CN116110210B - 复杂环境下数据驱动的滑坡灾害辅助决策方法 - Google Patents
复杂环境下数据驱动的滑坡灾害辅助决策方法 Download PDFInfo
- Publication number
- CN116110210B CN116110210B CN202310351984.7A CN202310351984A CN116110210B CN 116110210 B CN116110210 B CN 116110210B CN 202310351984 A CN202310351984 A CN 202310351984A CN 116110210 B CN116110210 B CN 116110210B
- Authority
- CN
- China
- Prior art keywords
- model
- disaster
- data
- data source
- target area
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000001939 inductive effect Effects 0.000 claims abstract description 29
- 238000007637 random forest analysis Methods 0.000 claims abstract description 22
- 238000007477 logistic regression Methods 0.000 claims abstract description 21
- 230000035935 pregnancy Effects 0.000 claims abstract description 21
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims abstract description 5
- 238000011160 research Methods 0.000 claims description 23
- 230000006698 induction Effects 0.000 claims description 19
- 230000000694 effects Effects 0.000 claims description 13
- 238000012417 linear regression Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 9
- 230000000763 evoking effect Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012876 topography Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000002265 prevention Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 230000003068 static effect Effects 0.000 description 5
- 238000003066 decision tree Methods 0.000 description 4
- 238000013210 evaluation model Methods 0.000 description 4
- 238000002360 preparation method Methods 0.000 description 4
- 238000013179 statistical model Methods 0.000 description 4
- 238000011835 investigation Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000001808 coupling effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- 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
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
- Alarm Systems (AREA)
Abstract
