CN115938095B - 一种基于集成融合模型的山体滑坡监测预警方法及系统 - Google Patents
一种基于集成融合模型的山体滑坡监测预警方法及系统 Download PDFInfo
- Publication number
- CN115938095B CN115938095B CN202310149108.6A CN202310149108A CN115938095B CN 115938095 B CN115938095 B CN 115938095B CN 202310149108 A CN202310149108 A CN 202310149108A CN 115938095 B CN115938095 B CN 115938095B
- Authority
- CN
- China
- Prior art keywords
- landslide
- change rate
- prediction
- opening
- integrated
- 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
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
本发明提供了一种基于集成融合模型的山体滑坡监测预警方法及系统,涉及数据处理技术领域,采集目标山体区域中多个岩层裂缝的开度信息,获得多个开度信息序列,计算获得多个开度变化率信息集合,对异常信息进行剔除获得多个可信开度变化率信息集合,构建山体滑坡预测融合模型,对多个可信开度变化率信息集合进行预测分析获得多个山体滑坡预测结果,依据滑坡概率计算分支进行综合计算,获得滑坡概率预测结果,解决了现有技术中进行山体滑坡监测预警时,由于监测预测方法智能度不足,只能依靠外部设备进行辅助预测,监测覆盖区域不够完备,且耗费成本较高的技术问题,通过进行监测方法优化,实现了山体区域的全覆盖性低成本精准监测预警。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于集成融合模型的山体滑坡监测预警方法及系统。
背景技术
山体滑坡作为山地丘陵等地理形貌的多发性地质灾害,对人们的生命财产安全造成了极大的影响,为最大化进行灾害规避,应尽可能对山体滑坡进行精准预测警示,以便作应急处理,现如今,主要通过山体滑坡预测装置进行灾害预测,由于需要进行精准感知定位,对系统的要求较高,因此造成成本过高,只在部分地段进行布设,无法进行全区域监测,当前的监测方法还存在一定的可提升空间。
现有技术中,进行山体滑坡监测预警时,由于监测预测方法智能度不足,只能依靠外部设备进行辅助预测,监测覆盖区域不够完备,预测准确率较低,且耗费成本较高。
发明内容
本申请提供了一种基于集成融合模型的山体滑坡监测预警方法及系统,用于针对解决现有技术中存在的进行山体滑坡监测预警时,由于监测预测方法智能度不足,只能依靠外部设备进行辅助预测,监测覆盖区域不够完备,且耗费成本较高的技术问题。
鉴于上述问题,本申请提供了一种基于集成融合模型的山体滑坡监测预警方法及系统。
第一方面,本申请提供了一种基于集成融合模型的山体滑坡监测预警方法,所述方法包括:
获取预设时间周期;
按照所述预设时间周期,在多个时间点,基于雷达采集目标山体区域中多个岩层裂缝的开度信息,获得多个开度信息序列;
基于所述多个时间点,根据所述多个开度信息序列,计算获得多个开度变化率信息集合;
分析获得所述多个开度变化率信息集合内的异常开度变化率信息,获得多个异常开度变化率集合,并去除,获得多个可信开度变化率信息集合;
构建山体滑坡预测融合模型,其中,所述山体滑坡预测融合模型包括多个集成山体滑坡预测模块和滑坡概率计算分支;
将所述多个可信开度变化率信息集合分别输入所述多个集成山体滑坡预测模块,获得多个山体滑坡预测结果;
将所述多个山体滑坡预测结果输入所述滑坡概率计算分支,获得滑坡概率预测结果,在所述滑坡概率预测结果大于预设阈值时,进行预警。
第二方面,本申请提供了一种基于集成融合模型的山体滑坡监测预警系统,所述系统包括:
周期获取模块,所述周期获取模块用于获取预设时间周期;
序列获取模块,所述序列获取模块用于按照所述预设时间周期,在多个时间点,基于雷达采集目标山体区域中多个岩层裂缝的开度信息,获得多个开度信息序列;
信息计算模块,所述信息计算模块用于基于所述多个时间点,根据所述多个开度信息序列,计算获得多个开度变化率信息集合;
可信信息获取模块,可信信息获取模块用于分析获得所述多个开度变化率信息集合内的异常开度变化率信息,获得多个异常开度变化率集合,并去除,获得多个可信开度变化率信息集合;
模型构建模块,所述模型构建模块用于构建山体滑坡预测融合模型,其中,所述山体滑坡预测融合模型包括多个集成山体滑坡预测模块和滑坡概率计算分支;
结果预测模块,所述结果预测模块用于将所述多个可信开度变化率信息集合分别输入所述多个集成山体滑坡预测模块,获得多个山体滑坡预测结果;
结果预警模块,所述结果预警模块用于将所述多个山体滑坡预测结果输入所述滑坡概率计算分支,获得滑坡概率预测结果,在所述滑坡概率预测结果大于预设阈值时,进行预警。
本申请中提供的一个或多个技术方案,至少具有如下技术效果或优点:
本申请实施例提供的一种基于集成融合模型的山体滑坡监测预警方法,获取预设时间周期;按照所述预设时间周期,在多个时间点,基于雷达采集目标山体区域中多个岩层裂缝的开度信息,获得多个开度信息序列;基于所述多个时间点,根据所述多个开度信息序列,计算获得多个开度变化率信息集合;分析获得所述多个开度变化率信息集合内的异常开度变化率信息,获得多个异常开度变化率集合,并去除,获得多个可信开度变化率信息集合;构建山体滑坡预测融合模型,其中,所述山体滑坡预测融合模型包括多个集成山体滑坡预测模块和滑坡概率计算分支;将所述多个可信开度变化率信息集合分别输入所述多个集成山体滑坡预测模块,获得多个山体滑坡预测结果;将所述多个山体滑坡预测结果输入所述滑坡概率计算分支,获得滑坡概率预测结果,在所述滑坡概率预测结果大于预设阈值时,进行预警,解决了现有技术中存在的进行山体滑坡监测预警时,由于监测预测方法智能度不足,只能依靠外部设备进行辅助预测,监测覆盖区域不够完备,且耗费成本较高的技术问题,通过进行监测方法优化,实现了山体区域的全覆盖性低成本精准监测预警。
