CN116227938A - 基于北斗卫星的山体滑坡智能预警方法及系统 - Google Patents

基于北斗卫星的山体滑坡智能预警方法及系统 Download PDF

Info

Publication number
CN116227938A
CN116227938A CN202310461451.4A CN202310461451A CN116227938A CN 116227938 A CN116227938 A CN 116227938A CN 202310461451 A CN202310461451 A CN 202310461451A CN 116227938 A CN116227938 A CN 116227938A
Authority
CN
China
Prior art keywords
sample data
landslide risk
vector data
data set
landslide
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.)
Granted
Application number
CN202310461451.4A
Other languages
English (en)
Other versions
CN116227938B (zh
Inventor
张琪
李政男
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.)
Sichuan Provincial Geological Survey And Research Institute
Original Assignee
Sichuan Sichuan Nuclear Geological Engineering Co ltd
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 Sichuan Sichuan Nuclear Geological Engineering Co ltd filed Critical Sichuan Sichuan Nuclear Geological Engineering Co ltd
Priority to CN202310461451.4A priority Critical patent/CN116227938B/zh
Publication of CN116227938A publication Critical patent/CN116227938A/zh
Application granted granted Critical
Publication of CN116227938B publication Critical patent/CN116227938B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • 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

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

Abstract

本申请提供的基于北斗卫星的山体滑坡智能预警方法及系统，判断所述第一最大共性评分是否低于事先设置的目标值，在所述第一最大共性评分低于事先设置的目标值的前提下，判断所述待分析山体滑坡风险向量数据是否与第二样本数据集中的山体滑坡风险向量数据关联，确定关联结果；通过关联结果确定出滑坡风险评估值，根据数据库中的样本数据对风险评估值进行比对，获得风险评估报告，并且对风险评估报告中的异常评估值进行预警。在本实施例中，通过北斗卫星对山体进行不间断的监控，获得实施监控数据，这样不间断的更新数据能够及时的分析出山体滑坡隐患，这样一来，能够提前进行预警和防护，尽可能的降低人员伤亡和财产损失。

