CN116861344A - 基于二级因子区间优化划分的滑坡敏感性评估方法及设备 - Google Patents

基于二级因子区间优化划分的滑坡敏感性评估方法及设备 Download PDF

Info

Publication number
CN116861344A
CN116861344A CN202310845140.8A CN202310845140A CN116861344A CN 116861344 A CN116861344 A CN 116861344A CN 202310845140 A CN202310845140 A CN 202310845140A CN 116861344 A CN116861344 A CN 116861344A
Authority
CN
China
Prior art keywords
disaster
factor
causing
landslide
continuous variable
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
Application number
CN202310845140.8A
Other languages
English (en)
Inventor
李佳颖
王卫东
曹禄来
陈琛
王智超
朱崇政
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiangtan University
Original Assignee
Xiangtan University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiangtan University filed Critical Xiangtan University
Priority to CN202310845140.8A priority Critical patent/CN116861344A/zh
Publication of CN116861344A publication Critical patent/CN116861344A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)

Abstract

本申请适用于数据处理技术领域，提供了一种基于二级因子区间优化划分的滑坡敏感性评估方法及设备。该评估方法包括：用历史滑坡灾害面积数据对连续变量致灾因子和离散变量致灾因子进行耦合，得到连续变量致灾因子图层和离散变量致灾因子的二级因子划分图层；对连续变量致灾因子图层进行划分，得到二级因子和二级因子划分图层；基于二级因子计算连续变量致灾因子与滑坡灾害的相关性；计算离散变量致灾因子与滑坡灾害的相关性；根据相关性确定目标致灾因子；基于目标致灾因子的二级因子划分图层得到滑坡敏感性评估模型；利用滑坡敏感性评估模型进行评估，得到滑坡敏感性评估结果。本申请的滑坡敏感性评估方法能提高滑坡敏感性评估的准确性。

