CN116415481A - 区域滑坡灾害风险预测方法、装置、计算机设备及存储介质 - Google Patents
区域滑坡灾害风险预测方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN116415481A CN116415481A CN202211293010.XA CN202211293010A CN116415481A CN 116415481 A CN116415481 A CN 116415481A CN 202211293010 A CN202211293010 A CN 202211293010A CN 116415481 A CN116415481 A CN 116415481A
- Authority
- CN
- China
- Prior art keywords
- landslide
- index
- model
- monitoring period
- regional
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000012544 monitoring process Methods 0.000 claims abstract description 124
- 238000003745 diagnosis Methods 0.000 claims abstract description 59
- 230000003068 static effect Effects 0.000 claims abstract description 53
- 238000003066 decision tree Methods 0.000 claims abstract description 45
- 238000010801 machine learning Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 20
- 230000010354 integration Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 7
- 239000002689 soil Substances 0.000 claims description 7
- 238000012876 topography Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Geometry (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明实施例公开了区域滑坡灾害风险预测方法、装置、计算机设备及存储介质。所述方法包括:获取监测区域处于监测时期的静态诊断指标;根据所述静态诊断指标结合确定性系数模型和决策树模型确定所述监测区域处于监测时期的滑坡灾害易发性指数;获取所述监测区域处于监测时期的动态诊断指标;根据所述动态诊断指标以及所述滑坡灾害易发性指数确定所述监测区域处于监测时期的滑坡风险指数;判断所述滑坡风险指数是否超过预设的阈值;若所述滑坡灾害易发性指数超过预设的阈值,则生成预警信号,并发送至终端。通过实施本发明实施例的方法可实现有效避免人工阈值带来的随机性,进行区域滑坡灾害的有效预测和预警。
Description
技术领域
本发明涉及滑坡灾害预测方法,更具体地说是指区域滑坡灾害风险预测方法、装置、计算机设备及存储介质。
背景技术
滑坡灾害指岩体或土体在重力作用下整体顺坡下滑造成的灾害。区域滑坡灾害风险预测预警是滑坡灾害研究领域的难点和热点,滑坡灾害的发生往往给当地人民的生命财产安全造成巨大威胁,影响滑坡灾害最主要的两个因素就是监测区域的地质因素和降雨因素。
当前区域滑坡灾害风险预测预警方法主要有两种:一种是根据历史累积降雨量确定降雨风险指数结合易发性指数确定滑坡风险指数,另一种是根据当日降雨量确定降雨风险指数结合易发性指数确定滑坡风险指数。该方法主要的技术缺陷在于,区域面积较大,人工阈值划分可能无法吻合滑坡灾害发生的随机性,导致预警结果不够准确。
因此,有必要设计一种新的方法,实现有效避免人工阈值带来的随机性,进行区域滑坡灾害的有效预测和预警。
发明内容
本发明的目的在于克服现有技术的缺陷,提供区域滑坡灾害风险预测方法、装置、计算机设备及存储介质。
为实现上述目的,本发明采用以下技术方案:区域滑坡灾害风险预测方法,包括:
获取监测区域处于监测时期的静态诊断指标;
根据所述静态诊断指标结合确定性系数模型和决策树模型确定所述监测区域处于监测时期的滑坡灾害易发性指数;
获取所述监测区域处于监测时期的动态诊断指标;
根据所述动态诊断指标以及所述滑坡灾害易发性指数确定所述监测区域处于监测时期的滑坡风险指数;
判断所述滑坡风险指数是否超过预设的阈值;
若所述滑坡灾害易发性指数超过预设的阈值,则生成预警信号,并发送至终端。
