CN116205497A - 基于人工智能的滑坡智能预警方法及系统 - Google Patents

Abstract

本申请提供的基于人工智能的滑坡智能预警方法及系统，确定实时土壤松动评价信息和实时降雨量信息，通过待定土壤松动评价信息对实时土壤松动评价信息进行解析处理，得到目标土壤松动评价信息，通过待定降雨量信息对实时降雨量信息进行解析处理，得到目标降雨量信息，将目标土壤松动评价信息和目标降雨量信息进行数据修正，得到修正结果，通过人工智能分析线程对所述修正结果进行判定以确定是否需要进行风险预警，本申请能够逐一针对实时土壤松动评价信息和实时降雨量信息进行了解析处理，这样可以从多维度的进行数据分析从而可以提高数据分析的精确度，从而在进行预警的时候更加地准确和可信，尽可能地降低人员伤亡的可能性和财产损失的可能性。

Description

基于人工智能的滑坡智能预警方法及系统

技术领域

本申请涉及数据处理技术领域，具体而言，涉及基于人工智能的滑坡智能预警方法及系统。

背景技术

地质灾害是指在自然或者人为因素的作用下形成的，对人类生命财产造成的损失、对环境造成破坏的地质作用或地质现象。地质灾害在时间和空间上的分布变化规律，既受制于自然环境，又与人类活动有关，往往是人类与自然界相互作用的结果。

现目前，随着自然灾害对人类的影响越来越大，人类需要对自然灾害进行提前预警，但是在实际操作过程中，发明人发现在获得预警数据的过程中存在预警数据不准确的问题，这样一来，就不能及时且精确的进行预警，从而导致人类的生命受到威胁和财产受到损坏。因此，亟需一种技术方案以保障预警数据的精确性和可靠性。

发明内容

为改善相关技术中存在的技术问题，本申请提供了基于人工智能的滑坡智能预警方法及系统。

第一方面，提供一种基于人工智能的滑坡智能预警方法，应用于滑坡智能预警系统，该方法包括：确定实时土壤松动评价信息和实时降雨量信息；所述实时土壤松动评价信息和所述实时降雨量信息，是逐一对实时时间节点监测的山体状态进行分析所得的数据；通过待定土壤松动评价信息对所述实时土壤松动评价信息进行解析处理，得到目标土壤松动评价信息；所述待定土壤松动评价信息，是通过超声波反射识别技术对待定时间节点监测到的山体状态进行分析所得的数据；通过待定降雨量信息对所述实时降雨量信息进行解析处理，得到目标降雨量信息；所述待定降雨量信息，是通过气象监测技术对所述待定时间节点监测的山体状态进行分析所得的数据；将所述目标土壤松动评价信息和所述目标降雨量信息进行修正，得到修正结果，通过人工智能分析线程对所述修正结果进行判定，以确定是否需要进行风险预警。

在一种独立实施的实施例中，所述通过待定土壤松动评价信息对所述实时土壤松动评价信息进行解析处理，得到目标土壤松动评价信息包括：针对各个第一实时土壤数据片段，确定所述第一实时土壤数据片段对应的AI向量空间点在所述待定时间节点的AI向量空间，得到第一待定AI向量空间；所述第一实时土壤数据片段是所述实时土壤松动评价信息中的土壤数据片段；通过所述第一待定AI向量空间在所述待定土壤松动评价信息中对应的土壤数据片段，确定所述第一实时土壤数据片段对应的第一参考土壤数据片段；通过各所述第一参考土壤数据片段对所述实时土壤松动评价信息中对应的第一实时土壤数据片段进行解析处理，得到所述目标土壤松动评价信息。

在一种独立实施的实施例中，所述通过所述第一待定AI向量空间在所述待定土壤松动评价信息中对应的土壤数据片段，确定所述第一实时土壤数据片段对应的第一参考土壤数据片段包括：将所述第一待定AI向量空间在所述待定土壤松动评价信息中对应的土壤数据片段，作为第一待定土壤数据片段；确定所述第一实时土壤数据片段对应的第一监测事项标签，以及确定所述第一待定土壤数据片段对应的第二监测事项标签；在所述第一监测事项标签与所述第二监测事项标签相同的前提下，将所述第一待定土壤数据片段作为所述第一实时土壤数据片段对应的第一参考土壤数据片段。

在一种独立实施的实施例中，所述第一实时土壤数据片段对应的AI向量空间为第一实时AI向量空间；所述方法还包括：在所述第一监测事项标签与所述第二监测事项标签不相同的前提下，确定所述第一待定土壤数据片段对应的AI向量空间，得到第二待定AI向量空间；确定所述第二待定AI向量空间处的AI向量空间点在所述实时时间节点的AI向量空间，得到第二实时AI向量空间；结合所述第一实时AI向量空间与所述第二实时AI向量空间之间的第一定位误差矢量，对所述第一待定AI向量空间进行误差修正得到第一目标AI向量空间；将所述第一目标AI向量空间在所述待定土壤松动评价信息中对应的土壤数据片段，作为所述第一实时土壤数据片段对应的第一参考土壤数据片段。

在一种独立实施的实施例中，所述将所述第一目标AI向量空间在所述待定土壤松动评价信息中对应的土壤数据片段，作为所述第一实时土壤数据片段对应的第一参考土壤数据片段包括：确定所述第一目标AI向量空间在所述待定土壤松动评价信息中对应的土壤数据片段，得到待定土壤数据片段；在所述第一实时土壤数据片段的监测事项标签与所述待定土壤数据片段的监测事项标签相同的前提下，将所述待定土壤数据片段作为所述第一实时土壤数据片段对应的第一参考土壤数据片段。