本发明实施例中提供了一种复杂环境下数据驱动的滑坡灾害辅助决策方法，属于计算技术领域，具体包括：步骤1，收集目标区域内包含孕灾因子的第一数据源；步骤2，收集目标区域内包含诱灾因子的第二数据源；步骤3，将第一数据源和第二数据源进行预处理；步骤4，根据预处理后的第一数据源和第二数据源制作正负样本集，进行数据迭代增强，基于逻辑回归模型构建易发性模型，以及，基于随机森林模型构建诱发性模型；步骤5，根据易发性模型和诱发性模型，以承灾范围为约束对目标区域的滑坡危险性进行动态预警，并进行分级展示，得到目标区域内动态预警信息并生成辅助决策参考信息。通过本发明的方案，提高了精准度和实时性。
Description
技术领域
本发明实施例涉及计算技术领域，尤其涉及一种复杂环境下数据驱动的滑坡灾害辅助决策方法。
背景技术
滑坡灾害是我国发生频率高、破坏性强、损失巨大的重大地质灾害之一。为了保障人民的生命财产安全，采取及时有效的手段进行滑坡监测预警是多年来的研究重点。滑坡灾害辅助决策旨在区域地质环境调查基础上融合 “天空地内”一体化专业监测数据，采用物联网、三维可视化、云计算、大数据分析、人工智能等技术，建立包含监测监管、预警预报、应急支撑等滑坡灾害监测预警应用体系。目前有关滑坡灾害辅助决策的系统和方法，往往是侧重气象（特别是降水）信息的汇聚展示，进而，在对区域地质条件易发程度建模的基础上，采取GIS统计模型、信息量模型、降雨强度-历时模型、机器学习模型等统计学习方法定性或定量地给出区域性滑坡危险性预警结果，最后，针对区域性预警概率（或级别）信息采取自适应的防灾减灾策略。
现有技术方法未综合考虑地表形变、地震、人类工程活动、险情上报等多源诱灾因子，导致实际灾害防控中分析获取的诱发性、危险性评价结果偏离理论情况，从而忽略了“漏报情况”；同时，已有研究工作未对承灾范围进行深入考虑，从而使易发性评价以及灾害预警范围过大进而出现显著“误报情况”，导致辅助决策结果缺乏指导价值。
可见，亟需一种精准度和实时性强的复杂环境下数据驱动的滑坡灾害辅助决策方法。
发明内容
有鉴于此，本发明实施例提供一种复杂环境下数据驱动的滑坡灾害辅助决策方法，至少部分解决现有技术中存在精准度和实时性较差的问题。
本发明实施例提供了一种复杂环境下数据驱动的滑坡灾害辅助决策方法，包括：
步骤1，收集目标区域内包含孕灾因子的第一数据源；
步骤2，收集目标区域内包含诱灾因子的第二数据源；
步骤3，将第一数据源和第二数据源进行预处理；
步骤4，根据预处理后的第一数据源和第二数据源制作正负样本集，进行数据迭代增强，基于逻辑回归模型构建易发性模型，以及，基于随机森林模型构建诱发性模型，其中，正负样本集包括易发性正负样本集和诱发性正负样本集；
所述基于逻辑回归模型构建易发性模型的步骤，包括：
获取逻辑回归模型的中线性回归函数；
根据中线性回归函数建模多源孕灾因子间关系，得到易发性模型；
所述基于随机森林模型构建诱发性模型的步骤，包括：
根据随机森林模型构建诱灾因子与灾害发生之间的非线性映射，对多源诱发程度进行建模，得到诱发性模型；
步骤5，根据易发性模型和诱发性模型，以承灾范围为约束对目标区域的滑坡危险性进行动态预警，并进行分级展示，得到目标区域内动态预警信息并生成辅助决策参考信息。
根据本发明实施例的一种具体实现方式，所述孕灾因子的类型包括地形地貌、地形构造、社会经济和气象水文；
所述诱灾因子的类型包括降雨、形变、地震、人类活动和险情上报。
根据本发明实施例的一种具体实现方式，所述步骤3具体包括：
将第一数据源和第二数据源中各类数据统一重采样为预设尺寸的空间分辨率，针对每个因子图层计算像素均值与方差，去除数据中的空值，并设置相同的地理空间坐标系；
根据属性特征对因子图层进行编码或归一化处理。
根据本发明实施例的一种具体实现方式，所述根据预处理后的第一数据源和第二数据源制作正负样本集的步骤，包括：
将目标区域已有滑坡点选作正样本，以1：1的正负样本比例，随机空间采样生成负样本；
结合负样本实际分布规律，对邻近滑坡或及隐患点以及目标区域边界的负样本进行舍弃，直至正负样本的选取数目达到一致。
根据本发明实施例的一种具体实现方式，所述逻辑回归模型中线性回归函数表示为
；
其中，为回归系数；/>为孕灾环境自变量，/>表示滑坡灾害易发概率；
所述易发性模型的表达式为
。
根据本发明实施例的一种具体实现方式，所述动态预警的计算公式为
；
其中，、/>分别代表研究区域易发概率和诱发概率，S代表坡度，D代表承灾体。