其进一步技术方案为:所述静态诊断指标包括监测区域的地形地貌、地层岩性以及土壤类型;所述动态诊断指标包括监测区域的降雨情况。
其进一步技术方案为:所述根据所述静态诊断指标结合确定性系数模型和决策树模型确定所述监测区域处于监测时期的滑坡灾害易发性指数,包括:
基于确定性系数模型计算所述静态诊断指标的CF贡献度;
根据所述CF贡献度建立决策树模型;
利用所述决策树模型结合SPE集成框架确定所述监测区域处于监测时期的滑坡灾害易发性指数。
其进一步技术方案为:所述根据所述CF贡献度建立决策树模型,包括:
将所述CF贡献度作为新特征代替原始变量信息,结合各个区域是否发生滑坡灾害作为样本集,建立决策树模型。
其进一步技术方案为:所述根据所述动态诊断指标以及所述滑坡灾害易发性指数确定所述监测区域处于监测时期的滑坡风险指数,包括:
根据所述动态诊断指标以及所述滑坡灾害易发性指数利用机器学习模型确定所述监测区域处于监测时期的滑坡风险指数。
其进一步技术方案为:所述机器学习模型通过已发生滑坡的斜坡单元以及未发生滑坡的斜坡单元的地质环境属性和降雨属性训练沿用SPE集成框架且基模型为LightGBM模型的初始模型所得的。
其进一步技术方案为:所述机器学习模型通过已发生滑坡的斜坡单元以及未发生滑坡的斜坡单元的地质环境属性和降雨属性训练沿用SPE集成框架且基模型为LightGBM模型的初始模型所得的,包括:
构建已发生滑坡的斜坡单元以及未发生滑坡的斜坡单元的地质环境属性和降雨属性,以得到数据集;
构建沿用SPE集成框架,且基模型为LightGBM模型的初始模型;
利用所述数据集对所述初始模型进行训练和参数优化,以得到机器学习模型。
本发明还提供了区域滑坡灾害风险预测装置,包括:
静态指标获取单元,用于获取监测区域处于监测时期的静态诊断指标;
易发指数确定单元,用于根据所述静态诊断指标结合确定性系数模型和决策树模型确定所述监测区域处于监测时期的滑坡灾害易发性指数;
动态指标获取单元,用于获取所述监测区域处于监测时期的动态诊断指标;
风险指数确定单元,用于根据所述动态诊断指标以及所述滑坡灾害易发性指数确定所述监测区域处于监测时期的滑坡风险指数;
判断单元,用于判断所述滑坡风险指数是否超过预设的阈值;
预警单元,用于若所述滑坡灾害易发性指数超过预设的阈值,则生成预警信号,并发送至终端。
本发明还提供了一种计算机设备,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法。
本发明还提供了一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法。
本发明与现有技术相比的有益效果是:本发明通过基于监测区域处于监测时期的静态诊断指标确定滑坡灾害易发性指数,基于监测区域处于监测时期的易发性指数和动态诊断指标确定滑坡风险指数,若滑坡风险指数超过所预设的阈值,则发出预警信号,参考地质灾害气象风险预警等级划分表并根据研究区具体情况进行所预设的阈值的调整,实现有效避免人工阈值带来的随机性,进行区域滑坡灾害的有效预测和预警。
下面结合附图和具体实施例对本发明作进一步描述。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的区域滑坡灾害风险预测方法的应用场景示意图;
图2为本发明实施例提供的区域滑坡灾害风险预测方法的流程示意图;
图3为本发明实施例提供的区域滑坡灾害风险预测方法的子流程示意图;
图4为本发明实施例提供的区域滑坡灾害风险预测方法的流程示意图;
图5为本发明实施例提供的区域滑坡灾害风险预测方法的总体架构示意图;
图6为本发明实施例提供的SPE集成框架示意图;
图7为本发明实施例提供的数据集构建的示意图;
图8为本发明实施例提供的区域滑坡灾害风险预测装置的易发指数确定单元的示意性框图;
图9为本发明实施例提供的计算机设备的示意性框图。
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做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。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1和图2,图1为本发明实施例提供的区域滑坡灾害风险预测方法的应用场景示意图。图2为本发明实施例提供的区域滑坡灾害风险预测方法的示意性流程图。该区域滑坡灾害风险预测方法应用于服务器中。该服务器与终端进行数据交互,实现从静态诊断指标的角度来看,控制滑坡发生的地质因素具有空间上的稳定性,因此滑坡灾害的空间分布具有区域上的分布规律和地质作用规律;从动态诊断指标的角度来看,滑坡灾害的发生是非常复杂的,降雨因素的随机作用使得造成滑坡灾害的发生具有随机性的特点;结合以上两点,区域滑坡灾害在一定程度上可通过工程地质类比法来进行预测预警。机器学习通过学习历史滑坡灾害点和非灾害点的数据可以有效避免人工阈值带来的随机性,进行有效预警。