在一种独立实施的实施例中，所述通过各所述第一参考土壤数据片段对所述实时土壤松动评价信息中对应的第一实时土壤数据片段进行解析处理，得到所述目标土壤松动评价信息包括：针对各个所述第一实时土壤数据片段，确定所述第一实时土壤数据片段与对应的第一参考土壤数据片段之间的元素共性因子；通过所述元素共性因子确定所述第一实时土壤数据片段对应的第一参考土壤数据片段的置信度，得到参考修正置信度；通过所述参考修正置信度对所述第一实时土壤数据片段的数据片段和对应的第一参考土壤数据片段的数据片段进行修正，得到所述第一实时土壤数据片段的修正数据片段；通过所述实时土壤松动评价信息中各第一实时土壤数据片段逐一对应的修正数据片段，得到所述目标土壤松动评价信息。

在一种独立实施的实施例中，所述通过待定降雨量信息对所述实时降雨量信息进行解析处理，得到目标降雨量信息包括：针对各个第二实时土壤数据片段，确定所述第二实时土壤数据片段对应的AI向量空间点在所述待定时间节点的AI向量空间，得到第三待定AI向量空间；所述第二实时土壤数据片段是所述实时降雨量信息中的土壤数据片段；通过所述第三待定AI向量空间在所述待定降雨量信息中对应的土壤数据片段，确定所述第二实时土壤数据片段对应的第三参考土壤数据片段；基于各所述第三参考土壤数据片段对所述实时降雨量信息中对应的第二实时土壤数据片段进行解析处理，得到所述目标降雨量信息。

在一种独立实施的实施例中，所述通过所述第三待定AI向量空间在所述待定降雨量信息中对应的土壤数据片段，确定所述第二实时土壤数据片段对应的第三参考土壤数据片段包括：将所述第三待定AI向量空间在所述待定降雨量信息中对应的土壤数据片段，作为第二待定土壤数据片段；确定所述第二实时土壤数据片段对应的第三监测事项标签，以及确定所述第二待定土壤数据片段对应的第四监测事项标签；在所述第三监测事项标签与所述第四监测事项标签相同的前提下，将所述第二待定土壤数据片段作为所述第二实时土壤数据片段对应的第三参考土壤数据片段。

在一种独立实施的实施例中，所述第二实时土壤数据片段对应的AI向量空间为第三实时AI向量空间；所述方法还包括：在所述第三监测事项标签与所述第四监测事项标签不相同的前提下，确定所述第二待定土壤数据片段对应的AI向量空间，得到第四待定AI向量空间；确定所述第四待定AI向量空间处的AI向量空间点在所述实时时间节点的AI向量空间，得到第四实时AI向量空间；结合所述第三实时AI向量空间与所述第四实时AI向量空间之间的第二定位误差矢量，对所述第三待定AI向量空间进行误差修正得到第二目标AI向量空间；将所述第二目标AI向量空间在所述待定降雨量信息中对应的土壤数据片段，作为所述第二实时土壤数据片段对应的第三参考土壤数据片段。

第二方面，提供一种基于人工智能的滑坡智能预警系统，包括互相通信的处理器和存储器，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的基于人工智能的滑坡智能预警方法。

本申请实施例所提供的基于人工智能的滑坡智能预警方法及系统，确定实时土壤松动评价信息和实时降雨量信息，通过待定土壤松动评价信息对实时土壤松动评价信息进行解析处理，得到目标土壤松动评价信息，通过待定降雨量信息对实时降雨量信息进行解析处理，得到目标降雨量信息，将目标土壤松动评价信息和目标降雨量信息进行数据修正，得到修正结果，通过人工智能分析线程对所述修正结果进行判定，以确定是否需要进行风险预警，本申请能够逐一针对实时土壤松动评价信息和实时降雨量信息进行了解析处理，这样可以从多维度的进行数据分析从而可以提高数据分析的精确度，从而在进行预警的时候更加地准确和可信，尽可能地降低人员伤亡的可能性和财产损失的可能性。

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他相关的附图。

图1为本申请实施例所提供的一种基于人工智能的滑坡智能预警方法的流程图。

图2为本申请实施例所提供的一种基于人工智能的滑坡智能预警装置的框图。

图3为本申请实施例所提供的一种基于人工智能的滑坡智能预警系统的架构图。

具体实施方式

为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。

请参阅图1，示出了一种基于人工智能的滑坡智能预警方法，该方法可以包括以下步骤202-步骤208所描述的技术方案。

步骤202，确定实时土壤松动评价信息和实时降雨量信息；实时土壤松动评价信息和实时降雨量信息，是逐一对实时时间节点监测的山体状态进行分析所得的数据。

其中，山体状态首先针对山体要进行划分，具体的划分规则为按一个斜坡来划分，两侧山脊线为斜坡左右边界，分水岭作为斜坡的后缘边界，斜坡下方的陡缓交界处为斜坡前缘；针对一个单独的山体的实施情况进行分析获得数据确定为山体状态（山体状包括稳定状态（稳定状态可以理解为发生地质灾害的可能性低）和不稳定状态（稳定状态可以理解为发生地质灾害的可能性高））。

实时土壤松动评价信息，可以是通过超声波反射识别技术对实时时间节点监测的山体状态进行分析所直接或间接所得的数据。实时降雨量信息，可以是通过气象监测技术对实时时间节点监测的山体状态进行直接或间接分析所得的数据。

