CN116151437A - 一种浅层崩塌灾害预警模型建立方法、装置、设备及介质 - Google Patents

一种浅层崩塌灾害预警模型建立方法、装置、设备及介质 Download PDF

Info

Publication number
CN116151437A
CN116151437A CN202310030572.3A CN202310030572A CN116151437A CN 116151437 A CN116151437 A CN 116151437A CN 202310030572 A CN202310030572 A CN 202310030572A CN 116151437 A CN116151437 A CN 116151437A
Authority
CN
China
Prior art keywords
disaster
rainfall
model
collapse
susceptibility
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
Application number
CN202310030572.3A
Other languages
English (en)
Inventor
梁柱
刘伟
张庆华
张守文
姜凯华
程伟
黄厚赞
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.)
Guangzhou Urban Planning Survey and Design Institute
Original Assignee
Guangzhou Urban Planning Survey and Design Institute
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 Guangzhou Urban Planning Survey and Design Institute filed Critical Guangzhou Urban Planning Survey and Design Institute
Priority to CN202310030572.3A priority Critical patent/CN116151437A/zh
Publication of CN116151437A publication Critical patent/CN116151437A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Emergency Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Computer Hardware Design (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Geology (AREA)
  • Geometry (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Environmental & Geological Engineering (AREA)
  • Mathematical Physics (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)

Abstract

本发明公开一种浅层崩塌灾害预警模型建立方法、装置、设备及介质，方法包括获取待预警区域内的历史灾点数据；基于数字高程模型划分斜坡单元，提取多个孕灾因子；基于梯度增强决策树构建崩塌易发性预测模型并评价其准确性，得到易发性分区评价结果；根据易发性分区评价结果，统计分析不同易发区内历史灾点当日雨量及前期雨量，通过相关系数确定前期降雨天数，建立前期降雨‑当日降雨阈值模型；根据坡体是否被治理、植被条件及现阶段变形迹象，对斜坡单元划分易发性等级，并修正斜坡单元的易发性等级及降雨阈值；根据斜坡单元的易发性等级及降雨阈值，构建多等级时空预警模型。本方法能够修正历史灾点的预警模型，提高预警的精度和可靠性。

Description

一种浅层崩塌灾害预警模型建立方法、装置、设备及介质
技术领域
本发明涉及岩土灾害预警技术领域，尤其涉及一种浅层崩塌灾害预警模型建立方法、装置、设备及介质。
背景技术
浅层土质崩塌多发生于汛期，具有“点多面广”及“体量小预警难”等特征，给山区村民的生命财产安全带来严重威胁，也给防灾减灾工作造成麻烦。在每年汛期到来之际，大规模转移村民的现象时有发生，不仅浪费大量的人力物力，也给村民和防灾人员造成严重困扰。其归根的原因在于浅层土质崩塌的预警阈值不准，要么不够灵敏，要么过于敏感。