图2是本发明实施例提供的区域滑坡灾害风险预测方法的流程示意图。如图2所示,该方法包括以下步骤S110至S160。
S110、获取监测区域处于监测时期的静态诊断指标。
在本实施例中,所述静态诊断指标包括监测区域的地形地貌、地层岩性以及土壤类型。
S120、根据所述静态诊断指标结合确定性系数模型和决策树模型确定所述监测区域处于监测时期的滑坡灾害易发性指数。
在本实施例中,滑坡灾害易发性指数是指滑坡灾害的容易发生的数值。
滑坡灾害易发性指数的计算通常有两种方法,一种是基于滑坡的静态指标(如地形地貌、底层岩性和与公路距离等因素)构建逻辑回归模型用于计算滑坡的易发性指数,另一种是基于确定性系数模型计算滑坡内在因素对灾害的加权贡献度来度量滑坡的易发性指数。这两种方法均有一定的局限性,确定性系数模型(CF)可解决滑坡静态指标内部不同特征值对易发性影响的敏感程度,却忽略了各指标对易发性影响的差异性,而逻辑回归模型可以很好地确定指标之间的权重大小,但不能较好解决滑坡静态指标不同特征值对易发性影响的敏感程度问题。
在本实施例中,结合确定性系数模型和决策树模型来对区域斜坡易发性进行预测。确定性系数模型计算滑坡静态指标对易发性的贡献度,根据各个指标对滑坡灾害的贡献度建立决策树模型,提升预测准确度。现实情况中,相对于整个区域通常只有少数斜坡单元发生灾害,因此数据中通常会存在类别不平衡的问题,导致建立的模型对灾害点的预测存在不准确性。在原先预测流程的基础上,引入Self-paced Ensemble集成框架。SPE集成框架通过计算各个样本的分类硬度函数将样本进行分类,并在各个类别上使用欠采样和集成策略对数据进行训练,可以有效地减少样本类别不均衡带来的问题,提升整体的预测性能。
请参阅图5,区域滑坡风险指数的计算既涉及到构建区域滑坡灾害易发性指数评价指标体系,又涉及到建立基于影响滑坡内在因素的区域滑坡易发性风险智能评估模型。从区域滑坡灾害发育条件的角度构建易发性区划评价指标体系。
在一实施例中,请参阅图3,上述的步骤S120可包括步骤S121~S123。
S121、基于确定性系数模型计算所述静态诊断指标的CF贡献度。
在本实施例中,CF贡献度是指滑坡静态指标对灾害的敏感性。
具体地,基于区域滑坡灾害易发性区划静态评价指标,首先分析区域历史滑坡灾害数据,统计各个指标在不同区间内灾害发生情况,对评价指标进行经验分类,最后对分类后的指标计算其CF值。确定性系数模型CF是一个概率函数,用于分析影响某一事件发生的各个因素的敏感性。因此使用CF模型可以计算滑坡静态指标对灾害的敏感性,计算公式为:
S122、根据所述CF贡献度建立决策树模型。
在本实施例中,决策树模型是指决策树基学习器。
具体地,将所述CF贡献度作为新特征代替原始变量信息,结合各个区域是否发生滑坡灾害作为样本集,建立决策树模型。
请参阅图6,将求得的坡灾害静态指标的CF值即CF贡献度作为新特征代替原始变量信息,结合各个区域是否发生滑坡灾害作为数据集建立模型。
S123、利用所述决策树模型结合SPE集成框架确定所述监测区域处于监测时期的滑坡灾害易发性指数。
具体地,基于SPE集成框架和决策树基学习器进行区域滑坡灾害易发性风险预测。将全体样本分成10份,分别取其中九份数据用于训练,一份数据用于预测。决策树模型基于输入的解释变量(斜坡单元静态指标的CF值)和被解释变量(斜坡单元历史滑坡信息)进行训练,训练好的模型用于预测剩余斜坡单元在该静态指标下发生滑坡的概率,得到的概率值就是所谓的滑坡灾害易发性指数。SPE集成框架是一种有效处理样本类别不均衡的方法,它利用分布硬度函数计算多类样本的分布硬度值,从而将多类样本按照分箱数值进行分类,对每个类别中的多类样本基于少类样本进行欠采样得到类别均衡的数据集,再基于此数据集使用决策树模型进行预测,能较好地解决数据集中类别不均衡的问题。
S130、获取所述监测区域处于监测时期的动态诊断指标。
在本实施例中,所述动态诊断指标包括监测区域的降雨情况。
S140、根据所述动态诊断指标以及所述滑坡灾害易发性指数确定所述监测区域处于监测时期的滑坡风险指数。
在本实施例中,滑坡风险指数是指发生滑坡风险的概率。
具体地,根据所述动态诊断指标以及所述滑坡灾害易发性指数利用机器学习模型确定所述监测区域处于监测时期的滑坡风险指数。
滑坡风险指数的计算通常是在滑坡易发性指数的基础上,结合当日降雨量或者历史累积降雨量来进行计算。机器学习算法的主要应用方向是预测和分类问题,区域滑坡预警符合其主要应用方向。同时,训练样本和数据的数量和质量一定程度上决定着预警模型算法的预测准确率,随着多年来预警运行中历史滑坡数据、地质环境调查数据及滑坡诱发因素等大数据积累,为开展基于机器学习的滑坡灾害预警模型探索奠定了基础。因此,本实施例将基于监测区域处于监测时期的易发性指数和动态诊断指标,建立机器学习模型获取监测区域处于监测时期的滑坡风险指数。
在本实施例中,所述机器学习模型通过已发生滑坡的斜坡单元以及未发生滑坡的斜坡单元的地质环境属性和降雨属性训练沿用SPE集成框架且基模型为LightGBM模型的初始模型所得的。
