)；
过程降雨量ΔQ过＝Q结-Q开(结束的累计降雨量-开始累计降雨量)；
另外，还可以在滑坡预警数据中心设置不同时间尺度的累计降雨量，例如， mm/min、mm/10min、mm/30min、mm/1h、mm/3h、mm/6h、mm/12h、mm/1d、 mm/2d、mm/3d、mm/5d、mm/7d、mm/10d、mm/15d等。
需要说明的是，本发明公开实施例中的短期降雨预报的降雨量，是基于天 气预报进行获取的。
在步骤102中，通过皮尔逊相关系数公式对每两个第一滑坡预警指标之间 的相关系数进行计算，当计算得出的相关系数大于预设系数阈值时在该两个第 一滑坡预警指标中随机剔除一个第一滑坡预警指标，并继续计算剩余的第一滑 坡预警指标与其他第一滑坡预警指标之间的相关系数，直至剩余第一滑坡预警 指标中每两个第一滑坡预警指标之间的相关系数均小于预设系数阈值时停止相 关系数的计算，将剩余的第一滑坡预警指标确定为第二滑坡预警指标。
其中，该皮尔逊相关系数公式通过公式(1)进行表示：
其中，rxy表示x和y之间的相关系数，x和y分别表示两个第一滑坡预警指 标，n表示第一滑坡预警指标的数量，sx表示x的标准差，sy表示y的标准差。
示例地，将第二滑坡监测数据转换为第一滑坡预警指标后，通过皮尔逊相 关系数公式(1)计算每两个第一滑坡预警指标之间的相关系数，若两个第一滑 坡预警指标之间的相关系数的绝对值大于0.9，则说明这两个第一滑坡预警指标 之间完全相关或者几乎完全相关，则随机剔除其中一个第一滑坡监测指标。完 成所有第一滑坡监测指标两两之间的相关系数计算以及剔除后，当剩余的第一 滑坡监测指标之间的相关系数均低于预设系数阈值时，将剩余的第一滑坡监测 指标确定为第二滑坡监测指标。该第二滑坡监测指标为优选出的滑坡监测指标。
在步骤103中，按照滑坡样本的类型对该滑坡灾害大数据样本库进行分割， 获取分割后分别与每种滑坡样本类型对应的子样本数据库，该滑坡样本类型包 括岩性和所处地区。
其中，该岩性包括：岩质、土质和岩土混合质；该所处地区包括：黄土地 区、东南沿海地区、西南山区、强震山区和高山-极高山地区。
示例地，通过上述步骤101-步骤102对滑坡灾害大数据样本库中的滑坡监 测数据和滑坡监测指标进行优化处理后，还需要对滑坡灾害大数据样本进行分 割，按照滑坡样本的岩性和所处地区将滑坡灾害大数据样本库分割为多个子样 本数据。可以理解的是，分割后每个子样本数据库中滑坡样本的岩性和所处地 区相同，如此，如果后续需要对某一待检测区域是否存在滑坡风险进行判断， 则可以根据待检测区域的岩性和所处地区直接确定对应的子样本数据库，从而 对待检测区域的滑坡风险进行评估。
在步骤104中，将每种滑坡样本类型对应的子样本数据库按照预设比例划 分为训练集和测试集，通过每个子样本数据库的训练集对深层神经网络模型进 行训练，并在训练过程中实时通过对应的测试集对训练后的深层神经网络模型 进行测试，直至测试结果的准确度高于预设准确度阈值时停止训练，获取与每 种滑坡样本类型对应的训练好的滑坡监测预警模型。
示例地，将每种滑坡样本类型对应的子样本数据库按照8:2的比例划分为训 练集和测试集；在通过训练集对深层神经网络模型进行训练的过程中，将测试 集中的第二滑坡预警指标作为训练后的深层神经网络模型的输入，根据该深层 神经网络模型的输出和测试集中的滑坡灾害预警等级确定测试结果的准确度； 当该测试结果的准确度高于95％时，停止对该深层神经网络模型的训练，获取 与每种滑坡样本类型对应的训练好的滑坡监测预警模型。
需要说明的是，若通过测试集对训练后的深层神经网络模型进行测试时， 测试结果的准确度无法达到95％以上，则需要重新对该子样本数据进行训练集 和测试集的划分(按照8:2的比例将该子样本数据库划分为测试集和训练集)， 并通过步骤104根据重新划分后的测试集和训练集训练深层神经网络模型。