目前，关于浅层土质崩塌，如滑坡、崩塌或泥石流的预警方法，主要采用：统计分析、数值模拟及物理模型。其中，数值模拟或物理模型方法主要用于灾害启动机理研究及单点灾害预警阈值的确定，更多的是关注理论层面，但在推广到工程实践及实际应用上存在着不足。而基于统计分析所建立的模型虽然缺乏机理支撑，但经过多年的发展，得到了世界各国的广泛应用。统计模型的建立通常只需要充足的雨量资料和灾点信息作为支撑，并未考虑坡度、植被和岩性等其他影响因素对斜坡失稳的影响。
综上，现有技术中的预警模型建立方法未考虑斜坡失稳的影响，导致其预警阈值的准确度和可靠性不高。
发明内容
本发明提供了一种浅层崩塌灾害预警模型建立方法、装置、设备及介质，以解决现有技术中的预警模型建立方法未考虑斜坡失稳的影响，导致其预警阈值的准确度和可靠性不高的技术问题。
第一方面，为了解决上述技术问题，本发明提供了一种浅层崩塌灾害预警模型建立方法，包括：
获取待预警区域内的历史灾点数据，所述历史灾点数据包括发灾位置、发灾时间和发灾时临近雨量站数据；
基于数字高程模型划分斜坡单元，并基于ArcGIS提取多个孕灾因子；
以所述历史灾点数据和所述孕灾因子作为正样本集，选取相同数量的非崩塌点和孕灾因子作为负样本集，组成总样本集并按比例划分为训练集、验证集和测试集；
基于梯度增强决策树构建崩塌易发性预测模型并评价其准确性，得到易发性分区评价结果；
根据所述易发性分区评价结果，统计分析不同易发区内历史灾点当日雨量及前期雨量，通过相关系数确定前期降雨天数，建立前期降雨-当日降雨阈值模型；
根据坡体是否被治理、植被条件及现阶段变形迹象，对所述斜坡单元划分易发性等级，并修正所述斜坡单元的易发性等级及降雨阈值；
根据所述斜坡单元的易发性等级及降雨阈值，构建多等级时空预警模型。
优选地，所述基于数字高程模型划分斜坡单元，包括：
生成无洼地，计算流向和流量；
生成河网并将河流连接，生成分水岭并将分水岭转面，生成正向集水流域面，反转原DEM；
重复所述生成河网并将河流连接，生成分水岭并将分水岭转面，生成正向集水流域面的步骤，生成反向集水流域面；
合并所述正向集水流域面和所述反向集水流域面，生成初始斜坡单元；
对不合理边界进行修正，得到斜坡单元。
优选地，所述基于ArcGIS提取多个孕灾因子，包括：
利用ArcGIS中的欧几里德距离工具计算道路、断层和水系到各斜坡因子的距离；
取所有栅格单元距离的平均值作为斜坡单元的最终值；
其中，在高程、坡度、坡向、高差、平面曲率、剖面曲率、TWI和NDVI提取时，按一个斜坡单元内所有栅格单元的平均值作为各个斜坡单元的最终赋值；在利用斜坡单元进行地层岩性提取时，若一个单元内涉及多个岩性，则按照地层岩性所占面积最大的岩性作为斜坡因子的最终赋值。
优选地，多个所述孕灾因子包括：高程、坡度、坡向、高差、平面曲率、剖面曲率、地形湿度指数TWI、归一化植被指数NDVI、岩性、到道路距离、到断层距离及到水系距离。
优选地，所述以所述历史灾点数据和所述孕灾因子作为正样本集，选取相同数量的非崩塌点和孕灾因子作为负样本集，组成总样本集并按比例划分为训练集、验证集和测试集，包括：
以所述历史灾点数据和所述孕灾因子作为正样本集；
在距历史灾点半径缓冲区外，随机选取相同数量的非崩塌点，构建负样本集；
根据所述正样本集和所述负样本集组成总样本集；
按照8：1：1的比例将总样本集划分为训练集、验证集和测试集，分别用于模型的训练、调参和测试。
优选地，所述基于梯度增强决策树构建崩塌易发性预测模型并评价其准确性，得到易发性分区评价结果，包括：
初始化弱分类器：
Figure BDA0004046803680000031
f0(x)为初始弱分类器，L(yi,γ)为一个可微的损失函数；
计算负梯度：
Figure BDA0004046803680000032
在回归树中，实则就是y-c，c指的是每个叶子节点样本标签的平均值；
将公式(2)中的残差作为样本的新值，将(xm,rim),m＝1,2,3,…,M作为下一棵树的训练数据；
根据所述样本的新值，训练得到新的弱学习器Gk(X)为：
Figure BDA0004046803680000041
返回至所述计算负梯度的步骤，直到满足最低误差要求，最终形成的强分类器为：
Figure BDA0004046803680000042
式中，fm(x)是崩塌易发性预测模型，f0(x)为初始模型，其值为损失函数的最小值；m为最大迭代次数，J是第j棵回归树的叶节点数，γ是损失函数在叶节点区域负梯度的最优拟合值，对应的第j棵回归树的叶节点区域为Rjm(j＝1，2，3，…，J)，/为指示函数，Rjm是第t个决策树对应的叶节点区域；最大迭代次数(m)设置为150次，考虑数据时学习率为0.5，叶节点数(J)设置为20。