Description

基于二级因子区间优化划分的滑坡敏感性评估方法及设备
技术领域
本申请涉及数据处理技术领域，特别涉及一种基于二级因子区间优化划分的滑坡敏感性评估方法及设备。
背景技术
目前，随着社会发展的进步，对于天气的预测和评估技术已经逐渐成熟，便于人们更好的生活，但是对于具体天气灾害的预测技术还不够成熟。其中，滑坡灾害对于人类健康、建筑物和地形地貌的损害都极大，目前的相关研究文献中，提高滑坡(即滑坡灾害)敏感性评估准确性的主要方法是对评估滑坡敏感性的模型优化改进，但目前较少有研究通过优化因素处理过程提高滑坡敏感性评估的准确性。实际上，致灾因子的二级因子区间划分是因素处理过程中极重要的一个步骤，目前二级因子区间划分方法是利用经验法或者地理信息系统(GIS，Geographic Information System)的标准分类方法，比如自然断点法和等间距统计法等。但这些方法只考虑到致灾因子的数据分布本身，忽视了致灾因子与滑坡灾害分布的关联性，导致滑坡敏感性评估的准确性差。
发明内容
本申请实施例提供了一种基于二级因子区间优化划分的滑坡敏感性评估方法及设备，可以解决滑坡敏感性评估的准确性差的问题。
第一方面，本申请实施例提供了一种基于二级因子区间优化划分的滑坡敏感性评估方法，该滑坡敏感性评估方法包括：
利用目标区域的历史滑坡灾害面积数据分别对目标区域的多个连续变量致灾因子和多个离散变量致灾因子进行耦合，得到多个连续变量致灾因子图层和多个离散变量致灾因子的二级因子划分图层；
分别针对每个连续变量致灾因子，对连续变量致灾因子的连续变量致灾因子图层进行划分，得到连续变量致灾因子对应的二级因子，并得到连续变量致灾因子的二级因子划分图层；
分别针对每个连续变量致灾因子，基于连续变量致灾因子对应的二级因子计算连续变量致灾因子与滑坡灾害的相关性；
分别计算每个离散变量致灾因子与滑坡灾害的相关性；
根据计算得到的相关性从多个连续变量致灾因子和多个离散变量致灾因子中确定目标区域的目标致灾因子；
基于目标致灾因子对应的二级因子划分图层，以及历史滑坡灾害面积数据对随机森林模型进行训练，得到滑坡敏感性评估模型；
利用滑坡敏感性评估模型对目标区域进行滑坡敏感性评估，得到目标区域的滑坡敏感性评估结果。
可选的，对连续变量致灾因子的连续变量致灾因子图层进行划分，得到连续变量致灾因子对应的二级因子，并得到连续变量致灾因子的二级因子划分图层，包括：
初始化麻雀种群X为：
其中，X1，1表示第1只麻雀在第1维中连续变量致灾因子的取值，Xn，1表示第n只麻雀在第1维中连续变量致灾因子的取值，X1，dim表示第1只麻雀在第dim维中连续变量致灾因子的取值，Xn，dim表示第n只麻雀在第dim维中连续变量致灾因子的取值；
更新第i只麻雀的位置，并通过公式：
更新发现者的位置；
其中，表示第i只麻雀在第j维中于第t+1次迭代时的位置，表示第i只麻雀在第j维中于第t次迭代时的位置，i＝1，2，...，n，n表示麻雀种群中麻雀的总数，j＝1，2，...，dim，dim表示维度的总数，itermax表示最大迭代次数，α为随机数，α∈(0，1]，R2表示警戒值，ST表示安全值，Q表示随机数，L表示参数矩阵；
通过公式：
更新加入者的位置；
其中，Xj，worst表示在第j维中的全局最差位置，表示发现者在第t+1次迭代时在第j维中的最佳位置，A+表示参数矩阵；
通过公式：
更新警卫者的位置；
其中，Xj，best表示在第j维中的全局最优位置，β表示阶跃控制参数，fi表示当前适应度，fg表示全局最优适应度，K为随机数，K∈[-1，1]，fw表示全局最差适应度，ε为常数；
将第i只麻雀在第j维中于第t次迭代时的位置作为连续变量致灾因子d的第i组二级因子的第j个二级因子与第j+1个二级因子之间的间隔值；
通过公式：
计算连续变量致灾因子d对应的连续变量致灾因子图层中，第j个二级因子对应的区域的滑坡密度归一化值
其中，表示连续变量致灾因子d的第j个二级因子对应的区域的面积，表示连续变量致灾因子d的第j个二级因子对应的区域中的历史滑坡面积，d＝1，2，...，D，D表示连续变量致灾因子的总数；
通过目标函数：
计算连续变量致灾因子d的第i组二级因子的熵值
将连续变量致灾因子d的第i组二级因子的熵值作为第i只麻雀的适应度得到所有麻雀的适应度Fd：
其中，表示第1只麻雀的适应度，表示第n只麻雀的适应度；
判断迭代次数是否达到最大迭代次数，若未达到最大迭代次数，则将Fd中数值最小的适应度作为全局最优适应度，将数值最小的适应度对应的麻雀的位置作为全局最佳位置，将Fd中数值最大的适应度作为全局最差适应度，将数值最大的适应度对应的麻雀的位置作为全局最差位置，更新全局最优适应度、全局最差适应度、全局最佳位置和全局最差位置，并返回更新第i只麻雀的位置的步骤；
若达到最大迭代次数，则停止迭代，将达到最大迭代次数时的Xj，best作为连续变量致灾因子d的第j个二级因子与第j+1个二级因子之间的间隔值；
根据连续变量致灾因子的二级因子，对连续变量致灾因子图层进行划分，得到连续变量致灾因子的二级因子划分图层。
可选的，基于连续变量致灾因子对应的二级因子计算连续变量致灾因子与滑坡灾害的相关性，包括：
通过公式：
计算连续变量致灾因子d与滑坡灾害的相关性
其中，xdj表示连续变量致灾因子d的第j个二级因子对应的区域中滑坡面积的实际观测值，Tdj表示连续变量致灾因子d的第j个二级因子对应的区域中滑坡面积的理论推测值，d＝1，2，...，D，D表示连续变量致灾因子的总数。
可选的，分别计算每个离散变量致灾因子与滑坡灾害的相关性，包括：
通过公式：
计算离散变量致灾因子f与滑坡灾害的相关性
其中，xfl表示离散变量致灾因子f的第l个二级因子对应的区域中滑坡面积的实际观测值，Tfl表示离散变量致灾因子f的第l个二级因子对应的区域中滑坡面积的理论推测值，f＝1,2,...,F，F表示离散变量致灾因子的总数，l＝1,2,...,L，L表示离散变量致灾因子的二级因子的个数。
可选的，根据计算得到的相关性从多个连续变量致灾因子和多个离散变量致灾因子中确定目标区域的目标致灾因子，包括；
将相关性大于或等于预设的相关性临界值的连续变量致灾因子和离散变量致灾因子作为目标区域的目标致灾因子。
可选的，基于目标致灾因子对应的二级因子划分图层以及历史滑坡灾害面积数据对随机森林模型进行训练，得到滑坡敏感性评估模型，包括：
将目标致灾因子对应的二级因子划分图层与历史滑坡灾害面积数据进行耦合，得到滑坡灾害图层；
利用滑坡灾害图层训练随机森林模型，并将训练后的随机森林模型作为滑坡敏感性评估模型。
第二方面，本申请实施例提供了一种基于二级因子区间优化划分的滑坡敏感性评估装置，包括：
耦合模块，用于利用目标区域的历史滑坡灾害面积数据分别对目标区域的多个连续变量致灾因子和多个离散变量致灾因子进行耦合，得到多个连续变量致灾因子图层和多个离散变量致灾因子的二级因子划分图层；