Description

基于北斗卫星的山体滑坡智能预警方法及系统
技术领域
本申请涉及智能预警技术领域，具体而言，涉及基于北斗卫星的山体滑坡智能预警方法及系统。
背景技术
山体滑坡（landslides）是指山体斜坡上某一部分岩土在重力（包括岩土本身重力及地下水的动静压力）作用下，沿着一定的软弱结构面（带）产生剪切位移而整体地向斜坡下方移动的作用和现象。俗称“走山”、“垮山”、“地滑”、“土溜”等。是常见地质灾害之一。
现目前，针对山体滑坡的勘察是通过相关工作人员带上仪器在实地进行勘察，相关技术人员会面临仪器长期在野外使用，仪器的精度会降低（因为在野外，相关仪器长期风吹日晒加上仪器的正常磨损，这样会导致设备精度降低），还存在一些险峻的地方，相关工作人员无法带上仪器上去进行检测，这样能够导致对山体发生滑坡的评估不准确的问题，无法精确低分析出山体滑坡隐患。因此，亟需一种技术方案以改善上述技术问题。
发明内容
为改善相关技术中存在的技术问题，本申请提供了基于北斗卫星的山体滑坡智能预警方法及系统。
第一方面，提供一种基于北斗卫星的山体滑坡智能预警方法，应用于智能预警系统，所述方法至少包括：获得目标检测事项对应的待分析山体滑坡风险向量数据；确定所述待分析山体滑坡风险向量数据与至少一个第一样本数据集中的山体滑坡风险向量数据的第一最大共性评分，并判断所述第一最大共性评分是否低于事先设置的目标值；在所述第一最大共性评分低于事先设置的目标值的前提下，判断所述待分析山体滑坡风险向量数据是否与第二样本数据集中的山体滑坡风险向量数据关联，确定关联结果；其中，随机一个所述第一样本数据集中山体滑坡风险向量数据属于所述第二样本数据集中山体滑坡风险向量数据的子集，随机一个所述第一样本数据集中的山体滑坡风险向量数据以事先设置的周期进行优化，随机一个所述第一样本数据集中的山体滑坡风险向量数据对应于事先设置的的滑坡风险等级；通过所述关联结果确定出滑坡风险评估值，根据数据库中的样本数据对所述风险评估值进行比对，获得风险评估报告，并且对所述风险评估报告中的异常评估值进行预警。
在一种独立实施的实施例中，所述方法还包括：搭建至少一个第一样本数据集，各个所述第一样本数据集对应至少一种滑坡风险等级；确定所述第二样本数据集中对应所述至少一种滑坡风险等级的第一山体滑坡风险向量数据；将所述第一山体滑坡风险向量数据缓存至与所述至少一种滑坡风险等级对应的第一样本数据集。
在一种独立实施的实施例中，所述确定所述待分析山体滑坡风险向量数据与至少一个第一样本数据集中的山体滑坡风险向量数据的第一最大共性评分，并判断所述第一最大共性评分是否低于事先设置的目标值，包括：确定所述至少一个第一样本数据集中的重要等级最高的样本数据集；确定所述待分析山体滑坡风险向量数据与所述重要等级最高的样本数据集中山体滑坡风险向量数据的第二最大共性评分，并执行如下一项或者多项：在所述第二最大共性评分不小于所述事先设置的目标值的前提下，将所述第二最大共性评分确定为所述第一最大共性评分，并确定所述第一最大共性评分不小于所述事先设置的目标值；在所述第二最大共性评分低于所述事先设置的目标值的前提下，逐一确定所述待分析山体滑坡风险向量数据与所述第一样本数据集中的各个非重要等级最高的样本数据集中的山体滑坡风险向量数据的第三最大共性评分，直到确定出不小于所述事先设置的目标值的第三最大共性评分，将所述第三最大共性评分确定为所述第一最大共性评分，并确定所述第一最大共性评分不小于所述事先设置的目标值；在所述第二最大共性评分低于所述事先设置的目标值的前提下，逐一确定所述待分析山体滑坡风险向量数据与所述各个非重要等级最高的样本数据集中的山体滑坡风险向量数据的第三最大共性评分，直到确定出各个所述第三最大共性评分都低于所述事先设置的目标值，将所述第三最大共性评分确定为所述第一最大共性评分，并确定所述第一最大共性评分低于所述事先设置的目标值。
在一种独立实施的实施例中，所述方法还包括：在确定所述待分析山体滑坡风险向量数据对应至少一个滑坡风险等级中的一个第一等级类别的前提下，将所述第一等级类别对应的第一样本数据集确定为所述重要等级最高的样本数据集，将非第一等级类别对应的第一样本数据集确定为所述非重要等级最高的样本数据集。
在一种独立实施的实施例中，所述方法还包括：在所述待分析山体滑坡风险向量数据对应至少一个滑坡风险等级中的至少两个第二等级类别的前提下，将所述第二等级类别对应的第一样本数据集中，山体滑坡风险向量数据全局数据规模最小的第四样本数据集确定为所述重要等级最高的样本数据集，将非第四样本数据集确定为所述非重要等级最高的样本数据集。
在一种独立实施的实施例中，所述方法还包括：将实时评估系数最小的第一样本数据集确定为所述重要等级最高的样本数据集，将实时评估系数非最小的第一样本数据集确定为所述非重要等级最高的样本数据集；其中，所述实时评估系数用以表征待分析的目标检测事项的数目。
在一种独立实施的实施例中，所述至少一个滑坡风险等级对应至少一个挑选要求，所述确定所述第二样本数据集中对应所述至少一种滑坡风险等级的第一山体滑坡风险向量数据，包括：确定所述第二样本数据集中符合至少一个挑选要求的第二山体滑坡风险向量数据，并将所述第二山体滑坡风险向量数据确定为对应所述至少一种滑坡风险等级的第一山体滑坡风险向量数据。
在一种独立实施的实施例中，所述符合至少一个挑选要求的第一山体滑坡风险向量数据包括：所述第二样本数据集中实时时刻之前的事先设置的周期内关联成功次数最多的第一事先设置的数目的山体滑坡风险向量数据、所述第二样本数据集中最后一次关联成功时刻与实时时刻的间隔周期低于第一事先设置的周期的第二事先设置的数目的山体滑坡风险向量数据、所述第二样本数据集中比较功能首次开始时刻与所述实时时刻的间隔周期低于第二事先设置的周期的第三事先设置的数目的山体滑坡风险向量数据、所述第二样本数据集中实时时刻之前的事先设置的周期内土壤松动值大于事先设置的土壤松动目标值的第四事先设置的数目的山体滑坡风险向量数据中的一项或者多项。
在一种独立实施的实施例中，所述方法还包括：结合所述第一样本数据集的数据量和/或模板数据，确定所述第一事先设置的数目、所述第二事先设置的数目、所述第三事先设置的数目、所述第四事先设置的数目中的至少一种；其中，所述数据量用以表征所述第一样本数据集缓存的山体滑坡风险向量数据的数目的最大值；所述模板数据用以表征所述第一样本数据集对应的挑选要求，和/或各挑选要求对应的第一山体滑坡风险向量数据的数目。