本发明实施例中的复杂环境下数据驱动的滑坡灾害辅助决策方案，包括：步骤1，收集目标区域内包含孕灾因子的第一数据源；步骤2，收集目标区域内包含诱灾因子的第二数据源；步骤3，将第一数据源和第二数据源进行预处理；步骤4，根据预处理后的第一数据源和第二数据源制作正负样本集，进行数据迭代增强，基于逻辑回归模型构建易发性模型，以及，基于随机森林模型构建诱发性模型，其中，正负样本集包括易发性正负样本集和诱发性正负样本集；述基于逻辑回归模型构建易发性模型的步骤，包括：获取逻辑回归模型的中线性回归函数；根据中线性回归函数建模多源孕灾因子间关系，得到易发性模型；所述基于随机森林模型构建诱发性模型的步骤，包括：根据随机森林模型构建诱灾因子与灾害发生之间的非线性映射，对多源诱发程度进行建模，得到诱发性模型；步骤5，根据易发性模型和诱发性模型，以承灾范围为约束对目标区域的滑坡危险性进行动态预警，并进行分级展示，得到目标区域内动态预警信息并生成辅助决策参考信息。
本发明实施例的有益效果为：通过本发明的方案，将地质灾害发生过程建模为空间静态易发性以及时间动态诱发性在承灾范围内耦合作用的结果，构建基于逻辑回归的滑坡灾害易发性评价模型，解决易发性评价结果不准确问题，构建基于随机森林的滑坡灾害诱发性评价模型，解决诱发性评价结果不准确问题，构建基于连续概率的滑坡危险性动态预警模型，解决危险性评价结果不准确问题，顾及承灾范围及多源诱灾因子实施滑坡灾害辅助决策，解决漏报误报率高的问题，提高了预警精准度和实时性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
图1为本发明实施例提供的一种复杂环境下数据驱动的滑坡灾害辅助决策方法的流程示意图；
图2为本发明实施例提供的一种复杂环境下数据驱动的滑坡灾害辅助决策方法的具体实施流程图；
图3为本发明实施例提供的一种研究区域及灾害分布图；
图4为本发明实施例提供的一种孕灾因子、诱灾因子体系架构图；
图5为本发明实施例提供的一种易发性正负样本制作示意图；
图6为本发明实施例提供的一种随机森林模型示意图；
图7为本发明实施例提供的一种灾害动态预警结果示意图。
具体实施方式
下面结合附图对本发明实施例进行详细描述。
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。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他实施例，都属于本发明保护的范围。
需要说明的是，下文描述在所附权利要求书的范围内的实施例的各种方面。应显而易见，本文中所描述的方面可体现于广泛多种形式中，且本文中所描述的任何特定结构及/或功能仅为说明性的。基于本发明，所属领域的技术人员应了解，本文中所描述的一个方面可与任何其它方面独立地实施，且可以各种方式组合这些方面中的两者或两者以上。举例来说，可使用本文中所阐述的任何数目个方面来实施设备及/或实践方法。另外，可使用除了本文中所阐述的方面中的一或多者之外的其它结构及/或功能性实施此设备及/或实践此方法。
还需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，图式中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。
另外，在以下描述中，提供具体细节是为了便于透彻理解实例。然而，所属领域的技术人员将理解，可在没有这些特定细节的情况下实践所述方面。
作为滑坡灾害的主要诱发因素，降雨作用的时间滞后性及空间异质性已经被重点讨论，特别是将降雨阈值作为切入点应用在辅助决策过程中。已有学者针对降雨阈值进行了深入研究，提出物理模型和经验统计模型两类方法进行辅助决策：物理模型主要探究在不同降雨条件下特定斜坡结构发生滑坡的临界降雨阈值，有学者分别采用水文斜坡模型、无限斜坡模型来估算边坡失稳时的临界降雨量，但各项物理参数存在较难获取的问题。经验统计模型通过统计降雨工况与地质灾害间的直接联系进行临界降雨阈值的估算，代表性工作如通过建立降雨强度-历时（Rainfall Intensity – Duration, I-D）模型拟合降雨强度与降雨历时之间的关系，进而确定不同滑坡发生概率下的降雨阈值；为充分考虑滑坡前期降水对地质灾害发生的确切影响，已有学者通过引入衰减系数来计算滑坡灾害发生前的有效降雨强度，进而提出有效降雨强度-历时（Effective Rainfall Intensity –Duration, EI-D）模型来评估湖北省恩施地区的滑坡危险性。此外，在工程应用领域，已有诸多单位建立了地质灾害气象风险预警系统，根据地质灾害控制因素与降雨诱发因素分别求解空间概率及时间概率，然后基于乘性模型求取对应的地质灾害气象风险，进而对各地区地质灾害展开辅助决策工作。