划分模块，用于分别针对每个连续变量致灾因子，对连续变量致灾因子的连续变量致灾因子图层进行划分，得到连续变量致灾因子对应的二级因子，并得到连续变量致灾因子的二级因子划分图层；
第一计算模块，用于分别针对每个连续变量致灾因子，基于连续变量致灾因子对应的二级因子计算连续变量致灾因子与滑坡灾害的相关性；
第二计算模块，用于分别计算每个离散变量致灾因子与滑坡灾害的相关性；
确定模块，根据计算得到的相关性从多个连续变量致灾因子和多个离散变量致灾因子中确定目标区域的目标致灾因子；
训练模块，用于基于目标致灾因子对应的二级因子划分图层，以及历史滑坡灾害面积数据对随机森林模型进行训练，得到滑坡敏感性评估模型；
评估模块，利用滑坡敏感性评估模型对目标区域进行滑坡敏感性评估，得到目标区域的滑坡敏感性评估结果。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，该处理器执行上述计算机程序时实现上述的基于二级因子区间优化划分的滑坡敏感性评估方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述的基于二级因子区间优化划分的滑坡敏感性评估方法。
本申请的上述方案有如下的有益效果：
在本申请的实施例中，通过利用目标区域的历史滑坡灾害面积数据分别对目标区域的多个连续变量致灾因子和多个离散变量致灾因子进行耦合，得到多个连续变量致灾因子图层和多个离散变量致灾因子的二级因子划分图层，再分别针对每个连续变量致灾因子，对连续变量致灾因子的连续变量致灾因子图层进行划分，得到连续变量致灾因子对应的二级因子，并得到连续变量致灾因子的二级因子划分图层，然后分别针对每个连续变量致灾因子，基于连续变量致灾因子对应的二级因子计算连续变量致灾因子与滑坡灾害的相关性，分别计算每个离散变量致灾因子与滑坡灾害的相关性，然后根据计算得到的相关性从多个连续变量致灾因子和多个离散变量致灾因子中确定目标区域的目标致灾因子，再基于目标致灾因子对应的二级因子划分图层以及历史滑坡灾害面积数据对随机森林模型进行训练，得到滑坡敏感性评估模型，最后利用滑坡敏感性评估模型对目标区域进行滑坡敏感性评估，得到目标区域的滑坡敏感性评估结果。其中，对每个连续变量致灾因子图层进行划分，得到连续变量致灾因子对应的二级因子，能够让得到的二级因子重要性提高，根据相关性获得多个目标致灾因子，能够筛选得到与滑坡灾害相关性高的目标致灾因子，从而使基于目标致灾因子训练得到的滑坡敏感性评估模型的评估精准度高，进而使得基于滑坡敏感性评估模型完成的滑坡敏感性评估的准确性能得以大大提升。
本申请的其它有益效果将在随后的具体实施方式部分予以详细说明。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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为本申请一实施例提供的基于二级因子区间优化划分的滑坡敏感性评估方法的流程图；
图2为本申请一实施例提供的连续变量致灾因子图层；
图3为本申请一实施例提供的滑坡灾害敏感性区划图；
图4为本申请一实施例提供的连续变量致灾因子二级因子划分图层；
图5为本申请一实施例提供的基于二级因子区间优化划分的滑坡敏感性评估装置的结构示意图；
图6为本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”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，在本申请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。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
针对现有的滑坡敏感性评估的准确性差的问题，本申请实施例提供了一种基于二级因子区间优化划分的滑坡敏感性评估方法，该滑坡敏感性评估方法通过利用目标区域的历史滑坡灾害面积数据分别对目标区域的多个连续变量致灾因子和多个离散变量致灾因子进行耦合，得到多个连续变量致灾因子图层和多个离散变量致灾因子的二级因子划分图层，再分别针对每个连续变量致灾因子，对连续变量致灾因子的连续变量致灾因子图层进行划分，得到连续变量致灾因子对应的二级因子，并得到连续变量致灾因子的二级因子划分图层，然后分别针对每个连续变量致灾因子，基于连续变量致灾因子对应的二级因子计算连续变量致灾因子与滑坡灾害的相关性，分别计算每个离散变量致灾因子与滑坡灾害的相关性，然后根据计算得到的相关性从多个连续变量致灾因子和多个离散变量致灾因子中确定目标区域的目标致灾因子，再基于目标致灾因子对应的二级因子划分图层以及历史滑坡灾害面积数据对随机森林模型进行训练，得到滑坡敏感性评估模型，最后利用滑坡敏感性评估模型对目标区域进行滑坡敏感性评估，得到目标区域的滑坡敏感性评估结果。其中，对每个连续变量致灾因子图层进行划分，得到连续变量致灾因子对应的二级因子，能够让得到的二级因子的重要性提高，根据相关性获得多个目标致灾因子，能够筛选得到与滑坡灾害相关性高的目标致灾因子，从而使基于目标致灾因子训练得到的滑坡敏感性评估模型的评估精准度高，进而使得基于滑坡敏感性评估模型完成的滑坡敏感性评估的准确性能得以大大提升。
接下来对本申请提供的滑坡敏感性评估方法做示例性说明。
如图1所示，本申请提供的滑坡敏感性评估方法包括如下步骤：
步骤11，利用目标区域的历史滑坡灾害面积数据分别对目标区域的多个连续变量致灾因子和多个离散变量致灾因子进行耦合，得到多个连续变量致灾因子图层和多个离散变量致灾因子的二级因子划分图层。
上述目标区域为需进行滑坡敏感性评估的区域；上述历史滑坡灾害面积数据包括目标区域在历史时间段内发生滑坡的区域面积；致灾因子指对灾害的发生有影响的因素；上述连续变量致灾因子是指在一定取值范围内可以随意取值的致灾因子，例：地形湿度指数的取值范围为-0.31至22.11，在该范围内，地形湿度指数可以是任意一个值，所以地形湿度指数为连续变量致灾因子；上述离散变量致灾因子是指二级因子固定的致灾因子，例：岩性的二级因子为稳定岩、偶滑岩、较偶滑岩和易滑岩，所以岩性为离散变量致灾因子。在本申请的一些实施例中，通过对连续变量致灾因子和历史滑坡灾害面积数据进行耦合，能够得到该连续变量致灾因子对应的连续变量致灾因子图层。类似的，通过对离散变量致灾因子和历史滑坡灾害面积数据进行耦合，由于离散变量致灾因子的取值为离散形式，它的离散值就是二级因子，所以二级因子固定，因此耦合后能够得到该离散变量致灾因子对应的二级因子划分图层。其中，耦合指把历史滑坡灾害面积数据与致灾因子图层通过地理信息系统(GIS，Geographic InformationSystem)进行的叠加操作；连续变量致灾因子图层用于表现连续变量致灾因子与滑坡灾害面积之间的关系；离散变量致灾因子的二级因子划分图层用于表现离散变量致灾因子与滑坡灾害面积之间的关系。