在一种独立实施的实施例中，所述方法还包括：结合所述第二样本数据集中的所述第一山体滑坡风险向量数据，确定所述第二样本数据集中的第三山体滑坡风险向量数据；其中，所述第二样本数据集包括第一山体滑坡风险向量数据与第三山体滑坡风险向量数据的融合结果，且所述第三山体滑坡风险向量数据与所述第一山体滑坡风险向量数据存在差异；将所述第三山体滑坡风险向量数据，缓存至第三样本数据集。
在一种独立实施的实施例中，所述方法还包括：每隔所述事先设置的周期，根据第二样本数据集中的所述第一山体滑坡风险向量数据，优化与第一山体滑坡风险向量数据对应的滑坡风险等级相同的第一样本数据集，和/或，每隔所述事先设置的周期，结合所述第三山体滑坡风险向量数据，优化所述第三样本数据集。
在一种独立实施的实施例中，所述在所述第一最大共性评分低于事先设置的目标值的前提下，判断所述待分析山体滑坡风险向量数据是否与第二样本数据集中的山体滑坡风险向量数据关联，包括：在所述第一最大共性评分低于事先设置的目标值、且不存在所述第三样本数据集的前提下，判断所述待分析山体滑坡风险向量数据是否与第二样本数据集中的山体滑坡风险向量数据关联；所述方法还包括：在所述第一最大共性评分低于事先设置的目标值、且存在所述第三样本数据集的前提下，判断所述待分析山体滑坡风险向量数据是否与第三样本数据集中的第三山体滑坡风险向量数据关联。
第二方面，提供一种基于北斗卫星的山体滑坡智能预警系统，包括互相之间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，以实现上述的方法。
本申请实施例所提供的基于北斗卫星的山体滑坡智能预警方法及系统，通过获得目标检测事项对应的待分析山体滑坡风险向量数据，确定所述待分析山体滑坡风险向量数据与至少一个第一样本数据集中的山体滑坡风险向量数据的第一最大共性评分，并判断所述第一最大共性评分是否低于事先设置的目标值，在所述第一最大共性评分低于事先设置的目标值的前提下，判断所述待分析山体滑坡风险向量数据是否与第二样本数据集中的山体滑坡风险向量数据关联，确定关联结果；通过关联结果确定出滑坡风险评估值，根据数据库中的样本数据对风险评估值进行比对，获得风险评估报告，并且对风险评估报告中的异常评估值进行预警。在本实施例中，通过北斗卫星对山体进行不间断的监控，获得实施监控数据，这样不间断的更新数据能够及时的分析出山体滑坡隐患，这样一来，能够提前进行预警和防护，尽可能的降低人员伤亡和财产损失。
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北斗卫星的山体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北斗卫星的山体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北斗卫星的山体滑坡智能预警系统的架构图。
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，示出了一种基于北斗卫星的山体滑坡智能预警方法，该方法可以包括以下步骤S100-步骤S400所描述的技术方案。
步骤S100，获得目标检测事项对应的待分析山体滑坡风险向量数据。
上述目标检测事项可以理解为山体，上述待分析山体滑坡风险向量数据具体可以包括（1）-（6）所记载的内容。
（1）岩土类型。岩土体是产生滑坡的物质基础。一般说，各类岩、土都有可能构成滑坡体。其中结构松散，抗剪强度和抗风化能力较低。在水的作用下其性质能发生变化的岩、土，如松散覆盖层、黄土、红粘土、页岩、泥岩、煤系地层、凝灰岩、片岩、板岩、千枚岩等及软硬相间的岩层所构成的斜坡易发生滑坡。
（2）地质构造条件。组成斜坡的岩、土体只有被各种构造面切割分离成不连续状态时，才有可能向下滑动的条件。同时、构造面又为降雨等水流进入斜坡提供了通道。故各种节理、裂隙、层面、断层发育的斜坡、特别是当平行和垂直斜坡的陡倾角构造面及顺坡缓倾的构造面发育时，最易发生滑坡。
（3）地形地貌条件。只有处于一定的微地貌单元，具备一定坡度的斜坡，才可能发生滑坡。一般江、河、湖（水库）、海、沟的斜坡，前缘开阔的山坡、铁路、公路和工程建筑物的边坡等都是易发生滑坡的微地貌单元。坡度大于10度，小于45度，下陡中缓上陡、上部成环状的坡形是产生滑坡的有利地形。
（4）气候条件。气候条件对滑坡的影响主要是降雨、其次是温度等。降雨为滑坡提供地表径流和地下水补给条件（详见地下水条件和地表水条件）；冻融期，地层中水分的物理形态变化改变地下水的流场，富集造成滑体软化，疏散带来静水压力和动水压力突变，影响稳定性；另外“旱涝急转”等情况下，坡体岩、土、水的变化也会影响滑体稳定性，易发生滑坡地质灾害。气候条件主要以降雨量作为向量数据。
（5）地下水条件。即水文地质条件，地下水活动，在滑坡形成中起着主要作用。它的作用主要表现在：软化岩、土，降低岩、土体的强度，产生动水压力和孔隙水压力，潜蚀岩、土，增大岩、土容重，对透水岩层产生浮托力等。尤其是对滑面（带）的软化作用和降低强度的作用最突出。
（6）地表水条件。地表水径流进入，使滑体由天然含水状态转变为饱水状态，增大滑体重量，从而增大滑面剪应力，同时通过地表水入渗形成地下水，为滑坡提供地下水条件。另外地表水的冲刷、浸泡，以及河流等地表水体对滑坡剪出口的不断冲刷等。
进一步的，具有的自然影响因素还有：地震、海啸、风暴潮等作用也可诱发滑坡。
进一步的，具体的人为影响因素包括：不合理的人类工程活动，如开挖坡脚、坡体上部堆载、爆破、水库蓄（泄）水、矿山开采等都可诱发滑坡等。
步骤S200，确定所述待分析山体滑坡风险向量数据与至少一个第一样本数据集中的山体滑坡风险向量数据的第一最大共性评分，并判断所述第一最大共性评分是否低于事先设置的目标值。
进一步地，共性评分可以理解为相似度，在本发明中相似度越高，表示该山体发生滑坡的可能性越高。
举例而言，上述第一最大共性评分可用以表征待分析山体滑坡风险向量数据与单个第一样本数据集中所有山体滑坡风险向量数据之间的最大共性评分，或也可用以表征待分析山体滑坡风险向量数据与所有第一样本数据集中所有山体滑坡风险向量数据之间的最大共性评分，本公开实施例在此不进行逐一限定。
上述事先设置的目标值的具体数值可根据相关技术人员针对不同的区域设置一个指定值（可以根据不同的地理位置设置一个不同数据），举例而言，事先设置的目标值越高，上述山体滑坡风险向量数据的关联精确度越高。
