CN116050120B - 一种滑坡隐患活动性遥感评价建模方法、系统和存储介质 - Google Patents

一种滑坡隐患活动性遥感评价建模方法、系统和存储介质 Download PDF

Info

Publication number
CN116050120B
CN116050120B CN202310018953.XA CN202310018953A CN116050120B CN 116050120 B CN116050120 B CN 116050120B CN 202310018953 A CN202310018953 A CN 202310018953A CN 116050120 B CN116050120 B CN 116050120B
Authority
CN
China
Prior art keywords
landslide
indexes
activity level
target
value
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
CN202310018953.XA
Other languages
English (en)
Other versions
CN116050120A (zh
Inventor
王珊珊
刘筱怡
黄成�
童立强
韩建云
晏祥省
郭兆成
阎书豪
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.)
Yunnan Institute Of Geological Environment Monitoring Yunnan Institute Of Environmental Geology
China Aero Geophysical Survey and Remote Sensing Center for Natural Resources
Original Assignee
Yunnan Institute Of Geological Environment Monitoring Yunnan Institute Of Environmental Geology
China Aero Geophysical Survey and Remote Sensing Center for Natural Resources
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 Yunnan Institute Of Geological Environment Monitoring Yunnan Institute Of Environmental Geology, China Aero Geophysical Survey and Remote Sensing Center for Natural Resources filed Critical Yunnan Institute Of Geological Environment Monitoring Yunnan Institute Of Environmental Geology
Priority to CN202310018953.XA priority Critical patent/CN116050120B/zh
Publication of CN116050120A publication Critical patent/CN116050120A/zh
Application granted granted Critical
Publication of CN116050120B publication Critical patent/CN116050120B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • 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
    • 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
    • G06Q50/265—Personal security, identity or safety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Algebra (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computer Security & Cryptography (AREA)
  • Evolutionary Biology (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)

Abstract

本发明公开了一种滑坡隐患活动性遥感评价建模方法、系统和存储介质，包括：将多个遥感特征指标和多个孕灾背景指标作为第一自变量指标，并将多个滑坡隐患活动性等级作为因变量指标；获取每个目标样本的每个第一自变量指标的第一数值和每个因变量指标的第二数值；基于有序逻辑回归模型和每个目标样本所对应的多个第一数值和多个第二数值，并通过相关性检验和多重共线性检验，确定多个目标自变量指标，并构建多个目标自变量指标与多个因变量指标之间的滑坡隐患活动性等级预测模型。本发明在保证较为准确地预测滑坡隐患活动性等级的同时，一定程度上解决了地质灾害地面调查费时费力甚至难以到达等问题，降低了因相关人员主观判断所造成的误差。

