CN115169718A - 基于元胞自动机的区域滑坡危险性动态预测方法及装置 - Google Patents
基于元胞自动机的区域滑坡危险性动态预测方法及装置 Download PDFInfo
- Publication number
- CN115169718A CN115169718A CN202210864806.XA CN202210864806A CN115169718A CN 115169718 A CN115169718 A CN 115169718A CN 202210864806 A CN202210864806 A CN 202210864806A CN 115169718 A CN115169718 A CN 115169718A
- Authority
- CN
- China
- Prior art keywords
- cell
- unit period
- landslide
- cellular
- grid
- 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.)
- Pending
Links
- 230000001413 cellular effect Effects 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims description 44
- 230000003068 static effect Effects 0.000 claims description 19
- 238000013527 convolutional neural network Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 5
- 238000013210 evaluation model Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 13
- 210000004027 cell Anatomy 0.000 description 218
- 238000013461 design Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 230000000694 effects Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 238000013316 zoning Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 101710154918 Trigger factor Proteins 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000009411 base construction Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000013517 stratification Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
- 230000037303 wrinkles Effects 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
- G06Q10/04—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
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于元胞自动机的区域滑坡危险性动态预测方法及装置,涉及滑坡风险预测技术领域。所述方法是在将目标区域划分成多个格网单元后,先基于所述多个格网单元在历史单位时期的滑坡危险性级别值,构建对应的元胞自动机,然后启动所述元胞自动机执行演化步长为一个单位时期的且基于空间场景相似性案例推理算法的演化规则,得到各个元胞在目标单位时期的元胞状态值求解结果,最后基于求解结果得到所述目标区域在所述目标单位时期的区域滑坡危险性动态预测结果,如此可以充分挖掘空间特征进行语义空间计算,使得动态预测方案具有优异的计算简化、低费用和不限场景等表现,进而可为区域滑坡危险性动态预测提供新的方法支持。
Description
技术领域
本发明属于滑坡风险预测技术领域,具体涉及一种基于元胞自动机的区域滑坡危险性动态预测方法及装置。
背景技术
滑坡是一种常见的地质灾害。区域滑坡危险性预测是在考虑滑坡基础影响因子和触发因素综合作用下估计区域某时段内滑坡的空间分布范围和危险程度,其结果能为地质灾害防治和国土开发利用提供支持,从而有效地减少滑坡灾害损失。然而,以往的基于物理过程的无限斜坡模型、基于水文参数的预测模型以及结合监测手段的位移时间统计模型虽能较精准的进行单体的滑坡危险性预测,但此类方法通常针对特定环境需要大量细节的参数计算和复杂的专业知识,花费高,较难广泛应用到大范围的滑坡危险性预测上。因此,探索建立一种高效的面向区域的滑坡危险性动态预测方法具有重要的理论和实际应用价值。
现有的区域滑坡危险性研究主要分为危险性静态评价和危险性动态预测两个方面。近年来,静态的危险性评价方法发展得较为成熟,通常有:将基于模糊综合评判或层次分析法等定性的评价方法、基于信息量或逻辑回归等统计学方法以及基于神经网络或支持向量机等非线性智能模型用于滑坡危险性评价,其中,在图像处理及目标检测领域应用成熟的卷积神经网络(Convolutional Neural Networks,CNNs)因其能自动提取特征且适应非线性问题,目前在地质灾害领域已有不少优秀案例,如:将其用于滑坡检测识别、滑坡易发性评价或矿井地震事件检测等。上述静态评价方法用于滑坡危险性评价通常是以静态的因子数据输入模型并未考虑时间变化的影响,无法实现危险性动态预测。对于滑坡危险性而言,不仅要预测滑坡空间概率,还要考虑时间变化对于滑坡活动性的影响。此外,由于各种方法有其适用性和局限,精度和有效性依然是进一步追求的目标。
为了更加准确和有效地进行区域滑坡危险性动态预测,已有学者开展了相关研究,主要有两类。一类是将滑坡触发因子的动态信息与静态滑坡危险性评价结果加权叠加以实现未来短时间内某个区域的滑坡危险性预测。例如,基于贝叶斯概率方法结合降雨、地震和人类活动等滑坡触发因素建立模型进行区域滑坡危险性动态预测。上述方法有一定效果,但由于滑坡的复杂性和非线性特征,单独依赖某一触发因素加权动态判定滑坡危险性不够全面,预测结果时效性也有待提高。另一类是动力学模型和智能模型结合建立滑坡时空动态预测模型。例如,动力学Gumbel或TRIGRS模型与多次感知模型、粒子群算法、长短期记忆网络或CNN等结合预测区域未来滑坡灾害。此类方法能较好表达滑坡非线性特征以及物理动力学特征,但其通常将滑坡时间概率与空间概率分开预测,模型的时空表达能力不足。而且,此类模型多通过数值运算提取信息,不足以处理复杂的空间异质性,带有空间语义的计算更适合于解决地理空间问题。
综上,区域滑坡危险性动态预测可提前识别滑坡危险区域。然而,现有的一些基于力学模型或水文模型的动态预测方法存在时空关系考虑不足、参数计算复杂、费用高和应用场景受限等问题。
发明内容
本发明的目的是提供一种基于元胞自动机的区域滑坡危险性动态预测方法、装置、计算机设备及计算机可读存储介质,用以解决现有动态预测方法所存在时空关系考虑不足、参数计算复杂、费用高和应用场景受限的问题。
为了实现上述目的,本发明采用以下技术方案:
第一方面,提供了一种基于元胞自动机的区域滑坡危险性动态预测方法,包括:
将目标区域划分成多个格网单元;
针对所述多个格网单元中的各个格网单元,确定对应的且在历史单位时期的滑坡危险性级别值;
根据所述多个格网单元构建如下的元胞自动机:针对所述各个格网单元,在整个元胞空间中定义一个对应的元胞,并将对应的且在某个历史单位时期的滑坡危险性级别值作为对应元胞的初始元胞状态值,以及使对应元胞的元胞邻居关系与对应的格网单元邻居关系保持一致;
启动所述元胞自动机执行演化步长为一个单位时期的且基于空间场景相似性案例推理算法的演化规则,以便根据在所述整个元胞空间中各个元胞的初始元胞状态值及元胞邻居关系,得到所述各个元胞在目标单位时期的元胞状态值求解结果,其中,所述目标单位时期为在时序上位于所述某个历史单位时期之后的一个单位时期;
根据所述各个元胞在所述目标单位时期的元胞状态值求解结果和所述各个格网单元与所述各个元胞的一一对应关系,确定所述各个格网单元在所述目标单位时期的滑坡危险性级别值;
汇总所述各个格网单元在所述目标单位时期的滑坡危险性级别值,得到所述目标区域在所述目标单位时期的区域滑坡危险性动态预测结果。
基于上述发明内容,提供了一种将案例推理思想融入元胞自动机模型来进行区域滑坡危险性动态预测的新方案,即在将目标区域划分成多个格网单元后,先基于所述多个格网单元在历史单位时期的滑坡危险性级别值,构建对应的元胞自动机,然后启动所述元胞自动机执行演化步长为一个单位时期的且基于空间场景相似性案例推理算法的演化规则,得到各个元胞在目标单位时期的元胞状态值求解结果,最后基于求解结果得到所述目标区域在所述目标单位时期的区域滑坡危险性动态预测结果,如此可以充分挖掘空间特征进行语义空间计算,使得动态预测方案具有优异的计算简化、低费用和不限场景等表现,进而可为区域滑坡危险性动态预测提供新的方法支持,便于实际应用和推广。
在一个可能的设计中,启动所述元胞自动机执行演化步长为一个单位时期的且基于空间场景相似性案例推理算法的演化规则,以便根据在所述整个元胞空间中各个元胞的初始元胞状态值及元胞邻居关系,得到所述各个元胞在目标单位时期的元胞状态值求解结果,包括:
按照如下公式表达在所述整个元胞空间中各个元胞的未知案例:
Cuk,i=(Si,0,Si,1,Si,2···,Si,n…,Si,N,ri,t+1)
式中,i表示正整数,Cuk,i表示在所述整个元胞空间中第i个元胞的未知案例,Si,0表示所述第i个元胞在当前单位时期的已知元胞状态值,N表示单个元胞的元胞邻居总数,n表示不大于N的正整数,Si,n表示所述第i个元胞的第n个元胞邻居在所述当前单位时期的已知元胞状态值,ri,t+1表示所述第i个元胞在下一个单位时期的待求解元胞状态值;
按照如下公式表达在案例库中的各个已知案例:
Ckn,j=(Sj,0,Sj,1,Sj,2···,Sj,n…,Sj,N,rj,τ+1)
式中,j表示正整数,Ckn,j表示在所述案例库中第j个已知案例,Sj,0表示所述第j个已知案例的中心元胞在前一历史单位时期的已知元胞状态值,Sj,n表示所述中心元胞的第n个元胞邻居在所述前一历史单位时期的已知元胞状态值,rj,τ+1表示所述中心元胞在后一历史单位时期的已知元胞状态值,所述前一历史单位时期和所述后一历史单位时期为在时序上连续的两单位时期;
按照如下公式计算得到所述第i个元胞的未知案例与所述第j个已知案例的案例相似度Cij:
式中,k表示自然数;
针对所述第i个元胞,从所述案例库中查找出对应的至少一个相似已知案例,其中,所述相似已知案例是指与所述第i个元胞的未知案例具有最大案例相似度的已知案例;
将所述至少一个相似已知案例中具有最多的且中心元胞在后一历史单位时期的已知元胞状态值,作为所述第i个元胞在所述下一个单位时期的元胞状态值求解结果。
在一个可能的设计中,在将所述至少一个相似已知案例中具有最多的且中心元胞在后一历史单位时期的已知元胞状态值,作为所述第i个元胞在所述下一个单位时期的元胞状态值求解结果之后,所述方法还包括:
当所述第i个元胞具有预先确定的且在所述下一个单位时期的滑坡危险性级别值时,则根据该滑坡危险性级别值验证所述第i个元胞在所述下一个单位时期的元胞状态值求解结果是否预测正确,若是,则进一步将用所述元胞状态值求解结果替换所述第i个元胞的未知案例中的所述待求解元胞状态值而得的已知案例,随机抽样地添加到所述案例库中。
在一个可能的设计中,针对所述多个格网单元中的各个格网单元,确定对应的且在历史单位时期的滑坡危险性级别值,包括:
针对各个格网单元且各个历史单位时期,将对应的且在多个评价因子上的实际数值,输入基于一维卷积神经网络的且完成预训练的滑坡危险性静态评价模型,输出得到对应的且为滑坡或非滑坡的概率;
针对所述各个格网单元且所述各个历史单位时期,根据对应的且为滑坡或非滑坡的概率与不同滑坡危险性级别的概率分界线的比较结果,确定对应的滑坡危险性级别值。
在一个可能的设计中,所述多个评价因子包含有高程、坡度、坡向、地层、距断层距离、单位时期平均降水量、距震中距离、植被覆盖度、距水系距离、距道路距离、土地利用类型和人口密度。
在一个可能的设计中,所述一维卷积神经网络包括有输入层、卷积层、池化层、全连接层、整流线性单元ReLU及批量规范化层、Dropout层、Sigmoid层和输出层。
在一个可能的设计中,所述不同滑坡危险性级别的概率分界线预先采用概率统计理论和数值定性含义结合的方式确定。
第二方面,提供了一种基于元胞自动机的区域滑坡危险性动态预测装置,包括有依次通信连接的格网单元划分模块、危险级别确定模块、元胞自动机构建模块、演化启动模块、危险级别映射模块和预测结果汇总模块;
所述格网单元划分模块,用于将目标区域划分成多个格网单元;
所述危险级别确定模块,用于针对所述多个格网单元中的各个格网单元,确定对应的且在历史单位时期的滑坡危险性级别值;
所述元胞自动机构建模块,用于根据所述多个格网单元构建如下的元胞自动机:针对所述各个格网单元,在整个元胞空间中定义一个对应的元胞,并将对应的且在某个历史单位时期的滑坡危险性级别值作为对应元胞的初始元胞状态值,以及使对应元胞的元胞邻居关系与对应的格网单元邻居关系保持一致;
所述演化启动模块,用于启动所述元胞自动机执行演化步长为一个单位时期的且基于空间场景相似性案例推理算法的演化规则,以便根据在所述整个元胞空间中各个元胞的初始元胞状态值及元胞邻居关系,得到所述各个元胞在目标单位时期的元胞状态值求解结果,其中,所述目标单位时期为在时序上位于所述某个历史单位时期之后的一个单位时期;
所述危险级别映射模块,用于根据所述各个元胞在所述目标单位时期的元胞状态值求解结果和所述各个格网单元与所述各个元胞的一一对应关系,确定所述各个格网单元在所述目标单位时期的滑坡危险性级别值;
所述预测结果汇总模块,用于汇总所述各个格网单元在所述目标单位时期的滑坡危险性级别值,得到所述目标区域在所述目标单位时期的区域滑坡危险性动态预测结果。
第三方面,提供了一种计算机设备,包括有依次通信连接的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如第一方面或第一方面中任意可能设计所述的区域滑坡危险性动态预测方法。
第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如第一方面或第一方面中任意可能设计所述的区域滑坡危险性动态预测方法。
第五方面,提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如第一方面或第一方面中任意可能设计所述的区域滑坡危险性动态预测方法。
有益效果:
(1)本发明创造提供了一种将案例推理思想融入元胞自动机模型来进行区域滑坡危险性动态预测的新方案,即在将目标区域划分成多个格网单元后,先基于所述多个格网单元在历史单位时期的滑坡危险性级别值,构建对应的元胞自动机,然后启动所述元胞自动机执行演化步长为一个单位时期的且基于空间场景相似性案例推理算法的演化规则,得到各个元胞在目标单位时期的元胞状态值求解结果,最后基于求解结果得到所述目标区域在所述目标单位时期的区域滑坡危险性动态预测结果,如此可以充分挖掘空间特征进行语义空间计算,使得动态预测方案具有优异的计算简化、低费用和不限场景等表现,进而可为区域滑坡危险性动态预测提供新的方法支持,便于实际应用和推广;
(2)可在元胞自动机构建时,根据所述各个格网单元在两个连续历史单位时期的滑坡危险性级别值和所述各个元胞与所述各个格网单元的一一对应关系,按照案例思想构建案例库,并在演化过程中,实现案例库的知识动态更新及增长,进而可在案例库包含丰富案例知识后,提高正确、有效和快速解决复杂问题的能力。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的基于元胞自动机的区域滑坡危险性动态预测方法的流程示意图。
图2为本发明提供的启动元胞自动机执行演化规则的过程示例图,其中,黑色元胞表示中心元胞,灰色元胞表示中心元胞的元胞邻居,下标1-8表示元胞邻居序号及指定方位。
图3为本发明提供的未知案例与已知案例的状态特征示例图,其中,图3中(a)为在未知案例中的中心元胞及其元胞邻居的状态表达示例,图3中(b)为在已知案例中的中心元胞及其元胞邻居的状态表达示例,图3中(c)为中心元胞及其元胞邻居的序号表达示例,图3中(d)为两案例的中心元胞及其元胞邻居在由横向空间轴(即x轴)和纵向状态轴(即y轴)组成的二维平面上的状态表达示例。
图4为本发明提供的以芦山县为例所得多年滑坡危险性分级区划结果的示例图,其中,图4中(a)为2016年的滑坡危险性分级区划结果,图4中(b)为2017年的滑坡危险性分级区划结果,图4中(c)为2018年的滑坡危险性分级区划结果,图4中(d)为2020年的滑坡危险性分级区划结果。
图5为本发明提供的AUC精度对比结果的示例图。
图6为本发明提供的滑坡实际分布情况对比结果的示例图。
图7为本发明提供的一维卷积神经网络的应用示例图。
图8为本发明提供的基于元胞自动机的区域滑坡危险性动态预测装置的结构示意图。
图9为本发明提供的计算机设备的结构示意图。
具体实施方式
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将结合附图和实施例或现有技术的描述对本发明作简单地介绍,显而易见地,下面关于附图结构的描述仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在此需要说明的是,对于这些实施例方式的说明用于帮助理解本发明,但并不构成对本发明的限定。
应当理解,尽管本文可能使用术语第一和第二等等来描述各种对象,但是这些对象不应当受到这些术语的限制。这些术语仅用于区分一个对象和另一个对象。例如可以将第一对象称作第二对象,并且类似地可以将第二对象称作第一对象,同时不脱离本发明的示例实施例的范围。
应当理解,对于本文中可能出现的术语“和/或”,其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、单独存在B或者同时存在A和B等三种情况;对于本文中可能出现的术语“/和”,其是描述另一种关联对象关系,表示可以存在两种关系,例如,A/和B,可以表示:单独存在A或者同时存在A和B等两种情况;另外,对于本文中可能出现的字符“/”,一般表示前后关联对象是一种“或”关系。
如图1所示,本实施例第一方面提供的且基于元胞自动机的区域滑坡危险性动态预测方法,可以但不限于由具有一定计算资源的计算机设备执行,例如由平台服务器、个人计算机(Personal Computer,PC,指一种大小、价格和性能适用于个人使用的多用途计算机;台式机、笔记本电脑到小型笔记本电脑和平板电脑以及超级本等都属于个人计算机)、智能手机、个人数字助理(Personal Digital Assistant,PDA)或可穿戴设备等电子设备执行。如图1所示,所述基于元胞自动机的区域滑坡危险性动态预测方法,可以但不限于包括有如下步骤S1~S6。
S1.将目标区域划分成多个格网单元。
在所述步骤S1中,所述目标区域即为进行区域滑坡危险性动态预测的地理对象,例如四川省芦山县地区(其位于四川盆地西缘,夹于青藏高原与四川盆地之间,呈南北狭长地形,相对高差达到4732米,总体上呈现南低北高的地势形态;全县幅员面积有1166.39平方公里,截至2019年全县人口接近11万人。由于其长期处于构造活动带与稳定地块的过渡带,境内主要是褶皱和断层作用形成的构造地貌;以及其地层除缺失寒武系、石炭系外,其余各系均有出露;以及其降雨多且集中,年均降水量可达1260毫米;以及其受地形影响,区内降水多集中于每年6月~9月,空间上呈现由南向北递减的趋势,以及其境内水系发达,各支流、干流、沟渠呈树枝状水系分布,河流落差大,水流急,汛期集中;以及其自2013年发生里氏7.0级地震以来,滑坡灾害频发,因此可选择该区域进行滑坡危险性动态预测研究)。所述格网单元即为一个评价单元,其形式和大小会影响后续动态预测的计算量和精度,并且其确定与研究区范围和原始数据精度有关。因此针对区域滑坡危险性评价,在着重突出整体规律的同时,还要考虑划分单元后的计算量及划分的评价单元拥有的属性能否较好的反应区域实际特征,即可依据地质灾害评价标准及定义和区属面级、地方级及大比例尺级的地质灾害评价,结合已有数据的分辨率,选定大小30m×30m的规则格网单元作为区域滑坡危险性评价及预测的最小单元(其单元内部视为匀质);如此举例的,可将作为目标区域的四川省芦山县地区划分成1323696个格网单元,每个网格单元都拥有唯一ID(Identitydocument,标识号)。
S2.针对所述多个格网单元中的各个格网单元,确定对应的且在历史单位时期的滑坡危险性级别值。
在所述步骤S2中,所述历史单位时期可以但不限于是历史上的年份、季度或月份等,一般需与当前单位时期(例如当前年份、当前季度或当前月份等)越接近越好(考虑历史滑坡点一般在7~10年内将失去活动性,因此可选取最近6年内的历史单位时期),例如确定所述各个网格单元分别在前年和去年的滑坡危险性级别值。所述滑坡危险性级别值可以但不限于为数值1、数值2或数值3等,其中,所述数值1表示滑坡危险性的低级别,所述数值2表示滑坡危险性的中级别,所述数值3表示滑坡危险性的高级别。此外,所述各个格网单元在历史单位时期的滑坡危险性级别值,可以但不限于采用现有的危险性静态评价方法得到。
S3.根据所述多个格网单元构建如下的元胞自动机:针对所述各个格网单元,在整个元胞空间中定义一个对应的元胞,并将对应的且在某个历史单位时期的滑坡危险性级别值作为对应元胞的初始元胞状态值,以及使对应元胞的元胞邻居关系与对应的格网单元邻居关系保持一致。
在所述步骤S3中,所述元胞自动机(Cellular Automaton,CA)是一种时空离散动力学模型,通过将研究对象抽象封装成元胞空间上的元胞,每个元胞取有限离散状态且按照规定的局部演化规则同时进行元胞状态的变更,能实现简单到复杂及局部到整体的演变,适合用于复杂系统行为和现象的模拟。近年来,CA已被广泛应用于地学领域,例如,应用动态不规则的矢量元胞自动机模型模拟城市生长、结合遗传算法改善CA演化规则用于模拟植被变化、多准则约束规则下的CA实现灾害模拟或结合深度学习的CA用于动态时空土地利用变化模拟等。所述元胞自动机主要由元胞空间、元胞、演化规则、有限状态集、邻居和离散时间集等六部分构成,其运作方式如下公式所示:
式中,A表示整个元胞空间,Vd表示空间维度,可取任意正整数;S表示元胞状态集,通常是有限的整数数值集合;N表示单个元胞的元胞邻居总数;St+1表示在下一个单位时期的元胞状态;St表示在当前单位时期的元胞状态;SN表示在当前单位时期的邻居状态,它通常是一组值;f代表演化规则,可以是约束性的知识规则或者函数等多种形式,是元胞自动机运作的核心,用于指示一个演化步长内元胞状态如何转变。此外,使对应元胞的元胞邻居关系与对应的格网单元邻居关系保持一致是指:针对某个格网单元,若位于其周围有多个网格单元邻居(例如位于左上右下8个方位的八个网格单元邻居),则在对应元胞的周围有与所述多个网格单元邻居一一对应的多个元胞邻居。
S4.启动所述元胞自动机执行演化步长为一个单位时期的且基于空间场景相似性案例推理算法的演化规则,以便根据在所述整个元胞空间中各个元胞的初始元胞状态值及元胞邻居关系,得到所述各个元胞在目标单位时期的元胞状态值求解结果,其中,所述目标单位时期为在时序上位于所述某个历史单位时期之后的一个单位时期。
在所述步骤S4中,基于元胞自动机进行区域滑坡危险性动态预测的关键在于演化规则的确定,因为演化规则将决定空间上元胞的滑坡危险性状态在某时段内会如何变化,直接影响着预测结果的时效性和正确性。考虑到滑坡是所处地质单元本身和其它微型地质地貌单元相互作用及能量交换的结果,各评价单元既相互关联又有个体的局部特征,滑坡影响因子多而复杂。而且滑坡本身就具有复杂的地理时空特性,评价涉及的地理空间数据隐含着复杂空间关系、地理特征和地学规律,滑坡危险性的时空变化规律难以用单纯的线性算法或静态知识型演化规则来表达。因此,本实施例将案例推理(Case-BasedReasoning,简写为CBR,是一种通过相似性推理检索过去的经验来解决新问题,具有自成长及自学习解决问题的能力,其作为人工智能的一个分支是领域专家知识获取困难和规则纷繁复杂情况下解决问题的一种有利手段,被广泛应用于气象预测、医疗诊断或交通规划等众多领域)思想融入元胞自动机模型,挖掘空间场景特征,通过空间场景相似性案例推理算法提取隐含在地理时空数据里的滑坡危险性状态演化规则,具体启动所述元胞自动机执行演化规则的过程如图2所示。此外,举例的,当所述某个历史单位时期为2015年时,所述目标单位时期可以但不限于是2016年、2017年、2018年或2020年;以及针对起始单位时期(即所述某个历史单位时期)与目标单位时期的远近不同,需按固定演化步长(其由在后续步骤S42中构建案例库时使用的两个连续历史单位时期的时间间隔来决定,例如若所述两个连续历史单位时期分别为2015年和2016年,则演化步长确定为1年)执行对应的不同演化次数,举例的,演化步长为1年,若所述起始单位时期为2015年且所述目标单位时期为2020年,则按固定演化步长1年需演化5次,即:2015年的元胞状态-演化->2016年的元胞状态-演化->2017年的元胞状态-演化->2018年的元胞状态-演化->2019年的元胞状态-演化->2020年的元胞状态。
在所述步骤S4中,具体的,启动所述元胞自动机执行演化步长为一个单位时期的且基于空间场景相似性案例推理算法的演化规则,以便根据在所述整个元胞空间中各个元胞的初始元胞状态值及元胞邻居关系,得到所述各个元胞在目标单位时期的元胞状态值求解结果,包括但不限于有如下步骤S41~S45。
S41.按照如下公式表达在所述整个元胞空间中各个元胞的未知案例:
Cuk,i=(Si,0,Si,1,Si,2···,Si,n…,Si,N,ri,t+1)
式中,i表示正整数,Cuk,i表示在所述整个元胞空间中第i个元胞的未知案例,Si,0表示所述第i个元胞在当前单位时期的已知元胞状态值,N表示单个元胞的元胞邻居总数,n表示不大于N的正整数,Si,n表示所述第i个元胞的第n个元胞邻居在所述当前单位时期的已知元胞状态值,ri,t+1表示所述第i个元胞在下一个单位时期的待求解元胞状态值(在未知案例中,其值为空)。
在所述步骤S41中,举例的,当所述某个历史单位时期为2015年时,在第一次演化时,当前单位时期为2015年,下一个单位时期为2016年,而在第二次演化时,当前单位时期为2016年,下一个单位时期为2017年,依次类推。此外,考虑位于元胞空间边界上的元胞会存在缺少邻居的情况,为了保持邻居结构一致,可将在缺失位置上的元胞状态值记为数值0。
S42.按照如下公式表达在案例库中的各个已知案例:
Ckn,j=(Sj,0,Sj,1,Sj,2···,Sj,n…,Sj,N,rj,τ+1)
式中,j表示正整数,Ckn,j表示在所述案例库中第j个已知案例,Sj,0表示所述第j个已知案例的中心元胞在前一历史单位时期的已知元胞状态值,Sj,n表示所述中心元胞的第n个元胞邻居在所述前一历史单位时期的已知元胞状态值,rj,τ+1表示所述中心元胞在后一历史单位时期的已知元胞状态值(在已知案例中,其值非空),所述前一历史单位时期和所述后一历史单位时期为在时序上连续的两单位时期。
在所述步骤S42中,所述案例库中的已知案例需提前形成,具体可通过地理信息系统(Geographic Information System或Geo-Information system,GIS)空间分析工具提取连续两历史单位时期的已知滑坡危险性状态各对应元胞的危险性状态信息形成所述已知案例,即可先基于步骤S2得到与所述中心元胞及其元胞邻居对应的格网单元分别在所述前一历史单位时期和所述后一历史单位时期的滑坡危险性级别值,然后基于这些滑坡危险性级别值来形成所述已知案例。此外,举例的,若所述前一历史单位时期为2014年,则所述后一历史单位时期需为2015年。
S43.按照如下公式计算得到所述第i个元胞的未知案例与所述第j个已知案例的案例相似度Cij:
式中,k表示自然数。
在所述步骤S43中,由于利用由元胞表达而成的案例实际上是地理空间案例,案例中的状态特征是带有位置信息的空间数据,而空间数据具有的方位、拓扑、距离和形态等空间特征往往控制着对象的地理分布,因此可挖掘空间场景特征融入未知案例的求解过程:先通过基于空间场景的相似性计算从案例库中检索与未知案例最相似的已知案例,然后将其解决方案作为未知案例的状态结果即可得到预测的元胞状态。未知案例与已知案例的状态特征示例可如图3所示,由于空间场景的相似程度取决于特征值和特征分布形态的差异程度,因此在元胞方位关系确切的情况下,元胞及其元胞邻居的状态表达为案例后可将隐含有空间场景特征的案例特征向量抽象为二维平面内的一条折线,如图3中(d)所示,若0表示中心元胞,1-8分别表示位于中心元胞八个方向上的元胞邻居,则纵坐标y为该位置元胞的滑坡危险性状态值,图3(d)中折线k和l分别对应未知案例和已知案例,如此通过计算折线纵轴上各点位的绝对高度差值的均值可代表在案例特征数值上的相似度,折线形态上的相似度可由坐标纵轴上各点位高度差与高度差均值的期望值来衡量,进而最终得到所述第i个元胞的未知案例与所述第j个已知案例的案例相似度Cij。
S44.针对所述第i个元胞,从所述案例库中查找出对应的至少一个相似已知案例,其中,所述相似已知案例是指与所述第i个元胞的未知案例具有最大案例相似度的已知案例。
S45.将所述至少一个相似已知案例中具有最多的且中心元胞在后一历史单位时期的已知元胞状态值,作为所述第i个元胞在所述下一个单位时期的元胞状态值求解结果。
