CN116341901A - 一种滑坡面域-单体危险性预警的一体化评价方法 - Google Patents
一种滑坡面域-单体危险性预警的一体化评价方法 Download PDFInfo
- Publication number
- CN116341901A CN116341901A CN202310211090.8A CN202310211090A CN116341901A CN 116341901 A CN116341901 A CN 116341901A CN 202310211090 A CN202310211090 A CN 202310211090A CN 116341901 A CN116341901 A CN 116341901A
- Authority
- CN
- China
- Prior art keywords
- landslide
- risk
- early warning
- monomer
- hazard
- 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
Links
- 239000000178 monomer Substances 0.000 title claims abstract description 65
- 238000011156 evaluation Methods 0.000 title claims abstract description 49
- 238000011160 research Methods 0.000 claims abstract description 35
- 238000010801 machine learning Methods 0.000 claims abstract description 27
- 238000012502 risk assessment Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 230000006698 induction Effects 0.000 claims description 48
- 238000000034 method Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 10
- 230000008878 coupling Effects 0.000 claims description 8
- 238000010168 coupling process Methods 0.000 claims description 8
- 238000005859 coupling reaction Methods 0.000 claims description 8
- 230000001186 cumulative effect Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 230000000763 evoking effect Effects 0.000 claims description 6
- 238000013210 evaluation model Methods 0.000 claims description 5
- 235000008733 Citrus aurantifolia Nutrition 0.000 claims description 3
- 235000011941 Tilia x europaea Nutrition 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000004571 lime Substances 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000010187 selection method Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 230000001808 coupling effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 241001134453 Lista Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 235000000332 black box Nutrition 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02D—FOUNDATIONS; EXCAVATIONS; EMBANKMENTS; UNDERGROUND OR UNDERWATER STRUCTURES
- E02D17/00—Excavations; Bordering of excavations; Making embankments
- E02D17/20—Securing of slopes or inclines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- 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
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- 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