举例而言，随机一个所述第一样本数据集中山体滑坡风险向量数据属于所述第二样本数据集中山体滑坡风险向量数据的子集，随机一个所述第一样本数据集中的山体滑坡风险向量数据以事先设置的周期进行优化，随机一个所述第一样本数据集中的山体滑坡风险向量数据对应于事先设置的的滑坡风险等级；通过所述关联结果确定出滑坡风险评估值，根据数据库中的样本数据对所述风险评估值进行比对，获得风险评估报告，并且对所述风险评估报告中的异常评估值进行预警。本公开实施例通过将存在差异安全系数的山体划分至存在差异样本数据集的方式，可提高安全系数高的山体在使用山体滑坡风险向量数据比较功能时的比较效率，进而可提升安全系数确定的准确度和可靠性。
现有技术中可以通过人进行现场勘查，山体滑坡风险向量数据在现场进行勘察还可以参照以下几种情况。
（1）滑坡在斜坡上常造成环谷地貌（如圈椅、马蹄状地形），或使斜坡上出现异常台阶及斜坡坡脚侵占河床（如河床凹岸反而稍微突出或有残留的大孤石）等现象。有的滑坡体上还有积水洼地、地面裂缝、醉汉林、马刀树、房屋倾斜和开裂等现象。
（2）滑坡范围内的岩、土常有扰动松脱现象。基岩层位、产状特征与外围不连续，有时局部地段新老地层呈倒置现象，常与断层混淆，通常结合滑体改变岩体结构范围不大，滑床面上岩体常具有折扭、张裂、充泥等松动破坏迹象，滑床产状起伏波折且总体下凹，塑性变形带的物质成分较杂、厚度变化大、砾石磨光性强且挤碎性差，擦痕方向与主滑方向一致且只存在于黏性软塑带中或基岩表面一层、痕槽深浅及方向可随不同部位稍有变化等特征予以区分；常见有泥土、碎屑充填或未被充填的张性裂缝，普遍存在小型坍塌。
（3）斜坡含水层的原有状况常被破坏，使滑体成为复杂的单独含水体，滑动带前缘常有成排的泉水溢出。
（4）滑坡后缘断壁上有顺坡擦痕，前缘土体常被挤出或呈舌状凸起；滑坡两侧常以沟谷或裂面为界；滑床常具有塑性变形带，其内多由黏性物质或黏粒夹磨光角砾组成；滑面很光滑，其擦痕方向与滑动方向一致。
另外，还有大滑动之前，在滑坡前缘坡脚处，有堵塞多年的泉水复活现象，或者出现泉水（水井）突然干枯、井（钻孔）水位突变等类似的异常现象。临滑状态下，滑坡体向前推挤并受到阻碍，在滑坡体中、前部出现横向及纵向放射状裂缝。大滑动之前，滑坡向前推挤，在滑坡体前缘坡脚处，土体出现上隆（凸起）现象。临滑之前，滑坡体四周岩体（土体）会出现小型坍塌和松驰现象。
特别是，如果在滑坡体上有长期位移观测资料，那么大滑动之前，无论是水平位移量还是垂直位移量，均会出现加速变化的趋势，这是明显的临滑迹象。
这样一来，就需要大量的人力和财力，针对一些高位远程滑坡等人员不易或不能进入到达的地方，对该地方的实际勘察无法正常的进行；同时，现有地质灾害自动化监测的地面设备在使用中存在着由于人为或自然损坏，太阳能板供电不足，无线通讯条件较差，专业监测设备长期处于露天状态下极易损坏，由于受传感器损坏等原因的限制，以及专用仪器监控状况不稳定、数据不连续、数值跳跃，不能进行数据的实时收集和传递，对地质灾害的预警工作造成很大的阻碍，加之在地震条件下，地面监测预警设备通常同步遭到大面积损坏，以致于无法提供有效作用。本发明可以解决上述问题。
根据本公开实施例提供的基于北斗卫星的山体滑坡智能预警方法，在一种可能实施的实施例中，上述第一样本数据集通过如下方式进行搭建。
步骤S10，搭建至少一个第一样本数据集，各个所述第一样本数据集对应至少一种滑坡风险等级。
进一步地，滑坡风险等级可以分为多个等级，具体对等级进行划分时，应该参照以下因素：山体的角度，土壤的含水量以及地壳运动等，根据不因素确定不同的等级，如果该山体同时具有2个或者2个以上的因素的话，该山体发生滑坡的可能性更大，滑坡风险等级就越高。
举例而言，各个第一样本数据集可对应一个或多个滑坡风险数据，第一样本数据集中对应的滑坡风险数据越少，针对该类滑坡风险等级的比较高。在本实施例中，各个第一样本数据集可仅对应一种滑坡风险等级，以提高每一个种类的滑坡风险等级的快速判定。
举例而言，存在差异的第一样本数据集中的山体滑坡风险向量数据可存在相同区域，即同一个山体滑坡风险向量数据可符合多种滑坡风险数据，本公开实施例在此不进行逐一限定。
步骤S20，确定所述第二样本数据集中对应所述至少一种滑坡风险等级的第一山体滑坡风险向量数据。举例而言，至少一个滑坡风险等级对应至少一个挑选要求。该步骤可包括：确定所述第二样本数据集中符合至少一个挑选要求的第二山体滑坡风险向量数据，并将所述第二山体滑坡风险向量数据确定为对应所述至少一种滑坡风险等级的第一山体滑坡风险向量数据。
在一种可能实施的实施例中，上述符合至少一个挑选要求的第一山体滑坡风险向量数据包括：所述第二样本数据集中实时时刻之前的事先设置的周期内关联成功次数最多的第一事先设置的数目的山体滑坡风险向量数据（即在第二样本数据集中山体滑坡风险向量数据可对应关联成功次数，可在山体的山体滑坡风险向量数据关联成功后，在第二样本数据集中实时优化与该山体滑坡风险向量数据所对应的关联成功次数，以供后续调用）、所述第二样本数据集中最后一次关联成功时刻与实时时刻的间隔周期低于第一事先设置的周期的第二事先设置的数目的山体滑坡风险向量数据、所述第二样本数据集中比较功能首次开始时刻与所述实时时刻的间隔周期低于第二事先设置的周期的第三事先设置的数目的山体滑坡风险向量数据、所述第二样本数据集中实时时刻之前的事先设置的周期内土壤松动值大于事先设置的土壤松动目标值的第四事先设置的数目的山体滑坡风险向量数据中的一项或者多项。在本实施例中，可结合所述第一样本数据集的数据量和/或模板数据，确定所述第一事先设置的数目、所述第二事先设置的数目、所述第三事先设置的数目、所述第四事先设置的数目中的至少一种。其中，所述数据量用以表征所述第一样本数据集缓存的山体滑坡风险向量数据的数目的最大值，所述模板数据用以表征所述第一样本数据集对应的挑选要求，和/或各挑选要求对应的第一山体滑坡风险向量数据的数目。
举例而言，上述模板数据可指示各个第一样本数据集仅对应一种滑坡风险等级，结合上文中四种山体滑坡风险向量数据（即第一、第二、第三、第四事先设置的数目的山体滑坡风险向量数据），本申请可以对多种山体滑坡风险向量数据，从不同维度来确定山体滑坡的风险等级更加精确。
步骤S30，将所述第一山体滑坡风险向量数据缓存至与所述至少一种滑坡风险等级对应的第一样本数据集。
在一种可能实施的实施例中，上述方法还可包括：结合所述第二样本数据集中的所述第一山体滑坡风险向量数据，确定所述第二样本数据集中的第三山体滑坡风险向量数据。其中，所述第二样本数据集包括第一山体滑坡风险向量数据与第三山体滑坡风险向量数据的融合结果，且所述第三山体滑坡风险向量数据与所述第一山体滑坡风险向量数据存在差异。而后将所述第三山体滑坡风险向量数据，缓存至第三样本数据集。上述第三样本数据集用以缓存第二样本数据集中未加载至第一样本数据集的山体滑坡风险向量数据。
