CN115271564B - 一种公路边坡灾害空间危险性区划方法及终端机 - Google Patents

一种公路边坡灾害空间危险性区划方法及终端机 Download PDF

Info

Publication number
CN115271564B
CN115271564B CN202211197636.0A CN202211197636A CN115271564B CN 115271564 B CN115271564 B CN 115271564B CN 202211197636 A CN202211197636 A CN 202211197636A CN 115271564 B CN115271564 B CN 115271564B
Authority
CN
China
Prior art keywords
slope
disaster
road
risk
highway
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
CN202211197636.0A
Other languages
English (en)
Other versions
CN115271564A (zh
Inventor
高旭东
尹超
李建东
焦裕勇
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.)
Zibo Transportation Construction And Development Center
Shandong University of Technology
Original Assignee
Zibo Transportation Construction And Development Center
Shandong University 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 Zibo Transportation Construction And Development Center, Shandong University of Technology filed Critical Zibo Transportation Construction And Development Center
Priority to CN202211197636.0A priority Critical patent/CN115271564B/zh
Publication of CN115271564A publication Critical patent/CN115271564A/zh
Application granted granted Critical
Publication of CN115271564B publication Critical patent/CN115271564B/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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • 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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Hardware Design (AREA)
  • Primary Health Care (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种公路边坡灾害空间危险性区划方法及终端机，涉及公路自然灾害风险评价领域，选取多个公路边坡，形成监测区域，并在选取的公路边坡上设定若干特征点；在固定测站对各公路边坡进行多次扫描监测；对边坡点云进行点云配准；采用点云比较法计算各边坡特征点的变形量；采用层析分析法明确各公路边坡的稳定状况；分析现场调查明确各公路边坡的特征数据；建立监测区域公路边坡灾害属性数据库和空间数据库；对已构建的公路边坡灾害危险性评价模型进行二次编程开发，计算监测区域公路边坡的危险性概率；绘制监测区域公路边坡灾害危险性区划图。本发明可以反映公路边坡灾害与孕灾环境的互馈机制，为灾害防治政策制定提供理论依据。