- Y02A50/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE in human health protection, e.g. against extreme weather
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Mining & Mineral Resources (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Health & Medical Sciences (AREA)
- Geology (AREA)
- Emergency Management (AREA)
- Computer Security & Cryptography (AREA)
- Paleontology (AREA)
- Civil Engineering (AREA)
Abstract
本发明公开了一种滑坡面域‑单体危险性预警的一体化评价方法，包括：建立研究区域滑坡危险性地理信息数据库；采用机器学习算法构建基于斜坡单元的滑坡面域危险性评估模型，进行面域危险性评估，给出面域滑坡危险性等级预测；基于可解释机器学习模型对预测结果进行局部解释，针对每个评价单元滑坡发生概率，充分考虑不同评价单元所处地理位置的空间异质性，分析各危险性指标的贡献度；建立适用于每个评价单元的单体危险性预警加权模型，进一步判断每个评价单元未来危险性指标变化是否导致斜坡达到设定的危险等级阈值，即可实现滑坡单体危险性等级预警。本发明可同时实现研究区滑坡面域与单体的预警，且适用于研究区空间数据难以完整获取的情况。
Description
技术领域
本发明涉及滑坡面域危险性评价和单体滑坡危险性预警领域，尤其涉及一种滑坡面域-单体危险性预警的一体化评价方法。
背景技术
滑坡是数量最多、危害最大的地质灾害类型。为了提高滑坡的防治效率，预测滑坡的空间分布和危害程度情况，基于统计学原理的滑坡机器学习模型常被引入到滑坡面域危险性预测研究中。对于滑坡防治工程的设计具有一定指导意义。
然而，由于追求性能提高而带来的算法复杂程度高，导致现有机器学习模型大多为“黑箱模型”，可解释性的缺乏导致在应用于实际工程防治中时缺少一定的说服力。且现阶段对于滑坡单体的危险性预测方法集中在模型试验、力学分析与数值模拟，由于滑坡单体破坏模式、成因机理的空间异质性，不可能建立一种普适的单体危险性评价模型；而采用基于统计学原理的机器学习方法进行单体滑坡建模的研究较少，并未完全发挥大数据预测的优势。
同时，如何将滑坡易发性预测从面域精确到单体，寻找高效可靠地滑坡单体预警方法，建立及时对危险性因子条件改变做出反应的单体预警模型，并与工程勘查、监测数据结合达到滑坡单体精准防控预警的目的，也是滑坡危险性研究的重要研究内容。
发明内容
本发明为解决现有问题，而提出的一种滑坡面域-单体危险性预警的一体化评价方法。
为了实现上述目的，本发明采用了如下技术方案：
一种滑坡面域-单体危险性预警的一体化评价方法，包括以下步骤：
步骤一、获取研究区域历史滑坡数据与危险性评价资料，建立研究区域滑坡危险性地理信息数据库；
步骤二、采用机器学习算法构建基于斜坡单元的滑坡面域危险性评估模型，并以步骤一中的研究区域滑坡危险性地理信息数据库为基础对基于斜坡单元的滑坡面域危险性评估模型进行多角度耦合优化训练，然后进行面域危险性评估，获得面域危险性评估结果，并设定危险性预测等级阈值进行危险性等级预警分区；
步骤三、基于滑坡面域危险性评估模型的面域危险性评估结果，提取每个评价单元的滑坡危险性预测值Pi，以及距离相应危险性等级阈值的差值；
步骤四、基于可解释机器学习模型对面域危险性评估结果进行局部解释，并构建针对单个斜坡单元的局部解释框架，获取基于滑坡面域危险性评估模型的、每个斜坡单元各评价因子的累计危险性贡献值f(xi)；
步骤五、基于可解释机器学习模型对评价单元进行局部解释，获得局部解释结果，考虑评价因子的空间异质性，基于每个危险性指标在单个斜坡单元滑坡危险性预测中的权重，建立针对第i个斜坡单元的单体危险性预警加权模型；
步骤六、基于滑坡面域危险性评估模型的面域危险性评估结果和评价单元局部解释结果，获取第i个斜坡单元所有危险性因子对应于不同危险性预警等级的加权阈值；
步骤七、获取未来时间段的危险性诱发因子空间数据，查找第i个斜坡单元位置的具体数值，当诱发因子多于1个时进行加权叠加贡献计算，然后比对加权阈值，确定相应预警等级；代入危险性预警加权模型，获得研究区内所有斜坡单元的滑坡危险性预测值，从而给出面域危险性等级预报。在此基础上也可查询任意斜坡单元危险性预警等级。
优选地，所述步骤一中，研究区域滑坡危险性地理信息数据库包含滑坡条件因子和诱发因子的面域数据；所述条件因子包括但不限于高精度数字高程模型(DEM)、地质条件及环境水文条件；所述的诱发因子包括但不限于降雨条件、地震作用、人类工程活动情况，其中诱发因子数据与研究区域历史滑坡发生的时空数据相关。
优选地，所述步骤二中，机器学习算法包括但不限于：最近邻居(KNN)、逻辑回归、决策树、朴素贝叶斯、随机森林、支持向量机、人工神经网络和XGBoost算法等黑盒模型。
优选地，所述步骤二中，对机器学习模型进行多角度耦合优化的方法包括但不限于：主导因子筛选、算法超参数优化、评价单元合理尺度选择、样本抽取方法与样本比例比较。