进一步的，若对该子样本数据库划分训练集和测试集并训练深层神经网络 模型这一步骤重复了10次之后，测试结果的准确度仍然无法达到95％以上，则 选择一个隐藏层层数更多的深层神经网络模型进行训练，同时结合重复划分子 样本数据库的步骤，直至测试结果的准确度高于95％时停止对深层神经网络模 型的训练和测试。可理解的是，本发明公开实施例中通过不断重复将子样本数 据库划分为训练集和测试集，以及选择隐藏层层数更多的深层神经网络模型进 行训练这一系列步骤，直至测试结果的准确度高于95％时停止。
其中，在对深层神经网络模型进行训练的过程中，通常情况下将每个子样 本数据库的第二滑坡预警指标作为输入，将子样本库中的预警等级作为输出进 行训练，同时还需要参考每个子样本数据库中的气象预测数据、监测业务数据 等。
可以理解的是，对于不同岩性和所处地区的子样本数据库进行分别训练， 得到不同的滑坡监测预警模型，能够分别适用于不同岩性和所处地区的待检测 区域，使待检测区域是否存在滑坡风险的判断结果更加准确。
在步骤105中，根据待检测区域的岩性和所处地区确定该待检测区域对应 的滑坡样本类型，以及与该滑坡样本类型对应的目标滑坡监测预警模型。
示例地，确定待检测区域的岩性和所处地区；根据该待检测区域的岩性和 所处地区确定待检测区域的滑坡样本类型；根据该滑坡样本类型确定目标滑坡 监测预警模型。
在步骤106中，将待检测区域的预警指标作为该目标滑坡监测预警模型的 输入，根据该目标滑坡监测预警模型的输出确定该待检测区域的滑坡灾害预警 等级，以根据该滑坡灾害预警等级对该待检测区域进行滑坡灾害预警。
示例地，确定待检测区域对应的目标滑坡监测预警模型后，获取待检测区 域的预警指标并作为该目标滑坡监测预警模型的输入，并根据目标滑坡监测预 警模型的输出确定该待检测区域的滑坡灾害预警等级，以此判断待检测区域是 否存在滑坡灾害的风险，若滑坡灾害预警等级高于预设的等级阈值，则需要对 待检测区域进行滑坡灾害预警，通知工作人员采取相应的防治措施。若滑坡灾 害预警等级低于预设的等级阈值，则可以确定该待检测区域暂时不存在滑坡灾 害的风险。
其中，待检测区域的预警指标可以在获取待检测区域的滑坡监测数据后， 通过上述步骤101-102对该滑坡监测数据进行处理后获取的。
图4是根据一示例性实施例示出的一种基于大数据分析的滑坡灾害预警装 置的结构框图，如图4所示，该装置400包括：
第一预警指标获取模块410，通过预设的数据清洗策略和预设的监测指标转 换策略对滑坡灾害大数据样本库中的第一滑坡监测数据进行处理，获取第一滑 坡预警指标；
第二预警指标获取模块420，与该第一预警指标获取模块410相连，通过皮 尔逊相关系数公式对每两个第一滑坡预警指标之间的相关系数进行计算，当计 算得出的相关系数大于预设系数阈值时在该两个第一滑坡预警指标中随机剔除 一个第一滑坡预警指标，并继续计算剩余的第一滑坡预警指标与其他第一滑坡 预警指标之间的相关系数，直至剩余第一滑坡预警指标中每两个第一滑坡预警 指标之间的相关系数均小于预设系数阈值时停止相关系数的计算，将剩余的第 一滑坡预警指标确定为第二滑坡预警指标；
子样本数据库获取模块430，与该第二预警指标获取模块420相连，按照滑 坡样本的类型对该滑坡灾害大数据样本库进行分割，获取分割后分别与每种类 型对应的子样本数据库，该滑坡样本的类型包括岩性和所处地区；
滑坡监测预警模型获取模块440，与该子样本数据库获取模块430相连，将 每种类型对应的子样本数据库按照预设比例划分为训练集和测试集，通过每个 子样本数据库的训练集对深层神经网络模型进行训练，并在训练过程中实时通 过对应的测试集对训练后的深层神经网络模型进行测试，直至测试结果的准确 度高于预设准确度阈值时停止训练，获取与每种滑坡样本类型对应的训练好的 滑坡监测预警模型；
待检测区域确定模块450，与该滑坡监测预警模型获取模块440相连，根据 待检测区域的岩性和所处地区确定该待检测区域对应的滑坡样本类型，以及与 该滑坡样本类型对应的目标滑坡监测预警模型；