附图说明
图1为本申请提供了一种基于集成融合模型的山体滑坡监测预警方法流程示意图;
图2为本申请提供了一种基于集成融合模型的山体滑坡监测预警方法中第一集成山体滑坡预测模块构建流程示意图;
图3为本申请提供了一种基于集成融合模型的山体滑坡监测预警方法中多个山体滑坡预测结果获取流程示意图;
图4为本申请提供了一种基于集成融合模型的山体滑坡监测预警系统结构示意图。
附图标记说明:周期获取模块11,序列获取模块12,信息计算模块13,可信信息获取模块14,模型构建模块15,结果预测模块16,结果预警模块17。
具体实施方式
本申请通过提供一种基于集成融合模型的山体滑坡监测预警方法及系统,用于解决现有技术中存在的进行山体滑坡监测预警时,由于监测预测方法智能度不足,只能依靠外部设备进行辅助预测,监测覆盖区域不够完备,且耗费成本较高的技术问题。
实施例一
如图1所示,本申请提供了一种基于集成融合模型的山体滑坡监测预警方法,所述方法包括:
步骤S100:获取预设时间周期;
步骤S200:按照所述预设时间周期,在多个时间点,基于雷达采集目标山体区域中多个岩层裂缝的开度信息,获得多个开度信息序列;
具体而言,山体滑坡作为山地丘陵等地理位置的多发性地质灾害,对人们的生命财产安全造成 了极大的影响,为最大化进行灾害规避,应尽可能对山体滑坡进行精准预测警示,以便作应急处理,本申请提供的一种基于集成融合模型的山体滑坡监测预警方法,将山体区域的岩层裂缝开度信息作为待分析数据源,针对各个岩层裂缝分别构建预测模块与概率计算分支,对其进行融合生成预测模型,对采集的实时数据源进行山体滑坡预测,以保障最终的预测结果与实时山体实况的契合度。
首先,获取所述预设时间周期,所述预设时间周期为进行山体区域信息采集的间隔时间区间,例如月周期,季周期、日周期等,基于所述预设时间周期,待单位时间周期内确定多个采集时间点,应尽可能保障所述多个采集时间点之间的时间区间相同,进而基于雷达对所述目标山体区域进行信息感知采集,由于岩层裂缝的开度变化属于造成山体滑坡的主要影响因素和表现特征,裂缝的开度变化与山体滑坡的概率成正相关,将所述目标山体区域中的多个岩层裂缝作为采集目标,对其进行岩层裂缝开度信息采集,以确定岩层裂缝的尺寸参数,对所述开度信息与岩层裂缝进行对应,基于时间序列确定同一岩层裂缝对应的多个开度信息,作为一个开度信息序列,对所述多个岩层裂缝的开度信息进行对应整合,生成所述多个开度信息序列,所述多个开度信息序列的获取为后续进行开度变化率分析提供了基本数据依据。
进一步而言,按照所述预设时间周期,在多个时间点,基于雷达采集目标山体区域中多个岩层裂缝的开度信息,本申请步骤S200还包括:
步骤S210:在所述多个时间点,采用雷达采集所述多个岩层裂缝的开度信息,获得多个开度信息集合;
步骤S220:按照所述多个时间点和所述多个岩层裂缝进行排序,获得所述多个开度信息序列。
具体而言,确定多个时间点为信息采集节点,将雷达作为信息采集设备,对山体区域的所述多个岩层裂缝进行开度信息的感知采集,获取多个开度信息集合,其中,多个开度信息集合与多个岩层裂缝向对应,提取同一岩层裂缝对应的多个开度信息,基于时间序列对多个开度信息进行顺序性排列,生成该岩层裂缝对应的开度信息序列,基于上述信息整合标准对所述多个岩层裂缝的开度信息分别进行整合排列,生成所述多个开度信息序列,通过基于时间序列对所述多个开度信息集合进行整合,可保障信息的有序性,便于后续直接进行信息识别提取分析,以提高数据识别效率。
步骤S300:基于所述多个时间点,根据所述多个开度信息序列,计算获得多个开度变化率信息集合;
步骤S400:分析获得所述多个开度变化率信息集合内的异常开度变化率信息,获得多个异常开度变化率集合,并去除,获得多个可信开度变化率信息集合;
具体而言,通过进行所述目标山体的岩层裂缝开度信息采集,生成所述多个开度信息序列,对所述多个时间点中相邻时间点之间的时间范围进行计算,进一步确定待分析岩层缝隙,基于所述多个开度信息序列提取对应的开度信息序列,根据相邻时间点之间的时间范围进行开度信息差值计算,基于开度差值与时间范围之间的对应关系进行开度变化率计算,确定该岩层缝隙对应的开度变化率信息,通过对所述多个开度信息序列分别进行开度变化率信息计算,生成所述多个开度变化率信息集合。
进一步的,对所述多个开度变化率信息进行异常分析,由于数据采集过程中可能由于多种环境外因造成数据采集异常,例如落叶掉入岩层裂缝中,影响雷达采集岩层裂缝的开度等情况。所述多个开度变化率信息中可能存在部分异常数据,为保障后续分析预测的准确性,需对其中的异常数据进行剔除,构建异常识别模型,所述异常识别模型包括多层级划分节点,可对节点数据集进行多层二分类,将所述多个开度变化率信息集合输入所述异常识别模型中,通过进行多层级数据分类生成多个信息划分结果,其中,如果多个信息划分结果中存在单个开度变化率信息,这是由于与其余数据差量过大导致,即属于不正常的开度变化率数据,将其判定为异常数据,基于此,整合获得多个异常开度变化率集合,进行剔除,将其余数据作为正常数据,即所述多个可信开度变化率信息集合,以保障最终确定的开度变化率信息集合的信息准确性,避免影响后续预测准确度。
进一步而言,基于所述多个时间点,根据所述多个开度信息序列,计算获得多个开度变化率信息集合,本申请步骤S300还包括:
步骤S310:基于所述多个时间点,获得两两时间点之间的时间范围;
步骤S320:根据所述多个开度信息序列,计算两两开度信息之间的开度差值,获得多个开度差值序列;
步骤S330:基于所述时间范围和所述多个开度差值序列,计算获得所述多个开度变化率信息集合。
