CN115688404A - 基于svm-rf模型的降雨型滑坡预警方法 - Google Patents

Abstract

本发明实施例公开了一种基于SVM‑RF模型的降雨型滑坡预警方法。所述滑坡预警方法在进行滑坡易发性等级评价时，选取了多源数据作为输入特征，有多个地形因子、植被因子、建筑物因子以及土壤因子，同时利用SVM模型的分类结果重新选取更加典型的非滑坡点，使得输入RF模型的先验数据集更加合理，提高了滑坡易发性评价的客观性和准确性；再次，本发明在构建了降雨诱发滑坡时间概率模型(EI‑D模型)后，叠加了滑坡易发性评价结果，综合考虑了降雨以及其他引起滑坡的因素对于某个区域是否会发生滑坡的影响。相比于传统仅考虑降雨数据对降雨型滑坡的预测预警，本发明提供的方法精度更高，且可解释性更强。能够提高滑坡易发性评价的客观性和准确性，以及提高仅依据历史降雨数据的滑坡预警方法的准确性。

Description

基于SVM-RF模型的降雨型滑坡预警方法

技术领域

本发明涉及机器学习领域与数据处理技术领域，尤其涉及一种基于SVM-RF模型的降雨型滑坡预警方法。

背景技术

滑坡是一种非常常见的自然灾害，会给国家带来比较大的经济损失以及威胁人民的生命财产安全。滑坡常由地震、降雨等因素引起，通过相关资料以及前人的研究发现，在我国，降雨是引起滑坡的主要因素，大约有90％的滑坡都是在降雨的影响下产生的。因此，如何及时并且准确地对降雨型滑坡进行预测预警是尤为重要的。

目前对滑坡预警的研究已不在少数，具体可分为两个方面。首先是对研究区域进行的滑坡易发性研究。影响滑坡易发性的因素有很多，例如研究区域的高程、坡度等地形因子，归一化植被指数(NDVI)等植被因子，以及研究区域的岩性以及土壤类型等因子。不同区域由于这些因子的差异，其滑坡发生的易发性等级也不同。目前研究滑坡易发性常用的方法主要是机器学习方法，将不同的影响因子作为不同的特征输入到模型中，以历史滑坡点为数据集进行模型训练与验证，最后得到易发性的评价结果。但这种方法只能得到每个区域的滑坡易发程度，并不能实时地对是否会发生滑坡进行预警；且这种方法在选取非滑坡点数据时，一般采用随机选取，很多滑坡点并不是典型非滑坡区域，而是存在滑坡隐患的区域，这会对模型的精度造成较大的影响。另一方面的研究主要是对历史滑坡的降雨数据进行统计分析。对降雨数据的分析目前常用的方法可以总结为日降雨量(或降雨强度)以及前期降雨量模型，采用小时雨强、当日降雨量、前几日累计降雨量(或前期有效降雨量)等指标对临界降雨的阈值进行描述，以历史滑坡点的降雨数据为依据，建立上述不同的模型进行降雨阈值的研究。这种方法可以根据当地的降雨量和降雨强度(或有效降雨强度)进行实时地滑坡预警，但由于不同区域的滑坡易发性并不同，只是依靠降雨数据进行预警，其结果准确度往往较低，不同区域结果差异较大。

总之，目前常见的两类滑坡预警方法都有其不足之处，不能满足降雨型滑坡预测预警的及时性和准确性需求。

发明内容

本发明实施例提供一种基于机器学习方法和前期有效降雨强度的降雨型滑坡预测预警方法，能够提高滑坡易发性评价的客观性和准确性，以及提高仅依据历史降雨数据的滑坡预警方法的准确性。

第一方面，本发明方法提供了一种基于SVM-RF模型的降雨型滑坡预警方法，具体地，该方法包括如下步骤：

获取先验数据集，所述先验数据集包括滑坡数据集和非滑坡数据集，使用所述先验数据集对第一机器学习模型进行训练，使用训练完成的第一机器学习模型重新选取非滑坡数据集中的数据，得到更新后的先验数据集；