Description

一种公路边坡灾害空间危险性区划方法及终端机
技术领域
本发明涉及公路自然灾害风险评价领域，尤其涉及一种公路边坡灾害空间危险性区划方法及终端机。
背景技术
公路边坡灾害是发生于公路沿线的天然或人工边坡，并损毁路基、路面及桥梁、隧道等构造物的崩塌、滑坡、泥石流和边坡冲蚀等灾害。目前公路边坡灾害发生数量较多，由此造成的经济损失和人员伤亡逐年增加，因此，需要对公路边坡灾害进行空间危险性区划，以提高公路网抗灾能力。
公路边坡灾害空间危险性区划包括公路边坡野外调查与变形监测、危险性评价指标选取与评价模型构建、危险性空间分析等步骤。现有公路边坡灾害空间危险性区划方法存在公路边坡野外调查方法落后、危险性评价模型单一和危险性空间分析单元选取不合理等缺点。
发明内容
为了克服上述现有技术的不足，本发明提供一种公路边坡灾害空间危险性区划方法，可以反映公路边坡灾害与孕灾环境的互馈机制，揭示灾害发生的内在机理，为灾害防治政策制定和灾害防治资金分配提供理论依据。
公路边坡灾害空间危险性区划方法包括：
步骤1：在研究区域的国道、省道和其他公路分别选取n 1处公路边坡，共选取3n 1处公路边坡，对选取的每处公路边坡设置固定测站并设定若干特征点；
步骤2：分别基于TLS（三维激光扫描）在固定测站对各公路边坡进行2期扫描监测；
步骤3：实地调查各公路边坡的空间数据和属性数据；
步骤4：点云数据预处理包括点云去噪、拼接、简化和配准。基于徕卡Cyclone软件结合手动操作对边坡点云进行去噪、拼接和简化，采用K-D tree改进的ICP算法进行点云配准；
步骤5：基于PolyWorks软件的IMInspect模块对比2期扫描的点云数据，得到各公路边坡的整体变形状况，采用改进的点云比较法计算各边坡特征点的变形量；
步骤6：采用层次分析法明确各公路边坡的稳定状况，通过PolyWorks软件获取各公路边坡的其他属性数据；
步骤7：提出改进的最大间隔超平面法，通过DEXTER和Gisette数据集在Matlab上进行仿真验证并调整模型参数，直至准确率和耗用时间满足要求为止；
步骤8：设定公路边坡灾害危险性评价指标数量，采用改进的最大间隔超平面法对所有公路边坡的待选指标进行特征提取，得到公路边坡灾害危险性评价指标；
步骤9：对网络结构深度、卷积核数量和全连接层数量3类特征选取4种水平进行正交试验设计，生成16组ECG-CNN网络结构；
步骤10：将3n 1处公路边坡数据4等分，任选3组为模型训练样本，1组为模型验证样本，采用4折交叉验证方法，对16组ECG-CNN网络结构进行总计64次分析计算，确定评价准确率最高的网络结构；
步骤11：在研究区域DEM数据上提取公路边坡，基于ArcGIS进行边坡单元数据分析并结合现场调查明确各公路边坡的特征数据；
步骤12：分别基于PostgreSQL数据库和Geodatabase数据库建立研究区域公路边坡灾害属性数据库和空间数据库；
步骤13：对已构建的公路边坡灾害危险性评价模型进行编程开发，计算研究区域公路边坡的危险性概率；
步骤14：将公路边坡灾害危险性概率分为不危险、低危险、中危险、高危险和极高危险5级，基于ArcGIS绘制研究区域公路边坡灾害空间危险性区划图。
进一步需要说明的是，步骤1中的其他公路可以是高速公路、县道和乡道。在国道、省道和其他公路各选取n 1处边坡；n 1的取值范围为20≤n 1≤40。
进一步需要说明的是，步骤2中2期扫描监测的时间间隔应不短于3个月。
进一步需要说明的是，步骤3中的空间数据包括：经纬度、桩号；属性数据包括：岩土类型、植被覆盖度、风化程度、降雨量和降雨强度。
进一步需要说明的是，步骤4的K-D tree改进的ICP算法中，采用以下方法搜索最近点：
首先，比较待查结点与确定的分裂维的值，若分裂维的值较大则进入左子树，若较小则进入右子树，以此方式循环到二叉树的叶子结点，沿着搜索路径找到处于和待查点同一子空间的最近点；
其次，对各点进行回溯操作，若在搜索路径上结点的其它子空间有更近点，则跳到子空间结点上搜索最近点；
最后，反复进行以上2步，直到搜索路径为空。
进一步需要说明的是，步骤5中采用的改进的点云比较法包括以下步骤：
首先，对任一基准点i(x, y, z)，根据以该基准点为球心、R为半径的球体内的邻域点集构建协方差矩阵，求其最小特征值对应的特征向量，即基准点的法向量N；
其次，以法向量N为轴、d为边长、H为高构建棱柱体，棱柱体内包含基准点集和比较点集，其中，基准点i位于基准点集内；
再次，将比较点集投影到法向量N上，计算投影点的重心坐标，重心点即为与基准点i对应的同名点，计算同名点对的距离即为基准点i的变形量；
最后，通过模型试验获取边坡变形测量精度最高的模型参数组合，基于参数组合对实例边坡开展研究，获取监测周期内的边坡变形量。
进一步需要说明的是，步骤6中的其他属性数据包括坡高、坡度、坡向、等高线和灾害体体积。
进一步需要说明的是，步骤7和步骤8中：采用改进的最大间隔超平面法提取公路边坡灾害危险性评价指标包括如下步骤：
首先，将最大间隔超平面转化为式（1）所示的二次规划问题：
Figure 614559DEST_PATH_IMAGE001
（1）
其中： C为调整系数，一般取0.5；
Figure 328437DEST_PATH_IMAGE002
为求…的标准正态分布；
Figure 639333DEST_PATH_IMAGE003
是输入样本；