示例性的，实时土壤松动评价信息可以是终端生成的，譬如，实时土壤松动评价信息，可以是通过超声波反射识别技术对实时时间节点监测的山体状态进行分析所直接所得的数据。通过超声波反射识别技术对实时时间节点监测的山体状态进行分析所直接所得的数据，可以称为实时时间节点对应的超声波反射识别数据。终端可以将实时时间节点对应的超声波反射识别数据作为实时土壤松动评价信息。当然，实时土壤松动评价信息，也可以是通过超声波反射识别技术对实时时间节点监测的山体状态进行分析所间接所得的数据。譬如，终端可以对实时时间节点对应的超声波反射识别数据进行解析，得到实时时间节点对应的解析后的土壤松动评价信息，终端可以将该实时时间节点对应的解析后的土壤松动评价信息作为实时土壤松动评价信息。其中，实时时间节点对应的超声波反射识别数据可以是终端生成的。

在一种可能实施的实施例中，实时降雨量信息可以是终端生成的，譬如，实时降雨量信息，可以是通过气象监测技术对实时时间节点监测的山体状态进行分析所直接所得的数据。通过气象监测技术对实时时间节点监测的山体状态进行分析所直接所得的数据，可以称为实时时间节点对应的气象监测数据。终端可以将实时时间节点对应的气象监测数据作为实时降雨量信息。当然，实时降雨量信息，可以是通过气象监测技术对实时时间节点监测的山体状态进行分析所间接所得的数据。示例性的，终端可以对实时时间节点对应的气象监测数据进行清洗和解析，得到实时时间节点对应的解析后的降雨量信息，终端可以将该实时时间节点对应的解析后的降雨量信息，作为实时降雨量信息。其中，终端可以包括数据中心、云平台等。

步骤204，通过待定土壤松动评价信息对实时土壤松动评价信息进行解析处理，得到目标土壤松动评价信息；待定土壤松动评价信息，是通过超声波反射识别技术对待定时间节点监测到的山体状态进行分析所得的数据。

示例性的，超声波反射识别技术可以通过反射出来的频率、振幅和波长识别出土壤之间的间隙，因此，可以判断出土壤松动情况，从而可以获得实时土壤松动评价信息。

待定土壤松动评价信息，是通过超声波反射识别技术对待定时间节点监测到的山体状态进行分析所直接或间接所得的数据。通过超声波反射识别技术对待定时间节点监测到的山体状态进行分析所直接所得的数据可以记作待定时间节点对应的超声波反射识别数据。确定待定土壤松动评价信息的过程与确定实时土壤松动评价信息的方法是相同的，在实时土壤松动评价信息为实时时间节点对应的超声波反射识别数据的前提下，待定土壤松动评价信息为待定时间节点对应的超声波反射识别数据。在实时土壤松动评价信息为实时时间节点对应的解析后的土壤松动评价信息的前提下，待定土壤松动评价信息为待定时间节点对应的解析后的土壤松动评价信息。待定时间节点对应的解析后的土壤松动评价信息，是对待定时间节点对应的超声波反射识别数据进行清洗和解析所得的数据（这里需要进行清洗，这样可以去除干扰信息，在后续进行解析时，更加的准备且可靠）。

进一步地，针对各个第一实时土壤数据片段，终端可以从待定土壤松动评价信息中确定第一实时土壤数据片段对应的第一参考土壤数据片段，将第一实时土壤数据片段的数据片段与对应的第一参考土壤数据片段的数据片段进行修正，得到第一实时土壤数据片段对应的修正数据片段（着社会的发展，各行各业、各个领域都会对自身的行为结果做出评估，数据不可避免含有不确定的随机误差, 会导致试验研究和性能分析出现偏差。数据修正一般是预先给出某个人、某件物或者某件事的数据结果，如分析师对国家或者地区的经济状况打分、检查员给产品打分以及公司领导对员工进行考核等等，然后对数据结果做出整体的考评和修正）。

在一种可能实施的实施例中，终端可以确定第一实时土壤数据片段对应的AI向量空间点在待定时间节点的AI向量空间，得到第一待定AI向量空间，其中，AI向量空间点为世界空间中的点，譬如，世界空间中的各山体上的点均为AI向量空间点。终端可以基于第一待定AI向量空间在待定土壤松动评价信息中对应的土壤数据片段，确定第一实时土壤数据片段对应的第一参考土壤数据片段。其中，第一实时土壤数据片段是实时土壤松动评价信息中的土壤数据片段。其中，AI向量空间可以理解为空间坐标系。

步骤206，通过待定降雨量信息对实时降雨量信息进行解析处理，得到目标降雨量信息；待定降雨量信息，是通过气象监测技术对待定时间节点监测的山体状态进行分析所得的数据。

进一步地，实时降雨量信息进行解析处理是为了确定出降雨量的大小，从而确定发生山体滑坡的可能性。

待定降雨量信息，是通过气象监测技术对待定时间节点监测到的山体状态进行分析所直接或间接所得的数据。通过气象监测技术对待定时间节点监测到的山体状态进行分析所直接所得的数据，可以记作待定时间节点对应的气象监测数据。确定待定降雨量信息的过程与确定实时降雨量信息的方法是相同的，在实时降雨量信息为实时时间节点对应的气象监测数据的前提下，待定降雨量信息为待定时间节点对应的气象监测数据。在实时降雨量信息为实时时间节点对应的解析后的降雨量信息的前提下，待定降雨量信息为待定时间节点对应的解析后的降雨量信息。待定时间节点对应的解析后的降雨量信息，是对待定时间节点对应的气象监测数据进行清洗和解析所得的数据。

在一种可能实施的实施例中，针对各个第二实时土壤数据片段，终端可以确定第二实时土壤数据片段对应的AI向量空间点在待定时间节点的AI向量空间，得到第三待定AI向量空间，基于第三待定AI向量空间在待定降雨量信息中对应的土壤数据片段，确定第二实时土壤数据片段对应的第三参考土壤数据片段。终端可以将该第二待定土壤数据片段作为第二实时土壤数据片段对应的第三参考土壤数据片段。