在一种可能实施的实施例中，上述方法还可包括：每隔所述事先设置的周期，根据第二样本数据集中的所述第一山体滑坡风险向量数据，优化与第一山体滑坡风险向量数据对应的滑坡风险等级相同的第一样本数据集，和/或，每隔所述事先设置的周期，结合所述第三山体滑坡风险向量数据，优化所述第三样本数据集。在本实施例中提供的方法可支持第一样本数据集、第三样本数据集中山体滑坡风险向量数据的实时优化，以提高山体滑坡风险向量数据的可靠性。
在一种可能实施的实施例中，步骤S200可包括：确定所述至少一个第一样本数据集中的重要等级最高的样本数据集。举例而言，上述重要等级最高的样本数据集可为默认第一个进行山体滑坡风险向量数据比对的第一样本数据集，也可为经由特定流程所确定的关联优先级最大的第一样本数据集，后文将予以详述。而后确定所述待分析山体滑坡风险向量数据与所述重要等级最高的样本数据集中山体滑坡风险向量数据的第二最大共性评分，并执行如下一项或者多项：在所述第二最大共性评分不小于所述事先设置的目标值的前提下，将所述第二最大共性评分确定为所述第一最大共性评分，并确定所述第一最大共性评分不小于所述事先设置的目标值。在所述第二最大共性评分低于所述事先设置的目标值的前提下，逐一确定所述待分析山体滑坡风险向量数据与所述第一样本数据集中的各个非重要等级最高的样本数据集中的山体滑坡风险向量数据的第三最大共性评分，直到确定出不小于所述事先设置的目标值的第三最大共性评分，将所述第三最大共性评分确定为所述第一最大共性评分，并确定所述第一最大共性评分不小于所述事先设置的目标值。在所述第二最大共性评分低于所述事先设置的目标值的前提下，逐一确定所述待分析山体滑坡风险向量数据与所述各个非重要等级最高的样本数据集中的山体滑坡风险向量数据的第三最大共性评分，直到确定出各个所述第三最大共性评分都低于所述事先设置的目标值，将所述第三最大共性评分确定为所述第一最大共性评分，并确定所述第一最大共性评分低于所述事先设置的目标值。
在本公开实施例中，第一最大共性评分可用以表征待分析山体滑坡风险向量数据与单个第一样本数据集中的所有山体滑坡风险向量数据关联后的最大共性评分，即本公开实施例可允许在比对待分析山体滑坡风险向量数据时不必遍历各个第一样本数据集，以进一步增加关联效率。
在一种可能实施的实施例中，若设定重要等级最高的样本数据集、非重要等级最高的样本数据集，则上述方法还可包括：在确定所述待分析山体滑坡风险向量数据对应至少一个滑坡风险等级中的一个第一等级类别的前提下，将所述第一等级类别对应的第一样本数据集确定为所述重要等级最高的样本数据集，将非第一等级类别对应的第一样本数据集确定为所述非重要等级最高的样本数据集。
在一种可能实施的实施例中，若设定重要等级最高的样本数据集、非重要等级最高的样本数据集，则上述方法还可包括：在所述待分析山体滑坡风险向量数据对应至少一个滑坡风险等级中的至少两个第二等级类别的前提下，将所述第二等级类别对应的第一样本数据集中，山体滑坡风险向量数据全局数据规模最小的第四样本数据集确定为所述重要等级最高的样本数据集，将非第四样本数据集确定为所述非重要等级最高的样本数据集。
进一步地，重要等级最高是指判断发生滑坡的关键数据，比如出现土层的相对位移等。
举例而言，也可在确定出重要等级最高的样本数据集之后，在上述非重要等级最高的样本数据集中，优先在所述待分析山体滑坡风险向量数据对应的非重要等级最高的样本数据集中进行待分析基于北斗卫星的山体滑坡智能预警，而后在其他非重要等级最高的样本数据集中进行比对，本公开实施例在此不进行逐一限定。譬如：山体选取了两个第二等级类别，分别为第一等级类别、第二等级类别，若确定第一等级类别对应的第一样本数据集中山体滑坡风险向量数据全局数据规模低于第二等级类别，则将第一等级类别对应的第一样本数据集确定为上述第四样本数据集。若第四样本数据集中待分析山体特征关联失败，则将第二等级类别对应的第一样本数据集确定为非重要等级最高的样本数据集中第一个搜寻的样本数据集。举例而言，可在每次优化第一样本数据集时，实时优化各个第一样本数据集对应的山体滑坡风险向量数据全局数据规模，以供后续调用。在本公开实施例中，可根据各个第一样本数据集对应的山体滑坡风险向量数据全局数据规模，准确地分配重要等级最高的样本数据集，以加快关联效率。
在一种可能实施的实施例中，若设定重要等级最高的样本数据集、非重要等级最高的样本数据集，则上述方法还可包括：将实时评估系数最小的第一样本数据集确定为所述重要等级最高的样本数据集，将实时评估系数非最小的第一样本数据集确定为所述非重要等级最高的样本数据集；其中，所述实时评估系数用以表征待分析的目标检测事项的数目。
步骤S300，在所述第一最大共性评分低于事先设置的目标值的前提下，判断所述待分析山体滑坡风险向量数据是否与第二样本数据集中的山体滑坡风险向量数据关联，确定关联结果。
在一种可能实施的实施例中，步骤S300可包括：在所述第一最大共性评分低于事先设置的目标值、且不存在所述第三样本数据集的前提下，判断所述待分析山体滑坡风险向量数据是否与第二样本数据集中的山体滑坡风险向量数据关联。若存在第三样本数据集，则上述方法还包括：在所述第一最大共性评分低于事先设置的目标值、且存在所述第三样本数据集的前提下，判断所述待分析山体滑坡风险向量数据是否与第三样本数据集中的第三山体滑坡风险向量数据关联。
在本公开实施例中，可在山体滑坡风险向量数据比对流程中，以第三样本数据集代替第二样本数据集，进而在不降低第三山体滑坡风险向量数据的关联效率的前提下，提升第一山体滑坡风险向量数据的关联效率。譬如：每次山体滑坡风险向量数据比对的耗时为T，X为所有第一样本数据集中所有第一山体滑坡风险向量数据的全局数据规模，Y为第三山体滑坡风险向量数据全局数据规模，则第二样本数据集的山体滑坡风险向量数据全局数据规模可表征为Y+X。若以单次比对耗时确定为T，则相关技术中各个山体的山体滑坡风险向量数据比对的最大耗时为（Y+X）*T，而本公开实施例提供的管理方法，若山体的山体滑坡风险向量数据在第一事先设置的库中，则其山体滑坡风险向量数据比对的最大耗时仅为X*T，可见本公开实施例能够以更快的关联效率，进行符合事先设置的要求的基于北斗卫星的山体滑坡智能预警。此外，若山体的山体滑坡风险向量数据在第三事先设置的库中，则其最大耗时也为（Y+X）*T，故在不考虑其他因素的前提下本公开实施例也并未降低不符合事先设置的要求的山体的山体滑坡风险向量数据关联效率。而若结合其他因素，则本公开实施例提供的方法可提高不符合事先设置的要求的山体的山体滑坡风险向量数据关联效率。