Figure 316433DEST_PATH_IMAGE004
是相应的类标签；
Figure 661964DEST_PATH_IMAGE005
是相互独立、同分布的随机变量；m为待选指标数量；
其次，为计算w、b、ξ i ，通过引入拉格朗日乘子
Figure 281164DEST_PATH_IMAGE006
和
Figure 79356DEST_PATH_IMAGE007
求得式（1）所示二次规划问题的对偶问题，基于KKT条件和给定的参数 求解对偶问题，最优解可由式（2）表示：
Figure 560147DEST_PATH_IMAGE008
（2）
其中：
Figure 760184DEST_PATH_IMAGE009
；s为设定的评价指标数量。
再次，给定参数
Figure 284706DEST_PATH_IMAGE010
，可提取第一个特征
Figure 570194DEST_PATH_IMAGE011
，将样本数据投 影到与w 1正交的空间中，提取第二个特征
Figure 589097DEST_PATH_IMAGE012
，其中，
Figure 643640DEST_PATH_IMAGE013
，重复上述 过程，直到得到指定数量的特征为止。
进一步需要说明的是，步骤13中，采用面向对象的C#语言，以ArcGIS Engine为开发平台，对已构建的公路边坡灾害危险性评价模型进行编程开发，计算研究区域各公路边坡的危险性概率。
本发明还提供一种终端机，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，处理器执行程序时实现公路边坡灾害空间危险性区划方法的步骤。
从以上技术方案可以看出，本发明具有以下优点：
本发明提出的公路边坡灾害空间危险性区划方法通过TLS获取各公路边坡的空间数据和属性数据并明确各公路边坡的稳定状况；通过改进的最大间隔超平面法提取评价指标并基于ECG-CNN建立危险性评价模型；以ArcGIS Engine为开发平台绘制研究区域的公路边坡灾害空间危险性区划图，并融合Geodatabase数据库和PostgreSQL数据库实现灾害数据的查询和调用。本发明可以反映公路边坡灾害与孕灾环境的互馈机制，揭示灾害发生的内在机理，为灾害防治政策制定和灾害防治资金分配提供理论依据。
附图说明
为更加清楚地说明本发明的技术方案，下面对描述中所需要使用的附图作简单介绍，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附图。
图1为公路边坡灾害空间危险性区划方法流程图；
图2为AUC计算结果图。
具体实施方式
考虑到不同地区地理、地质和水文条件的地带性与非地带性差异，公路边坡灾害存在明显的区域分异特征，即不同地区发生灾害的可能性和灾害规模不同。公路边坡灾害防治应因地制宜、分区而异，即高危险区应采用高标准，低危险区可采用低标准，鉴于此，从空间角度对公路边坡灾害的全面认识成为提高公路边坡灾害防治针对性的重要前提。
公路边坡灾害空间危险性区划涉及交通运输工程、土木工程、测绘工程和地质工程等多学科知识，它以多源异构地理、地质和水文信息融合为基础，根据公路路域环境各要素的空间分布和组合特征判断灾害发生的强度、频度和密度，分析灾害危险性的空间分异状况并基于GIS绘制灾害危险性分布图，明确各公路边坡的危险性等级，为公路边坡灾害防治提供理论基础。
鉴于此，本发明涉及的公路边坡灾害空间危险性区划方法解决基于TLS的公路边坡变形测量、基于改进的最大间隔超平面法的危险性评价指标选取、基于改进ECG-CNN的危险性评价模型构建和基于ArcGIS绘制公路边坡灾害空间危险性区划图等关键问题。
如图1所示，本发明所提供的图示仅以示意方式说明本发明的基本构想，本发明的空间危险性区划方法可以基于人工智能（Artificial Intelligence，AI）技术对关联的数据进行获取和处理。其中，AI是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。
图1示出了本发明的公路边坡灾害空间危险性区划方法的较佳实施例的流程图。公路边坡灾害空间危险性区划方法应用于一个或者多个终端机中，终端机是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路（Application Specific Integrated Circuit，ASIC）、可编程门阵列（Field-Programmable Gate Array，FPGA）、数字处理器（Digital Signal Processor，DSP）、嵌入式设备等。
终端机可以是任何一种可与用户进行人机交互的电子产品，例如，个人计算机、平板电脑、智能手机、个人数字助理（Personal Digital Assistant，PDA）、交互式网络电视（Internet Protocol Television，IPTV）、智能式穿戴式设备等。
终端机还可以包括网络设备和/或用户设备。其中，网络设备包括但不限于单个网络服务器、多个网络服务器组成的服务器组或基于云计算（Cloud Computing）的由大量主机或网络服务器构成的云。
终端机所处的网络包括但不限于互联网、广域网、城域网、局域网、虚拟专用网络（Virtual Private Network，VPN）等。