优选地，所述根据所述易发性分区评价结果，统计分析不同易发区内历史灾点当日雨量及前期雨量，通过相关系数确定前期降雨天数，建立前期降雨-当日降雨阈值模型，包括：
分别统计不同易发性分区内已发灾点数量、灾害发生时的当日雨量及前九天雨量；
通过相关性分析，确定前期降雨天数，建立不同易发性分区的前期降雨-当日降雨阈值模型；
其中，所述相关性系数的公式为：
Figure BDA0004046803680000043
式中，r(X，Y)为两变量之间的相关程度；cov(X，Y)为X与Y的协方差；var(X)为x的方差；var(Y)为y的方差。
第二方面，本发明提供了一种浅层崩塌灾害预警模型建立装置，包括：
数据获取模块，用于获取待预警区域内的历史灾点数据，所述历史灾点数据包括发灾位置、发灾时间和发灾时临近雨量站数据；
斜坡划分模块，用于基于数字高程模型划分斜坡单元，并基于ArcGIS提取多个孕灾因子；
样本生成模块，用于以所述历史灾点数据和所述孕灾因子作为正样本集，选取相同数量的非崩塌点和孕灾因子作为负样本集，组成总样本集并按比例划分为训练集、验证集和测试集；
模型评价模块，用于基于梯度增强决策树构建崩塌易发性预测模型并评价其准确性，得到易发性分区评价结果；
降雨阈值模块，用于根据所述易发性分区评价结果，统计分析不同易发区内历史灾点当日雨量及前期雨量，通过相关系数确定前期降雨天数，建立前期降雨-当日降雨阈值模型；
等级修正模块，用于根据坡体是否被治理、植被条件及现阶段变形迹象，对所述斜坡单元划分易发性等级，并修正所述斜坡单元的易发性等级及降雨阈值；
预警模型建立模块，用于根据所述斜坡单元的易发性等级及降雨阈值，构建多等级时空预警模型。
第三方面，本发明还提供了一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述中任意一项所述的浅层崩塌灾害预警模型建立方法。
第四方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述中任意一项所述的浅层崩塌灾害预警模型建立方法。
相比于现有技术，本发明具有如下有益效果：
本发明提供一种浅层崩塌灾害预警模型建立方法，包括：获取待预警区域内的历史灾点数据，所述历史灾点数据包括发灾位置、发灾时间和发灾时临近雨量站数据；基于数字高程模型划分斜坡单元，并基于ArcGIS提取多个孕灾因子；以所述历史灾点数据和所述孕灾因子作为正样本集，选取相同数量的非崩塌点和孕灾因子作为负样本集，组成总样本集并按比例划分为训练集、验证集和测试集；基于梯度增强决策树构建崩塌易发性预测模型并评价其准确性，得到易发性分区评价结果；根据所述易发性分区评价结果，统计分析不同易发区内历史灾点当日雨量及前期雨量，通过相关系数确定前期降雨天数，建立前期降雨-当日降雨阈值模型；根据坡体是否被治理、植被条件及现阶段变形迹象，对所述斜坡单元划分易发性等级，并修正所述斜坡单元的易发性等级及降雨阈值；根据所述斜坡单元的易发性等级及降雨阈值，构建多等级时空预警模型。
本发明从历史灾点出发，通过统计分析和机器学习结合的方式，以斜坡单元为最小预测单元的面，考虑最新一轮的风险隐患点普查结果来修正其易发性和阈值。本发明将汛期间防灾减灾的重点关注对象(即现存风险隐患点)，判断现阶段的稳定状态，来修正由历史灾点建立的预警模型，以此提高预警的精度和可靠性。
同时，本发明所应用的预警模型结合了统计分析和机器学习算法，是一个时空耦合的预测方法，当采集到新的样本信息时，可输入模型进行调参和验证，达到动态更新的效果。
附图说明
图1是本发明第一实施例提供的浅层崩塌灾害预警模型建立方法流程示意图；
图2是本发明实施例提供的ROC曲线示意图；
图3是本发明实施例提供的易发性分区示意图；
图4是本发明实施例提供的前期降雨-当日降雨阈值模型示意图；
图5是本发明第二实施例提供的浅层崩塌灾害预警模型建立装置结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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。
参照图1，本发明第一实施例提供了一种浅层崩塌灾害预警模型建立方法，包括以下步骤：
S11，获取待预警区域内的历史灾点数据，所述历史灾点数据包括发灾位置、发灾时间和发灾时临近雨量站数据；
S12，基于数字高程模型划分斜坡单元，并基于ArcGIS提取多个孕灾因子；
S13，以所述历史灾点数据和所述孕灾因子作为正样本集，选取相同数量的非崩塌点和孕灾因子作为负样本集，组成总样本集并按比例划分为训练集、验证集和测试集；
S14，基于梯度增强决策树构建崩塌易发性预测模型并评价其准确性，得到易发性分区评价结果；
S15，根据所述易发性分区评价结果，统计分析不同易发区内历史灾点当日雨量及前期雨量，通过相关系数确定前期降雨天数，建立前期降雨-当日降雨阈值模型；