使用更新后的先验数据集对第二机器学习模型进行训练，得到训练完成的第二机器学习模型；

对历史降雨数据进行分析，得到所述研究区域的EI-D模型，根据所述EI-D模型，确定不同降雨持续时间以及不同滑坡发生概率下的降雨阈值，并根据所述降雨阈值划分降雨诱发滑坡的概率级别；其中，所述EI-D模型为不同滑坡发生概率下的前期有效降雨强度-降雨持续天数模型；

获取待预测数据集，使用训练完成的第二机器学习模型对待预测数据集进行预测，得到滑坡易发性评价结果；使用EI-D模型对待预测数据集进行预测，得到降雨诱发滑坡的概率级别；

基于滑坡易发性评价结果和降雨诱发滑坡的概率级别，所述研究区域最终的滑坡危险性分级结果。

本实施例提供的机器学习方法，包括但不限于SVM、反馈神经网络、随机森林以及决策树方法；在一个可能的实施例中，将所述先验数据集按照1:4的比列划分为测试集和训练集以预测准确度和AUC值作为衡量标准，进行不同机器学习方法的对比。

在一个可能的实施例中，先验数据集包括历史滑坡点数据构建的滑坡数据集以及从非滑坡区域随机构建同等数量的非滑坡点数据集，所述先验数据集特征为对所述研究区域遥感影像、高程数据以及土壤类型数据进行分析得到的滑坡相关的因子数据。

在一个可能的实施例中，滑坡相关的因子数据包括：

对所述研究区域遥感影像进行分析得到的研究区域归一化植被指数(NDVI) 与归一化建筑物指数(NDBI)数据；

对所述研究区域高程数据进行分析得到的坡度、坡向、平面曲率、距离水系距离以及地形起伏度数据。

在一个可能的实施例中，先验数据集的滑坡数据集和非滑坡点数据集在构建时选择每个滑坡点和/或非滑坡点所在栅格以及其上下左右共计五个栅格区域作为滑坡栅格数据；基于所述SVM模型对所述滑坡栅格数据进行处理输出所述栅格区域的预测概率。

本实施例提供EI-D模型在计算出EI以及D后，采用双对数坐标，以D为横轴，EI为纵轴，绘制出EI-D散点图拟合出EI-D曲线；

所述EI-D模型的数学表达式为：

EI＝c+αD^β

其中，EI为前期有效降雨强度，D为降雨的持续天数，α和β为拟合参数； EI由前期有效降雨量R_c以及降雨持续天数决定，其数学表达式为：

R_c＝R₀+αR₁+α²R₂+…+αⁿR_n

其中，R_c为前期有效降雨量，R₀为滑坡发生当日降雨量，α为有效降雨系数，n 为降雨天数。α和n的取值根据研究区域的不同存在差异，通过降雨数据和滑坡的相关性计算，α的取值范围为0.5-1.0，选取相关性最大的α进行计算，经验数据为 0.8。

相比较现有技术，本发明实施例提供在进行滑坡易发性等级评价时，选取了多源数据作为输入特征，有多个地形因子、植被因子、建筑物因子以及土壤因子，同时利用SVM模型的分类结果重新选取更加典型的非滑坡点，使得输入RF模型的先验数据集更加合理，提高了滑坡易发性评价的客观性和准确性；再次，本发明在构建了降雨诱发滑坡时间概率模型(EI-D模型)后，叠加了滑坡易发性评价结果，综合考虑了降雨以及其他引起滑坡的因素对于某个区域是否会发生滑坡的影响。相比于传统仅考虑降雨数据对降雨型滑坡的预测预警，本发明的精度更高，且可解释性更强。