在一种可能实施的实施例中，针对各第二实时土壤数据片段，终端可以逐一通过对应的第二参考土壤数据片段或对应的第三参考土壤数据片段中的至少一个，对各第二实时土壤数据片段进行解析处理，得到目标降雨量信息。示例性的，针对各个第二实时土壤数据片段，终端可以将第二参考土壤数据片段的数据片段、第三参考土壤数据片段的数据片段中的至少一个与第二实时土壤数据片段的数据片段进行整合计算，得到第二实时土壤数据片段的修正数据片段。譬如，终端可以将第二实时土壤数据片段的数据片段与对应的第二参考土壤数据片段的数据片段进行整合计算，将计算的结果作为第二实时土壤数据片段的修正数据片段。或者，终端可以将第二实时土壤数据片段的数据片段与对应的第三参考土壤数据片段的数据片段进行整合计算，将计算的结果作为第二实时土壤数据片段的修正数据片段。或者，终端可以将第二实时土壤数据片段、第二参考土壤数据片段以及第三参考土壤数据片段逐一对应的数据片段进行整合计算，将计算的结果作为第二实时土壤数据片段的修正数据片段。终端可以将实时降雨量信息中各第二实时土壤数据片段的数据片段逐一替换为对应的修正数据片段，将替换后的数据作为目标降雨量信息（目标降雨量信息可以理解为实时降雨量信息，通过实时降雨量信息可以确定出该区域的水量大小）。其中，实时土壤数据片段可但不限定为实时土壤数据的最小组成单元。

步骤208，将目标土壤松动评价信息和目标降雨量信息进行数据修正，得到修正结果，通过人工智能分析线程对所述修正结果进行判定，以确定是否需要进行风险预警。

示例性的，风险预警包括若干个风险等级，不同的等级对应的地质灾害危险不同，比如可以划分为1到10级，风险随着等级的提升而变高。因此，在风险预警之前，还需要进行以下步骤。

事先搭建风险等级数据库；

当所述修正结果判定出风险时，将所述修正结果映射至所述风险等级数据库中，确定出映射点；

将所述映射点进行翻译，获得翻译结果；

根据所述翻译结果，确定出风险等级。

可以理解的是，通过上述操作能够准确的获得风险等级，这样在预警的时候可以进行针对性的疏散，从而尽可能的降低疏散成本，并且还可以保障人员的安全。

上述基于人工智能的滑坡智能预警方法中，确定实时土壤松动评价信息和实时降雨量信息，通过待定土壤松动评价信息对实时土壤松动评价信息进行解析处理，得到目标土壤松动评价信息，通过待定降雨量信息对实时降雨量信息进行解析处理，得到目标降雨量信息，将目标土壤松动评价信息和目标降雨量信息进行数据修正，得到修正结果，通过人工智能分析线程对所述修正结果进行判定，以确定是否需要进行风险预警，本申请能够逐一针对实时土壤松动评价信息和实时降雨量信息进行了解析处理，这样可以从多维度的进行数据分析从而可以提高数据分析的精确度，从而在进行预警的时候更加地准确和可信，尽可能地降低人员伤亡的可能性和财产损失的可能性。

在一种可能实施的实施例中，通过待定土壤松动评价信息对实时土壤松动评价信息进行解析处理，得到目标土壤松动评价信息包括：针对各个第一实时土壤数据片段，确定第一实时土壤数据片段对应的AI向量空间点在待定时间节点的AI向量空间，得到第一待定AI向量空间；第一实时土壤数据片段是实时土壤松动评价信息中的土壤数据片段；基于第一待定AI向量空间在待定土壤松动评价信息中对应的土壤数据片段，确定第一实时土壤数据片段对应的第一参考土壤数据片段；通过各第一参考土壤数据片段对实时土壤松动评价信息中对应的第一实时土壤数据片段进行解析处理，得到目标土壤松动评价信息。

在一种可能实施的实施例中，针对各个第一实时土壤数据片段，终端可以将第一实时土壤数据片段的数据片段与第一参考土壤数据片段的数据片段进行整合计算，将计算的结果作为第一实时土壤数据片段的修正数据片段。终端可以基于实时土壤松动评价信息中各第一实时土壤数据片段逐一对应的修正数据片段，得到目标土壤松动评价信息。譬如，终端可以将实时土壤松动评价信息中各第一实时土壤数据片段的数据片段逐一替换为对应的修正数据片段，将替换后的数据作为目标土壤松动评价信息。

本实施例中，基于第一待定AI向量空间在待定土壤松动评价信息中对应的土壤数据片段，确定第一实时土壤数据片段对应的第一参考土壤数据片段，通过各第一参考土壤数据片段对实时土壤松动评价信息中对应的第一实时土壤数据片段进行解析处理，实现了快速的解析。

在一种可能实施的实施例中，基于第一待定AI向量空间在待定土壤松动评价信息中对应的土壤数据片段，确定第一实时土壤数据片段对应的第一参考土壤数据片段包括：将第一待定AI向量空间在待定土壤松动评价信息中对应的土壤数据片段，作为第一待定土壤数据片段；确定第一实时土壤数据片段对应的第一监测事项标签，以及确定第一待定土壤数据片段对应的第二监测事项标签；在第一监测事项标签与第二监测事项标签相同的前提下，将第一待定土壤数据片段作为第一实时土壤数据片段对应的第一参考土壤数据片段。其中，监测事项标签可以理解为山体对象。

示例性的，终端可以确定第一实时土壤数据片段对应的第一监测事项标签，确定第一待定土壤数据片段对应的第二监测事项标签，在第一监测事项标签与第二监测事项标签相同的前提下，终端可以将该第一待定土壤数据片段作为该第一实时土壤数据片段对应的第一参考土壤数据片段。在第一监测事项标签与第二监测事项标签不相同的前提下，可以继续寻找第一参考土壤数据片段。