S16，根据坡体是否被治理、植被条件及现阶段变形迹象，对所述斜坡单元划分易发性等级，并修正所述斜坡单元的易发性等级及降雨阈值；
S17，根据所述斜坡单元的易发性等级及降雨阈值，构建多等级时空预警模型。
在一种实现方式中，所述基于数字高程模型划分斜坡单元，包括：
生成无洼地，计算流向和流量；
生成河网并将河流连接，生成分水岭并将分水岭转面，生成正向集水流域面，反转原DEM；
重复所述生成河网并将河流连接，生成分水岭并将分水岭转面，生成正向集水流域面的步骤，生成反向集水流域面；
合并所述正向集水流域面和所述反向集水流域面，生成初始斜坡单元；
对不合理边界进行修正，得到斜坡单元。
在一种实现方式中，所述基于ArcGIS提取多个孕灾因子，包括：
利用ArcGIS中的欧几里德距离工具计算道路、断层和水系到各斜坡因子的距离；
取所有栅格单元距离的平均值作为斜坡单元的最终值；
其中，在高程、坡度、坡向、高差、平面曲率、剖面曲率、TWI和NDVI提取时，按一个斜坡单元内所有栅格单元的平均值作为各个斜坡单元的最终赋值；在利用斜坡单元进行地层岩性提取时，若一个单元内涉及多个岩性，则按照地层岩性所占面积最大的岩性作为斜坡因子的最终赋值。
值得说明的是，多个所述孕灾因子包括：高程、坡度、坡向、高差、平面曲率、剖面曲率、地形湿度指数TWI、归一化植被指数NDVI、岩性、到道路距离、到断层距离及到水系距离。
在一种实现方式中，所述以所述历史灾点数据和所述孕灾因子作为正样本集，选取相同数量的非崩塌点和孕灾因子作为负样本集，组成总样本集并按比例划分为训练集、验证集和测试集，包括：
以所述历史灾点数据和所述孕灾因子作为正样本集；
在距历史灾点半径缓冲区外，随机选取相同数量的非崩塌点，构建负样本集；
根据所述正样本集和所述负样本集组成总样本集；
按照8：1：1的比例将总样本集划分为训练集、验证集和测试集，分别用于模型的训练、调参和测试。
在一种实现方式中，所述基于梯度增强决策树构建崩塌易发性预测模型并评价其准确性，得到易发性分区评价结果，包括：
初始化弱分类器：
Figure BDA0004046803680000081
f0(x)为初始弱分类器，L(yi,γ)为一个可微的损失函数；
计算负梯度：
Figure BDA0004046803680000091
在回归树中，实则就是y-c，c指的是每个叶子节点样本标签的平均值；
将公式(2)中的残差作为样本的新值，将(xm,rim),m＝1,2,3,…,M作为下一棵树的训练数据；
根据所述样本的新值，训练得到新的弱学习器Gk(X)为：
Figure BDA0004046803680000092
返回至所述计算负梯度的步骤，直到满足最低误差要求，最终形成的强分类器为：
Figure BDA0004046803680000093
式中，fm(x)是崩塌易发性预测模型，f0(x)为初始模型，其值为损失函数的最小值；m为最大迭代次数，J是第j棵回归树的叶节点数，γ是损失函数在叶节点区域负梯度的最优拟合值，对应的第j棵回归树的叶节点区域为Rjm(j＝1,2,3,…,J)，I为指示函数，Rjm是第t个决策树对应的叶节点区域；最大迭代次数(m)设置为150次，考虑数据时学习率为0.5，叶节点数(J)设置为20。
在一种实现方式中，所述根据所述易发性分区评价结果，统计分析不同易发区内历史灾点当日雨量及前期雨量，通过相关系数确定前期降雨天数，建立前期降雨-当日降雨阈值模型，包括：
分别统计不同易发性分区内已发灾点数量、灾害发生时的当日雨量及前九天雨量；
通过相关性分析，确定前期降雨天数，建立不同易发性分区的前期降雨-当日降雨阈值模型；
其中，所述相关性系数的公式为：
Figure BDA0004046803680000094
式中，r(X,Y)为两变量之间的相关程度；cov(X,Y)为X与Y的协方差；var(X)为x的方差；var(Y)为y的方差。
为了便于对本发明的理解，下面将对本发明的一些优选实施例做更进一步的描述。在一种实施例中，包括以下步骤：
步骤一：收集调查区历史灾点的信息，包括发灾位置、时间及发灾时临近雨量站数据；发灾时临近雨量站数据以天为单位进行统计，收集发灾当日及前九天的雨量数据。
步骤二：基于高精度数字高程模型DEM划分斜坡单元，并基于ArcGIS提取多个孕灾因子。
斜坡单元的划分，依据以下10个步骤：1.填洼；2.计算流向和流量；3.通过栅格计算器，多次设置流量阈值，生成最佳河网；4.河流连接；5.生成分水岭；6.分水岭转面，生成正向集水流域面；7.反转原DEM；8.重复步骤2-6，生成反向流域面；9.合并正反向流域面，初步生成斜坡单元；10.对不合理边界进行人工修正。