附图说明

图1是基于SVM-RF模型的降雨型滑坡预警方法流程图；

图2是基于SVM-RF模型的降雨型滑坡预警方法技术流程图；

图3是研究区域遥感影像图；

图4是历史滑坡点数据示意图；

图5是多种滑坡相关因子示意图；

图6是基于SVM的滑坡易发性等级评价示意图；

图7是基于SVM-RF模型的滑坡易发性等级评价示意图；

图8是降雨诱发滑坡不同时间概率EI-D曲线示意图；

图9是滑坡验证数据在EI-D散点图中的展示示意图；

图10是SVM-RF模型和EI-D模型叠加后的滑坡预警示意图。

具体实施方式

为了能够提高滑坡易发性评价的客观性和准确性，以及提高仅依据历史降雨数据的滑坡预警方法的准确性，本发明结合机器学习方法和前期有效降雨强度的降雨型滑坡预测预警方法，公开了一种基于SVM-RF模型的降雨型滑坡预警方法，滑坡方法的流程图如图1所示，具体实施如下：

本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。

S110：资料收集与数据整理

首先，获取训练集所在研究区域的遥感影像、土壤类型数据、数字高程模型DEM 等栅格数据，以及历史滑坡点的矢量数据和历史滑坡点当日与前七日的降雨数据，对研究区域遥感影像和DEM数据进行分析，得到地形因子和植被因子等与滑坡相关的因子数据。

对研究区域遥感影像进行分析可以得到研究区域归一化植被指数(NDVI)与归一化建筑物指数(NDBI)数据；对研究区域DEM数据进行分析，得到研究区域坡度、坡向、平面曲率、距离水系距离以及地形起伏度数据。之后需要对这些特征进行Pearson相关性分析，确保使用的特征不存在强相关性，之后作为机器学习的输入参数。

S120：构建先验数据集

然后，将上述多种数据作为特征，基于历史滑坡点数据构建滑坡数据集，并随机的从非滑坡区域构建同等数量的非滑坡数据集，将两种数据集进行合并，得到先验数据集。

构建滑坡数据集时，将每个滑坡点和/或非滑坡点所在栅格以及上下左右共5个栅格作为该滑坡的发生区域，根据其位置，统计5个栅格的因子数据作为其特征。

S130：基于第一机器学习模型更新数据集

其次，基于支持向量机(SVM)方法，以先验数据集为输入数据，进行机器学习模型的构建，在一个实施例中第一机器学习模型为SVM模型。得到研究区域初始滑坡易发性评价结果。基于SVM方法得到的滑坡易发性评价结果，从滑坡易发性等级为低的区域重新随机选取典型非滑坡点数据，构建新的非滑坡数据集，更新先验数据集。

进一步的，利用多种机器学习方法如：SVM、反馈神经网络(BPNN)、随机森林(RF)以及决策树方法，将数据集以1：4的比例进行划分，分为测试集与训练集，以预测准确度和AUC值作为衡量标准，进行不同机器学习方法的对比，在一个实施例中优选SVM方法。

进一步地，SVM模型可以输出不同类别(滑坡与非滑坡区域)的预测概率，在划分易发性等级时，将不同栅格区域的预测概率采用分位数间隔(S1：10％，S2： 20％，S3：40％，S4：20％，S5：10％)进行划分，分别对应低、较低、中等、较高、高五个易发性等级。从低易发区域随机选取新的典型的非滑坡区域构建新的先验数据集。

S140：构建第二机器模型

再次，以更新后的先验数据集作为输入，构建第二机器模型，并得到基于第二机器模型的滑坡易发性评价结果，在一个实施例中第二机器模型为RF模型。

进一步地，得到更新后的滑坡易发性评价结果后，采用与步骤S130相同的划分方法与标准进行滑坡预测概率等级划分。

S150：基于RF模型得到易发性评价结果

获取待检测数据，将待检测数据作为测试集输入到RF模型中，得到研究区域的滑坡易发性研究结果。

S160：分析气象站点降雨数据

从次，统计分析当前训练集所在研究区域的历史降雨数据，历史降雨数据包括所在研究区域当日与前七日的降雨数据

S170：构建EI-D模型

在得到所在研究区域的历史降雨数据后，对降雨数据进行筛选和预处理，并绘制出EI-D双对数坐标散点图。而后，构建不同滑坡发生概率下的前期有效降雨强度-降雨持续天数模型(EI-D模型)。