优选地，所述步骤二中，设定滑坡危险性预警等级采用蓝、黄、橙、红四个等级，对应的等级危险性预测阈值PT如下式表示：
PT＝[Pb,Py,Po,Pr]
式中，Pb、Py、Po、Pr分别为对应于蓝、黄、橙、红四个危险性预警等级的概率阈值；预警等级阈值选取方法可根据实际情况择优选择，常用方法包括但不限于：专家经验法、自然断点法、几何间隔、等间隔分类、分位数。
优选地，每个评价单元的滑坡危险性预测值Pi与基于局部解释的各因子对滑坡危险性预测值Pi的累计贡献值f(xi)之间的关系为下式所示：
f(xi)＝In(Pi/(1-Pi))
式中，f(xi)表示第i个斜坡单元的各因子危险性贡献的累积结果，Pi为模型预测的第i个斜坡单元潜在滑坡发生危险性预测。
优选地，所述步骤四中，可解释机器学习模型包括但不限于：LIME模型、SHAP模型、PDP模型。
优选地，所述步骤五中，所述危险性预警加权模型采用下式表示：
式中，P为特定滑坡单体的危险性预测值，Ptj为所有条件因子对滑坡单体危险性预测值的贡献，Pyf为所有诱发因子对滑坡单体危险性预测值的贡献；n为滑坡条件因子的个数，m为滑坡诱发因子个数；Pp为仅考虑第p个条件因子得到的滑坡单体危险性预测，Pq为仅考虑第q个诱发因子得到的滑坡单体危险性预测，两者均与危险性因子实际值与设定的因子阈值比值有关；Qtj(fp)为第p个条件因子在所有条件因子对滑坡单体危险性贡献中所占权重，Qyf(fq)为第q个诱发因子在所有诱发因子对滑坡单体危险性贡献中所占权重，Qtj(fp)、Qyf(fq)由下式计算：
式中，E(fp)第p个条件因子对第i个斜坡单元滑坡危险性预测的贡献值，E(fq)第q个诱发因子对第i个斜坡单元滑坡危险性预测的贡献值；ftj(xi)为所有条件因子对第i个斜坡单元危险性预测值的贡献值，fyf(xi)为所有诱发因子对第i个斜坡单元危险性预测值的贡献值。
优选地，所述步骤六中，第i个斜坡单元所有危险性因子划分为条件因子和诱发因子两类，可分别计算危险性预测的加权叠加贡献，由步骤五中危险性预警加权模型计算；不同预警等级加权阈值中各危险性因子的权重根据指标对滑坡危险性预测值的贡献决定；
假定第i个斜坡单元所有条件因子的危险性预测的加权叠加贡献Ptj在未来一定时间内为恒定值，则当P＝PT＝[Pb,Py,Po,Pr]时，可以确定第i个斜坡单元危险性预警蓝、黄、橙、红四个等级对应的诱发因子加权叠加贡献的阈值为：
式中，Pyfb、Pyfy、Pyfo、Pyfr分别为对应于蓝、黄、橙、红四个危险性预警等级的诱发因子加权叠加贡献的阈值。
优选地，所述步骤七中，未来时间段危险性诱发因子空间数据为研究区整体空间数据或者局部数据，相应地用于研究区整体或者局部面域-单体滑坡危险性预警。
与现有技术相比，本发明具备以下有益效果：
(1)本发明提供了一种滑坡面域-单体危险性预警的一体化评价方法，解决了以往滑坡易发性机器学习模型可解释性不足的“黑箱模型”问题，通过对滑坡面域危险性预测结果进行局部解释，充分考虑空间异质性，量化分析各危险性指标(因子)对不同评价单元滑坡发生的贡献，并基于此建立针对每个评价单元的滑坡单体危险性预测预警模型，进而可以同时实现研究区滑坡面域与单体的预警。
(2)本发明在未来研究区空间数据难以完整获取的情况同样适用，并且可以针对高危险性地区进行精确的局部预警，从而形成“一坡一模型”的滑坡面域-单体一体化预测体系，对降雨量、降雨持续时间等诱发指标的变化做出实时反映，并可在面域危险性预测的基础上针对单个滑坡单体给出相应预警等级。
附图说明
图1为一种滑坡面域-单体危险性预警的一体化评价方法的流程示意图；
图2为各危险性因子贡献图；
图3为危险性因子重要程度瀑布图；
图4为双因子依赖图。
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。
实施例1
参见图1，一种滑坡面域-单体危险性预警的一体化评价方法，包括以下步骤：
步骤一、获取研究区历史滑坡数据与危险性评价资料，并建立研究区域滑坡危险性地理信息数据库；
其中，建立的研究区域滑坡危险性地理信息数据库，包含滑坡条件因子和诱发因子的面域数据，条件因子包括但不限于：高精度数字高程模型(DEM)、地质条件及环境水文条件；诱发因子包括但不限于：降雨条件、地震作用、人类工程活动情况，其中诱发因子数据与研究区历史滑坡发生的时空数据有相关关系。将诱发因子导入ArcGIS软件进行图层处理和重分类，建立研究区域滑坡危险性地理信息数据库。本发明这里通过引入诱发因子可以提高滑坡危险性预警模型的可靠性和有效性，利用ArcGIS软件进行重分类和预处理可以减少数据误差，提高最终模型预测结果的准确度。基于研究区域的高精度数字高程模型(DEM)，采用ArcGIS软件完善的水文分析功能进行斜坡单元划分，可以最大程度的保证准确度和分析效率。
步骤二、采用机器学习算法构建基于斜坡单元的滑坡面域危险性评估模型，并以步骤一中的研究区域滑坡危险性地理信息数据库为基础对滑坡面域危险性评估模型进行多角度耦合优化训练后，进行面域危险性评估，并设定危险性预测等级阈值进行危险性等级预警分区；
其中，机器学习算法包括但不限于：最近邻居(KNN)、逻辑回归、决策树、朴素贝叶斯、随机森林、支持向量机和人工神经网络等黑盒模型以及XGBoost算法等黑盒白化的可解释方法。这里采用XGBoost算法，XGBoost算法在滑坡危险性预测领域已有一定应用，现有研究以证明其可靠性；对滑坡面域危险性评估模型进行多角度耦合优化的方法包括但不限于：主导因子筛选、算法超参数优化、评价单元合理尺度选择、样本抽取方法与样本比例比较。通过对上述模型进行多角度耦合优化，可以最大程度的提升模型性能，提高预测准确度。