滑坡灾害预警模块460，与该待检测区域确定模块450相连，将待检测区域 的预警指标作为该目标滑坡监测预警模型的输入，根据该目标滑坡监测预警模 型的输出确定该待检测区域的滑坡灾害预警等级，以根据该滑坡灾害预警等级 对该待检测区域进行滑坡灾害预警。
图5是根据一示例性实施例示出的一种电子设备的结构示意图，如图5所 示，包括处理器001、通信接口002、存储器003和通信总线004，其中，处理 器001，通信接口002，存储器003通过通信总线004完成相互间的通信，
存储器003，用于存放计算机程序；
处理器001，用于执行存储器003上所存放的程序时，实现上述基于大数据 分析的滑坡灾害预警方法，该方法包括：
通过预设的数据清洗策略和预设的监测指标转换策略对滑坡灾害大数据样 本库中的第一滑坡监测数据进行处理，获取第一滑坡预警指标；
通过皮尔逊相关系数公式对每两个第一滑坡预警指标之间的相关系数进行 计算，当计算得出的相关系数大于预设系数阈值时在该两个第一滑坡预警指标 中随机剔除一个第一滑坡预警指标，并继续计算剩余的第一滑坡预警指标与其 他第一滑坡预警指标之间的相关系数，直至剩余第一滑坡预警指标中每两个第 一滑坡预警指标之间的相关系数均小于预设系数阈值时停止相关系数的计算， 将剩余的第一滑坡预警指标确定为第二滑坡预警指标；
按照滑坡样本的类型对该滑坡灾害大数据样本库进行分割，获取分割后分 别与每种滑坡样本类型对应的子样本数据库，该滑坡样本类型包括岩性和所处 地区；
将每种滑坡样本类型对应的子样本数据库按照预设比例划分为训练集和测 试集，通过每个子样本数据库的训练集对深层神经网络模型进行训练，并在训 练过程中实时通过对应的测试集对训练后的深层神经网络模型进行测试，直至 测试结果的准确度高于预设准确度阈值时停止训练，获取与每种滑坡样本类型 对应的训练好的滑坡监测预警模型；
根据待检测区域的岩性和所处地区确定该待检测区域对应的滑坡样本类型， 以及与该滑坡样本类型对应的目标滑坡监测预警模型；
将待检测区域的预警指标作为该目标滑坡监测预警模型的输入，根据该目 标滑坡监测预警模型的输出确定该待检测区域的滑坡灾害预警等级，以根据该 滑坡灾害预警等级对该待检测区域进行滑坡灾害预警。
综上所述，本发明涉及一种基于大数据分析的滑坡灾害预警方法、装置及 电子设备，该方法包括：通过预设的数据清洗策略和预设的监测指标转换策略 对滑坡灾害大数据样本库中的第一滑坡监测数据进行处理，获取第一滑坡预警 指标；通过皮尔逊相关系数公式对相关度较高的第一滑坡预警指标进行剔除， 获取第二滑坡预警指标，根据滑坡样本类型分割子样本数据库并进行神经网络 模型训练，获取与每种滑坡样本类型对应的训练好的滑坡监测预警模型；根据 待检测区域的类型选定滑坡监测预警模型，并获取待检测区域的滑坡灾害预警 等级。能够基于大数据分析建立滑坡预警模型，并综合滑坡样本类型等数据， 加强了滑坡预警模型的针对性，提升了预警的精准度。
以上结合附图详细描述了本公开的优选实施方式，但是，本公开并不限于 上述实施方式中的具体细节，在本公开的技术构思范围内，可以对本公开的技 术方案进行多种简单变型，这些简单变型均属于本公开的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征， 在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重 复，本公开对各种可能的组合方式不再另行说明。
此外，本公开的各种不同的实施方式之间也可以进行任意组合，只要其不 违背本公开的思想，其同样应当视为本公开所公开的内容。
Claims (10)
1.一种基于大数据分析的滑坡灾害预警方法，其特征在于，所述方法包括：
通过预设的数据清洗策略和预设的监测指标转换策略对滑坡灾害大数据样本库中的第一滑坡监测数据进行处理，获取第一滑坡预警指标；