Description

一种滑坡隐患活动性遥感评价建模方法、系统和存储介质
技术领域
本发明涉及风险评价技术领域，尤其涉及一种滑坡隐患活动性遥感评价建模方法、系统和存储介质。
背景技术
地质灾害活动性的确定是其风险评价中的重要一环。目前在地质灾害调查中，特别是滑坡隐患活动性评价主要基于地面调查和现场监测实现，一方面需要耗费较高的人力物力，常常由于山高路远或者地形险峻，难以获取全面信息；另一方面由于滑坡活动性判断主观性强，对地面调查人员的专业能力和经验要求较高。
因此，亟需提供一种技术方案解决上述技术问题。
发明内容
为解决上述技术问题，本发明提供了一种滑坡隐患活动性遥感评价建模方法、系统和存储介质。
本发明的一种滑坡隐患活动性遥感评价建模方法的技术方案如下：
将用于滑坡隐患活动性遥感评价的多个遥感特征指标和多个孕灾背景指标作为第一自变量指标，并将多个滑坡隐患活动性等级作为因变量指标；
获取任一具有滑坡隐患的目标样本的每个第一自变量指标的第一数值和每个因变量指标的第二数值，直至得到每个具有滑坡隐患的目标样本所对应的多个第一数值和多个第二数值；
基于有序逻辑回归模型和每个目标样本所对应的多个第一数值和多个第二数值，并通过相关性检验和多重共线性检验，从所有的第一自变量指标中确定多个目标自变量指标，并构建多个目标自变量指标与多个因变量指标之间的滑坡隐患活动性等级预测模型。
本发明的一种滑坡隐患活动性遥感评价建模方法的有益效果如下：
本发明的方法通过构建滑坡隐患的孕灾背景、遥感特征与活动性等级的关系模型，在保证较为准确地预测滑坡隐患活动性等级的同时，一定程度上解决了地质灾害地面调查费时费力甚至难以到达等问题，降低了因相关人员主观判断所造成的误差。
在上述方案的基础上，本发明的一种滑坡隐患活动性遥感评价建模方法还可以做如下改进。
进一步，所述获取任一具有滑坡隐患的目标样本的每个第一自变量指标的第一数值和每个因变量指标的第二数值的步骤，包括：
获取所述任一目标样本对应的目标区域的地表形变InSAR监测数据、光学遥感数据、区域地质数据和基础地理数据；
根据所述任一目标样本对应的地表形变InSAR监测数据和光学遥感数据，获取该目标样本的所有第一自变量指标中的多个遥感特征指标所对应的第一数值，并根据该目标样本对应的区域地质数据和基础地理数据，获取该目标样本的所有第一自变量指标中的多个孕灾背景指标所对应的第一数值；
基于预设滑坡活动性等级划分规则，确定所述任一目标样本对应的每个因变量指标的第二数值。
进一步，所述多个遥感特征指标包括：形变速率最大值X1、形变速率平均值X2、形变速率最小值X3、形变速率标准差X4、形变部位X5、形变面积比X6和形变方向夹角X7；
所述多个孕灾背景指标包括：工程地质岩组X8、距离构造距离X9、斜坡坡度X10和形变区坡度X11；
所述多个滑坡隐患活动性等级包括：低、中、高和极高。
进一步，所述滑坡隐患活动性等级预测模型为：
其中，m为目标自变量指标的数量，α1为第一常数项，βi为第i个目标自变量指标的参数系数项，xi为第i个目标自变量指标；Y＝1表示滑坡隐患活动性等级为低，Y＝2表示滑坡隐患活动性等级为中，Y＝3表示滑坡隐患活动性等级为高，Y＝4表示滑坡隐患活动性等级为极高，Pa为滑坡隐患活动性等级为低的概率值，Pb为滑坡隐患活动性等级为中的概率值，Pc为滑坡隐患活动性等级为高的概率值，Pd为滑坡隐患活动性等级为极高的概率值。
进一步，还包括：
将任一目标样本的每个目标自变量指标对应的第一数值输入至所述滑坡隐患活动性等级预测模型进行预测，得到该目标样本的每个因变量指标对应的第一概率值，并将第一概率值最大的因变量指标所对应的滑坡隐患活动性等级确定为该目标样本的第一滑坡隐患活动性等级预测值，并判断该目标样本的第一滑坡隐患活动性等级预测值与最大的第二数值所对应的第一滑坡隐患活动性等级真实值是否存在差异，得到该目标样本的第一判断结果，直至得到每个目标样本的第一判断结果；
当第一判断结果为是的目标样本的数量超过预设数量时，则判定所述滑坡隐患活动性等级预测模型验证成功。
进一步，还包括：
获取并将待测区域的每个目标自变量指标对应的目标数值输入至所述滑坡隐患活动性等级预测模型进行预测，得到待测区域的每个因变量指标对应的目标概率值，并将目标概率值最大的因变量指标所对应的滑坡隐患活动性等级确定为所述待测区域的目标滑坡隐患活动性等级预测值。
本发明的一种滑坡隐患活动性遥感评价建模系统的技术方案如下：
包括：处理模块、获取模块和构建模块；
所述处理模块用于：将用于滑坡隐患活动性遥感评价的多个遥感特征指标和多个孕灾背景指标作为第一自变量指标，并将多个滑坡隐患活动性等级作为因变量指标；
所述获取模块用于：获取任一具有滑坡隐患的目标样本的每个第一自变量指标的第一数值和每个因变量指标的第二数值，直至得到每个具有滑坡隐患的目标样本所对应的多个第一数值和多个第二数值；