示例性的，上述目标区域为四川攀枝花市时，可以获取四川攀枝花市的岩性、高程、坡度、地表起伏度、地形地貌、地形湿度指数、归一化植被指数、年平均降雨量、与水系距离和与公路距离十个影响因素和四川攀枝花市的历史滑坡灾害面积数据。在上述十个致灾因子中，高程、坡度、地表起伏度、地形湿度指数、归一化植被指数和年平均降雨量六个致灾因子为连续变量致灾因子，岩性、地形地貌、与水系距离和与公路距离四个离散变量致灾因子，其中与水系距离和与公路距离需要根据目标区域的实际情况确定取值。分别将每个致灾因子与历史滑坡灾害面积数据进行耦合，得到六个连续变量致灾因子图层和四个离散变量致灾因子的二级因子划分图层。
下面结合一具体实例对上述连续变量致灾因子图层进行示例性说明。
连续变量致灾因子图层如图2所示，图中分别展示了高程的连续变量致灾因子图层，高程的取值范围由低到高为910米(m)至3971m，坡度的连续变量致灾因子图层，坡度的取值范围由低到高为0度(°)至56.63°，地表起伏度的连续变量致灾因子图层，地表起伏度的取值范围由低到高为0m至679.74m，地形湿度指数的连续变量致灾因子图层，地形湿度指数的取值范围由低到高为-0.31至22.11，归一化植被指数的连续变量致灾因子图层，归一化植被指数的取值范围由低到高为0.22至0.90，年平均降雨量的连续变量致灾因子图层，年平均降雨量的取值范围由低到高为821毫米(mm)至1147mm，图层以上为北(N)，比例尺为1cm：10km。
值得一提的是，耦合得到的连续变量致灾因子图层和离散变量致灾因子的二级因子划分图层，能够直观且精准地表现致灾因子与滑坡灾害面积之间的关系。
步骤12，分别针对每个连续变量致灾因子，对连续变量致灾因子的连续变量致灾因子图层进行划分，得到连续变量致灾因子对应的二级因子，并得到连续变量致灾因子的二级因子划分图层。
在本申请的一些实施例中，可以利用麻雀搜索算法得到连续变量致灾因子对应的二级因子，并根据连续变量致灾因子的二级因子，对连续变量致灾因子图层进行划分，得到连续变量致灾因子的二级因子划分图层。
值得一提的是，连续变量致灾因子的数值表现为：在取值范围能任意取值，因此不能直接用于计算连续变量致灾因子与滑坡灾害之间的相关性，利用麻雀算法得到的连续变量致灾因子对应的二级因子，解决了不能直接用于计算连续变量致灾因子与滑坡灾害之间的相关性的问题，并且得到的二级因子的重要性提高。
步骤13，分别针对每个连续变量致灾因子，基于连续变量致灾因子对应的二级因子计算连续变量致灾因子与滑坡灾害的相关性。
在本申请的一些实施例中，可利用卡方检验计算连续变量致灾因子与滑坡灾害的相关性。
具体的，通过公式：
计算连续变量致灾因子d与滑坡灾害的相关性
其中，xdj表示连续变量致灾因子d的第j个二级因子对应的区域中滑坡面积的实际观测值，Tdj表示连续变量致灾因子d的第j个二级因子对应的区域中滑坡面积的理论推测值，d＝1,2,...,D，D表示连续变量致灾因子的总数。
需要说明的是，上述实际观测值为：在连续变量致灾因子d的二级因子划分图层中直接得到的连续变量致灾因子d的第j个二级因子对应的区域中的滑坡面积，上述理论推测值为：假设连续变量致灾因子d与滑坡灾害不相关时，连续变量致灾因子d的第j个二级因子对应的区域中的滑坡面积，当的数值越大，说明连续变量致灾因子d与滑坡灾害不相关的假设越不正确，即连续变量致灾因子d与滑坡灾害的相关程度越大。
具体的，上述理论推测值的计算为，假设连续变量致灾因子d与滑坡灾害不相关，将目标区域的滑坡面积除以目标区域的总面积，得到滑坡密度，然后将连续变量致灾因子d的第j个二级因子对应的区域面积乘以滑坡密度，得到连续变量致灾因子d的第j个二级因子对应的区域中滑坡面积的理论推测值。
值得一提的是，利用卡方检验计算连续变量致灾因子与滑坡灾害的相关性，能够提高相关性的精确度。
步骤14，分别计算每个离散变量致灾因子与滑坡灾害的相关性。
在本申请的一些实施例中，可利用卡方检验计算离散变量致灾因子与滑坡灾害的相关性。
具体的，通过公式：
计算离散变量致灾因子f与滑坡灾害的相关性
其中，xfl表示离散变量致灾因子f的第l个二级因子对应的区域中滑坡面积的实际观测值，Tfl表示离散变量致灾因子f的第l个二级因子对应的区域中滑坡面积的理论推测值，f＝1,2,...,F，F表示离散变量致灾因子的总数，l＝1,2,...,L，L表示离散变量致灾因子的二级因子的个数。
需要说明的是，上述实际观测值为：在离散变量致灾因子f对应的二级因子划分图层中直接得到的离散变量致灾因子f的第l个二级因子对应的区域中的滑坡面积，上述理论推测值为：假设离散变量致灾因子f与滑坡灾害不相关时，离散变量致灾因子f的第l个二级因子对应的区域中的滑坡面积，当的数值越大，说明离散变量致灾因子f与滑坡灾害不相关的假设越不正确，即离散变量致灾因子f与滑坡灾害的相关程度越大。
值得一提的是，利用卡方检验计算离散变量致灾因子与滑坡灾害的相关性，能够提高相关性的精确度。
步骤15，根据计算得到的相关性从多个连续变量致灾因子和多个离散变量致灾因子中确定目标区域的目标致灾因子。
在本申请的一些实施例中，将相关性大于或等于预设的相关性临界值的连续变量致灾因子和离散变量致灾因子作为目标区域的目标致灾因子。
示例性的，若连续变量致灾因子d对应的预设的相关性临界值为y，当连续变量致灾因子d与滑坡灾害的相关性大于或等于y时，则连续变量致灾因子d为目标致灾因子；若离散变量致灾因子f对应的预设的相关性临界值为z，当离散变量致灾因子f与滑坡灾害的相关性大于或等于z时，则离散变量致灾因子f为目标致灾因子。
值得一提的是，根据相关性确定目标区域的目标致灾因子，能够保留与滑坡灾害相关程度高的致灾因子，剔除相关程度低的致灾因子，提高数据的准确性。
步骤16，基于目标致灾因子对应的二级因子划分图层以及历史滑坡灾害面积数据对随机森林模型进行训练，得到滑坡敏感性评估模型。
在本申请的一些实施例中，可将目标致灾因子对应的二级因子划分图层(连续变量致灾因子的二级因子划分图层和离散变量致灾因子的二级划分图层)与历史滑坡灾害面积数据进行耦合(即将所有目标致灾因子对应的二级因子划分图层与历史滑坡灾害面积数据通过地理信息系统进行的叠加操作)，得到用于表现二级因子与滑坡灾害的空间关系的滑坡灾害图层，再利用滑坡灾害图层训练随机森林模型，并将训练后的随机森林模型作为滑坡敏感性评估模型。
具体的，将滑坡灾害图层作为随机森林模型的训练数据对随机森林模型进行训练，从训练数据中有放回的随机选择样本，用选择好的样本训练决策树，作为决策树根节点的样本，决策树能够表示样本的值和样本的特征之间的关系，上述滑坡灾害图层中致灾因子即为样本的特征，是否发生滑坡灾害即为样本的值；从样本的特征中随机选取部分特征，从选择的特征采用基尼(Gini)指标等策略选择一个特征作为该节点的分裂特征，每个节点均按照上述过程分裂，直到不能再分裂为止，重复上述过程建立决策树，当随机森林模型中决策树的数量达到预设数量时，停止训练，得到滑坡敏感性评估模型。