此外，亦有学者从其他角度出发，考虑形变、地震、人类活动等诱发因素进行辅助决策。例如，已有研究将地表形变视为关键致灾因素，采取经验阈值或区域探测方法识别滑坡隐患，进而根据隐患发育程度提出防灾减灾策略；已有研究采用Newmark等机理模型对地震事件进行危险性评价，进而估算地震诱发滑坡的概率；已有研究将路网、村庄等兴趣点看做人类工程活动区域，进而结合人类活动强度来评判灾害风险大小，进而为防灾决策提供指导。
然而，上述研究或应用范式在实际防灾减灾中难免出现“理论单一”及“脱离实际”的问题。一方面，未综合考虑地表形变、地震、人类工程活动、险情上报等其他重要灾前诱发信息，导致所建立模型过于理想化且缺乏适用性。换句话说，已有地质灾害辅助决策研究缺乏对多源诱灾因子进行耦合建模，忽略了降水以外因素所导致的隐患预警分析，因此，难以满足当前地质灾害应急响应的精准预报需求。另一方面，仅通过降雨及易发程度综合建模获取的危险性区划过于粗糙，当面对小范围地质灾害辅助决策时缺乏指导意义。
本发明实施例提供一种复杂环境下数据驱动的滑坡灾害辅助决策方法，所述方法可以应用于城市管理场景的滑坡灾害防治过程中。
参见图1，为本发明实施例提供的一种复杂环境下数据驱动的滑坡灾害辅助决策方法的流程示意图。如图1和图2所示，所述方法主要包括以下步骤：
步骤1，收集目标区域内包含孕灾因子的第一数据源；
进一步的，所述孕灾因子的类型包括地形地貌、地形构造、社会经济和气象水文；
所述诱灾因子的类型包括降雨、形变、地震、人类活动和险情上报。
步骤2，收集目标区域内包含诱灾因子的第二数据源；
具体实施时，数据获取过程可以结合雷达遥感、气象风险、险情上报、监测数据、人类活动等多源异构地质灾害数据，获取目标区域内具有普适性的坡度、坡向、DEM、NDVI等21项静态孕灾因子及5项动态诱灾因子如图4所示，并对数据类型、分辨率、坐标系、空间范围等进行预处理，主要可以包括以下步骤：
从国家基础地理信息中心、国家气象科学数据中心等权威网站公开获取地形地貌、地质构造、社会经济、气象水文等4类数据源。采取 SBAS-InSAR、GIS空间分析等技术手段，将其处理为21项TIFF格式的孕灾因子数据及5项TIFF格式的诱灾因子数据。
步骤3，将第一数据源和第二数据源进行预处理；
在上述实施例的基础上，所述步骤3具体包括：
将第一数据源和第二数据源中各类数据统一重采样为预设尺寸的空间分辨率，针对每个因子图层计算像素均值与方差，去除数据中的空值，并设置相同的地理空间坐标系；
根据属性特征对因子图层进行编码或归一化处理。
具体实施时，将所使用的各类数据统一重采样为满足应用需求的空间分辨率大小。针对每个因子图层计算像素均值与方差，去除数据中的nan（空）值，并设置相同的地理空间坐标系。具体取值在本技术方案中不需具体指定；
需要说明的是，所述因子图层应根据属性特征进行编码或归一化处理，例如对土地利用类型等数据进行重分类、对年平均降水数据进行最大最小归一化。
步骤4，根据预处理后的第一数据源和第二数据源制作正负样本集，进行数据迭代增强，基于逻辑回归模型构建易发性模型，以及，基于随机森林模型构建诱发性模型，其中，正负样本集包括易发性正负样本集和诱发性正负样本集；
所述基于逻辑回归模型构建易发性模型的步骤，包括：
获取逻辑回归模型的中线性回归函数；
根据中线性回归函数建模多源孕灾因子间关系，得到易发性模型；
所述基于随机森林模型构建诱发性模型的步骤，包括：
根据随机森林模型构建诱灾因子与灾害发生之间的非线性映射，对多源诱发程度进行建模，得到诱发性模型；
在上述实施例的基础上，所述根据预处理后的第一数据源和第二数据源制作正负样本集的步骤，包括：
将目标区域已有滑坡点选作正样本，以1：1的正负样本比例，随机空间采样生成负样本；
结合负样本实际分布规律，对邻近滑坡或及隐患点以及目标区域边界的负样本进行舍弃，直至正负样本的选取数目达到一致。
进一步的，所述逻辑回归模型中线性回归函数表示为
；
其中，为回归系数；/>为孕灾环境自变量，/>表示滑坡灾害易发概率；
所述易发性模型的表达式为
。
具体实施时，样本构建时如图5，地理相似性揭示了历史灾害点孕灾/诱发信息的时空建模对于精准有效辅助决策的重要性。基于此，本发明顾及样本的平衡性以及空间邻域信息，制作研究区域的滑坡样本集，主要包括以下步骤：
1）将研究区域已有滑坡点选作正样本，以1：1的正负样本比例，随机空间采样生成负样本。结合负样本实际分布规律，对邻近滑坡或及隐患点以及研究区域边界的负样本进行舍弃，直至正负样本的选取数目达到一致；
2）所述正负样本分别用于研究区域易发性、诱发性评价。以7：3的比例划分训练集与测试集。在易发性评价中，正负样本的样本标签分别为1、0编码值，样本输入为21项孕灾因子对应空间位置的栅格值；在诱发性评价中，正负样本的样本标签分别为1、0编码值，样本输入为5项诱灾因子对应时空位置的栅格值，其中，时间维表示所选正负样本历史某时段的诱灾因子属性值。