进一步地，EI-D模型公式如下：

EI＝c+αD^β

其中EI为前期有效降雨强度，D为降雨的持续天数，α和β为拟合参数。

EI由前期有效降雨量R_c以及降雨持续天数决定：

根据学者之前的研究，前期有效降雨量R_c的计算公式为：

R_c＝R₀+αR₁+α²R₂+…+αⁿR_n

其中，R_c为前期有效降雨量，R₀为滑坡发生当日降雨量，α为有效降雨系数，n 为降雨天数。α和n的取值根据研究区域的不同存在差异，通过降雨数据和滑坡的相关性计算，α的取值范围一般介于0.5-1.0之间，选取相关性最大的α进行计算，经验数据常取0.8。

S180：基于EI-D模型得到易发性评价结果

获取待检测数据，将待检测数据作为测试集输入到EI-D模型中，得到研究区域的降雨诱发滑坡的概率级别。

S190：叠加SVM-RF模型和EI-D模型进性分析并构建降雨型滑坡预警模型

将基于SVM-RF模型的滑坡易发性评价结果与不同的EI-D阈值区间对应的不同滑坡发生概率级别进行叠加分析与验证，得到当前研究区域最终的滑坡危险性分级结果。

进一步地，在进行降雨数据分析之前，应随机选取一些滑坡点作为模型的验证数据。在计算出历史滑坡数据的EI以及降雨持续天数D后，采用双对数坐标，以 D为横轴，EI为纵轴，绘制出EI-D散点图，并根据不同的降雨诱发滑坡的时间概率级别(T1:0-10％、T2:10％-25％、T3:25％-50％、T4:50％-75％、T5:75％-100％)拟合出EI-D曲线。

进一步地，5个等级的滑坡易发性(S1-S5)与5个级别的降雨诱发滑坡时间概率(T1-T5)叠加将参照下表规则：

对应的预警等级与相应措施如下：

实施例：

为了使本技术领域的人员更好的理解本发明方案，将结合具体实例以附图对本发明的技术方案进行清楚、完整的描述。

该实施例研究区域为四川省泸州市，以泸州市为例，图2是基于SVM-RF模型和前期有效降雨强度的滑坡预警方法技术流程图，本发明的具体实施如下：

首先，获取研究区域的遥感影像、土壤类型数据、数字高程模型DEM等栅格数据，以及历史滑坡点的矢量数据和历史滑坡当日与前七日的降雨数据。

泸州市遥感影像数据来源于Landsat 8卫星的两景影像拼接，日期为20211001，传感器为OLI与TIRS组合，分辨率为30m，研究区域遥感影像如图3所示。土壤类型数据与数字高程模型数据来源于四川省国土资源调查局，分辨率重采样为30m。图4是历史滑坡点数据示意图，来源于泸州市应急局统计，格式为excel数据，包含滑坡发生的位置(经纬度)、规模以及发生的时间。当日降雨数据R₀以及前七日数据(R₁、R₂…R₇)来源于泸州市及周边的气象站点日降雨量数据。

然后，对研究区域遥感影像和DEM数据进行分析，得到地形因子和植被因子等数据。

在ARCGIS软件中，对遥感影像进行波段组合，可以计算出泸州市的NDVI以及NDBI数据。对DEM数据进行坡度、坡向等的计算以及水系的提取和缓冲区的建立等操作，可以得到高程、坡度、坡向、地形起伏度、距离水系距离等地形因子。图5是多种滑坡相关因子示意图其中包括上述因子以及土壤类型数据中的土壤因子。对这些因子基于SPSS软件中的Pearson相关性进行相关性分析，不存在强相关性，可用于下一步骤的处理。