设定滑坡危险性预警等级采用蓝、黄、橙、红四个等级，对应的等级危险性预测阈值PT如下式表示：
PT＝[Pb,Py,Po,Pr]
式中，Pb、Py、Po、Pr、分别为对应于蓝、黄、橙、红四个危险性预警等级的概率阈值；预警等级阈值选取方法可根据实际情况择优选择，常用方法包括但不限于：专家经验法、自然断点法、几何间隔、等间隔分类、分位数。这里预警等级阈值的选取采用ArcGIS软件中的自然断点法。通过采用合理的阈值划分方法对研究区域危险性预测结果进行预测结果等级划分，并形成面域危险性区划图，可以直观的得到整个区域的各预警等级区域空间分布情况。
步骤三、基于滑坡面域危险性评估模型的面域危险性评估结果，提取每个评价单元的滑坡危险性预测值Pi，以及距离相应危险性等级阈值的差值；
步骤四、基于可解释机器学习模型对面域危险性评估结果进行局部解释，构建针对单个斜坡单元的局部解释框架，获取基于滑坡面域危险性评估模型的、每个斜坡单元各评价因子的累计危险性贡献值f(xi)；
其中，可解释机器学习模型包括但不限于：LIME模型、SHAP模型、PDP模型。本实施例中，基于SHAP可解释机器学习算法对滑坡面域危险性预测结果进行局部解释，针对单个斜坡单元，通过SHAP值量化分析各因子对危险性预测值的贡献(图2)，采用基于SHAP值的因子瀑布图(图3)分析各危险性指标重要程度，应用双因子图依赖图(图4)分析不同因子间耦合作用效果。通过量化分析各危险性因子对滑坡发生的贡献并进行重要程度排序，可以筛选出滑坡的主导因子，同时，由双因子图分析可得多个因子对滑坡危险性的耦合作用，可为单体滑坡的诱发机理研究提供理论依据。
本实施例中，每个评价单元的滑坡危险性预测值Pi与基于局部解释的各因子对滑坡危险性预测值Pi的累计贡献值f(xi)之间的关系如下式表示：
f(xi)＝In(Pi/(1-Pi))
式中，f(xi)表示第i个斜坡单元的各因子危险性贡献的累积结果，Pi为模型预测的第i个斜坡单元潜在滑坡发生危险性预测值；基于此式，可获得滑坡面域预测所得的危险性预测与对斜坡单元进行局部解释所得的各因子危险性贡献值的对应关系，增加模型预测滑坡危险性过程的可视化程度，使得预测结果更具有说服力。
通过采用可解释性机器学习算法对面域危险性评估结果进行局部解释，可以量化分析各条件因子和诱发因子指标对滑坡发生的贡献，得到各指标重要程度的排序，为滑坡的诱发机理研究提供参考，后续基于此建立的滑坡单体危险性预警加权模型也可为灾害预测和防治提供帮助。
步骤五、基于可解释机器学习模型对评价单元进行局部解释，获得局部解释结果，考虑评价因子的空间异质性，基于每个危险性指标在单个斜坡单元滑坡危险性预测中的权重，建立针对第i个斜坡单元的单体危险性预警加权模型；
具体地，建立的单体危险性预警加权模型可用下式表示：
式中，P为特定滑坡单体的危险性预测值，Ptj为所有条件因子对滑坡单体危险性预测值的贡献，Pyf为所有诱发因子对滑坡单体危险性预测值的贡献；n为滑坡条件因子的个数，m为滑坡诱发因子个数；Pp为仅考虑第p个条件因子得到的滑坡单体危险性预测，Pq为仅考虑第q个诱发因子得到的滑坡单体危险性预测，两者均与危险性因子实际值与设定的因子阈值比值有关；Qtj(fp)为第p个条件因子在所有条件因子对滑坡单体危险性贡献中所占权重，Qyf(fq)为第q个诱发因子在所有诱发因子对滑坡单体危险性贡献中所占权重，Qtj(fp)、Qyf(fq)由下式计算：
式中，E(fp)第p个条件因子对第i个斜坡单元滑坡危险性预测的贡献值，E(fq)第q个诱发因子对第i个斜坡单元滑坡危险性预测的贡献值；ftj(xi)为所有条件因子对第i个斜坡单元危险性预测值的贡献值，fyf(xi)为所有诱发因子对第i个斜坡单元危险性预测值的贡献值。
步骤六、基于滑坡面域危险性评估模型的面域危险性评估结果和评价单元局部解释结果，获取第i个斜坡单元所有危险性因子对应于不同危险性预警等级的加权阈值；
第i个斜坡单元所有危险性因子划分为条件因子和诱发因子两类，可分别计算危险性预测的加权叠加贡献，由步骤五中危险性预警加权模型计算；不同预警等级加权阈值中各危险性因子的权重根据指标对滑坡危险性预测值的贡献决定；
假定第i个斜坡单元所有条件因子的危险性预测的加权叠加贡献Ptj在未来一定时间内为恒定值，则当P＝PT＝[Pb,Py,Po,Pr]时，可以确定第i个斜坡单元危险性预警蓝、黄、橙、红四个等级对应的诱发因子加权叠加贡献的阈值为：
式中，Pyfb、Pyfy、Pyfo、Pyfr分别为对应于蓝、黄、橙、红四个危险性预警等级的诱发因子加权叠加贡献的阈值。
本发明同时考虑到诱发因子与条件因子在时空变化规律上的区别，将两类因子的贡献分开，可提高所建立的单体预警模型的危险性预警效率。
步骤七、获取未来时间段的危险性诱发因子空间数据，查找第i个斜坡单元位置的具体数值，当诱发因子多于1个时进行加权叠加贡献计算，然后比对加权阈值，确定相应预警等级；代入危险性预警加权模型，获得研究区内所有斜坡单元的滑坡危险性预测值，从而给出面域危险性等级预报；在此基础上也可查询任意斜坡单元危险性预警等级。其中，未来时间段危险性诱发因子空间数据为研究区整体空间数据或者局部数据，相应地用于研究区整体或者局部面域-单体滑坡危险性预警。