步骤S400，通过所述关联结果确定出滑坡风险评估值，根据数据库中的样本数据对所述风险评估值进行比对，获得风险评估报告，并且对所述风险评估报告中的异常评估值进行预警。
示例性的，滑坡风险评估值可以理解为通过ChatGPT分析出来的山体发生滑坡可能性的一个数值，该数值的作用是与数据库中的样本数值进行比对，在该数值大于数据库中的样本数值，将该数据判定为异常评估值，异常评估值可以理解为该山体发生滑坡的可能行大。
在本申请中，不仅针对滑坡情况进行预警，还可以提示如果滑坡，是否会造成后续的灾害链，比如：高位滑坡，特别是震后大量松散物源以及震裂山体后期潜在的分布于河岸的高位滑坡，极大的增加了滑坡、泥石流灾害链发生的风险。尤其震后滑坡或泥石流堵河导致形成堰塞湖，然后溃决进而形成洪水，这种灾害链具有显著的远程效应和灾害放大效应，威胁范围广，危害更严重。部分地质灾害较为发育的流域，在强降雨条件下，极有可能发生泥石流，并可能产生系列链生灾害问题。所以开展潜在地质灾害链孕灾环境与灾害调查，掌握灾害链的潜在危害与链式演进特性，查明典型地质灾害链的形成条件、类型特征和分布规律十分必要且重要。这样一来，尽可能的将保障人们的人生安全和财产安全。
本申请还可以结合GIS【地理信息系统（Geographic Information System或Geo－Information system，GIS）有时又称为“地学信息系统”。它是一种特定的十分重要的空间信息系统。它是在计算机硬、软件系统支持下，对整个或部分地球表层（包括大气层）空间中的有关地理分布数据进行采集、储存、管理、运算、分析、显示和描述的技术系统。】技术，可以结合数据中心构建构建一个虚拟的模拟空间，通过北斗卫星不断地模拟空间进行更新，使模拟空间更加的准确，然后通过chatGPT【（全名：Chat Generative Pre-trainedTransformer）。ChatGPT是人工智能技术驱动的自然语言处理工具，它能够通过学习和理解人类的语言来进行对话，还能根据聊天的上下文进行互动，真正像人类一样来聊天交流，甚至能完成撰写邮件、视频脚本、文案、翻译、代码，写论文等任务。】对模拟空间进行分析评估，获得该山体发生滑坡的可能性，相比现有技术，本发明能够能够不间断的对山体进行监控，在一些人到达不了的地方也能进行监控（在人到达不了的地方，就无法获得该地方的数据，不能进行山体滑坡分析，因此可能存在潜在的风险），这样能够提高预警的准确性和可靠性，并且能够实现24小时监测，在有效的保障人们的财产的同时还能有效的降低了人工成本。
可以理解的是，通过获得目标检测事项对应的待分析山体滑坡风险向量数据，确定所述待分析山体滑坡风险向量数据与至少一个第一样本数据集中的山体滑坡风险向量数据的第一最大共性评分，并判断所述第一最大共性评分是否低于事先设置的目标值，在所述第一最大共性评分低于事先设置的目标值的前提下，判断所述待分析山体滑坡风险向量数据是否与第二样本数据集中的山体滑坡风险向量数据关联，确定关联结果；通过关联结果确定出滑坡风险评估值，根据数据库中的样本数据对风险评估值进行比对，获得风险评估报告，并且对风险评估报告中的异常评估值进行预警。在本实施例中，通过北斗卫星对山体进行不间断的监控，获得实施监控数据，这样不间断的更新数据能够及时的分析出山体滑坡隐患，这样一来，能够提前进行预警和防护，尽可能的降低人员伤亡和财产损失。
针对上述实施例，本申请是基于人工智能通过数据库中的数据进行数据分析。但是，地质灾害的相关数据的干扰因素很多，因此，需要对数据库中样本数据进行不断的更新，通过人工进行更新的话，这样会浪费人力和财力。本申请中的人工智能能够根据新的数据进行自我训练和学习，具体学习方式包括：一是读书；二是对话；其次，人工智能的“养成”。
在上述基础上，请结合参阅图2，提供了一种基于北斗卫星的山体滑坡智能预警装置500，所述装置包括：
数据获得模块510，用于获得目标检测事项对应的待分析山体滑坡风险向量数据；
评分判断模块520，用于确定所述待分析山体滑坡风险向量数据与至少一个第一样本数据集中的山体滑坡风险向量数据的第一最大共性评分，并判断所述第一最大共性评分是否低于事先设置的目标值；
结果关联模块530，用于在所述第一最大共性评分低于事先设置的目标值的前提下，判断所述待分析山体滑坡风险向量数据是否与第二样本数据集中的山体滑坡风险向量数据关联，确定关联结果；其中，随机一个所述第一样本数据集中山体滑坡风险向量数据属于所述第二样本数据集中山体滑坡风险向量数据的子集，随机一个所述第一样本数据集中的山体滑坡风险向量数据以事先设置的周期进行优化，随机一个所述第一样本数据集中的山体滑坡风险向量数据对应于事先设置的的滑坡风险等级；
风险预警模块540，用于通过所述关联结果确定出滑坡风险评估值，根据数据库中的样本数据对所述风险评估值进行比对，获得风险评估报告，并且对所述风险评估报告中的异常评估值进行预警。
在上述基础上，请结合参阅图3，示出了一种基于北斗卫星的山体滑坡智能预警系统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，通过获得目标检测事项对应的待分析山体滑坡风险向量数据，确定所述待分析山体滑坡风险向量数据与至少一个第一样本数据集中的山体滑坡风险向量数据的第一最大共性评分，并判断所述第一最大共性评分是否低于事先设置的目标值，在所述第一最大共性评分低于事先设置的目标值的前提下，判断所述待分析山体滑坡风险向量数据是否与第二样本数据集中的山体滑坡风险向量数据关联，确定关联结果；通过关联结果确定出滑坡风险评估值，根据数据库中的样本数据对风险评估值进行比对，获得风险评估报告，并且对风险评估报告中的异常评估值进行预警。在本实施例中，通过北斗卫星对山体进行不间断的监控，获得实施监控数据，这样不间断的更新数据能够及时的分析出山体滑坡隐患，这样一来，能够提前进行预警和防护，尽可能的降低人员伤亡和财产损失。
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、COBOL 2002、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)