在一种可能实施的实施例中，第一实时土壤数据片段在世界空间中对应的坐标为第一实时AI向量空间；方法还包括：在第一监测事项标签与第二监测事项标签不相同的前提下，确定第一待定土壤数据片段对应的AI向量空间，得到第二待定AI向量空间；确定第二待定AI向量空间处的AI向量空间点在实时时间节点的AI向量空间，得到第二实时AI向量空间；根据第一实时AI向量空间与第二实时AI向量空间之间的第一定位误差矢量，对第一待定AI向量空间进行误差修正得到第一目标AI向量空间；将第一目标AI向量空间在待定土壤松动评价信息中对应的土壤数据片段，作为第一实时土壤数据片段对应的第一参考土壤数据片段。

本实施例中，在第一监测事项标签与第二监测事项标签不相同的前提下，将第一目标AI向量空间在待定土壤松动评价信息中对应的土壤数据片段，作为第一实时土壤数据片段对应的第一参考土壤数据片段，从而降低了误差发生的可能性。

在一种可能实施的实施例中，将第一目标AI向量空间在待定土壤松动评价信息中对应的土壤数据片段，作为第一实时土壤数据片段对应的第一参考土壤数据片段包括：确定第一目标AI向量空间在待定土壤松动评价信息中对应的土壤数据片段，得到待定土壤数据片段；在第一实时土壤数据片段的监测事项标签与待定土壤数据片段的监测事项标签相同的前提下，将待定土壤数据片段作为第一实时土壤数据片段对应的第一参考土壤数据片段。

示例性的，在第一实时土壤数据片段的监测事项标签与待定土壤数据片段的监测事项标签相同的前提下，可以说明第一实时土壤数据片段与待定土壤数据片段属于同一个山体，从而将待定土壤数据片段作为第一实时土壤数据片段对应的第一参考土壤数据片段，可以提高解析的精确性并降低误差的可能性。

在一种可能实施的实施例中，在第一实时土壤数据片段的监测事项标签与待定土壤数据片段的监测事项标签不相同的前提下，若采用待定土壤数据片段对第一实时土壤数据片段进行解析，则容易误差，从而在第一实时土壤数据片段的监测事项标签与待定土壤数据片段的监测事项标签不相同的前提下，终端确定不存在第一实时土壤数据片段对应的第一参考土壤数据片段。在没有找到第一实时土壤数据片段对应的第一参考土壤数据片段的前提下，终端可以不对第一实时土壤数据片段进行解析，这样可以降低误差，提高解析的准确度。

在本实施例中，在第一实时土壤数据片段的监测事项标签与待定土壤数据片段的监测事项标签相同的前提下，将待定土壤数据片段作为第一实时土壤数据片段对应的第一参考土壤数据片段，即在第一实时土壤数据片段的监测事项标签与待定土壤数据片段的监测事项标签不相同的前提下，不将待定土壤数据片段作为第一实时土壤数据片段对应的第一参考土壤数据片段，降低了误差的可能性。

在一种可能实施的实施例中，通过各第一参考土壤数据片段对实时土壤松动评价信息中对应的第一实时土壤数据片段进行解析处理，得到目标土壤松动评价信息包括：针对各个第一实时土壤数据片段，确定第一实时土壤数据片段与对应的第一参考土壤数据片段之间的元素共性因子；基于元素共性因子确定第一实时土壤数据片段对应的第一参考土壤数据片段的置信度，得到参考修正置信度；通过参考修正置信度对第一实时土壤数据片段的数据片段和对应的第一参考土壤数据片段的数据片段进行修正，得到第一实时土壤数据片段的修正数据片段；基于实时土壤松动评价信息中各第一实时土壤数据片段逐一对应的修正数据片段，得到目标土壤松动评价信息。

在一种可能实施的实施例中，终端可以将实时土壤松动评价信息中各第一实时土壤数据片段的数据片段逐一替换为对应的修正数据片段，将替换后的数据作为目标土壤松动评价信息。

在一种可能实施的实施例中，通过待定降雨量信息对实时降雨量信息进行解析处理，得到目标降雨量信息包括：针对各个第二实时土壤数据片段，确定第二实时土壤数据片段对应的AI向量空间点在待定时间节点的AI向量空间，得到第三待定AI向量空间；第二实时土壤数据片段是实时降雨量信息中的土壤数据片段；基于第三待定AI向量空间在待定降雨量信息中对应的土壤数据片段，确定第二实时土壤数据片段对应的第三参考土壤数据片段；基于各第三参考土壤数据片段对实时降雨量信息中对应的第二实时土壤数据片段进行解析处理，得到目标降雨量信息。

在一种可能实施的实施例中，终端可以基于实时降雨量信息中各第二实时土壤数据片段逐一对应的修正数据片段，得到目标降雨量信息。譬如，终端可以将实时降雨量信息中各第二实时土壤数据片段的数据片段逐一替换为对应的修正数据片段，将替换后的数据作为目标降雨量信息。

在一种可能实施的实施例中，针对各个第二实时土壤数据片段，终端可以同时通过对应的第二参考土壤数据片段和第三参考土壤数据片段，确定该第二实时土壤数据片段的修正数据片段。从而结合第二参考土壤数据片段和第三参考土壤数据片段对第二实时土壤数据片段进行解析，提高解析精确性。示例性的，终端可以基于第二参考修正置信度和第三参考修正置信度，确定第二实时土壤数据片段的置信度得到第二实时修正置信度，通过第二参考修正置信度、第三参考修正置信度和第二实时修正置信度，对第二实时土壤数据片段的数据片段、第二参考土壤数据片段的数据片段以及第三参考土壤数据片段的数据片段进行加权计算，得到第二实时土壤数据片段对应的修正数据片段。