综上，本实施例基于耦合优化的XGBoost机器学习模型，应用ArcGIS软件提取研究区域数字高程模型并进行地理信息数据预处理，结合SHAP可解释性机器学习算法，对研究区域进行滑坡面域-单体危险性评价并对预测结果进行局部解释，进而量化分析各危险性指标对滑坡发生的贡献，建立滑坡预警单体模型，形成“一坡一模型”的面域-单体一体化危险性预警方法。此方法可同时实现研究区面域与单体预警，在未来研究区空间数据难以完整获取的情况同样适用，并且可以针对高危险性地区进行精确的局部预警。
以上所述，仅为本发明较佳的具体实施方式，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，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种滑坡面域-单体危险性预警的一体化评价方法，其特征在于，包括以下步骤：
步骤一、获取研究区历史滑坡数据与危险性评价资料，并建立研究区域滑坡危险性地理信息数据库；
步骤二、采用机器学习算法构建基于斜坡单元的滑坡面域危险性评估模型，并以步骤一中的研究区域滑坡危险性地理信息数据库为基础对滑坡面域危险性评估模型进行多角度耦合优化训练后，进行面域危险性评估，并设定危险性预测等级阈值进行危险性等级预警分区；
步骤三、基于滑坡面域危险性评估模型的面域危险性评估结果，提取每个评价单元的滑坡危险性预测值Pi，以及距离相应危险性等级阈值的差值；
步骤四、基于可解释机器学习模型对面域危险性评估结果进行局部解释，构建针对单个斜坡单元的局部解释框架，获取基于滑坡面域危险性评估模型的、每个斜坡单元各评价因子的累计危险性贡献值f(xi)；
步骤五、基于可解释机器学习模型对评价单元进行局部解释，获得局部解释结果，考虑评价因子的空间异质性，建立针对第i个斜坡单元的单体危险性预警加权模型；
步骤六、基于滑坡面域危险性评估模型的面域危险性评估结果和评价单元的局部解释结果，获取第i个斜坡单元所有危险性因子对应于不同危险性预警等级的加权阈值；
步骤七、获取未来时间段的危险性诱发因子空间数据，查找第i个斜坡单元位置的具体数值，当诱发因子多于1个时进行加权叠加贡献计算，比对加权阈值，确定相应预警等级；然后代入单体危险性预警加权模型，获得研究区内所有斜坡单元的滑坡危险性预测值，从而给出面域危险性等级预报。
2.根据权利要求1所述的一种滑坡面域-单体危险性预警的一体化评价方法，其特征在于，所述步骤一中，建立的研究区域滑坡危险性地理信息数据库包含滑坡条件因子和诱发因子的面域数据；所述条件因子包括：高精度数字高程模型、地质条件及环境水文条件；所述诱发因子包括降雨条件、地震作用、人类工程活动情况。
3.根据权利要求1所述的一种滑坡面域-单体危险性预警的一体化评价方法，其特征在于，所述步骤二中，机器学习算法包括：最近邻居、逻辑回归、决策树、朴素贝叶斯、随机森林、支持向量机、人工神经网络、XGBoost算法。
4.根据权利要求1所述的一种滑坡面域-单体危险性预警的一体化评价方法，其特征在于，所述步骤二中，对滑坡面域危险性评估模型进行多角度耦合优化的方法包括：主导因子筛选、算法超参数优化、评价单元合理尺度选择、样本抽取方法与样本比例比较。
5.根据权利要求1所述的一种滑坡面域-单体危险性预警的一体化评价方法，其特征在于，所述步骤二中，设定滑坡危险性预警等级采用蓝、黄、橙、红四个等级，对应的等级危险性预测阈值PT采用下式表示：
PT＝[Pb,Py,Po,Pr]
式中，Pb、Py、Po、Pr分别为对应于蓝、黄、橙、红四个危险性预警等级的概率阈值；预警等级阈值的选取方法为专家经验法、自然断点法、几何间隔、等间隔分类、分位数中的任意一种。
6.根据权利要求1所述的一种滑坡面域-单体危险性预警的一体化评价方法，其特征在于，每个评价单元的滑坡危险性预测值Pi与基于局部解释的各因子对滑坡危险性预测值Pi的累计贡献值f(xi)之间的关系为下式所示：
f(xi)＝In(Pi/(1-Pi))
式中，f(xi)表示第i个斜坡单元的各因子危险性贡献的累积结果，Pi为模型预测的第i个斜坡单元潜在滑坡发生危险性预测值。
7.根据权利要求1所述的一种滑坡面域-单体危险性预警的一体化评价方法，其特征在于，所述步骤四中，可解释机器学习模型为LIME模型、SHAP模型、PDP模型中的任意一种。
8.根据权利要求1所述的基于可解释机器学习算法的滑坡面域-单体评价方法，其特征在于，步骤五中，所述危险性预警加权模型采用下式表示：
式中，P为特定滑坡单体的危险性预测值，Ptj为所有条件因子对滑坡单体危险性预测值的贡献，Pyf为所有诱发因子对滑坡单体危险性预测值的贡献；n为滑坡条件因子的个数，m为滑坡诱发因子个数；Pp为仅考虑第p个条件因子得到的滑坡单体危险性预测，Pq为仅考虑第q个诱发因子得到的滑坡单体危险性预测，两者均与危险性因子实际值与设定的因子阈值比值有关；Qtj(fp)为第p个条件因子在所有条件因子对滑坡单体危险性贡献中所占权重，Qyf(fq)为第q个诱发因子在所有诱发因子对滑坡单体危险性贡献中所占权重，Qtj(fp)、Qyf(fq)由下式计算：
式中，E(fp)第p个条件因子对第i个斜坡单元滑坡危险性预测的贡献值,E(fq)第q个诱发因子对第i个斜坡单元滑坡危险性预测的贡献值；ftj(xi)为所有条件因子对第i个斜坡单元危险性预测值的贡献值，fyf(xi)为所有诱发因子对第i个斜坡单元危险性预测值的贡献值。
9.根据权利要求1所述的一种滑坡面域-单体危险性预警的一体化评价方法，其特征在于，步骤六中，所述危险性因子分为条件因子和诱发因子两类，用于分别计算危险性预测的加权叠加贡献，由步骤五中危险性预警加权模型计算；所述不同危险性预警等级的加权阈值中的各危险性因子的权重根据指标对滑坡危险性预测值的贡献决定；