在易发性模型构建过程时，逻辑回归模型可以被认为就是一个被Sigmoid函数（logistic方程）所归一化后的线性回归模型，该模型是一个结合了统计模型和确定性模型的完整模型。由于滑坡事件的孕灾因子复杂多样，并且各自变量间存在一定的非线性关系，若采用普通多元回归方法来分析，必然会违反一些重要假设，因为本发明采取逻辑回归模型来建模多源孕灾因子间关系。
所述模型中线性回归函数可表示为：
（1）
式中，为回归系数。根据公式（1）可得：
（2）
利用公式（2）便可计算空间上连续型的滑坡灾害易发概率，其难点是孕灾因子的筛选及滑坡样本的质量、回归方程的拟合。
诱发性模型构建时，如图6所示，为一种随机森林模型的算法流程示意图，考虑到随机森林是集成学习中的一种组合分类算法，该算法通过对训练集进行有放回抽样，不断生成符合抽样小数据集分布的决策树，根据所有决策树的预测结果进行投票打分，最终获取最优预测结果。
具体而言，所述模型利用装袋法随机有放回地抽取n个样本作为独立空间训练集，对每个训练集分别建立CART树。其中随机选取m个因子进行内部节点分支，且不做减枝处理，得到n棵独立的随机决策树。综合n棵决策树的结果，取投票数最多的类或取其平均值作为结果。每次随机采样中未被抽取的数据称为袋外数据，利用这部分数据来进行内部误差估计，得到每棵树的OOB误差，对所有树的OOB误差取平均值得到随机森林的OOB误差。
在实际辅助决策中，灾害的诱发性建模十分关键。如何有效估算形变、地震、人类工程活动、险情上报等重要灾前诱发信息的综合作用直接影响最终决策的漏报程度。而所述多源诱灾因子之间具有显著且复杂的非线性关系。通过构建诱灾因子与灾害发生之间的非线性映射，可以对多源诱发程度进行高效建模，相比传统模型驱动范式，随机森林模型具有较高的模拟精度。因此，本文选择该模型对滑坡灾害易发性进行评价。
步骤5，根据易发性模型和诱发性模型，以承灾范围为约束对目标区域的滑坡危险性进行动态预警，并进行分级展示，得到目标区域内动态预警信息并生成辅助决策参考信息。
在上述实施例的基础上，所述动态预警的计算公式为
；
其中，、/>分别代表研究区域易发概率和诱发概率，S代表坡度，D代表承灾体。
具体实施时，危险性动态预警是在易发性、诱发性建模的基础上进行的综合辅助决策。其过程逻辑可描述为：在承灾范围的约束下，基于易发性、诱发性连续概率的动态更新获取区域内灾害危险性的分布。所述危险性动态预警计算公式为：
（3）
式中，、/>分别代表研究区域易发概率和诱发概率；S代表坡度，参考已有研究，A省滑坡主要分布于8°~45°坡度范围内，本文以此为依据对研究区域进行重分类，坡度为8°~45°区域赋值为1，其余区域赋值为0；D代表承灾体（选择建筑物及道路作为承灾体），同理，根据已有研究，本文以500米为阈值对路网距离及建筑距离进行重分类。最后，基于“区内相似，区际相异”的原则，采用定量定性结合的方法将危险性指数Q划分为低危险、中危险，高危险，极高危险4级。
本实施例提供的复杂环境下数据驱动的滑坡灾害辅助决策方法，通过将地质灾害发生过程建模为空间静态易发性以及时间动态诱发性在承灾范围内耦合作用的结果，构建基于逻辑回归的滑坡灾害易发性评价模型，解决易发性评价结果不准确问题，构建基于随机森林的滑坡灾害诱发性评价模型，解决诱发性评价结果不准确问题，构建基于连续概率的滑坡危险性动态预警模型，解决危险性评价结果不准确问题，顾及承灾范围及多源诱灾因子实施滑坡灾害辅助决策，解决漏报误报率高的问题，提高了预警精准度和实时性。
下面将结合一个具体实施例对本发明进行说明，以A省B市区作为目标区域的应用为例对本发明的具体实施进行说明。目标区域位于A省西南部，该区域地质构造复杂，受极端天气、地震和人类活动等因素影响，该区域滑坡等地质灾害高发频发，且具有点多、面广、突发性强等特点。研究区域及滑坡分布如图3所示。
下面将结合此实例具体说明本发明进行辅助决策的具体实施步骤：
1）数据获取。获取研究区域的光学影像、坡度、DEM、NDVI等21项静态孕灾因子及5项动态诱灾因子。以上数据均可在公开网站上获取，在本应用实例中设定统一分辨率为30m，空间坐标系为CGCS2000坐标系。经过数据清洗及预处理，获取高质量因子图层参与后续样本制作，因子体系架构图如图3所示。
2）样本制作。将研究区域已有滑坡灾害点作为正样本，以1：1的正负样本比例，随机采样生成易发性、诱发性评价的负样本。在实际中，由于负样本取样点有可能随机分布在研究区域边缘或灾害/隐患点位置，因此本发明实例中对上述负样本采取循环剔除操作，直至正负样本能够充分表征实际灾害发生规律。易发性、诱发性评价的样本制作流程如图4所示，其中，正负样本的样本标签分别为1、0编码值，样本输入分别为孕灾因子、动态诱灾因子的栅格取值。