具体而言,确定待进行分析的岩层裂缝,基于所述多个开度信息序列进行信息识别提取,基于所述多个时间点进行相邻时间点之间的时间差计算,获取两两时间点之间的时间范围,确定该岩层裂缝对应开度信息序列,基于所述多个时间点进行开度信息序列中开度信息的匹配对应,对相邻时间点之间对应的开度信息进行差值计算,获取开度差值,所述开度差值与两两时间点之间的时间范围一一对应,对所述开度信息序列对应的多个开度差值基于时间序列进行顺序性整合生成开度差值序列,通过对所述多个开度信息序列分别进行开度差值计算,生成所述多个开度差值序列,对所述多个开度差值序列分别基于对应时间范围进行开度变化率计算,即开度差值与时间范围的比值,对其进行顺序性整合确定各岩层裂缝基于时间序列对应的开度变化率,生成所述多个开度变化率信息集合,将所述多个开度变化率信息作为预测参考信息。
进一步而言,分析获得所述多个开度变化率信息集合内的异常开度变化率信息,本申请步骤S400还包括:
步骤S410:从所述多个开度变化率信息集合内随机选择一开度变化率信息,构建异常识别模型的一层划分节点,其中,所述一层划分节点对输入的开度变化率信息进行二分类,获得二分类结果;
步骤S420:再次从所述多个开度变化率信息集合内随机选择一开度变化率信息,构建所述异常识别模型的二层划分节点,其中,所述二层划分节点对所述二分类结果再次进行二分类处理;
步骤S430:继续构建所述异常识别模型的多层划分节点,直到所述多层划分节点的层数达到预设层数;
步骤S440:将所述多个开度变化率信息集合输入所述异常识别模型,经所述多层划分节点进行多次二分类划分,将划分获得的单个开度变化率信息作为异常开度变化率信息,获得所述多个异常开度变化率集合。
具体而言,通过进行岩层裂缝开度变化率计算获取所述多个开度变化率信息集合,基于所述多个开度变化率信息集合随机选择一开度变化率信息,作为划分节点的数据划分临界值,构建所述第一层级划分节点,基于所述第一层级划分节点,将数据划分临界值作为划分依据,可将待进行分类的开度变化率信息划分为大于和小于该数据划分临界值的两组数据聚类结果作为所述二分类结果,再次从所述多个开度变化率信息集合中堆积选择一开度变化率信息,作为二级分类结果的数据划分临界值,构建所述二层划分节点,基于所述二层划分节点对所述第二分类结果进行进一步划分,确定四组数据聚类结果,基于上述层级划分节点构建步骤构建多层级划分节点,直至所述划分节点的层数达到预设层数,即最大划分层数,停止进行划分节点构建,对构建的多层级划分节点逐层进行组合,生成所述异常识别模型。
将所述多个开度变化率信息集合输入所述异常识别模型中,优选的,可基于各岩层缝隙对应的多个开度变化率信息分别进行模型识别分析,减少单次分析数据量,提升识别效率,基于所述异常识别模型对输入的数据信息进行多层级识别分类,最终确定多个信息聚类结果,其中,所述多个信息聚类结果中存在部分结果为单项数据信息,较之其余变化率信息差异较大,可能由于落叶遮掩等多种外因造成,将所述多个信息聚类结果中的单项信息作为异常信息,通过进行异常信息汇总生成所述多个异常开度变化率集合,通过构建模型进行异常数据识别,可有效保障异常数据识别的准确性,保障其余数据精度,避免影响后续分析预测结果。
步骤S500:构建山体滑坡预测融合模型,其中,所述山体滑坡预测融合模型包括多个集成山体滑坡预测模块和滑坡概率计算分支;
具体而言,本申请实施例基于集成学习的思想,基于所述多个岩层裂缝分别构建对应的山体滑坡预测模块,各山体滑坡预测模块内部包含集成的多个山体滑坡预测单元,各个单元的构建数据存在差异性,使得单元预测性能存在差别,对所述多个山体滑坡预测单元进行融合,获取构建完成的山体滑坡预测模块,其中,所述多个山体滑坡预测单元的构建方式相同,但构建数据不同,与所述多个岩层裂缝分别对应,进一步基于预设计算规则构建所述滑坡概率计算分支,对所述多个山体滑坡预测模块与所述滑坡概率计算分支进行融合连接,生成所述山体滑坡预测融合模型。
进一步而言,构建山体滑坡预测融合模型,本申请步骤S500还包括:
步骤S510:构建第一岩层裂缝对应的第一集成山体滑坡预测模块,其中,所述第一岩层裂缝包括于所述多个岩层裂缝内,所述第一集成山体滑坡预测模块包括于所述多个集成山体滑坡预测模块内;
步骤S520:继续构建其他多个岩层裂缝对应的多个集成山体滑坡预测模型,获得所述多个集成山体滑坡预测模块,其中,所述多个集成山体滑坡预测模块的输入数据为平均开度变化率信息,输出数据为滑坡概率;
步骤S530:基于预设计算规则,构建所述滑坡概率计算分支,其中,所述预设计算规则包括将所述多个集成山体滑坡预测模块输出的滑坡概率进行加权计算,获得所述滑坡概率预测结果;
步骤S540:融合连接所述多个集成山体滑坡预测模块和所述滑坡概率计算分支,获得所述山体滑坡预测融合模型。
具体而言,从所述山体区域的所述多个岩层缝隙内选择任一岩层裂缝,针对该岩层裂缝基于多个预设时间周期采集多个历史变化率信息,从其中有放回的随机提取M个数据作为样本数据构建滑坡预测单元,循环多次以构建多个滑坡预测单元,对多个滑坡预测单元进行集成生成所述第一集成山体滑坡预测模块,所述第一集成山体滑坡预测模型的构建方法为通用方法,继续基于所述多个岩层缝隙提取岩层裂缝,基于所述第一集成山体滑坡预测模型的模型构建步骤分别构建对应的集成山体滑坡预测模块,获取所述多个集成山体滑坡预测模块,其中,所述多个集成山体滑坡预测模块与所述多个岩层裂缝一一对应,将各个岩层缝隙的平均开度变化率信息输入对应的预测模块中,可输出该岩层缝隙的滑坡概率。
进一步的,确定所述多个岩层裂缝对山体滑坡的影响度,示例性的,可将岩层裂缝位置、当前开度等作为参考信息,基于此确定所述多个岩层裂缝的权值,对所述多个集成山体滑坡预测模块的输出滑坡概率进行加权计算,将计算结果作为所述滑坡概率预测结果,可将上述计算方式作为所述预设计算规则,构建所述滑坡概率计算分支,将所述滑坡概率计算分支置于所述多个集成山体滑坡预测模块之后,对两者进行融合连接生成所述山体滑坡预测融合模型,以保障所述山体滑坡预测融合模型的完整度。
进一步而言,如图2所示,构建第一岩层裂缝对应的第一集成山体滑坡预测模块,本申请步骤S510还包括:
步骤S511:采集所述第一岩层裂缝在历史时间内多个预设时间周期中的可信开度变化率信息,获得多个历史第一可信开度变化率信息集合;
步骤S512:根据所述多个历史第一可信开度变化率信息集合,计算获得多个历史第一平均开度变化率;
步骤S513:根据所述多个历史第一平均开度变化率,进行滑坡概率评估,获得多个样本滑坡概率;
步骤S514:对所述多个历史第一平均开度变化率和所述多个样本滑坡概率进行数据标识,获得构建数据集;