假定第i个斜坡单元所有条件因子的危险性预测的加权叠加贡献Ptj在未来一定时间内为恒定值，则当P＝PT＝[Pb,Py,Po,Pr」时，确定第i个斜坡单元危险性预警蓝、黄、橙、红四个等级对应的诱发因子加权叠加贡献的阈值为：
PyfT＝P-Ptj＝PT-Ptj＝[Pyfb,Pyfy,Pyfo,Pyfr]
式中，Pyfb、Pyfy、Pyfo、Pyfr分别为对应于蓝、黄、橙、红四个危险性预警等级的诱发因子加权叠加贡献的阈值。
10.根据权利要求1所述的一种滑坡面域-单体危险性预警的一体化评价方法，其特征在于，步骤七中，所述未来时间段危险性诱发因子空间数据为研究区整体空间数据或者局部数据，相应地用于研究区整体或者局部面域-单体滑坡危险性预警。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310211090.8A CN116341901B (zh) | 2023-03-07 | 2023-03-07 | 一种滑坡面域-单体危险性预警的一体化评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310211090.8A CN116341901B (zh) | 2023-03-07 | 2023-03-07 | 一种滑坡面域-单体危险性预警的一体化评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116341901A true CN116341901A (zh) | 2023-06-27 |
| CN116341901B CN116341901B (zh) | 2023-09-12 |
Family
ID=86885028
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310211090.8A Active CN116341901B (zh) | 2023-03-07 | 2023-03-07 | 一种滑坡面域-单体危险性预警的一体化评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116341901B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116894523A (zh) * | 2023-07-28 | 2023-10-17 | 中国地质大学（武汉） | 同震滑坡易发性预测CGBoost算法 |
| CN116912068A (zh) * | 2023-09-12 | 2023-10-20 | 成都理工大学 | 一种基于面域形变观测的滑坡预警方法 |
| CN117268475A (zh) * | 2023-11-21 | 2023-12-22 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种多维参数数据融合的边坡安全评估方法 |
| CN117636591A (zh) * | 2023-11-29 | 2024-03-01 | 武汉市公共交通集团有限责任公司信息中心 | 一种公交驾驶安全预警方法和系统 |
| 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 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101580062B1 (ko) * | 2014-12-05 | 2015-12-28 | 연세대학교 산학협력단 | 실시간 산사태 예경보 방법 및 시스템 |
| JP2016183498A (ja) * | 2015-03-26 | 2016-10-20 | 中国電力株式会社 | 土砂災害予測システム、及び土砂災害予測方法 |
| CN107463991A (zh) * | 2017-06-28 | 2017-12-12 | 西南石油大学 | 一种基于坡体单元与机器学习的区域滑坡危险性评价方法 |
| CN111210073A (zh) * | 2020-01-06 | 2020-05-29 | 四川省公路规划勘察设计研究院有限公司 | 一种滑坡灾害预测方法及装置 |
| US20210026027A1 (en) * | 2019-07-25 | 2021-01-28 | Southwest Jiaotong University | Mechanical-model based earthquake-induced landslide hazard assessment method in earthquake-prone mountainous area |
| CN113009553A (zh) * | 2021-03-02 | 2021-06-22 | 电子科技大学 | 基于NGBoost和SHAP值的可解释地震动参数概率密度分布预测方法 |
| CN113536659A (zh) * | 2021-06-09 | 2021-10-22 | 上海交通大学 | 一种震后道路受灾区域快速预测方法、系统及存储介质 |
| CN114330812A (zh) * | 2021-10-29 | 2022-04-12 | 西北大学 | 基于机器学习的滑坡灾害风险评估方法 |
| CN114511429A (zh) * | 2022-01-28 | 2022-05-17 | 四川九洲北斗导航与位置服务有限公司 | 地质灾害危险等级评估方法及装置 |
