CN116522790A - 一种确定暴雨导致滑坡链式灾害影响区域的方法和系统 - Google Patents
一种确定暴雨导致滑坡链式灾害影响区域的方法和系统 Download PDFInfo
- Publication number
- CN116522790A CN116522790A CN202310549076.9A CN202310549076A CN116522790A CN 116522790 A CN116522790 A CN 116522790A CN 202310549076 A CN202310549076 A CN 202310549076A CN 116522790 A CN116522790 A CN 116522790A
- Authority
- CN
- China
- Prior art keywords
- landslide
- model
- sample
- candidate
- area
- 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 27
- 238000012795 verification Methods 0.000 claims abstract description 29
- 238000012360 testing method Methods 0.000 claims abstract description 22
- 238000010276 construction Methods 0.000 claims abstract description 20
- 239000000203 mixture Substances 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 238000013500 data storage Methods 0.000 claims description 11
- 238000004080 punching Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000002689 soil Substances 0.000 claims description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 230000000977 initiatory effect Effects 0.000 claims 1
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 9
- 230000003044 adaptive effect Effects 0.000 description 7
- 238000012876 topography Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000011010 flushing procedure Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Databases & Information Systems (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明公开了一种确定暴雨导致滑坡链式灾害影响区域的方法和系统,所述方法包括:获取观测地的历史滑坡数据和候选影响因子;将所述历史滑坡数据划分为模型构建样本、模型验证样本和模型测试样本;利用所述模型构建样本、所述模型验证样本和所述候选影响因子,获取所述观测地内各空间位置由暴雨诱发的滑坡链式灾害的发生概率;使用所述模型验证样本和所述发生概率确定所述滑坡链式灾害的启动滑源区域;根据所述启动滑源区域和所述模型测试样本得到所述观测地内所述滑坡链式灾害的影响区域;本发明解决了现有技术在评估滑坡灾害时只考虑了滑坡的启动发生点位的问题,能够准确获得滑坡实际可能造成影响的空间范围。
Description
技术领域
本发明涉及气象灾害预警领域,尤其是涉及一种确定暴雨导致滑坡链式灾害影响区域的方法和系统。
背景技术
滑坡灾害已经成为仅次于地震灾害的第二大自然灾害,同时也是我国主要的地质灾害类型之一。调查资料显示90%的滑坡由降雨诱发,降雨型滑坡已成为影响人类生活的重要灾害之一。
现有技术中,对暴雨诱发的滑坡灾害预测主要是通过对滑坡区域地形特点、土壤性质、植被覆盖率、降雨量等影响因素来进行的,具有较高的准确性。但是在发生强降雨时,现有技术在评估滑坡灾害时只考虑了滑坡的启动发生点位,然而仅仅只是预测滑坡的发生或者是滑坡的启动发生点位无法准确获得滑坡实际可能造成影响的空间范围,特别不利于发生强降雨时滑坡灾害的预防和降低滑坡灾害造成的损失。
发明内容
发明目的:本发明的目的是提供一种高准确性和可靠性的确定暴雨导致滑坡链式灾害影响区域的方法;本发明的第二目的是提供一种高准确性和可靠性的确定暴雨导致滑坡链式灾害影响区域的系统。
技术方案:本发明所述的确定暴雨导致滑坡链式灾害影响区域的方法包括如下步骤:
获取观测地的历史滑坡数据和候选影响因子;
将所述历史滑坡数据划分为模型构建样本、模型验证样本和模型测试样本;
利用所述模型构建样本、所述模型验证样本和所述候选影响因子,获取所述观测地内各空间位置由暴雨诱发的滑坡链式灾害的发生概率;
使用所述模型验证样本和所述发生概率确定所述滑坡链式灾害的启动滑源区域;
根据所述启动滑源区域得到所述观测地内所述滑坡链式灾害的影响区域。
进一步地,所述候选影响因子包括地形坡度、地形起伏度、地形曲率、地形位置、地形湿度指数、暴雨空间分布、地质条件、岩性类型、土壤类型、植被覆盖、水系密度、道路密度;
所述利用所述模型构建样本、所述模型验证样本和所述候选影响因子,获取所述观测地内各空间位置的暴雨滑坡链式灾害的发生概率,包括如下步骤:
提取所述模型构建样本中滑坡区域的滑源区域;根据所述滑源区域和所述候选影响因子建立滑坡启动概率模型;根据所述滑坡启动概率模型计算所述发生概率。
进一步地,所述提取所述模型构建样本中的滑坡区域的滑源区域包括如下步骤:
确定所述滑坡区域的形状和地形特征;根据所述滑坡区域的形状和地形特征提取所述滑源区域。
进一步地,所述根据所述滑源区域和所述候选影响因子建立滑坡启动概率模型包括如下步骤;
建立考虑多个所述候选影响因子的经典参数混合模型,所述经典参数混合模型满足如下关系:
,
其中, ,/>为参数,/>为滑坡启动概率,x为所述模型构建样本中的滑坡样本,N为所述候选影响因子的数量,πn为不同所述候选影响因子的混合比例,/>为n个所述候选影响因子的混合物参数,/>为所述混合物参数化的第n个所述候选影响因子的密度;
获取所述经典参数混合模型的对数似然函数,所述对数似然函数满足如下关系:
,
其中,表示所述对数似然函数,xm为所述模型构建样本中第m个滑坡样本,jin为判别因子;
利用所述对数似然函数对所述模型构建样本和所述模型验证样本进行参数估计,获取所述候选影响因子的最大化数量;根据所述最大化数量建立所述滑坡启动概率模型。
进一步地,所述最大化数量通过如下关系获取:
,
其中,BIC(M)表示使用贝叶斯信息准则选择所述最大化数量,M为所述最大化数量,表示所述对数似然函数,/>为参数,v(M)为所述经典参数混合模型中包含M个所述候选影响因子的所有参数的数量,k为所述模型构建样本和所述模型验证样本中滑坡样本的总数。
进一步地,所述利用所述模型构建样本、所述模型验证样本、所述模型测试样本和所述候选影响因子,获取所述观测地内各空间位置的暴雨滑坡链式灾害的发生概率还包括如下步骤:
根据所述最大化数量选择多组所述候选影响因子建立多个所述滑坡启动概率模型;
计算每个所述滑坡启动概率模型的后验概率以获取最大后验概率,所述后验概率满足如下关系;
,
其中,P(Z=n;X=x)为在第n组所述候选影响因子的影响下滑坡样本x发生滑坡的后验概率,为滑坡启动概率,πn为不同所述候选影响因子的混合比例,/>为n个所述候选影响因子的混合物参数,/>为所述混合物参数化的第n个所述候选影响因子的密度;
将计算获取的所述发生概率归类到具有所述最大后验概率的所述滑坡启动概率模型中,获得具体的所述候选影响因子。
进一步地,所述使用所述模型验证样本和所述发生概率确定暴雨滑坡链式灾害的启动滑源区域包括如下步骤:
利用所述模型验证样本和所述发生概率获取滑坡的启动概率阈值,同时计算特定的所述启动概率阈值的正确率以获得最优启动概率阈值;
将大于所述最优启动概率阈值的所有空间位置对应的栅格作为所述启动滑源区域。
进一步地,所述根据所述启动滑源区域和所述模型测试样本得到所述观测地内所述滑坡链式灾害的影响区域包括如下步骤:
获取所述启动滑源区域的启动滑源区域分布数据和数字高程模型数据;
利用所述启动滑源区域分布数据、所述数字高程模型数据和滑坡演进模型获取滑坡的预测运动路径和预测冲出距离;
使用所述模型测试样本测试所述预测运动路径和所述预测冲出距离,并确定最优运动路径和最优冲出距离,得到所述影响区域。
本发明所述的确定暴雨导致滑坡链式灾害影响区域的系统,适用于所述的确定暴雨导致滑坡链式灾害影响区域的方法,包括:
数据获取模块,所述数据获取模块用于获取所述观测地的所述历史滑坡数据和所述候选影响因子;
数据处理模块,所述数据处理模块与所述数据获取模块相连接,所述数据处理模块用于使用所述历史滑坡数据和所述候选影响因子获取所述观测地内所述滑坡链式灾害的影响区域;
数据储存模块,所述数据储存模块与所述数据处理模块相连接,所述数据储存模块用于储存所述数据处理模块中的数据;
数据输出模块,所述数据输出模块与所述数据处理模块和所述数据储存模块相连接,所述数据输出模块用于输出所述数据处理模块和所述数据储存模块中的数据。
有益效果:与现有技术相比,本发明的优点在于:利用观测地的历史滑坡数据和暴雨发生时可能滑坡造成影响的候选影响因子,建立滑坡启动概率模型获取滑坡的启动滑源区域,并结合滑坡演进模型获取滑坡的影响区域,不仅考虑了滑坡的启动发生点位,而且还考虑了滑坡运动的最优路径和冲出距离,并基于后验概率获取了具体的对滑坡产生影响的因素,因此确定的滑坡影响区域具有极高的准确性和可靠性,能准确获得滑坡实际可能造成影响的空间范围,实现了滑坡实际可能造成影响的空间范围的智能化识别和确认。
附图说明
图1为本发明的确定暴雨导致滑坡链式灾害影响区域的方法流程图。
图2为本发明的确定暴雨导致滑坡链式灾害影响区域的系统结构图。
实施方式
下面结合附图对本发明的技术方案作进一步说明。
如图1所示,所述确定暴雨导致滑坡链式灾害影响区域的方法,包括如下步骤:
S1、获取观测地的历史滑坡数据和候选影响因子。
在本实施例当中,历史滑坡数据可以从观测地所在位置的地质灾害数据库中下载,候选影响因子包括地形坡度、地形起伏度、地形曲率、地形位置、地形湿度指数、暴雨空间分布、地质条件、岩性类型、土壤类型、植被覆盖、水系密度、道路密度。
历史滑坡数据的数据量不宜过大,以提升确定暴雨导致滑坡链式灾害影响区域的速度和准确性。
在其他可选地实施例当中,历史滑坡数据也可以通过其他途径获取;候选影响因子还可以包括其他因素,例如通行人数、时间等,但在选取候选影响因子时因提前考虑每个候选影响因子对滑坡的影响程度,便于减少不必要的计算,以提高确定滑坡影响区域的速度。
S2、将历史滑坡数据划分为模型构建样本、模型验证样本和模型测试样本。
其中,S2具体又包括如下步骤:
S21、整理历史滑坡数据;
S22、将历史滑坡数据按7∶2∶1的比例依次划分为模型构建样本、模型验证样本和模型测试样本。
S3、利用模型构建样本、模型验证样本和候选影响因子,获取观测地内各空间位置由暴雨诱发的滑坡链式灾害的发生概率。
其中,S3具体又包括如下步骤:
S31、提取模型构建样本中滑坡区域的滑源区域。
其中,S31具体又包括如下步骤:
S311、确定滑坡区域的形状和地形特征。
S312、根据滑坡区域的形状和地形特征提取滑源区域。
在本实施例当中,滑源区域为滑坡启动区域,通过图像识别技术确定滑坡区域的形状和地形特征,根据滑坡区域的形状和地形特征即可判断滑坡的启动区域,提高滑源区域的提取效率。
进一步的,在其他可选地实施例当中,也可以通过其他方式确定滑坡区域的形状和地形特征,进而提取滑源区域。
S32、根据滑源区域和候选影响因子建立滑坡启动概率模型。
其中,S32具体又包括如下步骤:
S321、建立考虑多个候选影响因子的经典参数混合模型,经典参数混合模型满足如下关系:
其中, ,/>为参数,/>为滑坡启动概率,x为所述模型构建样本中的滑坡样本,N为所述候选影响因子的数量,πn为不同所述候选影响因子的混合比例,/>为n个所述候选影响因子的混合物参数,/>为所述混合物参数化的第n个所述候选影响因子的密度。
具体的,在本实施例当中,不同的候选影响因子对于滑坡灾害的影响不同,而暴雨诱发的滑坡灾害是在多个候选影响因子的共同影响下发生的,因此要考虑不同的候选影响因子在所有诱发滑坡灾害的候选影响因子中所占的比重,具体为考虑不同候选影响因子的混合比例,例如观测地坡度越大,则“地形坡度”这一候选影响因子的混合比例就越大,同时“地形坡度”这一候选影响因子的密度也就越大。
S322、获取经典参数混合模型的对数似然函数,对数似然函数满足如下关系:
其中,表示对数似然函数,xm为模型构建样本中第m个滑坡样本,jin为判别因子。
具体的,在本实施例当中,若第i(0<i<m)个滑坡样本主要受n个候选影响因子影响,则jin=1,否则jin=0,这样可以排除多余的候选影响因子的影响,提升滑坡影响区域的准确性,同时也有利于找出准确的所述候选影响因子的数量。
S323、利用对数似然函数对模型构建样本和模型验证样本进行参数估计,获取候选影响因子的最大化数量,最大化数量通过如下关系获取:
其中,BIC(M)表示使用贝叶斯信息准则选择最大化数量,M为最大化数量,v(M)为经典参数混合模型中包含M个候选影响因子的所有参数的数量,k为模型构建样本和模型验证样本中滑坡样本的总数。
具体的,在本实施例当中,构建经典参数混合模型时,会给滑坡造成主要影响的候选影响因子的具体数量N是不确定的,因此通过贝叶斯信息准则的模型选择功能来选择适当的模型,使候选影响因子的数量最大化,避免漏掉可能对滑坡造成影响的候选影响因子,提高发生概率的准确性。
S324、根据最大化数量建立基于自适应判别分析技术的滑坡启动概率模型。
自适应判别分析(adaptive discriminant analysis)是众多监督机器学习模型中用于处理分类问题的一种,本质上仍是统计学中的判别分析(Discriminant Analysis)。通常来说,又可以进一步分为灵活判别分析(Flexible discriminant analysis)和混合判别分析(Mixture discriminant analysis),这两种判别分析无明显的优劣差异。
本发明所述的自适应判别分析技术是指自适应混合判别分析(Adaptive MixtureDiscriminant Analysis),本发明利用自适应混合判别分析检测在训练滑坡样本点时中未观察到的样本类别,并可以使学习到的分类器适应新的情况,也就是说能够检测在学习阶段未观测到的新类。此外,其组合了更多的神经网络分类器;由于其适度的结构,自适应混合判别分析能够结合线性混合分类器进行简单的解释,其原理简述如下,先建立考虑多个滑坡影响因素的经典参数混合模型,其本质是基于历史滑坡样本是一个具有密度的随机向量独立实现的假设,而后采用反演归纳法对训练集和验证集进行模型参数估计,最后基于最大后验规则将新的滑坡启动概率值分配给具有最高后验概率的类别中。
具体的,在本实施例当中,在确定最大化数量之后,即确定了影响滑坡发生的候选因子数量M,也就是N的最大值,因此只需将M带入经典参数混合模型中建立基于自适应判别分析技术的混合模型,混合模型即可作为滑坡启动概率模型。
S33、根据滑坡启动概率模型计算发生概率。
S34、根据最大化数量选择多组候选影响因子建立多个滑坡启动概率模型。
具体的,在本实施例当中,在获取到候选影响因子的最大化数量之后,候选影响因子具体是哪些还不明确,因此为了获取确切的候选影响因子,因此根据最大化数量,在所有候选影响因子中随机挑选M个候选影响因子组成一个影响因子组合,重复随机地挑选多次以获取多组影响因子组合,最后根据影响因子组合和不同候选影响因子的混合比例建立多个对应的滑坡启动概率模型,有利于找出每个滑坡样本中影响滑坡的候选影响因子。
S35、计算每个滑坡启动概率模型的后验概率以获取最大后验概率,后验概率满足如下关系;
其中,P(Z=n;X=x)为在第n组候选影响因子的影响下滑坡样本x发生滑坡的后验概率。
具体的,针对特定的滑坡样本,通过滑坡启动概率模型计算其滑坡概率,在已知滑坡样本的滑坡概率,未知具体的候选影响因子的情况下,通过计算后验概率可以判断每一个影响因子组合造成滑坡的概率大小,进而判断影响滑坡的具体的候选影响因子。
S36、将计算获取的发生概率归类到具有最大后验概率的滑坡启动概率模型中,获得具体的候选影响因子。
具体的,在本实施例当中,具有最大后验概率的滑坡启动概率模型中,所对应的影响因子组合中所有候选影响因子即为影响滑坡的候选影响因子,通过找到具体的候选影响因子可以提高发生概率的可靠性,也能为今后确定滑坡灾害的影响因素提供参考。
S4、使用模型验证样本和发生概率确定滑坡链式灾害的启动滑源区域。
其中,S4具体又包括如下步骤:
S41、利用模型验证样本和发生概率获取滑坡的启动概率阈值,同时计算特定的启动概率阈值的正确率以获得最优启动概率阈值。
具体到,在本实施例当中,利用模型验证样本数据,基于试错法逐步迭代步骤S33中计算的发生概率以获得滑坡的多个启动概率阈值,如果计算的发生概率大于启动概率阈值,则确定滑坡必定发生,如果计算的发生概率小于启动概率阈值,则滑坡不会发生。
进一步的,基于模型验证样本和启动概率阈值,统计实际发生滑坡的数量与根据不同的启动概率阈值判断的滑坡数量,并依次计算每个启动概率阈值的准确率以获得最优启动概率阈值,准确率为根据模型验证样本判断的滑坡数量与模型验证样本中实际滑坡数量的比值。
S42、将大于最优启动概率阈值的所有空间位置对应的栅格作为启动滑源区域。
具体的,在本实施例当中,将模型验证样本中发生概率大于最优启动概率阈值的所有空间位置对应的栅格,作为暴雨滑坡链式灾害的启动滑源区域。
S5、根据启动滑源区域和模型测试样本得到观测地内滑坡链式灾害的影响区域。
其中,S5具体又包括如下步骤:
S51、获取启动滑源区域的启动滑源区域分布数据和数字高程模型数据。
具体的,在本实施例当中,启动滑源区域分布数据即为每个启动滑源区域的地理位置,数字高程模型数据的获取可参考现有技术,在此不做限定。
进一步的,数字高程模型数据中包含了启动滑源区域得海拔、坡度、坡长和坡向等数据,结合启动滑源区域分布数据能够准确的反映启动滑源区域的地形特征,有利于获得准确的滑坡影响区域。
S52、利用启动滑源区域分布数据、数字高程模型数据和滑坡演进模型获取滑坡的预测运动路径和预测冲出距离。
具体的,在本实施例当中,将启动滑源区域分布数据和数字高程模型数据共同输入runoptGPP滑坡演进模型获取滑坡的预测运动路径和预测冲出距离。
S53、使用模型测试样本测试预测运动路径和预测冲出距离,并确定最优运动路径和最优冲出距离,得到影响区域。
具体的,在本实施例当中,通过预测运动路径和预测冲出距离可以判断滑坡灾害在启动之后的预测冲出影响区,将预测冲出影响区与启动滑源区域结合即可初步确定影响区域,将初步确定的影响区域与模型测试样本的滑坡实际范围相互验证,以确定最优的运动路径和最优冲出距离。
进一步的,利用最优运动路径和最优冲出距离即可模拟出最优的滑坡冲出影响区,将最优的滑坡冲出影响区与启动滑源区域结合即可得到影响区域。影响区域是根据滑坡启动区域与滑坡冲去区域相结合获得的滑坡影响范围,具有较高的准确性和可靠性。
需要说明的是,在一些情况下,在说明书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果,在本实施例当中,所给出的步骤顺序仅仅是为了使实施例看起来更加清晰明了,方便说明,而非对其限制。
如图1所示,本发明所述确定暴雨导致滑坡链式灾害影响区域的系统,包括:数据获取模块A1、数据处理模块A2、数据储存模块A3和数据输出模块A4。
数据获取模块A1用于获取观测地的历史滑坡数据和候选影响因子。
数据处理模块A2与数据获取模块A1相连接,数据处理模块A2用于将历史滑坡数据和候选影响因子按7∶2∶1的比例依次划分为模型构建样本、模型验证样本和模型测试样本,然后利用模型构建样本和候选影响因子建立滑坡启动概率模型,并根据滑坡启动概率模型计算观测地内各空间位置由暴雨诱发的滑坡链式灾害的发生概率,再使用模型验证样本和发生概率确定滑坡链式灾害的启动滑源区域,最后根据启动滑源区域和模型测试样本得到观测地内滑坡链式灾害的影响区域。
数据储存模块A3与数据处理模块A2相连接,数据储存模块A3用于储存数据处理模块A2中的数据。
数据输出模块A4与数据处理模块A2和数据储存模块A3相连接,数据输出模块A4用于输出数据处理模块A2和数据储存模块A3中的数据。
Claims (10)
1.一种确定暴雨导致滑坡链式灾害影响区域的方法,其特征在于,包括如下步骤:
获取观测地的历史滑坡数据和候选影响因子;
将所述历史滑坡数据划分为模型构建样本、模型验证样本和模型测试样本;
利用所述模型构建样本、所述模型验证样本和所述候选影响因子,获取所述观测地内各空间位置由暴雨诱发的滑坡链式灾害的发生概率;
使用所述模型验证样本和所述发生概率确定所述滑坡链式灾害的启动滑源区域;
根据所述启动滑源区域得到所述观测地内所述滑坡链式灾害的影响区域。
2.根据权利要求1所述的确定暴雨导致滑坡链式灾害影响区域的方法,其特征在于,所述候选影响因子包括地形坡度、地形起伏度、地形曲率、地形位置、地形湿度指数、暴雨空间分布、地质条件、岩性类型、土壤类型、植被覆盖、水系密度、道路密度;
所述利用所述模型构建样本、所述模型验证样本和所述候选影响因子,获取所述观测地内各空间位置的暴雨滑坡链式灾害的发生概率,包括如下步骤:
提取所述模型构建样本中滑坡区域的滑源区域;
根据所述滑源区域和所述候选影响因子建立滑坡启动概率模型;
根据所述滑坡启动概率模型计算所述发生概率。
3.根据权利要求2所述的一种确定暴雨导致滑坡链式灾害影响区域的方法,其特征在于,所述提取所述模型构建样本中的滑坡区域的滑源区域包括如下步骤:
确定所述滑坡区域的形状和地形特征;
根据所述滑坡区域的形状和地形特征提取所述滑源区域。
4.根据权利要求2所述的一种确定暴雨导致滑坡链式灾害影响区域的方法,其特征在于,所述根据所述滑源区域和所述候选影响因子建立滑坡启动概率模型包括如下步骤;
建立考虑多个所述候选影响因子的经典参数混合模型,所述经典参数混合模型满足如下关系:
,
其中, ,/>为参数,/>为滑坡启动概率,x为所述模型构建样本中的滑坡样本,N为所述候选影响因子的数量,πn为不同所述候选影响因子的混合比例,/>为n个所述候选影响因子的混合物参数,/>为所述混合物参数化的第n个所述候选影响因子的密度;
获取所述经典参数混合模型的对数似然函数,所述对数似然函数满足如下关系:
,
其中,表示所述对数似然函数,xm为所述模型构建样本中第m个滑坡样本,jin为判别因子;
利用所述对数似然函数对所述模型构建样本和所述模型验证样本进行参数估计,获取所述候选影响因子的最大化数量;
根据所述最大化数量建立所述滑坡启动概率模型。
5.根据权利要求4所述的一种确定暴雨导致滑坡链式灾害影响区域的方法,其特征在于,所述最大化数量通过如下关系获取:
,
其中,BIC(M)表示使用贝叶斯信息准则选择所述最大化数量,M为所述最大化数量,表示所述对数似然函数,/>为参数,v(M)为所述经典参数混合模型中包含M个所述候选影响因子的所有参数的数量,k为所述模型构建样本和所述模型验证样本中滑坡样本的总数。
6.根据权利要求4所述的一种确定暴雨导致滑坡链式灾害影响区域的方法,其特征在于,所述利用所述模型构建样本、所述模型验证样本、所述模型测试样本和所述候选影响因子,获取所述观测地内各空间位置的暴雨滑坡链式灾害的发生概率还包括如下步骤:
根据所述最大化数量选择多组所述候选影响因子建立多个所述滑坡启动概率模型;
计算每个所述滑坡启动概率模型的后验概率以获取最大后验概率,所述后验概率满足如下关系;
,
其中,P(Z=n;X=x)为在第n组所述候选影响因子的影响下滑坡样本x发生滑坡的后验概率,为滑坡启动概率,πn为不同所述候选影响因子的混合比例,/>为n个所述候选影响因子的混合物参数,/>为所述混合物参数化的第n个所述候选影响因子的密度;
将计算获取的所述发生概率归类到具有所述最大后验概率的所述滑坡启动概率模型中,获得具体的所述候选影响因子。
7.根据权利要求1所述的一种确定暴雨导致滑坡链式灾害影响区域的方法,其特征在于,所述使用所述模型验证样本和所述发生概率确定暴雨滑坡链式灾害的启动滑源区域包括如下步骤:
利用所述模型验证样本和所述发生概率获取滑坡的启动概率阈值,同时计算特定的所述启动概率阈值的正确率以获得最优启动概率阈值;
将大于所述最优启动概率阈值的所有空间位置对应的栅格作为所述启动滑源区域。
8.根据权利要求1所述的一种确定暴雨导致滑坡链式灾害影响区域的方法,其特征在于,所述根据所述启动滑源区域和所述模型测试样本得到所述观测地内所述滑坡链式灾害的影响区域包括如下步骤:
获取所述启动滑源区域的启动滑源区域分布数据和数字高程模型数据;
利用所述启动滑源区域分布数据、所述数字高程模型数据和滑坡演进模型获取滑坡的预测运动路径和预测冲出距离;
使用所述模型测试样本测试所述预测运动路径和所述预测冲出距离,并确定最优运动路径和最优冲出距离,得到所述影响区域。
9.根据权利要求1所述的一种确定暴雨导致滑坡链式灾害影响区域的方法,其特征在于,所述将所述历史滑坡数据划分为模型构建样本、模型验证样本和模型测试样本包括如下步骤:
整理所述历史滑坡数据;
将所述历史滑坡数据按7∶2∶1的比例依次划分为所述模型构建样本、所述模型验证样本和所述模型测试样本。
10.一种确定暴雨导致滑坡链式灾害影响区域的系统,所述系统适用于权利要求1-9任意一项所述的一种确定暴雨导致滑坡链式灾害影响区域的方法,其特征在于,包括:
数据获取模块,所述数据获取模块用于获取所述观测地的所述历史滑坡数据和所述候选影响因子;
数据处理模块,所述数据处理模块与所述数据获取模块相连接,所述数据处理模块用于使用所述历史滑坡数据和所述候选影响因子获取所述观测地内所述滑坡链式灾害的影响区域;
数据储存模块,所述数据储存模块与所述数据处理模块相连接,所述数据储存模块用于储存所述数据处理模块中的数据;
数据输出模块,所述数据输出模块与所述数据处理模块和所述数据储存模块相连接,所述数据输出模块用于输出所述数据处理模块和所述数据储存模块中的数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310549076.9A CN116522790A (zh) | 2023-05-16 | 2023-05-16 | 一种确定暴雨导致滑坡链式灾害影响区域的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310549076.9A CN116522790A (zh) | 2023-05-16 | 2023-05-16 | 一种确定暴雨导致滑坡链式灾害影响区域的方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116522790A true CN116522790A (zh) | 2023-08-01 |
Family
ID=87404580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310549076.9A Pending CN116522790A (zh) | 2023-05-16 | 2023-05-16 | 一种确定暴雨导致滑坡链式灾害影响区域的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116522790A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172368A (zh) * | 2023-09-04 | 2023-12-05 | 中国地质大学(武汉) | 滑坡-涌浪最大高度超越概率预测方法、设备及存储设备 |
-
2023
- 2023-05-16 CN CN202310549076.9A patent/CN116522790A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117172368A (zh) * | 2023-09-04 | 2023-12-05 | 中国地质大学(武汉) | 滑坡-涌浪最大高度超越概率预测方法、设备及存储设备 |
CN117172368B (zh) * | 2023-09-04 | 2024-02-27 | 中国地质大学(武汉) | 滑坡-涌浪最大高度超越概率预测方法、设备及存储设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111815037B (zh) | 一种基于注意力机制的可解释性短临极端降雨预测方法 | |
CN109142171B (zh) | 基于特征扩张的融合神经网络的城市pm10浓度预测方法 | |
CN108761574A (zh) | 基于多源信息融合的降雨量估算方法 | |
CN115688404B (zh) | 基于svm-rf模型的降雨型滑坡预警方法 | |
CN112200358B (zh) | 一种滑坡等级预测方法、装置、设备和存储介质 | |
CN115061219B (zh) | 基于石油天然气探测的裂缝型储层预测识别方法及系统 | |
CN113496104A (zh) | 基于深度学习的降水预报订正方法及系统 | |
CN110555841B (zh) | 基于自注意图像融合和dec的sar图像变化检测方法 | |
Shashaani et al. | Multi-stage prediction for zero-inflated hurricane induced power outages | |
CN108985327A (zh) | 一种基于因子分析的地形匹配区自组织优化分类方法 | |
CN109086540B (zh) | 一种构建热带气旋路径预报模型的方法及装置 | |
CN103390154A (zh) | 基于进化多特征提取的人脸识别方法 | |
CN110909924A (zh) | 基于交叉熵优化器的城市扩张多情景模拟元胞自动机方法 | |
CN111967712B (zh) | 一种基于复杂网络理论的交通风险预测方法 | |
KR102145250B1 (ko) | 머신 러닝 기법을 이용한 산사태 취약성 지도 작성 방법 및 장치 | |
Chen et al. | Probabilistic forecasting of drought: a hidden Markov model aggregated with the RCP 8.5 precipitation projection | |
CN111784017A (zh) | 一种基于路况因素回归分析的公路交通事故数量预测方法 | |
CN116522790A (zh) | 一种确定暴雨导致滑坡链式灾害影响区域的方法和系统 | |
Di et al. | Developing machine learning tools for long-lead heavy precipitation prediction with multi-sensor data | |
CN117556197A (zh) | 一种基于人工智能的台风涡旋初始化方法 | |
CN114331206B (zh) | 点位选址方法、装置、电子设备及可读存储介质 | |
CN117540303A (zh) | 基于交叉半监督机器学习算法的滑坡易发性评估方法及系统 | |
CN116719241A (zh) | 一种基于3d可视化技术的信息化智能闸门自动控制方法 | |
CN116933947A (zh) | 一种基于软投票集成分类器的滑坡易发性预测方法 | |
Pozdnoukhov et al. | Applying machine learning methods to avalanche forecasting |
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 |