本实施例中，基于第三待定AI向量空间在待定降雨量信息中对应的土壤数据片段，确定第二实时土壤数据片段对应的第三参考土壤数据片段，通过各第三参考土壤数据片段对实时土壤松动评价信息中对应的第二实时土壤数据片段进行解析处理，实现了快速的解析。

在一种可能实施的实施例中，基于第三待定AI向量空间在待定降雨量信息中对应的土壤数据片段，确定第二实时土壤数据片段对应的第三参考土壤数据片段包括：将第三待定AI向量空间在待定降雨量信息中对应的土壤数据片段，作为第二待定土壤数据片段；确定第二实时土壤数据片段对应的第三监测事项标签，以及确定第二待定土壤数据片段对应的第四监测事项标签；在第三监测事项标签与第四监测事项标签相同的前提下，将第二待定土壤数据片段作为第二实时土壤数据片段对应的第三参考土壤数据片段。

其中，第三监测事项标签为第二实时土壤数据片段所属的山体的监测事项标签，第四监测事项标签为第二待定土壤数据片段所属的山体的监测事项标签。

示例性的，终端可以确定第二实时土壤数据片段对应的第三监测事项标签，确定第二待定土壤数据片段对应的第四监测事项标签，在第三监测事项标签与第四监测事项标签相同的前提下，终端可以将该第二待定土壤数据片段作为该第二实时土壤数据片段对应的第三参考土壤数据片段。在第三监测事项标签与第四监测事项标签不相同的前提下，可以继续寻找第三参考土壤数据片段。

在一种可能实施的实施例中，第二实时土壤数据片段对应的AI向量空间为第三实时AI向量空间；方法还包括：在第三监测事项标签与第四监测事项标签不相同的前提下，确定第二待定土壤数据片段对应的AI向量空间，得到第四待定AI向量空间；确定第四待定AI向量空间处的AI向量空间点在实时时间节点的AI向量空间，得到第四实时AI向量空间；根据第三实时AI向量空间与第四实时AI向量空间之间的第二定位误差矢量，对第三待定AI向量空间进行误差修正得到第二目标AI向量空间；将第二目标AI向量空间在待定降雨量信息中对应的土壤数据片段，作为第二实时土壤数据片段对应的第三参考土壤数据片段。

其中，第三实时AI向量空间为第二实时土壤数据片段对应的AI向量空间。第四待定AI向量空间为第二待定土壤数据片段对应的AI向量空间。

示例性的，在第三监测事项标签与第四监测事项标签不相同的前提下，终端可以确定第二待定土壤数据片段对应的AI向量空间，得到第四待定AI向量空间。终端可以确定第四待定AI向量空间处的AI向量空间点在实时时间节点的AI向量空间，得到第四实时AI向量空间。计算第三实时AI向量空间与第四实时AI向量空间之间的误差修正量，得到第二定位误差矢量。终端可以在第三待定AI向量空间的基础上误差修正该第二定位误差矢量，得到第二目标AI向量空间。在得到第二目标AI向量空间的前提下，终端可以将第二目标AI向量空间在待定降雨量信息中对应的土壤数据片段，作为第二实时土壤数据片段对应的第三参考土壤数据片段。

在一种可能实施的实施例中，步骤“确定第一目标AI向量空间在待定土壤松动评价信息中对应的土壤数据片段，得到待定土壤数据片段”中的待定土壤数据片段可以记作第一待定土壤数据片段。终端可以确定第二目标AI向量空间在待定降雨量信息中对应的土壤数据片段，得到第二待定土壤数据片段，在第二实时土壤数据片段的监测事项标签与该第二待定土壤数据片段的监测事项标签相同的前提下，将第二待定土壤数据片段作为第二实时土壤数据片段对应的第三参考土壤数据片段。

本实施例中，在第三监测事项标签与第四监测事项标签不相同的前提下，将第二目标AI向量空间在待定降雨量信息中对应的土壤数据片段，作为第二实时土壤数据片段对应的第三参考土壤数据片段，从而降低了误差发生的可能性。

在一种可替换的实施例中，对通过人工智能分析线程对所述修正结果进行判定，以确定是否需要进行风险预警的具体操作步骤，进行进一步地描述，具体描述内容包括。

事先设定的判定值，所述人工智能分析线程针对不同的山体对所述事先设定的判定值进行优化，获得与当前山体匹配的判定值；

所述人工智能分析线程将所述修正结果映射到数值矩阵中，获得对应的映射结果；

将所述映射结果与所述当前山体匹配的判定值进行比较，确定出对应的比较结果；

所述人工智能分析线程对所述比较结果进行解析，确定出所述比较结果的值是否大于目标值，当所述比较结果的值大于或者等于目标值时，进行地灾预警，当所述比较结果的值小于目标值时，不进行地灾预警。

其中，人工智能分析线程针对不同的山体对所述事先设定的判定值进行优化的具体识别内容包括坡度等因素。

可以理解的是，本申请针对处于不同地质环境条件下的山体斜坡分别设定不同的判别值，这样一来，可以较大幅度地提高监测预警的精度。

在上述基础上，请参阅图2，提供了一种基于人工智能的滑坡智能预警装置200，所述装置包括：

信息确定模块210，用于确定实时土壤松动评价信息和实时降雨量信息；所述实时土壤松动评价信息和所述实时降雨量信息，是逐一对实时时间节点监测的山体状态进行分析所得的数据；

土壤信息解析模块220，用于通过待定土壤松动评价信息对所述实时土壤松动评价信息进行解析处理，得到目标土壤松动评价信息；所述待定土壤松动评价信息，是通过超声波反射识别技术对待定时间节点监测到的山体状态进行分析所得的数据；