通过皮尔逊相关系数公式对每两个第一滑坡预警指标之间的相关系数进行计算，当计算得出的相关系数大于预设系数阈值时在所述两个第一滑坡预警指标中随机剔除一个第一滑坡预警指标，并继续计算剩余的第一滑坡预警指标与其他第一滑坡预警指标之间的相关系数，直至剩余第一滑坡预警指标中每两个第一滑坡预警指标之间的相关系数均小于预设系数阈值时停止相关系数的计算，将剩余的第一滑坡预警指标确定为第二滑坡预警指标；
按照滑坡样本的类型对所述滑坡灾害大数据样本库进行分割，获取分割后分别与每种滑坡样本类型对应的子样本数据库，所述滑坡样本类型包括岩性和所处地区；
将每种滑坡样本类型对应的子样本数据库按照预设比例划分为训练集和测试集，通过每个子样本数据库的训练集对深层神经网络模型进行训练，并在训练过程中实时通过对应的测试集对训练后的深层神经网络模型进行测试，直至测试结果的准确度高于预设准确度阈值时停止训练，获取与每种滑坡样本类型对应的训练好的滑坡监测预警模型；
根据待检测区域的岩性和所处地区确定所述待检测区域对应的滑坡样本类型，以及与所述滑坡样本类型对应的目标滑坡监测预警模型；
将待检测区域的预警指标作为所述目标滑坡监测预警模型的输入，根据所述目标滑坡监测预警模型的输出确定所述待检测区域的滑坡灾害预警等级，以根据所述滑坡灾害预警等级对所述待检测区域进行滑坡灾害预警。
2.根据权利要求1所述的基于大数据分析的滑坡灾害预警方法，其特征在于，所述通过预设的数据清洗策略和预设的监测指标转换策略对滑坡灾害大数据样本库中的第一滑坡监测数据进行处理，获取第一滑坡预警指标，包括：
通过预设的数据清洗策略对滑坡灾害大数据样本库中的第一滑坡监测数据进行数据清洗处理，获取第二滑坡监测数据；
通过预设的监测指标转换策略对所述第二滑坡监测数据进行转换处理，获取第一滑坡预警指标。
3.根据权利要求2所述的基于大数据分析的滑坡灾害预警方法，其特征在于，所述通过预设的数据清洗策略对滑坡灾害大数据样本库中的第一滑坡监测数据进行数据清洗处理，获取第二滑坡监测数据，包括：
按照预设顺序对所述滑坡灾害大数据样本库中的第一滑坡监测数据进行排序，在相邻的两个第一滑坡监测数据中将重复的第一滑坡监测数据进行删除处理；
将排序后的第一滑坡监测数据划分为若干个数据区域，检测每个数据区域的异常度，将异常度高于预设异常度阈值的数据区域进行删除处理；
检测每个数据区域中是否存在数值缺失，对存在数值缺失的数据区域进行填充处理或者忽略处理；
将剩余的第一滑坡监测数据确定为第二滑坡监测数据。
4.根据权利要求1所述的基于大数据分析的滑坡灾害预警方法，其特征在于，所述皮尔逊相关系数公式通过公式(1)进行表示：
其中，rxy表示x和y之间的相关系数，x和y分别表示两个第一滑坡预警指标，n表示第一滑坡预警指标的数量，sx表示x的标准差，sy表示y的标准差。
5.根据权利要求1所述的基于大数据分析的滑坡灾害预警方法，其特征在于，所述岩性包括：岩质、土质和岩土混合质；
所述所处地区包括：黄土地区、东南沿海地区、西南山区、强震山区和高山-极高山地区。
6.根据权利要求1所述的基于大数据分析的滑坡灾害预警方法，其特征在于，所述方法还包括：
建立滑坡灾害大数据样本库，其中，所述滑坡灾害大数据样本库中至少包括在预设时间段内采集到的预设区域中的第一滑坡监测数据、滑坡样本类型和滑坡灾害预警等级，所述第一滑坡监测数据至少包括：降雨量、裂缝宽度、地表位移、地表加速度和地面倾角。
7.根据权利要求1所述的基于大数据分析的滑坡灾害预警方法，其特征在于，所述将每种滑坡样本类型对应的子样本数据库按照预设比例划分为训练集和测试集，通过每个子样本数据库的训练集对深层神经网络模型进行训练，并在训练过程中实时通过对应的测试集对训练后的深层神经网络模型进行测试，直至测试结果的准确度高于预设准确度阈值时停止训练，获取与每种滑坡样本类型对应的训练好的滑坡监测预警模型，包括：
将每种滑坡样本类型对应的子样本数据库按照8:2的比例划分为训练集和测试集；
在通过训练集对深层神经网络模型进行训练的过程中，将测试集中的第二滑坡预警指标作为训练后的深层神经网络模型的输入，根据所述深层神经网络模型的输出和测试集中的滑坡灾害预警等级确定测试结果的准确度；