值得一提的是，利用滑坡灾害图层训练随机森林模型，能够使滑坡敏感性评估模型的评估精准度上升。
步骤17，利用滑坡敏感性评估模型对目标区域进行滑坡敏感性评估，得到目标区域的滑坡敏感性评估结果。
在本申请的一些实施例中，可利用滑坡敏感性评估模型对目标区域的每个单元区域发生滑坡灾害的概率进行预测，得到单元滑坡概率，单元滑坡概率的取值区间为[0,1]，数值越大，发生滑坡的概率越高，再将所有单元滑坡概率整合在一张图上，得到目标区域的滑坡敏感性评估结果。具体的，在预测过程中，可将目标区域的单元区域的致灾因子(即上述目标致灾因子)的数值输入滑坡敏感性评估模型，得到该单元区域对应的单元滑坡概率。
上述单元区域指将目标区域划分为多个区域，划分后的每个区域为一个单元区域。示例性的，一个单元区域的致灾因子为高程1200m、地表起伏度68m、归一化植被指数0.76等，将致灾因子输入滑坡敏感性评估模型，得到该单元区域对应的单元滑坡概率；每个单元区域都进行此计算，最后将所有单元滑坡概率整合在一张图上，得到目标区域的滑坡敏感性评估结果，并根据预设的范围，将单元滑坡概率分类为极低敏感性、低敏感性、中等敏感性和高敏感性四个等级，例：一个单元区域的单元滑坡概率为0.13，预设的极低敏感性的范围为0至0.2，则该单元滑坡概率为极低敏感性。
下面结合一具体实例对上述滑坡敏感性评估结果进行示例性解释。
本申请一实施例提供的滑坡灾害敏感性区划图(即上述滑坡敏感性评估结果)如图3所示，图中目标区域的滑坡敏感性等级分为四个等级：极低敏感性、低敏感性、中等敏感性和高敏感性。将目标区域的历史滑坡灾害面积数据与滑坡灾害敏感性区划图耦合，利用统计产品和服务解决方案(SPSS，Statistical Product and Service Solutions)平台绘制受试者工作特征曲线，得到曲线下面积为0.804，说明滑坡灾害敏感性区划图具有高可信度。
值得一提的是，对每个连续变量致灾因子图层进行划分，得到连续变量致灾因子对应的二级因子，能够让得到的二级因子的重要性提高，根据相关性获得多个目标致灾因子，能够筛选得到与滑坡灾害相关性高的目标致灾因子，从而使基于目标致灾因子训练得到的滑坡敏感性评估模型的评估精准度高，进而使得基于滑坡敏感性评估模型完成的滑坡敏感性评估的准确性能得以大大提升。
上述滑坡敏感性评估结果可用于及时预测目标区域中可能发生滑坡灾害的地区，预防滑坡灾害产生的风险，降低滑坡灾害带来的损失。
下面结合具体实施例对上述步骤12的具体步骤进行示例性说明。
在本申请的一些实施例中，上述步骤12的具体实现过程包括如下步骤：
步骤12.1，利用麻雀搜索算法得到连续变量致灾因子对应的二级因子。
第一步，初始化麻雀种群X为：
其中，X1，1表示第1只麻雀在第1维中连续变量致灾因子的取值，Xn，1表示第n只麻雀在第1维中连续变量致灾因子的取值，X1，dim表示第1只麻雀在第dim维中连续变量致灾因子的取值，Xn，dim表示第n只麻雀在第dim维中连续变量致灾因子的取值。
第二步，更新第i只麻雀的位置，并通过公式：
更新发现者的位置；
其中，表示第i只麻雀在第j维中于第t+1次迭代时的位置，表示第i只麻雀在第j维中于第t次迭代时的位置，i＝1，2，...，n，n表示麻雀种群中麻雀的总数，j＝1，2，...，dim，dim表示维度的总数，itermax表示最大迭代次数，α为随机数，α∈(0，1]，R2表示警戒值，ST表示安全值，Q表示服从正态分布的随机数，L表示每个元素都为1的参数矩阵；
通过公式：
更新加入者的位置；
其中，Xj，worst表示在第j维中的全局最差位置，表示发现者在第t+1次迭代时在第j维中的最佳位置，A+表示参数矩阵，A+＝AT(AAT)-1，A表示元素为1或-1的参数矩阵，AT表示对矩阵A的转置运算；
通过公式：
更新警卫者的位置；
其中，Xj，best表示在第j维中的全局最优位置，β表示阶跃控制参数，是服从正态分布的随机数，fi表示当前适应度，fg表示全局最优适应度，K为随机数，K∈[-1，1]，fw表示全局最差适应度，ε为常数。
第三步，将第i只麻雀在第j维中于第t次迭代时的位置作为连续变量致灾因子d的第i组二级因子的第j个二级因子与第j+1个二级因子之间的间隔值；
通过公式：
计算连续变量致灾因子d对应的连续变量致灾因子图层中，第j个二级因子对应的区域的滑坡密度归一化值
其中，表示连续变量致灾因子d的第j个二级因子对应的区域的面积，表示连续变量致灾因子d的第j个二级因子对应的区域中的历史滑坡面积，d＝1，2，...，D，D表示连续变量致灾因子的总数。
通过目标函数：
计算连续变量致灾因子d的第i组二级因子的熵值
将连续变量致灾因子d的第i组二级因子的熵值作为第i只麻雀的适应度得到所有麻雀的适应度Fd：
其中，表示第1只麻雀的适应度，表示第n只麻雀的适应度。
第四步，判断迭代次数是否达到最大迭代次数，若未达到最大迭代次数，则将Fd中数值最小的适应度作为全局最优适应度，将数值最小的适应度对应的麻雀的位置作为全局最佳位置，将Fd中数值最大的适应度作为全局最差适应度，将数值最大的适应度对应的麻雀的位置作为全局最差位置，更新全局最优适应度、全局最差适应度、全局最佳位置和全局最差位置，并返回更新第i只麻雀的位置的步骤；
若达到最大迭代次数，则停止迭代，将达到最大迭代次数时的Xj，best作为连续变量致灾因子d的第j个二级因子与第j+1个二级因子之间的间隔值。
示例性的，上述麻雀算法最终输出为三个值：10、30、50，则四个二级因子为：小于10、10至30、30至50、大于50。
需要说明的是，在本申请的一些实施例中，可将熵值计算作为目标函数，熵值越小，致灾因子的离散程度越大，对应的二级因子的重要性越大，因此在麻雀搜索算法的过程中，熵值越来越小，最终得到重要性最大的二级因子。
步骤12.2，根据连续变量致灾因子的二级因子，对连续变量致灾因子图层进行划分，得到连续变量致灾因子的二级因子划分图层。
具体的，上述步骤得到的二级因子将连续变量致灾因子划分为多个区间，根据划分的区间对连续变量致灾因子图层重新划分面积范围，得到连续变量致灾因子的二级因子划分图层。
示例性的，高程的二级因子为小于1522m、1522m至1990m、1990m至2542m、大于2542m，根据二级因子对高程的连续变量致灾因子图层重新划分面积范围，得到高程的二级因子划分图层。
下面结合一具体实例对上述连续变量致灾因子的二级因子划分图层进行示例性解释。