所述构建模块用于：基于有序逻辑回归模型和每个目标样本所对应的多个第一数值和多个第二数值，将满足相关性检验和多重共线性检验的第一自变量指标确定为目标自变量指标，并构建多个目标自变量指标与多个因变量指标之间的滑坡隐患活动性等级预测模型。
本发明的一种滑坡隐患活动性遥感评价建模系统的有益效果如下：
本发明的系统通过构建滑坡隐患的孕灾背景、遥感特征与活动性等级的关系模型，在保证较为准确地预测滑坡隐患活动性等级的同时，一定程度上解决了地质灾害地面调查费时费力甚至难以到达等问题，降低了因相关人员主观判断所造成的误差。
在上述方案的基础上，本发明的一种滑坡隐患活动性遥感评价建模系统还可以做如下改进。
进一步，所述获取模块具体用于：
获取所述任一目标样本对应的目标区域的地表形变InSAR监测数据、光学遥感数据、区域地质数据和基础地理数据；
根据所述任一目标样本对应的地表形变InSAR监测数据和光学遥感数据，获取该目标样本的所有第一自变量指标中的多个遥感特征指标所对应的第一数值，并根据该目标样本对应的区域地质数据和基础地理数据，获取该目标样本的所有第一自变量指标中的多个孕灾背景指标所对应的第一数值；
基于预设滑坡活动性等级划分规则，确定所述任一目标样本对应的每个因变量指标的第二数值。
进一步，所述多个遥感特征指标包括：形变速率最大值X1、形变速率平均值X2、形变速率最小值X3、形变速率标准差X4、形变部位X5、形变面积比X6和形变方向夹角X7；
所述多个孕灾背景指标包括：工程地质岩组X8、距离构造距离X9、斜坡坡度X10和形变区坡度X11；
所述多个滑坡隐患活动性等级包括：低、中、高和极高。
本发明的一种存储介质的技术方案如下：
存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如本发明的一种滑坡隐患活动性遥感评价建模方法的步骤。
附图说明
图1示出了本发明提供的一种滑坡隐患活动性遥感评价建模方法的第一实施例的流程示意图；
图2示出了本发明提供的一种滑坡隐患活动性遥感评价建模方法的第二实施例的流程示意图；
图3示出了本发明提供的一种滑坡隐患活动性遥感评价建模系统的实施例的结构示意图。
具体实施方式
图1示出了本发明提供的一种滑坡隐患活动性遥感评价建模方法的第一实施例的流程示意图。如图1所示，包括如下步骤：
步骤110：将用于滑坡隐患活动性遥感评价的多个遥感特征指标和多个孕灾背景指标作为第一自变量指标，并将多个滑坡隐患活动性等级作为因变量指标。
其中，①遥感特征指标为：通过地表形变InSAR监测数据和光学遥感数据所得到的指标；其特征包括：形变速率最大值X1、形变速率平均值X2、形变速率最小值X3、形变速率标准差X4、形变部位X5、形变面积比X6和形变方向夹角X7。②孕灾背景指标为：通过区域地质数据和基础地理数据所得到的指标；其类型包括：工程地质岩组X8、距离构造距离X9、斜坡坡度X10和形变区坡度X11。③第一自变量指标包括：遥感特征指标和孕灾背景指标，上述指标是基于灾害地质基本原理，将开展滑坡隐患活动性评价的参数分为遥感特征指标和孕灾背景指标两大类；并在此基础上，结合专家经验和相关指标提取的难易程度，确定了第一自变量指标，具体见下表1(第一自变量指标统计表)。⑤滑坡隐患活动性等级包括：低、中、高和极高。⑥因变量指标与滑坡隐患活动性等级对应。
步骤120：获取任一具有滑坡隐患的目标样本的每个第一自变量指标的第一数值和每个因变量指标的第二数值，直至得到每个具有滑坡隐患的目标样本所对应的多个第一数值和多个第二数值。
其中，①目标样本为：具有滑坡隐患，且具有明确活动性的样本。②本实施例中的样本选择巧家县和东川区两县区遥感识别并进行了野外查证，具有明确活动性的86处滑坡隐患为样本。其中东川区样本为26处，主要分布于小江流域。③第一数值为：目标样本的第一自变量指标的具体数值。如目标样本A的形变速率最大值为10，其中的“10”就是第一数值。④第二数值为：目标样本的第二自变量指标的具体数值。如目标样本B的滑坡隐患活动性等级真实值为高(即低对应1，中对应2，高对应3，极高对应4)，则第二数值为3。
需要说明的是，无论是距离、位置还是类型，均转换为数值进行表示。
步骤130：基于有序逻辑回归模型和每个目标样本所对应的多个第一数值和多个第二数值，并通过相关性检验和多重共线性检验，从所有的第一自变量指标中确定多个目标自变量指标，并构建多个目标自变量指标与多个因变量指标之间的滑坡隐患活动性等级预测模型。