其次，将上述多种因子数据作为特征，基于历史滑坡点数据构建滑坡点数据集，并随机的从非滑坡区域构建同等数量的非滑坡点数据集，将两种数据集进行合并，得到先验数据集。

历史滑坡点数据为矢量数据，考虑到滑坡的覆盖规模往往大于一个栅格，将每一个滑坡点所在栅格以及其上下左右共计五个栅格作为滑坡栅格数据，得到共计 3420个滑坡栅格。同时从泸州市其他非滑坡栅格区域随机提取同等数量的非滑坡栅格。根据每个栅格的具体位置提取出该栅格所对应的多个滑坡相关因子数据，同时设置滑坡栅格标签为1，非滑坡栅格标签为0，完成先验数据集的构建。

再次，基于支持向量机(SVM)方法，以先验数据集为输入数据，进行模型的构建，并得到研究区域初始滑坡易发性评价结果。

基于Python3.9 sklearn库，将先验数据集按1：4的比例随机拆分为训练集与测试集，调用多种机器学习算法(随机森林、决策树、SVM、BPNN)构建模型，同时采用Grid Search进行参数寻优，得到算法的最优参数以及模型的预测准确度和 AUC值，见下表：

可以看到SVM与RF两种算法的预测性能更好，但预测准确性并没有达到很高的水平，这是由于先验数据集中的非滑坡数据并不是从典型非滑坡点区域进行选取的。随机选取的非滑坡点有可能是潜在的发生滑坡的点，或是发生滑坡可能性比较大的点，把这些点作为非滑坡点不够客观，而且会影响模型的精度

图6是基于SVM的滑坡易发性等级评价示意图，将泸州市全部数据，输入SVM 训练好的模型，得到不同模型下的泸州市滑坡易发性评价数据，每一个栅格的值为不同模型对是否为滑坡点的预测概率。之后根据不同分位数(S1：10％，S2：20％， S3：40％，S4：20％，S5：10％)对滑坡易发性进行重分类，得到泸州市的滑坡易发性评价等级，其中S1-S5分别对应的易发性等级为：低、较低、中等、较高、高。

进一步的，以更新后的先验数据集作为输入，构建RF模型；

在上一步得到了基于不同机器学习方法的泸州市滑坡易发性评价结果，为解决上一步提到的问题，需要在低易发区域随机选取新的典型的非滑坡区域作为非滑坡数据，从而得到更新后更加客观准确的先验数据集。在前面机器学习算法性能比较中，RF与SVM算法的预测性能相对更好，同时也为了避免使用同一种算法导致的过拟合效应，并兼顾两种算法的优点，因此结合SVM与RF算法，基于RF模型，以SVM模型的先验数据集作为输入，构建RF模型，得到更准确的结果。同时比较了其他机器学习方法结合SVM的性能，其结果如下表所示：

再进一步的，将待检测数据作为测试集输入到训练完成的RF模型中，得到整个泸州市的滑坡易发性研究结果。

图7是基于SVM-RF模型的滑坡易发性等级评价示意图，可以看到相较于随机选取非滑坡点数据，从低易发区选取更加典型的非滑坡点数据可以使结果更加准确。

作为发性评价结果。

然后，统计分析历史降雨数据，得到EI-D模型。

对泸州市历史滑坡数据进行筛选和预处理，结合气象站点日尺度的降雨量统计，最终得到99起含有当日降雨以及前7日降雨的滑坡事件(一天内发生多起滑坡记为一起滑坡事件)，随机抽取十条数据作为验证数据，其余89条数据作为拟合数据。