基于DEM计算高程、坡度、坡向、高差、平面曲率、剖面曲率、地形湿度指数TWI等地形因子，欧几里德距离工具生成道路、断层和水系缓冲图。
按一个斜坡单元内所有栅格单元的平均值作为各个斜坡单元的最终赋值，提取高程、坡度、坡向、高差、平面曲率、剖面曲率、地形湿度指数TWI、到道路、断层和水系的距离孕灾因子。按照地层岩性所占面积最大的岩性作为斜坡因子的最终赋值。
步骤三：崩塌清单及孕灾因子作为正样本点，选取相同数量的非崩塌点和孕灾因子作为负样本点，组成总样本数据并按比例划分为训练集、验证集和测试集。
以历史灾点为原点，生成1km的距离缓冲区，在缓冲区外随机选取与已发灾点(正样本)相同数量的非灾害点(负样本)，构成1：1的总样本数据集。按照8：1：1的比例将总样本集随机划分为训练集、验证集和测试集，且保证每项数据集中正负样本数量一致。
步骤四：构建梯度增强决策树(Gradient Boosting Decision Tree，GBDT)崩塌易发性预测模型并评价其准确性。
输入训练集，在Python 3.7中调用scikit-learn包，构建GBDT崩塌易发性预测模型；输入验证集，调用网络搜索(Grid Search)进行调参；输入测试集，对调参后模型进行测试。示例性地，选用AUC值评估模型的预测效果，所得结果如图2所示。
步骤五：依据易发性分区评价结果，统计分析不同易发区内历史灾点当日雨量及前期雨量，通过相关性分析确定前期降雨天数。
易发性分区评价结果如图3所示，将研究区划分为高、中、低、非易发性四个等级。
统计分析不同易发区内历史灾点当日雨量及前期雨量，通过相关性分析确定前期降雨天数(本实施例为4天)，建立前期降雨-当日降雨阈值模型，所的结果如下表和图4所示。
Figure BDA0004046803680000111
步骤六：按斜坡单元范围，按坡体是否被治理、植被条件及现阶段变形迹象，将单元划分为稳定、较稳定及不稳定三个等级，修正其易发性等级及降雨阈值。对已进行工程治理的点判定为稳定状态；对未治理、植被稀疏、存在临空面、具有明显的冲刷迹象的点判定为不稳定状态；而未治理，但植被覆盖良好、尚未出现明显的失稳迹象的点判定为较稳定状态。
进一步地，判定为稳定的点，其易发性等级需修正为低易发性；判定为不稳定的点，对应的易发性等级修正为高易发性；判定为较稳定的点，易发性等级修正为中易发性。若与原模型预测结果一致，则不必修正。
降雨阈值也重新按照修正后的易发区，采用前期降雨-当日降雨阈值模型进行计算。
步骤七：依据当地地质灾害气象预警等级划分标准，构建多等级时空精准预警方法。
依据《广东省突发事件预警信息发布管理办法》，地质灾害气象风险预警由高到低分为一级、二级、三级和四级。
一级(红色)：发灾的可能性很大(发灾概率大于80％),气象因素致地质灾害发生风险很高。
二级(橙色)：发灾的可能性大(发灾概率60％～80％),气象因素致地质灾害发生风险高。
三级(黄色)：发灾的可能性较大(发灾概率大于40％～60％),气象因素致地质灾害发生风险较高。
四级(蓝色)：发灾的可能性较小(发灾概率大于20％～40％),气象因素致地质灾害发生风险较低。
最终，多等级时空预警模型如下表所示：
Figure BDA0004046803680000121
进一步地，在一下汛期来临之际，可采集新的灾点信息对所建模型进行测试，并可作为验证集输入，对模型进行调参和修正。
与现有的浅层滑坡或崩塌预警模型相比,本发明的技术效果如下所示：
1)本发明实施的是区域预警,并非针对单点滑坡或崩塌的监测预警。
2)本发明从历史灾点出发，通过统计分析和机器学习结合的方式，以斜坡单元为最小预测单元的面，考虑最新一轮的风险隐患点普查结果来修正其易发性和阈值。在下一轮汛期到来之际，所监测的风险隐患点可验证模型的准确性，并将采集到的新灾点样本信息输入模型，进行修正，是一种基于“点-面-点”修正的浅层崩塌时空动态精准降雨阈值预警模型建立方法。
3)本发明将汛期间防灾减灾的重点关注对象(即现存风险隐患点)，判断现阶段的稳定状态，来修正由历史灾点建立的预警模型，以此来提高预警的精度和可靠性。
4)本发明所应用的预警模型方法是结合了当地气象预警发布标准，能够保证预警信息同步。
5)本发明所应用的预警模型结合了统计分析和机器学习算法，是一个时空耦合的预测方法，当采集到新的样本信息时，可输入模型进行调参和验证，达到动态更新的效果。
参照图5，本发明第二实施例提供了一种浅层崩塌灾害预警模型建立装置，包括：
数据获取模块，用于获取待预警区域内的历史灾点数据，所述历史灾点数据包括发灾位置、发灾时间和发灾时临近雨量站数据；
斜坡划分模块，用于基于数字高程模型划分斜坡单元，并基于ArcGIS提取多个孕灾因子；
样本生成模块，用于以所述历史灾点数据和所述孕灾因子作为正样本集，选取相同数量的非崩塌点和孕灾因子作为负样本集，组成总样本集并按比例划分为训练集、验证集和测试集；