其中，①有序逻辑回归模型是一种多分类逻辑回归模型，适用于因变量为分类变量的情形，并且不要求变量、残差服从正态分布，其前提假设较其他一般线性模型更宽松，更符合实际情况。②目标自变量指标为：经过有序逻辑回归模型处理后，所保留的自变量指标。在本实施例中，目标自变量指标包括：形变速率平均值X2、形变面积比X6、形变方向夹角X7和形变区坡度X11。③在本实施例中，滑坡隐患活动性等级预测模型的因变量为：多个目标自变量指标(形变速率平均值X2、形变面积比X6、形变方向夹角X7和形变区坡度X11)，因变量为：多个因变量指标(低、中、高和极高)。④滑坡隐患活动性等级预测模型为：
其中，m为目标自变量指标的数量，α1为第一常数项，βi为第i个目标自变量指标的参数系数项，xi为第i个目标自变量指标；Y＝1表示滑坡隐患活动性等级为低，Y＝2表示滑坡隐患活动性等级为中，Y＝3表示滑坡隐患活动性等级为高，Y＝4表示滑坡隐患活动性等级为极高，Pa为滑坡隐患活动性等级为低的概率值，Pd为滑坡隐患活动性等级为中的概率值，Pc为滑坡隐患活动性等级为高的概率值，Pd为滑坡隐患活动性等级为极高的概率值。
需要说明的是，有序逻辑回归模型的定义如下：
其中，Y表示观测现象的内在趋势，它并不能直接测量；α表示常数项，βi表示相应待估参数系数项，表示自变量对Y的解释程度大小。设结果变量Y为k个等级的有序变量，k个等级分别用1，2…k表示，Y的累计概率是指Y落在一个特定点的概率，其累计概率为：P(Y≤j|x)＝P1+P2+Λ+Pj；累计概率满足：P(Y≤1)≤Λ≤P(Y≤k)≤1；k的等级分为两类：{1,…j}与{j+1,…k}，在这两类的基础上定义的logit表示属于后k-j个等级的累计概率与前j个等级的累计概率的优势的对数，故该模型称为累积优势模型。对等级小于等于j的累积概率做logit变换：/> 其中，α称为常数项，βn称为位置参数(回归系数)。
有序多分类有比二元逻辑回归有更多的优点，一是考虑了因变量类型，二是考虑变量的有序性，三是相比二元逻辑回归，它可以检验因变量不同类别对自变量是否存在显著差异性的影响。
此外，模型构建中需进行多重共线性检验、平行性验证、相关性验证和模型拟合结果检验等步骤：
(1)相关性检验：采用Spearman检验进行自变量相关性检验，Spearman检验不要求样本数据服从正态分布，同时对自变量与因变量为分类变量或连续变量没有要求。Spearman检验得到的相关系数sig≤0.05时，接受原假设，认为自变量之间无显著相关关系；当sig值＞0.05时，拒绝原假设，认为变量之间在95％的置信水平上具有相关性。当0.05<sig≤0.3时，认为两个变量之是弱相关；当0.3<sig≤0.5时，认为两个变量之是低相关；当0.5<sig≤0.8时，认为两个变量之是显著相关；当sig>0.8时，认为两个变量是高度相关。
(2)多重共线性检验：为了确认自变量之间是否存在高度相关关系，这种现象会令模型估计失真或难以准确估计。建模中以容差(TOL)和方差膨胀因子(VIF)值的大小来检验多重共线性，其中方差通货膨胀因子(VIF)代表其他变量对自变量的解释程度大小。
如果TOL＜0.1或者VIF＞10，通常表示存在多重共线性，
(3)平行性验证：有序逻辑回归要求不同类型概率计算中自变量的系数相等，仅常数项不等。所以有序逻辑回归模型必须对自变量系数相等的假设(即“比例优势”假设)进行检验，即平行线检验。若平行性验证显著性结果大于0.05，则表明回归方程相互平行，适用于有序逻辑回归建模。
(4)模型拟合验证，主要对模型中是否所有自变量偏回归系数全为0进行似然比检验，若显著性P＜0.05，说明至少有一个自变量的回归系数不为0，说明最终模型优于只含截距的模型，即模型显著性成立。
在本实施例中，采用Spearman相关性检验发现自变量中，X1与X2、X4具有高度相关性，X2与X4、X6具有显著相关性，X5与X6、X10与X11、X8与X11存在显著相关性，不能同时作为模型构建的自变量。
通过多重共线性检验，如下表2所示，自变量X2、X6、X7与X11的TOL都＞0.1，VIF为1左右，远小于10，表示四个自变量不存在多重共线性。因此，采用X2(形变速率平均值)、X6(形变面积比)、X7(形变方向夹角)与X11(形变区坡度)作为了滑坡隐患活动性遥感评价的自变量。
表2：
TOL VIF
X2 0.646 1.547
X6 0.595 1.681
X7 0.883 1.132
X11 0.955 1.047
(2)平行性验证
如表3所示，建模平行线检验获得的显著性为0.623，远大于0.05，表明了本实施例建模采用的是有序逻辑回归模型。
表3：
(3)模型拟合结果
根据表4中的模型拟合信息，卡方值为67.080，P值为0.000，这说明模型具有一定的统计意义，即该模型的4个指标中至少有一个指标的差别变化能够反应一定的统计机理，而非全由随机误差产生。
表4：
(4)模型生成
表5是建模生成的各目标自变量的参数估计。
表5：