在计算EI时，需要首先计算前期有效降雨强度R_c：

R_c＝R₀+αR₁+α²R₂+…+αⁿRⁿ

R_c为前期有效降雨量，R₀为滑坡发生当日降雨量，α为有效降雨系数，根据学者之前的研究，经验取值常取0.8。n为降雨天数。α和n的取值根据研究区域的不同存在差异。通过降雨数据和滑坡的相关性计算。以滑坡发生次数为滑坡因子，n取值范围取1，2，3，4，5，6，7，8，α取值范围为0.5，0.6，0.7，0.8， 0.9，以不同α和n的组合计算R_c作为降雨因子，计算滑坡因子与降雨因子的相关性，算出在n＝3，α＝0.9时，相关性最大。因此在后续计算R_c与E_I时，α取0.9。

按照公式计算EI

其中，D为发生滑坡的降雨持续天数。计算出89起滑坡事件的EI，以EI和D的对数构建双对数坐标系，以D为横轴，EI为纵轴，绘制EI-D散点图，并根据不同的滑坡发生概率，拟合不同概率下降雨诱发滑坡的时间概率曲线。

图8是降雨诱发滑坡不同时间概率EI-D曲线示意图，如图所示，展示了不同概率的EI-D曲线；根据公式EI＝c+αD^β拟合出不同曲线的方程为：

EI(10％)＝16.02D^-0.694

EI(25％)＝23.95D^-0.694

EI(50％)＝44.22D^-0.694

EI(75％)＝85.43D^-0.694

在一个实施例中，50％概率级别的EI-D曲线方程为：EI(50％)＝44.22D^-0.694，当某地发生的降雨持续三天时，其D为3，带入方程可以算出EI(50％)＝20.6(mm· d^-1)，R_c＝61.8(mm)。当该区域三天的有效降雨量超过61.8mm时，则有50％以上的概率发生滑坡。同理可以求出其他不同降雨持续时间以及不同概率下的降雨阈值。

统计10条验证数据的降雨量和降雨持续天数并计算EI，其数据展示在下表中：

图9是滑坡验证数据在EI-D散点图中的展示示意图，将验证数据绘制在EI-D 散点图中并与不同概率下的EI-D阈值进行比较，结果如下表所示：

可以看到10条验证的滑坡数据中，8条都位于发生滑坡概率T4级别及以上的区间，两条位于T3区间，预测效果较好，但只有一条验证数据位于T5区间，结果精确性有待加强。

最后，将基于SVM-RF模型的滑坡易发性评价结果与不同的EI-D阈值区间对应的不同滑坡发生概率级别进行叠加分析与验证，得到最终的滑坡危险性分级结果。

为了进一步优化预警模型的精度，将前面得到的基于SVM-RF模型的泸州市滑坡易发性评价结果(S1-S5)与降雨诱发滑坡不同时间概率级别(T1-T5)进行叠加分析，叠加规则见下表所示：

图10是SVM-RF模型和EI-D模型叠加后的滑坡预警示意图，根据上表的规则，将叠加结果进行重分类，得到图10所示的5种降雨阈值级别下(T1-T5)的泸州市滑坡预警结果图。这5个图是递进的关系，具体解释为：当某地发生降雨时，按照其持续天数D计算出EI，并带入不同概率的EI-D曲线计算出其降雨诱发滑坡的时间概率级别(T1-T5)，之后在相应的滑坡预警结果图中根据其所在的具体位置即可获取实时的滑坡预警级别，相同的位置降雨量越大，预警级别就越高。

提取出10条验证数据的滑坡易发性等级以及叠加后的滑坡预警等级，结果如下表所示：

10个验证的滑坡数据中9个都位于预警级别4及以上，其6个滑坡点位于预警级别5，仅有一个滑坡点位于预警级别3，总体准确度相较于EI-D预警模型更高，且精确度有较大幅度的提升，可以用于实时地降雨诱发型滑坡灾害的预警预报。