下面将结合图1详细阐述本发明的公路边坡灾害空间危险性区划方法，区划结果可以反映公路边坡灾害与孕灾环境的互馈机制，揭示灾害发生的内在机理，为灾害防治政策制定和灾害防治资金分配提供理论依据。
具体来讲，该方法包括：
步骤1：在研究区域的国道、省道和其他公路上分别选取n 1处公路边坡，共选取3n 1处公路边坡，对选取的每处公路边坡设置固定测站并设定若干特征点；
其他公路可以是高速公路、县道和乡道，选取公路边坡的数量n 1为20≤n 1≤40。
步骤2：分别基于TLS在固定测站对各公路边坡进行2期扫描监测，2期扫描监测的时间间隔应不短于3个月。
各公路边坡的2期扫描应在固定测站开展，且须保证各固定测站在监测期内不发生位移。
本发明实施例中，根据反射强度和形状特征在各公路边坡选取若干特征点用于点云配准和变形测量，在扫描时除进行边坡表面整体的中等精度扫描外，还须对边坡特征点进行精扫。
步骤3：实地调查各公路边坡的空间数据和属性数据；
其中，空间数据包括：经纬度、桩号；属性数据包括：岩土类型、植被覆盖度、风化程度、降雨量和降雨强度。
步骤4：点云数据预处理包括点云去噪、拼接、简化和配准。基于徕卡Cyclone软件结合手动操作对边坡点云进行去噪、拼接和简化，采用K-D tree改进的ICP算法进行点云配准；
本实施例中，K-D tree改进的ICP算法采用以下方法搜索最近点：
首先，比较待查结点与确定的分裂维的值，若分裂维的值较大则进入左子树，若较小则进入右子树，以此方式循环到二叉树的叶子结点，沿着搜索路径找到处于和待查点同一子空间的最近点；
其次，对各点进行回溯操作，若在搜索路径上结点的其它子空间有更近点，则跳到子空间结点上搜索最近点；
最后，反复进行以上2步，直到搜索路径为空。
步骤5：基于PolyWorks软件的IMInspect模块得到各公路边坡的整体变形状况，采用点云比较法计算各边坡特征点的变形量；
这里的点云比较法包括以下步骤：
首先，对任一基准点i(x, y, z)，根据以该基准点为球心、R为半径的球体内的邻域点集构建协方差矩阵，求其最小特征值对应的特征向量，即基准点的法向量N；
其次，以法向量N为轴、d为边长，H为高构建棱柱体，棱柱体内包含基准点集和比较点集，其中，基准点i位于基准点集内；
再次，将比较点集投影到法向量N上，计算投影点的重心坐标，重心点即为与基准点i对应的同名点，计算同名点对的距离即为基准点i的变形量；
最后，通过模型试验获取边坡变形测量精度最高的模型参数组合，基于参数组合对实例边坡开展研究，获取监测周期内的边坡变形量。
步骤6：采用层次分析法明确各公路边坡的稳定状况，通过PolyWorks软件获取各公路边坡的其他属性数据，包括坡高、坡度、坡向、等高线和灾害体体积属性数据。
步骤7：提出改进的最大间隔超平面法，通过DEXTER和Gisette数据集在Matlab上进行仿真验证并调整模型参数，直至准确率和耗用时间满足要求为止；
步骤8：设定公路边坡灾害危险性评价指标数量，采用改进的最大间隔超平面法对所有公路边坡的待选指标进行特征提取，得到公路边坡灾害危险性评价指标；
本实施例中，采用改进的最大间隔超平面法提取公路边坡灾害危险性评价指标包括如下步骤：
首先，将最大间隔超平面转化为式（1）所示的二次规划问题：
Figure 604643DEST_PATH_IMAGE001
（1）
其中： C为调整系数，一般取0.5；
Figure 377427DEST_PATH_IMAGE002
为求…的标准正态分布；
Figure 665933DEST_PATH_IMAGE003
是输入样本；
Figure 106141DEST_PATH_IMAGE004
是相应的类标签；
Figure 706887DEST_PATH_IMAGE005
是相互独立、同分布的随机变量；m为待选指标数量；
其次，为计算w、b、ξ i ，通过引入拉格朗日乘子
Figure 966967DEST_PATH_IMAGE006
和
Figure 327672DEST_PATH_IMAGE007
求得式（1）所示二次规划问题的对偶问题，基于KKT条件和给定的参数 求解对偶问题，最优解可由式（2）表示：
Figure 356808DEST_PATH_IMAGE008
（2）
其中：
Figure 659613DEST_PATH_IMAGE009
；s为设定的评价指标数量。
再次，给定参数
Figure 141410DEST_PATH_IMAGE010
，可提取第一个特征
Figure 305807DEST_PATH_IMAGE011
，将样本数据投 影到与w 1正交的空间中，提取第二个特征
Figure 189449DEST_PATH_IMAGE012
，其中，
Figure 663156DEST_PATH_IMAGE013
，重复上述 过程，直到得到指定数量的特征为止。
步骤9：为验证不同ECG-CNN网络结构的预测精度，对网络结构深度（卷积层+池化层数量）、卷积核数量和全连接层数量3类特征选取4种水平进行正交试验设计，生成16组ECG-CNN网络结构；
步骤10：将3n 1处公路边坡数据4等分，任选3组为模型训练样本，1组为模型验证样本，采用4折交叉验证方法，以危险性评价指标取值折线图为模型输入，以危险性概率为模型输出，对16组ECG-CNN网络结构进行总计64次分析计算，根据曲线下面积值（AUC）确定评价准确率最高的网络结构，以此构建公路边坡灾害危险性评价模型；
步骤11：在研究区域得DEM数据上，以山脊线和公路路线为边界，在公路路线两侧各500m走廊带内提取公路边坡。