在一实施例中,请参阅图4,上述的机器学习模型通过已发生滑坡的斜坡单元以及未发生滑坡的斜坡单元的地质环境属性和降雨属性训练沿用SPE集成框架且基模型为LightGBM模型的初始模型所得的,可包括步骤S141~S143。
S141、构建已发生滑坡的斜坡单元以及未发生滑坡的斜坡单元的地质环境属性和降雨属性,以得到数据集。
在本实施例中,数据集是指用于训练和测试初始模型所用的样本集。
具体地,区域滑坡灾害的发生发展收到地质环境条件(静态指标)和降雨条件(动态指标)的耦合作用控制。因此模型的输入特征应包括区域的地质环境属性和降雨属性,输出特征应包括正类样本(已发生滑坡的斜坡单元)和负类样本(未发生滑坡的斜坡单元),如图7所示。
S142、构建沿用SPE集成框架,且基模型为LightGBM模型的初始模型。
在本实施例中,初始模型是指沿用SPE集成框架且基模型为LightGBM模型的网络。
具体地,构建的数据集中同样存在正负类样本不均衡的情况,沿用易发性指数计算中的SPE集成框架,基模型使用LightGBM模型。选用LightGBM模型一方面是LightGBM可以高效地处理海量数据,这符合区域滑坡灾害风险指数计算的应用场景,另一方面LightGBM模型内部使用了Boosting集成学习方法、梯度下降以及独特的对缺失值样本的处理,使得LightGBM模型在众多机器学习模型中脱颖而出。
S143、利用所述数据集对所述初始模型进行训练和参数优化,以得到机器学习模型。
具体地,模型参数的选取对于模型精度影响重大,模型优化在模型构件中至关重要。目前最常用的模型参数优化方法包括网格调参法和贝叶斯调参法。由于样本量过多,考虑到时间成本选用了贝叶斯调参法。
使用训练好的机器学习模型对区域滑坡进行风险指数的计算,输出各个斜坡单元滑坡风险概率,依据概率大小确定预警等级。
S150、判断所述滑坡风险指数是否超过预设的阈值。
在本实施例中,阈值的划分可参考地质灾害气象风险预警等级划分表并根据研究区具体情况进行调整使用。可根据实际情况调整预设的阈值,进而满足不同区域的实际情况。
S160、若所述滑坡灾害易发性指数超过预设的阈值,则生成预警信号,并发送至终端。
若所述滑坡灾害易发性指数不超过预设的阈值,则进入结束步骤。
举个例子:目标滑坡区域可以是任意地区的滑坡区域,获取该滑坡区域在监测时期各个斜坡单元的高程、坡度、坡向、平面曲率、剖面曲率、植被覆盖、土壤类型、断层距离、岩层倾向、河流距离、道路距离等相关数值。基于上述斜坡单元静态诊断指标数值、斜坡单元的区域面积以及各个斜坡单元历史滑坡灾害信息,根据确定性系数模型的计算公式,计算出各个静态指标对滑坡灾害的CF贡献度。
上述的区域滑坡灾害风险预测方法,通过基于监测区域处于监测时期的静态诊断指标确定滑坡灾害易发性指数,基于监测区域处于监测时期的易发性指数和动态诊断指标确定滑坡风险指数,若滑坡风险指数超过所预设的阈值,则发出预警信号,参考地质灾害气象风险预警等级划分表并根据研究区具体情况进行所预设的阈值的调整,实现有效避免人工阈值带来的随机性,进行区域滑坡灾害的有效预测和预警。
如图8所示,对应于以上区域滑坡灾害风险预测方法,本发明还提供一种区域滑坡灾害风险预测装置300。该区域滑坡灾害风险预测装置300包括用于执行上述区域滑坡灾害风险预测方法的单元,该装置可以被配置于服务器中。具体地,请参阅图8,该区域滑坡灾害风险预测装置300包括静态指标获取单元301、易发指数确定单元302、动态指标获取单元303、风险指数确定单元304、判断单元305以及预警单元306。
静态指标获取单元301,用于获取监测区域处于监测时期的静态诊断指标;易发指数确定单元302,用于根据所述静态诊断指标结合确定性系数模型和决策树模型确定所述监测区域处于监测时期的滑坡灾害易发性指数;动态指标获取单元303,用于获取所述监测区域处于监测时期的动态诊断指标;风险指数确定单元304,用于根据所述动态诊断指标以及所述滑坡灾害易发性指数确定所述监测区域处于监测时期的滑坡风险指数;判断单元305,用于判断所述滑坡风险指数是否超过预设的阈值;预警单元306,用于若所述滑坡灾害易发性指数超过预设的阈值,则生成预警信号,并发送至终端。
在一实施例中,如图8所示,所述易发指数确定单元302包括CF值确定子单元3021、决策树建立子单元3022以及指数确定子单元3023。
CF值确定子单元3021,用于基于确定性系数模型计算所述静态诊断指标的CF贡献度;决策树建立子单元3022,用于根据所述CF贡献度建立决策树模型;指数确定子单元3023,用于利用所述决策树模型结合SPE集成框架确定所述监测区域处于监测时期的滑坡灾害易发性指数。
在一实施例中,决策树建立子单元3022,用于将所述CF贡献度作为新特征代替原始变量信息,结合各个区域是否发生滑坡灾害作为样本集,建立决策树模型。
在一实施例中,指数确定子单元3023,用于根据所述动态诊断指标以及所述滑坡灾害易发性指数利用机器学习模型确定所述监测区域处于监测时期的滑坡风险指数。