3）模型训练。首先按照7:3的比例随机划分训练集、测试集，分别对逻辑回归与随机森林模型进行样本训练及预测，图5表示随机森林模型的原理示意图。然后采用接受者操作特征曲线（ROC）对易发性分区结果进行定量评价，从而反映模型在选取不同阈值的时候其敏感性和其精确性的趋势走向。最后获取研究区域内连续型易发性、诱发性评价概率分布。
4）动态预警。首先以斜坡为分析单元，将研究区域划分为一系列斜坡单体。然后对研究区域进行坡度约束及承灾体约束，进一步有效缩小预警范围。在此基础上，采用公式（3）计算研究区域内危险性概率。需要指出的是，诱发性评价中的各个动态因子需要采用经验阈值确定分析时段，例如雨量格点图本发明实例采取近15天累计有效降雨量作为分析指标。最后，针对研究区域内危险性概率结果进行经验分级（本发明实例将危险性概率划分阈值为[0.2,0.6,0.8,1]），采取定性定量相结合的方式确定各斜坡的动态预警级别。以2017年8月9日为例，针对目标区域的危险性动态预警结果如图7所示，由图可知，当天发生的5起滑坡灾害均被预警为“中危险区”，即本发明所关注的“中危险”及以上级别，表明了本发明所提出辅助决策逻辑的有效性。
为进一步说明本发明所提出辅助决策逻辑的优势，在实例中对经典辅助决策与本发明辅助决策逻辑做了漏报率、空报率对比分析。其中，定义漏报率为评价结果在低危险区域的灾害点与所有灾害点的百分比，定义空报率为（某天）预警范围内未发灾斜坡数量占所有斜坡划分数量的百分比。表1统计了研究区域所有灾害点的漏报情况及以2017年8月9日为例所计算的空报情况。结果表明，本发明采取的辅助决策逻辑可以有效降低漏报率与空报率，从而更加精准地指导防灾减灾工作。
表1
描述于本发明实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。
以上所述，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，可轻易想到的变化或替换，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 (4)
1.一种复杂环境下数据驱动的滑坡灾害辅助决策方法，其特征在于，包括：
步骤1，收集目标区域内包含孕灾因子的第一数据源；
步骤2，收集目标区域内包含诱灾因子的第二数据源；
步骤3，将第一数据源和第二数据源进行预处理；
步骤4，根据预处理后的第一数据源和第二数据源制作正负样本集，进行数据迭代增强，基于逻辑回归模型构建易发性模型，以及，基于随机森林模型构建诱发性模型，其中，正负样本集包括易发性正负样本集和诱发性正负样本集；
所述基于逻辑回归模型构建易发性模型的步骤，包括：
获取逻辑回归模型的线性回归函数，其中，所述逻辑回归模型中的线性回归函数的表达式为
；
其中，为回归系数，/>为孕灾环境自变量，/>表示滑坡灾害易发概率；
所述易发性模型的表达式为
；
根据线性回归函数建模多源孕灾因子间关系，得到易发性模型；
所述基于随机森林模型构建诱发性模型的步骤，包括：
根据随机森林模型构建诱灾因子与灾害发生之间的非线性映射，对多源诱发程度进行建模，得到诱发性模型；
步骤5，根据易发性模型和诱发性模型，以承灾范围为约束对目标区域的滑坡危险性进行动态预警，并进行分级展示，得到目标区域内动态预警信息并生成辅助决策参考信息，其中，所述动态预警的计算公式为
；
其中，、/>分别代表研究区域易发概率和诱发概率，S代表坡度，D代表承灾范围。
2.根据权利要求1所述的方法，其特征在于,所述孕灾因子的类型包括地形地貌、地形构造、社会经济和气象水文；
所述诱灾因子的类型包括降雨、形变、地震、人类活动和险情上报。
3.根据权利要求2所述的方法，其特征在于,所述步骤3具体包括：
将第一数据源和第二数据源中各类数据统一重采样为预设尺寸的空间分辨率，针对每个因子图层计算像素均值与方差，去除数据中的空值，并设置相同的地理空间坐标系；
根据属性特征对因子图层进行编码或归一化处理。
4.根据权利要求3所述的方法，其特征在于,所述根据预处理后的第一数据源和第二数据源制作正负样本集的步骤，包括：
将目标区域已有滑坡点选作正样本，以1：1的正负样本比例，随机空间采样生成负样本；