构建各公路边坡的TIN三角网，采用ArcGIS的TIN Difference、Cut/Fill、Slope、Aspect等工具和Data Reference Element、Triangulate Data Points、Create Cross-Section等命令进行边坡单元数据分析并结合现场调查明确各公路边坡的特征数据。
步骤12：分别基于PostgreSQL数据库和Geodatabase数据库建立研究区域公路边坡灾害属性数据库和空间数据库，将危险性评价涉及的数据存入数据库中并实现灾害数据的查询和调用。
步骤13：对已构建的公路边坡灾害危险性评价模型进行编程开发，计算研究区域公路边坡的危险性概率；
本发明的方法采用面向对象的C#语言，以ArcGIS Engine为开发平台，对已构建的公路边坡灾害危险性评价模型进行编程开发，计算研究区域各公路边坡的危险性概率。
步骤14：将公路边坡灾害危险性概率分为不危险、低危险、中危险、高危险和极高危险5级，基于ArcGIS绘制研究公路边坡灾害空间危险性区划图。
本发明提出的公路边坡灾害空间危险性区划方法通过TLS获取各公路边坡的空间数据和属性数据并明确各公路边坡的稳定状况；通过改进的最大间隔超平面法提取评价指标并基于ECG-CNN建立危险性评价模型；以ArcGIS Engine为开发平台绘制研究区域的公路边坡灾害空间危险性区划图，并融合Geodatabase数据库和PostgreSQL数据库实现灾害数据的查询和调用。本发明可以反映公路边坡灾害与孕灾环境的互馈机制，揭示灾害发生的内在机理，为灾害防治政策制定和灾害防治资金分配提供理论依据。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
以博沂地区（山东省淄博市博山区和沂源县）为例进行公路边坡灾害空间危险性区划，具体按以下步骤进行：
第一步，在博沂地区的国道、省道和其他公路分别选取25处公路边坡，根据反射强度和形状特征在各公路边坡选取1个特征点，共计选取75处公路边坡和75个特征点并在每处公路边坡附近修筑1处固定测站。分别于2021年11月和2022年3月采用徕卡BLK360型三维激光扫描仪在固定测站对75处公路边坡进行扫描监测，在扫描时除进行边坡表面整体的中等精度扫描外，还须对边坡特征点进行精扫；同时实地调查各公路边坡的空间数据（经纬度、桩号）和属性数据（岩土类型、植被覆盖度、风化程度、降雨量和降雨强度）。
第二步，基于徕卡Cyclone软件结合手动操作实现75处公路边坡点云数据的去噪、拼接和简化，点云配准通过K-D tree改进的ICP算法进行，该算法采用以下方法搜索最近点：
首先，比较待查结点与确定的分裂维的值，若分裂维的值较大则进入左子树，若较小则进入右子树，以此方式循环到二叉树的叶子结点，沿着搜索路径找到处于和待查点同一子空间的最近点；
其次，对各点进行回溯操作，若在搜索路径上结点的其它子空间有更近点，则跳到子空间结点上搜索最近点；
最后，反复进行以上2步，直到搜索路径为空。
第三步，基于PolyWorks软件的IMInspect模块得到各公路边坡的整体变形状况，采用改进的点云比较法计算各边坡特征点的变形量。改进的点云比较法包括以下步骤：
首先，对任一基准点i(x, y, z)，根据以该基准点为球心、R为半径的球体内的邻域点集构建协方差矩阵，求其最小特征值对应的特征向量，即该基准点的法向量N；
其次，以该法向量N为轴、d为边长，H为高构建棱柱体，该棱柱体内包含基准点集和比较点集，其中，基准点i位于基准点集内；
再次，将比较点集投影到法向量N上，计算投影点的重心坐标，该重心点即为与基准点i对应的同名点，计算该同名点对的距离即为基准点i的变形量；
最后，通过模型试验获取边坡变形测量精度最高的模型参数组合，基于参数组合对实例边坡开展研究，获取监测周期内的边坡变形量。
第四步：采用层次分析法明确各公路边坡的稳定状况，通过PolyWorks软件获取各公路边坡的其他属性数据，包括坡高、坡度、坡向、等高线和灾害体体积属性数据。
第五步：提出改进的最大间隔超平面法，通过DEXTER和Gisette数据集在Matlab上进行仿真验证并调整模型参数，直至准确率和耗用时间满足要求为止；
第六步：设定公路边坡灾害危险性评价指标数量，采用改进的最大间隔超平面法对所有公路边坡的待选指标进行特征提取，得到公路边坡灾害危险性评价指标；
本实施例中，采用改进的最大间隔超平面法提取公路边坡灾害危险性评价指标包括如下步骤：
首先，将最大间隔超平面转化为式（1）所示的二次规划问题：
Figure 632249DEST_PATH_IMAGE001
（1）
其中： C为调整系数，一般取0.5；
Figure 865915DEST_PATH_IMAGE002
为求…的标准正态分布；
Figure 604064DEST_PATH_IMAGE003
是输入样本；
Figure 248672DEST_PATH_IMAGE004
是相应的类标签；
Figure 705061DEST_PATH_IMAGE005
是相互独立、同分布的随机变量；m为待选指标数量；
其次，为计算w、b、ξ i ，通过引入拉格朗日乘子
Figure 473909DEST_PATH_IMAGE006
和
Figure 66565DEST_PATH_IMAGE007
求得式（1）所示二次规划问题的对偶问题，基于KKT条件和给定的参数 求解对偶问题，最优解可由式（2）表示：