在一实施例中,上述的区域滑坡灾害风险预测装置300还包括模型生成单元,用于通过已发生滑坡的斜坡单元以及未发生滑坡的斜坡单元的地质环境属性和降雨属性训练沿用SPE集成框架且基模型为LightGBM模型的初始模型,以得到所述机器学习模型。
在一实施例中,所述模型生成单元包括数据集构建子单元、初始模型构建子单元以及训练子单元。
数据集构建子单元,用于构建已发生滑坡的斜坡单元以及未发生滑坡的斜坡单元的地质环境属性和降雨属性,以得到数据集;初始模型构建子单元,用于构建沿用SPE集成框架,且基模型为LightGBM模型的初始模型;训练子单元,用于利用所述数据集对所述初始模型进行训练和参数优化,以得到机器学习模型。
需要说明的是,所属领域的技术人员可以清楚地了解到,上述区域滑坡灾害风险预测装置300和各单元的具体实现过程,可以参考前述方法实施例中的相应描述,为了描述的方便和简洁,在此不再赘述。
上述区域滑坡灾害风险预测装置300可以实现为一种计算机程序的形式,该计算机程序可以在如图9所示的计算机设备上运行。
请参阅图9,图9是本申请实施例提供的一种计算机设备的示意性框图。该计算机设备500可以是服务器,其中,服务器可以是独立的服务器,也可以是多个服务器组成的服务器集群。
参阅图9,该计算机设备500包括通过系统总线501连接的处理器502、存储器和网络接口505,其中,存储器可以包括非易失性存储介质503和内存储器504。
该非易失性存储介质503可存储操作系统5031和计算机程序5032。该计算机程序5032包括程序指令,该程序指令被执行时,可使得处理器502执行一种区域滑坡灾害风险预测方法。
该处理器502用于提供计算和控制能力,以支撑整个计算机设备500的运行。
该内存储器504为非易失性存储介质503中的计算机程序5032的运行提供环境,该计算机程序5032被处理器502执行时,可使得处理器502执行一种区域滑坡灾害风险预测方法。
该网络接口505用于与其它设备进行网络通信。本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备500的限定,具体的计算机设备500可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
其中,所述处理器502用于运行存储在存储器中的计算机程序5032,以实现如下步骤:
获取监测区域处于监测时期的静态诊断指标;根据所述静态诊断指标结合确定性系数模型和决策树模型确定所述监测区域处于监测时期的滑坡灾害易发性指数;获取所述监测区域处于监测时期的动态诊断指标;根据所述动态诊断指标以及所述滑坡灾害易发性指数确定所述监测区域处于监测时期的滑坡风险指数;判断所述滑坡风险指数是否超过预设的阈值;若所述滑坡灾害易发性指数超过预设的阈值,则生成预警信号,并发送至终端。
其中,所述静态诊断指标包括监测区域的地形地貌、地层岩性以及土壤类型;所述动态诊断指标包括监测区域的降雨情况。
在一实施例中,处理器502在实现所述根据所述静态诊断指标结合确定性系数模型和决策树模型确定所述监测区域处于监测时期的滑坡灾害易发性指数步骤时,具体实现如下步骤:
基于确定性系数模型计算所述静态诊断指标的CF贡献度;根据所述CF贡献度建立决策树模型;利用所述决策树模型结合SPE集成框架确定所述监测区域处于监测时期的滑坡灾害易发性指数。
在一实施例中,处理器502在实现所述根据所述CF贡献度建立决策树模型步骤时,具体实现如下步骤:
将所述CF贡献度作为新特征代替原始变量信息,结合各个区域是否发生滑坡灾害作为样本集,建立决策树模型。
在一实施例中,处理器502在实现所述根据所述动态诊断指标以及所述滑坡灾害易发性指数确定所述监测区域处于监测时期的滑坡风险指数步骤时,具体实现如下步骤:
根据所述动态诊断指标以及所述滑坡灾害易发性指数利用机器学习模型确定所述监测区域处于监测时期的滑坡风险指数。
其中,所述机器学习模型通过已发生滑坡的斜坡单元以及未发生滑坡的斜坡单元的地质环境属性和降雨属性训练沿用SPE集成框架且基模型为LightGBM模型的初始模型所得的。
在一实施例中,处理器502在实现所述机器学习模型通过已发生滑坡的斜坡单元以及未发生滑坡的斜坡单元的地质环境属性和降雨属性训练沿用SPE集成框架且基模型为LightGBM模型的初始模型所得的步骤时,具体实现如下步骤:
构建已发生滑坡的斜坡单元以及未发生滑坡的斜坡单元的地质环境属性和降雨属性,以得到数据集;构建沿用SPE集成框架,且基模型为LightGBM模型的初始模型;利用所述数据集对所述初始模型进行训练和参数优化,以得到机器学习模型。
应当理解,在本申请实施例中,处理器502可以是中央处理单元(CentralProcessing Unit,CPU),该处理器502还可以是其他通用处理器、数字信号处理器(DigitalSignal 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。其中,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。
