CN115359630A - 一种基于XGB和CatBoost双重提升树算法的滑坡预警方法 - Google Patents
一种基于XGB和CatBoost双重提升树算法的滑坡预警方法 Download PDFInfo
- Publication number
- CN115359630A CN115359630A CN202211016999.XA CN202211016999A CN115359630A CN 115359630 A CN115359630 A CN 115359630A CN 202211016999 A CN202211016999 A CN 202211016999A CN 115359630 A CN115359630 A CN 115359630A
- Authority
- CN
- China
- Prior art keywords
- xgb
- model
- catboost
- landslide
- early warning
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明涉及一种基于XGB和CatBoost双重提升树算法的滑坡预警方法,包括:S1:获取待测地区的历史地质因素特征数据和历史降雨特征数据;S2:对数据进行预处理,构建数据样本集;S3:建立XGB模型和CatBoost模型;S4:对XGB模型和CatBoost模型进行训练,其中基于数据样本集和XGB模型的预测的孔隙水压力数据集对CatBoost模型进行训练;S5:获取待测地区的实时地质因素特征数据和实时降雨特征数据,并将数据输入到XGB模型和CatBoost模型中,获得滑坡失稳的临界FOS值。S6:根据将滑坡失稳的临界FOS值的预设阈值得到预警级别。本发明通过搭建XGB和CatBoost双重提升树算法预警框架,通过结合近实时预测坡体的孔隙水压力,在较低的输入条件下对降雨诱发滑坡演变过程保持准确、高效的滑坡灾害预警。
Description
技术领域
本发明涉及本发明涉及滑坡灾害预警技术和机器学习领域,具体指一种基于XGB和CatBoost双重提升树算法的滑坡预警方法。
背景技术
在过去几十年中,山体滑坡对人类社会造成了巨大破坏,而日益显著的气候变化和滑坡易发区的持续城市化导致了滑坡事件频率和强度的大幅提升,因此减轻滑坡灾害的风险对社会可持续发展至关重要。
由于遥感技术的迅速发展,滑坡预警系统已经成为减轻降雨诱发滑坡灾害风险的有效方法。鉴于雨季滑坡发生的高概率,传统滑坡预警系统的预测方法一般基于物理方法建立模型进行边坡稳定性分析得到降雨量阈值,直接利用降雨量进行预测。而边坡失稳的临界条件受降雨特征和坡体的水文地质特性等多个相关因素控制,与其水文动态过程密切相关,故降雨诱发的滑坡破坏特征也随时间呈现出复杂的变化模式。在气候环境发生变化时,直接利用降雨量数据不能良好地适应降雨诱发滑坡破坏模式的演变,预警质量较低。同时,物理方法通常从降雨入渗、水文水力条件和边坡岩土体失稳机理上着手推导公式,分析得出基于滑坡过程模型的物理性降雨阈值,或者通过研究地质灾害的运动机理和径流过程,确定滑坡临界降雨量。实际地区水文地质条件复杂,建模过程中输入参数较多,建立的物理模型复杂,参数不确定性大,输出结果慢;若简化水文地质条件后,输入参数较少,模型不够准确,预警精度低,故该方法的预警精度和速度受到输入条件的限制。
发明内容
针对现有技术存在的上述问题,本发明的目的是:提出一种基于XGB和CatBoost双重提升树算法的滑坡预警方法,以解决传统滑坡预警系统的预测方法受到气候环境变化和水文地质条件参数影响,预警质量比较低的问题。
为实现上述目的,本发明采用如下技术方案:一种基于XGB和CatBoost双重提升树算法的滑坡预警方法,包括如下步骤:
S1:获取待测地区的历史地质因素特征数据和历史降雨特征数据;
S2:对历史地质因素特征数据和历史降雨特征数据进行预处理,构建数据样本集,所述数据样本集包括:XGB数据样本集和CatBoost数据样本集;
S3:建立XGB模型和CatBoost模型;
S4:利用所述数据样本集对XGB模型和CatBoost模型进行训练,其中基于CatBoost数据样本集和XGB模型预测的孔隙水压力数据集对CatBoost模型进行训练;
S5:获取待测地区的实时地质因素特征数据和实时降雨特征数据,并将实时地质因素特征数据和实时降雨特征数据输入到XGB模型和CatBoost模型中,获得滑坡失稳的临界FOS值。
S6:将滑坡失稳的临界FOS值与预设阈值进行匹配,得到预警级别。
在一种可选的方式中,所述XGB模型的输入数据包括:土壤深度、地下水位、坡度、有效摩擦角、容重、土壤饱和导水率、降雨强度和降雨时间;所述CatBoost模型的输入数据包括:XGB模型预测的孔隙水压力、有效抗剪强度参数、降雨时间和土壤深度。