1.一种基于北斗卫星的山体滑坡智能预警方法，其特征在于，应用于智能预警系统，所述方法至少包括：
获得目标检测事项对应的待分析山体滑坡风险向量数据；
确定所述待分析山体滑坡风险向量数据与至少一个第一样本数据集中的山体滑坡风险向量数据的第一最大共性评分，并判断所述第一最大共性评分是否低于事先设置的目标值；
在所述第一最大共性评分低于事先设置的目标值的前提下，判断所述待分析山体滑坡风险向量数据是否与第二样本数据集中的山体滑坡风险向量数据关联，确定关联结果；其中，随机一个所述第一样本数据集中山体滑坡风险向量数据属于所述第二样本数据集中山体滑坡风险向量数据的子集，随机一个所述第一样本数据集中的山体滑坡风险向量数据以事先设置的周期进行优化，随机一个所述第一样本数据集中的山体滑坡风险向量数据对应于事先设置的的滑坡风险等级；
通过所述关联结果确定出滑坡风险评估值，根据数据库中的样本数据对所述风险评估值进行比对，获得风险评估报告，并且对所述风险评估报告中的异常评估值进行预警。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
搭建至少一个第一样本数据集，各个所述第一样本数据集对应至少一种滑坡风险等级；
确定所述第二样本数据集中对应所述至少一种滑坡风险等级的第一山体滑坡风险向量数据；
将所述第一山体滑坡风险向量数据缓存至与所述至少一种滑坡风险等级对应的第一样本数据集。
3.根据权利要求2所述的方法，其特征在于，所述确定所述待分析山体滑坡风险向量数据与至少一个第一样本数据集中的山体滑坡风险向量数据的第一最大共性评分，并判断所述第一最大共性评分是否低于事先设置的目标值，包括：
确定所述至少一个第一样本数据集中的重要等级最高的样本数据集；
确定所述待分析山体滑坡风险向量数据与所述重要等级最高的样本数据集中山体滑坡风险向量数据的第二最大共性评分，并执行如下一项或者多项：在所述第二最大共性评分不小于所述事先设置的目标值的前提下，将所述第二最大共性评分确定为所述第一最大共性评分，并确定所述第一最大共性评分不小于所述事先设置的目标值；
在所述第二最大共性评分低于所述事先设置的目标值的前提下，逐一确定所述待分析山体滑坡风险向量数据与所述第一样本数据集中的各个非重要等级最高的样本数据集中的山体滑坡风险向量数据的第三最大共性评分，直到确定出不小于所述事先设置的目标值的第三最大共性评分，将所述第三最大共性评分确定为所述第一最大共性评分，并确定所述第一最大共性评分不小于所述事先设置的目标值；
在所述第二最大共性评分低于所述事先设置的目标值的前提下，逐一确定所述待分析山体滑坡风险向量数据与所述各个非重要等级最高的样本数据集中的山体滑坡风险向量数据的第三最大共性评分，直到确定出各个所述第三最大共性评分都低于所述事先设置的目标值，将所述第三最大共性评分确定为所述第一最大共性评分，并确定所述第一最大共性评分低于所述事先设置的目标值。
4.根据权利要求3所述的方法，其特征在于，所述方法还包括：在确定所述待分析山体滑坡风险向量数据对应至少一个滑坡风险等级中的一个第一等级类别的前提下，将所述第一等级类别对应的第一样本数据集确定为所述重要等级最高的样本数据集，将非第一等级类别对应的第一样本数据集确定为所述非重要等级最高的样本数据集。
5.根据权利要求3所述的方法，其特征在于，所述方法还包括：在所述待分析山体滑坡风险向量数据对应至少一个滑坡风险等级中的至少两个第二等级类别的前提下，将所述第二等级类别对应的第一样本数据集中，山体滑坡风险向量数据全局数据规模最小的第四样本数据集确定为所述重要等级最高的样本数据集，将非第四样本数据集确定为所述非重要等级最高的样本数据集。
6.根据权利要求3所述的方法，其特征在于，所述方法还包括：将实时评估系数最小的第一样本数据集确定为所述重要等级最高的样本数据集，将实时评估系数非最小的第一样本数据集确定为所述非重要等级最高的样本数据集；其中，所述实时评估系数用以表征待分析的目标检测事项的数目。
7.根据权利要求6所述的方法，其特征在于，所述至少一个滑坡风险等级对应至少一个挑选要求，所述确定所述第二样本数据集中对应所述至少一种滑坡风险等级的第一山体滑坡风险向量数据，包括：确定所述第二样本数据集中符合至少一个挑选要求的第二山体滑坡风险向量数据，并将所述第二山体滑坡风险向量数据确定为对应所述至少一种滑坡风险等级的第一山体滑坡风险向量数据。
8.根据权利要求7所述的方法，其特征在于，符合至少一个挑选要求的第一山体滑坡风险向量数据包括：所述第二样本数据集中实时时刻之前的事先设置的周期内关联成功次数最多的第一事先设置的数目的山体滑坡风险向量数据、所述第二样本数据集中最后一次关联成功时刻与实时时刻的间隔周期低于第一事先设置的周期的第二事先设置的数目的山体滑坡风险向量数据、所述第二样本数据集中比较功能首次开始时刻与所述实时时刻的间隔周期低于第二事先设置的周期的第三事先设置的数目的山体滑坡风险向量数据、所述第二样本数据集中实时时刻之前的事先设置的周期内土壤松动值大于事先设置的土壤松动目标值的第四事先设置的数目的山体滑坡风险向量数据中的一项或者多项。
9.根据权利要求8所述的方法，其特征在于，所述方法还包括：结合所述第一样本数据集的数据量和/或模板数据，确定所述第一事先设置的数目、所述第二事先设置的数目、所述第三事先设置的数目、所述第四事先设置的数目中的至少一种；其中，所述数据量用以表征所述第一样本数据集缓存的山体滑坡风险向量数据的数目的最大值；所述模板数据用以表征所述第一样本数据集对应的挑选要求，和/或各挑选要求对应的第一山体滑坡风险向量数据的数目；
其中，所述方法还包括：
结合所述第二样本数据集中的所述第一山体滑坡风险向量数据，确定所述第二样本数据集中的第三山体滑坡风险向量数据；其中，所述第二样本数据集包括第一山体滑坡风险向量数据与第三山体滑坡风险向量数据的融合结果，且所述第三山体滑坡风险向量数据与所述第一山体滑坡风险向量数据存在差异；
将所述第三山体滑坡风险向量数据，缓存至第三样本数据集；
其中，所述方法还包括：每隔所述事先设置的周期，根据第二样本数据集中的所述第一山体滑坡风险向量数据，优化与第一山体滑坡风险向量数据对应的滑坡风险等级相同的第一样本数据集，和/或，每隔所述事先设置的周期，结合所述第三山体滑坡风险向量数据，优化所述第三样本数据集；
其中，所述在所述第一最大共性评分低于事先设置的目标值的前提下，判断所述待分析山体滑坡风险向量数据是否与第二样本数据集中的山体滑坡风险向量数据关联，包括：在所述第一最大共性评分低于事先设置的目标值、且不存在所述第三样本数据集的前提下，判断所述待分析山体滑坡风险向量数据是否与第二样本数据集中的山体滑坡风险向量数据关联；
所述方法还包括：在所述第一最大共性评分低于事先设置的目标值、且存在所述第三样本数据集的前提下，判断所述待分析山体滑坡风险向量数据是否与第三样本数据集中的第三山体滑坡风险向量数据关联。
10.一种基于北斗卫星的山体滑坡智能预警系统，其特征在于，包括互相之间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任一项所述的方法。
CN202310461451.4A 2023-04-26 2023-04-26 基于北斗卫星的山体滑坡智能预警方法及系统 Active CN116227938B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310461451.4A CN116227938B (zh) 2023-04-26 2023-04-26 基于北斗卫星的山体滑坡智能预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310461451.4A CN116227938B (zh) 2023-04-26 2023-04-26 基于北斗卫星的山体滑坡智能预警方法及系统

