CN115879300A - 滑坡诱发性估算方法、装置、电子设备及存储介质 - Google Patents
滑坡诱发性估算方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN115879300A CN115879300A CN202211568643.7A CN202211568643A CN115879300A CN 115879300 A CN115879300 A CN 115879300A CN 202211568643 A CN202211568643 A CN 202211568643A CN 115879300 A CN115879300 A CN 115879300A
- Authority
- CN
- China
- Prior art keywords
- landslide
- data
- source dynamic
- induction
- historical
- 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
-
- 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
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本申请提供了一种滑坡诱发性估算方法、装置、电子设备及存储介质,涉及数据处理技术领域,其中,该滑坡诱发性估算方法包括:采集滑坡相关的多源动态诱发因素,根据所述多源动态诱发因素,生成模型训练样本,采用所述模型训练样本以及预设基础模型,训练获取滑坡诱发性估算模型。其中,本申请实施例中选用的多源动态诱发因素可以包括多个维度,例如历史降雨数据、历史地表形变数据、历史地震数据、人类活动数据、险情上报数据、监测站点数据,从而实现在对滑坡进行诱发性估算时,获取更为精确的结果。
Description
技术领域
本申请涉及数据处理技术领域,具体而言,涉及一种滑坡诱发性估算方法、装置、电子设备及存储介质。
背景技术
滑坡是一种比较严重的地质灾害,在研究工作中,滑坡危险性评价可看作对滑坡灾害易发性与诱发性协同作用的评估。其中,滑坡易发性评估研究已较为成熟。
而目前,诱发性评估研究主要集中在评估降雨、地震等单一因素对滑坡灾害的影响,如何快速、大范围地评估多源诱发因素作用是当前的研究空白。
近年来,随着监测手段的发展,光学影像、形变数据、降雨数据、监测数据等数据源获取方式逐渐便捷化,为多诱发因素评估提供了可能。但目前滑坡诱发性评估还没有一种比较全面的评估方法。
发明内容
本申请的目的在于,提供一种滑坡诱发性估算方法,装置、电子设备及存储介质,来获取更为精确的滑坡诱发性估算模型。
为实现上述目的,本申请实施例采用的技术方案如下:
第一方面,本申请实施例提供一种滑坡诱发性估算方法,包括:
采集滑坡相关的多源动态诱发因素,所述多源动态诱发因素包括下述一项或多项:历史降雨数据、历史地表形变数据、历史地震数据、人类活动数据、险情上报数据、监测站点数据;
根据所述多源动态诱发因素,生成模型训练样本,所述模型训练样本包括:正样本和负样本,所述正样本包括:历史滑坡点对应的多源动态诱发因素,所述负样本包括:根据所述正样本获取的非滑坡点的多源动态诱发因素;
采用所述模型训练样本以及预设基础模型,训练获取滑坡诱发性估算模型。
在一种可选的实施方式中,所述根据所述多源动态诱发因素,生成模型训练样本,包括:
从所述多源动态诱发因素中,获取历史滑坡点对应的多源动态诱发因素作为所述正样本;
根据所述正样本中多源动态诱发因素的空间位置信息,确定非滑坡位置点;
根据所述正样本中多源动态诱发因素的时间信息,确定非滑坡时间点;
根据所述非滑坡位置点、所述非滑坡时间点,生成所述负样本;
对所述正样本、所述负样本,进行特征提取,生成模型训练样本。
在一种可选的实施方式中,所述根据所述正样本中多源动态诱发因素的空间位置信息,确定非滑坡位置点,包括:
根据所述正样本中多源动态诱发因素的空间位置信息,确定以滑坡点为中心的预设范围为缓冲区,并在所述缓冲区以外的区域取随机点作为所述非滑坡位置点;
所述根据所述正样本中多源动态诱发因素的时间信息,确定非滑坡时间点,包括:
根据所述正样本中多源动态诱发因素的时间信息,确定历史滑坡的最早时间和最晚时间;
在所述最早时间和所述最晚时间之间选择随机时间作为所述非滑坡时间点。
在一种可选的实施方式中,所述根据所述多源动态诱发因素,生成模型训练样本之前,还包括执行下述至少一种数据预处理:
以预设时间周期,在所述历史降雨数据中提取预设概率的临界降雨阈值;
以预设算法将所述历史地表形变数据进行处理,获取地表形变速率图;
根据所述历史地震数据,采用岩石力学参数及地震参数,获取地震发生时的滑坡概率图;
采用代表人类活动的土地利用类型数据,进行重分类并赋值;
以选定日前的预设天数的险情上报数据、监测站点数据,分别生成核密度图;
所述根据所述多源动态诱发因素,生成模型训练样本,包括:
根据预处理后的多源动态诱发因素,生成模型训练样本。
在一种可选的实施方式中,所述方法还包括:
对预处理后的多源动态诱发因素,进行数据清洗,获取数据清洗后的多源动态诱发因素;
所述根据所述多源动态诱发因素,生成模型训练样本,包括:
根据所述数据清洗后的多源动态诱发因素,生成模型训练样本。
在一种可选的实施方式中,所述方法还包括:
将诱发因素代入所述滑坡诱发性估算模型,获取滑坡诱发性预测结果,其中,所述诱发因素包括下述至少一项:降雨数据、地表形变数据、地震数据、人类活动数据、险情上报数据、监测站点数据。
在一种可选的实施方式中,所述将诱发因素代入所述滑坡诱发性估算模型,获取滑坡诱发性预测结果之后,还包括:
计算获取所述滑坡诱发性预测结果的混淆矩阵;
根据所述混淆矩阵,计算获取评价指标,所述评价指标用于评价所述滑坡诱发性估算模型的性能。
第二方面,本申请实施例提供一种滑坡诱发性估算装置,包括:
采集模块,用于采集滑坡相关的多源动态诱发因素,所述多源动态诱发因素包括下述一项或多项:历史降雨数据、历史地表形变数据、历史地震数据、人类活动数据、险情上报数据、监测站点数据;
生成模块,用于根据所述多源动态诱发因素,生成模型训练样本,所述模型训练样本包括:正样本和负样本,所述正样本包括:历史滑坡点对应的多源动态诱发因素,所述负样本包括根据所述正样本获取的非滑坡点的多源动态诱发因素;
训练模块,用于采用所述模型训练样本以及预设基础模型,训练获取滑坡诱发性估算模型。
在一种可选的实施方式中,所述生成模块,具体用于从所述多源动态诱发因素中,获取历史滑坡点对应的多源动态诱发因素作为所述正样本;根据所述正样本中多源动态诱发因素的空间位置信息,确定非滑坡位置点;根据所述正样本中多源动态诱发因素的时间信息,确定非滑坡时间点;根据所述非滑坡位置点、所述非滑坡时间点,生成所述负样本;对所述正样本、所述负样本,进行特征提取,生成模型训练样本。
在一种可选的实施方式中,所述生成模块,具体用于根据所述正样本中多源动态诱发因素的空间位置信息,确定以滑坡点为中心的预设范围为缓冲区,并在所述缓冲区以外的区域取随机点作为所述非滑坡位置点;所述根据所述正样本中多源动态诱发因素的时间信息,确定非滑坡时间点,包括:根据所述正样本中多源动态诱发因素的时间信息,确定历史滑坡的最早时间和最晚时间;在所述最早时间和所述最晚时间之间选择随机时间作为所述非滑坡时间点。
在一种可选的实施方式中,所述装置还包括:预处理模块,用于执行下述至少一种数据预处理:
以预设时间周期,在所述历史降雨数据中提取预设概率的临界降雨阈值;
以预设算法将所述历史地表形变数据进行处理,获取地表形变速率图;
根据所述历史地震数据,采用岩石力学参数及地震参数,获取地震发生时的滑坡概率图;
采用代表人类活动的土地利用类型数据,进行重分类并赋值;
以选定日前的预设天数的险情上报数据、监测站点数据,分别生成核密度图;
所述生成模块,具体用于根据预处理后的多源动态诱发因素,生成模型训练样本。
在一种可选的实施方式中,所述装置还包括:清洗模块,用于对预处理后的多源动态诱发因素,进行数据清洗,获取数据清洗后的多源动态诱发因素;
所述生成模块,具体用于根据所述数据清洗后的多源动态诱发因素,生成模型训练样本。
在一种可选的实施方式中,所述装置还包括:预测模块,用于将诱发因素代入所述滑坡诱发性估算模型,获取滑坡诱发性预测结果,其中,所述诱发因素包括下述至少一项:降雨数据、地表形变数据、地震数据、人类活动数据、险情上报数据、监测站点数据。
在一种可选的实施方式中,所述装置还包括:评价模块,用于计算获取所述滑坡诱发性预测结果的混淆矩阵;
根据所述混淆矩阵,计算获取评价指标,所述评价指标用于评价所述滑坡诱发性估算模型的性能。
第三方面,本申请实施例提供一种电子设备,包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当所述电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行第一方面提供的方法。
第四方面,本申请实施例提供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计算机程序,该计算机程序被处理器执行时,实现第一方面提供的方法。
本申请实施例中提供的一种滑坡诱发性估算方法、装置、电子设备及存储介质,通过采集滑坡相关的多源动态诱发因素,根据所述多源动态诱发因素,生成模型训练样本,采用所述模型训练样本以及预设基础模型,训练获取滑坡诱发性估算模型,实现了更为全面、精确的滑坡诱发性评估。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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它相关的附图。
图1为本申请一实施例提供的滑坡诱发性估算方法的流程示意图;
图2为本申请另一实施例提供的滑坡诱发性估算方法的流程示意图;
图3为本申请实施例中的模型测试的ROC曲线;
图4为本申请一实施例提供的滑坡诱发性估算装置的结构装置示意图;