Figure 882074DEST_PATH_IMAGE008
（2）
其中：
Figure 576492DEST_PATH_IMAGE009
；s为设定的评价指标数量。
再次，给定参数
Figure 135649DEST_PATH_IMAGE010
，可提取第一个特征
Figure 848390DEST_PATH_IMAGE011
，将样本数据投 影到与w 1正交的空间中，提取第二个特征
Figure 569221DEST_PATH_IMAGE012
，其中，
Figure 750935DEST_PATH_IMAGE013
，重复上述 过程，直到得到指定数量的特征为止。
第七步：为验证不同ECG-CNN网络结构的预测精度，对网络结构深度（卷积层+池化层数量）、卷积核数量和全连接层数量3类特征选取4种水平进行正交试验设计，生成16组ECG-CNN网络结构；
第八步：将75处公路边坡数据分为4组（由于75处公路边坡数据无法等分为4组，所以允许各组数据中存在重复信息），任选3组为模型训练样本，1组为模型验证样本，采用4折交叉验证方法，以危险性评价指标取值折线图为模型输入，以危险性概率为模型输出，对16组ECG-CNN网络结构进行总计64次分析计算并获得各组ECG-CNN网络结构的曲线下面积值（AUC），AUC计算结果如下表1和附图2所示。根据AUC确定评价准确率最高的网络结构为第4组ECG-CNN（AUC=0.891），以此构建公路边坡灾害危险性评价模型；
表1 16组ECG-CNN网络结构AUC计算结果表
Figure 848204DEST_PATH_IMAGE014
第九步：在研究区域的DEM数据上以山脊线和公路路线为边界，在公路路线两侧各500m走廊带内提取公路边坡。构建各公路边坡的TIN三角网，采用ArcGIS的TINDifference、Cut/Fill、Slope、Aspect等工具和Data Reference Element、TriangulateData Points、Create Cross-Section等命令进行边坡单元数据分析并结合现场调查明确各公路边坡的特征数据。
第十步：分别基于PostgreSQL数据库和Geodatabase数据库建立监测区域公路边坡灾害属性数据库和空间数据库，将危险性评价涉及的数据存入数据库中并实现灾害数据的查询和调用。
第十一步：对已构建的公路边坡灾害危险性评价模型进行编程开发，计算研究区域公路边坡的危险性概率；
本发明的方法采用面向对象的C#语言，以ArcGIS Engine为开发平台，对已构建的公路边坡灾害危险性评价模型进行编程开发，计算研究区域各公路边坡的危险性概率。
第十二步：将公路边坡灾害危险性概率分为不危险、低危险、中危险、高危险和极高危险5级，基于ArcGIS绘制博沂地区的国道、省道和其他公路选取的25处公路边坡灾害空间危险性区划图。
可以反映博沂地区公路边坡灾害与孕灾环境的互馈机制，如果博沂地区公路边坡出现边坡灾害,则可以揭示灾害发生的内在机理，为灾害防治政策制定和灾害防治资金分配提供理论依据。
本发明提出的公路边坡灾害空间危险性区划方法通过TLS获取各公路边坡的空间数据和属性数据并明确各公路边坡的稳定状况；通过改进的最大间隔超平面法提取评价指标并基于ECG-CNN建立危险性评价模型；以ArcGIS Engine为开发平台绘制研究区域的公路边坡灾害空间危险性区划图，并融合Geodatabase数据库和PostgreSQL数据库实现灾害数据的查询和调用。本发明可以反映公路边坡灾害与孕灾环境的互馈机制，揭示灾害发生的内在机理，为灾害防治政策制定和灾害防治资金分配提供理论依据。
本发明的公路边坡灾害空间危险性区划方法是结合本文公开的实施例所描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用使用不同方法实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属技术领域的技术人员能够理解，本发明的公路边坡灾害空间危险性区划方法的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式（包括固件、微代码等），或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种公路边坡灾害空间危险性区划方法，其特征在于，方法包括：
步骤1：在研究区域的国道、省道和其他公路分别选取n 1处公路边坡，共选取3n 1处公路边坡，对选取的每处公路边坡设置固定测站并设定若干特征点；
步骤2：分别基于TLS在固定测站对各公路边坡进行2期扫描监测；
步骤3：实地调查各公路边坡的空间数据和属性数据；
步骤4：基于徕卡Cyclone软件结合手动操作对边坡点云进行去噪、拼接和简化，采用K-D tree改进的ICP算法进行点云配准；
步骤5：基于PolyWorks软件的IMInspect模块对比2期扫描的点云数据，得到各公路边坡的整体变形状况，采用改进的点云比较法计算各边坡特征点的变形量；
采用的改进的点云比较法包括以下步骤：
首先，对任一基准点i(x, y, z)，根据以该基准点为球心、R为半径的球体内的邻域点集构建协方差矩阵，求其最小特征值对应的特征向量，即基准点的法向量N；
其次，以法向量N为轴、d为边长、H为高构建棱柱体，棱柱体内包含基准点集和比较点集，其中，基准点i位于基准点集内；