雨量信息解析模块230，用于通过待定降雨量信息对所述实时降雨量信息进行解析处理，得到目标降雨量信息；所述待定降雨量信息，是通过气象监测技术对所述待定时间节点监测的山体状态进行分析所得的数据；

结果判定模块240，用于将所述目标土壤松动评价信息和所述目标降雨量信息进行修正，得到修正结果，通过人工智能分析线程对所述修正结果进行判定，以确定是否需要进行风险预警。

在上述基础上，请参阅图3，示出了一种基于人工智能的滑坡智能预警系统300，包括互相之间通信的处理器310和存储器320，所述处理器310用于从所述存储器320中读取计算机程序并执行，以实现上述的方法。

在上述基础上，还提供了一种计算机可读存储介质，其上存储的计算机程序在运行时实现上述的方法。

综上，基于上述方案，确定实时土壤松动评价信息和实时降雨量信息，通过待定土壤松动评价信息对实时土壤松动评价信息进行解析处理，得到目标土壤松动评价信息，通过待定降雨量信息对实时降雨量信息进行解析处理，得到目标降雨量信息，将目标土壤松动评价信息和目标降雨量信息进行数据修正，得到修正结果，通过人工智能分析线程对所述修正结果进行判定，以确定是否需要进行风险预警，本申请能够逐一针对实时土壤松动评价信息和实时降雨量信息进行了解析处理，这样可以从多维度的进行数据分析从而可以提高数据分析的精确度，从而在进行预警的时候更加地准确和可信，尽可能地降低人员伤亡的可能性和财产损失的可能性。

应当理解，上述所示的系统及其模块可以利用各种方式来实现。例如，在一些实施例中，系统及其模块可以通过硬件、软件或者软件和硬件的结合来实现。其中，硬件部分可以利用专用逻辑来实现；软件部分则可以存储在存储器中，由适当的指令执行系统，例如微处理器或者专用设计硬件来执行。本领域技术人员可以理解上述的方法和系统可以使用计算机可执行指令和/或包含在处理器控制代码中来实现，例如在诸如磁盘、CD或DVD-ROM的载体介质、诸如只读存储器(固件)的可编程的存储器或者诸如光学或电子信号载体的数据载体上提供了这样的代码。本申请的系统及其模块不仅可以有诸如超大规模集成电路或门阵列、诸如逻辑芯片、晶体管等的半导体、或者诸如现场可编程门阵列、可编程逻辑设备等的可编程硬件设备的硬件电路实现，也可以用例如由各种类型的处理器所执行的软件实现，还可以由上述硬件电路和软件的结合(例如，固件)来实现。

需要说明的是，不同实施例可能产生的有益效果不同，在不同的实施例里，可能产生的有益效果可以是以上任意一种或几种的组合，也可以是其他任何可能获得的有益效果。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本申请的限定。虽然此处并没有明确说明，本领域技术人员可能会对本申请进行各种修改、改进和修正。该类修改、改进和修正在本申请中被建议，所以该类修改、改进、修正仍属于本申请示范实施例的精神和范围。

同时，本申请使用了特定词语来描述本申请的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，本领域技术人员可以理解，本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。

计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。

本申请各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或服务器上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（LAN）或广域网（WAN），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（SaaS）。

此外，除非权利要求中明确说明，本申请所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本申请流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本申请实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本申请对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有适应性的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本申请一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本申请引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本申请作为参考。与本申请内容不一致或产生冲突的申请历史文件除外，对本申请权利要求最广范围有限制的文件(当前或之后附加于本申请中的)也除外。需要说明的是，如果本申请附属材料中的描述、定义、和/或术语的使用与本申请所述内容有不一致或冲突的地方，以本申请的描述、定义和/或术语的使用为准。

最后，应当理解的是，本申请中所述实施例仅用以说明本申请实施例的原则。其他的变形也可能属于本申请的范围。因此，作为示例而非限制，本申请实施例的替代配置可视为与本申请的教导一致。相应地，本申请的实施例不仅限于本申请明确介绍和描述的实施例。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.基于人工智能的滑坡智能预警方法，其特征在于，应用于滑坡智能预警系统，该方法包括：

确定实时土壤松动评价信息和实时降雨量信息；所述实时土壤松动评价信息和所述实时降雨量信息，是逐一对实时时间节点监测的山体状态进行分析所得的数据；

通过待定土壤松动评价信息对所述实时土壤松动评价信息进行解析处理，得到目标土壤松动评价信息；所述待定土壤松动评价信息，是通过超声波反射识别技术对待定时间节点监测到的山体状态进行分析所得的数据；

通过待定降雨量信息对所述实时降雨量信息进行解析处理，得到目标降雨量信息；所述待定降雨量信息，是通过气象监测技术对所述待定时间节点监测的山体状态进行分析所得的数据；

将所述目标土壤松动评价信息和所述目标降雨量信息进行修正，得到修正结果，通过人工智能分析线程对所述修正结果进行判定，以确定是否需要进行风险预警。

2.根据权利要求1所述的基于人工智能的滑坡智能预警方法，其特征在于，所述通过待定土壤松动评价信息对所述实时土壤松动评价信息进行解析处理，得到目标土壤松动评价信息包括：

针对各个第一实时土壤数据片段，确定所述第一实时土壤数据片段对应的AI向量空间点在所述待定时间节点的AI向量空间，得到第一待定AI向量空间；所述第一实时土壤数据片段是所述实时土壤松动评价信息中的土壤数据片段；

通过所述第一待定AI向量空间在所述待定土壤松动评价信息中对应的土壤数据片段，确定所述第一实时土壤数据片段对应的第一参考土壤数据片段；

通过各所述第一参考土壤数据片段对所述实时土壤松动评价信息中对应的第一实时土壤数据片段进行解析处理，得到所述目标土壤松动评价信息。

3.根据权利要求2所述的基于人工智能的滑坡智能预警方法，其特征在于，所述通过所述第一待定AI向量空间在所述待定土壤松动评价信息中对应的土壤数据片段，确定所述第一实时土壤数据片段对应的第一参考土壤数据片段包括：