回归系数估计OR，是由β计算得到：
ORi＝expβi；
式中，ORi值表示某一自变量增加一个单位，因变量上升一个等级的可能性增加100*(ORi-1)％。形变速率平均值的OR为1.261，说明形变速率平均值越大，滑坡活动性等级越高，当形变速率平均值增加1mm/a时，滑坡活动性等级提高一个等级的可能性是原先的1.261倍；形变面积比的OR为4.880，说明形变面积比越大，滑坡活动性等级越高，当形变面积比值增加1％时，滑坡活动性等级提高一个等级的可能性是原先的4.880倍；形变方向夹角的OR为0.993，说明形变方向夹角越大，滑坡活动性等级越低，当形变方向夹角每增加1°时，滑坡活动性等级提高一个等级的可能性是原先的0.993倍；形变区坡度值的OR为1.103，说明形变区坡度越大，滑坡活动性等级越高，当形变区坡度增加1°时，滑坡活动性等级提高一个等级的可能性是原先的1.103倍。最终得到滑坡隐患活动性等级预测模型的公式如下所示：
根据上述公式，列联求解得出4个累计概率表达式如下：
P4＝P(Y≤4|x)＝1；
最终得到滑坡不同活动性等级发生的概率，滑坡活动性等级为低时发生的概率为：Pa＝P(Y＝1)＝P1；滑坡活动性等级为中发生的概率：Pb＝P(Y＝2)＝P2-P1；滑坡活动性等级为高发生的概率：Pc＝P(Y＝3)＝P3-P2；滑坡活动性等级为极高发生的概率：Pd＝P(Y＝4)＝P4-P3。
较优地，所述获取任一具有滑坡隐患的目标样本的每个第一自变量指标的第一数值和每个因变量指标的第二数值的步骤，包括：
获取所述任一目标样本对应的目标区域的地表形变InSAR监测数据、光学遥感数据、区域地质数据和基础地理数据。
其中，①地表形变InSAR监测数据为：区域地表形变速率分布数据，该数据以雷达数据为数据源，通过Stacking InSAR技术开展监测处理获取，数据类型为栅格结构。②光学遥感数据为：区域高精度光学遥感影像，基于多光谱遥感数据通过数据处理和影像制作获取。③区域地质数据为：包括地层岩性、地质构造专题矢量数据，基于区域基础地质调查成果图件提取相应图层并进行编辑获取④基础地理数据为：主要是数字高程模型(DEM)，可通过地形等高线生成或直接下载获取，本实例主要采用SRTM数据。
根据所述任一目标样本对应的地表形变InSAR监测数据和光学遥感数据，获取该目标样本的所有第一自变量指标中的多个遥感特征指标所对应的第一数值，并根据该目标样本对应的区域地质数据和基础地理数据，获取该目标样本的所有第一自变量指标中的多个孕灾背景指标所对应的第一数值。
基于预设滑坡活动性等级划分规则，确定所述任一目标样本对应的每个因变量指标的第二数值。
其中，预设滑坡活动性等级根据现场调查评价获取，评价规则如下表6所示。
表6：
较优地，还包括：
将任一目标样本的每个目标自变量指标对应的第一数值输入至所述滑坡隐患活动性等级预测模型进行预测，得到该目标样本的每个因变量指标对应的第一概率值，并将第一概率值最大的因变量指标所对应的滑坡隐患活动性等级确定为该目标样本的第一滑坡隐患活动性等级预测值，并判断该目标样本的第一滑坡隐患活动性等级预测值与最大的第二数值所对应的第一滑坡隐患活动性等级真实值是否存在差异，得到该目标样本的第一判断结果，直至得到每个目标样本的第一判断结果。
其中，①第一概率值为：滑坡隐患活动性等级预测模型所输出的因变量指标的概率值。②第一滑坡隐患活动性等级预测值为：目标样本对应的滑坡隐患活动性等级的预测值。③第一滑坡隐患活动性等级预测值与第一滑坡隐患活动性等级真实值是否存在差异的判断标准为：两者是否相同。
当第一判断结果为是的目标样本的数量超过预设数量时，则判定所述滑坡隐患活动性等级预测模型验证成功。
其中，预设数量默认为自变量指标数量的8-10倍。
需要说明的是，根据滑坡隐患活动性等级预测模型计算每个目标模型的滑坡隐患活动性等级预测值，得到如下表7所示的预测结果，经过计算该模型预测准确率为63.95％，可以看出使用逻辑回归得到的滑坡活动性与已知样本的滑坡活动性分布具有一定的一致性。
表7：
从回归结果可以看出，其中对6个“极高活动性”样本，有3个判断错误为高活动性，3个判断正确；对17个“高活动性”样本，有8个判断错误，9个判断正确，其正确百分比为52.94％；对31个“中活动性”样本，19判断正确，6个判断为高活动性滑坡，6个判断为低活动性滑坡，其正确百分比为61.29％；对32个“低活动性”样本，24个判断正确，7个判断为中活动性滑坡，1个判断为高活动性滑坡，其正确百分比为75％。实际滑坡活动性等级为高和极高有23个，预测结果滑坡活动性等级为高的有15个，预测滑坡活动性等级为高的准确率达65.21％，该模型的预测的整体准确率达到63.95％，该模型的整体效果较好，评价结果与实际滑坡灾害的活动性分布情况吻合程度较高。