再次，将比较点集投影到法向量N上，计算投影点的重心坐标，重心点即为与基准点i对应的同名点，计算同名点对的距离即为基准点i的变形量；
最后，通过模型试验获取边坡变形测量精度最高的模型参数组合，基于参数组合对实例边坡开展研究，获取监测周期内的边坡变形量；
步骤6：采用层次分析法明确各公路边坡的稳定状况，通过PolyWorks软件获取各公路边坡的其他属性数据；
步骤7：提出改进的最大间隔超平面法，通过DEXTER和Gisette数据集在Matlab上进行仿真验证并调整模型参数，直至准确率和耗用时间满足要求为止；
采用改进的最大间隔超平面法提取公路边坡灾害危险性评价指标包括如下步骤：
首先，将最大间隔超平面转化为式（1）所示的二次规划问题：
Figure 701284DEST_PATH_IMAGE001
其中：C为调整系数，C取0.5；
Figure 171580DEST_PATH_IMAGE002
是输入样本；
Figure 760693DEST_PATH_IMAGE003
是相应的类标签；
Figure 960730DEST_PATH_IMAGE004
是相互独立、同分布的随机变量；m为待选指 标数量；
其次，为计算w、b、ξ i ，通过引入拉格朗日乘子
Figure 157356DEST_PATH_IMAGE005
求得式（1）所示二次规划问题的对偶问题，基 于KKT条件和给定的参数求解对偶问题，最优解由式（2）表示：
Figure DEST_PATH_IMAGE006
其中：
Figure DEST_PATH_IMAGE008
；s为设定的评价指标数量；
再次，给定参数
Figure DEST_PATH_IMAGE010
，提取第一个特征
Figure DEST_PATH_IMAGE012
，将样本数据投影到与w 1正交的空间中，提取第二个特征
Figure DEST_PATH_IMAGE014
，其中，
Figure DEST_PATH_IMAGE016
，重复上述过程，直到得到指定数量的特征为止；
步骤8：设定公路边坡灾害危险性评价指标数量，采用改进的最大间隔超平面法对所有公路边坡的待选指标进行特征提取，得到公路边坡灾害危险性评价指标；
步骤9：对网络结构深度、卷积核数量和全连接层数量3类特征选取4种水平进行正交试验设计，生成16组ECG-CNN网络结构；
步骤10：将3n 1处公路边坡数据4等分，任选3组为模型训练样本，1组为模型验证样本，采用4折交叉验证方法，对16组ECG-CNN网络结构进行总计64次分析计算，确定评价准确率最高的网络结构；
步骤11：在研究区域DEM数据上提取公路边坡，基于ArcGIS进行边坡单元数据分析并结合现场调查明确各公路边坡的特征数据；
步骤12：分别基于PostgreSQL数据库和Geodatabase数据库建立研究区域公路边坡灾害属性数据库和空间数据库；
步骤13：对已构建的公路边坡灾害危险性评价模型进行编程开发，计算研究区域公路边坡的危险性概率；
步骤14：将公路边坡灾害危险性概率分为不危险、低危险、中危险、高危险和极高危险5级，基于ArcGIS绘制研究区域公路边坡灾害空间危险性区划图。
2.根据权利要求1的公路边坡灾害空间危险性区划方法，其特征在于，步骤1中的其他公路是高速公路、县道和乡道；在国道、省道和其他公路各选取n 1处边坡；n 1的取值范围为20≤n 1≤40。
3.根据权利要求1的公路边坡灾害空间危险性区划方法，其特征在于，步骤2中2期扫描监测的时间间隔应不短于3个月。
4.根据权利要求1的公路边坡灾害空间危险性区划方法，其特征在于，步骤3中的空间数据包括：经纬度、桩号；属性数据包括：岩土类型、植被覆盖度、风化程度、降雨量和降雨强度。
5.根据权利要求1的公路边坡灾害空间危险性区划方法，其特征在于，步骤4的K-Dtree改进的ICP算法中，采用以下方法搜索最近点：
首先，比较待查结点与确定的分裂维的值，若分裂维的值较大则进入左子树，若较小则进入右子树，以此方式循环到二叉树的叶子结点，沿着搜索路径找到处于和待查点同一子空间的最近点；
其次，对各点进行回溯操作，若在搜索路径上结点的其它子空间有更近点，则跳到子空间结点上搜索最近点；
最后，反复进行以上2步，直到搜素路径为空。
6.根据权利要求1的公路边坡灾害空间危险性区划方法，其特征在于，
步骤6中的其他属性数据包括坡高、坡度、坡向、等高线和灾害体体积。
7.根据权利要求1的公路边坡灾害空间危险性区划方法，其特征在于，
步骤13中，采用面向对象的C#语言，以ArcGIS Engine为开发平台，对已构建的公路边坡灾害危险性评价模型进行编程开发，计算研究区域各公路边坡的危险性概率。
8.一种终端机，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，其特征在于，处理器执行程序时实现如权利要求1至7任一项所述的公路边坡灾害空间危险性区划方法的步骤。
CN202211197636.0A 2022-09-29 2022-09-29 一种公路边坡灾害空间危险性区划方法及终端机 Active CN115271564B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211197636.0A CN115271564B (zh) 2022-09-29 2022-09-29 一种公路边坡灾害空间危险性区划方法及终端机