在一种可选的方式中,所述S2中的数据样本集的输入数据为历史地质因素特征数据和历史降雨特征数据,所述数据样本集的输出数据为为0或1。
在一种可选的方式中,所述S1中通过原位试验、室内试验和现场监测三种方法获得待测地区的历史地质因素特征数据和历史降雨特征数据。
在一种可选的方式中,将所述XGB数据样本集和CatBoost数据样本集均进行分层抽样生成对应的训练集和测试集。
在一种可选的方式中,所述S4中采用K折交叉验证法和贝斯优化算法获得XGB和CatBoost模型的最佳超参数集。
在一种可选的方式中,所述评估XGB模型超参数的指标最小化时,获得XGB模型的最小化目标函数的最佳超参数集;所述评估CatBoost模型超参数的指标最大化时,获得CatBoost模型的最小化目标函数的最佳超参数集。
在一种可选的方式中,所述S4中基于标准指标对所述S4中对训练后的XGB模型和CatBoost模型进行模型预测和分类性评价,获得最优预警框架。
在一种可选的方式中,所述XGB模型进行模型预测和分类性评价的标准指标包括:均方根误差RMSE、平均绝对误差MAE、皮尔逊相关系数R和决定系数R0 2;所述CatBoost模型进行模型预测和分类性评价的标准指标包括:准确率、均衡准确率、马修斯相关系数MCC和受试者工作特征曲线ROC。
其中,均方根误差RMSE用于均方根误差是观测值与真值偏差的平方与观测次数n比值的平方根,用于衡量观测值同真值之间的偏差;平均绝对误差MAE有单个观测值与算术平均值的偏差的绝对值的平均,用于反映预测值误差的实际情况;皮尔逊相关系数R是一种度量两个变量间相关程度的方法;决定系数R0 2表示可根据自变量的变异来解释因变量的变异部分;准确率是预测正确的样本占全部样本的比例,反映对一个事物表达或描述的正确程度;均衡准确率是每个类别中预测正确的比例的算术平均值;马修斯相关系数MCC马修斯相关系数是应用在机器学习中,用以测量二分类的分类性能的指标;受试者工作特征曲线ROC,ROC曲线是反映敏感性和特异性连续变量的综合指标,其主要分析工具是一个画在二维平面上的曲线;AUC为曲线下面积,值通常介于0.5到1.0之间,AUC值越大,则说明模型表现越好。
在一种可选的方式中,所述滑坡失稳的临界FOS值小于和等于1.5时,预警级别为危险;所述滑坡失稳的临界FOS值大于和等于1.5,同时小于2时,所述预警级别为安全;所述滑坡失稳的临界FOS值大于和等于2,同时小于3时,所述预警级别为安全;所述滑坡失稳的临界FOS值大于和等于3时,所述预警级别为安全。
本发明中XGB和CatBoost的双重提升树框架通过结合得到的预测近实时孔隙水压力,在日益显著的气候变化下能够对水文地质条件近实时变化进行动态预测,保证了该方法在滑坡随土壤水文演变的过程仍具有良好的适应性;由于框架具有优秀的泛化能力和自我改进的能力,本发明方法可以降低输入要求,减少了降雨入渗条件下滑坡预警建模中的参数的不确定性,同时在输入要求较低的情况下,能准确预测孔隙水压力,高效划分预警级别,从而在降雨诱发滑坡的演变过程中保持着良好的滑坡预警质量。
附图说明
图1为本发明实施例一种基于XGB和CatBoost双重提升树算法的滑坡预警方法的框架图。
图2为泥岩地区预警框架在测试集上的ROC曲线。
图3为砂岩地区预警框架在测试集上的ROC曲线。
具体实施方式
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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面对本发明作进一步详细说明,如附图1所示。
S1:获取待测地区的历史地质因素特征数据和历史降雨特征数据;
具体步骤为:在山坡体上布设传感器,现场监测山体的孔隙水压力、土壤含水率和降雨数据,同时对土体进行原位试验和室内试验,得到有效抗剪强度参数等数值,最终获得待测地区的历史地质因素特征数据和历史降雨特征数据。
例如以某研究区,该区域的年降雨量范围为1500至2000毫米,对该地区进行原位试验、室内试验得到区域地质特征:整体分为砂岩和泥岩两种地区,砂岩地区为渗透性基岩,泥岩地区为非渗透性基岩。其中砂岩山坡厚约6-7米,坡度为37.1°-38.4°,同时,泥岩山坡表面有大约1米的沉积覆盖层,坡度大约为32.3°-35.7°,获得该地区历史地质因素数据如表1,结合2014年初夏和秋季山坡的长期孔隙水压力和降雨径流观测数据,获得该地区2014年5月~6月降降雨强度和降雨时间数据。
表1输入的历史地质因素数据
S2:对历史地质因素特征数据和历史降雨特征数据进行预处理,构建数据样本集;