本申请一实施例提供的连续变量致灾因子的二级因子划分图层如图4所示，高程的二级因子为小于1522m、1522m至1990m、1990m至2542m、大于2542m；坡度的二级因子为小于9.82°、9.82°至17.36°、17.36°至25.57°、大于25.57°；地表起伏度的二级因子为小于59m、59m至107m、107m至165m、大于165m；地形湿度指数的二级因子为小于4.87、4.87至9.18、9.18至12.43、大于12.43；归一化植被指数的二级因子为小于0.62、0.62至0.75、0.75至0.84、大于0.84；年平均降雨量为小于951mm、951mm至1030mm、1030mm至1082mm、大于1082mm。图层以上为北(N)，比例尺为1cm：10km。
可以看出，根据麻雀搜索算法得到二级因子，能够提高二级因子的重要性，基于二级因子划分得到的连续变量致灾因子的二级因子划分图层，具有高精确性。
下面对本申请提供的一种基于二级因子区间优化划分的滑坡敏感性评估装置进行示例性说明。
如图5所示，本申请实施例提供了一种基于二级因子区间优化划分的滑坡敏感性评估装置，该滑坡敏感性评估装置500包括：
耦合模块501，用于利用目标区域的历史滑坡灾害面积数据分别对目标区域的多个连续变量致灾因子和多个离散变量致灾因子进行耦合，得到多个连续变量致灾因子图层和多个离散变量致灾因子的二级因子划分图层；
划分模块502，用于分别针对每个连续变量致灾因子，对连续变量致灾因子的连续变量致灾因子图层进行划分，得到连续变量致灾因子对应的二级因子，并得到连续变量致灾因子的二级因子划分图层；
第一计算模块503，用于分别针对每个连续变量致灾因子，基于连续变量致灾因子对应的二级因子计算连续变量致灾因子与滑坡灾害的相关性；
第二计算模块504，用于分别计算每个离散变量致灾因子与滑坡灾害的相关性；
确定模块505，根据计算得到的相关性从多个连续变量致灾因子和多个离散变量致灾因子中确定目标区域的目标致灾因子；
训练模块506，用于基于目标致灾因子对应的二级因子划分图层以及历史滑坡灾害面积数据对随机森林模型进行训练，得到滑坡敏感性评估模型；
评估模块507，利用滑坡敏感性评估模型对目标区域进行滑坡敏感性评估，得到目标区域的滑坡敏感性评估结果。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述
如图6所示，本申请的实施例提供了一种终端设备，该实施例的终端设备D10包括：至少一个处理器D100(图6中仅示出一个处理器)、存储器D101以及存储在所述存储器D101中并可在所述至少一个处理器D100上运行的计算机程序D102，所述处理器D100执行所述计算机程序D102时实现上述任意各个方法实施例中的步骤。
具体的，所述处理器D100执行所述计算机程序D102时，通过利用目标区域的历史滑坡灾害面积数据分别对目标区域的多个连续变量致灾因子和多个离散变量致灾因子进行耦合，得到多个连续变量致灾因子图层和多个离散变量致灾因子的二级因子划分图层，再分别针对每个连续变量致灾因子，对连续变量致灾因子的连续变量致灾因子图层进行划分，得到连续变量致灾因子对应的二级因子，并得到连续变量致灾因子的二级因子划分图层，然后分别针对每个连续变量致灾因子，基于连续变量致灾因子对应的二级因子计算连续变量致灾因子与滑坡灾害的相关性，分别计算每个离散变量致灾因子与滑坡灾害的相关性，然后根据计算得到的相关性从多个连续变量致灾因子和多个离散变量致灾因子中确定目标区域的目标致灾因子，再基于目标致灾因子对应的二级因子划分图层以及历史滑坡灾害面积数据对随机森林模型进行训练，得到滑坡敏感性评估模型，最后利用滑坡敏感性评估模型对目标区域进行滑坡敏感性评估，得到目标区域的滑坡敏感性评估结果。其中，对每个连续变量致灾因子图层进行划分，得到连续变量致灾因子对应的二级因子，能够让得到的二级因子的重要性提高，根据相关性获得多个目标致灾因子，能够筛选得到与滑坡灾害相关性高的目标致灾因子，从而使基于目标致灾因子训练得到的滑坡敏感性评估模型的评估精准度高，进而使得基于滑坡敏感性评估模型完成的滑坡敏感性评估的准确性能得以大大提升。
所称处理器D100可以是中央处理单元(CPU，Central Processing Unit)，该处理器D100还可以是其他通用处理器、数字信号处理器(DSP，Digital Signal Processor)、专用集成电路(ASIC，Application Specific Integrated Circuit)、现成可编程门阵列(FPGA，Field-Programmable Gate Array)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。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。
所述存储器D101在一些实施例中可以是所述终端设备D10的内部存储单元，例如终端设备D10的硬盘或内存。所述存储器D101在另一些实施例中也可以是所述终端设备D10的外部存储设备，例如所述终端设备D10上配备的插接式硬盘，智能存储卡(SMC，SmartMedia Card)，安全数字(SD，Secure Digital)卡，闪存卡(Flash Card)等。进一步地，所述存储器D101还可以既包括所述终端设备D10的内部存储单元也包括外部存储设备。所述存储器D101用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器D101还可以用于暂时地存储已经输出或者将要输出的数据。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读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可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行时实现可实现上述各个方法实施例中的步骤。
所述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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到基于二级因子区间优化划分的滑坡敏感性评估方法装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
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，能够以电子硬件或者计算机软件和电子硬件的结合来实现。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申请的范围。
以上所述是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。