当所述测试结果的准确度高于95％时，停止对所述深层神经网络模型的训练，获取与每种滑坡样本类型对应的训练好的滑坡监测预警模型。
8.根据权利要求1所述的基于大数据分析的滑坡灾害预警方法，其特征在于，所述根据待检测区域的岩性和所处地区确定所述待检测区域对应的滑坡样本类型，以及与所述滑坡样本类型对应的目标滑坡监测预警模型，包括：
确定待检测区域的岩性和所处地区；
根据所述待检测区域的岩性和所处地区确定待检测区域的滑坡样本类型；
根据所述滑坡样本类型确定目标滑坡监测预警模型。
9.一种基于大数据分析的滑坡灾害预警装置，其特征在于，所述装置包括：
第一预警指标获取模块，通过预设的数据清洗策略和预设的监测指标转换策略对滑坡灾害大数据样本库中的第一滑坡监测数据进行处理，获取第一滑坡预警指标；
第二预警指标获取模块，与所述第一预警指标获取模块相连，通过皮尔逊相关系数公式对每两个第一滑坡预警指标之间的相关系数进行计算，当计算得出的相关系数大于预设系数阈值时在所述两个第一滑坡预警指标中随机剔除一个第一滑坡预警指标，并继续计算剩余的第一滑坡预警指标与其他第一滑坡预警指标之间的相关系数，直至剩余第一滑坡预警指标中每两个第一滑坡预警指标之间的相关系数均小于预设系数阈值时停止相关系数的计算，将剩余的第一滑坡预警指标确定为第二滑坡预警指标；
子样本数据库获取模块，与所述第二预警指标获取模块相连，按照滑坡样本的类型对所述滑坡灾害大数据样本库进行分割，获取分割后分别与每种类型对应的子样本数据库，所述滑坡样本的类型包括岩性和所处地区；
滑坡监测预警模型获取模块，与所述子样本数据库获取模块相连，将每种类型对应的子样本数据库按照预设比例划分为训练集和测试集，通过每个子样本数据库的训练集对深层神经网络模型进行训练，并在训练过程中实时通过对应的测试集对训练后的深层神经网络模型进行测试，直至测试结果的准确度高于预设准确度阈值时停止训练，获取与每种滑坡样本类型对应的训练好的滑坡监测预警模型；
待检测区域确定模块，与所述滑坡监测预警模型获取模块相连，根据待检测区域的岩性和所处地区确定所述待检测区域对应的滑坡样本类型，以及与所述滑坡样本类型对应的目标滑坡监测预警模型；
滑坡灾害预警模块，与所述待检测区域确定模块相连，将待检测区域的预警指标作为所述目标滑坡监测预警模型的输入，根据所述目标滑坡监测预警模型的输出确定所述待检测区域的滑坡灾害预警等级，以根据所述滑坡灾害预警等级对所述待检测区域进行滑坡灾害预警。
10.一种电子设备，其特征在于，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；
存储器，用于存放处理器可执行的指令；
处理器，用于执行存储器上所存放的指令时，实现权利要求1-8中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210563049.2A CN115100819B (zh) | 2022-05-23 | 2022-05-23 | 基于大数据分析的滑坡灾害预警方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210563049.2A CN115100819B (zh) | 2022-05-23 | 2022-05-23 | 基于大数据分析的滑坡灾害预警方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115100819A true CN115100819A (zh) | 2022-09-23 |
| CN115100819B CN115100819B (zh) | 2023-12-01 |
Family
ID=83288232