模型评价模块，用于基于梯度增强决策树构建崩塌易发性预测模型并评价其准确性，得到易发性分区评价结果；
降雨阈值模块，用于根据所述易发性分区评价结果，统计分析不同易发区内历史灾点当日雨量及前期雨量，通过相关系数确定前期降雨天数，建立前期降雨-当日降雨阈值模型；
等级修正模块，用于根据坡体是否被治理、植被条件及现阶段变形迹象，对所述斜坡单元划分易发性等级，并修正所述斜坡单元的易发性等级及降雨阈值；
预警模型建立模块，用于根据所述斜坡单元的易发性等级及降雨阈值，构建多等级时空预警模型。
需要说明的是，本发明实施例提供的一种浅层崩塌灾害预警模型建立装置用于执行上述实施例的一种浅层崩塌灾害预警模型建立方法的所有流程步骤，两者的工作原理和有益效果一一对应，因而不再赘述。
本发明实施例还提供了一种终端设备。该终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如浅层崩塌灾害预警模型建立程序。所述处理器执行所述计算机程序时实现上述各个浅层崩塌灾害预警模型建立方法实施例中的步骤，例如图1所示的步骤S11。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如模型评价模块。
示例性的，所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及智能平板等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，上述部件仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比上述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，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 (10)

1.一种浅层崩塌灾害预警模型建立方法，其特征在于，包括：
获取待预警区域内的历史灾点数据，所述历史灾点数据包括发灾位置、发灾时间和发灾时临近雨量站数据；
基于数字高程模型划分斜坡单元，并基于ArcGIS提取多个孕灾因子；
以所述历史灾点数据和所述孕灾因子作为正样本集，选取相同数量的非崩塌点和孕灾因子作为负样本集，组成总样本集并按比例划分为训练集、验证集和测试集；
基于梯度增强决策树构建崩塌易发性预测模型并评价其准确性，得到易发性分区评价结果；
根据所述易发性分区评价结果，统计分析不同易发区内历史灾点当日雨量及前期雨量，通过相关系数确定前期降雨天数，建立前期降雨-当日降雨阈值模型；
根据坡体是否被治理、植被条件及现阶段变形迹象，对所述斜坡单元划分易发性等级，并修正所述斜坡单元的易发性等级及降雨阈值；
根据所述斜坡单元的易发性等级及降雨阈值，构建多等级时空预警模型。
2.根据权利要求1所述的浅层崩塌灾害预警模型建立方法，其特征在于，所述基于数字高程模型划分斜坡单元，包括：
生成无洼地，计算流向和流量；
生成河网并将河流连接，生成分水岭并将分水岭转面，生成正向集水流域面，反转原DEM；
重复所述生成河网并将河流连接，生成分水岭并将分水岭转面，生成正向集水流域面的步骤，生成反向集水流域面；
合并所述正向集水流域面和所述反向集水流域面，生成初始斜坡单元；
对不合理边界进行修正，得到斜坡单元。
3.根据权利要求1所述的浅层崩塌灾害预警模型建立方法，其特征在于，所述基于ArcGIS提取多个孕灾因子，包括：
利用ArcGIS中的欧几里德距离工具计算道路、断层和水系到各斜坡因子的距离；
取所有栅格单元距离的平均值作为斜坡单元的最终值；
其中，在高程、坡度、坡向、高差、平面曲率、剖面曲率、TWI和NDVI提取时，按一个斜坡单元内所有栅格单元的平均值作为各个斜坡单元的最终赋值；在利用斜坡单元进行地层岩性提取时，若一个单元内涉及多个岩性，则按照地层岩性所占面积最大的岩性作为斜坡因子的最终赋值。
4.根据权利要求3所述的浅层崩塌灾害预警模型建立方法，其特征在于，多个所述孕灾因子包括：高程、坡度、坡向、高差、平面曲率、剖面曲率、地形湿度指数TWI、归一化植被指数NDVI、岩性、到道路距离、到断层距离及到水系距离。
5.根据权利要求1所述的浅层崩塌灾害预警模型建立方法，其特征在于，所述以所述历史灾点数据和所述孕灾因子作为正样本集，选取相同数量的非崩塌点和孕灾因子作为负样本集，组成总样本集并按比例划分为训练集、验证集和测试集，包括：
以所述历史灾点数据和所述孕灾因子作为正样本集；
在距历史灾点半径缓冲区外，随机选取相同数量的非崩塌点，构建负样本集；
根据所述正样本集和所述负样本集组成总样本集；