步骤S515:有放回地从所述构建数据集内随机选择M组数据,获得第一子构建数据集,采用所述第一子构建数据集,构建第一山体滑坡预测单元;
步骤S516:再次有放回地从所述构建数据集内随机选择M组数据,获得第二子构建数据集,采用所述第二子构建数据集,构建第二山体滑坡预测单元;
步骤S517:继续构建N个山体滑坡预测单元,集成所述N个山体滑坡预测单元,获得所述第一集成山体滑坡预测模块。
具体而言,确定所述第一岩层裂缝,基于历史时间区间确定所述多个预设时间周期,以此为基准对所述第一岩层裂缝进行可信开度变化率信息采集,即剔除异常数据后存在参考性的开度变化率信息,进而对可信开度变化率信息与所述多个预设时间周期进行对应整合,生成所述多个历史第一可信开度变化率信息集合,进而对所述多个预设时间周期对应的所述多个历史第一可信开度变化率信息分别进行均值计算,生成所述多个历史第一平均开度变化率,进一步的,基于所述多个历史第一平均开度变化率确定多个变化率区间,其中,区间划分越小,对应的滑坡概率评估结果越精准,获取所述多个变化率区间中各个区间对应的所述多个历史第一平均开度变化率,基于历史滑坡实况进行滑坡概率评估,获取多个滑坡概率评估结果作为所述多个样本滑坡概率,进一步对所述多个历史第一平均开度变化率与所述多个样本滑坡概率进行一一对应,基于对应结果进行数据标识,便于进行识别区分,生成所述构建数据集。
进一步的,将所述构建数据集作为源数据,有放回的从所述构建数据集中随机提取M组数据,将其作为所述第一子构建数据集,将所述第一子构建数据集作为样本数据,对构建的所述第一山体滑坡预测单元的网络结构进行训练验证,使得单元训练精度达到预定要求,生成构建完成的所述第一山体滑坡预测单元;再次有放回的基于所述构建数据集随机提取M组数据,将其作为所述第二子构建数据集,参考所述第一山体滑坡预测单元的构建方法,基于所述第二子构建数据集构建所述第二山体滑坡预测单元;继续基于所述构建数据集进行多个子构建数据集提取,分别进行山体滑坡预测单元的构建,生成所述N个山体滑坡预测单元,对所述N个山体滑坡预测单元进行集成,将集成结果作为所述第一集成山体滑坡预测模块,进行数据预测时,可基于所述N个山体滑坡预测单元的预测结果进行校对评估,确定预测精度最高的预测结果作为模块预测结果,其中,所述第一集成山体滑坡预测模块为所述第一岩层裂缝的分析预测模块。
进一步而言,采用所述第一子构建数据集,构建第一山体滑坡预测单元,本申请步骤S515还包括:
步骤S5151:对所述第一子构建数据集进行划分,获得训练集、验证集和测试集;
步骤S5152:基于前馈神经网络,构建所述第一山体滑坡预测单元的网络结构;
步骤S5153:基于所述第一山体滑坡预测单元的网络结构,采用所述训练集、验证集和测试集进行迭代监督训练、验证和测试,直到所述第一山体滑坡预测单元的准确率符合预设要求。
具体而言,基于所述构建数据集获取所述第一子构建数据集,将所述第一子构建数据集作为样本数据,对其进行数据划分,获取所述训练集、所述验证集与所述测试集,其中,数据划分比例基于模型训练状态可进行动态调整,基于前馈神经网络构建所述第一山体滑坡预测单元的网络结构,将所述训练集、所述验证集与所述测试集输入所述第一山体滑坡预测单元的网络结构中,对其进行训练、验证与测试,以提高所述第一山体滑坡预测单元的输出准确率,当单次训练的模型精度未达到预定标准时,可通过进行样本划分比例调整再次进行单元训练,直至所述第一山体滑坡预测单元的输出准确率达到预设要求时,停止进行单元训练,将训练完成的单元作为最终确定的所述第一山体滑坡预测单元,其中,所述第一山体滑坡预测单元的构建方法为通用构建方法,通过进行单元训练以提高对输入信息的预测准确度,避免预测偏差造成应急措施偏差。
步骤S600:将所述多个可信开度变化率信息集合分别输入所述多个集成山体滑坡预测模块,获得多个山体滑坡预测结果;
步骤S700:将所述多个山体滑坡预测结果输入所述滑坡概率计算分支,获得滑坡概率预测结果,在所述滑坡概率预测结果大于预设阈值时,进行预警。
具体而言,对所述多个可信开度变化信息集合基于所述多个岩层裂缝进行划分,生成多组可信开度变化率信息集合,将所述多组可信开度变化率信息集合输入所述山体滑坡预测融合模型中对应的山体滑坡预测模块,基于模块中的多个山体滑坡预测单元分别进行数据预测,分别确定多个预测结果取最优作为模块输出结果进行输出,获取多个山体滑坡预测结果,其中,所述多个山体滑坡预测结果与所述多个岩层裂隙一一对应,进而将所述多个山体滑坡预测结果输入所述滑坡概率计算分支中,基于预设计算规则对所述多个山体滑坡预测结果进行加权计算,将计算结果作为所述滑坡概率预测结果进行模型输出,进一步获取所述预设阈值,即进行滑坡预警的概率临界值,基于所述预设阈值对所述滑坡概率预测结果进行判定,当所述滑坡概率预测结果大于所述预设阈值时,表明存在滑坡的可能性较大,生成预警信息进行预警警示,以便作应急处理。
进一步而言,如图3所示,将所述多个可信开度变化率信息集合分别输入所述多个山体滑坡预测模块,获得多个山体滑坡预测结果,本申请步骤S600还包括:
步骤S610:根据第一可信开度变化率信息集合,计算获得第一平均可信开度变化率信息;
步骤S620:将所述第一平均可信开度变化率信息输入所述第一集成山体滑坡预测模块内的N个山体滑坡预测单元内,获得N个滑坡概率预测结果;
步骤S630:选择所述N个滑坡概率预测结果中出现频率最高的滑坡概率预测结果,作为第一山体滑坡预测结果;
步骤S640:将其他的多个可信开度变化率信息集合分别输入其他的多个山体滑坡预测模块,获得所述多个山体滑坡预测结果。
具体而言,基于所述多个可信开度变化率信息集合提取所述第一岩层裂缝的多个可信开度变化率信息,作为所述第一可信开度变化率信息集合,对其进行均值计算获取所述第一平均可信开度变化率信息,将所述第一平均可信开度变化率信息输入所述第一集成山体滑坡预测模块中,通过所述N个山体滑坡预测单元分别进行数据匹配预测,获取对应的滑坡概率预测结果,进而对所述N个滑坡概率预测结果进行整体评估,确定其中出现频率最高的预测结果作为所述第一山体滑坡预测结果,由于每个单元的构建数据不完全相同,每个单元的性能也不完全相同,将同样的平均开度变化率信息输入多个单元,可获得多个不同的概率预测结果,选择其中出现概率最高的,准确率较高,可信度较高的概率数据作为模块预测结果,以提高预测精准度,对所述多个岩层裂缝分别提取对应的可信开度变化率信息,分别输入对应的集成山体滑坡预测模块进行预测评估,对预测结果与所述多个岩层裂缝进行对应标识,生成所述多个山体滑坡预测结果。