在所述步骤S45中,举例的,若在所述案例库中仅有一个已知案例Ckn,10为所述第i个元胞的相似已知案例,则可将该已知案例Ckn,10中的已知元胞状态值r10,τ+1作为所述第i个元胞在所述下一个单位时期的元胞状态值求解结果;而若在所述案例库中有五个已知案例:Ckn,31、Ckn,32、Ckn,33、Ckn,34和Ckn,35分别为所述第i个元胞的相似已知案例,并且对应的五个已知元胞状态值有:r31,τ+1=1、r32,τ+1=1、r33,τ+1=1、r34,τ+1=2和r35,τ+1=3,则可将在所述五个已知案例中具有最多的且中心元胞在后一历史单位时期的已知元胞状态值1(其共有3个)作为所述第i个元胞在所述下一个单位时期的元胞状态值求解结果。此外,若所述下一个单位时期还不是所述目标单位时期,则需要将所述下一个单位时期作为新的当前单位时期,然后返回步骤S41继续进行演化,直到当新的下一个单位时期为所述目标单位时期时为止。
在所述步骤S45之后,为了实现案例库知识动态更新及增长,以便在案例库包含丰富案例知识后,可提高正确、有效和快速解决复杂问题的能力,优选的,在将所述至少一个相似已知案例中具有最多的且中心元胞在后一历史单位时期的已知元胞状态值,作为所述第i个元胞在所述下一个单位时期的元胞状态值求解结果之后,所述方法还包括:当所述第i个元胞具有预先确定的且在所述下一个单位时期的滑坡危险性级别值时,则根据该滑坡危险性级别值验证所述第i个元胞在所述下一个单位时期的元胞状态值求解结果是否预测正确,若是,则进一步将用所述元胞状态值求解结果替换所述第i个元胞的未知案例中的所述待求解元胞状态值而得的已知案例,随机抽样地添加到所述案例库中。举例的,若预测正确,可使新的已知案例有2%的概率被随机抽样添加到所述案例库中。
S5.根据所述各个元胞在所述目标单位时期的元胞状态值求解结果和所述各个格网单元与所述各个元胞的一一对应关系,确定所述各个格网单元在所述目标单位时期的滑坡危险性级别值。
S6.汇总所述各个格网单元在所述目标单位时期的滑坡危险性级别值,得到所述目标区域在所述目标单位时期的区域滑坡危险性动态预测结果。
在所述步骤S6中,所述区域滑坡危险性动态预测结果可以但不限于采用如图4所示的滑坡危险性分级区划地图形式呈现(即目标单位时期有2016年、2017年、2018年和2020年)。
以芦山县地区为例,本实施例还通过实验得到了对应于2015-2018年基于CNN的滑坡危险性静态评价结果,其与基于本实施例方法所得滑坡危险性分级区划结果相比,具体有:(1)AUC(Area Under the Curve,曲线下面积)精度对比结果如图5所示;(2)滑坡实际分布情况对比结果如图6所示;(3)各年动态预测结果与静态评价结果匹配的总体精度见表1;(4)动态预测结果的各类别精度见表2;(5)滑坡危险性分级区划结果的Moran’s I指数(即考虑滑坡演化的空间性,结合Moran’s I指数评价滑坡危险性区域结果的空间合理性)见表3。
表1.各年动态预测结果与静态评价结果匹配的总体精度
表2.动态预测结果的各类别精度
表3.滑坡危险性分级区划结果的Moran’s I指数
基于上述图5~6及表1~3可知:本实施例方法所动态预测出的各年滑坡危险性区划结果与静态评价结果的总体一致率均在0.82以上(见表1);从召回率、精确率及F1指标(见表2)并结合区划结果对比可知,本实施例方法所预测的滑坡低危险性区域的F1指标精度均在0.93以上,滑坡高危险性区域的F1指标精度在0.7左右,滑坡中危险性区域的F1指标精度在0.5左右,说明本实施例方法所预测的低危险性区域与静态评价结果十分吻合;从区划结果的AUC精度(见图5)及Moran’s I指数(见表3)可以看出,本实施例方法所动态预测的危险性分区比静态评价结果更聚集和收敛(已有事实说明,当高危险区以越小的面积包络越多滑坡点时危险性结果分区效果越好)。此外,结合区划结果图(见图4)和已知滑坡分布情况(见图6)也可看出,本实施例方法所预测的滑坡危险性分级区划符合现有已知滑坡分布且分区空间形态较好(见表3)。
由此基于前述步骤S1~S6所描述的且基于元胞自动机的区域滑坡危险性动态预测方法,提供了一种将案例推理思想融入元胞自动机模型来进行区域滑坡危险性动态预测的新方案,即在将目标区域划分成多个格网单元后,先基于所述多个格网单元在历史单位时期的滑坡危险性级别值,构建对应的元胞自动机,然后启动所述元胞自动机执行演化步长为一个单位时期的且基于空间场景相似性案例推理算法的演化规则,得到各个元胞在目标单位时期的元胞状态值求解结果,最后基于求解结果得到所述目标区域在所述目标单位时期的区域滑坡危险性动态预测结果,如此可以充分挖掘空间特征进行语义空间计算,使得动态预测方案具有优异的计算简化、低费用和不限场景等表现,进而可为区域滑坡危险性动态预测提供新的方法支持,便于实际应用和推广。
本实施例在前述第一方面的技术方案基础上,还提供了一种如何确定滑坡危险性级别值的可能设计一,即针对所述多个格网单元中的各个格网单元,确定对应的且在历史单位时期的滑坡危险性级别值,包括但不限于有如下步骤S21~S22。
S21.针对各个格网单元且各个历史单位时期,将对应的且在多个评价因子上的实际数值,输入基于一维卷积神经网络的且完成预训练的滑坡危险性静态评价模型,输出得到对应的且为滑坡或非滑坡的概率。
在所述步骤S21中,考虑影响滑坡产生和发育的因素众多且不同地区各有差异,但总体上主要包括内因和外因两大类;前者倾向于将斜坡本身置于介稳状态,比如:坡度、岩性、高程和地质构造等因素直接控制着滑坡的发育;后者主要是指将斜坡从临界稳定状态转变为失稳状态的因素,通常是地震和降雨;同时考虑道路兴修及工程建设等破坏斜坡结构的人类活动也非常容易触发滑坡。因此在经过野外踏勘并了解研究区域滑坡点位的相关环境条件后,根据滑坡危险性评价因子选取原则,综合考虑研究尺度、因子相关性及因子数据对于评价模型的适用性,最终确定用于滑坡危险性评价的所述多个评价因子包含但不限于有高程、坡度、坡向、地层、距断层距离、单位时期平均降水量(例如年均降水量)、距震中距离、植被覆盖度、距水系距离、距道路距离、土地利用类型和人口密度等12个评价因子。此外,获取在所述多个评价因子上的实际数值的具体方式,为现有常规的数据处理方式,例如采用ArcMap或ENVI等工具对原始数据进行投影变换、裁剪、栅格化、邻域缓冲、插值和监督分类等处理,以及结合已有滑坡点数据统计分析,根据不同值域范围内滑坡点百分占比和值域面积对各因子进行分级处理。
在所述步骤S21中,考虑CNN具有强大的非线性学习能力和拟合能力,在不需要事先定义输入和输出间精确数学映射公式的情况下,其能利用不同的卷积核在组合的不同批次数据空间上不断移动进行特征寻找并通过训练学习提取数据隐含的高阶抽象特征;同时考虑本实施例虽选取以规则的格网单元进行滑坡危险性评价,但在实际地质空间中地质体通常都不是独立的,各评价单元的滑坡危险性不仅取决于当前格网的因子属性值,可能还与周围单元的各因子分布有关,滑坡危险性与各影响因子之间存在着复杂的非线性关系;以及考虑CNN能基于因子数据自动提取特征用于评价,并在一定程度上还能弥补一些人为理想化分割地质空间为规则格网单元而带来的地质体孤立现象,便于挖掘滑坡影响因子与滑坡发生间的更深层次规律。因此,本实施例基于一维卷积神经网络(CNN with OneDimention,CNN-1D)采用多个网络层线性堆叠的序贯模式构建了模型用于滑坡危险性静态评价,即如图7所示,所述一维卷积神经网络包括但不限于有输入层、卷积层、池化层、全连接层、整流线性单元ReLU及批量规范化(Batch Normalization,BN)层、Dropout层、Sigmoid层和输出层等。
在所述步骤S21中,设评价因子个数为m,将各评价单元表示为一个m维的向量序列。每次将组织为m×1形式的k个基本单元送入网络,其中1表示通道数。由卷积层接收输入数据进行特征提取。卷积层的层内计算方式如下所示:
式中,yt表示当前卷积层的结果,w为卷积核,yt-1为上一层的结果,bt为当前层的随机偏置量,为激活函数。假设有n个大小为s×1卷积核,输入序列运算结束后会得到n个特征,每个特征向量的长度为(m-s+1)。网络中该层选择整流线性单元ReLU作为激活函数。卷积层结果yt传入批量规范化层后将对收到的激活值进行标准化,让其输出均值为0,标准差为1的数据。而后经采样因子为q的池化层进行下采样,实现在提取特征数不变的情况下将特征序列向量的长度压缩为((m-s+1)/q)。池化后的数据经两个全连接层与t个神经元进行完全连接,同时在两个全连接层之间增加一个Dropout层,并以一定的概率来随机丢弃一些神经元,以减少过拟合,提升预测性能,让模型更加稳健,由此可使得最终输出评价单元为滑坡(1)或非滑坡(0)的概率。
S22.针对所述各个格网单元且所述各个历史单位时期,根据对应的且为滑坡或非滑坡的概率与不同滑坡危险性级别的概率分界线的比较结果,确定对应的滑坡危险性级别值。
在所述步骤S22中,考虑区域滑坡危险性分级划分标准的界定,一直以来是个难题。以往研究者采用的分级方法主要有自然间断点法和经验断点法,其中,自然间断点法是根据数据本身特性来进行值段的划分,虽然较为快速便捷,但仅用数学理论进行划分而忽略数值背后的语义稍显生硬;而经验断点法需要专家层次的经验,一般学者难以掌握正确尺度。本实施例在参考前人研究的基础上,采用概率统计理论和数值定性含义结合的方式提出了一种新的滑坡危险性分级标准,即所述不同滑坡危险性级别的概率分界线预先采用概率统计理论和数值定性含义结合的方式确定,其原理如下:首先,将样本(即一个在所述多个评价因子上的实际数值)输入前述基于一维卷积神经网络的且完成预训练的滑坡危险性静态评价模型进行滑坡危险性静态评价,并根据样本实际类别去除预测错误的样本,留下预测正确的样本,减弱模型误差对于分级标准制定的影响;然后,分别计算样本滑坡和非滑坡概率的均值和标准差;最后,以滑坡概率均值减去标准差所得的概率值,作为用于判断评价单元为滑坡的概率值下界,并以此概率值下界作为滑坡高危险性级别与滑坡中危险性级别的分界线;同理,非滑坡概率均值加上其标准差所得的概率值,作为用于判断评价单元为非滑坡概率的概率值上界,并将此概率值上界作为滑坡低危险性级别与滑坡中危险性级别的分界线。
由此基于前述的可能设计一,可以高精确性地确定各个格网单元在历史单位时期的滑坡危险性级别值。
如图8所示,本实施例第二方面提供了一种实现第一方面或第一方面中任一可能设计所述的区域滑坡危险性动态预测方法的虚拟装置,包括有依次通信连接的格网单元划分模块、危险级别确定模块、元胞自动机构建模块、演化启动模块、危险级别映射模块和预测结果汇总模块;
所述格网单元划分模块,用于将目标区域划分成多个格网单元;
所述危险级别确定模块,用于针对所述多个格网单元中的各个格网单元,确定对应的且在历史单位时期的滑坡危险性级别值;
所述元胞自动机构建模块,用于根据所述多个格网单元构建如下的元胞自动机:针对所述各个格网单元,在整个元胞空间中定义一个对应的元胞,并将对应的且在某个历史单位时期的滑坡危险性级别值作为对应元胞的初始元胞状态值,以及使对应元胞的元胞邻居关系与对应的格网单元邻居关系保持一致;
所述演化启动模块,用于启动所述元胞自动机执行演化步长为一个单位时期的且基于空间场景相似性案例推理算法的演化规则,以便根据在所述整个元胞空间中各个元胞的初始元胞状态值及元胞邻居关系,得到所述各个元胞在目标单位时期的元胞状态值求解结果,其中,所述目标单位时期为在时序上位于所述某个历史单位时期之后的一个单位时期;
所述危险级别映射模块,用于根据所述各个元胞在所述目标单位时期的元胞状态值求解结果和所述各个格网单元与所述各个元胞的一一对应关系,确定所述各个格网单元在所述目标单位时期的滑坡危险性级别值;
所述预测结果汇总模块,用于汇总所述各个格网单元在所述目标单位时期的滑坡危险性级别值,得到所述目标区域在所述目标单位时期的区域滑坡危险性动态预测结果。
本实施例第二方面提供的前述装置的工作过程、工作细节和技术效果,可以参见第一方面或第一方面中任一可能设计所述的区域滑坡危险性动态预测方法,于此不再赘述。
如图9所示,本实施例第三方面提供了一种执行如第一方面或第一方面中任一可能设计所述的区域滑坡危险性动态预测方法的计算机设备,包括有依次通信连接的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如第一方面或第一方面中任一可能设计所述的区域滑坡危险性动态预测方法。具体举例的,所述存储器可以但不限于包括随机存取存储器(Random-Access Memory,RAM)、只读存储器(Read-Only Memory,ROM)、闪存(FlashMemory)、先进先出存储器(First Input First Output,FIFO)和/或先进后出存储器(First Input Last Output,FILO)等等;所述处理器可以但不限于采用型号为STM32F105系列的微处理器。此外,所述计算机设备还可以但不限于包括有电源模块、显示屏和其它必要的部件。
本实施例第三方面提供的前述计算机设备的工作过程、工作细节和技术效果,可以参见第一方面或第一方面中任一可能设计所述的区域滑坡危险性动态预测方法,于此不再赘述。
本实施例第四方面提供了一种存储包含如第一方面或第一方面中任一可能设计所述的区域滑坡危险性动态预测方法的指令的计算机可读存储介质,即所述计算机可读存储介质上存储有指令,当所述指令在计算机上运行时,执行如第一方面或第一方面中任一可能设计所述的区域滑坡危险性动态预测方法。其中,所述计算机可读存储介质是指存储数据的载体,可以但不限于包括软盘、光盘、硬盘、闪存、优盘和/或记忆棒(Memory Stick)等计算机可读存储介质,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。
本实施例第四方面提供的前述计算机可读存储介质的工作过程、工作细节和技术效果,可以参见如第一方面或第一方面中任一可能设计所述的区域滑坡危险性动态预测方法,于此不再赘述。
本实施例第五方面提供了一种包含指令的计算机程序产品,当所述指令在计算机上运行时,使所述计算机执行如第一方面或第一方面中任一可能设计所述的区域滑坡危险性动态预测方法。其中,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。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于元胞自动机的区域滑坡危险性动态预测方法,其特征在于,包括:
将目标区域划分成多个格网单元;
针对所述多个格网单元中的各个格网单元,确定对应的且在历史单位时期的滑坡危险性级别值;
根据所述多个格网单元构建如下的元胞自动机:针对所述各个格网单元,在整个元胞空间中定义一个对应的元胞,并将对应的且在某个历史单位时期的滑坡危险性级别值作为对应元胞的初始元胞状态值,以及使对应元胞的元胞邻居关系与对应的格网单元邻居关系保持一致;
启动所述元胞自动机执行演化步长为一个单位时期的且基于空间场景相似性案例推理算法的演化规则,以便根据在所述整个元胞空间中各个元胞的初始元胞状态值及元胞邻居关系,得到所述各个元胞在目标单位时期的元胞状态值求解结果,其中,所述目标单位时期为在时序上位于所述某个历史单位时期之后的一个单位时期;
根据所述各个元胞在所述目标单位时期的元胞状态值求解结果和所述各个格网单元与所述各个元胞的一一对应关系,确定所述各个格网单元在所述目标单位时期的滑坡危险性级别值;
汇总所述各个格网单元在所述目标单位时期的滑坡危险性级别值,得到所述目标区域在所述目标单位时期的区域滑坡危险性动态预测结果。