将所述第一待定AI向量空间在所述待定土壤松动评价信息中对应的土壤数据片段，作为第一待定土壤数据片段；

确定所述第一实时土壤数据片段对应的第一监测事项标签，以及确定所述第一待定土壤数据片段对应的第二监测事项标签；

在所述第一监测事项标签与所述第二监测事项标签相同的前提下，将所述第一待定土壤数据片段作为所述第一实时土壤数据片段对应的第一参考土壤数据片段。

4.根据权利要求3所述的基于人工智能的滑坡智能预警方法，其特征在于，所述第一实时土壤数据片段对应的AI向量空间为第一实时AI向量空间；所述方法还包括：

在所述第一监测事项标签与所述第二监测事项标签不相同的前提下，确定所述第一待定土壤数据片段对应的AI向量空间，得到第二待定AI向量空间；

确定所述第二待定AI向量空间处的AI向量空间点在所述实时时间节点的AI向量空间，得到第二实时AI向量空间；

结合所述第一实时AI向量空间与所述第二实时AI向量空间之间的第一定位误差矢量，对所述第一待定AI向量空间进行误差修正得到第一目标AI向量空间；

将所述第一目标AI向量空间在所述待定土壤松动评价信息中对应的土壤数据片段，作为所述第一实时土壤数据片段对应的第一参考土壤数据片段。

5.根据权利要求4所述的基于人工智能的滑坡智能预警方法，其特征在于，所述将所述第一目标AI向量空间在所述待定土壤松动评价信息中对应的土壤数据片段，作为所述第一实时土壤数据片段对应的第一参考土壤数据片段包括：

确定所述第一目标AI向量空间在所述待定土壤松动评价信息中对应的土壤数据片段，得到待定土壤数据片段；

在所述第一实时土壤数据片段的监测事项标签与所述待定土壤数据片段的监测事项标签相同的前提下，将所述待定土壤数据片段作为所述第一实时土壤数据片段对应的第一参考土壤数据片段。

6.根据权利要求2所述的基于人工智能的滑坡智能预警方法，其特征在于，所述通过各所述第一参考土壤数据片段对所述实时土壤松动评价信息中对应的第一实时土壤数据片段进行解析处理，得到所述目标土壤松动评价信息包括：

针对各个所述第一实时土壤数据片段，确定所述第一实时土壤数据片段与对应的第一参考土壤数据片段之间的元素共性因子；

通过所述元素共性因子确定所述第一实时土壤数据片段对应的第一参考土壤数据片段的置信度，得到参考修正置信度；

通过所述参考修正置信度对所述第一实时土壤数据片段的数据片段和对应的第一参考土壤数据片段的数据片段进行修正，得到所述第一实时土壤数据片段的修正数据片段；

通过所述实时土壤松动评价信息中各第一实时土壤数据片段逐一对应的修正数据片段，得到所述目标土壤松动评价信息。

7.根据权利要求1所述的基于人工智能的滑坡智能预警方法，其特征在于，所述通过待定降雨量信息对所述实时降雨量信息进行解析处理，得到目标降雨量信息包括：

针对各个第二实时土壤数据片段，确定所述第二实时土壤数据片段对应的AI向量空间点在所述待定时间节点的AI向量空间，得到第三待定AI向量空间；所述第二实时土壤数据片段是所述实时降雨量信息中的土壤数据片段；

通过所述第三待定AI向量空间在所述待定降雨量信息中对应的土壤数据片段，确定所述第二实时土壤数据片段对应的第三参考土壤数据片段；

基于各所述第三参考土壤数据片段对所述实时降雨量信息中对应的第二实时土壤数据片段进行解析处理，得到所述目标降雨量信息。

8.根据权利要求7所述的基于人工智能的滑坡智能预警方法，其特征在于，所述通过所述第三待定AI向量空间在所述待定降雨量信息中对应的土壤数据片段，确定所述第二实时土壤数据片段对应的第三参考土壤数据片段包括：

将所述第三待定AI向量空间在所述待定降雨量信息中对应的土壤数据片段，作为第二待定土壤数据片段；

确定所述第二实时土壤数据片段对应的第三监测事项标签，以及确定所述第二待定土壤数据片段对应的第四监测事项标签；

在所述第三监测事项标签与所述第四监测事项标签相同的前提下，将所述第二待定土壤数据片段作为所述第二实时土壤数据片段对应的第三参考土壤数据片段。

9.根据权利要求8所述的基于人工智能的滑坡智能预警方法，其特征在于，所述第二实时土壤数据片段对应的AI向量空间为第三实时AI向量空间；所述方法还包括：

在所述第三监测事项标签与所述第四监测事项标签不相同的前提下，确定所述第二待定土壤数据片段对应的AI向量空间，得到第四待定AI向量空间；

确定所述第四待定AI向量空间处的AI向量空间点在所述实时时间节点的AI向量空间，得到第四实时AI向量空间；结合所述第三实时AI向量空间与所述第四实时AI向量空间之间的第二定位误差矢量，对所述第三待定AI向量空间进行误差修正得到第二目标AI向量空间；

将所述第二目标AI向量空间在所述待定降雨量信息中对应的土壤数据片段，作为所述第二实时土壤数据片段对应的第三参考土壤数据片段。

10.基于人工智能的滑坡智能预警系统，其特征在于，包括互相通信的处理器和存储器，所述处理器用于从所述存储器中读取计算机程序并执行，以实现权利要求1-9任一项所述的基于人工智能的滑坡智能预警方法。

Images