结合负样本实际分布规律，对邻近滑坡或及隐患点以及目标区域边界的负样本进行舍弃，直至正负样本的选取数目达到一致。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310351984.7A CN116110210B (zh) | 2023-04-04 | 2023-04-04 | 复杂环境下数据驱动的滑坡灾害辅助决策方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310351984.7A CN116110210B (zh) | 2023-04-04 | 2023-04-04 | 复杂环境下数据驱动的滑坡灾害辅助决策方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116110210A CN116110210A (zh) | 2023-05-12 |
| CN116110210B true CN116110210B (zh) | 2023-08-01 |
Family
ID=86254671
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310351984.7A Active CN116110210B (zh) | 2023-04-04 | 2023-04-04 | 复杂环境下数据驱动的滑坡灾害辅助决策方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116110210B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116756344B (zh) * | 2023-08-16 | 2023-11-14 | 中南大学 | 一种面向全过程的滑坡场景本体构建方法及相关设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101726750A (zh) * | 2009-11-30 | 2010-06-09 | 中国矿业大学(北京) | 地裂缝评价的“三图法” |
| CN103268420A (zh) * | 2013-05-24 | 2013-08-28 | 河海大学 | 一种岩石高边坡的危险性评价方法 |
| CN112651100A (zh) * | 2020-09-25 | 2021-04-13 | 江苏南京地质工程勘察院 | 一种线状工程地质灾害危险性评估方法 |
| CN113869354A (zh) * | 2021-08-16 | 2021-12-31 | 天津大学 | 一种凌汛期堤防危险性综合评价方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103605898A (zh) * | 2013-11-29 | 2014-02-26 | 民政部国家减灾中心 | 一种区域泥石流灾害风险估计方法 |
| CN104899437B (zh) * | 2015-05-29 | 2019-04-02 | 杭州辰青和业科技有限公司 | 强降雨型滑坡灾害预警方法 |
| CN111858803B (zh) * | 2020-07-06 | 2021-09-21 | 东华理工大学 | 一种滑坡地灾风险区划图生成方法 |
| 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 |
| CN114926067A (zh) * | 2022-05-31 | 2022-08-19 | 山东省地质调查院(山东省自然资源厅矿产勘查技术指导中心) | 一种基于信息量模型的层次分析地质灾害风险评价方法 |
| CN115345511B (zh) * | 2022-08-29 | 2023-06-06 | 中咨数据有限公司 | 一种公路走廊滑坡危险性动态评价方法、评价系统及设备 |
| CN115879300A (zh) * | 2022-12-08 | 2023-03-31 | 广东南方数码科技股份有限公司 | 滑坡诱发性估算方法、装置、电子设备及存储介质 |
-
2023
- 2023-04-04 CN CN202310351984.7A patent/CN116110210B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101726750A (zh) * | 2009-11-30 | 2010-06-09 | 中国矿业大学(北京) | 地裂缝评价的“三图法” |
| CN103268420A (zh) * | 2013-05-24 | 2013-08-28 | 河海大学 | 一种岩石高边坡的危险性评价方法 |
| CN112651100A (zh) * | 2020-09-25 | 2021-04-13 | 江苏南京地质工程勘察院 | 一种线状工程地质灾害危险性评估方法 |