本实施例的技术方案通过构建滑坡隐患的孕灾背景、遥感特征与活动性等级的关系模型，在保证较为准确地预测滑坡隐患活动性等级的同时，一定程度上解决了地质灾害地面调查费时费力甚至难以到达等问题，降低了因相关人员主观判断所造成的误差。
图2示出了本发明提供的一种滑坡隐患活动性遥感评价建模方法的第二实施例的流程示意图。如图2所示，包括如下步骤：
步骤210：将用于滑坡隐患活动性遥感评价的多个遥感特征指标和多个孕灾背景指标作为第一自变量指标，并将多个滑坡隐患活动性等级作为因变量指标。
步骤220：获取任一具有滑坡隐患的目标样本的每个第一自变量指标的第一数值和每个因变量指标的第二数值，直至得到每个具有滑坡隐患的目标样本所对应的多个第一数值和多个第二数值。
步骤230：基于有序逻辑回归模型和每个目标样本所对应的多个第一数值和多个第二数值，并通过相关性检验和多重共线性检验，从所有的第一自变量指标中确定多个目标自变量指标，并构建多个目标自变量指标与多个因变量指标之间的滑坡隐患活动性等级预测模型。
步骤240：获取并将待测区域的每个目标自变量指标对应的目标数值输入至所述滑坡隐患活动性等级预测模型进行预测，得到待测区域的每个因变量指标对应的目标概率值，并将目标概率值最大的因变量指标所对应的滑坡隐患活动性等级确定为所述待测区域的目标滑坡隐患活动性等级预测值。
其中，①目标概率值为：待测区域的因变量指标的概率值。②目标滑坡隐患活动性等级预测值为：待测区域对应的滑坡隐患活动性等级的预测值。
本实施例的技术方案进一步通过滑坡隐患活动性等级预测模型对待测区域进行滑坡隐患活动性进行评价，较为准确地对待测区域进行滑坡隐患活动性评价，降低了因相关人员主观判断所造成的误差。
图3示出了本发明提供的一种滑坡隐患活动性遥感评价建模系统的实施例的结构示意图。如图3所示，该系统300包括：处理模块310、获取模块320和构建模块330。
所述处理模块310用于：将用于滑坡隐患活动性遥感评价的多个遥感特征指标和多个孕灾背景指标作为第一自变量指标，并将多个滑坡隐患活动性等级作为因变量指标；
所述获取模块320用于：获取任一具有滑坡隐患的目标样本的每个第一自变量指标的第一数值和每个因变量指标的第二数值，直至得到每个具有滑坡隐患的目标样本所对应的多个第一数值和多个第二数值；
所述构建模块330用于：基于有序逻辑回归模型和每个目标样本所对应的多个第一数值和多个第二数值，并通过相关性检验和多重共线性检验，从所有的第一自变量指标中确定多个目标自变量指标，并构建多个目标自变量指标与多个因变量指标之间的滑坡隐患活动性等级预测模型。
较优地，所述获取模块320具体用于：
获取所述任一目标样本对应的目标区域的地表形变InSAR监测数据、光学遥感数据、区域地质数据和基础地理数据；
根据所述任一目标样本对应的地表形变InSAR监测数据和光学遥感数据，获取该目标样本的所有第一自变量指标中的多个遥感特征指标所对应的第一数值，并根据该目标样本对应的区域地质数据和基础地理数据，获取该目标样本的所有第一自变量指标中的多个孕灾背景指标所对应的第一数值；
基于预设滑坡活动性等级划分规则，确定所述任一目标样本对应的每个因变量指标的第二数值。
较优地，所述多个遥感特征指标包括：形变速率最大值X1、形变速率平均值X2、形变速率最小值X3、形变速率标准差X4、形变部位X5、形变面积比X6和形变方向夹角X7；
所述多个孕灾背景指标包括：工程地质岩组X8、距离构造距离X9、斜坡坡度X10和形变区坡度X11；
所述多个滑坡隐患活动性等级包括：低、中、高和极高。
本实施例的技术方案通过构建滑坡隐患的孕灾背景、遥感特征与活动性等级的关系模型，在保证较为准确地预测滑坡隐患活动性等级的同时，一定程度上解决了地质灾害地面调查费时费力甚至难以到达等问题，降低了因相关人员主观判断所造成的误差。
上述关于本实施例的一种滑坡隐患活动性遥感评价建模系统300中的各参数和各个模块实现相应功能的步骤，可参考上文中关于一种滑坡隐患活动性遥感评价建模方法的实施例中的各参数和步骤，在此不做赘述。
本发明实施例提供的一种存储介质，包括：存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如一种滑坡隐患活动性遥感评价建模方法的步骤，具体可参考上文中一种滑坡隐患活动性遥感评价建模方法的实施例中的各参数和步骤，在此不做赘述。
计算机存储介质例如：优盘、移动硬盘等。
所属技术领域的技术人员知道，本发明可以实现为方法、系统和存储介质。
因此，本发明可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)，只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (9)