2.根据权利要求1所述的区域滑坡危险性动态预测方法,其特征在于,启动所述元胞自动机执行演化步长为一个单位时期的且基于空间场景相似性案例推理算法的演化规则,以便根据在所述整个元胞空间中各个元胞的初始元胞状态值及元胞邻居关系,得到所述各个元胞在目标单位时期的元胞状态值求解结果,包括:
按照如下公式表达在所述整个元胞空间中各个元胞的未知案例:
Cuk,i=(Si,0,Si,1,Si,2···,Si,n…,Si,N,ri,t+1)
式中,i表示正整数,Cuk,i表示在所述整个元胞空间中第i个元胞的未知案例,Si,0表示所述第i个元胞在当前单位时期的已知元胞状态值,N表示单个元胞的元胞邻居总数,n表示不大于N的正整数,Si,n表示所述第i个元胞的第n个元胞邻居在所述当前单位时期的已知元胞状态值,ri,t+1表示所述第i个元胞在下一个单位时期的待求解元胞状态值;
按照如下公式表达在案例库中的各个已知案例:
Ckn,j=(Sj,0,Sj,1,Sj,2···,Sj,n…,Sj,N,rj,τ+1)
式中,j表示正整数,Ckn,j表示在所述案例库中第j个已知案例,Sj,0表示所述第j个已知案例的中心元胞在前一历史单位时期的已知元胞状态值,Sj,n表示所述中心元胞的第n个元胞邻居在所述前一历史单位时期的已知元胞状态值,rj,τ+1表示所述中心元胞在后一历史单位时期的已知元胞状态值,所述前一历史单位时期和所述后一历史单位时期为在时序上连续的两单位时期;
按照如下公式计算得到所述第i个元胞的未知案例与所述第j个已知案例的案例相似度Cij:
式中,k表示自然数;
针对所述第i个元胞,从所述案例库中查找出对应的至少一个相似已知案例,其中,所述相似已知案例是指与所述第i个元胞的未知案例具有最大案例相似度的已知案例;
将所述至少一个相似已知案例中具有最多的且中心元胞在后一历史单位时期的已知元胞状态值,作为所述第i个元胞在所述下一个单位时期的元胞状态值求解结果。
3.根据权利要求2所述的区域滑坡危险性动态预测方法,其特征在于,在将所述至少一个相似已知案例中具有最多的且中心元胞在后一历史单位时期的已知元胞状态值,作为所述第i个元胞在所述下一个单位时期的元胞状态值求解结果之后,所述方法还包括:
当所述第i个元胞具有预先确定的且在所述下一个单位时期的滑坡危险性级别值时,则根据该滑坡危险性级别值验证所述第i个元胞在所述下一个单位时期的元胞状态值求解结果是否预测正确,若是,则进一步将用所述元胞状态值求解结果替换所述第i个元胞的未知案例中的所述待求解元胞状态值而得的已知案例,随机抽样地添加到所述案例库中。
4.根据权利要求1所述的区域滑坡危险性动态预测方法,其特征在于,针对所述多个格网单元中的各个格网单元,确定对应的且在历史单位时期的滑坡危险性级别值,包括:
针对各个格网单元且各个历史单位时期,将对应的且在多个评价因子上的实际数值,输入基于一维卷积神经网络的且完成预训练的滑坡危险性静态评价模型,输出得到对应的且为滑坡或非滑坡的概率;
针对所述各个格网单元且所述各个历史单位时期,根据对应的且为滑坡或非滑坡的概率与不同滑坡危险性级别的概率分界线的比较结果,确定对应的滑坡危险性级别值。
5.根据权利要求4所述的区域滑坡危险性动态预测方法,其特征在于,所述多个评价因子包含有高程、坡度、坡向、地层、距断层距离、单位时期平均降水量、距震中距离、植被覆盖度、距水系距离、距道路距离、土地利用类型和人口密度。
6.根据权利要求4所述的区域滑坡危险性动态预测方法,其特征在于,所述一维卷积神经网络包括有输入层、卷积层、池化层、全连接层、整流线性单元ReLU及批量规范化层、Dropout层、Sigmoid层和输出层。
7.根据权利要求4所述的区域滑坡危险性动态预测方法,其特征在于,所述不同滑坡危险性级别的概率分界线预先采用概率统计理论和数值定性含义结合的方式确定。
8.一种基于元胞自动机的区域滑坡危险性动态预测装置,其特征在于,包括有依次通信连接的格网单元划分模块、危险级别确定模块、元胞自动机构建模块、演化启动模块、危险级别映射模块和预测结果汇总模块;
所述格网单元划分模块,用于将目标区域划分成多个格网单元;
所述危险级别确定模块,用于针对所述多个格网单元中的各个格网单元,确定对应的且在历史单位时期的滑坡危险性级别值;
所述元胞自动机构建模块,用于根据所述多个格网单元构建如下的元胞自动机:针对所述各个格网单元,在整个元胞空间中定义一个对应的元胞,并将对应的且在某个历史单位时期的滑坡危险性级别值作为对应元胞的初始元胞状态值,以及使对应元胞的元胞邻居关系与对应的格网单元邻居关系保持一致;
所述演化启动模块,用于启动所述元胞自动机执行演化步长为一个单位时期的且基于空间场景相似性案例推理算法的演化规则,以便根据在所述整个元胞空间中各个元胞的初始元胞状态值及元胞邻居关系,得到所述各个元胞在目标单位时期的元胞状态值求解结果,其中,所述目标单位时期为在时序上位于所述某个历史单位时期之后的一个单位时期;
所述危险级别映射模块,用于根据所述各个元胞在所述目标单位时期的元胞状态值求解结果和所述各个格网单元与所述各个元胞的一一对应关系,确定所述各个格网单元在所述目标单位时期的滑坡危险性级别值;
所述预测结果汇总模块,用于汇总所述各个格网单元在所述目标单位时期的滑坡危险性级别值,得到所述目标区域在所述目标单位时期的区域滑坡危险性动态预测结果。
9.一种计算机设备,其特征在于,包括有依次通信连接的存储器、处理器和收发器,其中,所述存储器用于存储计算机程序,所述收发器用于收发消息,所述处理器用于读取所述计算机程序,执行如权利要求1~7中任意一项所述的区域滑坡危险性动态预测方法。
10.一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上存储有指令,当所述指令在计算机上运行时,执行如权利要求1~7中任意一项所述的区域滑坡危险性动态预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210864806.XA CN115169718A (zh) | 2022-07-21 | 2022-07-21 | 基于元胞自动机的区域滑坡危险性动态预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210864806.XA CN115169718A (zh) | 2022-07-21 | 2022-07-21 | 基于元胞自动机的区域滑坡危险性动态预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115169718A true CN115169718A (zh) | 2022-10-11 |
Family
ID=83496759
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210864806.XA Pending CN115169718A (zh) | 2022-07-21 | 2022-07-21 | 基于元胞自动机的区域滑坡危险性动态预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115169718A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542124A (zh) * | 2023-03-13 | 2023-08-04 | 广东省科学院广州地理研究所 | 一种分布式水文模型的辅助建模方法 |
-
2022
- 2022-07-21 CN CN202210864806.XA patent/CN115169718A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116542124A (zh) * | 2023-03-13 | 2023-08-04 | 广东省科学院广州地理研究所 | 一种分布式水文模型的辅助建模方法 |