具体步骤为:先剔除无效值和调整数据格式,整合历史地质因素特征数据和历史降雨特征数据分别构建数据样本集:建立XGB数据样本集和CatBoost数据样本集,XGB数据样本集包括:土壤深度(表1中深度)、地下水位、坡度、有效摩擦角、容重、土壤饱和导水率(表1中饱和导水率)、降雨强度和降雨时间。CatBoost数据样本集包括:有效抗剪强度参数、降雨时间和土壤深度。
其中,数据样本集的输入数据为历史地质因素特征数据和历史降雨特征数据,所述数据样本集的输出数据为0或1。
数据样本集处理完成后,将所述XGB数据集和CatBoost数据集均进行分层抽样生成对应的训练集(70%)和测试集(30%)。
S3:建立XGB模型和CatBoost模型;
所述XGB模型的输入数据包括:土壤深度、地下水位、坡度、有效摩擦角、容重、土壤饱和导水率、降雨强度和降雨时间;所述CatBoost模型的输入数据包括:XGB模型预测的孔隙水压力、有效抗剪强度参数、降雨时间和土壤深度,其中有效抗剪强度参数包括:有效摩擦力和有效粘聚力。
XGB模型根据输入的土壤深度、地下水位、坡度、有效摩擦角、容重、土壤饱和导水率、降雨强度和降雨时间,预测近实时孔隙水压力。
XGB模型是基于XGB算法构建,XGB算法的基本思想是每次迭代增加一棵树,用于拟合上次迭代过程预测值和真实值的残差,即每一棵树都在学习前N-1棵树的残差,从而不断接近实际值。每个样本的得分就是该样本在每棵树中得分之和。训练XGB模型,找到给定训练数据的最佳超参数,需定义目标函数,用来测定给定一组超参数的模型性能,目标函数包括两部分:训练损失函数和正则化项,如式(1)所示,训练损失函数衡量的是模型对训练数据的预测性能,正则项的作用是保证模型不要过于复杂。XGB模型的训练损失函数为均方误差,如式(2)所示:
Objθ=Lθ+Ω(θ) (1)
式中:Lθ是训练损失函数;
Ω(θ)是正则化项。
Lθ=∑i(Hi-H'i)2 (2)
式中:Hi为第i个孔隙水压力监测值;
H'i为第i个孔隙水压力预测值。
CatBoost模型根据输入的XGB模型预测的孔隙水压力、有效抗剪强度参数(表1中有效摩擦角和有效粘聚力)、降雨时间和土壤深度,得到将滑坡失稳的临界FOS值。
CatBoost模型是基于CatBoost算法构建,CatBoost算法的基本思想为将所有数据样本随机排列,在每轮迭代中,新建一棵树,在树的整个一层上应用相同的分割准则抽取一组数据,并结合之前抽取的数据特征建立新的树结构,更新模型,实现数据的分类,CatBoost模型的损失函数为多分类交叉熵损失,如式(3)所示:
Lθ=∑i-yilogy'i-(1-yi)log(1-y'i) (3)
式中:yi为第i个滑坡实际预警等级;
y'i为第i个滑坡预测预警等级。
S4:利用所述数据样本集对XGB模型和CatBoost模型进行训练,其中基于数据样本集和XGB模型预测的孔隙水压力数据集对CatBoost模型进行训练;
由目标函数可知,XGB和CatBoost模型需要调优的超参数包括两部分,一是树集成模型超参数,这部分负责尽可能地拟合样本;二是正则化超参数,这部分帮助控制模型的复杂度,避免过拟合;采用K折交叉验证结合贝叶斯优化算法对超参数进行优化,贝叶斯优化是经过基于目标函数的过去评估结果创建替代函数(几率模型),来找到最小化目标函数的值。贝叶斯方法与随机或网格搜索的不一样之处在于,它在尝试下一组超参数时,会参考以前的评估结果,所以能够省去不少无用功。具体的优化步骤包括:
对训练集采用K折交叉验证,划分XGB和CatBoost模型所采用的训练集和验证集;输入超参数在目标函数中进行评估,分别得到返回值:RMSE和ROC-AUC,采用K折交叉验证再次划分训练集和验证集,重新循环直至满足停止条件,完成训练,停止条件为在XGB模型得到最小化RMSE,同时在CatBoost模型得到最大化ROC-AUC,即得到最小化目标函数的最佳超参数集,如表2:
表2 XGB和CatBoost模型的超参数及研究区优化后的值
优化后XGB和CatBoost模型,在数据样本集的测试集中,基于标准指标对所述S4中对训练后的XGB模型和CatBoost模型进行模型预测和分类性评价。
XGB进行模型预测和分类性评价的标准指标包括:均方根误差RMSE、平均绝对误差MAE、皮尔逊相关系数R和决定系数R0 2;所述CatBoost进行模型预测和分类性评价的标准指标包括:准确率、均衡准确率、马修斯相关系数MCC和受试者工作特征曲线ROC。
上述标准指标具体为:
式中:TP为将真实情况的“1”正确预测为“1”;TN为将真实情况的“0”正确预测为“0”;FP为将真实情况的“0”错误预测为“1”;FN为将真实情况的“1”错误预测为“0”;
Wi为第i个滑坡实际预警等级的权重;
式中:tk真正检测到k类的次数;
pk预测k类的次数;
c为正确分类的样本总数;