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210563049.2A Active CN115100819B (zh) | 2022-05-23 | 2022-05-23 | 基于大数据分析的滑坡灾害预警方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115100819B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115565337A (zh) * | 2022-10-26 | 2023-01-03 | 山东科技大学 | 一种基于地质灾害管控的滑坡灾害预警系统 |
| CN117423001A (zh) * | 2023-12-18 | 2024-01-19 | 东北大学 | 基于改进ssd的岩石岩性识别方法与系统、存储介质和设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111047099A (zh) * | 2019-12-16 | 2020-04-21 | 杭州鲁尔物联科技有限公司 | 一种区域性山洪风险预测方法及系统 |
| CN112699572A (zh) * | 2021-01-18 | 2021-04-23 | 长安大学 | 一种基于时滞相关性分析预测滑坡变形的方法 |
| CN113611085A (zh) * | 2021-10-11 | 2021-11-05 | 辽博信息科技(山东)有限公司 | 岩土工程中地质灾害的监测预警方法及系统 |
| CN113704849A (zh) * | 2021-08-26 | 2021-11-26 | 国网福建省电力有限公司电力科学研究院 | 一种输变电工程边坡失稳风险程度的评价方法 |
| CN114067545A (zh) * | 2021-11-15 | 2022-02-18 | 浙江时空智子大数据有限公司 | 一种基于遥感大数据的森林火灾监测方法及系统 |
| CN114333241A (zh) * | 2021-12-08 | 2022-04-12 | 电子科技大学 | 基于事件触发的滑坡灾害点大数据采集与样本库更新方法 |
-
2022
- 2022-05-23 CN CN202210563049.2A patent/CN115100819B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111047099A (zh) * | 2019-12-16 | 2020-04-21 | 杭州鲁尔物联科技有限公司 | 一种区域性山洪风险预测方法及系统 |
| CN112699572A (zh) * | 2021-01-18 | 2021-04-23 | 长安大学 | 一种基于时滞相关性分析预测滑坡变形的方法 |
| CN113704849A (zh) * | 2021-08-26 | 2021-11-26 | 国网福建省电力有限公司电力科学研究院 | 一种输变电工程边坡失稳风险程度的评价方法 |
| CN113611085A (zh) * | 2021-10-11 | 2021-11-05 | 辽博信息科技(山东)有限公司 | 岩土工程中地质灾害的监测预警方法及系统 |
| CN114067545A (zh) * | 2021-11-15 | 2022-02-18 | 浙江时空智子大数据有限公司 | 一种基于遥感大数据的森林火灾监测方法及系统 |
| CN114333241A (zh) * | 2021-12-08 | 2022-04-12 | 电子科技大学 | 基于事件触发的滑坡灾害点大数据采集与样本库更新方法 |
Non-Patent Citations (3)
| Title |
|---|
| 刘艳辉;方然可;苏永超;肖锐铧: "基于机器学习的区域滑坡灾害预警模型研究", 工程地质学报, vol. 29, no. 001 * |
| 尹萍 等: "大数据关键技术在湘中地区滑坡隐患点监测应用", 科技创新与应用 * |