1.一种滑坡隐患活动性遥感评价建模方法，其特征在于，包括：
将用于滑坡隐患活动性遥感评价的多个遥感特征指标和多个孕灾背景指标作为第一自变量指标，并将多个滑坡隐患活动性等级作为因变量指标；
获取任一具有滑坡隐患的目标样本的每个第一自变量指标的第一数值和每个因变量指标的第二数值，直至得到每个具有滑坡隐患的目标样本所对应的多个第一数值和多个第二数值；
基于有序逻辑回归模型和每个目标样本所对应的多个第一数值和多个第二数值，并通过相关性检验和多重共线性检验，从所有的第一自变量指标中确定多个目标自变量指标，并构建多个目标自变量指标与多个因变量指标之间的滑坡隐患活动性等级预测模型；
所述滑坡隐患活动性等级预测模型为：
其中，m为目标自变量指标的数量，α1为第一常数项，βi为第i个目标自变量指标的参数系数项，xi为第i个目标自变量指标；Y＝1表示滑坡隐患活动性等级为低，Y＝2表示滑坡隐患活动性等级为中，Y＝3表示滑坡隐患活动性等级为高，Y＝4表示滑坡隐患活动性等级为极高，Pa为滑坡隐患活动性等级为低的概率值，Pb为滑坡隐患活动性等级为中的概率值，Pc为滑坡隐患活动性等级为高的概率值，Pd为滑坡隐患活动性等级为极高的概率值。
2.根据权利要求1所述的滑坡隐患活动性遥感评价建模方法，其特征在于，所述获取任一具有滑坡隐患的目标样本的每个第一自变量指标的第一数值和每个因变量指标的第二数值的步骤，包括：
获取所述任一目标样本对应的目标区域的地表形变InSAR监测数据、光学遥感数据、区域地质数据和基础地理数据；
根据所述任一目标样本对应的地表形变InSAR监测数据和光学遥感数据，获取该目标样本的所有第一自变量指标中的多个遥感特征指标所对应的第一数值，并根据该目标样本对应的区域地质数据和基础地理数据，获取该目标样本的所有第一自变量指标中的多个孕灾背景指标所对应的第一数值；
基于预设滑坡活动性等级划分规则，确定所述任一目标样本对应的每个因变量指标的第二数值。
3.根据权利要求1或2所述的滑坡隐患活动性遥感评价建模方法，其特征在于，所述多个遥感特征指标包括：形变速率最大值X1、形变速率平均值X2、形变速率最小值X3、形变速率标准差X4、形变部位X5、形变面积比X6和形变方向夹角X7；
所述多个孕灾背景指标包括：工程地质岩组X8、距离构造距离X9、斜坡坡度X10和形变区坡度X11；
所述多个滑坡隐患活动性等级包括：低、中、高和极高。
4.根据权利要求1所述的滑坡隐患活动性遥感评价建模方法，其特征在于，还包括：
将任一目标样本的每个目标自变量指标对应的第一数值输入至所述滑坡隐患活动性等级预测模型进行预测，得到该目标样本的每个因变量指标对应的第一概率值，并将第一概率值最大的因变量指标所对应的滑坡隐患活动性等级确定为该目标样本的第一滑坡隐患活动性等级预测值，并判断该目标样本的第一滑坡隐患活动性等级预测值与最大的第二数值所对应的第一滑坡隐患活动性等级真实值是否存在差异，得到该目标样本的第一判断结果，直至得到每个目标样本的第一判断结果；
当第一判断结果为是的目标样本的数量超过预设数量时，则判定所述滑坡隐患活动性等级预测模型验证成功。
5.根据权利要求1所述的滑坡隐患活动性遥感评价建模方法，其特征在于，还包括：
获取并将待测区域的每个目标自变量指标对应的目标数值输入至所述滑坡隐患活动性等级预测模型进行预测，得到待测区域的每个因变量指标对应的目标概率值，并将目标概率值最大的因变量指标所对应的滑坡隐患活动性等级确定为所述待测区域的目标滑坡隐患活动性等级预测值。
6.一种滑坡隐患活动性遥感评价建模系统，其特征在于，包括：处理模块、获取模块和构建模块；
所述处理模块用于：将用于滑坡隐患活动性遥感评价的多个遥感特征指标和多个孕灾背景指标作为第一自变量指标，并将多个滑坡隐患活动性等级作为因变量指标；
所述获取模块用于：获取任一具有滑坡隐患的目标样本的每个第一自变量指标的第一数值和每个因变量指标的第二数值，直至得到每个具有滑坡隐患的目标样本所对应的多个第一数值和多个第二数值；
所述构建模块用于：基于有序逻辑回归模型和每个目标样本所对应的多个第一数值和多个第二数值，并通过相关性检验和多重共线性检验，从所有的第一自变量指标中确定多个目标自变量指标，并构建多个目标自变量指标与多个因变量指标之间的滑坡隐患活动性等级预测模型；
所述滑坡隐患活动性等级预测模型为：
其中，m为目标自变量指标的数量，α1为第一常数项，βi为第i个目标自变量指标的参数系数项，xi为第i个目标自变量指标；Y＝1表示滑坡隐患活动性等级为低，Y＝2表示滑坡隐患活动性等级为中，Y＝3表示滑坡隐患活动性等级为高，Y＝4表示滑坡隐患活动性等级为极高，Pa为滑坡隐患活动性等级为低的概率值，Pb为滑坡隐患活动性等级为中的概率值，Pc为滑坡隐患活动性等级为高的概率值，Pd为滑坡隐患活动性等级为极高的概率值。
7.根据权利要求6所述的滑坡隐患活动性遥感评价建模系统，其特征在于，所述获取模块具体用于：
获取所述任一目标样本对应的目标区域的地表形变InSAR监测数据、光学遥感数据、区域地质数据和基础地理数据；
根据所述任一目标样本对应的地表形变InSAR监测数据和光学遥感数据，获取该目标样本的所有第一自变量指标中的多个遥感特征指标所对应的第一数值，并根据该目标样本对应的区域地质数据和基础地理数据，获取该目标样本的所有第一自变量指标中的多个孕灾背景指标所对应的第一数值；
基于预设滑坡活动性等级划分规则，确定所述任一目标样本对应的每个因变量指标的第二数值。
8.根据权利要求6或7所述的滑坡隐患活动性遥感评价建模系统，其特征在于，所述多个遥感特征指标包括：形变速率最大值X1、形变速率平均值X2、形变速率最小值X3、形变速率标准差X4、形变部位X5、形变面积比X6和形变方向夹角X7；
所述多个孕灾背景指标包括：工程地质岩组X8、距离构造距离X9、斜坡坡度X10和形变区坡度X11；
所述多个滑坡隐患活动性等级包括：低、中、高和极高。
9.一种存储介质，其特征在于，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如权利要求1至5中任一项所述的滑坡隐患活动性遥感评价建模方法。
CN202310018953.XA 2023-01-06 2023-01-06 一种滑坡隐患活动性遥感评价建模方法、系统和存储介质 Active CN116050120B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310018953.XA CN116050120B (zh) 2023-01-06 2023-01-06 一种滑坡隐患活动性遥感评价建模方法、系统和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310018953.XA CN116050120B (zh) 2023-01-06 2023-01-06 一种滑坡隐患活动性遥感评价建模方法、系统和存储介质