实施例二
基于与前述实施例中一种基于集成融合模型的山体滑坡监测预警方法相同的发明构思,如图4所示,本申请提供了一种基于集成融合模型的山体滑坡监测预警系统,所述系统包括:
周期获取模块11,所述周期获取模块11用于获取预设时间周期;
序列获取模块12,所述序列获取模块12用于按照所述预设时间周期,在多个时间点,基于雷达采集目标山体区域中多个岩层裂缝的开度信息,获得多个开度信息序列;
信息计算模块13,所述信息计算模块13用于基于所述多个时间点,根据所述多个开度信息序列,计算获得多个开度变化率信息集合;
可信信息获取模块14,可信信息获取模块14用于分析获得所述多个开度变化率信息集合内的异常开度变化率信息,获得多个异常开度变化率集合,并去除,获得多个可信开度变化率信息集合;
模型构建模块15,所述模型构建模块15用于构建山体滑坡预测融合模型,其中,所述山体滑坡预测融合模型包括多个集成山体滑坡预测模块和滑坡概率计算分支;
结果预测模块16,所述结果预测模块16用于将所述多个可信开度变化率信息集合分别输入所述多个集成山体滑坡预测模块,获得多个山体滑坡预测结果;
结果预警模块17,所述结果预警模块17用于将所述多个山体滑坡预测结果输入所述滑坡概率计算分支,获得滑坡概率预测结果,在所述滑坡概率预测结果大于预设阈值时,进行预警。
进一步而言,所述系统还包括:
开度信息获取模块,所述开度信息获取模块用于在所述多个时间点,采用雷达采集所述多个岩层裂缝的开度信息,获得多个开度信息集合;
信息序列获取模块,所述信息序列获取模块用于按照所述多个时间点和所述多个岩层裂缝进行排序,获得所述多个开度信息序列。
进一步而言,所述系统还包括:
时间范围获取模块,所述时间范围获取模块用于基于所述多个时间点,获得两两时间点之间的时间范围;
差值序列获取模块,所述差值序列获取模块用于根据所述多个开度信息序列,计算两两开度信息之间的开度差值,获得多个开度差值序列;
变化率信息计算模块,所述变化率信息计算模块用于基于所述时间范围和所述多个开度差值序列,计算获得所述多个开度变化率信息集合。
进一步而言,所述系统还包括:
一层划分节点构建模块,所述一层划分节点构建模块用于从所述多个开度变化率信息集合内随机选择一开度变化率信息,构建异常识别模型的一层划分节点,其中,所述一层划分节点对输入的开度变化率信息进行二分类,获得二分类结果;
二层划分节点构建模块,所述二层划分节点构建模块用于再次从所述多个开度变化率信息集合内随机选择一开度变化率信息,构建所述异常识别模型的二层划分节点,其中,所述二层划分节点对所述二分类结果再次进行二分类处理;
多层划分节点构建模块,所述多层划分节点构建模块用于继续构建所述异常识别模型的多层划分节点,直到所述多层划分节点的层数达到预设层数;
异常开度变化率获取模块,所述异常开度变化率获取模块用于将所述多个开度变化率信息集合输入所述异常识别模型,经所述多层划分节点进行多次二分类划分,将划分获得的单个开度变化率信息作为异常开度变化率信息,获得所述多个异常开度变化率集合。
进一步而言,所述系统还包括:
第一集成预测模块构建模块,所述第一集成预测模块构建模块用于构建第一岩层裂缝对应的第一集成山体滑坡预测模块,其中,所述第一岩层裂缝包括于所述多个岩层裂缝内,所述第一集成山体滑坡预测模块包括于所述多个集成山体滑坡预测模块内;
多个集成预测模块构建模块,所述多个集成预测模块构建模块用于继续构建其他多个岩层裂缝对应的多个集成山体滑坡预测模型,获得所述多个集成山体滑坡预测模块,其中,所述多个集成山体滑坡预测模块的输入数据为平均开度变化率信息,输出数据为滑坡概率;
分支构建模块,所述分支构建模块用于基于预设计算规则,构建所述滑坡概率计算分支,其中,所述预设计算规则包括将所述多个集成山体滑坡预测模块输出的滑坡概率进行加权计算,获得所述滑坡概率预测结果;
模型融合模块,所述模型融合模块用于融合连接所述多个集成山体滑坡预测模块和所述滑坡概率计算分支,获得所述山体滑坡预测融合模型。
进一步而言,所述系统还包括:
历史信息采集模块,所述历史信息采集模块用于采集所述第一岩层裂缝在历史时间内多个预设时间周期中的可信开度变化率信息,获得多个历史第一可信开度变化率信息集合;
平均开度变化率计算模块,所述平均开度变化率计算模块用于根据所述多个历史第一可信开度变化率信息集合,计算获得多个历史第一平均开度变化率;
概率评估模块,所述概率评估模块用于根据所述多个历史第一平均开度变化率,进行滑坡概率评估,获得多个样本滑坡概率;
构建数据集获取模块,所述构建数据集获取模块用于对所述多个历史第一平均开度变化率和所述多个样本滑坡概率进行数据标识,获得构建数据集;
第一预测单元构建模块,所述第一预测单元构建模块用于有放回地从所述构建数据集内随机选择M组数据,获得第一子构建数据集,采用所述第一子构建数据集,构建第一山体滑坡预测单元;
第二预测单元构建模块,所述第二预测单元构建模块用于再次有放回地从所述构建数据集内随机选择M组数据,获得第二子构建数据集,采用所述第二子构建数据集,构建第二山体滑坡预测单元;
单元集成模块,所述单元集成模块用于继续构建N个山体滑坡预测单元,集成所述N个山体滑坡预测单元,获得所述第一集成山体滑坡预测模块。
进一步而言,所述系统还包括:
数据集划分模块,所述数据集划分模块用于对所述第一子构建数据集进行划分,获得训练集、验证集和测试集;
网络结构构建模块,所述网络结构构建模块用于基于前馈神经网络,构建所述第一山体滑坡预测单元的网络结构;
单元训练模块,所述单元训练模块用于基于所述第一山体滑坡预测单元的网络结构,采用所述训练集、验证集和测试集进行迭代监督训练、验证和测试,直到所述第一山体滑坡预测单元的准确率符合预设要求。
进一步而言,所述系统还包括:
变化率信息计算模块,所述变化率信息计算模块用于根据第一可信开度变化率信息集合,计算获得第一平均可信开度变化率信息;
滑坡概率预测模块,所述滑坡概率预测模块用于将所述第一平均可信开度变化率信息输入所述第一集成山体滑坡预测模块内的N个山体滑坡预测单元内,获得N个滑坡概率预测结果;
结果选择模块,所述结果选择模块用于选择所述N个滑坡概率预测结果中出现频率最高的滑坡概率预测结果,作为第一山体滑坡预测结果;
信息预测模块,所述信息预测模块用于将其他的多个可信开度变化率信息集合分别输入其他的多个山体滑坡预测模块,获得所述多个山体滑坡预测结果。
本说明书通过前述对一种基于集成融合模型的山体滑坡监测预警方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种基于集成融合模型的山体滑坡监测预警方法及系统,对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
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申请。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申请的精神或范围的情况下,在其它实施例中实现。因此,本申请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 (7)
1.一种基于集成融合模型的山体滑坡监测预警方法,其特征在于,所述方法包括:
获取预设时间周期;
按照所述预设时间周期,在多个时间点,基于雷达采集目标山体区域中多个岩层裂缝的开度信息,获得多个开度信息序列;
基于所述多个时间点,根据所述多个开度信息序列,计算获得多个开度变化率信息集合;
分析获得所述多个开度变化率信息集合内的异常开度变化率信息,获得多个异常开度变化率集合,并去除,获得多个可信开度变化率信息集合;
构建山体滑坡预测融合模型,其中,所述山体滑坡预测融合模型包括多个集成山体滑坡预测模块和滑坡概率计算分支;
将所述多个可信开度变化率信息集合分别输入所述多个集成山体滑坡预测模块,获得多个山体滑坡预测结果;
将所述多个山体滑坡预测结果输入所述滑坡概率计算分支,获得滑坡概率预测结果,在所述滑坡概率预测结果大于预设阈值时,进行预警;
构建山体滑坡预测融合模型,包括:
构建第一岩层裂缝对应的第一集成山体滑坡预测模块,其中,所述第一岩层裂缝包括于所述多个岩层裂缝内,所述第一集成山体滑坡预测模块包括于所述多个集成山体滑坡预测模块内;
继续构建其他多个岩层裂缝对应的多个集成山体滑坡预测模型,获得所述多个集成山体滑坡预测模块,其中,所述多个集成山体滑坡预测模块的输入数据为平均开度变化率信息,输出数据为滑坡概率;
基于预设计算规则,构建所述滑坡概率计算分支,其中,所述预设计算规则包括将所述多个集成山体滑坡预测模块输出的滑坡概率进行加权计算,获得所述滑坡概率预测结果;
融合连接所述多个集成山体滑坡预测模块和所述滑坡概率计算分支,获得所述山体滑坡预测融合模型;
构建第一岩层裂缝对应的第一集成山体滑坡预测模块,包括:
采集所述第一岩层裂缝在历史时间内多个预设时间周期中的可信开度变化率信息,获得多个历史第一可信开度变化率信息集合;
根据所述多个历史第一可信开度变化率信息集合,计算获得多个历史第一平均开度变化率;
根据所述多个历史第一平均开度变化率,进行滑坡概率评估,获得多个样本滑坡概率;
对所述多个历史第一平均开度变化率和所述多个样本滑坡概率进行数据标识,获得构建数据集;
有放回地从所述构建数据集内随机选择M组数据,获得第一子构建数据集,采用所述第一子构建数据集,构建第一山体滑坡预测单元;
再次有放回地从所述构建数据集内随机选择M组数据,获得第二子构建数据集,采用所述第二子构建数据集,构建第二山体滑坡预测单元;
继续构建N个山体滑坡预测单元,集成所述N个山体滑坡预测单元,获得所述第一集成山体滑坡预测模块;
基于所述第一集成山体滑坡预测模块的模型的构建步骤,分别构建其他岩层裂缝对应的集成山体滑坡预测模块,获取所述多个集成山体滑坡预测模块。
2.根据权利要求1所述的方法,其特征在于,按照所述预设时间周期,在多个时间点,基于雷达采集目标山体区域中多个岩层裂缝的开度信息,包括:
在所述多个时间点,采用雷达采集所述多个岩层裂缝的开度信息,获得多个开度信息集合;
按照所述多个时间点和所述多个岩层裂缝进行排序,获得所述多个开度信息序列。
3.根据权利要求1所述的方法,其特征在于,基于所述多个时间点,根据所述多个开度信息序列,计算获得多个开度变化率信息集合,包括:
基于所述多个时间点,获得两两时间点之间的时间范围;
根据所述多个开度信息序列,计算两两开度信息之间的开度差值,获得多个开度差值序列;
基于所述时间范围和所述多个开度差值序列,计算获得所述多个开度变化率信息集合。
4.根据权利要求1所述的方法,其特征在于,分析获得所述多个开度变化率信息集合内的异常开度变化率信息,包括:
从所述多个开度变化率信息集合内随机选择一开度变化率信息,构建异常识别模型的一层划分节点,其中,所述一层划分节点对输入的开度变化率信息进行二分类,获得二分类结果;
再次从所述多个开度变化率信息集合内随机选择一开度变化率信息,构建所述异常识别模型的二层划分节点,其中,所述二层划分节点对所述二分类结果再次进行二分类处理;
继续构建所述异常识别模型的多层划分节点,直到所述多层划分节点的层数达到预设层数;
将所述多个开度变化率信息集合输入所述异常识别模型,经所述多层划分节点进行多次二分类划分,将划分获得的单个开度变化率信息作为异常开度变化率信息,获得所述多个异常开度变化率集合。
5.根据权利要求1所述的方法,其特征在于,采用所述第一子构建数据集,构建第一山体滑坡预测单元,还包括:
对所述第一子构建数据集进行划分,获得训练集、验证集和测试集;
基于前馈神经网络,构建所述第一山体滑坡预测单元的网络结构;
基于所述第一山体滑坡预测单元的网络结构,采用所述训练集、验证集和测试集进行迭代监督训练、验证和测试,直到所述第一山体滑坡预测单元的准确率符合预设要求。
6.根据权利要求5所述的方法,其特征在于,将所述多个可信开度变化率信息集合分别输入所述多个山体滑坡预测模块,获得多个山体滑坡预测结果,包括:
根据第一可信开度变化率信息集合,计算获得第一平均可信开度变化率信息;
将所述第一平均可信开度变化率信息输入所述第一集成山体滑坡预测模块内的N个山体滑坡预测单元内,获得N个滑坡概率预测结果;
选择所述N个滑坡概率预测结果中出现频率最高的滑坡概率预测结果,作为第一山体滑坡预测结果;
将其他的多个可信开度变化率信息集合分别输入其他的多个山体滑坡预测模块,获得所述多个山体滑坡预测结果。
7.一种基于集成融合模型的山体滑坡监测预警系统,其特征在于,所述系统包括:
周期获取模块,所述周期获取模块用于获取预设时间周期;
序列获取模块,所述序列获取模块用于按照所述预设时间周期,在多个时间点,基于雷达采集目标山体区域中多个岩层裂缝的开度信息,获得多个开度信息序列;
信息计算模块,所述信息计算模块用于基于所述多个时间点,根据所述多个开度信息序列,计算获得多个开度变化率信息集合;
可信信息获取模块,可信信息获取模块用于分析获得所述多个开度变化率信息集合内的异常开度变化率信息,获得多个异常开度变化率集合,并去除,获得多个可信开度变化率信息集合;
模型构建模块,所述模型构建模块用于构建山体滑坡预测融合模型,其中,所述山体滑坡预测融合模型包括多个集成山体滑坡预测模块和滑坡概率计算分支;
结果预测模块,所述结果预测模块用于将所述多个可信开度变化率信息集合分别输入所述多个集成山体滑坡预测模块,获得多个山体滑坡预测结果;
结果预警模块,所述结果预警模块用于将所述多个山体滑坡预测结果输入所述滑坡概率计算分支,获得滑坡概率预测结果,在所述滑坡概率预测结果大于预设阈值时,进行预警;
第一集成预测模块构建模块,所述第一集成预测模块构建模块用于构建第一岩层裂缝对应的第一集成山体滑坡预测模块,其中,所述第一岩层裂缝包括于所述多个岩层裂缝内,所述第一集成山体滑坡预测模块包括于所述多个集成山体滑坡预测模块内;
多个集成预测模块构建模块,所述多个集成预测模块构建模块用于继续构建其他多个岩层裂缝对应的多个集成山体滑坡预测模型,获得所述多个集成山体滑坡预测模块,其中,所述多个集成山体滑坡预测模块的输入数据为平均开度变化率信息,输出数据为滑坡概率;
分支构建模块,所述分支构建模块用于基于预设计算规则,构建所述滑坡概率计算分支,其中,所述预设计算规则包括将所述多个集成山体滑坡预测模块输出的滑坡概率进行加权计算,获得所述滑坡概率预测结果;
模型融合模块,所述模型融合模块用于融合连接所述多个集成山体滑坡预测模块和所述滑坡概率计算分支,获得所述山体滑坡预测融合模型;
历史信息采集模块,所述历史信息采集模块用于采集所述第一岩层裂缝在历史时间内多个预设时间周期中的可信开度变化率信息,获得多个历史第一可信开度变化率信息集合;
平均开度变化率计算模块,所述平均开度变化率计算模块用于根据所述多个历史第一可信开度变化率信息集合,计算获得多个历史第一平均开度变化率;
概率评估模块,所述概率评估模块用于根据所述多个历史第一平均开度变化率,进行滑坡概率评估,获得多个样本滑坡概率;
构建数据集获取模块,所述构建数据集获取模块用于对所述多个历史第一平均开度变化率和所述多个样本滑坡概率进行数据标识,获得构建数据集;
第一预测单元构建模块,所述第一预测单元构建模块用于有放回地从所述构建数据集内随机选择M组数据,获得第一子构建数据集,采用所述第一子构建数据集,构建第一山体滑坡预测单元;
第二预测单元构建模块,所述第二预测单元构建模块用于再次有放回地从所述构建数据集内随机选择M组数据,获得第二子构建数据集,采用所述第二子构建数据集,构建第二山体滑坡预测单元;
单元集成模块,所述单元集成模块用于继续构建N个山体滑坡预测单元,集成所述N个山体滑坡预测单元,获得所述第一集成山体滑坡预测模块;
多个集成预测模块构建模块,用于基于所述第一集成山体滑坡预测模块的模型的构建步骤,分别构建其他岩层裂缝对应的集成山体滑坡预测模块,获取所述多个集成山体滑坡预测模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310149108.6A CN115938095B (zh) | 2023-02-22 | 2023-02-22 | 一种基于集成融合模型的山体滑坡监测预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310149108.6A CN115938095B (zh) | 2023-02-22 | 2023-02-22 | 一种基于集成融合模型的山体滑坡监测预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115938095A CN115938095A (zh) | 2023-04-07 |
CN115938095B true CN115938095B (zh) | 2023-05-30 |
Family
ID=85835745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310149108.6A Active CN115938095B (zh) | 2023-02-22 | 2023-02-22 | 一种基于集成融合模型的山体滑坡监测预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115938095B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116227938B (zh) * | 2023-04-26 | 2023-06-30 | 四川川核地质工程有限公司 | 基于北斗卫星的山体滑坡智能预警方法及系统 |
CN116612609B (zh) * | 2023-07-21 | 2023-11-03 | 湖北通达数科科技有限公司 | 一种基于山体滑坡危害度预测的灾害预警方法及系统 |
CN117037457B (zh) * | 2023-10-10 | 2023-12-15 | 青州鸿润电器科技有限公司 | 一种山体滑坡监测预警方法 |