按照8：1：1的比例将总样本集划分为训练集、验证集和测试集，分别用于模型的训练、调参和测试。
6.根据权利要求1所述的浅层崩塌灾害预警模型建立方法，其特征在于，所述基于梯度增强决策树构建崩塌易发性预测模型并评价其准确性，得到易发性分区评价结果，包括：
初始化弱分类器：
Figure FDA0004046803670000031
f0(x)为初始弱分类器，L(yi,γ)为一个可微的损失函数；
计算负梯度：
Figure FDA0004046803670000032
在回归树中，实则就是y-c，c指的是每个叶子节点样本标签的平均值；
将公式(2)中的残差作为样本的新值，将(xm,rim),m＝1,2,3,…,M作为下一棵树的训练数据；
根据所述样本的新值，训练得到新的弱学习器Gk(X)为：
Figure FDA0004046803670000033
返回至所述计算负梯度的步骤，直到满足最低误差要求，最终形成的强分类器为：
Figure FDA0004046803670000034
式中，fm(x)是崩塌易发性预测模型，f0(x)为初始模型，其值为损失函数的最小值；m为最大迭代次数，J是第j棵回归树的叶节点数，γ是损失函数在叶节点区域负梯度的最优拟合值，对应的第j棵回归树的叶节点区域为Rjm(j＝1,2,3,…,J)，I为指示函数，Rjm是第t个决策树对应的叶节点区域；最大迭代次数(m)设置为150次，考虑数据时学习率为0.5，叶节点数(J)设置为20。
7.根据权利要求1所述的浅层崩塌灾害预警模型建立方法，其特征在于，所述根据所述易发性分区评价结果，统计分析不同易发区内历史灾点当日雨量及前期雨量，通过相关系数确定前期降雨天数，建立前期降雨-当日降雨阈值模型，包括：
分别统计不同易发性分区内已发灾点数量、灾害发生时的当日雨量及前九天雨量；
通过相关性分析，确定前期降雨天数，建立不同易发性分区的前期降雨-当日降雨阈值模型；
其中，所述相关性系数的公式为：
Figure FDA0004046803670000041
式中，r(X,Y)为两变量之间的相关程度；cov(X,Y)为X与Y的协方差；var(X)为x的方差；var(Y)为y的方差。
8.一种浅层崩塌灾害预警模型建立装置，其特征在于，包括：
数据获取模块，用于获取待预警区域内的历史灾点数据，所述历史灾点数据包括发灾位置、发灾时间和发灾时临近雨量站数据；
斜坡划分模块，用于基于数字高程模型划分斜坡单元，并基于ArcGIS提取多个孕灾因子；
样本生成模块，用于以所述历史灾点数据和所述孕灾因子作为正样本集，选取相同数量的非崩塌点和孕灾因子作为负样本集，组成总样本集并按比例划分为训练集、验证集和测试集；
模型评价模块，用于基于梯度增强决策树构建崩塌易发性预测模型并评价其准确性，得到易发性分区评价结果；
降雨阈值模块，用于根据所述易发性分区评价结果，统计分析不同易发区内历史灾点当日雨量及前期雨量，通过相关系数确定前期降雨天数，建立前期降雨-当日降雨阈值模型；
等级修正模块，用于根据坡体是否被治理、植被条件及现阶段变形迹象，对所述斜坡单元划分易发性等级，并修正所述斜坡单元的易发性等级及降雨阈值；
预警模型建立模块，用于根据所述斜坡单元的易发性等级及降雨阈值，构建多等级时空预警模型。
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至76中任意一项所述的浅层崩塌灾害预警模型建立方法。
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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至7中任意一项所述的浅层崩塌灾害预警模型建立方法。
CN202310030572.3A 2023-01-10 2023-01-10 一种浅层崩塌灾害预警模型建立方法、装置、设备及介质 Pending CN116151437A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310030572.3A CN116151437A (zh) 2023-01-10 2023-01-10 一种浅层崩塌灾害预警模型建立方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310030572.3A CN116151437A (zh) 2023-01-10 2023-01-10 一种浅层崩塌灾害预警模型建立方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN116151437A true CN116151437A (zh) 2023-05-23

Family

ID=86350146