| 王利 等: "利用互信息和IPSO⁃LSTM 进行滑坡监测多源数据融合", 武汉大学学报· 信息科学版 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115565337A (zh) * | 2022-10-26 | 2023-01-03 | 山东科技大学 | 一种基于地质灾害管控的滑坡灾害预警系统 |
| CN115565337B (zh) * | 2022-10-26 | 2024-03-19 | 山东科技大学 | 一种基于地质灾害管控的滑坡灾害预警系统 |
| CN117423001A (zh) * | 2023-12-18 | 2024-01-19 | 东北大学 | 基于改进ssd的岩石岩性识别方法与系统、存储介质和设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115100819B (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111623722B (zh) | 一种基于多传感器的边坡变形立体监测系统和方法 | |
| CN108918815B (zh) | 一种土壤重金属风险预测方法 | |
| CN115100819A (zh) | 基于大数据分析的滑坡灾害预警方法、装置及电子设备 | |
| CN111144656A (zh) | 一种基于gis的灾害评价分析方法 | |
| CN110134907B (zh) | 一种降雨缺失数据填补方法、系统及电子设备 | |
| CN116757097A (zh) | 一种数字孪生水利工程运维监测系统和方法 | |
| CN109543907B (zh) | 一种复杂地形风资源评估方法及其装置 | |
| CN116990847B (zh) | 基于边缘计算的北斗gnss接收机解算方法和系统 | |
| CN118095813B (zh) | 基于bim技术的地基沉降的可视化监测方法及系统 | |
| CN116363524A (zh) | 一种公路地质灾害高风险区域监测预警方法及装置 | |
| CN106772697A (zh) | 云海自然景观预报方法及系统 | |
| CN113486295B (zh) | 基于傅里叶级数的臭氧总量变化预测方法 | |
| CN114330120A (zh) | 一种基于深度神经网络预测24小时pm2.5浓度的方法 | |
| CN117471071B (zh) | 港口基础设施结构耐久性安全预警系统及方法 | |
| CN114004950A (zh) | 一种基于BIM与LiDAR技术的路面病害智能识别与管理方法 | |
| CN111881566B (zh) | 基于实景仿真的滑坡位移检测方法及装置 | |
| CN116050824B (zh) | 一种复合灾害的态势感知与应急评价方法及系统 | |
| CN117171128A (zh) | 一种基于四水耦合模型的水生生物保护阈值识别方法 | |
| 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 | |
| CN115456463A (zh) | 一种山洪灾害危险区风险等级划分方法及系统 | |
| CN113255593B (zh) | 面向时空解析模型的传感器信息异常检测方法 | |
| CN115236772A (zh) | 一种漂流观测仪数据质量控制系统及其方法 | |
| CN112632799B (zh) | 输电线路设计风速取值方法及装置 | |
| CN114908726A (zh) | 高速公路宽幅路基施工质量实时全域智能检测方法及系统 | |
| CN112162336A (zh) | 基于二维气象要素场的能见度预测方法和装置 |
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 |