图5为本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本申请的实施例的详细描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请中的实施例,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,都属于本申请保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本申请的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本申请实施例针对滑坡诱发性因素的预测,提出一种滑坡诱发性估算方法。该方法可以由计算机、处理器等具备处理、计算能力的设备执行,在此不作限制。
本申请实施例针对地质灾害中,对滑坡的预测,目前还没有一种比较全面的评估,特别是针对滑坡诱发性估算缺少相关的技术。本申请针对滑坡诱发性估算提出一种模型训练方法,并进一步完成相关预测。
图1为本申请一实施例提供的滑坡诱发性估算方法的流程示意图,如图1所示,该方法包括:
S101、采集滑坡相关的多源动态诱发因素。
其中,多源动态诱发因素包括下述一项或多项:历史降雨数据、历史地表形变数据、历史地震数据、人类活动数据、险情上报数据、监测站点数据。
具体实施过程中,以某滑坡灾害较多的地区作为研究区域为例进行说明。例如,从上述研究区域的历史滑坡数据(例如预设年份的数据,或者预设几个月的数据等)中选取具有时空信息的大量滑坡数据作为上述多源动态诱发因素。
S102、根据上述多源动态诱发因素,生成模型训练样本。
例如可以根据多源动态诱发因素进行标记,来获取模型训练样本。其中,为了更好地训练模型,本实施例中,模型训练样本包括:正样本和负样本,也即可以分别标记正样本和负样本。其中,正样本包括历史滑坡点对应的多源动态诱发因素;负样本包括根据正样本获取的非滑坡点的多源动态诱发因素。
S103、采用上述模型训练样本以及预设基础模型,训练获取滑坡诱发性估算模型。
将上述划分好的模型训练样本代入预设基础模型进行训练,获取滑坡诱发性估算模型。
举例说明,上述预设基础模型可以采用支持向量机模型,进一步地,在训练完成后,还可以通过网格搜索法对支持向量机模型中的支持向量机参数进行优化,其中,优化涉及到的主要参数可以包括惩罚因子C与核函数相关参数。
需要说明的是,支持向量机模型在解决小样本、多特征、非线性回归问题上比其他机器学习方法更有优势,并且该模型使用不同的核函数,有利于拟合致灾因子与地质灾害之间的非线性关系。
本实施例中,通过采样更为多维度的多源动态诱发因素,例如历史降雨数据、历史地表形变数据、历史地震数据、人类活动数据、险情上报数据、监测站点数据等,再进一步地划分标记正负样本,以训练获取滑坡诱发性估算模型,从而可以得到更准确的滑坡诱发性估算模型,以便更准确的预测滑坡。
图2为本申请另一实施例提供的滑坡诱发性估算方法的流程示意图,如图2所示,上述根据多源动态诱发因素,生成模型训练样本,可以包括:
S201、从上述多源动态诱发因素中,获取历史滑坡点对应的多源动态诱发因素作为正样本。
其中,在多源动态诱发因素中,可以包括各个多源动态诱发因素对应的时空信息,那么可以根据历史滑坡点的位置,获取到历史滑坡点对应的多源动态诱发因素,直接标记为正样本。
S202、根据正样本中多源动态诱发因素的空间位置信息,确定非滑坡点的位置点。
由于负样本是指非滑坡点的多源动态诱发因素,并不能直接获取到,而要根据滑坡点的多源动态诱发因素的时空信息,进一步获取。
S203、根据正样本中多源动态诱发因素的时间信息,确定非滑坡点的时间点。
S204、根据上述非滑坡位置点、非滑坡时间点,生成负样本。
可选地,对于正样本,上述多源动态诱发因素中发生滑坡的位置对应的数据,设置标签为1。通过正样本的空间位置与发生时间生成的负样本,设置标签为0。
需要说明的是,为考虑样本均衡性,设置正负样本比例为1:1。
S205、对正样本、负样本进行特征提取,生成模型训练样本。
具体实施过程中,可以表示为:正样本(滑坡点,标签为1)和负样本(非滑坡点,标签为0)。进一步地,例如可以根据得到的正样本、负样本生成具有时空信息的样本集,再进一步特征提取,将提取的特征作为训练模型的输入,也就是上述预设基础模型的输入,以进行后续的模型训练。
在机器学习中,上述正样本和负样本构成了本申请实施例模型训练的样本集,为了提升模型的准确性,在分配样本的时候还可以预先准备好测试集,以便于在模型训练完成后,采用测试集对模型进行测试。例如,将样本按照7:3的比例分配为训练集和测试集,其中,训练样本占总样本数的70%,测试样本占总样本数的30%。本申请实施例的样本集决定了模型评价精度和泛化能力,以便进行后续的模型训练。
在本申请另一实施例中,根据上述正样本中多源动态诱发因素的空间位置信息,确定非滑坡位置点,具体步骤还包括:
(1)根据上述正样本中多源动态诱发因素的空间位置信息,确定以滑坡点为中心的预设范围为缓冲区,并在缓冲区以外的区域取随机点作为非滑坡位置点。
具体的实施过程中,上述预设范围假设可以取500米,在空间位置上,根据正样本即滑坡点的空间信息生成缓冲区,然后在缓冲区外随机生成点。根据上述随机生成点确定非滑位置点。