| KR20220079120A (ko) * | 2020-12-04 | 2022-06-13 | 대한민국(산림청 국립산림과학원장) | 지진에 의한 산사태 위험도 평가 방법 및 그를 위한 장치 |
| CN115329986A (zh) * | 2022-07-21 | 2022-11-11 | 燕山大学 | 基于可解释性图神经网络的风电机组异常检测与定位方法 |
| CN115688404A (zh) * | 2022-10-24 | 2023-02-03 | 中国科学院空天信息创新研究院 | 基于svm-rf模型的降雨型滑坡预警方法 |
-
2023
- 2023-03-07 CN CN202310211090.8A patent/CN116341901B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101580062B1 (ko) * | 2014-12-05 | 2015-12-28 | 연세대학교 산학협력단 | 실시간 산사태 예경보 방법 및 시스템 |
| JP2016183498A (ja) * | 2015-03-26 | 2016-10-20 | 中国電力株式会社 | 土砂災害予測システム、及び土砂災害予測方法 |
| CN107463991A (zh) * | 2017-06-28 | 2017-12-12 | 西南石油大学 | 一种基于坡体单元与机器学习的区域滑坡危险性评价方法 |
| US20210026027A1 (en) * | 2019-07-25 | 2021-01-28 | Southwest Jiaotong University | Mechanical-model based earthquake-induced landslide hazard assessment method in earthquake-prone mountainous area |
| CN111210073A (zh) * | 2020-01-06 | 2020-05-29 | 四川省公路规划勘察设计研究院有限公司 | 一种滑坡灾害预测方法及装置 |
| KR20220079120A (ko) * | 2020-12-04 | 2022-06-13 | 대한민국(산림청 국립산림과학원장) | 지진에 의한 산사태 위험도 평가 방법 및 그를 위한 장치 |
| CN113009553A (zh) * | 2021-03-02 | 2021-06-22 | 电子科技大学 | 基于NGBoost和SHAP值的可解释地震动参数概率密度分布预测方法 |
| CN113536659A (zh) * | 2021-06-09 | 2021-10-22 | 上海交通大学 | 一种震后道路受灾区域快速预测方法、系统及存储介质 |
| CN114330812A (zh) * | 2021-10-29 | 2022-04-12 | 西北大学 | 基于机器学习的滑坡灾害风险评估方法 |
| CN114511429A (zh) * | 2022-01-28 | 2022-05-17 | 四川九洲北斗导航与位置服务有限公司 | 地质灾害危险等级评估方法及装置 |
| CN115329986A (zh) * | 2022-07-21 | 2022-11-11 | 燕山大学 | 基于可解释性图神经网络的风电机组异常检测与定位方法 |
| CN115688404A (zh) * | 2022-10-24 | 2023-02-03 | 中国科学院空天信息创新研究院 | 基于svm-rf模型的降雨型滑坡预警方法 |
Non-Patent Citations (5)
| Title |
|---|
| HAIJIA WEN: "Assessment of landslide susceptibility along mountain highways based on different machine learning algorithms and mapping units by hybrid factors screening and sample optimization", ELSEVIER, pages 1 - 18 * |
| HAIJIA WEN: "omparative study on landslide susceptibility ofdifferent evaluation units based on LightGBM-SHAP", REASEARCH SQUARE, pages 1 - 29 * |
| 李云杰;汤明高;屈飞行;邵山;马旭;罗剑;杨何;: "考虑活动性状态的大型滑坡危险性评价", 长江科学院院报, vol. 35, no. 11, pages 76 - 81 * |
| 李环禹;陈朝晖;范文亮;文海家;: "区域降雨型滑坡风险分析统计模型研究", 自然灾害学报, vol. 27, no. 04, pages 103 - 111 * |
| 陈世轩: "区域滑坡易发性预测及典型单体滑坡风险评价研究", 中国优秀硕士学位论文全文数据库, no. 2023, pages 011 - 172 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116894523A (zh) * | 2023-07-28 | 2023-10-17 | 中国地质大学（武汉） | 同震滑坡易发性预测CGBoost算法 |