Claims (9)

1.一种基于二级因子区间优化划分的滑坡敏感性评估方法，其特征在于，包括：
利用目标区域的历史滑坡灾害面积数据分别对所述目标区域的多个连续变量致灾因子和多个离散变量致灾因子进行耦合，得到多个连续变量致灾因子图层和多个离散变量致灾因子的二级因子划分图层；
分别针对每个连续变量致灾因子，对所述连续变量致灾因子的连续变量致灾因子图层进行划分，得到所述连续变量致灾因子对应的二级因子，并得到所述连续变量致灾因子的二级因子划分图层；
分别针对每个连续变量致灾因子，基于所述连续变量致灾因子对应的二级因子计算所述连续变量致灾因子与滑坡灾害的相关性；
分别计算每个离散变量致灾因子与滑坡灾害的相关性；
根据计算得到的相关性从所述多个连续变量致灾因子和所述多个离散变量致灾因子中确定所述目标区域的目标致灾因子；
基于所述目标致灾因子对应的二级因子划分图层以及所述历史滑坡灾害面积数据对随机森林模型进行训练，得到滑坡敏感性评估模型；
利用所述滑坡敏感性评估模型对所述目标区域进行滑坡敏感性评估，得到所述目标区域的滑坡敏感性评估结果。
2.根据权利要求1所述的滑坡敏感性评估方法，其特征在于，所述对所述连续变量致灾因子的连续变量致灾因子图层进行划分，得到所述连续变量致灾因子对应的二级因子，并得到所述连续变量致灾因子的二级因子划分图层，包括：
初始化麻雀种群X为：
其中，X1,1表示第1只麻雀在第1维中所述连续变量致灾因子的取值，Xn,1表示第n只麻雀在第1维中所述连续变量致灾因子的取值，X1,dim表示第1只麻雀在第dim维中所述连续变量致灾因子的取值，Xn,dim表示第n只麻雀在第dim维中所述连续变量致灾因子的取值；
更新第i只麻雀的位置，并通过公式：
更新发现者的位置；
其中，表示第i只麻雀在第j维中于第t+1次迭代时的位置，表示第i只麻雀在第j维中于第t次迭代时的位置，i＝1，2，...，n，n表示所述麻雀种群中麻雀的总数，j＝1，2，...，dim，dim表示维度的总数，itermax表示最大迭代次数，α为随机数，α∈(0，1]，R2表示警戒值，ST表示安全值，Q表示随机数，L表示参数矩阵；
通过公式：
更新加入者的位置；
其中，Xj，worst表示在第j维中的全局最差位置，表示发现者在第t+1次迭代时在第j维中的最佳位置，A+表示参数矩阵；
通过公式：
更新警卫者的位置；
其中，Xj，best表示在第j维中的全局最优位置，β表示阶跃控制参数，fi表示当前适应度，fg表示全局最优适应度，K为随机数，K∈[-1，1]，fw表示全局最差适应度，ε为常数；
将所述第i只麻雀在第j维中于第t次迭代时的位置作为所述连续变量致灾因子d的第i组二级因子的第j个二级因子与第j+1个二级因子之间的间隔值
通过公式：
计算所述连续变量致灾因子d对应的连续变量致灾因子图层中，第j个二级因子对应的区域的滑坡密度归一化值
其中，表示所述连续变量致灾因子d的第j个二级因子对应的区域的面积.表示所述连续变量致灾因子d的第j个二级因子对应的区域中的历史滑坡面积，d＝1，2，...，D，D表示所述连续变量致灾因子的总数；
通过目标函数：
计算所述连续变量致灾因子d的第i组二级因子的熵值
将所述连续变量致灾因子d的第i组二级因子的熵值作为第i只麻雀的适应度得到所有麻雀的适应度Fd：
其中，表示第1只麻雀的适应度，表示第n只麻雀的适应度；
判断迭代次数是否达到所述最大迭代次数，若未达到所述最大迭代次数，则将Fd中数值最小的适应度作为所述全局最优适应度，将所述数值最小的适应度对应的麻雀的位置作为所述全局最佳位置，将Fd中数值最大的适应度作为所述全局最差适应度，将所述数值最大的适应度对应的麻雀的位置作为所述全局最差位置，更新所述全局最优适应度、所述全局最差适应度、所述全局最佳位置和所述全局最差位置，并返回更新第i只麻雀的位置的步骤；
若达到所述最大迭代次数，则停止迭代，将达到所述最大迭代次数时的Xj，best作为所述连续变量致灾因子d的第j个二级因子与第j+1个二级因子之间的间隔值；
根据所述连续变量致灾因子的二级因子，对所述连续变量致灾因子图层进行划分，得到所述连续变量致灾因子的二级因子划分图层。
3.根据权利要求1所述的滑坡敏感性评估方法，其特征在于，所述基于所述连续变量致灾因子对应的二级因子计算所述连续变量致灾因子与滑坡灾害的相关性，包括：
通过公式：
计算所述连续变量致灾因子d与滑坡灾害的相关性
其中，xdj表示所述连续变量致灾因子d的第j个二级因子对应的区域中滑坡面积的实际观测值，Tdj表示所述连续变量致灾因子d的第j个二级因子对应的区域中滑坡面积的理论推测值，d＝1，2，...，D，D表示所述连续变量致灾因子的总数。
4.根据权利要求1所述的滑坡敏感性评估方法，其特征在于，所述分别计算每个离散变量致灾因子与滑坡灾害的相关性，包括：
通过公式：
计算所述离散变量致灾因子f与滑坡灾害的相关性
其中，xfl表示所述离散变量致灾因子f的第l个二级因子对应的区域中滑坡面积的实际观测值，Tfl表示离散变量致灾因子f的第l个二级因子对应的区域中滑坡面积的理论推测值，f＝1，2，...，F，F表示所述离散变量致灾因子的总数，l＝1，2，...，L，L表示离散变量致灾因子的二级因子的个数。
5.根据权利要求1所述的滑坡敏感性评估方法，其特征在于，所述根据计算得到的相关性从所述多个连续变量致灾因子和所述多个离散变量致灾因子中确定所述目标区域的目标致灾因子，包括；
将相关性大于或等于预设的相关性临界值的连续变量致灾因子和离散变量致灾因子作为所述目标区域的目标致灾因子。
6.根据权利要求1所述的滑坡敏感性评估方法，其特征在于，所述基于所述目标致灾因子对应的二级因子划分图层以及所述历史滑坡灾害面积数据对随机森林模型进行训练，得到滑坡敏感性评估模型，包括：
将所述目标致灾因子对应的二级因子划分图层与所述历史滑坡灾害面积数据进行耦合，得到滑坡灾害图层；
利用所述滑坡灾害图层训练所述随机森林模型，并将训练后的随机森林模型作为滑坡敏感性评估模型。
7.一种基于二级因子区间优化划分的滑坡敏感性评估装置，其特征在于，包括：
耦合模块，用于利用目标区域的历史滑坡灾害面积数据分别对所述目标区域的多个连续变量致灾因子和多个离散变量致灾因子进行耦合，得到多个连续变量致灾因子图层和多个离散变量致灾因子的二级因子划分图层；
划分模块，用于分别针对每个连续变量致灾因子，对所述连续变量致灾因子的连续变量致灾因子图层进行划分，得到所述连续变量致灾因子对应的二级因子，并得到所述连续变量致灾因子的二级因子划分图层；
第一计算模块，用于分别针对每个连续变量致灾因子，基于所述连续变量致灾因子对应的二级因子计算所述连续变量致灾因子与滑坡灾害的相关性；
第二计算模块，用于分别计算每个离散变量致灾因子与滑坡灾害的相关性；
确定模块，根据计算得到的相关性从所述多个连续变量致灾因子和所述多个离散变量致灾因子中确定所述目标区域的目标致灾因子；
训练模块，用于基于所述目标致灾因子对应的二级因子划分图层以及所述历史滑坡灾害面积数据对随机森林模型进行训练，得到滑坡敏感性评估模型；
评估模块，利用所述滑坡敏感性评估模型对所述目标区域进行滑坡敏感性评估，得到所述目标区域的滑坡敏感性评估结果。
8.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的基于二级因子区间优化划分的滑坡敏感性评估方法。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于二级因子区间优化划分的滑坡敏感性评估方法。
CN202310845140.8A 2023-07-11 2023-07-11 基于二级因子区间优化划分的滑坡敏感性评估方法及设备 Pending CN116861344A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310845140.8A CN116861344A (zh) 2023-07-11 2023-07-11 基于二级因子区间优化划分的滑坡敏感性评估方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310845140.8A CN116861344A (zh) 2023-07-11 2023-07-11 基于二级因子区间优化划分的滑坡敏感性评估方法及设备