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310030572.3A Pending CN116151437A (zh) 2023-01-10 2023-01-10 一种浅层崩塌灾害预警模型建立方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116151437A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117935491A (zh) * 2023-12-25 2024-04-26 甘肃农业大学 一种基于时空概率的滑坡降雨阈值预测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117935491A (zh) * 2023-12-25 2024-04-26 甘肃农业大学 一种基于时空概率的滑坡降雨阈值预测方法

Similar Documents

Publication Publication Date Title
Pham et al. Hybrid computational intelligence models for groundwater potential mapping
CN108280553B (zh) 基于gis-神经网络集成的山洪灾害风险区划及预测方法
Darabi et al. Urban flood risk mapping using data-driven geospatial techniques for a flood-prone case area in Iran
CN106780089B (zh) 基于神经网络元胞自动机模型的永久性基本农田划定方法
CN112200358B (zh) 一种滑坡等级预测方法、装置、设备和存储介质
Abdollahi et al. Daily mean streamflow prediction in perennial and non-perennial rivers using four data driven techniques
Eyoh et al. Modelling and predicting future urban expansion of Lagos, Nigeria from remote sensing data using logistic regression and GIS
CN109360421B (zh) 一种基于机器学习的交通信息预测方法及装置、电子终端
CN113408917B (zh) 自然灾害风险评估方法、装置、计算机设备及存储介质
CN115688404B (zh) 基于svm-rf模型的降雨型滑坡预警方法
CN103218522A (zh) 一种划分洪灾风险等级的方法及装置
CN110134907B (zh) 一种降雨缺失数据填补方法、系统及电子设备
CN110414715B (zh) 一种基于社团检测的客流量预警方法
CN110020469B (zh) 基于泊松回归和空间滤值的洪水预警分析方法及系统
CN114611941A (zh) 一种考虑空间危险性的滑坡灾害评价方法及系统
CN116151437A (zh) 一种浅层崩塌灾害预警模型建立方法、装置、设备及介质
Hall et al. The application of data mining techniques for the regionalisation of hydrological variables
Núñez et al. Resolving regional frequency analysis of precipitation at large and complex scales using a bottom-up approach: The Latin America and the Caribbean Drought Atlas
CN112836590B (zh) 洪涝灾害监测方法、装置、电子设备及存储介质
CN116976227B (zh) 一种基于lstm机器学习的风暴增水预报方法及系统
CN112200363A (zh) 一种滑坡的预测方法、装置、设备和存储介质
CN115980885A (zh) 基于集合预报的降水预报偏差校正方法
CN115936264A (zh) 单日工程量计算方法、阶段性工程量预测方法及预测装置
CN115239156A (zh) 城镇化指标对水系结构的影响警示方法
CN110837911B (zh) 一种大尺度地表节肢动物空间分布模拟方法

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