| CN116912068A (zh) * | 2023-09-12 | 2023-10-20 | 成都理工大学 | 一种基于面域形变观测的滑坡预警方法 |
| CN116912068B (zh) * | 2023-09-12 | 2023-11-21 | 成都理工大学 | 一种基于面域形变观测的滑坡预警方法 |
| CN117268475A (zh) * | 2023-11-21 | 2023-12-22 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种多维参数数据融合的边坡安全评估方法 |
| CN117268475B (zh) * | 2023-11-21 | 2024-03-26 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种多维参数数据融合的边坡安全评估方法 |
| CN117636591A (zh) * | 2023-11-29 | 2024-03-01 | 武汉市公共交通集团有限责任公司信息中心 | 一种公交驾驶安全预警方法和系统 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116341901B (zh) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116341901B (zh) | 一种滑坡面域-单体危险性预警的一体化评价方法 | |
| Silva et al. | A novel unsupervised approach based on a genetic algorithm for structural damage detection in bridges | |
| Tang et al. | Convolutional neural network‐based data anomaly detection method using multiple information for structural health monitoring | |
| CN112819207B (zh) | 基于相似性度量的地质灾害空间预测方法、系统及存储介质 | |
| CN111753985B (zh) | 基于神经元覆盖率的图像深度学习模型测试方法与装置 | |
| CN112085947A (zh) | 一种基于深度学习和模糊聚类的交通拥堵预测方法 | |
| CN109124625A (zh) | 一种驾驶员疲劳状态水平分级方法 | |
| CN117726181B (zh) | 一种煤矿典型灾害风险异构信息协同融合与分级预测方法 | |
| Leng et al. | A hybrid data mining method for tunnel engineering based on real-time monitoring data from tunnel boring machines | |
| CN104636449A (zh) | 基于lsa-gcc的分布式大数据系统风险识别方法 | |
| CN115856204B (zh) | 基于三维回声状态网络的掘进工作面瓦斯浓度预测方法 | |
| CN117195750B (zh) | 一种参考时序形变的滑坡灾害敏感性模型构建方法 | |
| CN114266289A (zh) | 一种复杂装备健康状态评估方法 | |
| CN118244110B (zh) | 一种工业机器人电机故障预警方法及系统 | |
| Qin et al. | Evaluation of goaf stability based on transfer learning theory of artificial intelligence | |
| CN117408167A (zh) | 基于深度神经网络的泥石流灾害易发性预测方法 | |
| CN117272202A (zh) | 大坝变形异常值识别方法及系统 | |
| CN109636194B (zh) | 一种输变电项目重大变动多源协同检测方法与系统 | |
| CN117009772A (zh) | 基于风险智能感知模型的道路交通安全预测方法及预测系统 | |
| CN116188266A (zh) | 一种基于模糊理论与集成学习对地质勘查的空间插值方法 | |
| Yeon et al. | Visual imputation analytics for missing time-series data in bayesian network | |
| Zhang et al. | Structural Vibration Data Anomaly Detection Based on Multiple Feature Information Using CNN‐LSTM Model | |
| Chaubey et al. | Forest fire prediction system using machine learning | |
| CN112184037B (zh) | 一种基于加权svdd的多模态过程故障检测方法 | |
| CN114300036A (zh) | 遗传变异致病性预测方法、装置、存储介质及计算机设备 |
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 |