本发明提供的方法在进行滑坡易发性等级评价时，选取了多源数据作为输入特征，有多个地形因子、植被因子、建筑物因子以及土壤因子，同时利用SVM模型的分类结果重新选取更加典型的非滑坡点，使得输入RF模型的先验数据集更加合理，提高了滑坡易发性评价的客观性和准确性；再次，本发明在构建了降雨诱发滑坡时间概率模型(EI-D模型)后，叠加了滑坡易发性评价结果，综合考虑了降雨以及其他引起滑坡的因素对于某个区域是否会发生滑坡的影响。相比于传统仅考虑降雨数据对降雨型滑坡的预测预警，本发明提供的方法精度更高，且可解释性更强。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于SVM-RF模型的降雨型滑坡预警方法，其特征在于，包括：

获取先验数据集，所述先验数据集包括滑坡数据集和非滑坡数据集，使用所述先验数据集对第一机器学习模型进行训练，使用训练完成的第一机器学习模型重新选取非滑坡数据集中的数据，得到更新后的先验数据集；

使用更新后的先验数据集对第二机器学习模型进行训练，得到训练完成的第二机器学习模型；

对历史降雨数据进行分析，构建所述研究区域的EI-D模型，根据所述EI-D模型，确定所述研究区域不同降雨持续时间以及不同滑坡发生概率下的降雨阈值，并根据所述降雨阈值划分降雨诱发滑坡的概率级别；其中，所述EI-D模型为不同滑坡发生概率下的前期有效降雨强度-降雨持续天数模型；

获取待预测数据集，使用训练完成的第二机器学习模型对待预测数据集进行预测，得到滑坡易发性评价结果；使用EI-D模型对待预测数据集进行预测，得到降雨诱发滑坡的概率级别；

基于滑坡易发性评价结果和降雨诱发滑坡的概率级别，得到所述研究区域最终的滑坡危险性分级结果。

2.根据权利要求1所述的方法，其特征在于，所述先验数据集包括：

对所述研究区域遥感影像、高程数据以及土壤类型数据进行分析，得到滑坡相关的因子数据。

3.根据权利要求2所述的方法，其特征在于，所述滑坡相关的因子数据包括：

归一化植被指数与归一化建筑物指数数据以及坡度、坡向、平面曲率、距离水系距离以及地形起伏度数据。

4.根据权利要求1所述的方法，其特征在于，所述滑坡数据集和非滑坡数据集包括：

构建所述滑坡数据集和非滑坡数据集时选择每个滑坡点和/或非滑坡点所在栅格以及其上下左右共计五个栅格区域作为滑坡栅格数据，基于所述第一机器模型对所述滑坡栅格数据进行处理输出所述栅格区域的预测概率。

5.根据权利要求1所述的方法，其特征在于，所述第一机器学习模型包括但不限于SVM、反馈神经网络、随机森林以及决策树方法模型。

6.根据权利要求1所述的方法，其特征在于，所述重新选取非滑坡数据集中的数据包括：

获得当前研究区域初始滑坡易发性评价结果，在所述研究区域中低滑坡性等级的区域，重新随机选取典型非滑坡点数据。

7.根据权利要求1所述的方法，其特征在于，所述构建所述研究区域的EI-D模型包括：

在计算出EI以及D后，采用双对数坐标，以D为横轴，EI为纵轴，绘制出EI-D散点图拟合出EI-D曲线；

其中，所述EI-D模型的数学表达式为：

EI＝c+αD^β

其中，EI为前期有效降雨强度，D为降雨的持续天数，α和β为拟合参数；EI由前期有效降雨量R_c以及降雨持续天数决定，其数学表达式为：

R_c＝R₀+αR₁+α²R₂+…+αⁿR_n

其中，R_c为前期有效降雨量，R₀为滑坡发生当日降雨量，α为有效降雨系数，n为降雨天数。α和n的取值根据研究区域的不同存在差异，通过降雨数据和滑坡的相关性计算，α的取值范围为0.5-1.0，选取相关性最大的α进行计算，经验数据为0.8。

Images