CN116542124B (zh) * | 2023-03-13 | 2024-04-09 | 广东省科学院广州地理研究所 | 一种分布式水文模型的辅助建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Simulation of urban expansion via integrating artificial neural network with Markov chain–cellular automata | |
Sahin | Comparative analysis of gradient boosting algorithms for landslide susceptibility mapping | |
Jun | A comparison of a gradient boosting decision tree, random forests, and artificial neural networks to model urban land use changes: the case of the Seoul metropolitan area | |
US20200272625A1 (en) | Platform and method for evaluating, exploring, monitoring and predicting the status of regions of the planet through time | |
Feng et al. | Modeling urban growth with GIS based cellular automata and least squares SVM rules: a case study in Qingpu–Songjiang area of Shanghai, China | |
Sarkar et al. | Soil erosion susceptibility mapping with the application of logistic regression and artificial neural network | |
Wang et al. | Simulating multiple class urban land-use/cover changes by RBFN-based CA model | |
Zhao et al. | Using the rotation and random forest models of ensemble learning to predict landslide susceptibility | |
Zhang et al. | A new type of dual-scale neighborhood based on vectorization for cellular automata models | |
de Souza et al. | A data based model to predict landslide induced by rainfall in Rio de Janeiro city | |
US11676375B2 (en) | System and process for integrative computational soil mapping | |
Xu et al. | Landslide susceptibility evaluation based on BPNN and GIS: a case of Guojiaba in the Three Gorges Reservoir Area | |
Karimi et al. | Urban expansion modeling using an enhanced decision tree algorithm | |
Adnan Ikram et al. | Novel evolutionary-optimized neural network for predicting landslide susceptibility | |
Zhuang et al. | Simulation of urban land expansion in China at 30 m resolution through 2050 under shared socioeconomic pathways | |
Mohan et al. | A brief review of recent developments in the integration of deep learning with GIS | |
Tepe et al. | Spatio-temporal modeling of parcel-level land-use changes using machine learning methods | |
Chen et al. | A cellular automaton integrating spatial case-based reasoning for predicting local landslide hazards | |
CN115169718A (zh) | 基于元胞自动机的区域滑坡危险性动态预测方法及装置 | |
Meng et al. | A novel deep learning framework for landslide susceptibility assessment using improved deep belief networks with the intelligent optimization algorithm | |
Chen et al. | The application of the genetic adaptive neural network in landslide disaster assessment | |
Indraja et al. | Spatial and temporal classification and prediction of LULC in Brahmani and Baitarni basin using integrated cellular automata models | |
Dey et al. | Urban flood susceptibility mapping using frequency ratio and multiple decision tree-based machine learning models | |
Mubea et al. | Spatial effects of varying model coefficients in urban growth modeling in Nairobi, Kenya | |
Sureshkumar et al. | A novel representation and prediction initiative for underground water by using deep learning technique of remote sensing images |
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 |