(2)根据上述正样本中多源动态诱发因素的时间信息,确定历史滑坡的最早时间和最晚时间,在最早时间和最晚时间之间选择随机时间作为非滑坡时间点。
具体的实施过程中,在时间上,设定历史滑坡数据中发生时间最早为t1,最晚为t2,在t1与t2范围内随机选择某一时刻tn为非滑坡时间点,例如采用下述公式(1)确定非滑坡时间点。进一步地,为避免与已发生滑坡相同,非滑坡时间点可以在滑坡前后3天之外。
tn=rand(t1,t2) (1)
此外,在上述实施例的基础上,为了选用更好的多源动态诱发因素进行训练,在根据多源动态诱发因素,生成模型训练样本之前,还包括执行下述至少一种数据预处理,以在模型训练前,对多源动态诱发因素先做一些预处理,具体地:
(1)以预设时间周期,在历史降雨数据中提取预设概率的临界降雨阈值。
举例说明,降雨数据可以采用经典数理统计模型(有效降雨量-历时模型)获取概率为10%,25%,50%,75%,100%的临界降雨阈值,时间尺度可以为日。
需要说明的是,现有技术通常采用的是物理模型或数理统计模型来求解临界降雨阈值,进而得到滑坡诱发性评估结果,但物理模型不适用于大范围区域,本申请中选用数理统计模型可以更好地扩大适用的范围。
(2)以预设算法将历史地表形变数据进行处理,获取地表形变速率图。其中,历史地表形变数据可以包括:SAR(合成孔径雷达)影像数据。需要说明的是,SAR是一种主动式的对地观测系统,应用于灾害监测等方面。
例如,可以采用基于SBAS-InSAR(差分干涉测量短基线集时序分析技术)、D-InSAR(差分干涉测量)、PS-InSAR(永久散射体合成孔径雷达干涉测量)等方法将SAR(合成孔径雷达)影像处理得到地表形变/形变速率图,时间尺度由SAR(合成孔径雷达)数据确定。
(3)根据历史地震数据,采用岩石力学参数及地震参数,获取地震发生时的滑坡概率图。
其中,历史地震数据包括:岩石力学参数及地震参数,其中地震参数包括:地表峰值加速度、震级等。
举例说明,将岩石力学参数及地震参数输入Newmark模型,可以直接对每个研究区域单元进行危险性评估,以获得地震发生时的滑坡概率图,时间尺度可以为天。
(4)采用代表人类活动的土地利用类型数据,进行重分类并赋值,(如将水域和湿地分类为一类,并为1;裸地和人造地表重分类为2),时间尺度可以为月/年。
(5)以选定日前的预设天数的险情上报数据、监测站点数据,分别生成核密度图。
其中,对于上述险情上报数据,采用预设日前预设天数(例如7天、15天等)险情上报数据,生成核密度图,时间尺度为日。对于监测站点数据,采用预设日前预设天数(例如7天、15天等)监测站点预警数据生成核密度图,时间尺度为日。
需要说明的是,上述险情上报数据可以是由各级滑坡管理部门设定的村庄级群测群防员上报的险情信息,能够有效反应滑坡临灾前的物理迹象,也可以根据当地实际情况由具体部门或人员进行上报。上述监测站点数据可以是通过定位设备(例如北斗、GPS等)、裂缝仪等传感设备反应斜坡的变化情况,从而提供斜坡发育状况的具体信息。需要注意的是,该类数据通常用于单一坡体的观测。
本实施例中,可以采用预处理后的多源动态诱发因素,生成上述模型训练样本,以训练模型。
更进一步地,在数据预处理的基础上,在模型训练前,为了提高机器学习模型的数据质量,还可以对上述多源动态诱发因素进行数据清洗,例如包括:
(1)错误剔除。例如:对包含异常值nan的样本进行清理。如形变速率数据,将nan值修改为0。
(2)数据整理。
例如,将所使用数据均统一重采样为满足应用需求的空间分辨率大小,并设置相同的地理空间坐标系。其中,数据格式可以统一为TIFF,但不以此为限。
可选地,将所使用数据均统一重采样为空间距离30米的分辨率大小,设置相同的地理空间坐标系,例如设置为:
CGCS2000_3_Degree_GK_CM_102E。
(3)数据归一化。
机器学习算法对输入特征(也即上述采集的多源动态诱发因素(历史降雨数据、历史地表形变数据、历史地震数据、人类活动数据、险情上报数据、监测站点数据))的量纲敏感,因此对输入特征进行归一化,避免影响模型精度。
本实施例中,根据数据清洗后的多源动态诱发因素,生成模型训练样本,以进行后续的样本训练。
图3为本申请实施例中的模型测试的ROC曲线。
在本申请实施例中,将上述模型训练样本代入预设基础模型进行训练,获取滑坡诱发性估算模型,在上述模型训练的基础上,得到滑坡诱发性估算模型后,需要进行模型测试。
将上述测试集代入训练得到的模型进行测试,也即将测试集里预设日的多源动态诱发因素作为滑坡诱发性估算模型的输入,进而得到模型测试结果。如果模型测试结果不理想,还可以进一步对模型参数等进行调整,以完善训练更合适的模型。
具体地,ROC曲线是受试者工作特征曲线(receiver operatingcharacteristiccurve)的简写,通过测试能反映模型在选取不同阈值的时候其敏感性(sensitivity/FPR)和其精确性(specificity/TPR)的趋势走向。参考图3,该ROC曲线的横坐标为假阳性率(False Positive Rate,FPR),表示所有预测为负的样本中被错误判别为正的比率,如公式(2)所示,纵坐标为真阳性率(True Positive Rate,TPR),表示所有被预测为正的样本实际为正的比率,如公式(3)所示。
其中TP(True positives)代表预测为正样本且实际为正样本的个数,FP(Falsepositives)代表预测为负样本但实际为正样本的个数,FN(False negatives)代表预测为正样本但实际为负样本的个数,TN(True negatives)代表预测为负样本且实际为负样本的个数。
对上述训练得到的模型进行模型测试,就可以进一步验证上述滑坡诱发性估算模型的有效性。
在上述滑坡诱发性估算模型进行模型测试后可以在具体的场景中进行滑坡诱发性预测。
可选地,将诱发因素代入滑坡诱发性估算模型,获取滑坡诱发性预测结果。其中,诱发因素与模型训练、测试过程中的多源动态诱发因素相对应,包括下述至少一项:降雨数据、地表形变数据、地震数据、人类活动数据、险情上报数据、监测站点数据。
例如,将某研究区域、某日的所有诱发因素,输入到滑坡诱发性估算模型中,计算上述研究区域发生滑坡的诱发性概率,根据实际需求设定诱发性概率阈值。举例说明,当输出概率P<40%为低诱发性,当输出概率P≥40%且P<60%时为中诱发性,当输出概率P≥60%且P<80%时为高诱发性,当输出概率P≥80%时为极高诱发性。
进一步地,还可以通过TIFF格式的诱发性预测示意图示出上述研究区域某年某月某日TIFF格式的诱发性预测结果。
本申请实施例中,还可以进一步地对滑坡诱发性预测结果进行评价。在将诱发因素代入上述滑坡诱发性估算模型,获取到滑坡诱发性预测结果之后,计算上述滑坡诱发性预测结果的混淆矩阵,根据上述混淆矩阵,计算获取评价指标,该评价指标用于评价上述滑坡诱发性估算模型的性能。
具体地,上述评价指标可以包括:Accuracy(准确率)、Recall(召回率)、Precision(精确率)、F1-Score(召回率与精确率的调和平均)四个指标。
需要说明的是,在混淆矩阵中,True positives(TP)代表预测正确的正样本,False positives(FP)代表预测错误的正样本,False negatives(FN)代表预测正确的负样本,True negatives(TN)代表预测错误的负样本。
其中,Accuracy衡量分类的准确率,是正确分类的样本数与总样本数之比,通常来说,正确率越高,分类器越好。其计算公式为:
Precision是精确率,代表预测为正的样本中预测正确的概率,其计算公式为:
Recall为召回率,代表正样本中预测正确的概率,其计算公式为:
F1-Score是召回率(Recall)与精确率(Precision)的调和平均,衡量模型的综合性能。其计算公式为:
针对上述评价方法,在具体实施过程中,获取的评价结果可以如下表1所示,举例说明,该评价结果表明,本申请实施例基于支持向量机评价诱发性的方法能够有效对诱发因素进行评价且精度较高。
方法 | Accuracy | Precision | Recall | F1-Score |
支持向量机 | 0.857 | 0.824 | 0.875 | 0.848 |
图4为本申请一实施例提供的滑坡诱发性估算装置的结构装置示意图,如图4所示,该装置300包括:采集模块301、生成模块302、训练模块303。此外还包括预处理模块、清洗模块、预测模块、评价模块;其中,
采集模块301,用于采集滑坡相关的多源动态诱发因素,上述多源动态诱发因素包括下述一项或多项:历史降雨数据、历史地表形变数据、历史地震数据、人类活动数据、险情上报数据、监测站点数据。
生成模块302,用于根据多源动态诱发因素,生成模型训练样本,模型训练样本包括:正样本和负样本,正样本包括:历史滑坡点对应的多源动态诱发因素,负样本包括根据正样本获取的非滑坡点的多源动态诱发因素。
训练模块303,用于采用模型训练样本以及预设基础模型,训练获取滑坡诱发性估算模型。
在一种可选的实施方式中,生成模块302,具体用于从上述多源动态诱发因素中,获取历史滑坡点对应的多源动态诱发因素作为正样本;根据正样本中多源动态诱发因素的空间位置信息,确定非滑坡位置点;根据正样本中多源动态诱发因素的时间信息,确定非滑坡时间点;根据非滑坡位置点、非滑坡时间点,生成负样本;对正样本、负样本,进行特征提取,生成模型训练样本。
在一种可选的实施方式中,生成模块302,具体用于根据正样本中多源动态诱发因素的空间位置信息,确定以滑坡点为中心的预设范围为缓冲区,并在缓冲区以外的区域取随机点作为非滑坡位置点;根据正样本中多源动态诱发因素的时间信息,确定非滑坡时间点,包括:根据正样本中多源动态诱发因素的时间信息,确定历史滑坡的最早时间和最晚时间;在最早时间和最晚时间之间选择随机时间作为非滑坡时间点。
在一种可选的实施方式中,上述装置还包括:预处理模块,用于执行下述至少一种数据预处理:
以预设时间周期,在历史降雨数据中提取预设概率的临界降雨阈值;
以预设算法将历史地表形变数据进行处理,获取地表形变速率图;
根据历史地震数据,采用岩石力学参数及地震参数,获取地震发生时的滑坡概率图;
采用代表人类活动的土地利用类型数据,进行重分类并赋值;
以选定日前的预设天数的险情上报数据、监测站点数据,分别生成核密度图;
生成模块302,具体用于根据预处理后的多源动态诱发因素,生成模型训练样本。
在一种可选的实施方式中,上述装置还包括:清洗模块,用于对预处理后的多源动态诱发因素,进行数据清洗,获取数据清洗后的多源动态诱发因素;
生成模块302,具体用于根据数据清洗后的多源动态诱发因素,生成模型训练样本。
在一种可选的实施方式中,上述装置还包括:预测模块,用于将诱发因素代入滑坡诱发性估算模型,获取滑坡诱发性预测结果,其中,诱发因素包括下述至少一项:降雨数据、地表形变数据、地震数据、人类活动数据、险情上报数据、监测站点数据。
在一种可选的实施方式中,上述装置还包括:评价模块,用于计算获取滑坡诱发性预测结果的混淆矩阵;
根据混淆矩阵,计算获取评价指标,评价指标用于评价滑坡诱发性估算模型的性能。
关于装置中的各模块的处理流程、以及各模块之间的交互流程的描述可以参照上述方法实施例中的相关说明,这里不再详述。
图5为本申请实施例提供的一种电子设备的结构示意图,如图5所示,该电子设备400包括:处理器401、存储介质402、总线403。
存储介质402存储有处理器401可执行的机器可读指令,当电子设备运行时,处理器401与存储介质402之间通过总线403通信,处理器401执行机器可读指令,以执行上述方法实施例的步骤。具体实现方式和技术效果类似,这里不再赘述。
存储介质402、处理器401以及总线403各元件相互之间直接或间接地电性连接,以实现数据的传输或交互。例如,这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。移动存储装置包括至少一个可以软件或固件(firmware)的形式存储于存储介质402中或固化在电子设备的操作系统(operatingsystem,OS)中的软件功能模块。处理器401用于执行存储器402中存储的可执行模块,例如移动存储介质的安全处理方法所包括的软件功能模块及计算机程序等。
其中,存储介质402可以是,但不限于,随机存取存储器(RandomAccessMemory,RAM),只读存储器(ReadOnlyMemory,ROM),可编程只读存储器(ProgrammableRead-OnlyMemory,PROM),可擦除只读存储器(ErasableProgrammableRead-OnlyMemory,EPROM),电可擦除只读存储器(ElectricErasableProgrammableRead-OnlyMemory,EEPROM)等。
可选地,本申请还提供一种存储介质,该存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述实施例中的滑坡诱发性估算方法的步骤。具体实现方式和技术效果类似,这里不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)或处理器(英文:processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文:Read-Only Memory,简称:ROM)、随机存取存储器(英文:Random Access Memory,简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
上仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种滑坡诱发性估算方法,其特征在于,包括:
采集滑坡相关的多源动态诱发因素,所述多源动态诱发因素包括下述一项或多项:历史降雨数据、历史地表形变数据、历史地震数据、人类活动数据、险情上报数据、监测站点数据;
根据所述多源动态诱发因素,生成模型训练样本,所述模型训练样本包括:正样本和负样本,所述正样本包括:历史滑坡点对应的多源动态诱发因素,所述负样本包括:根据所述正样本获取的非滑坡点的多源动态诱发因素;
采用所述模型训练样本以及预设基础模型,训练获取滑坡诱发性估算模型。
2.根据权利要求1所述的方法,其特征在于,所述根据所述多源动态诱发因素,生成模型训练样本,包括:
从所述多源动态诱发因素中,获取历史滑坡点对应的多源动态诱发因素作为所述正样本;
根据所述正样本中多源动态诱发因素的空间位置信息,确定非滑坡位置点;
根据所述正样本中多源动态诱发因素的时间信息,确定非滑坡时间点;
根据所述非滑坡位置点、所述非滑坡时间点,生成所述负样本;
对所述正样本、所述负样本,进行特征提取,生成模型训练样本。
3.根据权利要求2所述的方法,其特征在于,所述根据所述正样本中多源动态诱发因素的空间位置信息,确定非滑坡位置点,包括:
根据所述正样本中多源动态诱发因素的空间位置信息,确定以滑坡点为中心的预设范围为缓冲区,并在所述缓冲区以外的区域取随机点作为所述非滑坡位置点;
所述根据所述正样本中多源动态诱发因素的时间信息,确定非滑坡时间点,包括:
根据所述正样本中多源动态诱发因素的时间信息,确定历史滑坡的最早时间和最晚时间;
在所述最早时间和所述最晚时间之间选择随机时间作为所述非滑坡时间点。
4.根据权利要求1-3任一项所述的方法,其特征在于,所述根据所述多源动态诱发因素,生成模型训练样本之前,还包括执行下述至少一种数据预处理:
以预设时间周期,在所述历史降雨数据中提取预设概率的临界降雨阈值;
以预设算法将所述历史地表形变数据进行处理,获取地表形变速率图;
根据所述历史地震数据,采用岩石力学参数及地震参数,获取地震发生时的滑坡概率图;
采用代表人类活动的土地利用类型数据,进行重分类并赋值;
以选定日前的预设天数的险情上报数据、监测站点数据,分别生成核密度图;
所述根据所述多源动态诱发因素,生成模型训练样本,包括:
根据预处理后的多源动态诱发因素,生成模型训练样本。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
对预处理后的多源动态诱发因素,进行数据清洗,获取数据清洗后的多源动态诱发因素;
所述根据所述多源动态诱发因素,生成模型训练样本,包括:
根据所述数据清洗后的多源动态诱发因素,生成模型训练样本。
6.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将诱发因素代入所述滑坡诱发性估算模型,获取滑坡诱发性预测结果,其中,所述诱发因素包括下述至少一项:降雨数据、地表形变数据、地震数据、人类活动数据、险情上报数据、监测站点数据。
7.根据权利要求6所述的方法,其特征在于,所述将诱发因素代入所述滑坡诱发性估算模型,获取滑坡诱发性预测结果之后,还包括:
计算获取所述滑坡诱发性预测结果的混淆矩阵;
根据所述混淆矩阵,计算获取评价指标,所述评价指标用于评价所述滑坡诱发性估算模型的性能。
8.一种滑坡诱发性估算装置,其特征在于,包括:
采集模块,用于采集滑坡相关的多源动态诱发因素,所述多源动态诱发因素包括下述一项或多项:历史降雨数据、历史地表形变数据、历史地震数据、人类活动数据、险情上报数据、监测站点数据;
生成模块,用于根据所述多源动态诱发因素,生成模型训练样本,所述模型训练样本包括:正样本和负样本,所述正样本包括:历史滑坡点对应的多源动态诱发因素,所述负样本包括根据所述正样本获取的非滑坡点的多源动态诱发因素;
训练模块,用于采用所述模型训练样本以及预设基础模型,训练获取滑坡诱发性估算模型。
9.一种电子设备,其特征在于,所述电子设备包括:处理器、存储介质和总线,所述存储介质存储有所述处理器可执行的机器可读指令,当所述电子设备运行时,所述处理器与所述存储介质之间通过总线通信,所述处理器执行所述机器可读指令,以执行如权利要求1-7任一项所述的滑坡诱发性估算方法的步骤。
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计算机程序,该计算机程序被处理器执行时,实现如权利要求1-7中任一项所述的滑坡诱发性估算方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211568643.7A CN115879300A (zh) | 2022-12-08 | 2022-12-08 | 滑坡诱发性估算方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211568643.7A CN115879300A (zh) | 2022-12-08 | 2022-12-08 | 滑坡诱发性估算方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115879300A true CN115879300A (zh) | 2023-03-31 |
Family
ID=85766477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211568643.7A Pending CN115879300A (zh) | 2022-12-08 | 2022-12-08 | 滑坡诱发性估算方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115879300A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116108758A (zh) * | 2023-04-10 | 2023-05-12 | 中南大学 | 滑坡易发性评价方法 |
CN116110210A (zh) * | 2023-04-04 | 2023-05-12 | 中南大学 | 复杂环境下数据驱动的滑坡灾害辅助决策方法 |
-
2022
- 2022-12-08 CN CN202211568643.7A patent/CN115879300A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116110210A (zh) * | 2023-04-04 | 2023-05-12 | 中南大学 | 复杂环境下数据驱动的滑坡灾害辅助决策方法 |