Publications (1)

Publication Number Publication Date
CN116861344A true CN116861344A (zh) 2023-10-10

Family

ID=88230004

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310845140.8A Pending CN116861344A (zh) 2023-07-11 2023-07-11 基于二级因子区间优化划分的滑坡敏感性评估方法及设备

Country Status (1)

Country Link
CN (1) CN116861344A (zh)

Similar Documents

Publication Publication Date Title
Kadavi et al. Landslide-susceptibility mapping in Gangwon-do, South Korea, using logistic regression and decision tree models
Tessarolo et al. Uncertainty associated with survey design in species distribution models
Ferson et al. Quantitative methods for modeling species habitat: comparative performance and an application to Australian plants
CN112200358B (zh) 一种滑坡等级预测方法、装置、设备和存储介质
CN109086540B (zh) 一种构建热带气旋路径预报模型的方法及装置
Li et al. Debris flows modeling using geo-environmental factors: developing hybridized deep-learning algorithms
Xing et al. Large-scale landslide susceptibility mapping using an integrated machine learning model: A case study in the Lvliang mountains of China
US9159132B1 (en) Process and system for identifying damage
CN114740550B (zh) 一种连续风暴事件智能识别预警方法及系统
Chen et al. The application of remote sensing technology to the interpretation of land use for rainfall-induced landslides based on genetic algorithms and artificial neural networks
Olivier et al. GIS-based application of resource selection functions to the prediction of snow petrel distribution and abundance in East Antarctica: comparing models at multiple scales
CN113282572A (zh) 一种耕地网格化划分的方法、系统及终端设备
CN116861344A (zh) 基于二级因子区间优化划分的滑坡敏感性评估方法及设备
CN117556229A (zh) 联合pca、信息熵和逻辑回归模型的滑坡易发性评价方法
CN117192081A (zh) 土壤容重预测模型的构建方法、相关装置及设备
Pareek et al. Prediction of Floods in Kerala using Hybrid Model of CNN and LSTM
CN117057508A (zh) 一种山洪泥石流灾害风险识别方法、装置、终端及介质
CN118038633A (zh) 一种滑坡地质灾害监测预警方法及装置
Wang et al. Early warning of debris flow using optimized self-organizing feature mapping network
CN116089832A (zh) 重力卫星地下水储量的降尺度方法、装置和计算机设备
CN116089872A (zh) 地震后暴雨沟谷型泥石流的识别方法、装置、设备及介质
CN116662904A (zh) 数据类型的变异检测方法、装置、计算机设备及介质
CN112235727B (zh) 一种基于mac数据的人员流动监测分析方法和系统
RU59842U1 (ru) Устройство сейсмоакустического обнаружения и классификации движущихся объектов (варианты)
Detenbeck et al. Watershed-based survey designs

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