Publications (2)

Publication Number Publication Date
CN116227938A true CN116227938A (zh) 2023-06-06
CN116227938B CN116227938B (zh) 2023-06-30

Family

ID=86577181

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310461451.4A Active CN116227938B (zh) 2023-04-26 2023-04-26 基于北斗卫星的山体滑坡智能预警方法及系统

Country Status (1)

Country Link
CN (1) CN116227938B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116757335A (zh) * 2023-08-17 2023-09-15 四川省华地建设工程有限责任公司 基于北斗卫星的崩塌预测方法及系统
CN117493805A (zh) * 2023-11-04 2024-02-02 广东省核工业地质调查院 一种地质灾害评价过程中斜坡单元的评分取值方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109003422A (zh) * 2018-08-02 2018-12-14 北京大学深圳研究生院 用于山体滑坡的监测数据处理方法和山体滑坡预报方法
KR20210030031A (ko) * 2019-09-09 2021-03-17 한국지질자원연구원 사전 기상정보 연동 산사태 조기경보 방법 및 산사태 조기경보 시스템
CN113177575A (zh) * 2021-03-31 2021-07-27 北京理工大学 一种基于动态时间规整与k-means聚类的边坡形变区域划分方法
CN114493319A (zh) * 2022-02-11 2022-05-13 中国科学院沈阳应用生态研究所 跨时间尺度联合的古滑坡复活风险分级评估方法和装置
CN114998772A (zh) * 2022-08-03 2022-09-02 深圳联和智慧科技有限公司 一种基于无人机的一体化桥梁检测方法、系统及云平台
CN115761513A (zh) * 2022-12-09 2023-03-07 西南交通大学 一种半监督深度学习的山区大型滑坡智能遥感识别方法
CN115938095A (zh) * 2023-02-22 2023-04-07 湖北通达数科科技有限公司 一种基于集成融合模型的山体滑坡监测预警方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109003422A (zh) * 2018-08-02 2018-12-14 北京大学深圳研究生院 用于山体滑坡的监测数据处理方法和山体滑坡预报方法
KR20210030031A (ko) * 2019-09-09 2021-03-17 한국지질자원연구원 사전 기상정보 연동 산사태 조기경보 방법 및 산사태 조기경보 시스템
CN113177575A (zh) * 2021-03-31 2021-07-27 北京理工大学 一种基于动态时间规整与k-means聚类的边坡形变区域划分方法
CN114493319A (zh) * 2022-02-11 2022-05-13 中国科学院沈阳应用生态研究所 跨时间尺度联合的古滑坡复活风险分级评估方法和装置
CN114998772A (zh) * 2022-08-03 2022-09-02 深圳联和智慧科技有限公司 一种基于无人机的一体化桥梁检测方法、系统及云平台
CN115761513A (zh) * 2022-12-09 2023-03-07 西南交通大学 一种半监督深度学习的山区大型滑坡智能遥感识别方法
CN115938095A (zh) * 2023-02-22 2023-04-07 湖北通达数科科技有限公司 一种基于集成融合模型的山体滑坡监测预警方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A-XING ZHU 等: "A similarity-based approach to sampling absence data for landslide susceptibility mapping using data-driven methods", 《CATENA》, vol. 183, pages 1 - 17 *
JOON-YOUNG PARK 等: "A regional-scale landslide early warning methodology applying statistical and physically based approaches in sequence", 《ENGINEERING GEOLOGY》, vol. 260, pages 1 - 14 *
刘洋: "布里渊光时域散射技术在山体滑坡应用监测研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》, no. 1, pages 011 - 113 *
高结旺: "基于ANN-LSTM混合预测方法的边坡滑坡预警系统研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》, no. 1, pages 011 - 93 *
黄玲 等: "基于Web的山体滑坡监测预警系统开发", 《微处理机》, vol. 43, no. 2, pages 26 - 29 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116757335A (zh) * 2023-08-17 2023-09-15 四川省华地建设工程有限责任公司 基于北斗卫星的崩塌预测方法及系统
CN116757335B (zh) * 2023-08-17 2023-10-20 四川省华地建设工程有限责任公司 基于北斗卫星的崩塌预测方法及系统
CN117493805A (zh) * 2023-11-04 2024-02-02 广东省核工业地质调查院 一种地质灾害评价过程中斜坡单元的评分取值方法

Also Published As

Publication number Publication date
CN116227938B (zh) 2023-06-30

Similar Documents

Publication Publication Date Title
CN116227938B (zh) 基于北斗卫星的山体滑坡智能预警方法及系统
Robertson Cone penetration test (CPT)-based soil behaviour type (SBT) classification system—an update
Brunsden Geomorphological roulette for engineers and planners: some insights into an old game
Ozdemir Sinkhole susceptibility mapping using logistic regression in Karapınar (Konya, Turkey)
Daher et al. Karst and artificial recharge: Theoretical and practical problems: A preliminary approach to artificial recharge assessment
Karpouza et al. Hazard zonation mapping of earthquake-induced secondary effects using spatial multi-criteria analysis
Cotecchia et al. From a phenomenological to a geomechanical approach to landslide hazard analysis
Agostini et al. A new appraisal of the Ancona landslide based on geotechnical investigations and stability modelling
Bucci et al. Associations between sediment architecture and liquefaction susceptibility in fluvial settings: The 2010–2011 Canterbury Earthquake Sequence, New Zealand
Gutiérrez et al. Can flexural-slip faults related to evaporite dissolution generate hazardous earthquakes? The case of the Grand Hogback monocline of west-central Colorado
Peksezer-Sayit et al. Assessment of dewatering requirements and their anticipated effects on groundwater resources: A case study from the Caldag Nickel Mine, Western Turkey
Dursun Risk analysis of natural sinkholes hazards in Karapınar basin (Konya, Turkey)
Orwin et al. The cheam rock avalanche, fraser valley, British Columbia, Canada
Rogers et al. Applying Terzaghi's method of slope characterization to the recognition of Holocene land slippage
McCalpin et al. Ridge-top spreading features and relationship to earthquakes, San Gabriel Mountains Region, Southern California: Part A. Distribution and description of ridge-top depressions (sackungen): Part B. Paleoseismic investigations of ridge-top depressions
Kromhout et al. Sinkhole vulnerability mapping: Results from a pilot study in North Central Florida
Ghosh et al. Developing GIS-based techniques for application of knowledge and data-driven methods of landslide susceptibility mapping
Flores Peñalba et al. Framework for probabilistic assessment of landslide: a case study of El Berrinche
Lockyear Identification of parameters for predicting long-runout landslides in the western United States
Cruden et al. Assessing the stability of a natural slope
Martinez-Graña et al. Ground movement risk in ‘Las Batuecas-Sierra de Francia’and ‘Quilamas’ nature parks (central system, Salamanca, Spain)
Preisig Long-term effects of deep-seated landslides on transportation infrastructure: a case study from the Swiss Jura Mountains
Obda et al. Landslide susceptibility mapping using GIS Matrix Method and Frequency Ratio, application in the marly context of Moulay Yacoub Region, Morocco
Giletycz et al. Geological structure as a crucial factor facilitating the occurrence of typhoon-triggered landslides: Case from Hsiaolin Village, 2009 Typhoon Morakot
Glassey et al. Amplified ground shaking and liquefaction susceptibility, Invercargill City

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240415

Address after: No. 38 Qinghua Road, Qingyang District, Chengdu City, Sichuan Province, 610000

Patentee after: Sichuan Provincial Geological Survey and Research Institute

Country or region after: China

Address before: No. 35 Huaguan Road, Longtan Industrial Park, Section 2, East Third Ring Road, Chenghua District, Chengdu City, Sichuan Province, 610052

Patentee before: Sichuan Sichuan Nuclear Geological Engineering Co.,Ltd.

Country or region before: China