s为样品编号;
ROC曲线和AUC值,表示模型泛化能力。ROC曲线是反映敏感性和特异性连续变量的综合指标,其主要分析工具是一个画在二维平面上的曲线;AUC为曲线下面积,值通常介于0.5到1.0之间,AUC值越大,则说明模型表现越好。ROC曲线的横坐标为假阳性率FPR,纵坐标为真阳性率TPR,计算公式为:
式中:N为负样本总数;P为正样本总数;
例如:通过对2014年的研究区采集的数据样本集进行训练,评价所得优化后预警框架的预测模型和分类模型的性能,得到评价指标在测试集上的结果表现较好,具体如表3、附图2和附图3所示,展示出该预警框架具有较高的泛化能力、准确的预测性能和分类性能。
表3优化后预警框架的性能评价结果
S5:获取待测地区的实时地质因素特征数据和实时降雨特征数据,并将实时地质因素特征数据和实时降雨特征数据输入到XGB模型和CatBoost模型中,获得滑坡失稳的临界FOS值。
S6:将滑坡失稳的临界FOS值与预设阈值进行匹配,得到预警级别。其中,预设阈值根据待测地区进行调整,例如在2014年初夏和秋季对山坡进行长期孔隙水压力和降雨径流观测,考虑了抗剪强度随湿润过程而降低、雨水渗透导致的土壤容重增加以及孔隙水压力发展导致的有效应力降低,通过经验公式计算得到滑坡失稳的临界FOS值,参考临界条件,基于经验公式量化的FOS值进行分级,如表4:
表4基于FOS值的预警级别划分
滑坡预警级别 | FOS |
危险 | FOS≤1.5 |
安全 | 1.5≤FOS<2 |
安全1 | 2≤FOS<3 |
安全2 | FOS≥3 |
本发明中XGB和CatBoost的双重提升树框架通过结合得到的预测近实时孔隙水压力,在日益显著的气候变化下能够对水文地质条件近实时变化进行动态预测,保证了该方法在滑坡随土壤水文演变的过程仍具有良好的适应性;由于框架具有优秀的泛化能力和自我改进的能力,本发明方法可以降低输入要求,减少了降雨入渗条件下滑坡预警建模中的参数的不确定性,同时在输入要求较低的情况下,能准确预测孔隙水压力,高效划分预警级别,从而在降雨诱发滑坡的演变过程中保持着良好的滑坡预警质量。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于XGB和CatBoost双重提升树算法的滑坡预警方法,其特征在于包括以下步骤:
S1:获取待测地区的历史地质因素特征数据和历史降雨特征数据;
S2:对历史地质因素特征数据和历史降雨特征数据进行预处理,构建数据样本集,所述数据样本集包括:XGB数据样本集和CatBoost数据样本集;
S3:建立XGB模型和CatBoost模型;
S4:利用所述数据样本集对XGB模型和CatBoost模型进行训练,其中,基于CatBoost数据样本集和XGB模型预测的孔隙水压力数据集对CatBoost模型进行训练;
S5:获取待测地区的实时地质因素特征数据和实时降雨特征数据,并将实时地质因素特征数据和实时降雨特征数据输入到XGB模型和CatBoost模型中,获得滑坡失稳的临界FOS值。
S6:将滑坡失稳的临界FOS值与预设阈值进行匹配,得到预警级别。
2.如权利要求1所述的基于XGB和CatBoost双重提升树算法的滑坡预警方法,其特征在于,所述XGB模型的输入数据包括:土壤深度、地下水位、坡度、有效摩擦角、容重、土壤饱和导水率、降雨强度和降雨时间;所述CatBoost模型的输入数据包括:XGB模型预测的孔隙水压力、有效抗剪强度参数、降雨时间和土壤深度。
3.如权利要求1所述的基于XGB和CatBoost双重提升树算法的滑坡预警方法,其特征在于,所述S2中的数据样本集的输入数据为历史地质因素特征数据和历史降雨特征数据,所述数据样本集的输出数据为为0或1。
4.如权利要求1所述的基于XGB和CatBoost双重提升树算法的滑坡预警方法,其特征在于,所述S1中通过原位试验、室内试验和现场监测三种方法获得待测地区的历史地质因素特征数据和历史降雨特征数据。
5.如权利要求1所述的基于XGB和CatBoost双重提升树算法的滑坡预警方法,其特征在于,将所述XGB数据样本集和CatBoost数据样本集均进行分层抽样生成对应的训练集和测试集。
6.如权利要求5所述的基于XGB和CatBoost双重提升树算法的滑坡预警方法,其特征在于,所述S4中采用K折交叉验证法和贝斯优化算法获得XGB和CatBoost模型的最佳超参数集。
7.如权利要求6所述的基于XGB和CatBoost双重提升树算法的滑坡预警方法,其特征在于,所述评估XGB模型超参数的指标最小化时,获得XGB模型的最小化目标函数的最佳超参数集;所述评估CatBoost模型超参数的指标最大化时,获得CatBoost模型的最小化目标函数的最佳超参数集。