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211197636.0A CN115271564B (zh) 2022-09-29 2022-09-29 一种公路边坡灾害空间危险性区划方法及终端机

Publications (2)

Publication Number Publication Date
CN115271564A CN115271564A (zh) 2022-11-01
CN115271564B true CN115271564B (zh) 2022-12-27

Family

ID=83756479

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211197636.0A Active CN115271564B (zh) 2022-09-29 2022-09-29 一种公路边坡灾害空间危险性区划方法及终端机

Country Status (1)

Country Link
CN (1) CN115271564B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116151483B (zh) * 2023-04-14 2023-07-21 山东理工大学 一种区域级降雨滑坡概率性预测方法及预测终端

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020094472A (ja) * 2018-12-10 2020-06-18 公益財団法人鉄道総合技術研究所 融雪期斜面災害の危険度評価方法および融雪期斜面災害の危険度評価システム
CN113283802A (zh) * 2021-06-17 2021-08-20 北京交通大学 一种复杂艰险山区滑坡危险性评估方法
KR102303783B1 (ko) * 2021-01-26 2021-09-23 대한민국 드론을 활용한 사면붕괴를 포함한 재난사고 현장정보 취득 및 분석 방법과 시스템
CN113642849A (zh) * 2021-07-19 2021-11-12 北京师范大学 考虑空间分布特征的地质灾害危险性综合评价方法及装置
JP2022047348A (ja) * 2020-09-11 2022-03-24 日本信号株式会社 特定地点における土砂災害の発生可能性を推定するためのシステム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111623722B (zh) * 2020-07-29 2020-11-03 湖南致力工程科技有限公司 一种基于多传感器的边坡变形立体监测系统和方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020094472A (ja) * 2018-12-10 2020-06-18 公益財団法人鉄道総合技術研究所 融雪期斜面災害の危険度評価方法および融雪期斜面災害の危険度評価システム
JP2022047348A (ja) * 2020-09-11 2022-03-24 日本信号株式会社 特定地点における土砂災害の発生可能性を推定するためのシステム
KR102303783B1 (ko) * 2021-01-26 2021-09-23 대한민국 드론을 활용한 사면붕괴를 포함한 재난사고 현장정보 취득 및 분석 방법과 시스템
CN113283802A (zh) * 2021-06-17 2021-08-20 北京交通大学 一种复杂艰险山区滑坡危险性评估方法
CN113642849A (zh) * 2021-07-19 2021-11-12 北京师范大学 考虑空间分布特征的地质灾害危险性综合评价方法及装置

Also Published As

Publication number Publication date
CN115271564A (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
Forlani et al. C omplete classification of raw LIDAR data and 3D reconstruction of buildings
US10606962B2 (en) Horizontal optimization of transport alignments
CN100533486C (zh) 一种数字城市全自动生成的方法
CN101149843B (zh) 一种数字城市的继承式自动生成及实时更新方法
CN103337052B (zh) 面向宽幅遥感影像的自动几何纠正方法
Habib et al. Impact of interpolation techniques on the accuracy of large-scale digital elevation model
Jiang et al. Determining ground elevations covered by vegetation on construction sites using drone-based orthoimage and convolutional neural network
CN115271564B (zh) 一种公路边坡灾害空间危险性区划方法及终端机
Brinkhoff Open street map data as source for built-up and urban areas on global scale
Aljumaily et al. Voxel change: Big data–based change detection for aerial urban LiDAR of unequal densities
Miky et al. A combined contour lines iteration algorithm and Delaunay triangulation for terrain modeling enhancement
Zeybek et al. Geometric feature extraction of road from UAV based point cloud data
Carneiro et al. Digital urban morphometrics: automatic extraction and assessment of morphological properties of buildings
Mirosław-Świątek et al. Developing an algorithm for enhancement of a digital terrain model for a densely vegetated floodplain wetland
Lou et al. A fine-grained navigation network construction method for urban environments
CN115628720A (zh) 一种智能三维地形图测绘方法及系统
Xing et al. Continuous monitoring of nearest neighbors on land surface
Mandlburger et al. Derivation of a countrywide river network based on Airborne Laser Scanning DEMs-results of a pilot study
Choi et al. Heuristic road extraction
Treccani et al. Automating the inventory of the navigable space for pedestrians on historical sites: Towards accurate path planning
Gao et al. Improving Representation of Land‐use Maps Derived from Object‐oriented Image Classification
Alemam et al. A Proposed Merging Methods of Digital Elevation Model Based on Artificial Neural Network and Interpolation Techniques for Improved Accuracy
Audenino et al. Fusion strategies for high resolution urban DEM
Dohnal et al. Automated Determination of Relative Height of Terrain Steps Using Geoprocessing Model
Carneiro et al. Incorporation of morphological properties of buildings’ descriptors computed from GIS and LIDAR data on an urban multi-agent vector based geo-simulator

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