| CN113869354A (zh) * | 2021-08-16 | 2021-12-31 | 天津大学 | 一种凌汛期堤防危险性综合评价方法 |
Non-Patent Citations (2)
| Title |
|---|
| 山区沿河公路崩滑灾害危险性评价方法及应用――以横断山区美姑河流域公路崩滑灾害为例;陈远川;陈洪凯;唐红梅;;烟台大学学报(自然科学与工程版)(03);全文 * |
| 滑坡灾害评价原理和方法研究;唐川, JorgGrunert;地理学报(S1);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116110210A (zh) | 2023-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111047099B (zh) | 一种区域性山洪风险预测方法及系统 | |
| Wu et al. | Depth prediction of urban flood under different rainfall return periods based on deep learning and data warehouse | |
| Zhu et al. | Flood disaster risk assessment based on random forest algorithm | |
| KR20210030031A (ko) | 사전 기상정보 연동 산사태 조기경보 방법 및 산사태 조기경보 시스템 | |
| CN113222283B (zh) | 一种基于数字孪生的山洪预报预警方法及系统 | |
| CN113902580B (zh) | 一种基于随机森林模型的历史耕地分布重建方法 | |
| Zhang et al. | Robust geographical detector | |
| CN115688404B (zh) | 基于svm-rf模型的降雨型滑坡预警方法 | |
| CN112308292A (zh) | 一种火灾风险等级分布图的绘制方法 | |
| CN111310898A (zh) | 一种基于rnn的滑坡灾害易发性预测方法 | |
| CN113762090B (zh) | 一种特高压密集输电通道灾害监测预警方法 | |
| CN116110210B (zh) | 复杂环境下数据驱动的滑坡灾害辅助决策方法 | |
| CN113487105B (zh) | 一种滑坡地质灾害的空间预测方法、装置和计算机设备 | |
| CN116363524A (zh) | 一种公路地质灾害高风险区域监测预警方法及装置 | |
| CN116777079A (zh) | 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法 | |
| Risser et al. | Detected changes in precipitation extremes at their native scales derived from in situ measurements | |
| CN117332909B (zh) | 基于智能体的多尺度城市内涝道路交通暴露性预测方法 | |
| Al-Rubkhi et al. | Land Use Change Analysis and Modeling Using Open Source (QGis)-Case Study: Boasher Willayat | |
| CN114298436A (zh) | 一种基于Bagging策略的滑坡易发性评价方法 | |
| Wu et al. | Construction and verification of a rainstorm death risk index based on grid data fusion: a case study of the Beijing rainstorm on July 21, 2012 | |
| CN117708551B (zh) | 基于双精度gdp数据展布的洪涝灾害影响评估方法和系统 | |
| CN117934746B (zh) | 基于国土整治与生态修复数据可视化方法和系统 | |
| CN114662921B (zh) | 一种基于流域管理的海绵城市建设方法及系统 | |
| CN118195350A (zh) | 一种山地生态系统暴露指数计算方法 | |
| CN117689210A (zh) | 道路自然灾害风险智能评估方法 |
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 |