Publications (2)

Publication Number Publication Date
CN116050120A CN116050120A (zh) 2023-05-02
CN116050120B true CN116050120B (zh) 2023-09-01

Family

ID=86123277

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310018953.XA Active CN116050120B (zh) 2023-01-06 2023-01-06 一种滑坡隐患活动性遥感评价建模方法、系统和存储介质

Country Status (1)

Country Link
CN (1) CN116050120B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107463991A (zh) * 2017-06-28 2017-12-12 西南石油大学 一种基于坡体单元与机器学习的区域滑坡危险性评价方法
CN111415492A (zh) * 2020-04-29 2020-07-14 中国水利水电科学研究院 一种基于模糊综合评价算法的边坡滑坡预警方法及系统
KR20210030031A (ko) * 2019-09-09 2021-03-17 한국지질자원연구원 사전 기상정보 연동 산사태 조기경보 방법 및 산사태 조기경보 시스템
CN112735097A (zh) * 2020-12-29 2021-04-30 中国地质环境监测院 一种区域滑坡预警方法及系统
CN112966722A (zh) * 2021-02-07 2021-06-15 南昌大学 基于半监督随机森林模型的区域滑坡易发性预测方法
CN113487105A (zh) * 2021-07-27 2021-10-08 成都理工大学 一种滑坡地质灾害的空间预测方法、装置和计算机设备
CN113866764A (zh) * 2021-08-13 2021-12-31 成都理工大学 基于InSAR和LR-IOE模型的滑坡易发性改进评估方法
CN114595629A (zh) * 2022-03-01 2022-06-07 合肥工业大学 基于gbdt-lr和信息量模型的滑坡易发性评价方法
CN114863643A (zh) * 2022-04-25 2022-08-05 浙江科技学院 一种基于gis区域降雨型滑坡早期预警方法
CN115270598A (zh) * 2022-06-22 2022-11-01 中国地质大学（武汉） 一种易发性建模的非滑坡样本选取方法及计算机设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180045853A1 (en) * 2016-08-15 2018-02-15 U.S.A. As Represented By The Administrator Of The National Aeronautics And Space Administration Landslide hazard assessment system and method

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107463991A (zh) * 2017-06-28 2017-12-12 西南石油大学 一种基于坡体单元与机器学习的区域滑坡危险性评价方法
KR20210030031A (ko) * 2019-09-09 2021-03-17 한국지질자원연구원 사전 기상정보 연동 산사태 조기경보 방법 및 산사태 조기경보 시스템
CN111415492A (zh) * 2020-04-29 2020-07-14 中国水利水电科学研究院 一种基于模糊综合评价算法的边坡滑坡预警方法及系统
CN112735097A (zh) * 2020-12-29 2021-04-30 中国地质环境监测院 一种区域滑坡预警方法及系统
CN112966722A (zh) * 2021-02-07 2021-06-15 南昌大学 基于半监督随机森林模型的区域滑坡易发性预测方法
CN113487105A (zh) * 2021-07-27 2021-10-08 成都理工大学 一种滑坡地质灾害的空间预测方法、装置和计算机设备
CN113866764A (zh) * 2021-08-13 2021-12-31 成都理工大学 基于InSAR和LR-IOE模型的滑坡易发性改进评估方法
CN114595629A (zh) * 2022-03-01 2022-06-07 合肥工业大学 基于gbdt-lr和信息量模型的滑坡易发性评价方法
CN114863643A (zh) * 2022-04-25 2022-08-05 浙江科技学院 一种基于gis区域降雨型滑坡早期预警方法
CN115270598A (zh) * 2022-06-22 2022-11-01 中国地质大学（武汉） 一种易发性建模的非滑坡样本选取方法及计算机设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王珊珊.基于河谷横剖面形态特征的滑坡体堵江 易发性评价研究.地理与地理信息科学.2016,97-102. *

Also Published As

Publication number Publication date
CN116050120A (zh) 2023-05-02

Similar Documents

Publication Publication Date Title
CN112819207B (zh) 基于相似性度量的地质灾害空间预测方法、系统及存储介质
Feloni et al. Flood vulnerability assessment using a GIS‐based multi‐criteria approach—The case of Attica region
CN112884320B (zh) 基于熵值模型的基坑风险评估方法、装置、设备和介质
CN113780902B (zh) 一种基于云计算的灾害风险预警管理系统
CN112508105A (zh) 一种采油机故障检测与检索方法
CN111539450B (zh) 地震区滑坡易发性评价方法
CN115858609A (zh) 电动汽车充电桩状态监测方法、故障鉴定方法及电子设备
CN117037421A (zh) 降雨型滑坡隐患群气象风险预警方法、设备及存储介质
CN112949735A (zh) 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法
CN116975668A (zh) 巷道围岩的应力状态的确定方法、装置和确定系统
CN117593168B (zh) 一种冰湖溃决风险评估系统及方法
CN113393144B (zh) 地质滑坡静态要素风险分级的评估方法及评估装置
CN117408167A (zh) 基于深度神经网络的泥石流灾害易发性预测方法
CN113095579B (zh) 一种耦合伯努利-伽马-高斯分布的日尺度降水预报校正方法
CN117150445B (zh) 一种区间隧道近距离下穿河流的沉降监测和评价方法
CN107145995A (zh) 生产环境安全性预测方法、装置和系统
CN116050120B (zh) 一种滑坡隐患活动性遥感评价建模方法、系统和存储介质
Wang et al. Early warning of debris flow using optimized self-organizing feature mapping network
Over et al. Refinement of a regression-based method for prediction of flow-duration curves of daily streamflow in the conterminous United States
CN113190985B (zh) 一种分层异质区域内数据误差的分析方法及系统
CN115270598A (zh) 一种易发性建模的非滑坡样本选取方法及计算机设备
CN113807587A (zh) 一种基于多梯核深度神经网络模型积分预警方法以及系统
CN113408816A (zh) 一种基于深度神经网络的电网灾情评估方法
JP4150322B2 (ja) 高炉操業における操業監視方法、装置、及びコンピュータプログラム
Xu et al. Improving the real-time probabilistic channel flood forecasting by incorporating the uncertainty of inflow using the particle filter

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