CN116108758A (zh) * | 2023-04-10 | 2023-05-12 | 中南大学 | 滑坡易发性评价方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zewdie et al. | Monitoring ecosystem dynamics in northwestern Ethiopia using NDVI and climate variables to assess long term trends in dryland vegetation variability | |
CN115879300A (zh) | 滑坡诱发性估算方法、装置、电子设备及存储介质 | |
CN112508105A (zh) | 一种采油机故障检测与检索方法 | |
CN116680658B (zh) | 一种基于风险评价的热浪监测站选址方法及系统 | |
Johansson et al. | Crime hotspots: An evaluation of the KDE spatial mapping technique | |
Propastin et al. | Reducing uncertainty in modeling the NDVI-precipitation relationship: a comparative study using global and local regression techniques | |
Guan et al. | Development of verification methodology for extreme weather forecasts | |
Chen et al. | Effects of fixed-count size on macroinvertebrate richness, site separation, and bioassessment of Chinese monsoonal streams | |
McCord et al. | House price estimation using an eigenvector spatial filtering approach | |
Niaz et al. | Prediction for various drought classes using spatiotemporal categorical sequences | |
CN117669394B (zh) | 一种山区峡谷桥梁长期性能综合评估方法及系统 | |
CN113823414A (zh) | 主诊断与主手术匹配检测方法、装置、计算设备和存储介质 | |
CN116520236B (zh) | 一种智能电表的异常检测方法和系统 | |
CN116861306A (zh) | 一种基于用电趋势量化网络的异常用电检测方法 | |
CN115062859A (zh) | 一种对长爪沙鼠的密度进行预测的方法和装置 | |
CN114721035A (zh) | 基于遥感数据的地震预报方法、装置、设备和介质 | |
Kumar et al. | Evaluating the consistency of the TRMM over the rain gauge for drought monitoring in the semi-arid region of Karnataka, India, using statistical methods | |
Siino et al. | Stochastic models for radon daily time series: Seasonality, stationarity, and long-range dependence detection | |
Marcoulides | Evaluation of confirmatory factor analytic and structural equation models using goodness-of-fit indices | |
Tiampo et al. | Optimization of seismicity-based forecasts | |
Chen et al. | A study of time series noise reduction techniques in the context of land cover change detection | |
Liao et al. | A fast quality control of 0.5 Hz temperature data in China | |
CN116448062B (zh) | 一种桥梁沉降变形检测方法、装置、计算机及存储介质 | |
Carrieres et al. | System evaluation | |
CN115690576B (zh) | 基于夜光影像多特征的贫困率估算方法及系统 |
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 |