本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令,计算机程序可存储于一存储介质中,该存储介质为计算机可读存储介质。该程序指令被该计算机系统中的至少一个处理器执行,以实现上述方法的实施例的流程步骤。
因此,本发明还提供一种存储介质。该存储介质可以为计算机可读存储介质。该存储介质存储有计算机程序,其中该计算机程序被处理器执行时使处理器执行如下步骤:
获取监测区域处于监测时期的静态诊断指标;根据所述静态诊断指标结合确定性系数模型和决策树模型确定所述监测区域处于监测时期的滑坡灾害易发性指数;获取所述监测区域处于监测时期的动态诊断指标;根据所述动态诊断指标以及所述滑坡灾害易发性指数确定所述监测区域处于监测时期的滑坡风险指数;判断所述滑坡风险指数是否超过预设的阈值;若所述滑坡灾害易发性指数超过预设的阈值,则生成预警信号,并发送至终端。
其中,所述静态诊断指标包括监测区域的地形地貌、地层岩性以及土壤类型;所述动态诊断指标包括监测区域的降雨情况。
在一实施例中,所述处理器在执行所述计算机程序而实现所述根据所述静态诊断指标结合确定性系数模型和决策树模型确定所述监测区域处于监测时期的滑坡灾害易发性指数步骤时,具体实现如下步骤:
基于确定性系数模型计算所述静态诊断指标的CF贡献度;根据所述CF贡献度建立决策树模型;利用所述决策树模型结合SPE集成框架确定所述监测区域处于监测时期的滑坡灾害易发性指数。
在一实施例中,所述处理器在执行所述计算机程序而实现所述根据所述CF贡献度建立决策树模型步骤时,具体实现如下步骤:
将所述CF贡献度作为新特征代替原始变量信息,结合各个区域是否发生滑坡灾害作为样本集,建立决策树模型。
在一实施例中,所述处理器在执行所述计算机程序而实现所述根据所述动态诊断指标以及所述滑坡灾害易发性指数确定所述监测区域处于监测时期的滑坡风险指数步骤时,具体实现如下步骤:
根据所述动态诊断指标以及所述滑坡灾害易发性指数利用机器学习模型确定所述监测区域处于监测时期的滑坡风险指数。
其中,所述机器学习模型通过已发生滑坡的斜坡单元以及未发生滑坡的斜坡单元的地质环境属性和降雨属性训练沿用SPE集成框架且基模型为LightGBM模型的初始模型所得的。
在一实施例中,所述处理器在执行所述计算机程序而实现所述机器学习模型通过已发生滑坡的斜坡单元以及未发生滑坡的斜坡单元的地质环境属性和降雨属性训练沿用SPE集成框架且基模型为LightGBM模型的初始模型所得的步骤时,具体实现如下步骤:
构建已发生滑坡的斜坡单元以及未发生滑坡的斜坡单元的地质环境属性和降雨属性,以得到数据集;构建沿用SPE集成框架,且基模型为LightGBM模型的初始模型;利用所述数据集对所述初始模型进行训练和参数优化,以得到机器学习模型。
所述存储介质可以是U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的。例如,各个单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
本发明实施例方法中的步骤可以根据实际需要进行顺序调整、合并和删减。本发明实施例装置中的单元可以根据实际需要进行合并、划分和删减。另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。
该集成的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,可以存储在一个存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,终端,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.区域滑坡灾害风险预测方法,其特征在于,包括:
获取监测区域处于监测时期的静态诊断指标;
根据所述静态诊断指标结合确定性系数模型和决策树模型确定所述监测区域处于监测时期的滑坡灾害易发性指数;
获取所述监测区域处于监测时期的动态诊断指标;
根据所述动态诊断指标以及所述滑坡灾害易发性指数确定所述监测区域处于监测时期的滑坡风险指数;
判断所述滑坡风险指数是否超过预设的阈值;
若所述滑坡灾害易发性指数超过预设的阈值,则生成预警信号,并发送至终端。
2.根据权利要求1所述的区域滑坡灾害风险预测方法,其特征在于,所述静态诊断指标包括监测区域的地形地貌、地层岩性以及土壤类型;所述动态诊断指标包括监测区域的降雨情况。
3.根据权利要求1所述的区域滑坡灾害风险预测方法,其特征在于,所述根据所述静态诊断指标结合确定性系数模型和决策树模型确定所述监测区域处于监测时期的滑坡灾害易发性指数,包括:
基于确定性系数模型计算所述静态诊断指标的CF贡献度;
根据所述CF贡献度建立决策树模型;
利用所述决策树模型结合SPE集成框架确定所述监测区域处于监测时期的滑坡灾害易发性指数。
4.根据权利要求3所述的区域滑坡灾害风险预测方法,其特征在于,所述根据所述CF贡献度建立决策树模型,包括:
将所述CF贡献度作为新特征代替原始变量信息,结合各个区域是否发生滑坡灾害作为样本集,建立决策树模型。
5.根据权利要求1所述的区域滑坡灾害风险预测方法,其特征在于,所述根据所述动态诊断指标以及所述滑坡灾害易发性指数确定所述监测区域处于监测时期的滑坡风险指数,包括:
根据所述动态诊断指标以及所述滑坡灾害易发性指数利用机器学习模型确定所述监测区域处于监测时期的滑坡风险指数。
6.根据权利要求5所述的区域滑坡灾害风险预测方法,其特征在于,所述机器学习模型通过已发生滑坡的斜坡单元以及未发生滑坡的斜坡单元的地质环境属性和降雨属性训练沿用SPE集成框架且基模型为LightGBM模型的初始模型所得的。
7.根据权利要求6所述的区域滑坡灾害风险预测方法,其特征在于,所述机器学习模型通过已发生滑坡的斜坡单元以及未发生滑坡的斜坡单元的地质环境属性和降雨属性训练沿用SPE集成框架且基模型为LightGBM模型的初始模型所得的,包括:
构建已发生滑坡的斜坡单元以及未发生滑坡的斜坡单元的地质环境属性和降雨属性,以得到数据集;
构建沿用SPE集成框架,且基模型为LightGBM模型的初始模型;
利用所述数据集对所述初始模型进行训练和参数优化,以得到机器学习模型。
8.区域滑坡灾害风险预测装置,其特征在于,包括:
静态指标获取单元,用于获取监测区域处于监测时期的静态诊断指标;
易发指数确定单元,用于根据所述静态诊断指标结合确定性系数模型和决策树模型确定所述监测区域处于监测时期的滑坡灾害易发性指数;
动态指标获取单元,用于获取所述监测区域处于监测时期的动态诊断指标;
风险指数确定单元,用于根据所述动态诊断指标以及所述滑坡灾害易发性指数确定所述监测区域处于监测时期的滑坡风险指数;
判断单元,用于判断所述滑坡风险指数是否超过预设的阈值;
预警单元,用于若所述滑坡灾害易发性指数超过预设的阈值,则生成预警信号,并发送至终端。
9.一种计算机设备,其特征在于,所述计算机设备包括存储器及处理器,所述存储器上存储有计算机程序,所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的方法。
10.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211293010.XA CN116415481A (zh) | 2022-10-21 | 2022-10-21 | 区域滑坡灾害风险预测方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211293010.XA CN116415481A (zh) | 2022-10-21 | 2022-10-21 | 区域滑坡灾害风险预测方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116415481A true CN116415481A (zh) | 2023-07-11 |
Family
ID=87050320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211293010.XA Pending CN116415481A (zh) | 2022-10-21 | 2022-10-21 | 区域滑坡灾害风险预测方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116415481A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116933535A (zh) * | 2023-07-24 | 2023-10-24 | 广东省有色矿山地质灾害防治中心 | 一种地质灾害位移监测方法、装置、设备以及存储介质 |
CN117291432A (zh) * | 2023-11-27 | 2023-12-26 | 安徽金海迪尔信息技术有限责任公司 | 一种基于人工智能的水资源调度监测系统 |
CN117828384A (zh) * | 2024-03-04 | 2024-04-05 | 中国地质科学院探矿工艺研究所 | 地质灾害风险点监测与应急响应系统及方法 |
-
2022
- 2022-10-21 CN CN202211293010.XA patent/CN116415481A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116933535A (zh) * | 2023-07-24 | 2023-10-24 | 广东省有色矿山地质灾害防治中心 | 一种地质灾害位移监测方法、装置、设备以及存储介质 |
CN116933535B (zh) * | 2023-07-24 | 2024-03-19 | 广东省有色矿山地质灾害防治中心 | 一种地质灾害位移监测方法、装置、设备以及存储介质 |
CN117291432A (zh) * | 2023-11-27 | 2023-12-26 | 安徽金海迪尔信息技术有限责任公司 | 一种基于人工智能的水资源调度监测系统 |
CN117291432B (zh) * | 2023-11-27 | 2024-02-23 | 安徽金海迪尔信息技术有限责任公司 | 一种基于人工智能的水资源调度监测系统 |
CN117828384A (zh) * | 2024-03-04 | 2024-04-05 | 中国地质科学院探矿工艺研究所 | 地质灾害风险点监测与应急响应系统及方法 |
CN117828384B (zh) * | 2024-03-04 | 2024-05-07 | 中国地质科学院探矿工艺研究所 | 地质灾害风险点监测与应急响应系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116415481A (zh) | 区域滑坡灾害风险预测方法、装置、计算机设备及存储介质 | |
Guzzetti et al. | Estimating the quality of landslide susceptibility models | |
KR102009574B1 (ko) | 하천에서의 홍수범람 대응 관리 방법 및 하천에서의 홍수범람 대응 관리 시스템 | |
Feng et al. | Comparing multilevel modelling and artificial neural networks in house price prediction | |
CN110008301A (zh) | 基于机器学习的区域性地质灾害易发性预测方法及装置 | |
CN113723446B (zh) | 地灾监测预警方法、装置、计算机设备及存储介质 | |
CN112966722A (zh) | 基于半监督随机森林模型的区域滑坡易发性预测方法 | |
CN116523089B (zh) | 一种用于公路交通的降雨致灾风险预报方法及装置 | |
CN110234811A (zh) | 道路坍塌风险度评价装置和道路坍塌风险度评价方法,以及道路坍塌风险度评价用计算机程序 | |
CN115270527B (zh) | 道路塌陷风险实时评估方法、设备及存储介质 | |
Schmidinger et al. | Validation of uncertainty predictions in digital soil mapping | |
CN114897378A (zh) | 地质灾害精细化气象风险预警区评价方法及装置 | |
CN106960263A (zh) | 一种地质灾害监测预警的方法和装置 | |
CN116110210B (zh) | 复杂环境下数据驱动的滑坡灾害辅助决策方法 | |
CN116777079A (zh) | 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法 | |
Wan et al. | An assessment of the national water model’s ability to reproduce drought series in the northeastern United States | |
JP2021140536A (ja) | 水位予測プログラム、水位予測方法および情報処理装置 | |
JP3646726B1 (ja) | 防災事業支援システム | |
CN113744888B (zh) | 区域流行病趋势预测预警方法及系统 | |
Neshat et al. | A hybrid fuzzy knowledge-based system for forest fire risk forecasting | |
Janál et al. | Fuzzy logic based flash flood forecast | |
Saffarpour et al. | Short-term prediction of flood events in a small urbanized watershed using multi-year hydrological records | |
CN117035465B (zh) | 一种评估滑坡易发性的方法和装置 | |
CN116739188B (zh) | 地质灾害作用下油气管道易损性预警方法及装置 | |
Das et al. | Application of the Multitype Strauss point model for characterizing the spatial distribution of landslides |
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 |