8.如权利要求1所述的基于XGB和CatBoost双重提升树算法的滑坡预警方法,其特征在于,所述S4中基于标准指标对所述S4中对训练后的XGB模型和CatBoost模型进行模型预测和分类性评价,获得最优预警框架。
9.如权利要求8所述的基于XGB和CatBoost双重提升树算法的滑坡预警方法,其特征在于,所述XGB模型进行模型预测和分类性评价的标准指标包括:均方根误差RMSE、平均绝对误差MAE、皮尔逊相关系数R和决定系数R0 2;所述CatBoost模型进行模型预测和分类性评价的标准指标包括:准确率、均衡准确率、马修斯相关系数MCC和受试者工作特征曲线ROC。
10.如权利要求1所述的基于XGB和CatBoost双重提升树算法的滑坡预警方法,其特征在于,所述滑坡失稳的临界FOS值小于和等于1.5时,预警级别为危险;所述滑坡失稳的临界FOS值大于和等于1.5,同时小于2时,所述预警级别为安全;所述滑坡失稳的临界FOS值大于和等于2,同时小于3时,所述预警级别为安全;所述滑坡失稳的临界FOS值大于和等于3时,所述预警级别为安全。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211016999.XA CN115359630A (zh) | 2022-08-22 | 2022-08-22 | 一种基于XGB和CatBoost双重提升树算法的滑坡预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211016999.XA CN115359630A (zh) | 2022-08-22 | 2022-08-22 | 一种基于XGB和CatBoost双重提升树算法的滑坡预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115359630A true CN115359630A (zh) | 2022-11-18 |
Family
ID=84002511
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211016999.XA Pending CN115359630A (zh) | 2022-08-22 | 2022-08-22 | 一种基于XGB和CatBoost双重提升树算法的滑坡预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115359630A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110261573A (zh) * | 2019-05-16 | 2019-09-20 | 同济大学 | 一种高位岩质滑坡稳定性动态数值评价方法 |
CN110457794A (zh) * | 2019-07-26 | 2019-11-15 | 四川大学 | 一种水位波动条件下的库区三维边坡稳定性分析方法 |
CN111210073A (zh) * | 2020-01-06 | 2020-05-29 | 四川省公路规划勘察设计研究院有限公司 | 一种滑坡灾害预测方法及装置 |
CN111784070A (zh) * | 2020-07-09 | 2020-10-16 | 中国地质环境监测院 | 一种基于XGBoost算法的滑坡短临智能预警方法 |
CN112418500A (zh) * | 2020-11-16 | 2021-02-26 | 中科星图股份有限公司 | 一种基于多源数据及复杂模型融合对山区降雨天气预警方法 |
-
2022
- 2022-08-22 CN CN202211016999.XA patent/CN115359630A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110261573A (zh) * | 2019-05-16 | 2019-09-20 | 同济大学 | 一种高位岩质滑坡稳定性动态数值评价方法 |
CN110457794A (zh) * | 2019-07-26 | 2019-11-15 | 四川大学 | 一种水位波动条件下的库区三维边坡稳定性分析方法 |
CN111210073A (zh) * | 2020-01-06 | 2020-05-29 | 四川省公路规划勘察设计研究院有限公司 | 一种滑坡灾害预测方法及装置 |
CN111784070A (zh) * | 2020-07-09 | 2020-10-16 | 中国地质环境监测院 | 一种基于XGBoost算法的滑坡短临智能预警方法 |
CN112418500A (zh) * | 2020-11-16 | 2021-02-26 | 中科星图股份有限公司 | 一种基于多源数据及复杂模型融合对山区降雨天气预警方法 |