CN117540337B (zh) * | 2023-11-15 | 2024-04-16 | 中国铁塔股份有限公司辽宁省分公司 | 一种多源融合的智能化区域安全精准感知方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107610421A (zh) * | 2017-09-19 | 2018-01-19 | 合肥英泽信息科技有限公司 | 一种地质灾害预警分析系统及方法 |
CN108332649B (zh) * | 2018-02-07 | 2020-04-24 | 桂林电子科技大学 | 一种滑坡形变综合预警方法及系统 |
CN111880210A (zh) * | 2020-08-05 | 2020-11-03 | 中国南方电网有限责任公司 | 输电线路的地灾监测处理方法和装置、预警系统和设备 |
CN112284263A (zh) * | 2020-10-16 | 2021-01-29 | 上海同禾工程科技股份有限公司 | 一种基于机器视觉的山体灾害预警监测装置及预警监测方法 |
CN112364802B (zh) * | 2020-11-19 | 2021-08-03 | 中国地质调查局水文地质环境地质调查中心 | 一种崩塌滑坡灾害体的变形监测方法 |
CN112735094B (zh) * | 2020-12-17 | 2022-08-09 | 中国地质环境监测院 | 基于机器学习的地质灾害预测方法、装置和电子设备 |
CN112733472B (zh) * | 2021-01-11 | 2021-10-26 | 中国科学院、水利部成都山地灾害与环境研究所 | 一种泥石流坡面物源启动量动态计算方法及系统 |
CN114333249A (zh) * | 2022-01-14 | 2022-04-12 | 四川九洲北斗导航与位置服务有限公司 | 滑坡预警方法和装置 |
CN114966688A (zh) * | 2022-05-27 | 2022-08-30 | 中国地质科学院岩溶地质研究所 | 一种单斜缓倾岩溶滑坡隐患识别方法及系统 |
CN115061219B (zh) * | 2022-08-17 | 2022-11-08 | 北京派特杰奥科技有限公司 | 基于石油天然气探测的裂缝型储层预测识别方法及系统 |
KR102488400B1 (ko) * | 2022-11-01 | 2023-01-18 | 주식회사 자연과기술 | 항공라이다를 이용한 땅밀림 측정 및 위험경보 시스템 |
-
2023
- 2023-02-22 CN CN202310149108.6A patent/CN115938095B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115938095A (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115938095B (zh) | 一种基于集成融合模型的山体滑坡监测预警方法及系统 | |
CN110796284B (zh) | 细颗粒物污染等级的预测方法、装置及计算机设备 | |
CN111081016B (zh) | 一种基于复杂网络理论的城市交通异常识别方法 | |
Elsaeidy et al. | Replay attack detection in smart cities using deep learning | |
CN115061219B (zh) | 基于石油天然气探测的裂缝型储层预测识别方法及系统 | |
WO2020111934A1 (en) | A method and system for detection of natural disaster occurrence | |
CN111898385B (zh) | 一种地震灾害评估方法及系统 | |
Sethi et al. | Soundscapes predict species occurrence in tropical forests | |
CN116204842A (zh) | 一种电气设备的异常监测方法及系统 | |
CN116823172A (zh) | 基于模型优化的工程造价评估方法及系统 | |
CN115688053A (zh) | 一种基于数据融合矿山环境动态监测管理方法及系统 | |
CN116341901A (zh) | 一种滑坡面域-单体危险性预警的一体化评价方法 | |
CN114740550A (zh) | 一种连续风暴事件智能识别预警方法及系统 | |
CN113516060B (zh) | 基于多时相高分辨率数据的建筑空间融合判别方法及装置 | |
CN116910662A (zh) | 基于随机森林算法的旅客异常识别方法和装置 | |
CN116186547B (zh) | 一种环境水务监测采样异常数据快速识别方法 | |
CN117171533A (zh) | 一种地理测绘作业数据实时采集处理方法及系统 | |
CN116522790A (zh) | 一种确定暴雨导致滑坡链式灾害影响区域的方法和系统 | |
CN115979215B (zh) | 一种楼层识别方法、装置及计算机可读存储介质 | |
CN117171128A (zh) | 一种基于四水耦合模型的水生生物保护阈值识别方法 | |
CN116702588A (zh) | 一种基于多源数据的风电场关键气象因子预报方法及系统 | |
CN115471122A (zh) | 基于元数据模型的能耗评估方法及系统 | |
Bougoudis et al. | Comparison of self organizing maps clustering with supervised classification for air pollution data sets | |
CN116307270B (zh) | 一种评估暴雨诱发滑坡链式灾害影响伤亡的方法和系统 | |
CN117113038B (zh) | 城市水土流失黄泥水事件溯源方法及系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |