CN116757335B - 基于北斗卫星的崩塌预测方法及系统 - Google Patents
基于北斗卫星的崩塌预测方法及系统 Download PDFInfo
- Publication number
- CN116757335B CN116757335B CN202311036281.1A CN202311036281A CN116757335B CN 116757335 B CN116757335 B CN 116757335B CN 202311036281 A CN202311036281 A CN 202311036281A CN 116757335 B CN116757335 B CN 116757335B
- Authority
- CN
- China
- Prior art keywords
- content
- description field
- event
- monitoring
- target
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012544 monitoring process Methods 0.000 claims abstract description 428
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 12
- 239000002689 soil Substances 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000000547 structure data Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 2
- 230000000875 corresponding effect Effects 0.000 description 175
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000012986 modification Methods 0.000 description 8
- 230000004048 modification Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 239000011435 rock Substances 0.000 description 6
- 230000006872 improvement Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 239000010410 layer Substances 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005065 mining Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 239000004575 stone Substances 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000005336 cracking Methods 0.000 description 2
- 239000010419 fine particle Substances 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000579895 Chlorostilbon Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000003776 cleavage reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000010976 emerald Substances 0.000 description 1
- 229910052876 emerald Inorganic materials 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- ZLIBICFPKPWGIZ-UHFFFAOYSA-N pyrimethanil Chemical compound CC1=CC(C)=NC(NC=2C=CC=CC=2)=N1 ZLIBICFPKPWGIZ-UHFFFAOYSA-N 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000007017 scission Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Alarm Systems (AREA)
Abstract
本申请提供的基于北斗卫星的崩塌预测方法及系统，当重要内容识别结果关联到不同待选监测事项种类对应的目标描述字段种类内容、以及关联到目标关键描述内容时，根据目标描述字段种类内容、以及目标关键描述内容，生成监测事项事件对应的描述字段内容分布，通过将描述字段内容分布与搭建的关键描述字段内容分布进行关联，当关联到目标关键描述字段内容分布时，根据描述字段内容分布中关联描述字段内容所属的待选监测事项种类，确定监测事项事件中监测事项所属的目标监测事项种类，将所述目标监测事项种类输入至崩塌预测线程中，获得崩塌预测结果，从而大大提高了崩塌预测的准确性，这样一来，能够尽可能的保证人们的生命和财产的安全。
Description
技术领域
本申请涉及数据预测技术领域，具体而言，涉及基于北斗卫星的崩塌预测方法及系统。
背景技术
崩塌（崩落、垮塌或塌方）是较陡斜坡上的岩土体在重力作用下突然脱离母体崩落、滚动、堆积在坡脚（或沟谷）的地质现象。崩塌发生的周期是很短的，因此，需要对可能发明崩塌的地方进行评估，确定发生崩塌的可能性。
现目前，针对崩塌的预测的精确是比较低，这样就不能实现地质灾害的风险有效提示。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崩塌预测方法及系统。
第一方面，提供一种基于北斗卫星的崩塌预测方法，所述方法包括：对监测事项事件进行重要内容识别处理，得到所述监测事项事件的重要内容识别结果；将所述重要内容识别结果与描述字段种类内容集中的描述字段种类内容进行关联，其中，所述描述字段种类内容集包括不少于一个待选监测事项种类对应的描述字段种类内容；当所述重要内容识别结果关联到不同待选监测事项种类对应的目标描述字段种类内容时，将所述重要内容识别结果与范例监测事项事件集中范例监测事项事件对应的关键描述内容进行关联；当所述重要内容识别结果关联到目标关键描述内容时，通过所述目标描述字段种类内容、以及所述目标关键描述内容，生成所述监测事项事件对应的描述字段内容分布；将所述描述字段内容分布与关键描述字段内容分布进行关联，其中，所述关键描述字段内容分布包括范例监测事项事件集中范例监测事项事件对应的关键描述内容、以及与关键描述内容相关联的描述字段种类内容；当所述描述字段内容分布关联到目标关键描述字段内容分布时，依据所述描述字段内容分布中关联描述字段内容所属的待选监测事项种类，确定所述监测事项事件中监测事项所属的目标监测事项种类，将所述目标监测事项种类输入至崩塌预测线程中，获得崩塌预测结果，其中，所述关联描述字段内容为与目标关键描述字段内容分布中关联描述字段种类内容相关联的描述字段内容。
本申请的有益效果包括：可以对监测事项事件进行重要内容识别处理，得到监测事项事件的重要内容识别结果；将重要内容识别结果与描述字段种类内容集中的描述字段种类内容进行关联，其中，描述字段种类内容集包括不少于一个待选监测事项种类对应的描述字段种类内容；当重要内容识别结果关联到不同待选监测事项种类对应的目标描述字段种类内容时，将重要内容识别结果与范例监测事项事件集中范例监测事项事件对应的关键描述内容进行关联；当重要内容识别结果关联到目标关键描述内容时，根据目标描述字段种类内容、以及目标关键描述内容，生成监测事项事件对应的描述字段内容分布；将描述字段内容分布与关键描述字段内容分布进行关联，其中，关键描述字段内容分布包括范例监测事项事件集中范例监测事项事件对应的关键描述内容、以及与关键描述内容相关联的描述字段种类内容；当描述字段内容分布关联到目标关键描述字段内容分布时，基于描述字段内容分布中关联描述字段内容所属的待选监测事项种类，确定监测事项事件中监测事项所属的目标监测事项种类，其中，关联描述字段内容为与目标关键描述字段内容分布中关联描述字段种类内容相关联的描述字段内容。由于该方案能够通过将监测事项事件的重要内容识别结果与搭建的描述字段种类内容集中的描述字段种类内容进行关联、以及将重要内容识别结果与范例监测事项事件集中范例监测事项事件对应的关键描述内容进行关联，并且当重要内容识别结果关联到不同待选监测事项种类对应的目标描述字段种类内容、以及关联到目标关键描述内容时，根据目标描述字段种类内容、以及目标关键描述内容，生成监测事项事件对应的描述字段内容分布，通过将描述字段内容分布与搭建的关键描述字段内容分布进行关联，当关联到目标关键描述字段内容分布时，根据描述字段内容分布中关联描述字段内容（与目标关键描述字段内容分布中关联描述字段种类内容相关联的描述字段内容）所属的待选监测事项种类，确定监测事项事件中监测事项所属的目标监测事项种类，将所述目标监测事项种类输入至崩塌预测线程中，获得崩塌预测结果，从而大大提高了崩塌预测的准确性，这样一来，能够尽可能的保证人们的生命和财产的安全。
在一种独立实施的实施例中，所述方法还包括：基于范例监测事项事件集中范例监测事项事件的范例重要内容识别结果，搭建范例监测事项事件集对应的描述字段种类内容集，所述描述字段种类内容集包括不少于一个范例监测事项种类对应的描述字段种类内容；将范例监测事项事件集中范例监测事项事件的范例重要内容识别结果与描述字段种类内容集中的描述字段种类内容进行关联；当范例监测事项事件的范例重要内容识别结果关联到不同范例监测事项种类对应的范例目标描述字段种类内容时，搭建范例监测事项事件对应的关键描述内容；依据所述范例目标描述字段种类内容、以及范例监测事项事件对应的关键描述内容，搭建关键描述字段内容分布。
本申请的有益效果包括：将范例监测事项事件集中范例监测事项事件的范例重要内容识别结果与描述字段种类内容集中的描述字段种类内容进行关联，从而能够提高关键描述内容的精确性，进而能够使关键描述字段内容分布更加的清楚。
在一种独立实施的实施例中，所述基于范例监测事项事件集中范例监测事项事件的范例重要内容识别结果，搭建范例监测事项事件集对应的描述字段种类内容集，包括：获得范例监测事项事件集中范例监测事项事件对应的范例监测事项种类；针对各个范例监测事项种类，计算范例监测事项事件中范例重要内容识别结果对应的描述内容出现次数、以及异常事件概率，其中，所述描述内容出现次数为所述范例重要内容识别结果在所述范例监测事项种类对应的范例监测事项事件中出现的概率，所述异常事件概率为所述范例重要内容识别结果在所有范例监测事项种类中出现的概率；依据所述范例重要内容识别结果对应的描述内容出现次数、以及异常事件概率，确定所述范例重要内容识别结果中目标范例重要内容识别结果所属的范例监测事项种类，得到各个范例监测事项种类对应的描述字段种类内容；根据各个范例监测事项种类对应的描述字段种类内容，搭建范例监测事项事件集对应的描述字段种类内容集。
本申请的有益效果包括：基于范例监测事项事件集中范例监测事项事件的范例重要内容识别结果时，改善了范例重要内容识别结果不准确的问题，从而能够精确地搭建范例监测事项事件集对应的描述字段种类内容集。
在一种独立实施的实施例中，所述依据所述范例重要内容识别结果对应的描述内容出现次数、以及异常事件概率，确定所述范例重要内容识别结果中目标范例重要内容识别结果所属的范例监测事项种类，得到各个范例监测事项种类对应的描述字段种类内容，包括：将所述范例重要内容识别结果对应的描述内容出现次数、以及逆主题概率进行拼接，得到所述范例重要内容识别结果对应的拼接后概率；通过所述拼接后概率，确定所述范例重要内容识别结果中目标范例重要内容识别结果所属的范例监测事项种类，得到各个范例监测事项种类对应的描述字段种类内容。
本申请的有益效果包括：依据所述范例重要内容识别结果对应的描述内容出现次数、以及异常事件概率，确定所述范例重要内容识别结果中目标范例重要内容识别结果所属的范例监测事项种类时，改善了识别不准确的问题，从而能够精确地得到各个范例监测事项种类对应的描述字段种类内容。
在一种独立实施的实施例中，所述搭建范例监测事项事件对应的关键描述内容，包括：针对各个范例重要内容识别结果，统计所述范例重要内容识别结果在范例监测事项事件中出现的范例监测事项事件数；通过所述范例监测事项事件数，从所述范例重要内容识别结果中确定范例监测事项事件对应的原始关键描述内容；基于原始关键描述内容，以及原始关键描述内容在范例监测事项事件中对应的重要描述，搭建范例监测事项事件对应的关键描述内容。
本申请的有益效果包括：在搭建范例监测事项事件对应的关键描述内容时，改善了范例重要内容识别结果不准确的问题，从而提高了搭建范例监测事项事件对应的关键描述内容可靠性。
在一种独立实施的实施例中，所述依据所述范例目标描述字段种类内容、以及范例监测事项事件对应的关键描述内容，搭建关键描述字段内容分布，包括：从范例监测事项事件对应的关键描述内容中，确定范例监测事项事件所涵盖的范例目标关键描述内容；将所述范例目标描述字段种类内容、以及所述范例目标关键描述内容相关联，以生成范例监测事项事件对应的原始关键描述字段内容分布；对所述原始关键描述字段内容分布进行去重处理，得到关键描述字段内容分布。
本申请的有益效果包括：据所述范例目标描述字段种类内容、以及范例监测事项事件对应的关键描述内容时，改善了内容不完整的问题，从而提高了搭建关键描述字段内容分布可靠性。
在一种独立实施的实施例中，所述将所述范例目标描述字段种类内容、以及所述范例目标关键描述内容相关联，以生成范例监测事项事件对应的原始关键描述字段内容分布，包括：将所述范例目标描述字段种类内容、以及所述范例目标关键描述内容进行拼接，以生成范例监测事项事件对应的范例拼接后描述字段内容分布；对所述范例拼接后描述字段内容分布中的范例目标描述字段种类内容进行描述字段内容表示，得到样本监测事项事件对应的范例描述字段内容分布；根据范例监测事项事件对应的范例监测事项种类、以及所述范例目标关键描述内容，标记所述范例描述字段内容分布中与范例目标关键描述内容相关联的范例关联描述字段种类内容，得到范例监测事项事件对应的原始关键描述字段内容分布。
本申请的有益效果包括：将所述范例目标描述字段种类内容、以及所述范例目标关键描述内容相关联时，改善了关联不真确的问题，从而生成范例监测事项事件对应的原始关键描述字段内容分布更加的精确。
在一种独立实施的实施例中，所述方法还包括：当所述重要内容识别结果未关联到其中一个待选监测事项种类对应的描述字段种类内容时，计算所述重要内容识别结果与各个待选监测事项种类对应的描述字段种类内容的共性系数；依据所述共性系数、关键描述字段内容分布以及范例监测事项事件集中范例监测事项事件对应的关键描述内容，确定所述监测事项事件中监测事项所属的目标监测事项种类。
本申请的有益效果包括：通过精确的获得范例监测事项事件对应的关键描述内容，从而提高目标监测事项种类的可靠性。
在一种独立实施的实施例中，所述依据所述共性系数、关键描述字段内容分布以及范例监测事项事件集中范例监测事项事件对应的关键描述内容，确定所述监测事项事件中监测事项所属的目标监测事项种类，包括：当所述重要内容识别结果与不同待选监测事项种类对应的目标描述字段种类内容的共性系数大于指定共性系数目标值时，基于范例监测事项事件集中范例监测事项事件对应的关键描述内容，确定所述监测事项事件中所涵盖的目标关键描述内容；通过所述目标描述字段种类内容、以及所述目标关键描述内容，生成所述监测事项事件对应的描述字段内容分布；将所述描述字段内容分布与关键描述字段内容分布进行关联，以确定所述监测事项事件中监测事项所属的目标监测事项种类。
本申请的有益效果包括：依据所述共性系数、关键描述字段内容分布以及范例监测事项事件集中范例监测事项事件对应的关键描述内容时，改善内容不准确的问题，从而可以精确地确定所述监测事项事件中监测事项所属的目标监测事项种类
第二方面，提供一种基于北斗卫。星的崩塌预测系统，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。
综上，本申请核心构思的有益效果为：本申请实施例所提供的基于北斗卫星的崩塌预测方法及系统，可以对监测事项事件进行重要内容识别处理，得到监测事项事件的重要内容识别结果；将重要内容识别结果与描述字段种类内容集中的描述字段种类内容进行关联，其中，描述字段种类内容集包括不少于一个待选监测事项种类对应的描述字段种类内容；当重要内容识别结果关联到不同待选监测事项种类对应的目标描述字段种类内容时，将重要内容识别结果与范例监测事项事件集中范例监测事项事件对应的关键描述内容进行关联；当重要内容识别结果关联到目标关键描述内容时，根据目标描述字段种类内容、以及目标关键描述内容，生成监测事项事件对应的描述字段内容分布；将描述字段内容分布与关键描述字段内容分布进行关联，其中，关键描述字段内容分布包括范例监测事项事件集中范例监测事项事件对应的关键描述内容、以及与关键描述内容相关联的描述字段种类内容；当描述字段内容分布关联到目标关键描述字段内容分布时，基于描述字段内容分布中关联描述字段内容所属的待选监测事项种类，确定监测事项事件中监测事项所属的目标监测事项种类，其中，关联描述字段内容为与目标关键描述字段内容分布中关联描述字段种类内容相关联的描述字段内容。由于该方案能够通过将监测事项事件的重要内容识别结果与搭建的描述字段种类内容集中的描述字段种类内容进行关联、以及将重要内容识别结果与范例监测事项事件集中范例监测事项事件对应的关键描述内容进行关联，并且当重要内容识别结果关联到不同待选监测事项种类对应的目标描述字段种类内容、以及关联到目标关键描述内容时，根据目标描述字段种类内容、以及目标关键描述内容，生成监测事项事件对应的描述字段内容分布，通过将描述字段内容分布与搭建的关键描述字段内容分布进行关联，当关联到目标关键描述字段内容分布时，根据描述字段内容分布中关联描述字段内容（与目标关键描述字段内容分布中关联描述字段种类内容相关联的描述字段内容）所属的待选监测事项种类，确定监测事项事件中监测事项所属的目标监测事项种类，将所述目标监测事项种类输入至崩塌预测线程中，获得崩塌预测结果，从而大大提高了崩塌预测的准确性，这样一来，能够尽可能的保证人们的生命和财产的安全。
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崩塌预测方法的流程图。
图2为本申请实施例所提供的一种基于北斗卫星的崩塌预测系统的架构图。
具体实施方式
为了更好的理解上述技术方案，下面通过附图以及具体实施例对本申请技术方案做详细的说明，应当理解本申请实施例以及实施例中的具体特征是对本申请技术方案的详细的说明，而不是对本申请技术方案的限定，在不冲突的情况下，本申请实施例以及实施例中的技术特征可以相互组合。
请参阅图1，示出了一种基于北斗卫星的崩塌预测方法，该方法可以包括以下步骤101-106所描述的技术方案。
101、对监测事项事件进行重要内容识别处理，得到监测事项事件的重要内容识别结果。
其中，监测事项事件是指涵盖有监测事项信息的事件，其中，该监测事项可以理解为具体的山体。具体的监控装置在本申请中采用的是北斗卫星。
其中，重要内容识别具体是需要识别山体的相对位移数据、坡面结构数据（其中，坡面结构数据包括：人为挖掘导致结构出现变化、强降雨将下部的土冲走导致结构的变化或者地址运动导致结构变化等）以及降雨量数据等。
现有技术中，一般通过一下方式判断崩塌发生：1.崩塌体后部出现裂缝；2.崩塌体前缘掉块、土体滚落、小崩小塌不断发生；3.坡面出现新的破裂变形、甚至小面积土石剥落；4.岩质崩塌体偶尔发生撕裂摩擦错碎声。通过上述描述内容预测崩塌发生的精度是很低的。
通过对监测事项事件进行重要内容识别处理，可以得到监测事项事件的重要内容识别结果（即数据）。譬如，可以对监测事项事件按照设定要求进行重要内容识别结果，从而得到监测事项事件中的一个或者多个数据。
102、将重要内容识别结果与描述字段种类内容集中的描述字段种类内容进行关联，其中，描述字段种类内容集包括不少于一个待选监测事项种类对应的描述字段种类内容。
其中，待选监测事项种类可以理解为候选监测山体对应的种类，具体的种类划分要求可以按照山体的坡度、山体的土壤松软程度以及山体的相对位移等要求进行划分。
其中，描述字段可以理解为特征，在本申请中，描述字段种类内容可以理解为事先设定好的山体发生崩塌对应的特征种类。
其中，待选监测事项种类为监测事项事件中监测事项所属的种类，该待选监测事项种类可以通过制定和划分得到。
在一实施例中，该描述字段种类内容集可以通过搭建得到，譬如，可以基于范例监测事项事件集中范例监测事项事件的范例重要内容识别结果，搭建范例监测事项事件集对应的描述字段种类内容集，具体地，该基于北斗卫星的崩塌预测方法，还可以包括：基于范例监测事项事件集中范例监测事项事件的范例重要内容识别结果，搭建范例监测事项事件集对应的描述字段种类内容集，所述描述字段种类内容集包括不少于一个范例监测事项种类对应的描述字段种类内容；将范例监测事项事件集中范例监测事项事件的范例重要内容识别结果与描述字段种类内容集中的描述字段种类内容进行关联；当范例监测事项事件的范例重要内容识别结果关联到不同范例监测事项种类对应的范例目标描述字段种类内容时，搭建范例监测事项事件对应的关键描述内容；基于范例目标描述字段种类内容、以及范例监测事项事件对应的关键描述内容，搭建关键描述字段内容分布。
可以理解的是，将范例监测事项事件集中范例监测事项事件的范例重要内容识别结果与描述字段种类内容集中的描述字段种类内容进行关联，从而能够提高关键描述内容的精确性，进而能够使关键描述字段内容分布更加的清楚。
在一实施例中，搭建描述字段种类内容集的方式可以有多种，譬如，可以先对范例监测事项事件集中的范例监测事项事件进行重要内容识别处理，得到范例监测事项事件的范例重要内容识别结果，然后，基于范例监测事项事件集中范例监测事项事件对应的范例监测事项种类，计算范例重要内容识别结果对应的描述内容出现次数、以及异常事件概率，通过范例重要内容识别结果的描述内容出现次数和异常事件概率，确定目标范例重要内容识别结果所属的范例监测事项种类，从而得到各个范例监测事项种类对应的描述字段种类内容，最后，根据各个范例监测事项种类对应的描述字段种类内容，搭建范例监测事项事件集对应的描述字段种类内容集。具体地，步骤“基于范例监测事项事件集中范例监测事项事件的范例重要内容识别结果，搭建范例监测事项事件集对应的描述字段种类内容集”，可以包括：获得范例监测事项事件集中范例监测事项事件对应的范例监测事项种类；针对各个范例监测事项种类，计算范例监测事项事件中范例重要内容识别结果对应的描述内容出现次数、以及异常事件概率，其中，描述内容出现次数为范例重要内容识别结果在该范例监测事项种类对应的范例监测事项事件中出现的概率，异常事件概率为范例重要内容识别结果在所有范例监测事项种类中出现的概率；基于范例重要内容识别结果对应的描述内容出现次数、以及异常事件概率，确定范例重要内容识别结果中目标范例重要内容识别结果所属的范例监测事项种类，得到各个范例监测事项种类对应的描述字段种类内容；基于各个范例监测事项种类对应的描述字段种类内容，搭建范例监测事项事件集对应的描述字段种类内容集。
其中，异常事件概率在本申请中可以理解为发生突发事件的可能性，比如：突然受到巨大的外力影响等。
可以理解的是，基于范例监测事项事件集中范例监测事项事件的范例重要内容识别结果时，改善了范例重要内容识别结果不准确的问题，从而能够精确地搭建范例监测事项事件集对应的描述字段种类内容集。
其中，范例监测事项事件集可以根据预先制定和划分的范例监测事项种类搭建得到，即根据范例监测事项种类，搭建范例监测事项种类对应的范例监测事项事件，并标注出范例监测事项事件所属的范例监测事项种类。
其中，搭建各个范例监测事项种类对应的描述字段种类内容的主要思想在于：如果一个范例重要内容识别结果在某一范例监测事项种类的范例监测事项事件中经常出现，而在其他范例监测事项种类的范例监测事项事件中很少出现，则说明该范例重要内容识别结果对该范例监测事项种类具有较好的种类区分能力。具体地，步骤“基于范例重要内容识别结果对应的描述内容出现次数、以及异常事件概率，确定范例重要内容识别结果中目标范例重要内容识别结果所属的范例监测事项种类，得到各个范例监测事项种类对应的描述字段种类内容”，可以包括：将范例重要内容识别结果对应的描述内容出现次数、以及逆主题概率进行拼接，得到范例重要内容识别结果对应的拼接后概率；
根据拼接后概率，确定范例重要内容识别结果中目标范例重要内容识别结果所属的范例监测事项种类，得到各个范例监测事项种类对应的描述字段种类内容。
其中，指定目标值可以根据实际应用的需求进行设置，本实施例对此不做限制。
可以理解的是，依据所述范例重要内容识别结果对应的描述内容出现次数、以及异常事件概率时，改善了出现次数、以及异常事件概率异常的问题，从而能够精确地确定所述范例重要内容识别结果中目标范例重要内容识别结果所属的范例监测事项种类，得到各个范例监测事项种类对应的描述字段种类内容。
103、当重要内容识别结果关联到不同待选监测事项种类对应的目标描述字段种类内容时，将重要内容识别结果与范例监测事项事件集中范例监测事项事件对应的关键描述内容进行关联。
其中，关键描述内容为范例监测事项事件中关键出现的数据，该关键描述内容可以是指一个，也可以是由多个构成。当重要内容识别结果关联到不同待选监测事项种类对应的目标描述字段种类内容时，将该重要内容识别结果与范例监测事项事件集中范例监测事项事件对应的关键描述内容进行关联。
在一实施例中，范例监测事项事件集中范例监测事项事件对应的关键描述内容可以通过搭建得到，譬如，可以当范例监测事项事件的范例重要内容识别结果关联到不同范例监测事项种类对应的范例目标描述字段种类内容时，搭建范例监测事项事件对应的关键描述内容。
搭建关键描述内容的方式可以有多种，譬如，可以通过序列模式挖掘算法挖掘出范例监测事项事件对应的关键描述内容。具体地，在步骤102中，步骤“当范例监测事项事件的范例重要内容识别结果关联到不同范例监测事项种类对应的范例目标描述字段种类内容时，搭建范例监测事项事件对应的关键描述内容”，可以包括：针对各个范例重要内容识别结果，统计范例重要内容识别结果在范例监测事项事件中出现的范例监测事项事件数；根据范例监测事项事件数，从范例重要内容识别结果中确定范例监测事项事件对应的原始关键描述内容；基于原始关键描述内容，以及原始关键描述内容在范例监测事项事件中对应的重要描述，搭建范例监测事项事件对应的关键描述内容。
可以理解的是，通过精确地获得原始关键描述内容和重要描述，从而保障搭建范例监测事项事件对应的关键描述内容的可靠性。
基于设定算法从关联到不同范例监测事项种类对应的范例目标描述字段种类内容的范例监测事项事件中，挖掘出高于支持度目标值的范例重要内容识别结果，从而构成范例监测事项事件对应的关键描述内容。
譬如，可以统计出各个范例重要内容识别结果在所有范例监测事项事件中出现的范例监测事项事件数，得到各个范例重要内容识别结果的支持度。根据该支持度，筛选出高于支持度目标值的范例重要内容识别结果，得到范例监测事项事件对应的原始关键描述内容，根据原始关键描述内容，将范例监测事项事件中出现在原始关键描述内容之后的数据作为该原始关键描述内容对应的重要描述（即投影），并对重要描述中的各个范例重要内容识别结果进行递归挖掘关键描述内容，最终得到范例监测事项事件对应的关键描述内容。
104、当重要内容识别结果关联到目标关键描述内容时，根据目标描述字段种类内容、以及目标关键描述内容，生成监测事项事件对应的描述字段内容分布。
譬如，当监测事项事件的重要内容识别结果关联到目标关键描述内容时，可以将关联到的目标描述字段种类内容、以及关联到的目标关键描述内容进行拼接，以生成监测事项事件对应的描述字段内容分布。
其中，拼接的方式可以有多种，譬如，当目标关键描述内容和目标描述字段种类内容中的描述字段种类内容存在相同的数据时，对相同的数据进行去重处理，并根据去重后各个数据在监测事项事件中出现的先后顺序搭建监测事项事件对应的描述字段内容分布；当目标关键描述内容和目标描述字段种类内容中的描述字段种类内容不存在重复的数据时，则根据目标描述字段种类内容和目标关键描述内容在监测事项事件中出现的先后顺序，搭建监测事项事件对应的描述字段内容分布。其中，去重处理的具体好处，是为了降低数据的干扰。
105、将描述字段内容分布与关键描述字段内容分布进行关联，其中，关键描述字段内容分布包括范例监测事项事件集中范例监测事项事件对应的关键描述内容、以及与关键描述内容相关联的描述字段种类内容。
在一实施例中，关键描述字段内容分布可以通过搭建得到，譬如，可以根据范例监测事项事件集中范例监测事项事件对应的关键描述内容、以及范例监测事项事件的范例重要内容识别结果所关联到的不同范例监测事项种类对应的范例目标描述字段种类内容搭建得到。具体地，步骤102中，步骤“基于范例目标描述字段种类内容、以及范例监测事项事件对应的关键描述内容，搭建关键描述字段内容分布”，可以包括：从范例监测事项事件对应的关键描述内容中，确定范例监测事项事件所涵盖的范例目标关键描述内容；将范例目标描述字段种类内容、以及范例目标关键描述内容相关联，以生成范例监测事项事件对应的原始关键描述字段内容分布；对原始关键描述字段内容分布进行去重处理，得到关键描述字段内容分布。
可以理解的是，通过去重处理，能够降低数据的重复计算，降低计算机的工作压力。
其中，将范例目标描述字段种类内容与范例目标关键描述内容相关联的方式可以有多种，譬如，可以将范例目标描述字段种类内容与范例目标关键描述内容进行拼接，具体地，步骤“将范例目标描述字段种类内容、以及范例目标关键描述内容相关联，以生成范例监测事项事件对应的原始关键描述字段内容分布”，可以包括：将范例目标描述字段种类内容、以及范例目标关键描述内容进行拼接，以生成范例监测事项事件对应的范例拼接后描述字段内容分布；对范例拼接后描述字段内容分布中的范例目标描述字段种类内容进行描述字段内容表示，得到样本监测事项事件对应的范例描述字段内容分布；根据范例监测事项事件对应的范例监测事项种类、以及范例目标关键描述内容，标记范例描述字段内容分布中与范例目标关键描述内容相关联的范例关联描述字段种类内容，得到范例监测事项事件对应的原始关键描述字段内容分布。
可以理解的是，将所述范例目标描述字段种类内容、以及所述范例目标关键描述内容相关联时，改善了关联不准确的问题，从而可以保障生成范例监测事项事件对应的原始关键描述字段内容分布的精确性。
其中，拼接的方式可以有多种，譬如，可以将范例目标描述字段种类内容、以及范例目标关键描述内容中相同的数据进行合并处理，对于进行整合处理后所得到的各个数据，按照各个数据在范例监测事项事件中出现的先后顺序，搭建范例监测事项事件对应的范例拼接后描述字段内容分布。
其中，为了对范例拼接后描述字段内容分布中的范例目标描述字段种类内容进行统一表示，可以对范例拼接后描述字段内容分布中的范例目标描述字段种类内容进行描述字段内容表示，从而得到范例描述字段内容分布。
在一实施例中，根据范例监测事项事件对应的范例监测事项种类、以及范例目标关键描述内容，可以确定并标记范例描述字段内容分布中与范例目标关键描述内容相关联的范例关联描述字段种类内容，得到范例监测事项事件对应的原始关键描述字段内容分布。
在一实施例中，可以将关键描述字段内容分布转化为正则表达式（即规则表达式），得到关键特征模式规则，并基于该关键特征模式规则对待分类的监测事项事件进行分类。
106、当描述字段内容分布关联到目标关键描述字段内容分布时，基于描述字段内容分布中关联描述字段内容所属的待选监测事项种类，确定监测事项事件中监测事项所属的目标监测事项种类，将所述目标监测事项种类输入至崩塌预测线程中，获得崩塌预测结果，其中，关联描述字段内容为与目标关键描述字段内容分布中关联描述字段种类内容相关联的描述字段内容。
示例性的，崩塌预测结果具体包括以下内容：崩塌体的体积及崩塌体的重量等。
进一步地，针对将所述目标监测事项种类输入至崩塌预测线程中，获得崩塌预测结果描述的内容进行进一步的解释：崩塌预测线程中会事先设定一个发生崩塌可能性的崩塌预估等级（可以为1到10级，等级越高发生崩塌的可能性越大），根据崩塌预估等级可以获得崩塌预测结果。
其中，崩塌的种类包括：1.崩积物崩塌：山坡上已有的崩塌岩屑和沙土等物质，由于它们的质地很松散，当有雨水浸湿或受地震震动时，可再一次形成崩塌。2.表层风化物崩塌：在地下水沿风化层下部的基岩面流动时，引起风化层沿基岩面崩塌。3.沉积物崩塌：有些由厚层的冰积物、冲击物或火山碎屑物组成的陡坡，由于结构舒散，形成崩塌。4.基岩崩塌：在基岩山坡面上，常沿节理面、地层面或断层面等发生崩塌。
其中，崩塌是指陡峻山坡上岩块、土体在重力作用下，发生突然的急剧的倾落运动。多发生在大于60°～70°的斜坡上。崩塌的物质，称为崩塌体。崩塌体为土质者，称为土崩；崩塌体为岩质者，称为岩崩；大规模的岩崩，称为山崩。崩塌可以发生在任何地带，山崩限于高山峡谷区内。崩塌体与坡体的分离界面称为崩塌面，崩塌面往往就是倾角很大的界面，如节理、片理、劈理、层面、破碎带等。崩塌体的运动方式为倾倒、崩落。崩塌体碎块在运动过程中滚动或跳跃，最后在坡脚处形成堆积地貌——崩塌倒石锥。崩塌倒石锥结构松散、杂乱、无层理、多孔隙；由于崩塌所产生的气浪作用，使细小颗粒的运动距离更远一些，因而在水平方向上有一定的分选性。
譬如，当描述字段内容分布中的描述字段内容关联到目标关键描述字段内容分布中的关联描述字段种类内容时，根据描述字段内容分布中的关联描述字段内容所属的待选监测事项种类，确定监测事项事件中监测事项所属的目标监测事项种类。
在一实施例中，当监测事项事件的重要内容识别结果未关联到其中一个待选监测事项种类对应的描述字段种类内容时，通过计算范例重要内容识别结果与各个待选监测事项种类对应的描述字段种类内容的共性系数，来确定监测事项事件中监测事项所属的目标监测事项种类。具体地，该基于北斗卫星的崩塌预测方法，还可以包括：当重要内容识别结果未关联到其中一个待选监测事项种类对应的描述字段种类内容时，计算重要内容识别结果与各个待选监测事项种类对应的描述字段种类内容的共性系数；基于共性系数、关键描述字段内容分布以及范例监测事项事件集中范例监测事项事件对应的关键描述内容，确定监测事项事件中监测事项所属的目标监测事项种类。
其中，计算重要内容识别结果与各个待选监测事项种类对应的描述字段种类内容的共性系数的方式可以有多种，譬如，可以通过数据向量线程来计算数据之间的共性系数，具体地，可以搭建数据对应的数据向量，并计算数据向量之间的共性系数来确定数据之间的共性系数，等等。
在一实施例中，当计算出重要内容识别结果与多个不同待选监测事项种类对应的目标描述字段种类内容之间的共性系数大于指定共性系数目标值时，可以通过搭建得到的关键描述字段内容分布、以及范例监测事项事件集中范例监测事项事件对应的关键描述内容，确定监测事项事件中监测事项所属的监测事项种类。具体地，步骤“基于共性系数、关键描述字段内容分布以及范例监测事项事件集中范例监测事项事件对应的关键描述内容，确定监测事项事件所属的目标监测事项种类”，可以包括：当重要内容识别结果与不同待选监测事项种类对应的目标描述字段种类内容的共性系数大于指定共性系数目标值时，基于范例监测事项事件集中范例监测事项事件对应的关键描述内容，确定监测事项事件中所涵盖的目标关键描述内容；根据目标描述字段种类内容、以及目标关键描述内容，生成监测事项事件对应的描述字段内容分布；将描述字段内容分布与关键描述字段内容分布进行关联，以确定监测事项事件中监测事项所属的目标监测事项种类。
在一实施例中，当监测事项事件的重要内容识别结果关联到的描述字段种类内容属于相同待选监测事项种类时，可以直接将该相同待选监测事项种类确定为该监测事项事件中监测事项所属的目标监测事项种类。
由上可知，本申请实施例可以对监测事项事件进行重要内容识别处理，得到监测事项事件的重要内容识别结果；将重要内容识别结果与描述字段种类内容集中的描述字段种类内容进行关联，其中，描述字段种类内容集包括不少于一个待选监测事项种类对应的描述字段种类内容；当重要内容识别结果关联到不同待选监测事项种类对应的目标描述字段种类内容时，将重要内容识别结果与范例监测事项事件集中范例监测事项事件对应的关键描述内容进行关联；当重要内容识别结果关联到目标关键描述内容时，根据目标描述字段种类内容、以及目标关键描述内容，生成监测事项事件对应的描述字段内容分布；将描述字段内容分布与关键描述字段内容分布进行关联，其中，关键描述字段内容分布包括范例监测事项事件集中范例监测事项事件对应的关键描述内容、以及与关键描述内容相关联的描述字段种类内容；当描述字段内容分布关联到目标关键描述字段内容分布时，基于描述字段内容分布中关联描述字段内容所属的待选监测事项种类，确定监测事项事件中监测事项所属的目标监测事项种类，其中，关联描述字段内容为与目标关键描述字段内容分布中关联描述字段种类内容相关联的描述字段内容。由于该方案能够通过将监测事项事件的重要内容识别结果与搭建的描述字段种类内容集中的描述字段种类内容进行关联、以及将重要内容识别结果与范例监测事项事件集中范例监测事项事件对应的关键描述内容进行关联，并且当重要内容识别结果关联到不同待选监测事项种类对应的目标描述字段种类内容、以及关联到目标关键描述内容时，根据目标描述字段种类内容、以及目标关键描述内容，生成监测事项事件对应的描述字段内容分布，通过将描述字段内容分布与搭建的关键描述字段内容分布进行关联，当关联到目标关键描述字段内容分布时，根据描述字段内容分布中关联描述字段内容（与目标关键描述字段内容分布中关联描述字段种类内容相关联的描述字段内容）所属的待选监测事项种类，确定监测事项事件中监测事项所属的目标监测事项种类，从而大大提高了崩塌预测的准确性，这样一来，能够尽可能的保证人们的生命和财产的安全。
本申请的优势是通过北斗卫星系统，对山体进行监控，这样不需要相关的工作人员去现场进行勘察，降低了人力和财力的开销。北斗卫星还具有的优势是，在一些相关的工作人员无法到达的地方，可以通过北斗卫星进行监控，对可能崩塌的位置进行预测，这样尽可能的降低崩塌导致的经济损失。其中，在现有技术中，崩塌监测频率一般是没15天进行一次监测，在稳定的前提下一个月监测一次，在汛期雨季等情况下，每天一次或数小时一次直至连续跟踪监测。采用北斗卫星的优势就是能够24小时不间断的进行监测，在发生突发情况下也能及时的进行监测，从而提高预测的准确性和精度。
在一些可能发生崩塌的位置是在无人区，对人民的生命和财产安全不会导致损失的位置，也需要进行发生崩塌的可能性预测，因为崩塌导致的灾害链可能会导致人民的生命和财产受到损失（比如：发生崩塌在一个无人区，但是崩塌以后阻塞了河流，可能导致下流发生洪水的可能性）。
在上述基础上，提供了一种基于北斗卫星的崩塌预测装置200，所述装置包括：
结果得到模块，用于对监测事项事件进行重要内容识别处理，得到所述监测事项事件的重要内容识别结果；
数据关联模块，用于将所述重要内容识别结果与描述字段种类内容集中的描述字段种类内容进行关联，其中，所述描述字段种类内容集包括不少于一个待选监测事项种类对应的描述字段种类内容；
事件关联模块，用于当所述重要内容识别结果关联到不同待选监测事项种类对应的目标描述字段种类内容时，将所述重要内容识别结果与范例监测事项事件集中范例监测事项事件对应的关键描述内容进行关联；
内容分布模块，用于当所述重要内容识别结果关联到目标关键描述内容时，通过所述目标描述字段种类内容、以及所述目标关键描述内容，生成所述监测事项事件对应的描述字段内容分布；
内容关联模块，用于将所述描述字段内容分布与关键描述字段内容分布进行关联，其中，所述关键描述字段内容分布包括范例监测事项事件集中范例监测事项事件对应的关键描述内容、以及与关键描述内容相关联的描述字段种类内容；
结果预测模块，用于当所述描述字段内容分布关联到目标关键描述字段内容分布时，依据所述描述字段内容分布中关联描述字段内容所属的待选监测事项种类，确定所述监测事项事件中监测事项所属的目标监测事项种类，将所述目标监测事项种类输入至崩塌预测线程中，获得崩塌预测结果，其中，所述关联描述字段内容为与目标关键描述字段内容分布中关联描述字段种类内容相关联的描述字段内容。
在上述基础上，请参阅图2，示出了一种基于北斗卫星的崩塌预测系统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，可以对监测事项事件进行重要内容识别处理，得到监测事项事件的重要内容识别结果；将重要内容识别结果与描述字段种类内容集中的描述字段种类内容进行关联，其中，描述字段种类内容集包括不少于一个待选监测事项种类对应的描述字段种类内容；当重要内容识别结果关联到不同待选监测事项种类对应的目标描述字段种类内容时，将重要内容识别结果与范例监测事项事件集中范例监测事项事件对应的关键描述内容进行关联；当重要内容识别结果关联到目标关键描述内容时，根据目标描述字段种类内容、以及目标关键描述内容，生成监测事项事件对应的描述字段内容分布；将描述字段内容分布与关键描述字段内容分布进行关联，其中，关键描述字段内容分布包括范例监测事项事件集中范例监测事项事件对应的关键描述内容、以及与关键描述内容相关联的描述字段种类内容；当描述字段内容分布关联到目标关键描述字段内容分布时，基于描述字段内容分布中关联描述字段内容所属的待选监测事项种类，确定监测事项事件中监测事项所属的目标监测事项种类，其中，关联描述字段内容为与目标关键描述字段内容分布中关联描述字段种类内容相关联的描述字段内容。由于该方案能够通过将监测事项事件的重要内容识别结果与搭建的描述字段种类内容集中的描述字段种类内容进行关联、以及将重要内容识别结果与范例监测事项事件集中范例监测事项事件对应的关键描述内容进行关联，并且当重要内容识别结果关联到不同待选监测事项种类对应的目标描述字段种类内容、以及关联到目标关键描述内容时，根据目标描述字段种类内容、以及目标关键描述内容，生成监测事项事件对应的描述字段内容分布，通过将描述字段内容分布与搭建的关键描述字段内容分布进行关联，当关联到目标关键描述字段内容分布时，根据描述字段内容分布中关联描述字段内容（与目标关键描述字段内容分布中关联描述字段种类内容相关联的描述字段内容）所属的待选监测事项种类，确定监测事项事件中监测事项所属的目标监测事项种类，将所述目标监测事项种类输入至崩塌预测线程中，获得崩塌预测结果，从而大大提高了崩塌预测的准确性，这样一来，能够尽可能的保证人们的生命和财产的安全。
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 (6)
1.一种基于北斗卫星的崩塌预测方法，其特征在于，所述方法包括：
对监测事项事件进行重要内容识别处理，得到所述监测事项事件的重要内容识别结果；
将所述重要内容识别结果与描述字段种类内容集中的描述字段种类内容进行关联，其中，所述描述字段种类内容集包括不少于一个待选监测事项种类对应的描述字段种类内容；
当所述重要内容识别结果关联到不同待选监测事项种类对应的目标描述字段种类内容时，将所述重要内容识别结果与范例监测事项事件集中范例监测事项事件对应的关键描述内容进行关联；
当所述重要内容识别结果关联到目标关键描述内容时，通过所述目标描述字段种类内容、以及所述目标关键描述内容，生成所述监测事项事件对应的描述字段内容分布；
将所述描述字段内容分布与关键描述字段内容分布进行关联，其中，所述关键描述字段内容分布包括范例监测事项事件集中范例监测事项事件对应的关键描述内容、以及与关键描述内容相关联的描述字段种类内容；
当所述描述字段内容分布关联到目标关键描述字段内容分布时，依据所述描述字段内容分布中关联描述字段内容所属的待选监测事项种类，确定所述监测事项事件中监测事项所属的目标监测事项种类，将所述目标监测事项种类输入至崩塌预测线程中，获得崩塌预测结果，其中，所述关联描述字段内容为与目标关键描述字段内容分布中关联描述字段种类内容相关联的描述字段内容；
其中，所述方法还包括：
基于范例监测事项事件集中范例监测事项事件的范例重要内容识别结果，搭建范例监测事项事件集对应的描述字段种类内容集，所述描述字段种类内容集包括不少于一个范例监测事项种类对应的描述字段种类内容；
将范例监测事项事件集中范例监测事项事件的范例重要内容识别结果与描述字段种类内容集中的描述字段种类内容进行关联；当范例监测事项事件的范例重要内容识别结果关联到不同范例监测事项种类对应的范例目标描述字段种类内容时，搭建范例监测事项事件对应的关键描述内容；
依据所述范例目标描述字段种类内容、以及范例监测事项事件对应的关键描述内容，搭建关键描述字段内容分布；
其中，所述基于范例监测事项事件集中范例监测事项事件的范例重要内容识别结果，搭建范例监测事项事件集对应的描述字段种类内容集，包括：
获得范例监测事项事件集中范例监测事项事件对应的范例监测事项种类；
针对各个范例监测事项种类，计算范例监测事项事件中范例重要内容识别结果对应的描述内容出现次数、以及异常事件概率，其中，所述描述内容出现次数为所述范例重要内容识别结果在所述范例监测事项种类对应的范例监测事项事件中出现的概率，所述异常事件概率为所述范例重要内容识别结果在所有范例监测事项种类中出现的概率；
依据所述范例重要内容识别结果对应的描述内容出现次数、以及异常事件概率，确定所述范例重要内容识别结果中目标范例重要内容识别结果所属的范例监测事项种类，得到各个范例监测事项种类对应的描述字段种类内容；
根据各个范例监测事项种类对应的描述字段种类内容，搭建范例监测事项事件集对应的描述字段种类内容集；
其中，所述依据所述范例重要内容识别结果对应的描述内容出现次数、以及异常事件概率，确定所述范例重要内容识别结果中目标范例重要内容识别结果所属的范例监测事项种类，得到各个范例监测事项种类对应的描述字段种类内容，包括：
将所述范例重要内容识别结果对应的描述内容出现次数、以及逆主题概率进行拼接，得到所述范例重要内容识别结果对应的拼接后概率；
通过所述拼接后概率，确定所述范例重要内容识别结果中目标范例重要内容识别结果所属的范例监测事项种类，得到各个范例监测事项种类对应的描述字段种类内容；
其中，所述搭建范例监测事项事件对应的关键描述内容，包括：
针对各个范例重要内容识别结果，统计所述范例重要内容识别结果在范例监测事项事件中出现的范例监测事项事件数；
通过所述范例监测事项事件数，从所述范例重要内容识别结果中确定范例监测事项事件对应的原始关键描述内容；
基于原始关键描述内容，以及原始关键描述内容在范例监测事项事件中对应的重要描述，搭建范例监测事项事件对应的关键描述内容；
其中，该监测事项可以理解为具体的山体，具体的监控装置在本申请中采用的是北斗卫星；
其中，重要内容识别具体是需要识别山体的相对位移数据、坡面结构数据以及降雨量数据；
其中，待选监测事项种类可以理解为候选监测山体对应的种类，具体的种类划分要求可以按照山体的坡度、山体的土壤松软程度以及山体的相对位移等要求进行划分；
其中，描述字段可以理解为特征，描述字段种类内容可以理解为事先设定好的山体发生崩塌对应的特征种类。
2.根据权利要求1所述的方法，其特征在于，所述依据所述范例目标描述字段种类内容、以及范例监测事项事件对应的关键描述内容，搭建关键描述字段内容分布，包括：
从范例监测事项事件对应的关键描述内容中，确定范例监测事项事件所涵盖的范例目标关键描述内容；将所述范例目标描述字段种类内容、以及所述范例目标关键描述内容相关联，以生成范例监测事项事件对应的原始关键描述字段内容分布；
对所述原始关键描述字段内容分布进行去重处理，得到关键描述字段内容分布。
3.根据权利要求2所述的方法，其特征在于，所述将所述范例目标描述字段种类内容、以及所述范例目标关键描述内容相关联，以生成范例监测事项事件对应的原始关键描述字段内容分布，包括：
将所述范例目标描述字段种类内容、以及所述范例目标关键描述内容进行拼接，以生成范例监测事项事件对应的范例拼接后描述字段内容分布；
对所述范例拼接后描述字段内容分布中的范例目标描述字段种类内容进行描述字段内容表示，得到样本监测事项事件对应的范例描述字段内容分布；
根据范例监测事项事件对应的范例监测事项种类、以及所述范例目标关键描述内容，标记所述范例描述字段内容分布中与范例目标关键描述内容相关联的范例关联描述字段种类内容，得到范例监测事项事件对应的原始关键描述字段内容分布。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
当所述重要内容识别结果未关联到其中一个待选监测事项种类对应的描述字段种类内容时，计算所述重要内容识别结果与各个待选监测事项种类对应的描述字段种类内容的共性系数；
依据所述共性系数、关键描述字段内容分布以及范例监测事项事件集中范例监测事项事件对应的关键描述内容，确定所述监测事项事件中监测事项所属的目标监测事项种类。
5.根据权利要求4所述的方法，其特征在于，所述依据所述共性系数、关键描述字段内容分布以及范例监测事项事件集中范例监测事项事件对应的关键描述内容，确定所述监测事项事件中监测事项所属的目标监测事项种类，包括：
当所述重要内容识别结果与不同待选监测事项种类对应的目标描述字段种类内容的共性系数大于指定共性系数目标值时，基于范例监测事项事件集中范例监测事项事件对应的关键描述内容，确定所述监测事项事件中所涵盖的目标关键描述内容；
通过所述目标描述字段种类内容、以及所述目标关键描述内容，生成所述监测事项事件对应的描述字段内容分布；
将所述描述字段内容分布与关键描述字段内容分布进行关联，以确定所述监测事项事件中监测事项所属的目标监测事项种类。
6.一种基于北斗卫星的崩塌预测系统，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1-5任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311036281.1A CN116757335B (zh) | 2023-08-17 | 2023-08-17 | 基于北斗卫星的崩塌预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311036281.1A CN116757335B (zh) | 2023-08-17 | 2023-08-17 | 基于北斗卫星的崩塌预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116757335A CN116757335A (zh) | 2023-09-15 |
| CN116757335B true CN116757335B (zh) | 2023-10-20 |
Family
ID=87953620
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311036281.1A Active CN116757335B (zh) | 2023-08-17 | 2023-08-17 | 基于北斗卫星的崩塌预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116757335B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117557434B (zh) * | 2024-01-12 | 2024-03-19 | 四川省华地建设工程有限责任公司 | 基于人工智能的危岩崩塌评估方法及系统 |
| CN118013428B (zh) * | 2024-04-10 | 2024-06-07 | 四川省华地建设工程有限责任公司 | 基于人工智能的地质灾害风险评估方法及系统 |
| CN118171087A (zh) * | 2024-05-14 | 2024-06-11 | 四川省华地建设工程有限责任公司 | 一种适用于较陡沟谷型泥石流沟的监测方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105976569A (zh) * | 2016-07-26 | 2016-09-28 | 长安大学 | 一种滑坡灾害监测系统及方法 |
| CN107610421A (zh) * | 2017-09-19 | 2018-01-19 | 合肥英泽信息科技有限公司 | 一种地质灾害预警分析系统及方法 |
| CN111144651A (zh) * | 2019-12-26 | 2020-05-12 | 杭州鲁尔物联科技有限公司 | 一种地质灾害的预测方法、装置及设备 |
| CN112364802A (zh) * | 2020-11-19 | 2021-02-12 | 中国地质调查局水文地质环境地质调查中心 | 一种崩塌滑坡灾害体的变形监测方法 |
| CN114021487A (zh) * | 2022-01-10 | 2022-02-08 | 西南交通大学 | 一种山坡崩塌的预警方法、装置、设备及可读存储介质 |
| CN114519920A (zh) * | 2022-01-10 | 2022-05-20 | 广西大学 | 基于微震多前兆特征的硬岩塌方智能预警方法、系统及设备 |
| CN116227938A (zh) * | 2023-04-26 | 2023-06-06 | 四川川核地质工程有限公司 | 基于北斗卫星的山体滑坡智能预警方法及系统 |
| CN116416762A (zh) * | 2023-06-09 | 2023-07-11 | 四川川核地质工程有限公司 | 基于人工智能的泥石流预警方法及系统 |
-
2023
- 2023-08-17 CN CN202311036281.1A patent/CN116757335B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105976569A (zh) * | 2016-07-26 | 2016-09-28 | 长安大学 | 一种滑坡灾害监测系统及方法 |
| CN107610421A (zh) * | 2017-09-19 | 2018-01-19 | 合肥英泽信息科技有限公司 | 一种地质灾害预警分析系统及方法 |
| CN111144651A (zh) * | 2019-12-26 | 2020-05-12 | 杭州鲁尔物联科技有限公司 | 一种地质灾害的预测方法、装置及设备 |
| CN112364802A (zh) * | 2020-11-19 | 2021-02-12 | 中国地质调查局水文地质环境地质调查中心 | 一种崩塌滑坡灾害体的变形监测方法 |
| CN114021487A (zh) * | 2022-01-10 | 2022-02-08 | 西南交通大学 | 一种山坡崩塌的预警方法、装置、设备及可读存储介质 |
| CN114519920A (zh) * | 2022-01-10 | 2022-05-20 | 广西大学 | 基于微震多前兆特征的硬岩塌方智能预警方法、系统及设备 |
| CN116227938A (zh) * | 2023-04-26 | 2023-06-06 | 四川川核地质工程有限公司 | 基于北斗卫星的山体滑坡智能预警方法及系统 |
| CN116416762A (zh) * | 2023-06-09 | 2023-07-11 | 四川川核地质工程有限公司 | 基于人工智能的泥石流预警方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 王学良 ; 刘海洋 ; 王瑞琪 ; 王彦兵 ; 涂新斌 ; .山区输变电工程崩塌(滚石)灾害识别与预测方法.工程地质学报.2018,(第01期),177-183. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116757335A (zh) | 2023-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116757335B (zh) | 基于北斗卫星的崩塌预测方法及系统 | |
| Zhou et al. | Predicting tunnel squeezing using support vector machine optimized by whale optimization algorithm | |
| Ilia et al. | Applying weight of evidence method and sensitivity analysis to produce a landslide susceptibility map | |
| Bui et al. | Novel hybrid evolutionary algorithms for spatial prediction of floods | |
| Zhou et al. | Classification of rockburst in underground projects: comparison of ten supervised learning methods | |
| Ruiz-Carulla et al. | A fractal fragmentation model for rockfalls | |
| Taheri et al. | Sinkhole susceptibility mapping: A comparison between Bayes‐based machine learning algorithms | |
| Dick et al. | Development of an early-warning time-of-failure analysis methodology for open-pit mine slopes utilizing ground-based slope stability radar monitoring data | |
| Ma et al. | Identification of causal factors for the Majiagou landslide using modern data mining methods | |
| Zhuang et al. | A study on the background and clustering seismicity in the Taiwan region by using point process models | |
| Osasan et al. | Automatic prediction of time to failure of open pit mine slopes based on radar monitoring and inverse velocity method | |
| Demir et al. | Predicting occurrence of liquefaction-induced lateral spreading using gradient boosting algorithms integrated with particle swarm optimization: PSO-XGBoost, PSO-LightGBM, and PSO-CatBoost | |
| Singh et al. | A study of soft computing models for prediction of longitudinal wave velocity | |
| CN116416762B (zh) | 基于人工智能的泥石流预警方法及系统 | |
| Wang et al. | Using LSTM neural networks for onsite earthquake early warning | |
| Wojtecki et al. | An attempt to use machine learning algorithms to estimate the rockburst hazard in underground excavations of hard coal mine | |
| Ilia et al. | A geographical information system (GIS) based probabilistic certainty factor approach in assessing landslide susceptibility: the case study of Kimi, Euboea, Greece | |
| Pham et al. | Performance assessment of artificial neural network using chi-square and backward elimination feature selection methods for landslide susceptibility analysis | |
| Asadi et al. | A comparison study on the quantitative statistical methods for spatial prediction of shallow landslides (case study: Yozidar-Degaga Route in Kurdistan Province, Iran) | |
| Li et al. | Uncertainties of collapse susceptibility prediction based on remote sensing and GIS: Effects of different machine learning models | |
| Zhiyong et al. | Landslide susceptibility assessment through TrAdaBoost transfer learning models using two landslide inventories | |
| Chen et al. | A one-class-classifier-based negative data generation method for rapid earthquake-induced landslide susceptibility mapping | |
| Shaheen et al. | Methodology for integrating fuzzy expert systems and discrete event simulation in construction engineering | |
| JP2021526634A (ja) | 線形及び非線形のハイブリッドアルゴリズムを用いた逆層序モデル化 | |
| Wubalem | Landslide inventory, susceptibility, hazard and risk mapping |
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 |