Non-Patent Citations (1)
Title |
---|
KHANH PHAM · DONGKU KIM · CANH V. LE · HANGSEOK CHOI: ""Dual tree‑boosting framework for estimating warning levels of rainfall‑induced landslides"", 《LANDSLIDES》, pages 2 - 4 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115311821B (zh) | 一种基于数字孪生技术的地质灾害智能监测云平台 | |
CN113379105B (zh) | 一种基于人工智能的场地地震液化灾害快速评估方法 | |
KR102242977B1 (ko) | 사전 기상정보 연동 산사태 조기경보 방법 및 산사태 조기경보 시스템 | |
van Ballegooy et al. | Assessment of various CPT based liquefaction severity index frameworks relative to the Ishihara (1985) H1–H2 boundary curves | |
CN107341586A (zh) | 一种基于降雨的地质灾害发生频率的计算方法 | |
CN112949202A (zh) | 一种基于贝叶斯网络的岩爆概率预测方法 | |
CN112966856A (zh) | 一种山洪风险预测方法及预测系统 | |
CN113554849A (zh) | 一种空天地监测边坡系统及其失稳风险评估方法 | |
de Almeida Papa et al. | Evaluating tropical forest classification and field sampling stratification from lidar to reduce effort and enable landscape monitoring | |
CN115359629B (zh) | 一种基于序贯评估法的区域滑坡灾害预警方法 | |
Li et al. | Spatiotemporal assessment of landslide susceptibility in Southern Sichuan, China using SA-DBN, PSO-DBN and SSA-DBN models compared with DBN model | |
CN117009735A (zh) | 一种结合BiLSTM与核密度估计的高强度森林火灾发生概率计算方法 | |
CN115877483A (zh) | 一种基于随机森林和gru的台风路径预报方法 | |
CN116609858A (zh) | 一种基于可解释性XGBoost模型的热带气旋大气波导预测方法及系统 | |
CN112967475A (zh) | 一种智能化区域性滑坡监测管理方法及装置 | |
Balti et al. | Big data based architecture for drought forecasting using LSTM, ARIMA, and Prophet: Case study of the Jiangsu Province, China | |
CN107507396A (zh) | 一种降雨型滑坡危险性三维多点位多指标的预警方法 | |
CN117037432B (zh) | 基于多方法协同的风险评价地质灾害预警方法 | |
CN116881652B (zh) | 基于优选负样本和随机森林模型的滑坡易发性评价方法 | |
CN117152919A (zh) | 一种基于多源异构综合数据库的气象灾害预警系统 | |
CN115359630A (zh) | 一种基于XGB和CatBoost双重提升树算法的滑坡预警方法 | |
CN116933920A (zh) | 一种矿山井下泥石流的预测预警方法及系统 | |
CN115019476B (zh) | 一种基于多源信息融合的滑坡时空信息监测预警方法 | |
Ayub et al. | Wheat Crop Field and Yield Prediction using Remote Sensing and Machine Learning | |
CN115563874A (zh) | 一种基于大数据的隧道健康度分析方法及系统 |
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 |